Tema 2

Espacios vectoriales y aplicaciones

lineales

Varios son los objetivos de este tema. A diferencia de la lección anterior, que trataba de resolver
problemas concretos encontrando algoritmos apropiados para ello, aquı́ buscamos reglas para manejar
vectores. Cuando se habla de vectores, uno piensa en principio en los vectores del plano (que ya hemos
tratado someramente al explicar los números complejos) o los vectores en el espacio tridimensional. Estos
son, sin embargo, ejemplos de una estructura, la de espacio vectorial, que tiene sentido sin la referencia
geométrica. De esta forma, la palabra vector ha de entenderse en un sentido más general, como elemento
de un conjunto que tiene unas reglas operacionales determinadas. Ası́, los polinomios son vectores, las
matrices son vectores, etc. Tenemos entonces que explicar lo que se entiende por espacio vectorial, las
operaciones entre sus elementos, los vectores, y las relaciones entre espacios vectoriales a través de las
aplicaciones lineales.

2.1. Ejemplo. Vectores en el plano

Para introducir la idea de lo que es un espacio vectorial, vamos a recordar alguno de los más conocidos y
utilizados. Vamos a considerar el conjunto de vectores ~v en el plano con base en el origen, que naturalmente
se puede identificar con el conjunto de puntos (x, y), con x, y ∈ R, es decir, R2 . Recordemos que para
generar nuevos elementos en R2 podemos sumar vectores
µ ¶ µ ¶ µ ¶
x1 x2 x1 + x2
~v1 = , ~v2 = ⇒ ~v1 + ~v2 = ,
y1 y2 y1 + y2

o multiplicar un número real por un vector:

µ ¶ µ ¶
x λx
λ ∈ R, ~v = ⇒ λ~v = .
y λy

El hecho de que estas dos operaciones entre vectores en el plano verifiquen una serie de reglas (véase la
definición general) significa que el conjunto de vectores en el plano con base en el origen o R2 adquiere lo
que se llama estructura de espacio vectorial. De manera que, en general, para obtener un espacio vectorial,
necesitamos un conjunto de elementos y dos operaciones sobre ese conjunto que permitan generar nuevos
elementos y que sigan unas reglas apropiadas.
20 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

2.2. Espacios vectoriales

Únicamente consideraremos espacios vectoriales sobre el cuerpo K = R ó C. Un espacio vectorial (e.
v.) sobre el cuerpo K de escalares es un conjunto no vacı́o V formado por elementos ~x ∈ V , dotado de
una operación interna + : V × V → V y de una operación externa · : K × V → V de manera que se
verifican las propiedades siguientes:

(1) Para cualesquiera ~x, ~y , ~z ∈ V

~x + (~y + ~z) = (~x + ~y ) + ~z.

(2) Para cualesquiera ~x, ~y ∈ V

~x + ~y = ~y + ~x.

(3) Existe un elemento neutro ~0 ∈ V tal que para cada ~x ∈ V se tiene que ~x + ~0 = ~0 + ~x = ~x.
(4) Para cada ~x ∈ V existe un elemento opuesto −~x ∈ V tal que ~x + (−~x) = (−~x) + ~x = ~0.
(5) Para cada ~x ∈ V y α, β ∈ K,
α · (β · ~x) = (αβ) · ~x.

(6) Para cada ~x ∈ V y α, β ∈ K,

(α + β) · ~x = (α · ~x + β · ~x).

(7) Para cada ~x, ~y ∈ V y α ∈ K,

α · (~x + ~y ) = (α · ~x + α · ~y ).

(8) Para cada ~x ∈ V ,

1~x = ~x.
Proposición 2.1
De las propiedades anteriores se deduce que si ~x ∈ V y α ∈ K son tales que α · ~x = 0, entonces
necesariamente α = 0 ó ~x = ~0.

Los elementos de un espacio vectorial se llaman vectores.

Ejemplos

1. V = Rn con las operaciones

(x1 , . . . , xn ) + (y1 , . . . , yn ) = (x1 + y1 , . . . , xn + yn )
α(x1 , . . . , xn ) = (αx1 , . . . , αxn ), α ∈ R,
es un espacio vectorial para n = 1, 2, 3, . . ..

2. V = C n con las operaciones de antes puede ser un espacio vectorial sobre R o sobre C.

3. V = Mm,n (K), con las operaciones definidas en el tema 1, es un espacio vectorial sobre K.

4. V = P [X], espacio de todos los polinomios en una variable y coeficientes complejos, es, con las
operaciones habituales de suma de polinomios y producto de un polinomio por un escalar, un espacio
vectorial sobre K.

5. V = Pn [X], espacio de los polinomios en una variable, coeficientes complejos y grado a lo sumo n es,
con las operaciones habituales de suma de polinomios y producto de un polinomio por un escalar, un
espacio vectorial sobre K.
2.2. ESPACIOS VECTORIALES 21

2.2.1. Combinaciones lineales. Subespacios vectoriales

Ası́ pues, un hecho importante de los espacios vectoriales es que se pueden sumar vectores y multiplicar
vectores por escalares, es decir, formar combinaciones lineales de vectores, obteniendo ası́ nuevos elementos
del espacio vectorial. Dado un e.v. V sobre K, se dice que un vector ~v ∈ V es combinación lineal del
sistema finito {~v1 , ~v2 , . . . , ~vm } si existen escalares λ1 , λ2 , . . . , λm de manera que
m
X
~v = λ1~v1 + λ2~v2 + · · · + λm~vm = λk~vk .
k=1

Notemos que el vector ~0 es combinación lineal de cualquier sistema de vectores.

Dentro de un espacio vectorial puede haber conjuntos que son en sı́ mismos espacios vectoriales. Por
ejemplo, cualquier plano que pase por el origen en R3 . Son los llamados subespacios vectoriales, es decir,
subconjuntos que son cerrados bajo las operaciones del espacio vectorial.

Definición. Sea V un e.v. sobre K. Se dice que un subconjunto no vacı́o W ⊂ V es un subespacio

vectorial si cumple:

(i) ~x + ~y ∈ W si ~x, ~y ∈ W .

(ii) λ~x ∈ W si λ ∈ K, ~x ∈ W .

Esto equivale a la siguiente condición: W es subespacio vectorial si y sólo si toda combinación lineal
de elementos de W es a su vez un elemento de W . En particular, el vector ~0 está en todo subespacio.

Ejemplos

(1) Para una matriz A ∈ Mm,n (K) el conjunto de soluciones del sistema lineal homogéneo A~x = ~0 es un
subespacio vectorial de Kn .

(2) El conjunto de vectores de R3 ,

W = {(0, 0, 1)T , (0, 1, 0)T },

no es un subespacio vectorial, pues el vector (0, 0, 1)T + (0, 1, 0)T = (0, 1, 1)T no pertenece a W .

Todo conjunto de vectores G, aunque no sea un subespacio vectorial, lleva asociado uno. Es el llamado
espacio generado por G y es el conjunto de todas las combinaciones lineales formadas con elementos de
G. Es el mı́nimo subespacio vectorial que contiene a G y se denota por hGi o span(G).

Ejemplos

(1) Para una matriz A ∈ Mm,n (K) se puede definir: 1. El espacio columna de A, que es el subespacio de
Km generado por las columnas de A. 2. El espacio fila de A, que es el subespacio de Kn generado por las
filas de A.

(2) El conjunto de vectores de R3 ,

G = {(0, 0, 1)T , (0, 1, 0)T },

genera el subespacio vectorial

hGi = {(x, y, z)T ∈ R3 /x = 0}.

22 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

2.2.2. Dependencia e independencia lineal. Bases y dimensión

Una descripción más explı́cita de un e.v. puede darse a partir de relaciones entre sus elementos los
vectores.
Sea V un e.v. Se dice que los vectores ~x1 , . . . , ~xn ∈ V son linealmente dependientes si existen escalares
λ1 , . . . , λn ∈ K no todos nulos verificando
λ1 ~x1 + · · · + λn ~xn = ~0.
Esto significa que algún vector del sistema es combinación lineal de los restantes. Recı́procamente, si un
vector ~x ∈ V es combinación lineal de los vectores ~x1 , . . . , ~xn entonces existen escalares λ1 , . . . , λn con
~x = λ1 ~x1 + · · · + λn ~xn ,
es decir,
(−1)~x + λ1 ~x1 + · · · + λn ~xn = ~0,
y los vectores ~x, ~x1 , . . . , ~xn son linealmente dependientes.
Se dice que los vectores ~x1 , . . . , ~xn ∈ V son linealmente independientes cuando no son linealmente
dependientes, es decir, si ninguno de los vectores es combinación lineal de los restantes. Esto significa que
si planteamos una combinación lineal nula
λ1 ~x1 + · · · + λn ~xn = ~0,
entonces necesariamente λ1 = · · · = λn = 0. Luego veremos un método práctico para determinar la
independencia lineal de un conjunto de vectores dado.

Si consideramos los vectores como flechas desde el origen, no es difı́cil visualizar la dependencia lineal
en el espacio tridimensional. Dos vectores son dependientes si están en la misma recta, y tres vectores
son dependientes si están en el mismo plano.
Se dice que un conjunto finito de vectores {~x1 , . . . , ~xn } es libre cuando los vectores ~x1 , . . . , ~xn son
linealmente independientes. Caso de no ser libre, el conjunto se denomina ligado.
Pasamos ahora a explicar lo que es una base en un espacio vectorial. Para manejar en la práctica
muchos espacios vectoriales, se suele buscar un conjunto finito y destacado de vectores, de manera que
cualquier otro vector del espacio vectorial pueda escribirse como combinación lineal de los vectores de
este conjunto. Esto no siempre puede hacerse, pues hay espacio vectoriales que no pueden describirse
completamente por un conjunto finito de vectores. Sin embargo, hay otros que sı́ admiten tal propiedad;
son los llamados espacios vectoriales de generación finita. Por ejemplo, todo vector de R3 (x, y, z)T es
una combinación lineal
x(1, 0, 0)T + y(0, 1, 0)T + z(0, 0, 1)T
de los vectores (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T ; de este modo, el espacio vectorial R3 es de generación finita,
pues todo vector de R3 puede escribirse como combinación lineal de un conjunto finito de vectores.
Vamos a restringirnos a partir de ahora a espacios vectoriales de generación finita. Se dice que un
conjunto G = {~x1 , . . . , ~xn } de vectores de un espacio vectorial V es un sistema generador de V si todo
vector de V puede escribirse como combinación lineal de los vectores de G.
Para poder describir completamente todos los vectores de un espacio vectorial, necesitaremos entonces
que éste admita un sistema de generadores. Sin embargo, no es suficiente con esto. Para ver el porqué,
consideremos el siguiente ejemplo de vectores en el plano:
~v1 = (1, 0)T , ~v2 = (0, 1)T , ~v3 = (1, 1)T .
Cualquier vector ~v = (x, y)T de R2 se puede escribir como combinación lineal de estos tres vectores; por
ejemplo,
~v = x~v1 + y~v2 + 0~v3 .
2.2. ESPACIOS VECTORIALES 23

De esta manera, el conjunto G = {~v1 , ~v2 , ~v3 } es un conjunto de generadores de R2 . Sin embargo, hay un
problema. Por ejemplo, el vector ~v = (1, 1)T se puede escribir como

~v = 2~v1 + 0~v2 − ~v3 ,

o también como

~v = −~v1 + ~v2 + 2~v3 .

El hecho de que un mismo vector se pueda escribir como combinación lineal de los tres vectores de más
de una forma da lugar a confusión. Ası́, necesitamos que los vectores del sistema generador que tomemos
verifiquen que cualquier vector se pueda escribir como combinación lineal de ellos sólo de una forma.
Siguiendo con el mismo ejemplo, observemos que si ahora tomamos el conjunto G0 = {~v1 , ~v2 }, éste
sigue siendo un sistema de generadores de vectores del plano, pues si ~v = (x, y)T es cualquiera, se puede
escribir

~v = x~v1 + y~v2 .

La diferencia entre G y G0 es que el primero es un sistema libre y el segundo es ligado. El hecho de

conseguir que los vectores que formen G0 sean linealmente independientes implica que cualquier vector
se puede escribir como combinación lineal de tales vectores sólo de una forma. En efecto, si tenemos un
vector cualquiera ~v escrito, con respecto a G0 , de dos formas

~v = x~v1 + y~v2 = x0~v1 + y 0~v2 ,

entonces se tiene

(x − x0 )~v1 + (y − y 0 )~v2 = ~0,

y como ~v1 y ~v2 son independientes, necesariamente x − x0 = y − y 0 = 0, es decir, x = x0 , y = y 0 ; luego ~v

se escribe sólo de una forma con respecto a los vectores de G0 .
Generalizando lo razonado para el ejemplo a un espacio vectorial cualquiera, observamos que para
evitar que un vector pueda expresarse de más de una forma como combinación lineal de los vectores de
un sistema generador, hay que exigir a éstos que sean linealmente independientes. Esto da lugar a la
definición de base. Se dice que un conjunto de vectores B = {~x1 , . . . , ~xn } ⊂ V es una base de V cuando
B es un sistema generador y libre. Añadir la propiedad de independencia lineal a la de generador implica
que cada vector ~v ∈ V puede expresarse de una y sólo una manera como combinación de los vectores de
una base.
A todo esto hay que añadir dos cosas: la primera es que podemos tener más de una base en un espacio
vectorial de generación finita. Ası́, en el ejemplo anterior, G0 forma una base, pero también G00 = {~v1 , ~v3 }
forma una base, o también G000 = {~v2 , ~v3 }. Lo segundo a mencionar es el llamado teorema de la base:

Teorema 2. Todas las bases de un espacio vectorial de generación finita V son finitas y poseen el mismo
número de elementos. Este número se denomina dimensión del e. v. V y se escribe dimK V .

Ejemplos.

(1) Bases canónicas (véase el ejercicio 1). Ya hemos visto que los vectores (1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T
constituyen un sistema generador de R3 . Además, son linealmente independientes, pues cualquier com-
binación lineal nula de ellos

λ1 (1, 0, 0)T + λ2 (0, 1, 0)T + λ3 (0, 0, 1)T = (0, 0, 0)T ,

genera un sistema lineal de tres ecuaciones trivial con λ1 = λ2 = λ3 = 0. De este modo, forman una base
de R3 llamada base canónica. Por tanto dimR R3 = 3.
24 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

(2) En general, la base canónica de Rn como espacio vectorial sobre R es el conjunto de n vectores,
~e1 = (1, 0, 0, . . . , 0)T
~e2 = (0, 1, 0, . . . , 0)T
.. ..
. .
~en = (0, 0, 0, . . . , 1)T ,
de modo que dimR Rn = n, n = 1, 2, . . ..

(3) En el espacio de los polinomios de grado menor o igual que un entero no negativo n y coeficientes
reales, denotado por Pn [X], la base canónica viene dada por los monomios
1, x, x2 , . . . , xn ,
de manera que dimR Pn [X] = n + 1, n = 0, 1, . . ..

(4) A partir de la interpretacin geomtrica de la dependencia e independencia lineal, es claro que en en

R2 y en R3 todas las bases tienen 2 y 3 vectores respectivamente.

Las siguientes propiedades establecen las formas para obtener bases de sistemas generadores y de
sistemas libres.

Teorema 2. Sea V un espacio vectorial de dimensión n. Se satisfacen las siguientes propiedades:

1. Un sistema generador G ⊂ V es una base si y sólo si no se puede reducir a un nuevo sistema

generador.
2. Siempre se puede obtener una base B de un sistema generador, descartando vectores si es necesario.
3. Si G es un sistema generador, entonces tiene como mı́nimo n elementos. Además, G es una base si
y sólo si contiene exactamente n elementos.
4. Un sistema libre L ⊂ V es una base si y sólo si no se puede ampliar a otro sistema libre.
5. Cualquier sistema libre se puede extender a una base, añadiendo más vectores si es necesario.
6. Si L es un sistema libre, entonces tiene a lo sumo n elementos. Además, L es una base si y sólo si
tiene exactamente n elementos.
7. Todo subespacio W de V tiene dimensión menor o igual que n. Si la dimensión de W es n, entonces
W =V.

Es fácil comprobar las propiedades 3 y 6 en Rn . (Téngase en cuenta lo que ya se conoce sobre la

resolución de un sistema con la eliminación gaussiana).

Por tanto, una base es un conjunto independiente máximo. No puede ser más grande porque entonces
perderı́a la independencia (propiedad 4 del Teorema 2). No puede ser menor porque entonces no generarı́a
todo el espacio (propiedad 1 del Teorema 2).
En términos generales, para determinar si un conjunto de vectores forma una base, hemos de com-
probar que es un sistema generador y que es un sistema libre. Sin embargo, los distintos resultados del
Teorema 2 tienen su aplicación a la hora de determinar bases de un espacio vectorial. En este sentido,
las propiedades 3 y 6 son bastante útiles cuando se conoce la dimensión del espacio en el que está uno
trabajando. Ası́, la propiedad 3 dice, por ejemplo, que si tenemos tres vectores en R3 que forman un
sistema generador, entonces directamente forman una base, pues su número es exactamente la dimensión
de R3 . Nos ahorramos entonces comprobar que son linealmente independientes. Igualmente, si uno conoce
dos vectores en R2 que son linealmente independientes, la propiedad 6 nos dice que entonces forman una
base. No es necesario por tanto estudiar si generan todo R2 .
2.2. ESPACIOS VECTORIALES 25

2.2.3. Coordenadas de un vector respecto a una base. Cambio de base

Hemos visto que lo que hace el concepto de base algo útil es que recurriendo a una de ellas, cualquier
vector queda identificado mediante los coeficientes de la única combinación lineal que lo expresa en función
de los vectores de aquélla. A estos coeficientes se les llama coordenadas. En un e. v. de dimensión finita,
si se dispone de una base, conocer un vector viene a ser lo mismo que conocer sus coordenadas en la base.
Sea V un e. v. sobre K con dim(V ) = n y sea B = {~b1 , ~b2 , . . . , ~bn } una base de V . Cada vector ~x ∈ V
se puede escribir de forma única como combinación lineal de los elementos de B:

~x = x1~b1 + x2~b2 + · · · + xn~bn .

Se dice que x1 , x2 , . . . , xn son las coordenadas del vector ~x respecto de la base B. Cuando se sobreentiende
cuál es la base B, se suele escribir ~x = (x1 , x2 , . . . , xn )T o bien, en otro caso, M (~x, B) = (x1 , x2 , . . . , xn )T .
Por ejemplo, el vector ~v = (1, 2, 3)T tiene coordenadas en la base canónica

~v = ~e1 + 2~e2 + 3~e3 .

Si se dispone de dos bases B y B 0 en un mismo e. v. V , cada vector ~x ∈ V tendrá dos sistemas

de coordenadas, uno respecto de cada base. Si se conoce una base respecto de la otra, va a ser posible
relacionar unas coordenadas con otras; las relaciones que ligan a los dos sistemas de coordenadas se llaman
ecuaciones del cambio de base.
Pongamos primero un ejemplo. Como hemos visto, dada la base canónica B = {~e1 , ~e2 , ~e3 } de R3 , el
vector ~v = ~e1 + 2~e2 + 3~e3 tiene por coordenadas ~v = (1, 2, 3)T en la base B. Consideramos ahora otra base
de R3 , por ejemplo B 0 = {~v1 , ~v2 , ~v3 }, donde ~v1 = (1, 1, 0)T , ~v2 = (0, 1, −1)T , ~v3 = (−1, 1, −1)T . Nuestro
problema es expresar el vector ~v con respecto a la nueva base B 0 , es decir, calcular sus coordenadas en
esta base. Imaginemos que tales coordenadas son

~v = x01~v1 + x02~v2 + x03~v3 .

Observemos que los vectores de B 0 se expresan con respecto a la base canónica B del siguiente modo:

~v1 = (1, 1, 0)T = ~e1 + ~e2 ,

~v2 = (0, 1, −1)T = ~e2 − ~e3 ,
~v3 = (−1, 1, −1)T = −~e1 + ~e2 − ~e3 .

Sustituyendo, se tiene:

~v = x01~v1 + x02~v2 + x03~v3 = x01 (~e1 + ~e2 ) + x02 (~e2 − ~e3 ) + x03 (−~e1 + ~e2 − ~e3 )
= (x01 − x03 )~e1 + (x01 + x02 + x03 )~e2 + (−x02 − x03 )~e3 .

pero, por otro lado,

~v = (1, 2, 3)T = ~e1 + 2~e2 + 3~e3 .

Tenemos entonces dos expresiones de un mismo vector en la base B; deben por tanto coincidir. Entonces,

x01 − x03 = 1
x01 + x02 + x03 = 2
−x02 − x03 = 3.

Es decir, que las nuevas coordenadas satisfacen el sistema

  0   
1 0 −1 x1 1
1 1 1  x02  = 2 ,
0 −1 −1 x03 3
26 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

que, resolviendo, proporciona los valores x01 = 5, x02 = −7, x03 = 4 y M (~v , B) = (5, −7, 4)T . Hay que fijarse
en la matriz del sistema: su primera columna está formada por las coordenadas del vector ~v1 en la base
B, la segunda columna está formada por las coordenadas del vector ~v2 en la base B y la tercera tiene
por elementos las coordenadas del vector ~v3 en la base B.
Este procedimiento se puede generalizar. Sea V un e. v. sobre K de dimensión n. Sea B = {~b1 , ~b2 , . . . , ~bn }
una base de V , en las que las coordenadas de un vector ~x ∈ V se denotan por M (~x, B) = (x1 , x2 , . . . , xn )T .
Sea B 0 = {~b01 , ~b02 , . . . , ~b0n } otra base de V , en la que las coordenadas de ~x ∈ V se denotan por M (~x, B 0 ) =
(x01 , x02 , . . . , x0n )T . Supongamos que se conocen los vectores de B 0 en función de los de B, es decir,

~b0 = q11~b1 + q21~b2 + · · · + qn1~bn

1
~b0 = q12~b1 + q22~b2 + · · · + qn2~bn
2
.. .
. = ..
~b0 = q1n~b1 + q2n~b2 + · · · + qnn~bn .
n

Entonces, las coordenadas M (~x, B) = (x1 , x2 , . . . , xn )T vendrán, en función de las coordenadas M (~x, B 0 ) =
(x01 , x02 , . . . , x0n )T , dadas por las fórmulas

x1 = q11 x01 + q12 x02 + · · · + q1n x0n

x2 = q21 x01 + q22 x02 + · · · + q2n x0n
.. ..
. = .
xn = qn1 x01 + qn2 x02 + · · · + qnn x0n ,

que matricialmente se escribe

 
q11 q12 ··· ··· q1n
 q21 q22 ··· ··· q2n 
M (~x, B) = QM (~x, B 0 ), Q = M (B , B) = 
0
· · ·
.
··· ··· ··· ···
qn1 qn2 ··· ··· qnn

La matriz Q se llama matriz de cambio de base de B 0 a B y es una matriz invertible. Como ha mostrado
la construcción del sistema, hay que observar que las columnas de Q = M (B 0 , B) son las coordenadas
de los vectores de la base B 0 con respecto a la base B. Precisamente, su matriz inversa es la matriz del
cambio de coordenadas inverso, de B a B 0 , es decir

M (~x, B 0 ) = Q−1 M (~x, B) = M (B, B 0 )M (~x, B).

Este es, con frecuencia, el problema a resolver.

Ejemplo. Supongamos que B = {~b1 , ~b2 , ~b3 }, con ~b1 = (1, −1, 0)T , ~b2 = (0, 1, 0)T , ~b3 = (1, 0, −1)T .
Supongamos también que B 0 = {b~0 1 , b~0 2 , b~0 3 }, con

b~0 1 = ~b1 − ~b2 ,

b~0 2 = ~b1 + ~b3 ,
b~0 3 = ~b2 − ~b3 .

Si ~x = ~b1 − ~b2 + 2~b3 , las coordenadas de ~x en B 0 (~x = αb~0 1 + β b~0 2 + γ b~0 3 ) satisfarán
    
1 1 1 0 α
 −1  =  −1 0 1   β  ,
2 0 1 −1 γ

que resolviendo da lugar a los valores α = 0, β = 1, γ = −1.

2.3. SUBESPACIOS FUNDAMENTALES DE UNA MATRIZ 27

2.3. Subespacios fundamentales de una matriz

2.3.1. Definición y propiedades
Pasamos ahora a describir un procedimiento para resolver en la práctica varios problemas que se han
ido planteando en secciones anteriores. Concretamente:

1. Cómo describir los subespacios de un espacio vectorial de dimensión finita.

2. Cómo determinar una base de un subespacio.

3. Cómo obtener una base de un sistema generador dado.

4. Cómo formar una base a partir de un sistema libre dado.

Con respecto al problema 1, generalmente los subespacios (que no sean el formado exclusivamente
por el vector nulo) se describen de dos maneras. La primera consiste en dar un sistema de generadores
del subespacio (en particular, una base) que pueden disponerse como el espacio fila o el espacio columna
de una matriz. En la segunda, podemos dar una lista de restricciones acerca del subespacio; en lugar de
decir cuáles son los vectores en el subespacio, se dicen las propiedades que deben satisfacer. Generalmente
estas restricciones vienen dadas más o menos explı́citamente por un conjunto de ecuaciones lineales, de
modo que el subespacio queda descrito como el conjunto de soluciones de un sistema lineal homogéneo
A~x = ~0 y cada ecuación del sistema representa una restricción. En el primer tipo puede haber filas o
columnas redundantes y en el segundo puede haber restricciones redundantes. En ninguno de los dos casos
es posible dar una base (resolver el problema 2) por mera inspección, es necesario algún procedimiento
sistemático.
El método que aquı́ explicaremos está basado en el proceso de eliminación gaussiana de una matriz
A dado en el tema 1 y la matriz U escalonada superior que quedaba asociada a ésta al final del proceso.
Con este procedimiento vamos también a poder resolver los problemas 3 y 4 y el problema añadido de
cómo pasar de una representación de un subespacio a la otra.

Definición. Supongamos que reducimos una matriz A ∈ Mm,n (K) mediante operaciones elementales a
una matriz U de forma escalonada. Llamemos r al número de pivotes de U , de tal modo que las últimas
m − r filas de U son idénticamente nulas. A este número r se le llama rango de la matriz A.

Hay una relación entre el rango r y la independencia lineal: precisamente, r es el número de filas
linealmente independientes de la forma escalonada U .
Los subespacios fundamentales de una matriz A ∈ Mm,n (K) son los siguientes:

1. Espacio fila f il(A): es el espacio generado por las filas de A.

2. Espacio nulo Ker(A) = {~x/A~x = ~0}.

3. Espacio columna col(A): es el espacio generado por las columnas de A.

4. Espacio nulo por la izquierda Ker(AT ) = {~x/AT ~x = ~0}.

La relación entre los subespacios fundamentales de una matriz y los subespacios vectoriales es la siguiente:
si el subespacio viene dado por un sistema de generadores, será el espacio fila (o el espacio columna) de la
matriz cuyas filas (o columnas) sean los vectores del sistema generador. Si el subespacio viene dado por
un conjunto de restricciones, se escribirá como el espacio nulo o el espacio nulo por la izquierda de una
matriz, la del sistema homogéneo dado por las restricciones. Queda claro entonces que para determinar
una base de un subespacio tenemos que analizar la manera de determinar una base de los subespacios
fundamentales de una matriz. En ello tendrá que ver su forma escalonada obtenida por eliminación
gaussiana.
28 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

1. Espacio fila de A. La eliminación actúa en A para producir una matriz escalonada U ; el espacio
fila de U se obtiene directamente: su dimensión es el rango r y sus filas distintas de cero constituyen
una base (pruébese). Ahora bien, cada operación elemental no altera el espacio fila, pues cada fila de
la matriz U es una combinación de las filas originales de A (razonar que para dos vectores cualesquiera
< ~v1 , ~v2 >=< ~v1 , ~v2 − α~v1 >, para todo escalar α). Como al mismo tiempo cada paso puede anularse
mediante una operación elemental, entonces

f il(A) = f il(U ),

por tanto, f il(A) tiene la misma dimensión r y la misma base. Hay que notar que no comenzamos
con las m filas de A, que generan el espacio fila y descartamos m − r para obtener una base. Podrı́amos
hacerlo, pero puede ser difı́cil decidir cuáles filas descartar; es más sencillo tomar simplemente las filas de
U distintas de cero.

Ejemplo. Determina una base del subespacio de R4 generado por los vectores ~v1 = (1, 1, 0, 1)T , ~v2 =
(1, 2, 2, 1)T , ~v3 = (3, 4, 2, 3)T .
Disponemos los vectores generadores como las filas de una matriz
 
1 1 0 1
A = 1 2 2 1 .
3 4 2 3
El subespacio es entonces el espacio fila de A. Reducimos por eliminación gaussiana,
     
1 1 0 1 1 1 0 1 1 1 0 1
A = 1 2 2 1 → 0 1 2 0 → 0 1 2 0 = U.
3 4 2 3 0 1 2 0 0 0 0 0
Puesto que U tiene dos pivotes, r = 2, de modo que la dimensión del subespacio es dos. Como una base
de f il(U ) lo forman las dos primeras filas, lo mismo ocurre con f il(A), de manera que una base del
subespacio es w ~ 1 = (1, 1, 0, 1)T , w
~ 2 = (0, 1, 2, 0)T .

2. Espacio nulo de A. Es el formado por los vectores ~x tales que A~x = ~0. En la eliminación gaussiana
se reduce el sistema A~x = ~0 al sistema U~x = ~0 precisamente sin alterar ninguna de las soluciones. Por
tanto, el espacio nulo de A es el mismo que el de U ,

Ker(A) = Ker(U ).

De las m aparentes restricciones impuestas por las m ecuaciones A~x = ~0 sólo r son independientes,
especificadas precisamente por las r filas de U distintas de cero. Ası́, el espacio nulo de A tiene dimensión
n − r, que es el número de variables libres del sistema reducido U~x = ~0, correspondientes a las columnas
de U sin pivotes. Para obtener una base, podemos dar el valor 1 a cada variable libre, cero a las restantes
y resolver U~x = ~0 para las r variables básicas por sustitución regresiva. Los n − r vectores ası́ producidos
forman una base de Ker(A).

Ejemplo. Determina una base del subespacio W de R4 , formado por los vectores ~x = (x1 , x2 , x3 , x4 )T
tales que

−x1 + x2 − x3 + 2x4 = 0
2x1 − 2x2 + x3 = 0
5x1 − 5x2 + 3x3 − 2x4 = 0

Se tiene que W = {~x ∈ R4 /A~x = ~0} donde

 
−1 1 −1 2
A= 2 −2 1 0 .
5 −5 3 −2
2.3. SUBESPACIOS FUNDAMENTALES DE UNA MATRIZ 29

La eliminación gaussiana lleva a que W = Ker(U ) donde

 
−1 1 −1 2
U = 0 0 −1 4 .
0 0 0 0

Como en este caso n = 4 y r = 2, la dimensión de W es n − r = 2. Las variables básicas son x1 y x3 y

las libres x2 y x4 . El sistema U~x = ~0 queda

x1 + x3 = x2 + 2x4
x3 = 4x4

Dando los valores x2 = 1, x4 = 0, tenemos el vector ~v1 = (1, 1, 0, 0)T . Con los valores x2 = 0, x4 = 1 se
obtiene ~v2 = (−2, 0, 4, 1)T . Los vectores ~v1 , ~v2 forman una base de W .

3. Espacio columna de A. Podrı́amos tener en cuenta que las columnas de A son las filas de AT y
actuar sobre AT . Es mejor, sin embargo, estudiar el espacio columna en términos de los números originales
m, n y r.
Es importante destacar que A no tiene el mismo espacio columna que U . La eliminación gaus-
siana altera las columnas. Sin embargo, cada vez que ciertas columnas de U formen una base del espacio
columna de U , las correspondientes columnas de A forman una base del espacio columna de A.
La razón es la siguiente: sabemos que A~x = ~0 si y sólo si U~x = ~0. Los dos sistemas son equivalentes y
tienen las mismas soluciones. En términos de multiplicación de matrices, A~x = ~0 expresa una dependencia
lineal entre las columnas de A, con coeficientes dados por las coordenadas de ~x. Por tanto, cada una de
estas dependencias corresponde a una dependencia lineal U~x = ~0 entre las columnas de U y con los mismos
coeficientes. Si el conjunto de columnas de A es independiente, lo mismo es válido para las columnas de
U y viceversa.
Ahora, para encontrar una base de col(A), partimos de encontrar una base de col(U ). Pero una base
de col(U ) la forman las r columnas de U que contienen los pivotes. Ası́, tenemos:
La dimensión de col(A) es igual al rango r, que es la dimensión de f il(A): en cualquier matriz,
el número de filas independientes es igual al número de columnas independientes. Una base de col(A)
está formada por aquellas r columnas de A correspondientes, en U , a las columnas que contienen los
pivotes.

Ejemplo. Para la matriz

 
1 2 0 1
A = 0 1 1 0 ,
1 2 0 1

la eliminación gaussiana lleva a que

 
1 2 0 1
U = 0 1 1 0 .
0 0 0 0

Para U , las columnas con pivote son la primera y la segunda, luego una base de col(A) está formada por
las dos primeras columnas de A: (1, 0, 1)T , (2, 1, 2)T .

4. Espacio nulo por la izquierda de A. Es el espacio nulo de AT . Como para cualquier matriz, se
tiene que

dimensión del espacio columna+dimensión del espacio nulo =número de columnas,

30 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

esta regla puede aplicarse a AT , que tiene m columnas. Como rango fila=rango columna = r, entonces
dimKer(AT ) = m − r. Se puede determinar una base de Ker(AT ) de la misma manera que se ha hecho
con el espacio nulo de A.

Ejercicio. Determina una base de los cuatro subespacios elementales de la matriz

 
2 4 0 2
6 −2 1 0
A=
8
.
2 1 2
−4 1 −3 −5

Explicado el procedimiento para obtener una base de un subespacio, resolvemos los problemas pendi-
entes.
Para obtener una base de un sistema generador (problema 3), basta con hallar una base del espacio
fila de la matriz cuyas filas son los vectores generadores.

Ejemplo. Obtenemos una base del subespacio generado por el sistema de generadores de R3 : ~v1 =
(1, 2, 1)T , ~v2 = (3, 2, 1)T , ~v3 = (4, 0, 0)T , ~v4 = (−1, 2, 1)T .
Disponemos los vectores como las filas de una matriz y reducimos a forma escalonada
     
1 2 1 1 2 1 1 2 1
3 2 1 0 −4 −2 0 −4 −2
 → → 
4 0 0 0 −8 −4 0 0 0
−1 2 1 0 4 2 0 0 0

La dimensión del espacio fila es dos, luego de los cuatro vectores sólo dos son independientes. Una base
del subespacio lo forman los vectores (1, 2, 1)T , (0, −4, −2)T .

Para obtener una base de un espacio vectorial a partir de un sistema libre (problema 4) basta con
ampliar el espacio fila correspondiente con vectores que van siendo independientes, hasta completar la
dimensión.

Ejemplo. Completamos a una base de R4 a partir de los vectores ~v1 = (1, 1, 0, 1)T , ~v2 = (1, 2, 2, 1)T , ~v3 =
(3, 0, 2, 3)T .
Disponemos los vectores como las filas de una matriz y reducimos a forma escalonada.
     
1 1 0 1 1 1 0 1 1 1 0 1
1 2 2 1 → 0 1 2 0 → 0 1 2 0 .
3 0 2 3 0 −3 2 0 0 0 8 0

Si añadimos una cuarta fila con un pivote, por ejemplo, (0, 0, 0, 1)T , tenemos que la dimensión del espacio
fila de la matriz que forman los tres primeros vectores y este cuarto es cuatro, luego un vector que
completa a una base es, por ejemplo, (0, 0, 0, 1)T .

Para calcular las ecuaciones de un subespacio a partir de un sistema generador, se dispone el sistema
generador como las filas de una matriz, y a ésta se añade una fila con un vector genérico. Se reduce
la matriz ası́ formada por eliminación gaussiana, obligando a que se anule la última fila de la forma
escalonada final.

Ejemplo. Obtenemos las ecuaciones del subespacio generado por los vectores ~v1 = (1, 0, 3)T , ~v2 =
(−2, 3, −1)T .
2.4. OPERACIONES CON SUBESPACIOS 31

Disponemos los vectores como las filas de una matriz, añadiendo una tercera fila con un vector genérico
(x, y, z)T del subespacio y reducimos a forma escalonada:
     
1 0 3 1 0 3 1 0 3
−2 3 −1 → 0 3 5  → 0 3 5 
x y z 0 y z − 3x 0 0 z − 3x − (5/3)y

Como el vector (x, y, z)T está en el subespacio, la dimensión del espacio fila de la matriz ha de ser dos,
luego la última fila de la forma escalonada tiene que ser nula. Por tanto, el subespacio es

W = {(x, y, z)T /z − 3x − (5/3)y = 0}.

Al revés, para dar un sistema generador a partir de las ecuaciones de un subespacio, basta con calcular
una base del espacio nulo de la matriz del sistema de ecuaciones.

2.4. Operaciones con subespacios

Una vez que sabemos determinar una base de un subespacio vectorial, nos queda operar con ellos.
Básicamente, se pueden realizar dos operaciones con subespacios: intersecciones y sumas.

2.4.1. Intersección de subespacios

Sea V un e. v. y W1 , W2 subespacios vectoriales de V . La intersección W = W1 ∩ W2 es el conjunto de
vectores de V que están a la vez en W1 y W2 . No es difı́cil ver que W es un subespacio vectorial. Nótese
que la intersección cualquiera es no vacı́a, pues al menos el vector nulo está en W .
Para describir la intersección de subespacios, la manera más natural es poner cada subespacio en
forma de un sistema de ecuaciones homogéneo. La intersección será aquel subespacio que verifique todas
las restricciones a la vez.

Ejemplo. Para los subespacios

W1 = {(x, y, z)T /x + y + z = 0}
W2 = {(x, y, z)T /x − z = 0}

el subespacio W1 ∩ W2 es

W1 ∩ W2 = {(x, y, z)T /x + y + z = 0, x − z = 0}

2.4.2. Suma de subespacios

Sea V un e. v. y W1 , W2 subespacios vectoriales de V . Observemos que, en general, la unión de
subespacios W1 ∪ W2 (el conjunto de vectores que están en algunos de los dos subespacios) no es un
subespacio vectorial. Por ejemplo, si W1 es el subespacio de R2 generado por el vector w ~ 1 = (1, 0)T y W2
T
es el subespacio generado por w ~ 2 = (0, 1) , naturalmente los vectores w
~1 y w
~ 2 están en W1 ∪ W2 , pero la
suma w ~ 2 = (1, 1)T no está en W1 ∪ W2 .
~1 + w
Se puede definir, sin embargo, la suma de subespacios W = W1 + W2 como el subespacio generador
por la unión W = hW1 ∪ W2 i.
Contrariamente a la intersección, una manera sencilla de describir el subespacio suma consiste en
determinar un sistema generador o una base de cada subespacio y quedarse con los independientes,
obteniéndose de esta manera una base del subespacio suma.
32 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Ejemplo. Obtenemos una base del subespacio suma W1 + W2 donde

W1 = {(x, y, z)T /x + y = 0, z = 0}
W2 = {(x, y, z)T /z = 0}.
Una base de W1 es w ~ 1 = (1, −1, 0)T y de W2 , w ~ 2 = (1, 0, 0)T , w~ 3 = (0, 1, 0)T . Entonces, w
~ 1, w
~2 y w
~3
forman un sistema generador de W1 + W2 . Ahora, el vector w ~ 1 depende de los otros dos, luego una base
del subespacio suma está formado por w~ 2 = (1, 0, 0)T , w
~ 3 = (0, 1, 0)T . Es decir, W1 + W2 = W2 .

La forma de determinar una base del subespacio suma muestra que todo vector w ~ de W = W1 + W2
puede escribirse como suma w ~ =w~1 + w~ 2 donde w
~ 1 ∈ W1 y w~ 2 ∈ W2 .
Cuando los subespacios sólo tiene en común el vector nulo, W1 ∩ W2 = {~0}, el subespacio suma se
denomina suma directa de W1 y W2 y se denota por W = W1 ⊕W2 . En este caso, los vectores componentes
w
~ 1, w
~ 2 de la descomposición w~ =w ~1 + w
~ 2 de cualquier vector w~ de la suma que mencionábamos antes
son únicos: los vectores de W sólo pueden descomponerse de una forma. Además, en este caso, dada B1
una base de W1 y B2 una base de W2 , B1 ∪ B2 es una base de W1 ⊕ W2 .
Respecto a las dimensiones de los subespacios suma e intersección, se tiene el siguiente resultado:

Fórmula de las dimensiones. Si W1 y W2 son dos subespacios vectoriales de dimensión finita

dim(W1 + W2 ) = dim(W1 ) + dim(W2 ) − dim(W1 ∩ W2 ).
En particular, si W1 ∩ W2 = {~0},
dim(W1 ⊕ W2 ) = dim(W1 ) + dim(W2 ).

2.5. Aplicaciones lineales

Se pueden establecer relaciones entre espacios vectoriales, a través de las llamadas aplicaciones lineales.
Antes de dar la definición formal, vamos a mostrar algunos ejemplos para intentar explicar qué significa
que una aplicación entre espacios vectoriales sea lineal.
En el plano R2 pueden darse varias transformaciones, con interpretación geométrica, entre vectores.
Por ejemplo, se puede aumentar o reducir de tamaño un vector (homotecias).

¡
µ
¡
¡
~v = (x, y) T~v = ( 12 x, 12 y) ¡T~v = (2x, 2y)
¡
¡
µ
¡ ¡
¡ ¡
¡ µ
¡
¡ ¡
¡ ¡ ¡

Desde el punto de vista algebraico, esto significa multiplicar cada componente del vector por una
constante λ ∈ R. Si 0 < λ < 1, el vector se reduce de tamaño, si λ > 1, aumenta. En el caso de que λ < 0,
el vector cambia además de sentido. Todo ello genera una transformación entre vectores (homotecia de
centro el origen y razón λ),
2 2
T : R
µ ¶→ R µ ¶
x λx
7−→ T (x, y) = .
y λy
2.5. APLICACIONES LINEALES 33

Éste es un primer ejemplo de una transformación lineal entre espacios vectoriales. Se dice que es lineal
por lo siguiente: si uno toma una combinación de dos vectores cualesquiera y le aplica la homotecia, el
vector resultante es el mismo que si aplicamos primero la homotecia a los vectores originales y luego
hacemos la combinación lineal a los vectores transformados. Fijémonos por último en que la aplicación
se puede escribir como el producto de una matriz por el vector genérico, en la forma
µ ¶ µ ¶ µ ¶µ ¶
x λx λ 0 x
7−→ T (x, y) = = .
y λy 0 λ y

El siguiente ejemplo tiene también su interpretación geométrica. Se trata de girar los vectores del
plano un ángulo determinado α.

¢̧
¢ T (~v )
¢
¢ ~v = (x, y)
¢ ©
*
¢ α © ©©
¢ ©©
¢ © θ
¢ ©
©

Para dar una expresión a esta tranformación entre vectores podemos hacer uso de los números com-
plejos que tratamos en el tema preliminar. Recordemos que un vector en el plano con base en el ori-
gen y coordenadas ~v = (x, y)T representa también el complejo p z = x + iy o, en forma trigonométrica
z = r cos θ + ir sin θ, donde x = r cos θ, y = r sin θ, r = |z| = x2 + y 2 y θ es el argumento principal de z.
Observemos entonces que un giro de ángulo α proporciona un nuevo vector, es decir, un nuevo complejo,
cuyo módulo es similar al del vector de inicio, mientras que uno de sus argumentos se obtiene sumando
α al argumento θ. De este modo, el nuevo complejo puede escribirse
T (z) = r cos (θ + α) + ir sin (θ + α),
es decir, el vector transformado tiene por coordenadas
T (~v ) = (r cos (θ + α), r sin (θ + α))T .
En términos de las componentes originales x e y, hay que tener en cuenta que x = r cos θ, y = r sin θ y
las relaciones
cos(θ + α) = cos(θ) cos(α) − sin(θ) sin(α),
sin(θ + α) = cos(θ) sin(α) + sin(θ) cos(α).
Podemos entonces escribir que
µ ¶µ ¶
cos α
T − sin α x
T (~v ) = T (x, y) = (x cos(α) − y sin(α), x sin(α) + y cos(α)) = ,
sin α cos α y
transformación que se expresa como producto de una matriz por el vector de salida. La aplicación
2 2
T : R
µ ¶→ R µ ¶µ ¶
x cos α − sin α x
7−→ T (x, y) =
y sin α cos α y
es lineal. Esto puede razonarse como antes. Si combinamos dos vectores y el vector resultante gira un
ángulo α, el resultado es el mismo que si primero giramos los vectores originales un ángulo α y luego
hacemos la combinación lineal a los vectores resultantes del giro.
34 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Naturalmente, no todas las aplicaciones son lineales. Por ejemplo, otra de las transformaciones que
pueden hacerse en R2 es añadir una cantidad fija a cada componente α, β 6= 0 de los vectores. Por
ejemplo, podemos generar la aplicación

T : R2 ¶→ R2
µ µ ¶
x x+1
7−→ T (x, y) = .
y y+1

Esta transformación no es lineal. Si, por ejemplo, sumamos dos vectores y a la suma se añade el vector
(α, β)T = (1, 1)T , el resultado no es el mismo que si primero añadimos (α, β)T = (1, 1)T a los vectores
originales y luego sumamos. Hay que observar también que esta transformación no puede escribirse como
producto matriz por vector.
Estos ejemplos pretenden mostrar que para que una aplicación entre espacios vectoriales sea lineal, su
actuación sobre los vectores debe conmutar con las operaciones de los subespacios: combinar los vectores
y transformar debe dar el mismo resultado que transformar primero los vectores y luego combinarlos.

2.5.1. Definición y propiedades

Para un uso en posteriores lecciones, introducimos aquı́ el concepto de aplicación lineal, que permite
establecer relaciones entre los espacios vectoriales. Dados dos espacios vectoriales U y V sobre un mismo
cuerpo K, se dice que una transformación T : U → V es lineal cuando

(i) T (~x + ~y ) = T (~x) + T (~y ), ~x, ~y ∈ U .

(ii) T (λ~x) = λT (~x), ~x ∈ U, λ ∈ K.

Esto es

T (λ1 ~x1 + · · · + λm ~xm ) = λ1 T (~x1 ) + · · · + λm T (~xm ),

λ1 , . . . , λm ∈ K, ~x1 , . . . , ~xm ∈ U.

Ejemplos. Con la definición, se puede comprobar que las aplicaciones siguientes

(1) T : R3 → R3 , T ((x, y, z)T ) = (x + y, y + z)T .

(2) T : P3 [X] → P2 [X], T (p(x)) = p0 (x),

son lineales.

Con las aplicaciones lineales se pueden realizar tres operaciones:

Suma: si T, S : U → V son aplicaciones lineales, entonces la aplicación T + S : U → V , (T + S)(~x) =

T (~x) + S(~x) es una aplicación lineal.

Producto: si T : U → V es una aplicación lineal y λ ∈ K, entonces la aplicación (λT ) : U → V ,

(λT )(~x) = λT (~x) es lineal.

Composición: si U, V, W son espacios vectoriales, T : U → V , S : V → W son aplicaciones lineales,

entonces la aplicación S ◦ T : U → W , (S ◦ T )(~x) = S(T (~x)) es una aplicación lineal.

Asociada a una aplicación lineal, T : U → V hay dos subespacios destacables:

Núcleo: Ker(T ) = {~x ∈ U/T (~x = 0} ⊂ U ,

Imagen: Im(T ) = {~y ∈ V / existe ~x ∈ U con T (~x) = ~y } ⊂ V .

2.5. APLICACIONES LINEALES 35

2.5.2. Matriz de una aplicación lineal. Cambio de base

En espacios de dimensión finita, para manejarse con aplicaciones lineales, es mejor utilizar coorde-
nadas. Ello va a permitir relacionar las aplicaciones lineales con las matrices, lo que hace más sencillo el
uso de las primeras.
Sean U y V espacios vectoriales de dimensión finita sobre un mismo cuerpo K. Sean BU = {~u1 , . . . , ~un },
BV = {~v1 , . . . , ~vm } bases en U y V respectivamente. Sea T : U → V una aplicación lineal. Se define la
matriz de la aplicación lineal T en dichas bases como la matriz M (T, BU , BV ) ∈ Mm,n (K) cuyas columnas
son las coordenadas de las imágenes por T de los vectores de la base de partida BU , expresadas en la
base de llegada BV , esto es
M (T, BU , BV ) = [M (T (~u1 ), BV ) · · · M (T (~un ), BV )].

Ejemplos.

[1] Para la aplicación lineal T : R4 → R3 , T (x1 , x2 , x3 , x4 ) = (x1 + x2 + x3 , x2 + x4 , x1 + x2 + x3 + x4 ),

se tiene que, en las bases canónicas
 
1 1 1 0
c
M (T, BR c
4 , B R3 ) =
0 1 0 1 .
1 1 1 1
La razón es la siguiente: la primera columna de la matriz corresponde al vector imagen por T del primer
vector de la base canónica en R4 , escrito con respecto a la base canónica en R3 , esto es
T ((1, 0, 0, 0)T ) = (1, 0, 1)T ,
(imagen del vector de coordenadas x1 = 1, x2 = 0, x3 = 0, x4 = 0). Ası́, las otras columnas se obtienen
como
T ((0, 1, 0, 0)T ) = (1, 1, 1)T ,
T ((0, 0, 1, 0)T ) = (1, 0, 1)T ,
T ((0, 0, 0, 1)T ) = (0, 1, 1)T .

[2] Para la aplicación lineal T : P4 [X] → P3 [X], T (p(x)) = p0 (x) se tiene que en las bases canónicas
BPc 4 [X] = {1, x, x2 , x3 , x4 }, BPc 3 [X] = {1, x, x2 , x3 },
la matriz de T es
 
0 1 0 0 0
0 0 2 0 0
M (T, BP4 [X] , BP3 [X] ) = 
c c
0
.
0 0 3 0
0 0 0 0 4
Veamos cómo se van generando las columnas. La primera es la imagen por T del primer vector, el
polinomio p(x) = 1. Como p0 (x) = 0, entonces T (p(x)) es el polinomio nulo, luego sus coordenadas
son todas nulas en cualquier base. La segunda columna de la matriz es la imagen por T del polinomio
p(x) = x. esto es
T (p(x)) = p0 (x) = 1 = 1 + 0x + 0x2 + 0x3 ,
de coordenadas (1, 0, 0, 0) en la base canónica de P3 [X]. Estas coordenadas forman la segunda columna
de la matriz. Ası́ sucesivamente,
T (x2 ) = 2x = 0 · 1 + 2x + 0x2 + 0x3 → (0, 2, 0, 0),
T (x3 ) = 3x2 = 1 = 0 · 1 + 0x + 3x2 + 0x3 → (0, 0, 3, 0),
T (x4 ) = 4x3 = 0 · 1 + 0x + 0x2 + 4x3 → (0, 0, 0, 4),
36 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

vamos generando las columnas de la matriz.

Hay que destacar tres cosas importantes:

(i) La matriz de una aplicación M (T, BU , BV ) tiene tantas filas como la dimensión del espacio de
llegada V y tantas columnas como la dimensión del espacio de partida U (véanse los ejemplos
anteriores).

(ii) La expresión de la matriz depende de las bases elegidas: si cambian las bases, cambia la matriz.
Insistiremos más adelante sobre ello.

(iii) En la práctica, fijadas bases en U y V , podemos expresar la aplicación lineal como un producto
matriz por vector: si ~x = x1 ~u1 + · · · + xn ~un , siendo (x1 , . . . , xn )T las coordenadas del vector ~x en
la base BU , entonces, como T es lineal

 
x1
 x2 
 
T (~x) = x1 T (~u1 ) + · · · + xn T (~un ) = M (T, BU , BV )  .  .
 .. 
xn

Esto facilita el manejo de las aplicaciones lineales. Ası́, en el ejemplo [1] anterior

 
  x1
1 1 1 0  
x2 
T (x1 , x2 , x3 , x4 ) = 0 1 0 1 
x3  ,
1 1 1 1
x4

y en el ejemplo [2], si p(x) = a0 + a1 x + a2 x2 + a3 x3 + a4 x4 ,

 
  a
0 1 0 0 0  0
0 0 2 0 0 a1 
T (p(x)) =   a2  ,
0 0 0 3 0  
a3 
0 0 0 0 4
a4

que es el polinomio a1 + 2a2 x + 3a3 x2 + 4a4 x3 .

Cambio de base en las aplicaciones lineales

Ya hemos comentado que al cambiar las bases en los espacios vectoriales cambia la matriz de la apli-
cación lineal. Veamos cómo afectan los cambios de base. Consideremos una aplicación lineal T : U → V
de la que conocemos su matriz asociada M (T, BU , BV ) cuando fijamos las bases BU , BV . Imaginemos
que cambiamos las bases a BU0 , BV0 y queremos determinar la matriz asociada a T en estas bases,
M (T, BU0 , BV0 ). Planteamos el siguiente esquema
2.5. APLICACIONES LINEALES 37

M (T, BU , BV ) - VB T (~x)
UBU V

6 6

M (BU0 , BU ) M (BV0 , BV )

M (T, BU0 , BV0 )

-
UBU0 VBV0
~x

Las flechas a la izquierda y a la derecha son las que llevan, respectivamente, un vector escrito en la base
BU0 en el mismo vector expresado ahora en la base BU y cualquier vector escrito en la base BV0 en el
mismo vector expresado ahora en la base BV . Ambas transformaciones vienen entonces dadas por las
correspondientes matrices de cambio de base M (BU0 , BU ), M (BV0 , BV ) de las que hablamos al principio
de la lección (coordenadas de un vector respecto a una base y cambio de base). Ası́, por ejemplo, la flecha
de la izquierda lleva un vector ~u ∈ U en
M (BU0 , BU )~u,
y la flecha de la derecha lleva un vector ~v ∈ V en

M (BV0 , BV )~v .

Por otro lado, las flechas de arriba y de abajo corresponden a la aplicación lineal T pero en bases distintas.
Supongamos que conocemos la matriz asociada a T arriba, es decir M (T, BU , BV ), pero no la de abajo
M (T, BU0 , BV0 ), que es la que queremos calcular.
Fijémonos ahora en que tiene que ser igual llevar un vector ~x ∈ U desde la esquina inferior izquierda
a su imagen T (~x) en la esquina superior derecha por los dos caminos siguientes: flecha izquierda + flecha
arriba o bien flecha abajo + flecha derecha. En términos matriciales, el primer camino es

M (T, BU , BV )M (BU0 , BU )~x,

y el segundo es

M (BV0 , BV )M (T, BU0 , BV0 )~x,

por tanto

M (T, BU , BV )M (BU0 , BU )~x = M (BV0 , BV )M (T, BU0 , BV0 )~x.

Ahora bien, el vector ~x en este razonamiento es arbitrario, de modo que la igualdad vectorial es en realidad
una igualdad matricial

M (T, BU , BV )M (BU0 , BU ) = M (BV0 , BV )M (T, BU0 , BV0 ).

38 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

De aquı́ despejamos la matriz que nos interesa,

M (T, BU0 , BV0 ) = M (BV0 , BV )−1 M (T, BU , BV )M (BU0 , BU )

= M (BV , BV0 )M (T, BU , BV )M (BU0 , BU ).

Ejemplo. Para la aplicación lineal T : U → V , siendo U = R3 , V = R2 y las bases

BU = {(1, 0, 0)T , (0, 1, 0)T , (0, 0, 1)T }, BV = {(1, 0)T , (0, 1)T }
BU0 = {(1, 0, 0)T , (1, 0, 1)T , (1, 1, 0)T }, BV0 = {(1, −1)T , (0, 1)T },

se sabe que la matriz de T en las bases BU , BV es

µ ¶
−1 0 1
M (T, BU , BV ) = .
2 −1 1

Entonces
 
µ ¶−1 µ ¶ 1 1 1
1 0 −1 0 1 
M (T, BU0 , BV0 ) = 0 0 1 =?
−1 1 2 −1 1
0 1 0

Fijémonos entonces que una aplicación lineal suele venir dada o bien en forma explı́cita, es decir,
dando su imagen para un vector genérico, o bien, si hemos fijado bases, a través de un producto matriz
por vector.
Por último, la siguiente fórmula de dimensiones relaciona en su demostración el núcleo y la imagen
de una aplicación lineal con subespacios fundamentales de una cualquiera de sus matrices asociadas.

Teorema 3. Sean U y V espacios vectoriales de dimensión finita sobre un mismo cuerpo K y T : U → V

una aplicación lineal. Entonces

dim(U ) = dimKer(T ) + dimIm(T ).

En efecto, si n = dim(U ), m = dim(V ) y fijamos bases cualesquiera en ambos espacios, sea A ∈

Mm,n (K) la matriz de T en tales bases. Por un lado,

dimKer(T ) = dimKer(A) = n − r,

siendo r el rango de la matriz A. Por otro lado,

dimIm(T ) = dimcol(A) = r,

de donde se obtiene la fórmula.

EJERCICIOS DEL TEMA 2

Ejercicio 1. Para los siguientes espacios vectoriales E sobre R, comprueba que el conjunto de vectores
dado es una base de dicho espacio (llamada base canónica):
(1) E = Rn , B = {~e1 , · · · , ~en }, ~ej vector de tamaño n con todas sus componentes nulas excepto la j-ésima
que vale 1.
(2) E = Pn [X] (conjunto de polinomios de grado menor o igual que n y coeficientes reales), B =
{1, x, · · · , xn }.
2.5. APLICACIONES LINEALES 39

(3) E = Mmxn (R) (conjunto de matrices de m filas y n columnas con elementos reales), B = {A1,1 , · · · , Am,n }
con Ar,s = Ir,s (matriz de m filas y n columnas con todos sus elementos nulos excepto el 1 de la posición
(r, s)).
(4) E = C n , B = {~e1 , · · · , ~en , ~v1 , · · · , ~vn } con ~vj el vector de n componentes, todas ellas nulas salvo la
j-ésima que vale i y ~ej el del apartado (1).
Calcula la dimensión de cada uno de ellos. ¿ Qué bases canónicas se obtienen al considerar los anteriores
espacios vectoriales sobre C?.

Ejercicio 2. De los siguientes subconjuntos de R3 , identifica los que son subespacios vectoriales de R3 ,
razonando tu respuesta:
(a) {(x, y, z)T /y = 0}
(b) {(x, y, z)T /x = 0, y + z = 1}
(c) {(x, y, z)T /x = y, z = 2x}

Ejercicio 3. ¿Cuáles de los siguientes subconjuntos de R4 son subespacios? Cuando lo sean halla su
dimensión y una base.
a) El conjunto de los vectores (x1 , x2 , x3 , x4 )T con x1 x3 x4 = 0.
b) El conjunto de los vectores (x1 , x2 , x3 , x4 )T que satisfacen x1 − 2x2 + 4x3 − x4 = 0.
c) El conjunto de los vectores (x1 , x2 , x3 , x4 )T con x1 = 0 y x4 = 2.

Ejercicio 4. Si B = {~b1 , ~b2 , ~b3 }, con ~b1 = (1, −1, 0)T , ~b2 = (0, 1, 0)T , ~b3 = (1, 0, −1)T y B 0 = {b~0 1 , b~0 2 , b~0 3 },
con b~0 1 = (1, −2, 0)T , b~0 2 = (2, −1, −1)T , b~0 3 = (−1, 1, 1)T , calcula M (~x, B 0 ) sabiendo que M (~x, B) =
(1, −1, 2)T .

Ejercicio 5. Determina una base y la dimensión de V + W y V ∩ W donde V y W están generados

respectivamente por los vectores x1 , . . . , xk e y1 , . . . , ym siguientes:
a) x1 = [1, 2, 1, 0]T , x2 = [−1, 1, 1, 1]T , y1 = [2, −1, 0, 1]T , y2 = [1, −1, 3, 7]T .
b) x1 = [1, 2, −1, −2]T , x2 = [3, 1, 1, 1]T , x3 = [−1, 0, 1, −1]T , y1 = [2, 5, −6, −5]T , y2 = [−1, 2, −7, −3]T .

Ejercicio 6. En R4 se consideran los subespacios:

(i) F generado por a1 , a2 , a3 con
a1 = [1, 1, 1, −3]T , a2 = [3, −2, 3, −4]T , a3 = [−1, −6, −1, 8]T .
(ii) G = {[x, y, z, t]T /y − t = 0, 2y + 3t = 0}.
(iii) H generado por b1 , b2 , b3 con
b1 = [0, 1, 0, 0]T , b2 = [1, 0, −1, 2]T ,b3 = [2, 0, 0, 2]T .
Calcula ecuaciones, dimensión y una base de los subespacios F , G, H, F + G, F + H, F ∩ H, F ∩ G.

Ejercicio 7. Determina si los siguientes conjuntos de vectores son libres o ligados en función del valor
del parámetro a:
a) [1, 2, −4]T , [−1, −2, a]T , [a, 8, −16]T , [1, −1, 5]T
b) [1, 1, 0, 1]T , [1, 2, 2, 1]T , [3, a, 2, 3]T
c) [1, 2, 1, 0]T , [1, 1, 1, 1]T , [a, 0, −1, −2]T , [0, 1, −1, 1]T .

Ejercicio 8. En el espacio de los polinomios de grado menor o igual que 2 se considera el subespacio
S generado por los polinomios 1 + 2x, 2 + x2 , 3 + 2x + x2 y 4 + 4x + x2 . Halla una base de S y da las
coordenadas del polinomio 3x2 − 4x + 4 en dicha base.
40 TEMA 2. ESPACIOS VECTORIALES Y APLICACIONES LINEALES

Ejercicio 9. Halla una base de los subespacios generados por los conjuntos de vectores siguientes, y
amplı́a dichas bases hasta obtener una base del espacio R4 :
a) [2, 1, 3, 0]T , [−1, 0, 0, 2]T , [3, 1, 1, 1]T y [4, 1, −1, 2]T .
b) [2, 0, 1, 3]T , [1, 1, 0, −1]T , [0, −2, 1, 5]T y [3, −1, 2, 7]T .

Halla las coordenadas en las bases de R4 obtenidas en los apartados a) y b) del vector [1, 0, 2, 1]T .

Ejercicio 10. Sea P4 [X] el espacio vectorial de los polinomios de grado menor o igual que 4 con coefi-
cientes reales.
(1) Demuestra que B = {1, x, x(x − 1), x3 , x4 } es una base de P4 [X].
Sea W el subconjunto de P4 [X] definido por
W = {p(x) ∈ P4 [X]/p(1) = p(−1) = 0}.
(2) Demuestra que W es un subespacio vectorial.
(3) Encuentra la dimensión y una base de W .
(4) Completa dicha base a una de P4 [X], B‘.
(5) Halla la matriz de cambio de base M (B‘, B).
(6) Encuentra un subespacio V de P4 [X] tal que P4 [X] = W ⊕ V .

Ejercicio 11. Se considera el polinomio P (x) = x4 + 2x3 − x2 + x − 1.

a) Demuestra que los polinomios P (x), P 0 (x), P 00 (x), P 000 (x) y P 0000 (x) forman una base del espacio
vectorial de los polinomios de grado menor o igual que 4.
b) Halla las coordenadas del polinomio 5x4 − 3x2 + 2x − 4 en dicha base.

Ejercicio 12. Dado el subespacio S de R3 generado por los vectores (1, 0, 3)T , (−2, 3, −1)T , determina
si el vector (0, 4, 6)T pertenece o no a este subespacio.

Ejercicio 13. Halla la dimensión y una base de los cuatro subespacios fundamentales asociados a las
matrices siguientes:
     
1 2 0 1 1 2 0 2 1 i −i 0
A= 0 1 1 0  , B = −1 −2 1 1 0  , C = 1 1 0 .
−2 −1 3 −2 1 2 −3 −7 −2 0 0 1

Ejercicio 14. a) Construye una matriz cuyo espacio nulo esté generado por (1, 0, 1)T .
b) ¿ Existe una matriz cuyo espacio fila contenga al vector (1, 1, 1)T y cuyo espacio nulo contenga al
vector (1, 0, 0)T .

Ejercicio 15. Determina el rango de los siguientes conjuntos de polinomios de grado menor o igual que
3:
p1 (x) = 1 + x + x2 + 2x3 , p2 (x) = −2 + 3x + 2x2 − x3 ,
p3 (x) = 1 − 2x + 2x3 , p4 (x) = 4x + 6x2 + 6x3 .

Ejercicio 16. Sea T la aplicación de R4 en R3 definida por

T ([x1 , x2 , x3 , x4 ]T ) = [x1 − 2x2 + x3 − x4 , 2x1 − x2 + x4 , 3x2 − 2x3 + 3x4 ]T

a) Comprueba que T es una transformación lineal.

b) Halla la dimensión y una base de Im(T ).
c) Halla la dimensión y una base de Ker(T ).
2.5. APLICACIONES LINEALES 41

Ejercicio 17 Sea T la aplicación de R3 en R2 definida por

T ((x, y, z)T ) = (2x + y, y − z)T .

a) Comprueba que T es una transformación lineal.

b) Halla la dimensión y una base de Ker(T ) e Im(T ).
c) Dadas las bases {(1, 1, 1)T , (0, 1, 2)T , (0, 2, 1)T } de R3 y {(2, 1)T , (1, 0)T } de R2 , halla las correspondi-
entes matrices de cambio de base y la matriz de la aplicación en estas nuevas bases.

Ejercicio 18. Sea T la transformación lineal de R3 definida por

T ([x1 , x2 , x3 ]T ) = [x1 − x2 + x3 , 2x1 − 3x2 − x3 , −x1 + 4x2 + 5x3 ]T .

a) Halla la matriz de T en la base canónica de R3 .

b) Sean ~v1 = [1, 1, 0]T , ~v2 = [1, 3, 2]T y ~v3 = [3, 1, 2]T . Halla la matriz de T en la nueva base B 0 =
{~v1 , ~v2 , ~v3 }.
c) Demuestra que T es invertible y da una expresión para T −1 como la que definió a T .

Ejercicio 19. Determina una aplicación lineal T : R4 → R3 tal que Ker(T ) esté generado por los
vectores (−1, 0, 0, 1)T y (1, 3, 2, 0)T y tal que Im(T ) esté generada por los vectores (1, 1, 1)T y (0, −2, 1)T .

Ejercicio 20. Se considera la aplicación lineal de P4 [X] en R2 dada por:

T : P4 [X] → R2
T (p) = (p(−1), p(1))T .
a) Halla la matriz que representa a dicha aplicación lineal en las bases canónicas de ambos espacios.
b) Halla una base de Ker(T ).
c) Se consideran las bases B = {1, x − 1, x2 − 1, x(x2 − 1), x4 } de P4 [X] y B 0 = {(1, 1)T , (2, 1)T } de R2 .
Halla M (T, B, B 0 ).