APLICACIONES LINEALES

Transformaciones lineales: la suma de dos entradas se transforma en la suma de las

salidas individuales, y un múltiplo de una entrada se transforma en ese múltiplo de su
salida. Este tema desarrolla la teoría básica de tales transformaciones.

Sean E y F dos espacios vectoriales sobre el cuerpo K , y f una aplicación lineal definida entre los
espacios vectoriales sobre K: E y F ( f : E → F).

1. Aplicación lineal. Definición y propiedades.

Definición:
Una aplicación f de E en F que asigna a cada vector x de E un vector f(x) de F
f:E→F
x → f(x)
es una aplicación o transformación lineal si verifica las dos condiciones siguientes:

i) ∀ x,y ∈ E f(x+y) = f(x) + f(y)

ii) ∀ x ∈ E ∧ ∀α ∈ k f(α x) = α f(x)

⇒f(α x + β y) = α f(x) + β (y) ∀ x,y ∈ E y ∀ α , β ∈ K

La propiedad puede generalizarse a combinaciones lineales de cualquier número de

sumandos:
f( λ 1x1 + λ 2x2+...+ λ nxn) = λ 1f(x1) + λ 2f(x2) +...+ λ nf(xn)
∀ x1, x2, …., xn ∈ E ∧ ∀ λ 1 ,λ 2,..., λ n ∈ k

Definición:
Una aplicación lineal de un espacio vectorial en sí mismo recibe el nombre de
endomorfismo.

Ejemplos:

Para probar que f es aplicación lineal

3 2
1. f : ℝ → ℝ

i) ∀ x,y ∈ E f(x+y) = f(x) + f(y) ?

 ➔ x e y dos vectores de ℝ3

ii) ∀ x ∈ ℝ3 ∧ ∀α ∈ℝ f(α x) = α f(x) ?

➔ x vector de ℝ3 y α ∈ ℝ ⇒

⇒f es lineal.

2. f : ℝ3 → ℝ2

i) ∀ x,y ∈ E f(x+y) = f(x) + f(y) ?

➔ x e y dos vectores de ℝ3

⇒f no es lineal.

3.

i) ∀ p, q ∈ P2 f(p+q) = f(p) + f(q) ?

2
➔ p(x) = a0+a1x+a2x ∈ P2 ⇒ f (p(x)) = 0+a1+2a2x
q(x) = b0+b1x+b2x2 ∈ P2 ⇒ f (q(x)) = 0+b1+2b2x
⇒p(x)+q(x) = (a0+b0)+(a1+b1)x+(a2+b2)x2
 ⇒ f (p(x)+q(x)) = 0+(a1+b1)+2(a2+b2)x = (a1+2a2x)+(b1+2b2x) =
= f (p(x)) + f (q(x))

ii) ∀ p ∈ P2 ∧ ∀α ∈ ℝ f(α p) = α f(p) ?

➔ p(x) = a0 + a1x + a2x2 ∈ P2 ∧ α ∈ ℝ

2
⇒α p(x) = α a0 + α a1x + α a2x ⇒ f (α p(x)) = 0 + α a1 + 2α a2x = α f (p(x)).

⇒ f es lineal.

4. f : ℝn → ℝm
x → f(x) = Ax , ∀ A mxn

La comprobación de las condiciones es directa, utilizando las propiedades de matrices:

i) ∀ x,y ∈ ℝn f(x+y) = f(x) + f(y) ?

f(x+y) = A(x+y) = Ax + Ay = f(x) + f(y)

ii) ∀ x ∈ ℝn ∧ ∀α ∈ ℝ f(α x) = α f(x) ?

f(α x) = Aα (x) = Aα x = α f(x)

⇒ f es lineal.

5.Sea B = {u1, u2, …, un} una base de E.

f : E → ℝn
x → f(x) = CB(x)

i) ∀ x,y ∈ E f(x+y) = f(x) + f(y) ?

x,y ∈ E ⇒

x = x1u1+x2u2+...+xn un⇒ y = y1u1+ y2u2+... + ynun ⇒

x + y∈E / x + y = (x1 + y1)u1+(x2 + y2)u2+...+(xn + yn)un ⇒

 ⇒

f(x + y) = CB(x + y) = = f(x) + f(y)

ii) ∀ x ∈ E ∧ ∀α ∈ ℝ f(α x) = α f(x) ?

➔ x∈E
➔ α∈ ℝ ⇒
x = x1u1+x2u2+...+xnun ⇒
αx = αx1u1+αx2u2+...+αxnun ⇒

⇒f es una aplicación lineal.

Aplicaciones lineales especiales:

1. Aplicación Identidad I : E → E / ∀x∈ E, I(x)-x que es claramente una aplicación lineal.

En esta aplicación la imagen de cada vector es él mismo.
2. Aplicación nula: E → F / ∀x∈ E, o(x) = 0 que también es lineal. La aplicación nula
transforma cualquier vector del espacio vectorial E en el vector nulo del espacio F.

Son muchos los ejemplos de aplicaciones lineales definidas entre espacios vectoriales.
Así la proyección y la simetría respecto a cualquier eje coordenado son también
aplicaciones lineales (en el espacio V3 de los vectores libres).

Propiedades de las aplicaciones lineales.

➔ 0E : elemento neutro para la suma en E
➔ 0F el neutro para la suma en F
⇒ f(0E)= 0F ⇒f(0E) = f(0⋅x) = 0 ⋅f(x) = 0F

Sean S = {e1, e2, …, ep} un conjunto de vectores de E ∧ f(S) ={f(e1), f(e2), …, f(ep)} un
conjunto de vectores en F →

Si S es linealmente dependiente ⇒ f(S) también.

Si S es linealmente dependiente ⇒ α 1e1 + α 2e2 +...+ α pep= 0E se cumple con algún αi ≠ 0

( αi ∈ K )
f ¿ e1 + α 2e2 +...+ α pep) = f(0E)= 0F ⇒α 1 f ¿e1)+α 2 f (e2) +...+α p f (ep)= 0F

Esto es una relación nula de los f(ei) con algún αi ≠ 0 (αi ∈ K).
Luego f(S) = { f(e1), f(e2), …, f(ep)} es también linealmente dependiente.
Si f(S) es linealmente independiente ⇒ entonces S es.

4. Si S = {e1, e2, …, en} es linealmente independiente, entonces el conjunto f(S) = { f(e1),

f(e2), …, f(en)} puede ser o no linealmente independiente depende de f y de S.
Las aplicaciones lineales conservan la dependencia lineal. Sin embargo, en general, no
conservan la independencia lineal

Ejemplo.

f : ℝ3 → ℝ2

3
Consideremos el conjunto de vectores de ℝ que es libre. Calculemos
f(B):

2
que es un conjunto linealmente dependiente en ℝ .

3
Si ahora se considera el conjunto libre de ℝ se tiene que

2
es un conjunto linealmente independiente en ℝ .

2. Imágen y núcleo de una aplicación lineal

Sin embargo, puede haber más elementos de E que tengan por imagen el vector 0F .
Todos ellos constituirán un subespacio, que estudiaremos más adelante y se denomina
núcleo de f.
Definición:
Se llama núcleo de f al subconjunto de E Ker f = { x ∈ ℝ /f (x )=0 F }
3

Ker f : conjunto de vectores de E, que tienen como imagen por f el vector nulo de F.
El núcleo de una aplicación lineal es un subespacio vectorial de E.

Definición:
Se llama imagen de f al subconjunto de F: ℑ f = { f (x )∈ F / x ∈ E }

Im f : subconjunto de F, formado por las imágenes, mediante f de los vectores de E.

La imagen de una aplicación lineal (f : E → F) es un subespacio vectorial de F.

Se calcula dim ℑ f a partir de la relación:

➔ dim Im f = rango (A)= n° de columnas linealmente independientes
*(Una posible base son las columnas de A)
Para conocer el n° de ecuaciones cartesianas de Im f , se plantea:
➔ n° de ecuaciones cartesianas de Im f = dim ℝn - dim Im f

Para calcular la ecuación se forma una base que tenga por columnas las coordenadas de
los vectores de la base de ℑ f : Cv( f (x)) y las coordenadas de un vector genérico y = (y1
y2,y3, y4)t∈ ℑ f y se impone la condición de que dicha matriz tenga el rango de la base de
ℑ f . Desarrollando el determinante se obtiene la ecuación del subespacio ℑ f

Se calcula dim del subespacio núcleo de la aplicación, aplicamos el teorema fundamental

de las aplicaciones lineales:
dim P2 = dim Ker f + dim Im f
Para conocer el n° de ecuaciones cartesianas del Ker f , se plantea:
n° de ecuaciones cartesianas de Ker f = dim P2 - dim Ker f

este sistema admite como solución única α1 = α2 = α3 = 0, es decir, la familia S es libre. .

Definición:
Rango de una aplicación lineal: dimensión del subespacio Im f: rang f = dim f(E)= dim Im f

Sea f : E → F una aplicación lineal. Si B = {e1, e2, …, en} es una base de E, entonces f(S) =
{ f(e1), f(e2), …, f(en)} es un conjunto generador de f(E) (es decir, de Im f).

Demostración:
Sea x un vector de E y B = {e1, e2, …, en} una base de E.
⇒ x = x1e1+x2e2+...+xnen
⇒f(x) = f(x1e1+x2e2+...+xnen) = x1f(e1)+x2f(e2)+…+xnf(en)

→Im f = Span { f(e1), f(e2), …, f(en)}

f(S) = { f(e1), f(e2), …, f(en)} es un conjunto generador de Im f.

⇒ dim Im f ≤dim E = n

Si B es una base de E entonces f(B) genera Im f, por lo que para obtener una base de Im f
habrá que extraer los elementos linealmente independientes de f(B).

Ejemplo.
Se pide:
(i) Hallar Ker f .
(ii) Encontrar dos vectores linealmente independientes de P2 con la misma imagen.
(iii) Calcular Im f.

2
∈ Ker f ⇔ ⇔ a=b=0⇔ p( x)=0+0 x +c x 2
(i) p(x) = a+bx+cx
Ker f =¿ { p(x) = cx2 / c ∈R } ⇒ dim Ker f =1.
De f : P2 → E2x2 (ℝ) se deduce que los vectores
p(x) = 1 + x + x2
q(x) = 1 + x + 3x2 cumplen: f (p) = f (q) =

f (p) ∈ ℑ f → p(x) = 0 + 0x + cx2 ⇒

ℑ f =¿ ℑf ⇒ ℑf
Spam este conjunto es libre y una base de dim = 2.

Se verifica el Teorema fundamental de las aplicaciones lineales :

dim P2 = dim Ker f + dim ℑ f

3. Teorema fundamental de las aplicaciones lineales

Sean E y F dos espacios vectoriales sobre K , siendo E de dimensión finita.
Si f : E → F es una aplicación lineal entonces:
dim E = dim Ker f + dim Im f
Por tanto:
dim Ker f + dim Im f = p + (n – p) = n =dim E.

Si p=0: Ker f = {0E } ⇔ f es inyectiva

Si p=n: Ker f = E, es decir f ≡ 0 , entonces Im f = {0F} y se cumple trivialmente:
dim Ker f + dim Im f = n + 0 = n

4. Clasificación de las aplicaciones lineales

f : E → F :aplicación lineal.

Definición:

(i) f es inyectiva si ∀ x, y / f(x) = f(y) ⇒ x = y

(ii) f es sobreyectiva si ∀ y ∈F ⇒ ∃ x ∈ E / f(x) = y
(iii) f es biyectiva si f es inyectiva y sobreyectiva.

Condición necesaria y suficiente:

➔ f → inyectiva ⇔ Ker f = {0E}

Las aplicaciones lineales inyectivas conservan la independencia lineal.
Si f : E → F: Aplicación lineal inyectiva ∧ {e1, e2, …, ep}: conjunto de vectores libres∈E, ⇒
{f(e1), f(e2), …, f(ep)} los vectores imagen de e son linealmente independientes en F.

➔ f → sobreyectiva ⇔ Im f = F

➔ f → biyectiva ⇔ Ker f = {0E} e Im f = F

E y F : dos espacios vectoriales de dimensión finita →

➔ f → inyectiva ⇒dim E ≤ dim F

➔ f → sobreyectiva ⇒ dim E ≥ dim F

➔ f → biyectiva ⇒ dim E = dim F

5. Expresión matricial de una aplicación lineal

Sean E y F dos espacios vectoriales de dimensión finita n y m respectivamente sobre el mismo
cuerpo K . Sea f : E → F una aplicación lineal definida entre E y F.

Como f (x) es un vector de F se considerará también una base de F.

Coordenadas de f (x): vector genérico y = (y1 y2,y3, y4)t∈ ℑ f

⇒producto de una matriz por las coordenadas del vector x:
(y1 y2, …, yn)t = A⋅(x1, x2, …, xn)t

Todas las aplicaciones lineales entre espacios vectoriales de dimensión finita reales o
complejos son equivalentes a la multiplicación matricial de los vectores coordenados.

U= {u1, u2, …, un} ; V = {v1, v2, …, vm}: bases de E y F respectivamente. ⇒

Si x∈E:
x = x1u1+x2u2+...+xnun ⇒ Imagen de x: f (x) ∈ F:
f (x) = y1v1+y2v2+...+ymvm ⇒

coordenadas de x en la
base U (base de E)
 ⇒ f
coordenadas de (x) en
la base V (base de F)
Por ser f una aplicación lineal:
f (x) = f (x1u1+x2u2+...+xnun) = x1 f (u1)+x2 f (u2)+...+xn f (un) ⇒
⇒Cv( f (x)) = x1Cv( f (u1))+x2Cv( f (u2))+...+xnCv( f (un)) ⇒

Abreviadamente: Cv( f (x)) = Mvu( f )⋅Cu(x)

(y1 y2, …, yn)t = A⋅(x1, x2, …, xn)t
Ai de f :
En una base de E [ej. {x1, x2, …, nn}] tendrá por colubmas las coordenadas [ej. Cv( f (x))]
de las imágenes [ f (x)] de los vectores de la base E (x)

Mvu( f ): Es la matriz de f respecto a las bases U y V de E y F respectivamente.

Matriz de orden mxn ⇒ dim E = n y dim F = m.

La imagen de un vector x ⇒ℑ f = { f (x )∈ F / x ∈ E } de E en función de las coordenadas de

dicho vector respecto a una base de E ⇒

6. Relación entre las matrices que caracterizan a una misma

aplicación en bases distintas.
Sea f una aplicación lineal definida entre E y F, siendo estos espacios vectoriales sobre
K de dimensión n y m respectivamente.
U= {u1, u2, …, un} ; V = {v1, v2, …, vm}: bases de E y F respectivamente, M VU( f ) la matriz
de f respecto a las bases U y V.
Al cambiar U y V, por las nuevas bases U´={u´1, u´2, …, u´n} y V´={v´1, v´2, …, v´m}

Relación entre las coordenadas de un vector de un espacio vectorial respecto a dos

bases distintas:
Si x∈E y P es la matriz de paso de la base U de E a la base U ' de E: xU = P⋅xU
´

Si y ∈F y R es la matriz de paso de la base V de F a la base V ' de F: yV = R⋅

yU´

➔ Expresión matricial de f respecto de las bases U y V, de E y F respectivamente, ⇒

yV = MVU( f ) ⋅xU
 Si MVU( f ) → A1: yV = A1 ⋅xU
➔ Expresión matricial de f respecto de las bases U' y V', de E y F respectivamente ⇒
yV´= MV´U´( f ) ⋅xU´
Si MV´U´( f ) → A2: yV´ = A2 ⋅xU´