Aplicaciones lineales

Dados dos espacios vectoriales, E y F , sobre el mismo cuerpo K, vamos a estudiar una familia de aplicaciones entre ellos
especialmente amigable con la estructura de espacio vectorial: _aquellas que la conservan, y que llamamos aplicaciones
lineales.

Definición. Dados dos K-espacios vectoriales E y F , una aplicación f : E ⟶ F entre ellos se dice lineal si verifica:

f (u + v) = f (u) + f (v) para cualesquiera u, v ∈ E ;

f (λu) = λf (u) para cualesquiera u ∈ E y λ ∈ K .

Obsérvese que, con la notación de la definición, la combinación λu es un vector de E , mientras que λf (u) es un vector de F .
En particular, es relevante, para que ambas tengan sentido, que el cuerpo de escalares sea el mismo. También las operaciones
"+" son cada una en un espacio vectorial.

Si f y g son dos aplicaciones lineales de E en F , y λ, μ dos escalares, es directo comprobar las siguientes igualdades (léanse
operaciones y vectores en los espacios vectoriales correspondientes):

1. f (λu + μv) = λf (u) + μf (v) ; o más en general:

m m

f (∑ λi u i ) = ∑ λi f (u i ) .

i=1 i=1

2. f (0) = 0 (obsérvese que 0 = 0v para cualquier v).

3. f (−v) = −f (v) .
4. La aplicación (λf ) : E ⟶ F , definida por (λf )(u) = λf (u) , es lineal.
5. La aplicación f + g : E ⟶ F , definida por (f + g)(u) = f (u) + g(u) , es lineal.

En otra línea, temos también la siguiente propiedad:

1. Si f : E ⟶ F yg : F ⟶ G son lineales, entonces g ∘ f : E ⟶ G es lineal.

In [ ]:

Ejemplo 1. Para todo espacio vectorial E la aplicación identidad:

Id E : E ⟶ E, Id E (v) = v, ∀v ∈ E

es lineal. Más en general, si E es un K-espacio vectorial y tomamos un escalar fijo λ ∈ K , la aplicación

fλ : E ⟶ E

v ⟼ fλ (v) = λv

es lineal. En particular, la aplicación que manda cualquier vector de E al vector 0 ∈ F es lineal ("aplicación cero"). Llamamos
homotecia en E a cualquier aplicación lineal de E en E de la forma fλ (v) = λv, y a λ la razón de la homotecia.

In [ ]:

Ejemplo 2. Si E es un espacio vectorial y F ⊂ E un subespacio vectorial, la aplicación ı : F ⟶ E dada por ı (v) = v es

lineal ("aplicación inclusión").

In [ ]:
 3 3
Ejemplo 3. (Imágenes de una base). Si f : R ⟶ R es una aplicación lineal, la propiedad 1 nos asegura que basta
conocer las imágenes
f (1, 0, 0) = (2, −1, 4), f (0, 1, 0) = (1, 5, −2), f (0, 0, 1) = (0, 3, 1) ,

para calcular la imagen de cualquier v ∈ R

3
. La imagen de (5, 3, −1) sería:
f (5, 3, −1) = f (5 ⋅ (1, 0, 0) + 3 ⋅ (0, 1, 0) + (−1) ⋅ (0, 0, 1))

= 5 ⋅ f (1, 0, 0) + 3 ⋅ f (0, 1, 0) − f (0, 0, 1)

= 5 ⋅ (2, −1, 4) + 3 ⋅ (1, 5, −2) − (0, 3, 1) = (13, 7, 13).

In [ ]:

Ejemplo 4. Sea E un K-espacio vectorial y {u1 , … , un } una base de E . La aplicación f : E ⟶ Kn que envía cada
vector v ∈ E a la n -upla (λ1 , … , λn ) ∈ Kn , donde λ1 , … , λn son las coordenadas de v en la base dada de E , es una
aplicación lineal.

Ejemplo 5. Si E y F son espacios vectoriales sobre un mismo cuerpo K, se define el L-espacio vectorial producto cartesiano
E × F como el conjunto

E × F = {(u, v) ∣ u ∈ E, v ∈ F }

junto con las operaciones:

suma: (u1 , v1 ) + (u2 , v2 ) = (u1 + u 2 , v1 + v2 ) ;

producto por escalares: λ(u, v) = (λu, λv)

(cada operación leída en su espacio vectorial). Es sencillo ver que es también K-espacio vectorial.

Si E y F son K-espacios vectoriales, las siguientes son aplicaciones lineales:

E ⟶ E × F F ⟶ E × F

u ⟼ (u, 0) v ⟼ (0, v)

E × F ⟶ E E × F ⟶ F

(u, v) ⟼ u (u, v) ⟼ v.

3 0
⎛ ⎞
2 3
Ejemplo 6. (Aplicaciones lineales dadas por matrices). Sea f : R ⟶ R yA = ⎜ 2
⎜ −1 ⎟
⎟ . La aplicación dada por
⎝ ⎠
1 4

3 0 3v1
⎛ ⎞ ⎛ ⎞
v1
f (v) = Av = ⎜ 2 −1 ⎟ ( ) = ⎜ 2v1 − v2 ⎟
⎝ ⎠ v2 ⎝ ⎠
1 4 v1 + 4v2
2
es lineal puesto que A(λu + μv) = λA(u) + μA(v) para cualesquiera escalares λ, μ ∈ R y vectores u, v ∈ R .

2
¿Cuáles son las imágenes de los vectores de la base canónica {(1, 0), (0, 1)} ⊂ R ?

In [ ]:
 En general sean E y F dos espacios vectoriales de dimensiones finitas sobre K, con respectivas bases
BE = {v1 , … , vn } y BF = {w1 , … , wm }. Para todo vector v ∈ E usaremos la notación [v] B para la
E

n -upla (λ1 , … , λn ) formada por las coordenadas de v en la base BE ; análogamente, ∀w ∈ F ,

t

[w] B
F
= (μ1 , … , μm )
t
si w = ∑ μi wi .
i=1
m

Sea f : E ⟶ F una aplicación lineal entre estos espacios vectoriales. Si f (vj ) = ∑ ai,j wi , la matriz
i=1

A = (ai,j ) ∈ M m,n (K)

es tal que:
[f (v)] B = A[v] B , ∀v ∈ E .
F E

Llamamos a A la matriz de la aplicación lineal f respecto de las bases BE y BF .

In [ ]:

Ejemplo 7 (ejercicio resuelto). Sea f : R2 ⟶ R

2
la aplicación lineal definida por f (x1 , x2 ) .
= (x 1 + x 2 , 2x 1 + x 2 )

Calcular la matriz de f respecto a las bases:

B := {(1, 2), (−1, 1)} para el espacio de origen;

′
B := {(2, 1), (−1, 2)} para el espacio de llegada.

Solución:

In [1]: def f(v,E=VectorSpace(QQ,2)):#La definimos para usarla de Q^2 en Q^2. Espera un v

ector de Q^2...
x1,x2=E(v)#...pero si v viniese como tupla se convierte aquí en vector de Q^
2, y se extraen sus coordenadas..
return E((x1+x2,2*x1+x2))#... para hacer la imagen. Devuelve un vector de Q^
2.

In [2]: u1,u2=(1,2),(-1,1)
w1,w2=(2,1),(-1,2)
P=matrix(QQ,2,[w1,w2]).transpose().inverse()
A=P*matrix(2,[f(u1),f(u2)]).transpose()
show(A)
1
2 −
5
( )
2
1 −
5

In [5]: #Comprobaciones
E=VectorSpace(QQ,2)
x1,x2=A.column(0)
show(f(u1),x1*E(w1)+x2*E(w2),f(u1)==x1*E(w1)+x2*E(w2))
y1,y2=A.column(1)
show(f(u2),y1*E(w1)+y2*E(w2),f(u2)==y1*E(w1)+y2*E(w2))

(3, 4) (3, 4) True

(0, −1) (0, −1) True

In [ ]:
Núcleo e imagen de una aplicación lineal
Si f : E ⟶ F es una aplicación lineal, ya hemos visto que f (0E ) = 0F , de manera que el 0 de un espacio vectorial es un
vector que siempre aparece como imagen de algún otro por una aplicación lineal con llegada dicho espacio. De hecho, si
f (u 1 ) = f (u 2 ) = 0 entonces, para cualquier combinación lineal de u 1 y u 2 se tiene:

f (λu 1 + μu 2 ) = λf (u 1 ) + μf (u 2 ) = λ0 + μ0 = 0.

Este hecho nos lleva a la siguiente definición:

Dada una aplicación lineal f : E ⟶ F llamamos núcleo de f , y lo denotaremos por Nuc(f ) o Ker(f ), al
subconjunto (no vacío)
Nuc(f ) = {v ∈ E ∣ f (v) = 0F } ⊂ E

que, claramente, es un subespacio vectorial del espacio de partida E .

Y también en el espacio vectorial de llegada de una aplicación lineal se tiene un subespacio asociado a la aplicación, el
subconjunto (no vacío) de F :
Im(f ) = {ω ∈ F ∣ existe v ∈ E con f (v) = ω} ⊂ F .

Obsérvese que 0F ∈ Im(f ) puesto que f (0E ) = 0F , y si ω 1 , ω 2 ∈ F digamos que u1 ∈ E es tal que f (u1 ) = ω1 y
u 2 ∈ E lo es tal que f (u 2 ) = ω 1 , entonces f (u 1 − u 2 ) = ω 1 − ω 2 y así ω 1 − ω 2 ∈ Im(f ) .

Dada una aplicación lineal f : E ⟶ F llamamos imagen de f , y lo denotaremos por Im(f ), al subespacio
vectorial de F :
Im(f ) = {ω ∈ F ∣ existe algún v ∈ E con f (v) = ω} ⊂ F .

Si el espacio de partida E es de dimensión finita, las dimensiones de estos subespacios están relacionadas por la fórmula de
dimensiones

dim(E) = dim(Nuc(f )) + dim(Im(f )).

Observación. Si f : E ⟶ F es una aplicación lineal y BE = {u 1 , u 2 , … , u n } una base (finita) de E , es evidente que

Im(f ) =< f (u 1 , f (u 2 ), … , f (u n ) >⊂ F ,

de manera que la dimensión de la imagen no puede superar nunca al del espacio de partida:
dim(Im(f )) ≤ dim(E) para cualquier aplicación lineal f : E ⟶ F .

La validez de la fórmula de dimensiones requiere algo más que esta sencilla observación. Veamos primero algún ejemplo
que la confirme. Antes unas últimas definiciones.

In [ ]:

Una aplicación lineal f : E ⟶ F se dice un:

1. monomorfismo si es inyectiva, es decir, si y solo si:

f (u) = f (v) ⟺ u = v,

equivalentemente Nuc(f ) = {0E };

2. epimorfismo si es sobreyectiva, es decir, si y solo si:
para cualquier w ∈ F , existe algún u ∈ E tal que f (u) = w,

equivalentemente Im(f ) = F ;
3. isomorfismo si es biyectiva, es decir, si y solo si:
para cualquier w ∈ F , existe un único u ∈ E tal que f (u) = w,

equivalentemente Nuc(f ) = {0E } e Im(f ) = F .

Obsérvese que, tomada como cierta la fómula de dimensiones, de un espacio vectorial E de dimensión finita, solo pueden
existir:

monomorfismos a espacios vectoriales F con dim(F ) ≥ dim(E) ;

epimorfismos a espacios vectoriales F con dim(F ) ≤ dim(E) ;
isomorfismos a espacios vectoriales F con dim(F ) = dim(E) .
 In [ ]:

3 3
Ejemplo (ejercicio resuelto). Consideremos la aplicación lineal f : R ⟶ R con matriz:
1 2 0
⎛ ⎞
A = ⎜ 2 1 −3 ⎟ .
⎝ ⎠
−1 3 5

Calcular su núcleo, una base del mismo y la dimensión del espacio imagen. Encontrar razonadamente una base del espacio
imagen.

Solución: El núcleo de f es el conjunto de soluciones del sistema homogéneo:

x 0
⎛ ⎞ ⎛ ⎞
A⎜ y ⎟ = ⎜ 0⎟ .
⎝ ⎠ ⎝ ⎠
z 0

Por el algoritmo de Gauss obtenemos:

1 2 0 1 0 −2
⎛ ⎞ ⎛ ⎞
A = ⎜ 2 1 −3 ⎟ ∼ ⎜ 0 1 1 ⎟ = Ared
⎝ ⎠ ⎝ ⎠
−1 3 5 0 0 0

de manera que el núcleo, de dimensión 3 − rg(A) = 3 − 2 = 1 , es:

3
Nucf = {(x, y, z) ∈ R : z = t, x = 2t, y = −t}

3
= {(2t, −t, t) ∈ R : t ∈ R}
3
= {t(2, −1, 1) ∈ R : t ∈ R}

Nucf =< (2, −1, 1) > .

La dimensión del espacio imagen es 2 = rg(A) .

Calculemos una base del subespacio, de dimensión 2 , Imf . Sabemos que los vectores columna v1 = (1, 2, −1) ,
v2 = (2, 1, 3) , v3 = (0, −3, 5) , generan Imf . Por otra parte, podemos observar de las columnas c 1 , c 2 y c 3 de la matriz

reducida Ared , la relación de dependencia lineal

c 3 = (−2)c 1 + 1c 2

y cómo esa misma relación se verifica en las columnas a 1 , a 2 y a 3 de la matriz original A:

0 1 2
⎛ ⎞ ⎛ ⎞ ⎛ ⎞

⎜ −3 ⎟ = (−2) ⎜ 2 ⎟ + 1⎜ 1⎟.
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
5 −1 3
3
Obsérvese ahora que la imagen de cualquier vector (x, y, z) ∈ R es:
x x + 2y 1 2 0
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
A⎜ y ⎟ = ⎜ 2x + y − 3z ⎟ = x⎜ 2 ⎟ + y⎜ 1⎟ + z⎜ 3 ⎟.
⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
z −x + 3y + 5z −1 3 −5

Si usamos la relación de dependencia lineal de columnas a 3 = (−2)a 1 + 1a 2 , es equivalente escribir:

x 1 2
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
A ⎜ y ⎟ = (x − 2z) ⎜ 2 ⎟ + (y + z) ⎜ 1 ⎟ ,
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
z −1 3

en otras palabras Imf =< (1, 2, −1), (2, 1, 3) > .

In [ ]: