Transformaciones Lineales

lgebra Lineal
Enero, 2014
Recordemos que si A Mmn (R), entonces
1. El espacio generado por las las de A, hF1 , F2 , . . . , Fm i, es un subespacio vectorial de Rn llamado el espacio
la de A y denotado por F il(A).
2. El espacio generado por las columnas de A, hC1 , C2 , . . . , Cn i, es un subespacio de Rm llamado el espacio
columna de A y denotado por Col(A).
3. El conjunto solucin del sistema homogeneo, AX = 0, es un subespacio vectorial de Rn llamado el espacio nulo
de A y denotado por N ul(A), esto es
N ul(A) = {X Rn : AX = 0}

Vimos que dim(F il(A)) = dim(Col(A)) y a este nmero se le llama el rango de A y se anota rango(A). La dimensin del espacio nulo de A la llamaremos nulidad de A y la denotaremos por nulidad(A). De esta forma podemos
establecer el siguiente teorema conocido como el teorema del rango.

Teorema del Rango: Sea A Mmn (R), entonces

n = rango(A) + nulidad(A)

Demostracin: Sea

R la forma escalonada reducida por las de A y r el rango de A, entonces R tiene r unos

principales. Luego el sistema homogeneo AX = 0 tiene r variables principales y n r variables libres. Por tanto
rango(A) + nulidad(A) = r + (n r) = n

Denicin: Sean

V y W dos espacios vectoriales sobre K y T : V W una funcin. Diremos que T es una

transformacin lineal o funcin lineal si y slo si verica las siguientes condiciones:

1. Para todo v1 , v2 V , T (v1 + v2 ) = T (v1 ) + T (v2 ).

2. Para todo v V y K , T (v) = T (v).
Como en toda funcin, si T (v) = w, decimos que la imagen de v por la transformacin lineal T es w y que v es una
preimagen de w por la transformacin lineal T .

Ejemplo: Sea T

: R2 R3 dinida por T (x, y) = (x, y, x + y). Entonces T es una transformacin lineal. En efecto,
sean (x1 , y1 ) y (x2 , y2 ) vectores en R2 , entonces vemos que
T ((x1 , y1 ) + (x2 , y2 ))

= T (x1 + x2 , y1 + y2 )
=

(x1 + x2 , y1 + y2 , x1 + x2 + y1 + y2 )

(x1 + x2 , y1 + y2 , x1 + y1 + x2 + y2 )

(x1 , y1 , x1 + y1 ) + (x2 , y2 , x2 + y2 )

T (x1 , y1 ) + T (x2 , y2 )

Por tanto T verica la primera condicin. Ahora veamos que T cumpla la segunda condicin.
Sean (x, y) en R2 y en R entonces
T ((x, y))

= T (x, y)
=

(x, y, x + y)

(x, y, (x + y))

(x, y, x + y)

T (x, y)

Ejemplo: Para cada a en R, y = ax es la ecuacin de la recta de pendiente a en el plano. Desde el punto de vista
funcional, Ta : R R dada por Ta (x) = ax es una transformacin lineal. En efecto, sean x1 , x2 y en R, entonces
Ta (x1 + x2 )

a(x1 + x2 )

ax1 + ax2

Ta (x1 ) + Ta (x2 )

y
Ta (x1 )

= a(x1 )
= (ax1 )
= Ta (x1 )

En general, se puede demostrar que para todo a en R, Ta : Rn Rn denida por Ta (v) = av es una transformacin
lineal. Para a = 0, Ta se llama transformacin lineal nula y denotada por 0 y para a = 1, Ta se llama transformacin
lineal identidad y denotada por I .

Ejemplo: La funcin cuadrtica p : R R denida por p(x) = x2 no es lineal, puesto que p(3 + 7) = p(10) = 100 y
p(3) + p(7) = 9 + 49 = 58. Luego p(3 + 7) 6= p(3) + p(7), o sea que no se cumple la condicin 1. Tambin se puede ver
que p no cumple la condicin 2.

Teorema: Sea T

: V W una transformacin lineal. Entonces

1. T (0) = 0.
2. Para todo v V , T (v) = v .
Note que en la igualdad T (0) = 0, el cero del argumento de T corresponde al vector cero de V y el cero del lado
derecho de la igualdad al vector cero de W .

Demostracin: La demostracin de este teorema se base slo en la denicin de tranformacin lineal y en la estructura
de espacio vectorial.

1. Notemos que T (0) = T (0 + 0) = T (0) + T (0). Esto ltimo implica que T (0) = T (0) T (0) = 0.
2. Observemos que 0 = T (0) = T (v + (v)) = T (v) + T (v). Entonces T (v) = T (v).

Ejemplo: Si A Mmn (R), entonces ella dene de manera natural una transformacin lineal TA : Rn Rm dada

por TA (X) = AX . Reciprocamente, si T es una transformacin lineal entre los espacios vectoriales Rn y Rm , ella
proviene de una matriz de orden m por n.

En efecto sea T : Rn Rm una transformacin lineal. Consideremos C1 = {e1 , e2 , . . . , en } y C2 = {e1 , e2 , . . . , em }

bases cannicas de Rn y Rm respectivamente. Sabemos que para cada 1 i n existen aij con 1 j m tal que
T (ei )

= a1i e1 + a2i e2 + . . . + ami em

m
X
=
aji ej
j=1

a1i
a2i

= .
..
ami

x1
x2

Por otro lado, dado

.. en Rn arbitrario se tiene que
.
xn

x1
x2

.. =
.
xn
=

0
1
1
0

x1 . + x2 . + . . . + xn
..
..

0
0
x1 e1 + x2 e2 + . . . + xn en

0
0

..
.
1

entonces

x1
x2

T .
..
xn

1
0

= x1 T . + x2 T
..
0

0
1

.. + . . . + xn T
.
0

0
0

..
.
1

= x1 T (e1 ) + x2 T (e2 ) + . . . + xn T (en )

Usando las propiedades matriciales vemos que

x1
x2 

T . = T (e1 ) T (e2 ) . . .
..
xn

Consideremos la matriz

x1


x2
T (en ) .
..
xn


T (e1 ) T (e2 ) . . .


T (en )

a12
a22

...
...

am2

...

entonces por la anterior vemos que


T (e1 ) T (e2 ) . . .

a11

a21
T (en ) = .
..
am1

..
.

..
.

a1n
a2n

..
.
amn

Luego

a11
x1
x2 a21

T . = .
.. ..
am1
xn

Por tanto si

a12
a22

...
...

am2

...

a12
a22

...
...

am2

...

..
.

a11
a21

A= .
..
am1

..
.

..
.

..
.

a1n

a2n

..
.
amn

x1
x2

..
.
xn

a1n
a2n

..
.
amn

entonces T = TA . Notar que las columnas de la matriz A son precisamente las coordenadas de la imagen de cada
vector de la base C1 en la base C2 , es decir

[T (ei )]C2

a1i
a2i

= .
..
ami

Por tanto podemos escribir

A


[T (e1 )]C2

2
[T ]C
C1

[T (e2 )]C2

...

[T (en )]C2

2
La matriz A = [T ]C
C1 es llamada la matriz de T en base cannica.

Denicin: Sea T

: V W una transformacin lineal. El conjunto de todos los vectores de V cuya imagen es l

vector 0 es llamado Kernel de T o Nucleo de T y denotado por ker(T ), es decir

Ejemplo:

ker(T ) = {v V : T (v) = 0}



x
x+z
3
2

Sea T : R R denida por T y =

entonces se tiene que
y+z
z


  
x
x
x+z
0
ker(T ) = y R3 : T y =
=
y+z
0

z
z

Luego para encontrar todos los vectores de R3 cuya imagen es el vector cero de R2 , debemos resolver el sistema de
ecuaciones homogeneo
x+z

y+z

En efecto, de la primera ecuacin se tiene que x = z y de la segunda ecuacin, y = z , por tanto

ker(T ) =

y R3 : x = z, y = z

y R3 : x = t, y = t, z = t; t R

Es decir

ker(T ) = t 1 R3 : t R

Geomtricamente,
ker(T ) representa una recta vectorial en R3 y por tanto todos los puntos de esta recta son enviados
 
a

0
0

por la transformacin T .

Denicin: Sea T

: V W una transformacin lineal. El conjunto de todos los vectores de W que son imagen de
algn vector de V es llamado Imagen de T y denotado por Im(T ), es decir

Ejemplo:

Im(T ) = {w W : v V, T (v) = w} = {T (v) : v V }



x+y
x
Sea T : R2 R3 dernida por T
= x y entonces
y
yx
0
0





x
x+y
x
x
x
R2 , T
= x y = y0
Im(T ) = y 0 R3 :
y
y

z0
yx
z0

x0
Luego dado el vector y 0 , debemos ver cuando el sistema en variables x e y
z0

x+y

x0

xy

y0

yx =

z0

tiene solucin, es decir, debemos ver que condiciones deben cumplir x0 , y 0 y z 0 para que el sistema anterior tenga
solucin.
En efecto, consideremos la matrz ampliada del sistema

1
1
1

1
1
1

x0
y0
z0

Multiplicando por 1 la la uno y luego sumandola con la la dos se tiene la siguiente matriz ampliada equivalente

1
1
0

1
1
0

x0

y0
0
y + z0

Luego l sistema tiene solucin si y solo si y 0 + z 0 = 0. Por tanto

0
x

Im(T ) = y 0 R3 : y 0 + z 0 = 0

z0

De esta forma podemos ver que

Im(T ) =

O sea que

x0

y 0 R3 : y 0 = z 0

z0

x0

y 0 R3 : x0 = t, y 0 = s, z 0 = s; t, s R

z0

t
1
0

Im(T ) = s : t, s R = t 0 + s 1 : t, s R

s
0
1

que geomtricamente representa un plano vectorial en R3 .

Notemos que dada una tranformacin lineal T : V W , el vector cero de V siempre est en el ker(T ) y el vector
cero de W siempre est en Im(T ), puesto que T es lineal.
Por otro lado, el conjunto Im(T ) siempre existe independiente de que T sea lineal, ya que ante todo T es una funcin.
La linealidad de T permite que Im(T ) tenga estructura algebraica y no sea solo un subconjunto de W .
Anlogamente, ker(T ) tambin tiene estructura algebraica por la linealidad de T .
Tanto ker(T ) e Im(T ) son subespacios de V y W respectivamente. Esta armacin la enunciamos a continuacin en
el siguiente teorema.

Teorema: Sea T

: V W una transformacin lineal. Entonces

1. ker(T ) es un subespacio de V .
2. Im(T ) es un subespacio de W .

Demostracin: Para la demostracin del teorema, utilizamos la denicin de cuando un subconjunto de Rn es un

subespacio.

1. Sean v1 y v2 en ker(T ) entonces T (v1 ) = 0 y T (v2 ) = 0. Luego se tiene que T (v1 +v2 ) = T (v1 )+T (v2 ) = 0+0 = 0.
Por tanto v1 + v2 pertenece a el ker(T ).
Sean v en ker(T ) y en R entonces T (v) = T (v) = 0 = 0. Por tanto v est en ker(T ). As ker(T ) es un
subespacio de Rn .
2. Sean w1 y w2 en Im(T ) entonces existen v1 y v2 en Rn tal que T (v1 ) = w1 y T (v2 ) = w2 . Luego w1 + w2 =
T (v1 ) + T (v2 ) = T (v1 + v2 ). Por tanto w1 + w2 pertenece a Im(T ), puesto que una preimagen es v1 + v2 .
Sean w en Im(T ) y en R entonces existe v en Rn tal que T (v) = w, luego w = T (v) = T (v). Por tanto
w esta en Im(T ), puesto que una preimagen es v . As Im(T ) es un subespacio de Rm .
De esta forma dada una transformacin lineal T : Rn Rm , denimos los subespacios kernel de T e imagen de
T , de Rn Y Rm respectivamente como:
2
ker(T ) = {X Rn : T (X) = 0} = N ul([T ]C
C1 )
2
Im(T ) = {Y Rm : X Rn , T (X) = Y } = Col([T ]C
C1 )

Luego el teorema del rango es equivalente a: Si T : Rn Rm es una transformacin lineal, entonces n =

dim(ker(T )) + dim(Im(T )).

Ejemplo: Una pulga saltando en un tringulo. En clases pasadas vimos el siguiente problema: Una pulga se

encuentra en un vrtice de un tringulo equiltero y decide saltar con igual probabilidad a cualquiera de los otros dos
vrtices. Luego de saltar y estando en uno de los otros dos vrtices, decide volver a saltar con igual probabilidad a
cualquiera de los otros dos vrtices. La pulga repite sucesivamente los saltos en los vrtices del tringulo siguiendo
el mismo comportamiento. La preguntas naturales que surgen son: Al cabo de n saltos, cul es la probabilidad de
que se encuentre en un vrtice determinado?, cul es la probabilidad con que se encuentre en cada vrtice? o a largo
plazo, cul es la probabilidad con que se encuentre en cada vrtice?, decide con ms probabilidad quedarse en un
vrtice sobre los otros? Para dar respuestas a estas preguntas, un primer acercamiento al problema fu relacionarlo
con una transformacin lineal, por tanto vimos que el comportamiento de las probabilidades en cada vrtice del
tringulo se poda relacionar con cada coordenada de un vector en R3 por medio de una funcin lineal. De esta forma,
T : R3 R3 denida por


y+z x+z x+y
,
,
2
2
2

T (x, y, z) =

es la transformacin lineal que modela el salto de la pulga en el tringulo. La matriz de T en base cannica es

P =

1
2
1
2

1
2
1
2

1
2

0
1
2

1
De esta forma P n X0 donde X0 = 0 , permite saber la probabilidad de la pulga en cada vrtice en n saltos.
0
3
Consideremos la base B = {(1, 1, 1), (1, 1, 0), (1, 0, 1)} de R3 y Q = [T ]C
B , donde C denota la base cannica de R ,
entonces

1 21 12
Q = 1 12 0
1 0 21

La matriz Q es invertible con

Q1 =

1
3
2
3
2
3

1
3
4
3
2
3

1
3
2
3
4
3

Note que Q1 P Q = D, donde D es una matriz diagonal, a saber

1
D= 0
0

0
0

0
1
2

1
2

1
0

0
n
0
. De esta forma
Luego se tiene que P = QDQ1 y por tanto P n = QDn Q1 , con Dn = 0 1
2
1 n
0
0
2
1 2 1
n 1 1 1
n 1 1 1
n
3 + 3
2
n
3 3
2

3 3
2

1
2 1 n
1
1 1 n
P n = QDn Q1 = 13 + 13 1

2
n
3
3
2
n
3 + 3
2

1
1 1
1
1 1
1
2 1 n
3 + 3
2
3 + 3
2
3 3
2

Asi preguntarse por el devenir de la pulga a largo plazo es equivalente a preguntarse por

lim P n X0 =

1
3
1
3
1
3

Por tanto a largo plazo la pulga est con igual probabilidad en cualquiera de los tres vrtices del tringulo.