Definición y concepto
En matemáticas, una aplicación lineal es una función que establece una correspondencia entre dos espacios vectoriales, denominados dominio y codominio, manteniendo inalteradas las operaciones fundamentales de la estructura vectorial. Este concepto, también conocido como transformación lineal, función lineal u operador lineal cuando el dominio y el codominio coinciden, constituye uno de los pilares centrales del álgebra lineal y del análisis funcional. La esencia de una aplicación lineal reside en su capacidad para preservar la estructura algebraica subyacente, lo que permite traducir problemas geométricos en ecuaciones algebraicas y viceversa.
Propiedades de adición y homogeneidad
La definición formal de una aplicación lineal se basa en dos propiedades fundamentales que toda función lineal debe satisfacer. En primer lugar, la propiedad de aditividad establece que la imagen de la suma de dos vectores es igual a la suma de sus imágenes individuales. Es decir, para cualquier par de vectores u y v pertenecientes al espacio vectorial de origen, se cumple que T(u + v) = T(u) + T(v). Esta relación garantiza que la operación de suma se conserva al pasar de un espacio a otro.
En segundo lugar, la propiedad de homogeneidad o multiplicación por un escalar indica que la imagen del producto de un vector por un escalar es igual al producto del escalar por la imagen del vector. Formalmente, para cualquier escalar k del cuerpo K y cualquier vector u del dominio, se verifica que Tk⋅u = k ⋅T(u). Juntas, estas dos condiciones definen lo que se conoce como el principio de superposición, un concepto crucial en física e ingeniería que permite descomponer sistemas complejos en componentes más simples.
Interpretación como homomorfismo
Desde una perspectiva algebraica más amplia, una aplicación lineal puede interpretarse como un homomorfismo entre dos espacios vectoriales definidos sobre un mismo cuerpo K. Un homomorfismo es, por definición, un mapa que preserva la estructura operativa del conjunto original. En el contexto de los espacios vectoriales, esto significa que las operaciones de suma de vectores y multiplicación por escalares en el dominio se reflejan exactamente en el codominio a través de la aplicación T. Esta interpretación permite utilizar herramientas de la teoría de grupos y anillos para analizar las propiedades de las transformaciones lineales, facilitando la clasificación de espacios vectoriales isomorfos y el estudio de subespacios como el núcleo y la imagen.
Ejemplos de aplicaciones lineales
Las aplicaciones lineales aparecen en múltiples contextos matemáticos, desde el álgebra elemental hasta el análisis funcional. A continuación se presentan ejemplos fundamentales que ilustran las propiedades de adición y homogeneidad.
Función identidad y homotecias
La función identidad Id:V→V, definida por Id(v)=v, es lineal en cualquier espacio vectorial. Para demostrar su linealidad, se verifica que T(u+v)=λ(u+v)=λu+λv=T(u)+T(v) y T(αv)=λ(αv)=α(λv)=αT(v). Estas transformaciones representan contracciones si |\lambda| < 1 y dilataciones si |\lambda| > 1.
Multiplicación por matriz
Toda aplicación lineal entre espacios de dimensión finita puede representarse mediante una matriz única dada una elección de bases. Si T:Rn→Rm es lineal, existe una matriz A de tamaño m×n tal que T(x)=Ax. La linealidad de la multiplicación matricional se deriva directamente de las propiedades de las filas y columnas: A(x+y)=Ax+Ay y A(αx)=αAx. Este es el ejemplo más común en álgebra lineal aplicada.
Conjugación compleja
La conjugación compleja f:C→C, definida por f(z)=zˉ, es un ejemplo clave de dependencia del cuerpo de escalares. Si consideramos C como un espacio vectorial sobre R, la aplicación es lineal porque z+w=zˉ+wˉ y αz=αzˉ para todo α∈R. Sin embargo, si el cuerpo de escalares es C, la aplicación deja de ser lineal porque αz=αˉzˉ=αzˉ para α no real. Esto demuestra que la linealidad depende estrictamente de la definición del espacio vectorial.
Operador integral
En análisis, la aplicación lineal puede actuar sobre espacios de funciones. El operador integral T:C[0,1]→R definido por T(f)=∫01f(x)dx es lineal. Este operador preserva la estructura vectorial del espacio de funciones continuas.
Propiedades fundamentales: núcleo e imagen
Definiciones de núcleo e imagen
El núcleo de una aplicación lineal, denotado como ker, es el conjunto de todos los vectores del dominio que se transforman en el vector nulo del codominio. Este conjunto constituye un subespacio vectorial del espacio de partida. Por otro lado, la imagen de la aplicación, simbolizada como im, está formada por todos los vectores del codominio que son resultados de aplicar la transformación a al menos un vector del dominio. La imagen es, a su vez, un subespacio vectorial del espacio de llegada.
Propiedades algebraicas y dimensiones
Para demostrar que el núcleo es un subespacio del dominio, se verifica que contiene al vector nulo, es cerrado bajo la suma de vectores y bajo la multiplicación por un escalar. De manera similar, la imagen cumple con las condiciones para ser un subespacio del codominio, ya que la suma de dos vectores imagen es también un vector imagen, y la multiplicación escalar de un vector imagen permanece dentro del conjunto de resultados posibles.
La dimensión del núcleo se denomina nulidad, mientras que la dimensión de la imagen se conoce como rango. Estas magnitudes cuantifican la "tamaño" de los subespacios asociados a la transformación lineal y son fundamentales para entender la estructura algebraica de la aplicación. La relación entre estas dimensiones y la dimensión del dominio es un resultado central en el estudio de espacios de dimensión finita.
| Propiedad | Núcleo (ker) | Imagen (im) |
|---|---|---|
| Definición | Conjunto de vectores del dominio que mapean al vector nulo. | Conjunto de vectores del codominio alcanzables desde el dominio. |
| Espacio asociado | Subespacio del dominio. | Subespacio del codominio. |
| Dimensión | Nulidad. | Rango. |
| Propiedad de cierre | Cerrado bajo suma y producto escalar en el dominio. | Cerrado bajo suma y producto escalar en el codominio. |
¿Cómo se construyen nuevas aplicaciones lineales?
El conjunto de todas las aplicaciones lineales entre dos espacios vectoriales V y W sobre un mismo cuerpo escalar posee una estructura algebraica rica. Específicamente, este conjunto forma un espacio vectorial, lo que permite definir operaciones fundamentales como la suma de aplicaciones y el producto por un escalar, así como estudiar su dimensión y bases.
Espacio vectorial de aplicaciones lineales
Sean V y W espacios vectoriales sobre un cuerpo K. El conjunto de todas las aplicaciones lineales de V en W se denota comúnmente como L(V, W) o Hom(V, W). Este conjunto no es solo un conjunto de funciones, sino que constituye un espacio vectorial sobre K bajo las siguientes operaciones definidas punto a punto.
La suma de dos aplicaciones lineales f y g en L(V, W) es la aplicación (f + g) definida por (f + g)(v) = f(v) + g(v) para todo v en V. Para verificar que f + g es lineal, se observa que preserva la adición: (f + g)(v + u) = f(v + u) + g(v + u) = f(v) + f(u) + g(v) + g(u) = (f(v) + g(v)) + (f(u) + g(u)) = (f + g)(v) + (f + g)(u). De manera similar, para la multiplicación por un escalar k en K, se define (kf)(v) = k(f(v)). La aplicación kf también es lineal, ya que kf(v + u) = k(f(v + u)) = k(f(v) + f(u)) = kf(v) + kf(u), y kf(cv) = k(f(cv)) = k(c f(v)) = c(kf(v)).
La aplicación nula, que envía todo vector de V al vector cero de W, actúa como el elemento neutro de la suma. El espacio L(V, W) hereda así todas las propiedades axiomáticas de un espacio vectorial. Cuando V y W son de dimensión finita, con dim(V) = n y dim(W) = m, la dimensión del espacio L(V, W) es igual al producto n * m. Esto refleja el hecho de que una aplicación lineal queda completamente determinada por la imagen de una base de V, y cada uno de los n vectores de la base puede mapearse a cualquier vector de W, que tiene m componentes independientes.
Composición y álgebra de endomorfismos
Además de la estructura de espacio vectorial, las aplicaciones lineales admiten una operación de composición. Dadas dos aplicaciones lineales f: V → W y g: W → U, su composición g ∘ f: V → U definida por (g ∘ f)(v) = g(f(v)) es también una aplicación lineal. La composición es asociativa, lo que permite encadenar múltiples aplicaciones lineales.
Un caso particularmente importante ocurre cuando el dominio y el codominio coinciden, es decir, cuando V = W. El conjunto de aplicaciones lineales de V en sí mismo se denomina el espacio de endomorfismos de V, denotado como End(V). En este contexto, la composición de aplicaciones otorga a End(V) la estructura de un álgebra asociativa sobre K. El elemento identidad de esta álgebra es la aplicación identidad id_V: V → V, definida por id_V(v) = v para todo v en V. Para cualquier f en End(V), se cumple que f ∘ id_V = id_V ∘ f = f.
El álgebra End(V) es fundamental en álgebra lineal porque permite estudiar transformaciones como rotaciones, proyecciones y dilataciones como elementos algebraicos. Si V es de dimensión finita n, entonces End(V) es isomorfo al álgebra de matrices cuadradas de tamaño n × n sobre K, denotada como M_n(K). Bajo este isomorfismo, la composición de aplicaciones corresponde al producto de matrices, y la suma de aplicaciones corresponde a la suma de matrices.
Inversas de aplicaciones lineales
Una aplicación lineal f: V → W es una biyección lineal si es tanto inyectiva como sobreyectiva. Cuando esto ocurre, existe una aplicación inversa f⁻¹: W → V tal que f⁻¹(f(v)) = v para todo v en V y f(f⁻¹(w)) = w para todo w en W. Una propiedad clave es que la inversa de una biyección lineal es también una aplicación lineal.
Para demostrarlo, sea f: V → W una biyección lineal. Tomemos dos vectores w1 y w2 en W y un escalar k en K. Queremos mostrar que f⁻¹(w1 + w2) = f⁻¹(w1) + f⁻¹(w2) y f⁻¹(kw1) = k f⁻¹(w1). Sea v1 = f⁻¹(w1) y v2 = f⁻¹(w2), lo que implica que f(v1) = w1 y f(v2) = w2. Entonces, f(v1 + v2) = f(v1) + f(v2) = w1 + w2. Aplicando f⁻¹ a ambos lados, obtenemos v1 + v2 = f⁻¹(w1 + w2), es decir, f⁻¹(w1) + f⁻¹(w2) = f⁻¹(w1 + w2). De manera análoga, f(kv1) = k f(v1) = kw1, y aplicando f⁻¹ se obtiene kv1 = f⁻¹(kw1), lo que significa k f⁻¹(w1) = f⁻¹(kw1). Por lo tanto, f⁻¹ es lineal.
Esto implica que el conjunto de todas las biyecciones lineales de V en V, denotado como GL(V) (el grupo general lineal de V), forma un grupo bajo la operación de composición. El grupo GL(V) es isomorfo al grupo de matrices invertibles de tamaño n × n, GL(n, K), cuando V tiene dimensión finita n. La inversa de una aplicación lineal biyectiva juega un papel central en la resolución de sistemas de ecuaciones lineales y en el estudio de isomorfismos entre espacios vectoriales.
Teoremas básicos y clasificación
El estudio de las aplicaciones lineales se sustenta en resultados estructurales fundamentales que permiten caracterizar su comportamiento y clasificación. Dos teoremas son centrales en esta teoría: el teorema de la base y el teorema de la dimensión.
Teorema de la base
Este resultado establece condiciones de existencia y unicidad para definir una aplicación lineal. Dado un espacio vectorial de dimensión finita, una aplicación lineal queda completamente determinada por las imágenes de los vectores que conforman una base del dominio. Específicamente, si se asigna un vector del codominio a cada vector de la base del dominio, existe una única aplicación lineal que mapea cada vector de la base a su imagen asignada. Esto implica que la libertad para definir una aplicación lineal reside en la elección arbitraria de las imágenes de los vectores base, sin restricciones adicionales de linealidad más allá de la definición misma.
Teorema de la dimensión
También conocido como fórmula del rango, este teorema relaciona las dimensiones de los espacios involucrados. Para una aplicación lineal entre espacios vectoriales de dimensión finita, la dimensión del espacio de partida es igual a la suma de la dimensión del núcleo y la dimensión de la imagen. Esta relación algebraica cuantifica cómo la aplicación lineal "consume" grados de libertad del dominio al mapearlos al codominio, distinguiendo entre los vectores que se anulan (núcleo) y aquellos que generan la imagen.
Clasificación de aplicaciones lineales
Las aplicaciones lineales se clasifican según propiedades de inyectividad, sobreyectividad y la relación entre el dominio y el codominio. Un funcional lineal es una aplicación lineal cuyo codominio es el campo de escalares. Un endomorfismo es una aplicación lineal del espacio en sí mismo. Cuando la aplicación es inyectiva, se denomina monomorfismo; si es sobreyectiva, epimorfismo. Si cumple ambas propiedades, es un isomorfismo, estableciendo una equivalencia estructural entre los espacios. Un automorfismo es un isomorfismo de un espacio vectorial sobre sí mismo.
| Propiedad | Término | Descripción |
|---|---|---|
| Injectiva | Monomorfismo | El núcleo contiene solo al vector nulo. |
| Sobreyectiva | Epimorfismo | La imagen coincide con el codominio. |
| Biyectiva | Isomorfismo | Es inyectiva y sobreyectiva; los espacios son estructuralmente equivalentes. |
| Mismo espacio | Endomorfismo | El dominio y el codominio son el mismo espacio vectorial. |
| Endo + Biyectiva | Automorfismo | Isomorfismo de un espacio sobre sí mismo. |
| Codominio = Escalares | Funcional lineal | Aplicación lineal hacia el campo base. |
¿Cómo se representa una aplicación lineal con una matriz?
La representación matricial constituye la herramienta fundamental para el cálculo y el análisis de aplicaciones lineales en espacios vectoriales de dimensión finita. Esta correspondencia permite traducir las propiedades algebraicas abstractas de la aplicación en operaciones concretas sobre matrices, facilitando tanto la interpretación geométrica como la resolución computacional. La construcción de esta matriz depende intrínsecamente de la elección de bases tanto en el dominio como en el codominio.
Construcción de la matriz asociada
Sean V y W dos espacios vectoriales de dimensiones n y m respectivamente. Sea T: V → W una aplicación lineal. Para asociar una matriz a T, se requiere fijar una base B = {v1, v2,..., vn} de V y una base C = {w1, w2,..., wm} de W. La matriz asociada, denotada comúnmente como MCB(T) o simplemente A, es una matriz de dimensión m × n.
Las columnas de esta matriz se determinan calculando la imagen de cada vector de la base B mediante la aplicación T, y expresando dicho resultado como combinación lineal de los vectores de la base C. Específicamente, para cada j de 1 a n:
T ( v j ) = ∑ i = 1 m a i j w iLos coeficientes aij forman la j-ésima columna de la matriz. Así, la entrada en la fila i y columna j corresponde al coeficiente del vector wi en la descomposición de T(vj). Esta construcción garantiza que la multiplicación de la matriz por el vector de coordenadas de un vector v en la base B produce el vector de coordenadas de T(v) en la base C.
Isomorfismo entre aplicaciones y matrices
Existe una correspondencia biunívoca y lineal entre el espacio de aplicaciones lineales L(V, W) y el espacio de matrices reales (o complejas, según el cuerpo escalar) de dimensión m × n, denotado como Mm×n. Esta correspondencia establece un isomorfismo de espacios vectoriales. Dado que dim(V) = n y dim(W) = m, la dimensión del espacio de aplicaciones lineales es n × m, coincidiendo exactamente con el número de entradas independientes en la matriz asociada.
Cuando el dominio y el codominio coinciden (V = W) y se utiliza la misma base B para ambos espacios, la matriz asociada es cuadrada de orden n. En este caso especial, el conjunto de matrices asociadas forma un álgebra de matrices Mn. La composición de aplicaciones lineales se traduce en la multiplicación de matrices, y la suma de aplicaciones en la suma de matrices. Esto establece un isomorfismo de álgebras entre End(V) y Mn, preservando tanto la estructura aditiva como la multiplicativa (producto de matrices). Esta propiedad es esencial para el estudio de autovalores, autovectores y la diagonalización de operadores lineales.
Ejercicios resueltos
Verificación de la linealidad: Conjugación compleja
Para ser lineal, debe cumplir la aditividad y la homogeneidad.
La aditividad se verifica: f(z1+z2)=z1+z2=zˉ1+zˉ2=f(z1)+f(z2). Sin embargo, la homogeneidad falla. Tomemos el escalar α=i y el vector z=1. Dado que −i=i, la aplicación no preserva la multiplicación por escalares complejos. Por tanto, la conjugación compleja es una aplicación lineal si se considera C como espacio vectorial sobre R, pero no sobre C.
Cálculo del núcleo e imagen
Para hallar el núcleo ker(T), resolvemos T(x,y,z)=(0,0):
- x+y=0⟹x=−y
- y+z=0⟹z=−y
Como (1,0) y (0,1) son linealmente independientes, Im(T)=R2 y su dimensión es 2.
Representación matricial
Dada la aplicación anterior T:R3→R2, determinamos su matriz asociada respecto a las bases canónicas E3 y E2. La matriz A tiene como columnas las imágenes de los vectores de la base del dominio expresados en la base del codominio:
A=[T(e1)amp;T(e2)amp;T(e3)]=[(1,0)amp;(1,1)amp;(0,1)]
Por lo tanto, la matriz única que representa a T es:
Esta matriz permite calcular la imagen de cualquier vector v=(x,y,z) mediante la multiplicación Av=(x+yy+z), confirmando la definición inicial de T.