Matemáticas

Tercer semestre

Asignatura: Álgebra Lineal I

Unidad 2. Transformaciones lineales, matrices y

sistemas de ecuaciones

Clave
05142517/06142517

Universidad Abierta y a Distancia de México

UNADM | DCEIT | MAT |MALI1 1

Unidad 2. Transformaciones lineales, matrices y
sistemas de ecuaciones

Índice

Unidad 2. Transformaciones lineales, matrices y sistemas de

ecuaciones ............................................................................................................. 0
Presentación de la Unidad ...............................................................................1
Competencias específicas ................................................................................... 2
Propósito ................................................................................................................ 3
Actividad 1. Sistemas de ecuaciones, matrices y transformaciones
lineales ....................................................... ¡Error! Marcador no definido.
2.1. Definición de transformación lineal............................................... 4
2.1.1. Morfismos ..................................................................................................... 5
2.1.2. Un ejemplo general de transformación lineal ............................... 7
2.1.3. ¿Cuál es la imagen de las 𝒂𝒊 bajo la trasformación lineal T? .... 8
2.2. Relación entre sistemas de ecuaciones, matrices y
transformaciones lineales ............................................................................. 9
2.3. Composición de transformaciones lineales y multiplicación
de matrices .......................................................................................................... 16
2.3.1. Problema ...................................................................................................... 17
2.3.2. Definición de multiplicación de matrices ...................................... 18
Actividad 2. Matrices y transformaciones lineales¡Error! Marcador no defin
 Unidad 2. Transformaciones lineales, matrices y sistemas de
ecuaciones

Presentación de la unidad

El avance de las matemáticas tuvo un gran impulso con el concepto de conjunto

primero y luego con el concepto de conjunto con estructura. Pero aún más
importante es el concepto de función que preserva la estructura entre conjuntos de
una estructura dada.

La estructura está dada, por ejemplo, por una o más operaciones o relaciones
definidas entre los elementos del conjunto. Un grupo abeliano es un ejemplo de
conjunto con estructura. En este caso tenemos un conjunto con la operación de
suma que satisface las propiedades que ya vimos en la Unidad anterior.

Que una función 𝑓: 𝐺 → 𝐻, entre dos grupos abelianos preserve la estructura de

estos, significa que para todo par de elementos 𝒙, 𝒚 de 𝐺 se tiene que 𝑓(𝒙 + 𝒚) =
𝑓(𝒙) + 𝑓(𝒚), esto es, el elemento asociado por 𝑓 a la suma de dos elementos de 𝐺 se
obtiene sumado el elemento de 𝐻 asociado por 𝑓 a 𝒙 con el elemento de 𝐻 asociado
por 𝑓 a 𝒚.

Tuvo que pasar más de medio siglo después de haber llegado al concepto de
conjunto con estructura para que los matemáticos se dieran cuenta que el
concepto de función que preserva la estructura es aún más importante que el de

UNADM | DCEIT | MAT |MALI1 1

conjunto con estructura. En 1945, Eilenberg y Maclane formalizaron estas ideas
con el concepto de Categoría.

La clase de espacios vectoriales y sus transformaciones lineales forman una

categoría. Este concepto y su estudio es uno de los avances más importantes de las
matemáticas modernas. La teoría de categorías se inició como el estudio de
objetos y los morfismos o transformaciones entre estos objetos que preservan la
estructura de estos. En el caso de espacios vectoriales las funciones 𝑇: 𝑉 → 𝑊 entre
dos espacios vectoriales 𝑉 y 𝑊 que preservan la estructura, llamadas
transformaciones lineales, son las funciones que tienen la propiedad 𝑇(𝑎𝒙 + 𝑏𝒚) =
𝑎𝑇(𝒙) + 𝑏𝑇(𝒚), para todo número real 𝑎, 𝑏 y todo vector 𝒙, 𝒚 en V.

En esta unidad presentamos los conceptos básicos necesarios para definir la

categoría de espacios vectoriales y transformaciones lineales, los tipos de
transformaciones lineales y un ejemplo general de transformación lineal y algunas
propiedades de ésta. También empezamos a explorar la relación entre sistemas de
ecuaciones lineales, matrices y transformaciones lineales con lo que motivamos la
definición de multiplicación usando la correspondencia entre transformaciones
lineales y matrices.

Competencias específicas

Determina la dependencia e independencia lineal de un conjunto de vectores, y la

base del espacio generado por ellos, como base para comprender los métodos de
solución de ecuaciones, utilizando los teoremas y corolarios que estudian estos
conceptos.

UNADM | DCEIT | MAT |MALI1 2

 Propósito

En esta unidad pretendemos que empieces a desarrollar una visión categórica del
estudio de espacios vectoriales y transformaciones lineales con ejemplos, y
demostraciones de resultados que son útiles para el estudio de sistemas de
ecuaciones lineales.

UNADM | DCEIT | MAT |MALI1 3

Actividad 1. Sistemas de ecuaciones, matrices y transformaciones
lineales
Participa en el foro argumentando tus respuestas con respecto a las preguntas que
se te plantean.

2.1. Definición de transformación lineal

El concepto de espacio vectorial es un ejemplo donde la estructura definida en el

conjunto está dada por dos operaciones, la suma y la multiplicación escalar que
satisfacen la lista de propiedades que ya vimos.

Definición de transformación lineal

Una función 𝑇: 𝑉 → 𝑊 entre espacios vectoriales 𝑉 y 𝑊 es una transformación lineal
si preserva la estructura de espacio vectorial definida por las operaciones de suma
y multiplicación escalar, es decir, 𝑇 tiene que preservar la suma y la multiplicación
escalar:
1. 𝑇(𝒙 + 𝒚) = 𝑇(𝒙) + 𝑇(𝒚).
2. 𝑇(𝑎𝒙) = 𝑎𝑇(𝒙) para todo 𝑎 número real.

Teorema 1
Una función 𝑇: 𝑉 → 𝑊, entre dos espacios vectoriales 𝑉 y 𝑊 es una transformación
lineal si y solo si 𝑇(𝑎𝒙 + 𝑏𝒚) = 𝑎𝑇(𝒙) + 𝑏𝑇(𝒚), para todo número real 𝑎, 𝑏 y todo
vector 𝒙, 𝒚.

UNADM | DCEIT | MAT |MALI1 4

 2.1.1. Morfismos

A las funciones que preservan la estructura de los conjuntos se les llama, en

general, morfismos. Por cuestiones históricas en casos específicos, los morfismos
tienen un nombre tradicional. Por ejemplo, en el caso de grupos, se les llama
homomorfismos y en el caso de espacios vectoriales, se les llama transformaciones
lineales.

La definición de varias clases importantes de morfismos en una categoría arbitraria,

es más general que las definiciones que vamos a dar aquí. Pero para nuestros
propósitos, la definición dada es equivalente a la general en la estructura dada y
suficiente para nuestros objetivos. Estas definiciones no son válidas en una
categoría arbitraria.

Clases especiales de morfismos

Un monomorfismo es un morfismo, esto es, una función 𝑓: 𝑋 → 𝑌 que preserva la
estructura dada y que es una función inyectiva, es decir, para todo elemento 𝒙, 𝒙′
en el conjunto, 𝑓(𝒙) = 𝑓(𝒙′ ) implica que 𝒙 = 𝒙′.

Un epimorfismo es un morfismo, esto es, una función 𝑓: 𝑋 → 𝑌 que preserva la

estructura dada y que es una función suprayectiva, es decir, para todo elemento 𝒚
en 𝑌, existe un elemento 𝒙 en 𝑋 tal que 𝑓(𝒙) = 𝒚.

Un isomorfismo es un morfismo, esto es, una función 𝑓: 𝑋 → 𝑌 que preserva la

estructura dada y que es una función inyectiva y suprayectiva.

UNADM | DCEIT | MAT |MALI1 5

Consideremos dos transformaciones lineales 𝑇: 𝑈 → 𝑉, 𝑆: 𝑉 → 𝑊 S entre los espacios
vectoriales 𝑈, 𝑉 y 𝑊. La composición 𝑆 ∘ 𝑇: 𝑈 → 𝑊 es la función definida por
(𝑆 ∘ 𝑇)(𝒖) = 𝑆(𝑇(𝒖)), es decir, la función que resulta de aplicar primero 𝑇 y luego 𝑆.

Teorema 2
La composición 𝑆 ∘ 𝑇 de dos transformaciones lineales 𝑇 y 𝑆 es una transformación
lineal.

Demostración.

Queremos demostrar que (𝑆 ∘ 𝑇)(𝑎𝒙 + 𝑏𝒚) = 𝑎(𝑆 ∘ 𝑇)(𝒙) + 𝑏(𝑆 ∘ 𝑇)(𝒚), para todo
número real 𝑎, 𝑏 y todo vector 𝒙, 𝒚. Esto resulta directamente de que 𝑇 y 𝑆 tienen
esta propiedad y de la definición de composición de funciones:
(𝑆 ∘ 𝑇)(𝑎𝒙 + 𝑏𝒚) = 𝑆(𝑇(𝑎𝒙 + 𝑏𝒚))
= 𝑆(𝑎𝑇(𝒙) + 𝑏𝑇(𝒚))
= 𝑎𝑆(𝑇(𝒙)) + 𝑏𝑆(𝑇(𝒚))
= 𝑎(𝑆 ∘ 𝑇)(𝒙) + 𝑏(𝑆 ∘ 𝑇)(𝒚).

Teorema 3
La función idéntica, 𝐼: 𝑉 → 𝑉 de un espacio vectorial 𝑉, definida por 𝐼(𝒙) = 𝒙 para
toda 𝒙 en 𝑉, es una transformación lineal y actúa bajo la composición como neutro
derecho e izquierdo, esto es, si 𝑇: 𝑈 → 𝑉 y 𝑆: 𝑉 → 𝑊 son dos transformaciones
lineales, entonces tenemos que 𝐼 ∘ 𝑇=T y 𝑆 ∘ 𝐼 = 𝑆, donde 𝐼 ∘ 𝑇: 𝑈 → 𝑉 y 𝑆 ∘ 𝐼: 𝑉 → 𝑊.

Demostración.

Esta demostración es simple y se deriva directamente de las definiciones y aparece

como ejercicio en la Activ idad 2.

UNADM | DCEIT | MAT |MALI1 6

NOTA: Lo anterior exhibe a la clase de espacios vectoriales y sus transformaciones
lineales como una categoría. Este concepto y su estudio es uno de los avances más
importantes de las matemáticas modernas. La teoría de categorías se inició como
el estudio de objetos y los morfismos o transformaciones entre estos objetos que
preservan la estructura de estos. En el caso de espacios vectoriales las funciones
𝑇: 𝑉 → 𝑊 entre dos espacios vectoriales 𝑉 y 𝑊 que preservan la estructura,
llamadas transformaciones lineales, son las funciones que tienen la propiedad
𝑇(𝑎𝒙 + 𝑏𝒚) = 𝑎𝑇(𝒙) + 𝑏𝑇(𝒚), para todo número real 𝑎, 𝑏 y todo vector 𝒙, 𝒚 en 𝑉.

2.1.2. Un ejemplo general de transformación lineal

Consideremos dos espacios vectoriales, 𝑉 y 𝑊, por ejemplo ℝ𝑚 y ℝ𝑛 . Supongamos

que tenemos un conjunto de vectores 𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒎 en el espacio vectorial 𝑉 tal que
todo vector 𝒙 en 𝑉 se puede escribir en forma única como 𝒙 = 𝑥1 𝒂𝟏 + 𝑥2 𝒂𝟐 + ⋯ +
𝑥𝑚 𝒂𝒎 , donde 𝑥1 , 𝑥2 , … , 𝑥𝑚 son números reales.

Vamos a ver más adelante que esta suposición es siempre válida, aunque solo lo
demostraremos en el caso de espacios vectoriales de dimensión finita.
Supongamos además que tenemos 𝑚 vectores 𝒄𝟏 , 𝒄𝟐 , … , 𝒄𝒎 en 𝑊.

Teorema 4
Bajo estas condiciones podemos definir una función 𝑇: 𝑉 → 𝑊 como sigue:
Para todo

𝒙 = 𝑥1 𝒂𝟏 + 𝑥2 𝒂𝟐 + ⋯ + 𝑥𝑚 𝒂𝒎 ,

escribimos

UNADM | DCEIT | MAT |MALI1 7

 𝑇(𝒙) = 𝑥1 𝒄𝟏 + 𝑥2 𝒄𝟐 + ⋯ + 𝑥𝑚 𝒄𝒎 .

Entonces 𝑇 es una transformación lineal.

Demostración.

Tenemos que para 𝒙 = 𝑥1 𝒂𝟏 + 𝑥2 𝒂𝟐 + ⋯ + 𝑥𝑚 𝒂𝒎 y 𝒚 = 𝑦1 𝒂𝟏 + 𝑦2 𝒂𝟐 + ⋯ + 𝑦𝑚 𝒂𝒎 se

tienen la expresión única de 𝒙 + 𝒚 dada por:

𝒙 + 𝒚 = (𝑥1 + 𝑦1 )𝒂𝟏 + (𝑥2 + 𝑦2 )𝒂𝟐 + ⋯ + (𝑥𝑚 + 𝑦𝑚 )𝒂𝒎

Entonces por definición de T,

𝑇(𝒙 + 𝒚) = (𝑥1 + 𝑦1 )𝒄𝟏 + (𝑥2 + 𝑦2 )𝒄𝟐 + ⋯ + (𝑥𝑚 + 𝑦𝑚 )𝒄𝒎 = 𝑇(𝒙) + 𝑇(𝒚)

La demostración de que 𝑇(𝑎𝒙) = 𝑎𝑇(𝒙) es similar y aparece como ejercicio en la

Activ idad 2.

2.1.3. ¿Cuál es la imagen de las 𝒂𝒊 bajo la trasformación lineal

T?

Observa que tenemos que las 𝒂𝒊 están dadas por las siguientes combinaciones
lineales:

𝒂𝟏 = 1𝒂𝟏 + 0𝒂𝟐 + ⋯ + 0𝒂𝒎

𝒂𝟐 = 0𝒂𝟏 + 1𝒂𝟐 + ⋯ + 0𝒂𝒎
⋮
𝒂𝒎 = 0𝒂𝟏 + 0𝒂𝟐 + ⋯ + 1𝒂𝒎 .

UNADM | DCEIT | MAT |MALI1 8

Y de acuerdo con la suposición de que cada elemento de 𝑉 tiene una expresión
única, estas expresiones son entonces las únicas expresiones de cada 𝒂𝒊 , para toda
𝑖 = 1,2, … , 𝑚, en términos de las 𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒎 .

Aplicando la definición de 𝑇, y puesto que todos los coeficientes de la expresión

para 𝒂𝒊 son cero excepto el de 𝒂𝒊 , tenemos entonces que 𝑇(𝒂𝒊 ) = 𝒄𝒊 , para toda 𝑖 =
1,2, … , 𝑚, es decir, 𝑇 mapea a las 𝒂𝒊 en las 𝒄𝒊 . Esta condición que satisface 𝑇 hace
que sea la única transformación lineal con esta propiedad, porque si S: 𝑉 → 𝑊 es
otra transformación lineal tal que 𝑆(𝒂𝒊 ) = 𝒄𝒊 , para toda 𝑖 = 1,2, … , 𝑚, entonces:

𝑇(𝒙) = 𝑥1 𝒄𝟏 + 𝑥2 𝒄𝟐 + ⋯ + 𝑥𝑚 𝒄𝒎 = 𝑥1 𝑆(𝒂𝟏 ) + 𝑥2 𝑆(𝒂𝟐 ) + ⋯ + 𝑥𝑚 𝑆(𝒂𝒎 ) = 𝑆(𝒙)

para toda 𝒙 en 𝑉. Por lo tanto 𝑇 = 𝑆, todo esto demuestra el siguiente teorema.

Teorema 5
Supongamos que tenemos un conjunto de vectores 𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒎 en el espacio
vectorial 𝑉 tal que todo vector 𝒙 en 𝑉 se puede escribir en forma única como:

𝒙 = 𝑥1 𝒂𝟏 + 𝑥2 𝒂𝟐 + ⋯ + 𝑥𝑚 𝒂𝒎

y dados 𝑚 vectores, 𝒄𝟏 , 𝒄𝟐 , … , 𝒄𝒎 en el espacio vectorial 𝑊, entonces hay una y solo

una transformación lineal que tiene a 𝑉 como dominio y a 𝑊 como codominio que
mapea a los vectores 𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒎 en los vectores dados 𝒄𝟏 , 𝒄𝟐 , … , 𝒄𝒎 de 𝑊.

2.2. Relación entre sistemas de ecuaciones, matrices y

transformaciones lineales

UNADM | DCEIT | MAT |MALI1 9

Vamos ahora a explorar la relación que existe entre sistemas de ecuaciones
lineales, matrices y transformaciones lineales.

Teorema 6
Hay una correspondencia uno a uno entre el conjunto de las transformaciones
lineales de ℝ𝑚 a ℝ𝑛 , denota 𝐿(ℝ𝑚 , ℝ𝑛 ); y el de las matrices de tamaño 𝑚 × 𝑛 , el cual
denotamos en la Unidad anterior como ℳ(𝑚, 𝑛).

Demostración.

Tomamos a 𝒂𝟏 = (1,0, … ,0), 𝒂𝟐 = (0,1, … ,0), … , 𝒂𝒎 = (0,0, … ,1). Si 𝒙 = (𝑥1 , 𝑥2 , … , 𝑥𝑚 ),

entonces 𝒙 = 𝑥1 𝒂𝟏 + 𝑥2 𝒂𝟐 + ⋯ + 𝑥𝑚 𝒂𝒎 , es decir, toda 𝒙 en 𝑉 se puede expresar
como combinación lineal de las 𝒂𝒊 . Si 𝒙 = 𝑦1 𝒂𝟏 + 𝑦2 𝒂𝟐 + ⋯ + 𝑦𝑚 𝒂𝒎 entonces

(𝑥1 , 𝑥2 , … , 𝑥𝑚 ) = 𝒙 = (𝑦1 , 𝑦2 , … , 𝑦𝑚 ),

así que por definición de igualdad en ℝ𝑚 , 𝑥𝑖 = 𝑦𝑖 , para toda 𝑖 = 1,2, … , 𝑚. Esto es,
toda 𝒙 en ℝ𝑚 se expresa en forma única como combinación lineal de las 𝒂𝒊 .

Esta situación, que fue fácil de demostrar en ℝ𝑚 , es válida en todo espacio vectorial
de dimensión finita lo que veremos más adelante.

Dada una transformación lineal 𝑇: ℝ𝑚 → ℝ𝑛 , por el teorema anterior puesto que las
𝒂𝒊 satisfacen las condiciones del teorema, la imagen de las 𝒂𝒊 determina en forma
única a 𝑇. Denotemos a las imágenes de las 𝒂𝒊 como 𝒄𝒊 = 𝑇(𝒂𝒊 ).

Entonces,
𝑇(𝒂𝟏 ) = 𝒄𝟏 = (𝑎11 , 𝑎12 , … , 𝑎1𝑛 )

UNADM | DCEIT | MAT |MALI1 10

 𝑇(𝒂𝟐 ) = 𝒄𝟐 = (𝑎21 , 𝑎22 , … , 𝑎2𝑛 )
⋮
𝑇(𝒂𝒎 ) = 𝒄𝒎 = (𝑎𝑚1 , 𝑎𝑚2 , … , 𝑎𝑚𝑛 ).

Podemos formar la matriz de 𝑚 × 𝑛 cuyo renglón 𝑖 está dado por las coordenadas
de 𝑇(𝒂𝒊 ), para toda 𝑖 = 1,2, … , 𝑚.
𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 ⋯ 𝑎2𝑛
𝐴 = (𝑎𝑖𝑗 ) = ( ⋮ ⋮ ⋱ ⋮ ).
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛

Recordamos que una correspondencia 1 a 1 entre dos conjuntos 𝑋, 𝑌 es una función

biyectiva 𝑓: 𝑋 → 𝑌 entre estos, es decir, 𝑓(𝑥) = 𝑓(𝑥 ′ ) implica 𝑥 = 𝑥′ y para toda 𝑦 en
𝑌, existe 𝑥 en 𝑋 tal que 𝑦 = 𝑓(𝑥).

Definamos 𝑓: 𝐿(ℝ𝑚 , ℝ𝑛 ) → ℳ(𝑚, 𝑛) como sigue: Dada 𝑇: ℝ𝑚 → ℝ𝑛 en 𝐿(ℝ𝑚 , ℝ𝑛 ), 𝑓(𝑇)

es la matriz (𝑎𝑖𝑗 ) cuyo renglón 𝑖 está dado por las coordenadas de 𝑇(𝒂𝒊 ), para toda

𝑖 = 1,2, … , 𝑚.

Si (𝑎𝑖𝑗 ) = 𝑓(𝑇) = 𝑓(𝑆) = (𝑏𝑖𝑗 ), por definición de igualdad de matrices, tenemos que

𝑎𝑖𝑗 = 𝑏𝑖𝑗 para toda 𝑖 = 1,2, … , 𝑚 y toda 𝑗 = 1,2, … , 𝑛 y por lo tanto 𝑇 = 𝑆. Dada una

matriz 𝐴 = (𝑎𝑖𝑗 ), definimos 𝑇: ℝ𝑚 → ℝ𝑛 como la transformación lineal definida en

forma única por 𝑇(𝒂𝒊 ) igual al renglón 𝑖 de 𝐴, para toda 𝑖 = 1,2, … , 𝑚. Por definición
de 𝑓 tenemos que 𝑓(𝑇) = 𝐴.

Por lo tanto 𝑓 es una correspondencia 1 a 1 entre 𝐿(ℝ𝑚 , ℝ𝑛 ) y ℳ(𝑚, 𝑛).

Corolario 1

UNADM | DCEIT | MAT |MALI1 11

Toda transformación lineal de ℝ𝑚 a ℝ𝑛 se puede describir por un sistema de
ecuaciones lineales no homogéneo cuyos coeficientes determinan la matriz
asociada a la transformación lineal. Las coordenadas de la imagen de un vector
están dadas por las ecuaciones no homogéneas. Inversamente, cada matriz de 𝑚 ×
𝑛 determina una transformación lineal definida por el sistema de ecuaciones no
homogéneas.

Demostración.

Tenemos que para 𝒙 = 𝑥1 𝒂𝟏 + 𝑥2 𝒂𝟐 + ⋯ + 𝑥𝑚 𝒂𝒎 , calculamos 𝒚 = (𝑦1 , 𝑦2 , … , 𝑦𝑚 ) =

𝑇(𝒙), donde

𝑇(𝒙) = 𝑥1 𝑇(𝒂𝟏 ) + 𝑥2 𝑇(𝒂𝟐 ) + ⋯ + 𝑥𝑚 𝑇(𝒂𝒎 )

= 𝑥1 (𝑎11 , 𝑎12 , … , 𝑎1𝑛 ) + 𝑥2 (𝑎21 , 𝑎22 , … , 𝑎2𝑛 ) + ⋯ + 𝑥𝑚 (𝑎𝑚1 , 𝑎𝑚2 , … , 𝑎𝑚𝑛 )
= (𝑥1 𝑎11 , 𝑥1 𝑎12 , … , 𝑥1 𝑎1𝑛 ) + (𝑥2 𝑎21 , 𝑥2 𝑎22 , … , 𝑥2 𝑎2𝑛 )
+ ⋯ + (𝑥𝑚 𝑎𝑚1 , 𝑥𝑚 𝑎𝑚2 , … , 𝑥𝑚 𝑎𝑚𝑛 )
= (𝑥1 𝑎11 + 𝑥2 𝑎21 + ⋯ + 𝑥𝑚 𝑎𝑚1 , 𝑥1 𝑎12 + 𝑥2 𝑎22 + ⋯ + 𝑥𝑚 𝑎𝑚2 ,
… , 𝑥1 𝑎1𝑛 + 𝑥2 𝑎2𝑛 + ⋯ + 𝑥𝑚 𝑎𝑚𝑛 ).

Por definición de igualdad en ℝ𝑛 tenemos que las 𝑦𝑖 se pueden expresar por un

sistema de ecuaciones lineales no homogéneo cuyos coeficientes determinan la
matriz asociada a la transformación lineal como vimos en el teorema.

𝑦1 = 𝑥1 𝑎11 + 𝑥2 𝑎21 + ⋯ + 𝑥𝑚 𝑎𝑚1

𝑦2 = 𝑥1 𝑎12 + 𝑥2 𝑎22 + ⋯ + 𝑥𝑚 𝑎𝑚2
⋮
𝑦𝑛 = 𝑥1 𝑎1𝑛 + 𝑥2 𝑎2𝑛 + ⋯ + 𝑥𝑚 𝑎𝑚𝑛 .

El proceso es reversible, así que el sistema de ecuaciones lineales no homogéneo

determina a la transformación lineal 𝑇 con la que empezamos.

UNADM | DCEIT | MAT |MALI1 12

Las matrices fueron vistas primero como una manera simplificada de escribir
sistemas de ecuaciones lineales. Conforme el estudio de estos objetos evolucionó,
las matrices se vieron como entidades propias que forman un espacio vectorial.
Desde esta perspectiva, se vio como manipular a las matrices y ver la relación que
existe con la solución de sistemas de ecuaciones lineales.

El sistema de ecuaciones lo podemos ver de dos formas. La primera computa la

imagen de un vector arbitrario, dadas las coordenadas del vector y la matriz
asociada a la transformación lineal. La segunda pregunta si dado un vector en el
codominio podemos encontrar un vector del dominio que tenga como imagen al
vector dado en el condominio. Si hay solución, resolviendo el sistema de
ecuaciones, es decir, encontrando las 𝑥𝑖 , nos da las coordenadas del vector del
dominio que se mapea en el vector dado del codominio.

Es importante observar que la matriz del sistema de ecuaciones no es la matriz 𝐴 =

(𝑎𝑖𝑗 ) asociada a la transformación lineal 𝑇 del teorema, sino la transpuesta de 𝐴, 𝐴𝑡

que se obtiene de 𝐴 intercambiando cada renglón por la columna correspondiente.

Si 𝐴 es una matriz de 𝑚 × 𝑛 entonces 𝐴𝑡 es una matriz de 𝑛 × 𝑚. Formalmente las
componentes de 𝐴𝑡 = (𝑎𝑖𝑗 𝑡 ) están dadas por:

𝑎𝑖𝑗 𝑡 = 𝑎𝑗𝑖 para toda 𝑖 = 1,2, … , 𝑚 y toda 𝑗 = 1,2, … , 𝑛.

Para ℝ𝑚 , los vectores unitarios 𝒂𝟏 = (1,0, … ,0), 𝒂𝟐 = (0,1, … ,0), … , 𝒂𝒎 = (0,0, … ,1)
forman una base. Estos significa que 𝒙 = (𝑥1 , 𝑥2 , … , 𝑥𝑚 ) = 𝑥1 𝒂𝟏 + 𝑥2 𝒂𝟐 + ⋯ + 𝑥𝑚 𝒂𝒎 , es
decir, toda 𝒙 en 𝑉 se puede expresar como combinación lineal de las 𝒂𝒊 en forma
única.

UNADM | DCEIT | MAT |MALI1 13

Vamos a formalizar más adelante el concepto de base en un espacio vectorial
arbitrario, lo cual nos va a permitir aplicar lo anterior a espacios vectoriales
arbitrarios de dimensión finita pudiendo especificar bases en el dominio y
codominio de una transformación lineal.

Teorema 7
Hay un isomorfismo de espacios vectoriales entre las matrices de tamaño 𝑛 × 𝑛 y
las transformaciones lineales de ℝ𝑛 a ℝ𝑛 .

Demostración.

Ya vimos que hay una correspondencia uno a uno entre las transformaciones
lineales de ℝ𝑚 a ℝ𝑛 , 𝐿(ℝ𝑚 , ℝ𝑛 ), y las matrices de tamaño 𝑚 × 𝑛, ℳ(𝑚, 𝑛). En el caso
que estamos considerando 𝑛 = 𝑚. Sea 𝑓: 𝐿(ℝ𝑛 , ℝ𝑛 ) → ℳ(𝑛, 𝑛) la correspondencia
uno a uno del teorema anterior, es decir, una biyección de conjuntos. Ya vimos que
ℳ(𝑛, 𝑛) es un espacio vectorial. Para que 𝑓 sea un isomorfismo de espacios
vectoriales necesitamos ver que 𝐿(ℝ𝑛 , ℝ𝑛 ) es un espacio vectorial y que 𝑓 es una
transformación lineal entre estos espacios vectoriales. De hecho, veremos un poco
más adelante que 𝐿(ℝ𝑛 , ℝ𝑛 ) es un subespacio vectorial del espacio vectorial de
todas las funciones 𝐹(ℝ𝑛 , ℝ𝑛 ). Aceptando que L(Rn, Rn) es un espacio vectorial solo
nos queda demostrar que f es una transformación lineal.

Esto es, que 𝑓(𝑇 + 𝑈) = 𝑓(𝑇) + 𝑓(𝑈) y que 𝑓(𝑟 ∙ 𝑇) = 𝑟 ∙ 𝑓(𝑇). La primera condición
dice que la matriz asociada a la suma de dos transformaciones lineales se obtiene
sumando las matrices asociadas a cada una de las transformaciones lineales. La
segunda condición dice que la matriz asociada al producto escalar de un número
real 𝑟 con una transformación lineal se obtiene como el producto escalar de 𝑟 con la
matriz asociadas a la transformación lineal.

UNADM | DCEIT | MAT |MALI1 14

Recordemos que los renglones de la matriz asociada a una transformación lineal se
obtienen como las imágenes de los vectores unitarios 𝒂𝒊 , para toda 𝑖 = 1,2, … , 𝑚,
donde las 𝒂𝒊 tienen la propiedad de que todo vector de ℝ𝑛 se puede expresar en
forma única como combinación lineal de las 𝒂𝒊 .

𝑇(𝒂𝟏 ) = (𝑎11 , 𝑎12 , … , 𝑎1𝑛 ) y 𝑈(𝒂𝟏 ) = (𝑏11 , 𝑏12 , … , 𝑏1𝑛 )

𝑇(𝒂𝟐 ) = (𝑎21 , 𝑎22 , … , 𝑎2𝑛 ) y 𝑈(𝒂𝟐 ) = (𝑏21 , 𝑏22 , … , 𝑏2𝑛 )
⋮
𝑇(𝒂𝒎 ) = (𝑎𝑚1 , 𝑎𝑚2 , … , 𝑎𝑚𝑛 ) y 𝑈(𝒂𝒎 ) = (𝑏𝑚1 , 𝑏𝑚2 , … , 𝑏𝑚𝑛 ).

Si sumamos estas imágenes, obtenemos

𝑇(𝒂𝟏 ) + 𝑈(𝒂𝟏 ) = (𝑎11 , 𝑎12 , … , 𝑎1𝑛 ) + (𝑏11 , 𝑏12 , … , 𝑏1𝑛 )

= (𝑎11 + 𝑏11 , 𝑎12 + 𝑏12 , … , 𝑎1𝑛 + 𝑏1𝑛 )
= (𝑇 + 𝑈)(𝒂𝟏 )
𝑇(𝒂𝟐 ) + 𝑈(𝒂𝟐 ) = (𝑎21 , 𝑎22 , … , 𝑎2𝑛 ) + (𝑏21 , 𝑏22 , … , 𝑏2𝑛 )
= (𝑎21 + 𝑏21 , 𝑎22 + 𝑏22 , … , 𝑎2𝑛 + 𝑏2𝑛 )
= (𝑇 + 𝑈)(𝒂𝟐 )
⋮
𝑇(𝒂𝒎 ) + 𝑈(𝒂𝒎 ) = (𝑎𝑚1 , 𝑎𝑚2 , … , 𝑎𝑚𝑛 ) + (𝑏𝑚1 , 𝑏𝑚2 , … , 𝑏𝑚𝑛 )
= (𝑎𝑚1 + 𝑏𝑚1 , 𝑎𝑚2 + 𝑏𝑚2 , … , 𝑎𝑚𝑛 + 𝑏𝑚𝑛 )
= (𝑇 + 𝑈)(𝒂𝒎 ).

Por lo tanto, el renglón asociado a (𝑇 + 𝑈)(𝒂𝒊 ) se obtiene sumando los renglones

asociados a 𝑇(𝒂𝒊 ) y a 𝑈(𝒂𝒊 ), para toda 𝑖 = 1,2, … , 𝑚, que implica que la matriz
asociada a la suma de dos transformaciones lineales se obtiene sumando las
matrices asociadas a cada una de las transformaciones lineales. Esto es, 𝑓(𝑇 + 𝑈) =
𝑓(𝑇) + 𝑓(𝑈).

UNADM | DCEIT | MAT |MALI1 15

La demostración de que 𝑓(𝑟 ∙ 𝑇) = 𝑟 ∙ 𝑓(𝑇) es similar y aparece como ejercicio en la
Activ idad 2.

2.3. Composición de transformaciones lineales y

multiplicación de matrices

Dada una matriz 𝐴, denotemos a la transformación lineal que le corresponde en

forma única bajo el teorema anterior por 𝑇𝐴 . Esta es la función inversa de
𝑓: 𝐿(ℝ𝑛 , ℝ𝑛 ) → ℳ(𝑛, 𝑛) que existe porque 𝑓 es biyectiva.

Escribiendo 𝑔: ℳ(𝑛, 𝑛) → 𝐿(ℝ𝑛 , ℝ𝑛 ) para la función inversa tenemos que si 𝑔(𝐴) = 𝑇𝐴 ,

entonces la 𝑓 asocia a la transformación lineal 𝑇𝐴 , la matriz 𝐴 con la que
empezamos:

𝑓 ∘ 𝑔(𝐴) = 𝑓(𝑔(𝐴)) = 𝑓(𝑇𝐴 ) = 𝐴 = 𝐼(𝐴).

Si 𝑓(𝑇) = 𝐴, entonces la 𝑔 asocia a la matriz 𝐴, la transformación lineal 𝑇 con la que

empezamos:

𝑔 ∘ 𝑓(𝑇) = 𝑔(𝑓(𝑇)) = 𝑔(𝐴) = 𝑇𝐴 = 𝑇 = 𝐼(𝑇).

Con lo que obtenemos

𝑔 𝑓
𝐴 → 𝑇𝐴 → 𝐴,
𝑓 𝑔
𝑇 → 𝐴 → 𝑇𝐴 .

Demostramos el teorema que la composición de dos transformaciones lineales es

una transformación lineal. Estos dos teoremas motivan la siguiente pregunta:

UNADM | DCEIT | MAT |MALI1 16

 2.3.1. Problema

¿Se puede encontrar una operación entre matrices de tal forma que la matriz
asociada a la composición de dos transformaciones lineales, bajo el isomorfismo
del teorema, corresponda a la operación entre matrices que buscamos entre la
matriz de la primera y la segunda transformación?

?
que queremos es que 𝑇𝐴?𝐵 = 𝑇𝐵 ∘ 𝑇𝐴 , donde 𝐴, 𝐵 son dos matrices, 𝐴? 𝐵 es la matriz
que resulta de la operación ? entre 𝐴 y 𝐵.

Teorema 8
La condición 𝑇𝐴?𝐵 = 𝑇𝐵 ∘ 𝑇𝐴 determina en forma única a la operación ? entre matrices
de 𝑛 × 𝑛.

Demostración.

Empezamos con dos matrices A y B. El inverso g del isomorfismo f asocia las

transformaciones lineales correspondientes, 𝑇𝐴 : ℝ𝑛 → ℝ𝑛 y 𝑇𝐵 : ℝ𝑛 → ℝ𝑛 . Vimos que la
composición de estas dos 𝑇𝐵 ∘ 𝑇𝐴 es una transformación lineal la cual bajo 𝑓 tiene su
matriz correspondiente que por el momento estamos denotando como 𝐴? 𝐵. Para
encontrar a 𝐴? 𝐵 vamos a computar la matriz de 𝑇𝐵 ∘ 𝑇𝐴 .
Vimos que las transformaciones lineales quedan definidas computando el vector
asociado a los vectores unitarios 𝒂𝟏 , 𝒂𝟐 , … , 𝒂𝒏 puesto que por linealidad el vector
asociado a un vector arbitrario está determinado. Basta entonces computar 𝑇𝐵 ∘ 𝑇𝐴
en las 𝒂𝒊 .

UNADM | DCEIT | MAT |MALI1 17

 (𝑇𝐵 ∘ 𝑇𝐴 )(𝒂𝒊 ) = 𝑇𝐵 (𝑎𝑖1 , 𝑎𝑖2 , … , 𝑎𝑖𝑛 )
= 𝑇𝐵 (𝑎𝑖1 𝒂𝟏 + 𝑎𝑖2 𝒂𝟐 + ⋯ + 𝑎𝑖𝑛 𝒂𝒏 )
= 𝑎𝑖1 𝑇𝐵 (𝒂𝟏 ) + 𝑎𝑖2 𝑇𝐵 (𝒂𝟐 ) + ⋯ + 𝑎𝑖𝑛 𝑇𝐵 (𝒂𝒏 )
= 𝑎𝑖1 (𝑏11 , 𝑏12 , … , 𝑏1𝑛 ) + 𝑎𝑖2 (𝑏21 , 𝑏22 , … , 𝑏2𝑛 ) + ⋯ + 𝑎𝑖𝑛 (𝑏𝑛1 , 𝑏𝑛2 , … , 𝑏𝑛𝑛 )
= (𝑎𝑖1 𝑏11 , 𝑎𝑖1 𝑏12 , … , 𝑎𝑖1 𝑏1𝑛 ) + (𝑎𝑖2 𝑏21 , 𝑎𝑖2 𝑏22 , … , 𝑎𝑖2 𝑏2𝑛 ) +
⋯ + (𝑎𝑖𝑛 𝑏𝑛1 , 𝑎𝑖𝑛 𝑏𝑛2 , … , 𝑎𝑖𝑛 𝑏𝑛𝑛 )
= (𝑎𝑖1 𝑏11 + 𝑎𝑖2 𝑏21 + ⋯ + 𝑎𝑖𝑛 𝑏𝑛1 , 𝑎𝑖1 𝑏12 + 𝑎𝑖2 𝑏22 + ⋯ + 𝑎𝑖𝑛 𝑏𝑛2 ,
… , 𝑎𝑖1 𝑏1𝑛 + 𝑎𝑖2 𝑏2𝑛 + ⋯ + 𝑎𝑖𝑛 𝑏𝑛𝑛 ).

Esto computa el renglón 𝑖 de la matriz asociada a 𝑇𝐵 ∘ 𝑇𝐴 . Definimos 𝐴? 𝐵 como la

matriz que tiene a estos vectores como renglones.

2.3.2. Definición de multiplicación de matrices

A esta operación la llamamos multiplicación de matrices y a la matriz resultante la

llamamos matriz producto. Si en lugar de 𝐴? 𝐵 escribimos simplemente 𝐴𝐵 como el
producto de la matriz 𝐴 con la matriz 𝐵, la condición 𝑇𝐴?𝐵 = 𝑇𝐵 ∘ 𝑇𝐴 se escribe 𝑇𝐴𝐵 =
𝑇𝐵 ∘ 𝑇𝐴 y dice que el isomorfismo de espacios vectoriales que asocia a cada
transformación lineal una matriz también preserva la estructura multiplicativa
aunque invierte el orden.

Esta multiplicación definida hasta ahorita entre matrices de 𝑛 × 𝑛 la podemos

extender a matrices que no son cuadradas usando la misma fórmula que define los
elementos de la matriz producto, es decir, el elemento en el renglón 𝑖 y la columna 𝑗
de la matriz producto se obtiene multiplicando el renglón 𝑖 de la primera matriz
con la columna 𝑗 de la segunda, coordenada por coordenada y sumando los
productos. La fórmula que acabamos de describir nos restringe a multiplicar
matices de tamaño 𝑛 × 𝑚 por matrices de tamaño 𝑚 × 𝑘 y de esta multiplicación
resulta una matiz de tamaño 𝑛 × 𝑘.

UNADM | DCEIT | MAT |MALI1 18

Si consideramos a un renglón como una matriz de tamaño 1 × 𝑛 y a una columna
como una matriz de 𝑛 × 1, el producto de un renglón por una columna es la suma de
los productos de las coordenadas correspondientes y resulta en una matriz de
tamaño 1 × 1.

La correspondencia entre matrices y transformaciones lineales no cuadradas sigue

preservando la correspondencia entre la transformación lineal asociada al producto
de dos matrices y la composición de las transformaciones lineales asociadas a cada
matriz.

Podemos reinterpretar el sistema de ecuaciones lineales

𝑦1 = 𝑥1 𝑎11 + 𝑥2 𝑎21 + ⋯ + 𝑥𝑚 𝑎𝑚1

𝑦2 = 𝑥1 𝑎12 + 𝑥2 𝑎22 + ⋯ + 𝑥𝑚 𝑎𝑚2
⋮
𝑦𝑛 = 𝑥1 𝑎1𝑛 + 𝑥2 𝑎2𝑛 + ⋯ + 𝑥𝑚 𝑎𝑚𝑛

como la multiplicación de la matriz 𝐴𝑡 de tamaño 𝑛 × 𝑚 por el vector columna de

los 𝑥𝑖 , es decir, la matriz de tamaño 𝑚 × 1 formado por las 𝑥𝑖 , para 𝑖 = 1,2, … , 𝑚. Esta
multiplicación da como resultado el vector columna de los 𝑦𝑖 , es decir, la matriz de
tamaño 𝑛 × 1 formado por las 𝑦𝑖 , para 𝑖 = 1,2, … , 𝑚 que son las ecuaciones lineales
anteriores.

𝑦1 𝑎11 𝑎21 … 𝑎𝑚1 𝑥1 𝑎11 𝑥1 + 𝑎21 𝑥2 + ⋯ + 𝑎𝑚1 𝑥𝑚

𝑦2 𝑎12 𝑎22 ⋯ 𝑎𝑚2 𝑥2 𝑎12 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎𝑚2 𝑥𝑚
(⋮)=( ⋮ ⋮ ⋱ ⋮ ) ( ⋮ ) = ( ).
⋮
𝑦𝑛 𝑎1𝑛 𝑎2𝑛 ⋯ 𝑎𝑚𝑛 𝑥𝑛 𝑎1𝑛 𝑥1 + 𝑎2𝑛 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑚

UNADM | DCEIT | MAT |MALI1 19

 Actividad 2. Matrices y transformaciones lineales

Para realizar la actividad resuelve los ejercicios que se incluyen en el documento

Matrices y transformaciones lineales

NOTA:
Se define un álgebra como un espacio vectorial con una operación de multiplicación
entre sus vectores que satisface las siguientes propiedades:
La multiplicación es asociativa, distributiva por la derecha y por la izquierda
respecto a la suma, la multiplicación de un escalar con un producto de matrices
también es asociativa, y la matriz idéntica es una identidad para la multiplicación de
matrices. Sin embargo, la multiplicación no es conmutativa.

Teorema
Las transformaciones lineales con la composición de transformaciones lineales
como producto y las matrices de 𝑚 × 𝑛 con la multiplicación de matrices como
producto son álgebras isomorfas. El isomorfismo que existe entre ellas como
espacios vectoriales preserva el producto puesto que por construcción definimos el
producto de tal forma que 𝑇𝐴𝐵 = 𝑇𝐵 ∘ 𝑇𝐴 .

Fuentes de consulta

Lay, D. C.; Álgebra lineal y sus aplicaciones (tercera edición); México (2007),
Pearson Educación. Corcobado, J. L. y Marijuán, J. Matemáticas I., en:
http://www.sectormatematica.cl/libros.htm>.
Williams, G. (2004). Álgebra lineal con aplicaciones. México: Mc Graw Hill,

UNADM | DCEIT | MAT |MALI1 20

 Bernard Kolman, David R. Hill (2006). Álgebra lineal (8a. Edición). México:
Pearson Educación.

UNADM | DCEIT | MAT |MALI1 21