Álgebra A (Ingeniería)

Apunte de Cátedra
Transformaciones Lineales

Las transformaciones lineales son un tipo especial de funciones entre espacios vectoriales,
que preservan su geometría lineal. Sirven para modelar una gran variedad de opera-
ciones geométricas, tales como rotaciones, simetrías, proyecciones, etc. En este capítulo
estudiaremos su definición, propiedades y aplicaciones.

Los contenidos que se trabajarán son:

1. Formas construir y representar transformaciones lineales
2. Núcleo e imagen
3. Interpretación geométrica
4. Composición e inversa

1 ¿Qué es una transformación lineal?

Comencemos entendiendo la propiedad definitoria de las transformaciones lineales, sus
características principales y la manera de representarlas.

En esta sección estudiaremos:

• Cuál es la definición transformación lineal.
• Ejemplos de varias transformaciones lineales.
• Las propiedades básicas de estas funciones.
• La representación funcional y la representación matricial de una transformación lineal.
• Cómo construir transformaciones lineales.


1
 Álgebra A (Ingeniería) UBA XXI

1.1 ¿Que caracteriza a una transformación lineal?

La idea fundamental de una transformación lineal es que envía un espacio lineal a otro
espacio lineal, respetando las operaciones (de suma y producto por escalar) definidas
en estos espacios. Por ejemplo, envia una recta L a otra recta L0 , pero lo hace de forma
que, entre otras cosas, si el punto P ∈ L es enviado al punto P0 ∈ L0 y, el punto Q ∈ L, a
Q0 ∈ L0 , entonces el punto medio entre P y Q es enviado al punto medio entre P0 y Q0 .
¿Qué característica de una función nos garantiza tener esta propiedad? Sabemos que el
P+Q
punto medio entre P y Q se calcula 2 . Notemos que, si solicitamos que la función en
cuestión envíe “sumas en sumas” (en el sentido que a un punto P + Q lo envíe a P0 + Q0 ) y
que, además, envíe “múltiplos en múltiplos” (en el sentido que a un múltiplo λ P lo envíe
a λ P0 ), entonces tendremos garantizado que el punto medio entre P y Q sea enviado al
P+Q
punto medio entre P0 y Q0 . En efecto, 2 = 12 (P + Q), por lo que es enviado al múltiplo
de 1
2 del destino de P + Q, que es precisamente P0 + Q0 . Estas propiedades de respetar
la suma y el producto por escalar son, entonces, las propiedades características de las
transformaciones lineales.

Definición. Una función T : Rn → Rm es una transformación lineal si cumple las

siguientes dos condiciones:
1. T (λ~v) = λ T (~v) para todo λ ∈ R y para todo ~v ∈ Rn .
2. T (~v + ~w) = T (~v) + T (~w) para todo ~v,~w ∈ Rn .

Observación. Las dos propiedades definitorias de las transformaciones lineales (con-

tenidas en la definición anterior) pueden expresarse informalmente diciendo que “sacan
escalares afuera” y “abren sumas”.

Como una transformación lineal es una función entre un espacio Rn y un espacio Rm ,

entonces, a cada punto (x1 , . . . , xn ) ∈ Rn , le asigna un punto (y1 , . . . , ym ) ∈ Rm . Si llamamos
T a la transformación lineal, entonces T (x1 , . . . , xn ) respresenta al punto (y1 , . . . , ym ) (al
igual que f (x) suele representar la imagen del punto x por la función real f ). Al igual
que las funciones de valores reales, el espacio de salida Rn se lo llama el dominio de
la transformación lineal y al espacio de llegada Rm , el codominio. Como (y1 , . . . , ym )
depende de quién es (x1 , . . . , xn ), entonces cada coordenada de (y1 , . . . , ym ) depende de
las coordenadas x1 , . . . , xn . Veremos en breve que esta dependencia es por medio de una
relación lineal. Por ejemplo, la función T : R2 → R3 , definida por T (x1 , x2 ) = (x1 +
x2 , 5x2 , 3x1 − 2x2 ), es una transformación lineal entre R2 y R3 . El punto (1, 2) ∈ R2 es

2
Documento de Cátedra: Transformaciones Lineales UBA XXI

enviado al punto

T (|{z}
1 , |{z} + 2}, |{z}
2 ) = (1| {z − 2.2}) = (3, 10, −1) ∈ R3
5.2 , |3.1 {z
x1 x2 x1 +x2 5x2 3x1 −2x2

 Ejemplo 1.
• Si T : R3 → R2 está definida por T (x1 , x2 , x3 ) = (2x1 + x2 − x3 , x1 − 4x3 ), entonces T
es una transformación lineal. Veamos que cumple las dos condiciones de la definición.
Para ver que saca escalares afuera, veamos cuánto es T (λ (x1 , x2 , x3 )) para cualquier
λ ∈ R:
T (λ (x1 , x2 , x3 )) = T (λ x1 , λ x2 , λ x3 )
.
= (2λ x1 + λ x2 − λ x3 , λ x1 − 4λ x3 )
Nuestro objetivo es ver que esta última expresión es igual a λ T (x1 , x2 , x3 ). Para ello,
saquemos λ de factor común:

T (λ (x1 , x2 , x3 )) = (2λ x1 + λ x2 − λ x3 , λ x1 − 4λ x3 )


= λ (2x1 + x2 − x3 ), λ (x1 − 4x3 )
= λ (2x1 + x2 − x3 , x1 − 4x3 )
= λ T (x1 , x2 , x3 ).

Esto prueba que T cumple la primera condición para ser transformación lineal.
Veamos ahora que T también abre sumas:

T ((x1 , x2 , x3 ) + (y1 , y2 , y3 )) = T (x1 + y1 , x2 + y2 , x3 + y3 )

= 2(x1 + y1 ) + (x2 + y2 ) − (x3 + y3 ), (x1 + y1 ) − 4(x3 + y3 )
= (2x1 + 2y1 + x2 + y2 − x3 − y3 , x1 + y1 − 4x3 − 4y3 ).

Debemos ver que esta última expresión es igual a T (x1 , x2 , x3 ) + T (y1 , y2 , y3 ). Para
ello, agrupemos, por un lado, las coordenadas con x1 , x2 o x3 y, por el otro, las que
tienen y1 , y2 o y3 . Entonces:

T ((x1 , x2 , x3 ) + (y1 , y2 , y3 )) = (2x1 + 2y1 + x2 + y2 − x3 − y3 , x1 + y1 − 4x3 − 4y3 )

= (2x1 + x2 − x3 , x1 − 4x3 ) + (2y1 + y2 − y3 , y1 − 4y3 )
= T (x1 , x2 , x3 ) + T (y1 , y2 , y3 ).

Con esto, hemos terminado de probar que T es una transformación lineal.

• Si T : R3 → R2 está ahora definida por T (x1 , x2 , x3 ) = (2x1 + x2 − x3 + 1, x1 − 4x3 ),
entonces T no es una transformación lineal. Por ejemplo, no se cumple la segunda
condición: T ((0, 0, 0) + (0, 0, 0)) = T (0, 0, 0) = (1, 0). Pero T (0, 0, 0) + T (0, 0, 0) =
(1, 0) + (1, 0) = (2, 0).

3
 Álgebra A (Ingeniería) UBA XXI

• Por último, si T : R3 → R2 está definida por T (x1 , x2 , x3 ) = (2x1 + x2 − x3 , x12 − 4x3 ),

entonces T tampoco es una transformación lineal. No se cumple, por ejemplo, la
primera condición: T (2(1, 0, 0)) = T (2, 0, 0) = (2, 4), pero 2T (1, 0, 0) = 2(1, 1) =
(2, 2).


Los siguientes son ejemplos de funciones que siempre son transformaciones lineales:
• La función nula 0 : Rn → Rm , dada por 0(~v) = ~0 ∈ Rm para todo ~v ∈ Rn .
• La función identidad id : Rn → Rn , dada por id(~v) =~v para todo ~v ∈ Rn .
• La función lineal con ordenada al origen cero f : R → R, dada por f (x) = ax para
todo x ∈ R.

Experimento 1. Muestren que una transformación lineal T : Rn → Rm cumple las

siguientes propiedades:
• T (~0) = ~0;
• T (−~v) = −T (~v) para todo ~v ∈ Rn ;
• T (~v − ~w) = T (~v) − T (~w) para todo ~v,~w ∈ Rn ;
• T (α1~v1 + α2~v2 + · · · + αr~vr ) = α1 T (~v1 ) + α2 T (~v2 ) + · · · + αr T (~vr ) para todo
α1 , α2 , · · · , αr ∈ R y ~v1 ,~v2 , · · · ,~vr ∈ Rn .


Observación. Notemos que la última propiedad del experimento anterior dice que las
transformaciones lineales mandan una combinación lineal de los v1 , . . . , vr en la misma
combinación lineal en los T (v1 ), . . . , T (vr ) (en el sentido que los coeficientes son los
mismos).

1.2 Forma funcional y matricial de una transformación lineal

Analicemos la tranformación lineal T : R3 → R2 del primer ejemplo del parágrafo anterior

con más detalle. Recordemos la fórmula: T (x1 , x2 , x3 ) = (2x1 + x2 − x3 , x1 − 4x3 ). Esta
es la forma funcional de la transformación lineal (está escrita en forma de función).
Recordemos que la base canónica de Rn es la base de este espacio compuesta por los
vectores {(1, 0, 0, . . . , 0, 1), (0, 1, 0, . . . , 0, 1), . . . , (0, 0, 0, . . . , 0, 1)}. En particular, la base
canónica de R3 es {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Veamos qué hace T con los vectores de
esta base.
• T (1, 0, 0) = (2.1 + 0 − 0, 1 − 4.0) = (2, 1),
• T (0, 1, 0) = (2.0 + 1 − 0, 0 − 4.0) = (1, 0),
• T (0, 0, 1) = (2.0 + 0 − 1, 0 − 4.1) = (−1, −4).

4
Documento de Cátedra: Transformaciones Lineales UBA XXI

En general, para un punto (x1 , x2 , x3 ) ∈ R3 cualquiera, tenemos:

T (x1 , x2 , x3 ) = T (x1 (1, 0, 0) + x2 (0, 1, 0) + x3 (0, 0, 1))

= T (x1 (1, 0, 0)) + T (x2 (0, 1, 0)) + T (x3 (0, 0, 1))
= x1 T (1, 0, 0) + x2 T (0, 1, 0) + x3 T (0, 0, 1)
= x1 (2, 1) + x2 (1, 0) + x3 (−1, −4)
= (2x1 , x1 ) + (x2 , 0) + (−x3 , −4x3 )
= (2x1 + x2 − x3 , x1 − 4x3 ).

¿Qué pasó al final? ¡Volvimos a la fórmula original! Es que, al saber lo que hace una
transfomación lineal en una base del dominio, se puede deducir lo que hace con un
vector cualquiera. Volveremos sobre esta idea en la siguiente sección. Por otra parte,
observemos que la última expresión se puede reescribir en forma matricial de la siguiente
manera:
 
! x1
2 1 −1  
(2x1 + x2 − x3 , x1 − 4x3 ) = · .
x2 
1 0 −4 
x3

2 1 −1


La matriz A = 1 0 −4 es la matriz asociada a la transfomación lineal T . En sus columnas
tiene, en orden, las imágenes de los vectores de la base canónica. Notemos que, como T
va de R3 a R2 , entonces A ∈ R2×3 .
Definición. Dada una transformación lineal T : Rn → Rm , existe una única matriz
A ∈ Rm×n tal que T puede escribirse en la forma:
 
x1
.
T (x1 , . . . , xn ) = A ·  .
.
xn

o equivalentemente,
T (~v) = A ·~v,

donde el vector ~v = (x1 , . . . , xn ). La representación T (x) = A · · · x se llama expresión

matricial canónica de T y a la matriz A se la denomina la matriz de la transformación
lineal T . La matriz A tiene en la columna i-ésima a vector T (~ei ), con ~ei el i-ésimo vector
de la base canónica de Rn (es decir, el vector que tiene un 1 en la coordenada i y 0 en el
resto de las coordenadas).

Si ahora consideramos una matriz A ∈ Rm×n y definimos una función T : Rn → Rm por

5
 Álgebra A (Ingeniería) UBA XXI

medio de la fórmula:  
x1
.
T (x1 , . . . , xn ) = A ·  .
 . ,
xn
entonces es fácil ver que T resulta una transformación lineal. Por lo tanto, a cada trans-
formación lineal le corresponde una matriz (su matriz asociada canónica) y a cada
matriz le corresponde una transformación lineal (la determinada por la multipli-
cación de un vector por la matriz). Por lo tanto, la forma funcional y la forma matricial
son maneras equivalentes de representar una misma transformación lineal.

 Ejemplos 2.
• La matriz asociada a la transformación lineal T (x1 , x2 ) = (x1 + x2 , 5x2 , 3x1 − 2x2 ) es
1 1 
0 5 . Por lo tanto, la forma matricial de T es
3 −2
 
1 1
 
T (~v) = 
0 5 ·~v.
3 −2

2 0 −1 0
∈ R2×4 tiene por forma


• La transformación lineal asociada a la matriz 5 3 0 −2
funcional a T (x1 , x2 , x3 , x4 ) = (2x1 − x3 , 5x1 + 3x2 − 2x4 ).


Observación. Notemos que, cuando la transformación lineal es dentro del mismo

espacio Rn , entonces la matriz asociada es cuadrada.

1.3 Cómo construir transformaciones lineales

Dijimos en el parágrafo anterior que una transformación lineal queda completamente
determinada por los valores que toma en una base de su dominio. Veamos un ejemplo.
Hallemos, si es posible, una transformación lineal T : R2 → R3 tal que T (1, 0) = (1, 0, 1) y
T (0, 1) = (1, 2, 3). Buscamos la expresión funcional de T . Dado (x1 , x2 ) ∈ R2 cualquiera,
se puede escribir:
(x1 , x2 ) = x1 (1, 0) + x2 (0, 1).

Si aplicamos T a ambos lados de la igualdad, tenemos:

T (x1 , x2 ) = T (x1 (1, 0) + x2 (0, 1)).

Como estamos buscando una transformación lineal, entonces debemos requerir que T abra
sumas y saque escalares afuera. Por lo tanto, si abrimos primero la suma y, luego, sacamos

6
Documento de Cátedra: Transformaciones Lineales UBA XXI

los escalares x1 , x2 afuera, obtenemos:

T (x1 , x2 ) = x1 T (1, 0) + x2 T (0, 1).

Dado que T (1, 0) y T (0, 1) son datos, queda:

T (x1 , x2 ) = x1 (1, 0, 1) + x2 (1, 2, 3) = (x1 , 0, x1 ) + (x2 , 2x2 , 3x2 ) = (x1 + x2 , 2x2 , x1 + 3x2 ).

Esta es la forma funcional de una transformación lineal. Notemos que T quedó unívoca-
mente determinada por los valores T (1, 0) y T (0, 1): la transformación lineal tiene que ser
necesariamente T (x1 , x2 ) = (x1 + x2 , 2x2 , x1 + 3x2 ). Esto tiene que ver con que tenemos el
dato de cuanto vale T en los vectores de una base. ¿Qué hubiera sucedido si nos hubieran
dado los valores de T en una base que no es canónica? Miren el siguiente ejemplo.

 Ejemplo 3. Hallemos, si es posible, una transformación lineal T : R2 → R3 tal que

T (1, 1) = (1, 0, 1) y T (−1, 1) = (1, 2, 3). En este caso, nos dan como dato los valores de
la transformación lineal en la base {(1, 1), (1, −1)}, que no es la base canónica. Pero esto
no representa inconveniente alguno, ya que podemos realizar el mismo razonamiento que
acabamos de hacer. Dado (x1 , x2 ) ∈ R2 cualquiera, como {(1, 1), (1, −1)} es base de R2 , se
puede escribir
(x1 , x2 ) = α1 (1, 1) + α2 (1, −1).

En este caso, hay que trabajar un tanto más pues debemos hallar α1 y α2 . Si desarrollamos
la expresión anterior, queda:

(x1 , x2 ) = (α1 , α1 ) + (α2 , −α2 ) = (α1 + α2 , α1 − α2 ).

Si igualamos coordenada a coordenada, obtenemos un sistema de dos ecuaciones y dos

ingógnitas del que queremos despejar α2 y α2 :

α1 + α2 = x1
α − α = x
1 2 2

x1 + x2
Si usamos, por ejemplo, las herramientas del capítulo anterior, vemos que α1 = y
2
x1 − x2
α2 = . Entonces, podemos escribir:
2
x1 + x2 x1 − x2
(x1 , x2 ) = (1, 1) + (1, −1).
2 2

7
Álgebra A (Ingeniería) UBA XXI

Si aplicamos T a ambos lados de la igualdad:

x1 + x2 x1 − x2
T (x1 , x2 ) = T (1, 1) + T (1, −1)
2 2
x1 + x2 x1 − x2
= (1, 0, 1) + (1, 2, 3)
 2 2  
x1 + x2 x1 + x2 x1 − x2 x1 − x2 x1 − x2
= , 0, + ,2 ,3
 2 2 2 2 2 
1 1 1 1 1 1 3 3
= x1 + x2 + x1 − x2 , x1 − x2 , x1 + x2 + x1 − x2
2 2 2 2 2 2 2 2
= (x1 , x1 − x2 , 2x1 − x2 )

Y esta es la fórmula de la transformación lineal pedida. 

El razonamiento que hicimos en el ejemplo anterior se puede realizar en una transformación

lineal T : Rn → Rm general: si {~v1 ,~v2 , · · · ,~vn } es una base de Rn , entonces todo ~v ∈ Rn se
escribe como combinación lineal de la base:

~v = α1~v1 + α2~v2 + · · · + αn~vn .

Si aplicamos T a ambos miembros y usamos las propiedades definitorias de las transfor-

maciones lineales, obtenemos:

T (~v) = α1 T (~v1 ) + α2 T (~v2 ) + · · · + αn T (~vn ).

Por lo tanto, para calcular T (~v), para cualquier ~v ∈ Rn , solo necesitamos conocer T (v1 ),
T (v2 ), . . ., T (vn ).
Teorema 1. Si {v1 , v2 , · · · , vn } es una base de Rn y w1 , w2 , · · · , wn son vectores (no
necesariamente distintos) en Rm , entonces hay una única transformación lineal T :
Rn → Rm tal que T (v1 ) = w1 , T (v2 ) = w2 , . . . , T (vn ) = wn .

Notemos que, en el enunciado del teorema anterior, no hay restricciones sobre quienes
pueden ser los w1 , . . . , wn ∈ Rn . Pueden ser vectores cualesquiera. Por ejemplo, halle-
mos, si es posible, una transformación lineal T : R3 → R3 tal que T (1, 0, 0) = (1, 1, 2),
T (0, 1, 0) = (−1, 2, 3) y T (2, 2, 1) = (0, 1, 2). Este caso es análogo a la construcción que
realizamos en el ejemplo anterior, dado que {(1, 0, 0), (0, 1, 0), (2, 2, 1)} es una base de R3 .
Si (x1 , x2 , x3 ) ∈ R3 es un elemento cualquiera, entonces

(x1 , x2 , x3 ) = α1 (1, 0, 0) + α2 (0, 1, 0) + α3 (2, 2, 1).

Dejamos como ejercicio verificar que se obtiene el siguiente sistema de ecuaciones:


α + 2α3 = x1
 1



α2 + 2α3 = x2



α =x 3 3

8
Documento de Cátedra: Transformaciones Lineales UBA XXI
x1 − x3 x2 − x3
La única solución de este sistema es α1 = , α2 = y α3 = x3 . Por lo tanto,
2 2
x1 − x3 x2 − x3
(x1 , x2 , x3 ) = (1, 0, 0) + (0, 1, 0) + x3 (2, 2, 1).
2 2
Si aplicamos T a ambos lados, resulta:
x1 − x3 x2 − x3
T (x1 , x2 , x3 ) = T (1, 0, 0) + T (0, 1, 0) + x3 T (2, 2, 1)
2 2
x1 − x3 x2 − x3
= (1, 1, 2) + (−1, 2, 3) + x3 (0, 1, 2)
 2 2 
x1 − x2 x1 + 2x2 − x3 2x1 + 3x2 − x3
= , ,
2 2 2
Esta es la forma funcional de T .

Importante. Si los datos no están formulados sobre una base de Rn , pueden pasar varias
cosas: o bien no existe una transformación lineal que verifique los datos pedidos, o bien
existe, pero no es es única. 

 Ejemplos 4.
• Hallemos, si es posible, una transformación lineal T : R3 → R3 tal que T (1, 0, 0) =
(1, 1, 2), T (0, 1, 0) = (−1, 2, 3) y T (2, 2, 0) = (0, 1, 3). Notemos que
{(1, 0, 0), (0, 1, 0), (2, 2, 0)} no es una base de R3 . En efecto,

(2, 2, 0) = 2(1, 0, 0) + 2(0, 1, 0).

Si existiera una transformación lineal que verifique los datos proporcionados debería,
por las propiedades de las transformaciones lineales, preservar esa relación:

T (2, 2, 0) = 2T (1, 0, 0) + 2T (0, 1, 0).

Sin embargo, se tiene:

T (2, 2, 0) = (0, 1, 3) 6= (0, 6, 10) = 2(1, 1, 2) + 2(−1, 2, 3) = 2T (1, 0, 0) + 2T (0, 1, 0).

Concluimos que no existe una transformación lineal verificando los datos propor-
cionados: las condiciones impuestas son incompatibles.
• Hallemos ahora, y si es posible, una transformación lineal T : R3 → R3 tal que:
T (1, 0, 0) = (1, 1, 2), T (0, 1, 0) = (−1, 2, 3) y T (2, 2, 0) = (0, 6, 10). Notemos que
los datos para construir la transformación lineal, en este caso, son idénticos a los del
ejemplo anterior, salvo que, ahora, el vector (2, 2, 0) va a parar al (0, 6, 10) (en lugar
del (0, 1, 3)). Si revisamos el ejemplo anterior, vemos que ahora sí es compatible
el valor que toma (2, 2, 0) con los valores que toman los otros dos vectores dato.
¿Qué sucede en este caso? El último dato no nos aporta información ni restricciones

9
 Álgebra A (Ingeniería) UBA XXI

sobre la transformación lineal T que estamos buscando. Como vimos antes, podría
determinar que no exista la transformación lineal (si fuese incompatible con las otras),
pero si es compatible, no nos dice nada. ¿Cómo definimos entonces una T que
satisfaga los datos requeridos? La forma más fácil de definir una transformación
lineal es decir qué valores toma en una base. Extendamos, entonces, el conjunto
{(1, 0, 0), (0, 1, 0)} (que son los vectores linealmente independientes de los cuales
podemos utilizar los datos proporcionados) a una base de R3 ; por ejemplo, a la base
canónica {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Dado que T (1, 0, 0) = (1, 1, 2) y T (0, 1, 0) =
(−1, 2, 3), nos falta determinar T (0, 0, 1). Pero el valor de T (0, 0, 1) lo podemos
elegir sin restricciones! Esto nos dice que existen infinitas posibles transformaciones
lineales que verifiquen lo pedido: las condiciones impuestas son compatibles pero no
la determinan de manera única. Por ejemplo, podemos decidir T (0, 0, 1) = (0, 0, 0).
En ese caso, nos quedaría la transformación lineal:

T (x1 , x2 , x3 ) = (x1 − x2 , x1 + 2x2 , 2x1 + 3 − x3 ),

cuya fórmula les dejamos para verificar por su cuenta.



¿Qué hicimos en la Sección 1?

• Aprendimos la idea detrás de la noción de transformación lineal: una función que preserva
la estructura de los espacios lineales (manda unos en otros).
• La definición formal de transformación lineal: “abre sumas” y “saca escalares afuera”.
• Las propiedades básicas de las transformaciones lineales.
• La forma funcional y la forma matricial de una transformación lineal.
• Vimos cómo construir transformaciones lineales.


2 Núcleo e imagen

Muchas propiedades de una transformación lineal se pueden estudiar partir de su compor-

tamiento respecto de ciertos subespacios del dominio o del codominio.

En esta sección estudiaremos:

• Las definiciones de núcleo y de imagen de una transformación lineal.
• La clasificación de transformaciones lineales según sean inyectivas, suryectivas o biyecti-
vas.


10
 Documento de Cátedra: Transformaciones Lineales UBA XXI

2.1 Imagen
Consideremos T : Rn → Rm una transformación lineal. Dado ~v ∈ Rn , llamamos al vector
T (~v) ∈ Rm la imagen de ~v por la transformación lineal T . En general, si S ⊆ Rn es
un subconjunto de Rn , podemos calcular T (S), la imagen de S por T , que se obtiene
calculando, “todas juntas”, las imágenes por T de todos los vectores ~v ∈ S. Es decir,

T (S) = {T (~v) :~v ∈ S} = {w ∈ Rm : w = T (~v) para algún ~v ∈ S}.

T (S) es un subconjunto de Rm . Para verificar si un vector dado ~w ∈ Rm pertenece a T (S),

debemos hallar un ~v ∈ S de modo que ~w = T (~v) (en este caso, ~v se llama la preimagen del
vector ~w). Este procedimiento es muy parecido al que se realiza cuando se busca hallar la
imagen de una función.

Definición. Si T : Rn → Rm es una transformación lineal, la imagen de T es el conjunto

Im(T ) = T (Rn ) = {w ∈ Rm : w = T (v) para algún v ∈ Rn }.

La imagen de una transformación lineal es, entonces, el conjunto de todos los valores
que puede tomar T .

Experimento 2. Muestren que, si S es un subespacio de Rn , entonces T (S) es un

subespacio de Rm . 

El experimento anterior nos dice que una transformación lineal manda subespacios en
subespacios. En particular, dado que Rn es un subespacio de sí mismo, entonces Im(T ) =
T (Rn ) es un subespacio de Rm .

¿Cómo hallar la imagen de una transformación lineal?

Lo vemos en un ejemplo. Consideremos la transformación lineal T : R3 → R3 definida por
T (x1 , x2 , x3 ) = (x1 + x2 , x2 − x3 , 2x1 − 3x2 + x3 ). Por definición, un elemento (y1 , y2 , y3 ) ∈
R3 pertenece a Im(T ) si, y sólo si, se puede escribir como (y1 , y2 , y3 ) = T (x1 , x2 , x3 ) para
algún (x1 , x2 , x3 ) ∈ R3 . Como T (x1 , x2 , x3 ) = (x1 + x2 , x2 − x3 , 2x1 − 3x2 + x3 ), entonces
buscamos los (y1 , y2 , y3 ) ∈ R3 tales que

(y1 , y2 , y3 ) = (x1 + x2 , x2 − x3 , 2x1 − 3x2 + x3 )

Pero:

(x1 + x2 , x2 − x3 , 2x1 − 3x2 + x3 ) = (x1 , 0, 2x1 ) + (x2 , x2 , −3x2 ) + (0, −x3 , x3 )

= x1 (1, 0, −2) + x2 (1, 1, −3) + x3 (0, −1, 1)

11
Álgebra A (Ingeniería) UBA XXI

Concluimos que (y1 , y2 , y3 ) = x1 (1, 0, −2)+x2 (1, 1, −3)+x3 (0, −1, 1); o sea, (y1 , y2 , y3 ) =
h(1, 0, −2), (1, 1, −3), (0, −1, 1)i = h(1, 0, −2), (1, 1, −3)i. Por lo tanto, hemos hallado
que Im(T ) = h(1, 0, −2), (1, 1, −3)i.
Podemos dar otra manera de calcular Im(T ). Consideremos la definición de imagen
siguiente:
Im(T ) = T (Rn ) = {T (x1 , x2 , x3 ) : (x1 , x2 , x3 ) ∈ Rn }.

Sabemos que {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de R3 , y todo vector (x1 , x2 , x3 ) ∈ R3
se escribe como combinación lineal de esta base de la siguiente manera:

(x1 , x2 , x3 ) = x1 (1, 0, 0) + x2 (0, 1, 0) + x3 (0, 0, 1)

Si aplicamos la transformación lineal a ambos lados, obtenemos:

T (x1 , x2 , x3 ) = x1 T (1, 0, 0) + x2 T (0, 1, 0) + x3 T (0, 0, 1);

es decir, ¡los vectores de la imagen son las combinaciones lineales de {T (1, 0, 0), T (0, 1, 0), T (0, 0, 1)}!
Por lo tanto:

Img(T ) = T (Rn ) = hT (1, 0, 0), T (0, 1, 0), T (0, 0, 1)i

= h(1, 0, −2), (1, 1, −3), (0, −1, 1)i
= h(1, 0, −2), (1, 1, −3)i.

Este último procedimiento para calcular la imagen de una transformación lineal se puede
realizar en forma general:
Teorema 2. Sea T : Rn → Rm una transfomación lineal. Si B = {v1 , v2 , . . . , vn } es una
base de Rn , entonces {T (~v1 ), T (~v2 ), . . . , T (~vn )} es un sistema de generadores de Im(T ).

Importante. Si B = {~v1 ,~v2 , · · · ,~vn } es una base, entonces {T (~v1 ), T (~v2 ), · · · , T (~vn )} no
necesariamente es una base de Im(T ); los vectores T (~v1 ), . . . , T (~vn ) podrían resultar
linealmente dependientes. 

Si T : R3 → R2 es una transformación lineal, ¿puede ocurrir que dim(Img(T )) = 3?

¿Cuánto puede valer como máximo dim(Im(T ))? ¿Y si T : R3 → R4 ?

 Ejemplo 5. Sean S y W dos subespacios de R3 definidos por S = h(1, 2, −1), (0, 1, 3)i y
W = {(x1 , x2 , x3 , x4 ) ∈ R4 : x1 + x2 = 0, x3 − 2x4 = 0}. Hallemos, si existe, una transforma-
ción lineal T : R3 → R4 que verifique T (S) = W . En primer lugar, busquemos la descripción

12
 Documento de Cátedra: Transformaciones Lineales UBA XXI

por generadores de T :

V = {(x1 , x2 , x3 , x4 ) ∈ R4 : x1 + x2 = 0, x3 − 2x4 = 0}
= {(x1 , x2 , x3 , x4 ) ∈ R4 : x1 = −x2 , x3 = 2x4 }
= {(−x2 , x2 , 2.x4 , x4 ) ∈ R3 : x2 , x4 ∈ R}
= {x2 (−1, 1, 0, 0) + x4 (0, 0, 2, 1) : x2 , x4 ∈ R}
= h(−1, 1, 0, 0), (0, 0, 2, 1)i

Para definir una transformación lineal T : R3 → R4 , basta especificar los valores que toma
en una base del dominio (en este caso, R3 ). Como queremos asegurarnos que T (S) = W ,
debemos “manipular” convenientemente las imágenes de los vectores de la base de S. Exten-
demos la base de S a una base de todo R3 ; por ejemplo, B = {(1, 2, −1), (0, 1, 3), (0, 0, 1)}
es una posible base de R3 . Ahora, definimos:
• T (1, 2, −1) = (−1, −1, 0, 0)
• T (0, 1, 3) = (0, 0, 2, 1),
lo que nos garantiza que T (S) ⊂ W . ¿Qué sucede con T (0, 0, 1)? Dado que (0, 0, 1) ∈
/ S,
no hay restricciones para determinar T (0, 0, 1). Podemos elegir, por ejemplo, T (0, 0, 1) =
(0, 0, 0, 1). Dado que:

T (S) = hT (1, 2, −1), T (0, 1, 3)i = h(−1, −1, 0, 0), (0, 0, 2, 1)i = W,

la transformación lineal así definida satisface T (S) = W . 

Experimento 3. Consideren una transformación lineal T : Rn → Rm . Verifiquen

que la matriz canónica asociada a T tiene, en sus columnas, a las imágenes por T de
los vectores de a base canónica de Rn . 

Observación. Notemos que, del experimento anterior, podemos concluir que Im(T )
está generada por los vectores columna de AT y que dim(Im(T )) = rg(AT ).

2.2 Núcleo
Para una transformación lineal T : Rn → Rm y un vector ~w ∈ Rm , nos interesará averiguar
qué vectores ~v ∈ Rn tienen como imagen a ~w; es decir, T (~v) = ~w. Recordemos que este
conjunto se llama la preimagen de w por T , y se define por:

T −1 (~w) = {~v ∈ Rn : T (~v) = ~w}.

En general, si W ⊆ Rm es un subconjunto de Rm , la preimagen de W por T es el conjunto

de vectores ~v ∈ Rn cuya imagen pertenece a W . Es decir:

T −1 (W ) = {~v ∈ Rn : T (~v) ∈ W }.

13
Álgebra A (Ingeniería) UBA XXI

En particular, nos interesará calcular el conjunto de vectores del dominio donde la transfor-
mación lineal se anula. Este conjunto se denomina núcleo de T , y se puede pensar como el
“conjunto de ceros” de la función T .

Definición. Si T : Rn → Rm es una transformación lineal, el núcleo de T es el conjunto

Nu(T ) = T −1 (~0) = {~v ∈ Rn : T (~v) = ~0}.

Experimento 4. Comprueben que, si W es un subespacio de Rm , entonces T −1 (W )

es un subespacio de Rn . 

Notemos, del experimento anterior, que, dado que {0} es un subespacio de Rm , entonces
Nu(T ) = T −1 (0) es siempre un subespacio de Rn .

 Ejemplo 6. Sea T : R3 → R2 la transformación lineal definida por T (x1 , x2 , x3 ) = (x1 −

x2 , x2 − x3 ). Entonces:

Nu(T ) = {(x1 , x2 , x3 ) ∈ R3 : T (x1 , x2 , x3 ) = (0, 0)}

= {(x1 , x2 , x3 ) ∈ R3 : (x1 − x2 , x2 − x3 ) = (0, 0)}
= (x1 , x2 , x3 ) ∈ R3 : x1 − x2 = 0 , x2 − x3 = 0


= {(x1 , x2 , x3 ) ∈ R3 : x1 = x2 , x3 = x2 }
= {(x2 , x2 , x2 ) ∈ R3 : x2 ∈ R}
= h(1, 1, 1)i

Observemos que, para hallar Nu(T ), tuvimos que resolver el sistema de ecuaciones:

x1 − x2 = 0
,
x − x = 0
2 3

que proviene de igualar a cero cada coordenada de la expresión de T . La expresión matricial

de este sistema es:  
x1 !
1 −1 0  
· x2 

0 1 −1  
x3
1 −1 0


¡Notemos que la matriz 0 1 −1 es la matriz AT asociada a T ! 

La situación del ejemplo anterior ocurre en general. Lo enunciamos en la siguiente

observación.
Observación. Si T : Rn → Rm es una transformación lineal y AT es la matriz canónica
asociada a T , entonces Nu(T ) es el espacio de soluciones de sistema homogéneo

14
 Documento de Cátedra: Transformaciones Lineales UBA XXI

AT ·~x = ~0.
Si T : Rn → Rm es una transformación lineal, Nu(T ) es un subespacio del dominio e Im(T )
es un subespacio del codominio; es decir, estos subespacios “viven” en lugares distintos.
Sin embargo, hay una relación muy fuerte entre sus dimensiones:

Teorema 3 — Teorema de la dimensión. Para cualquier transformación lineal T :

Rn → Rm , vale que:
dim(Nu(T )) + dim(Im(T )) = n.

Es decir, la suma de la dimensión del núcleo y la dimensión de la imagen coincide con

la dimensión del dominio de la transformación lineal.

2.3 Clasificación de transformaciones lineales

Vamos a estudiar cómo se clasifican las transformaciones lineales según sean suryectivas,
inyectivas o biyectivas.

Definición. Decimos que una transformación lineal T : Rn → Rm es:

• Monomorfismo si es inyectiva, esto es, si verifica que si T (~v) = T (~w) entonces
~v = ~w.
• Epimorfismo si es suryectiva, esto es, si Im(T ) = Rm .
• Isomorfismo si es biyectiva, es decir, si es monomorfismo y epimorfismo.

Verificar la inyectividad en una función f : Rn → Rm cualquiera puede resultar bastante

complicado, pues hay que verificar que a cada vector de la imagen de f proviene de
un único vector del dominio. En otras palabras, la función f es inyectiva si, para cada
~w ∈ Im( f ), f −1 (~w) tiene un único elemento.
Para transformaciones lineales, verificar inyectividad es más simple. Sabemos que toda
transformación lineal T tiene al vector nulo ~0 ∈ Rm en la imagen, y que T (~0) = ~0. Si T
es monomorfismo, entonces ~0 ∈ Rn debe ser el único vector del dominio que llegue a ~0.
Es decir, T −1 (0) = Nu(T ) debe ser igual al subespacio nulo {~0}. Pero aún nos faltaría
verificar que T −1 (~w) tiene un único elemento para el resto de los vectores ~w en la imagen.
La buena noticia es que, para transfomaciones lineales, esto no es necesario.
Proposición 4 Si T : Rn → Rm es una transformación lineal, entonces T es monomorfismo
si y solo si Nu(T ) = {~0}.

No es difícil demostrar esta proposición. Es claro que, si T es monomorfismo, entonces

Nu(T ) = {~0} (¿se dan cuenta por qué?). Para ver la otra implicación, supongamos que
Nu(T ) = {~0} pero que existe un vector no nulo ~w ∈ Rm que es imagen de dos vectores

15
Álgebra A (Ingeniería) UBA XXI

~v1 ,~v2 distintos. ¿Qué sucede con el vector ~v1 −~v2 ? ¿Cuál es su imagen? Usando las
propiedades de la tranformación lineal tenemos:

T (~v1 −~v2 ) = T (~v1 ) − T (~v2 ) = ~w − ~w = ~0.

O sea, el vector ~v1 −~v2 ∈ Nu(T ). Pero este vector no es el vector nulo, pues estábamos
asumiedo que ~v1 y ~v2 eran distintos. Esto contradice que Nu(T ) = {~0}, que era una de
nuestras hipótesis. Esto prueba la proposición anterior.
Vimos anterioremente que, si {~v1 ,~v2 , . . . ,~vr } es linealmente independiente, entonces no
necesariamente {T (~v1 ), T (~v2 ), . . . , T (~vr )} resulta linealmente independiente. Se puede
mostrar que, si la transformación lineal es un monomorfismo, entonces sí se verifica esta
condición:
Proposición 5 Si T : Rn → Rm es una transformación lineal. Si T es monomorfismo y
{~v1 ,~v2 , . . . ,~vr } ⊆ Rn es linealmente independiente, entonces {T (~v1 ), T (~v2 ), . . . , T (~vr )} es
linealmente independiente. En particular, dim(Im(T )) = n.
Notemos que, si T : Rn → Rm es monomorfismo y {~v1 ,~v2 , . . . ,~vn } ⊆ Rn es una base de Rn ,
entonces {T (~v1 ), T (~v2 ), . . . , T (~vn )} es una base de Im(T ). Si además T es epimorfismo,
entonces Im(T ) = Rm . En este caso, debe necesariamente ocurrir que n = m y que
{T (~v1 ), T (~v2 ), . . . , T (~vn )} es, en realidad, una base de Rn . Podemos enunciarlo de la
siguiente manera:
Proposición 6 Sea T : Rn → Rn una transformación lineal. Entonces T es isomorfismo
si, y solo si, T manda bases en bases; es decir, si {~v1 ,~v2 , . . . ,~vn } es una base de Rn ,
{T (~v1 ), T (~v2 ), . . . , T (~vn )} también es una base de Rn .

 Ejemplos 7. Veamos varios problemas sobre cómo hallar transformaciones lineales con
condiciones impuestas.
• Hallemos, si es posible, una transformación lineal T : R2 → R3 tal que Nu(T ) =
{(x1 , x2 ) ∈ R2 : 2x1 − x2 = 0} e Im(T ) = h(1, 0, 1)i. Escribamos un sistema de
generadores de Nu(T ):

Nu(T ) = {(x1 , x2 ) ∈ R2 : 2x1 − x2 = 0}

= {(x1 , x2 ) ∈ R2 : 2x1 = x2 }
= {(x1 , 2x1 ) ∈ R2 : x1 ∈ R}
= h(1, 2)i

Definamos la transformación lineal buscada exhibiendo las imágenes por T de una

base del dominio. Extendamos {(1, 2)} a una base de R2 ; por ejemplo, {(1, 2), (0, 1)}.

16
Documento de Cátedra: Transformaciones Lineales UBA XXI

Dado que (1, 2) ∈ Nu(T ) y (1, 0, 1) ∈ Im(T ), podemos poner:

– T (1, 2) = (0, 0, 0)
– T (0, 1) = (1, 0, 1)
Sabemos que, entonces, existe una única transfomación lineal que cumple estas
asignaciones. Verifiquemos que se cumplen las condiciones pedidas. Por un lado,
tenemos:

Im(T ) = hT (1, 2), T (0, 1)i = h(0, 0, 0), (1, 0, 1)i = h(1, 0, 1)i.

Por otro lado, veamos que Nu(T ) = h(1, 2)i. Por definición, (1, 2) ∈ Nu(T ) y, en-
tonces, h(1, 2)i ⊆ Nu(T ). ¿Puede ocurrir que Nu(T ) sea “más grande” que el sube-
spacio h(1, 2)i? Si recordamos el Teorema de la dimensión (en la página 15), se tiene
que dim(Nu(T )) + dim(Im(T )) = dim(R2 ) = 2. Dado que dim(Im(T )) = 1, resulta
necesariamente dim(Nu(T )) = 1. Por lo tanto, h(1, 2)i = Nu(T ).
• Hallemos ahora, si es posible, una transformación lineal T : R3 → R3 tal que T sea
epimorfismo y Nu(T ) = h(1, 1, 2)i. En este caso, si existiera una tal transforma-
ción lineal, debería verificarse, nuevamente por el Teorema de la dimensión, que
dim(Nu(T )) + dim(Im(T )) = 3. Pero en las condiciones pedidas, dim(Nu(T )) = 1, y
como T debe ser epimorfismo, Im(T ) = R3 , es decir, dim(Im(T )) = 3. Obtendríamos
dim(Nu(T )) + dim(Im(T )) = 1 + 3 = 4, lo cual es imposible. Por lo tanto, podemos
concluir que no existe la transformación lineal pedida.


Supongamos que tenemos una transformación lineal T : Rn → Rn ; es decir, con el mismo

codominio que dominio. ¿Qué sucede si T es monomorfismo? En este caso, Nu(T ) = {~0}
o, lo que es equivalente, dim(Nu(T )) = 0. El Teorema de la dimensión nos dice que
0 + dim(Im(T )) = n. Pero como Im(T ) ⊂ Rn y ambos subespacios tienen la misma
dimensión entonces Im(T ) = Rn . Por lo tanto, concluimos que T es epimorfismo. ¿Qué
sucede si, ahora, supiéramos que T es epimorfismo? El mismo razonamiento nos muestra
que, entonces, dim(Nu(T )) = 0, y esto quiere decir que T es monomorfismo. Notamos
entonces que estas características están muy ligadas entre sí para transformaciones lineales
con el mismo dominio y codominio. Lo enunciamos a continuación:
Proposición 7 Sea T : Rn → Rn una transformación lineal. Entonces son equivalentes:
• T es monomorfismo.
• T es epimorfismo.
• T es isomorfismo.

17
 Álgebra A (Ingeniería) UBA XXI

¿Qué hicimos en la Sección 2?

• Introdujimos la definición de imagen de una transformación lineal T : Rn → Rm como el
conjunto de los vectores de Rm que provienen de un vector de Rn por T .
• Definimos el núcleo de una transformación lineal, que consta de todos los vectores del
dominio que son mandados al 0 por la transformación lineal.
• Estudiamos la clasificación de transformaciones lineales en epimorfismos (suryectivas),
monomorfismos (inyectivas) e isormofismos (biyectivas) y su relación con el núcleo y la
imagen de la transformación.


3 Interpretación geométrica del efecto de una transformación

lineal
Aunque no lo sabíamos, muchas de las construcciones que estudiamos en la Unidad 2,
como proyecciones y simetrías, son realmente tranformaciones lineales. Por otro lado,
algunas transformaciones lineales T de R2 en R2 o de R3 en R3 pueden interpretarse
geométricamente como rotaciones, proyecciones, simetrías, etc. En esta sección veremos
cómo construirlas y clasificarlas.

En esta sección estudiaremos:

• La interpretación, como transformación lineal, de las simetrías y las proyecciones ortogo-
nales en R2 y R3 .
• La interpretación geométrica de ciertas tranformaciones lineales: rotaciones, simetrías,
proyecciones, homotecias, deslizamientos cortantes.
• El efecto de una transformación lineal en R2 sobre el cuadrado unitario de R2 .
• La interpretación geométrica del determinante de una matriz cuadrada.


Rotaciones en R2
Consideremos un instante las agujas de un reloj. Si miramos el reloj en dos momentos
distintos, el movimiento de cada aguja se puede modelar con una transformación lineal.
Basta imaginar que la aguja es un vector y el reloj, el plano R2 . Supongamos, entonces,
que queremos rotar el vector (x, y) ∈ R2 un ángulo θ > 0 en el sentido contrario a las
agujas del reloj, y que el vector obtenido luego de la rotación es el (x0 , y0 ).

Si ||(x, y)|| = r y α es el ángulo entre el vector (x, y) y el vector (r, 0) entonces, por

18
Documento de Cátedra: Transformaciones Lineales UBA XXI

Figura 1: Rotación de un vector en R2 .

x y
trigonometría, cos(α) = r y sin(α) = r (Figura 1). Es decir:

x = r cos(α)
y = r sin(α)

Por otra parte, rotar no cambia longitud del vector, por lo que ||(x0 , y0 )|| = r. Haciendo
0
x0
un razonamiento análogo al anterior, tenemos que cos(α + θ ) = r y sin(α + θ ) = yr . Es
decir: 
x0 = r cos(α + θ )
y0 = r sin(α + θ )

Si ahora usamos algunas identidades trigonométricas obtenemos, por un lado:

x0 = r cos(α + θ )


= r cos(α) cos(θ ) − sin(α) sin(θ )
= r cos(α) cos(θ ) − r sin(α) sin(θ )
= x cos(θ ) − y sin(θ ).

y, por otro lado:

y0 = r sin(α + θ )


= r cos(α) sin(θ ) + sin(α) cos(θ )
= r cos(α) sin(θ ) + r sin(α) cos(θ )
= x sin(θ ) + y cos(θ ).
Por lo tanto, hemos hallado que:

x0 = x cos(θ ) − y sin(θ )
y0 = x sin(θ ) + y cos(θ )

19
Álgebra A (Ingeniería) UBA XXI

Esto podemos escribirlo en notación matricial y obtener:

! ! !
x0 cos(θ ) − sin(θ ) x
= ·
y0 sin(θ ) cos(θ ) y

El razonamiento anterior motiva, entonces, la siguiente definición:

Definición. Si T : R2 → R2 es la transformación lineal que representa la rotación de

ángulo θ > 0 en el sentido contrario al de las agujas del reloj, entonces la matriz canónica
asociada a T es: !
cos(θ ) − sin(θ )
AT = .
sin(θ ) cos(θ )

¿Qué sucede ahora si queremos rotar en el sentido de las agujas del reloj? En este caso,
decimos que rotamos en un ángulo −θ . Es decir, el signo del ángulo indicará la orientación
de la rotación.
Rotar el vector (x, y) ∈ R2 un ángulo θ > 0 en el sentido de las agujas de reloj, para obtener
(x0 , y0 ) corresponde entonces a la siguiente operación:
! ! !
x0 cos(−θ ) − sin(−θ ) x
= ·
y0 sin(−θ ) cos(−θ ) y

Experimento 5. ¿Cuál es la matriz de la transformación lineal que rota un vector

π
(x, y) en 4 en el sentido contrario de las agujas del reloj? ¿En qué vector se transforma
el vector (1, 1) luego de dicha rotación? Represéntelo también gráficamente. 

¿Qué sucede con rotaciones en R3 ? Imaginemos nuevamente un reloj pero, esta vez,
considerémoslo como habitando el espacio tridimensional; es decir, pensémoslo colgado
sobre una pared en una habitación. En este caso, las agujas también rotan, pero lo hacer
respecto del eje perpendicular al reloj. O sea, si pensamos a las agujas como contenidas
en el plano xy, la dirección que sale perpendicularmente del reloj correspondería al eje
z; y la rotación de las agujas es respecto de este eje. En este curso, sólo estudiaremos
rotaciones tridimensionales respecto de uno de los ejes. En este caso, la interpretación
de este efecto como transformación lineal es muy sencilla, ya que, realmente, sólo se
modifican las coordenadas x e y de los vectores (x, y, z) ∈ R3 (la coordenada z queda
inalterada). Más aún, la manera como se tranforman las coordenadas x e y es, exactamente,
como una rotación del plano xy. En definitiva, arribamos a la siguiente definición:

20
Documento de Cátedra: Transformaciones Lineales UBA XXI

Definición. Si T : R3 → R3 es la transformación lineal que representa la rotación de

ángulo θ > 0 en el sentido contrario al de las agujas del reloj respecto del eje z, entonces
la matriz canónica asociada a T es:
 
cos(θ ) − sin(θ ) 0
 
AT = 
 sin(θ ) cos(θ ) .
0
0 0 1

La matriz AT se interpreta de la siguiente manera: en la “submatriz” cuadrada de entradas

a11 , a12 , a21 y a22 , aparece una rotación en un plano que contiene a las coordenadas x, y
y, el coeficiente 1 en el lugar 3 − 3, nos dice que la coordenada z no es alterada.

Siguiendo el mismo razonamiento, podemos ver que la matriz asociada a una rotación
tridimensional de ángulo θ , en el sentido de las agujas del reloj, respecto del eje x es:
 
1 0 0
 
AT =   0 cos(θ ) − sin(θ ).

0 sin(θ ) cos(θ )

Experimento 6. Escriban la matriz asociada a una rotación en R3 de ángulo θ , en

el sentido de las agujas del reloj, respecto del eje y. 

Simetrías en R2 y R3
Vamos ahora a estudiar las transformaciones lineales asociadas a las simetrías que estudi-
amos en la Unidad 2.

Importante. Como las transformaciones lineales son funciones entre subespacios vecto-
riales, entonces las simetrías que pueden ser caracterizadas por transformaciones lineales
son respecto de rectas y planos que pasan por el origen. 

Comencemos estudiando las simetrías en el plano R2 . Sea L = {X ∈ R2 : X = t~v, t ∈

R}, la recta en R2 de vector director ~v que pasa por el origen. Queremos hallar la
transformación lineal T : R2 → R2 que transforme cada vector de R2 en el vector simétrico
respecto de la recta L (Figura 2).

Notemos, por un lado, que los vectores que pertenecen a la recta L quedan fijos por la
simetría. En particular, T (~v) =~v. Por el otro lado, los vectores perpendiculares al vector
director de la recta se transforman en sus inversos; es decir, el simétrico de (x, y) es

21
Álgebra A (Ingeniería) UBA XXI

- - - - -
-
-
-
-

Figura 2: Un vector en R2 y simétrico.

(−x, −y) en este caso (pueden comprobarlo por su cuenta). Por lo tanto, si ~w es un vector
ortogonal a ~v, entonces T (~w) = −~w. ¿Por qué nos interesan estos casos particulares de
vectores? Porque {~v,~w} es una base de R2 (¿se dan cuenta por qué?). Por lo tanto, para
saber cuál es la transformación lineal que modela una simetría, alcanza con determinar
las imágenes de los vectores ~v y ~w, ¡cosa que acabamos de hacer!

Definición. Si T : R2 → R2 es la transformación lineal que representa la simetría

respecto de la recta L de ecuación vectorial t~v entonces, dado ~w ortogonal a ~v cualquiera,
T queda unívocamente determinada por los siguientes valores en la base {v, w}:

T (~v) =~v
T (~w) = −~w

Experimento 7. Calculen la expresión de la transformación lineal de la simetría

respecto de la recta y = 2x ¿Cuál es el vector simétrico de (1, 1) resecto de esa recta? 

Estudiemos ahora las simetrías en R3 . Consideremos un plano Π en R3 , de ecuación

vectorial t~v + s~w (que pasa por el origen). Queremos encontrar la transformación lineal
T : R3 → R3 que transforme cada vector de R3 en el vector simétrico respecto del plano
Π. Si bien este problema es más complicado que el anterior, la idea es la misma. Notemos
que los vectores ~v y ~w quedan fijos por la simetría, y si ~N es un vector normal al plano,
entonces ~N se transforma en su opuesto −~N. Nuevamente, se puede probar que {v, w, N}
es una base de R3 , por lo que alcanza con definir a T en esta base de la siguiente manera:



 T (v) = v

T (w) = w



T (N) = −N

22
Documento de Cátedra: Transformaciones Lineales UBA XXI

Experimento 8. Calculen la matriz canónica de la simetría respecto del plano xy 

Homotecias
Las transformaciones del plano o del espacio que hemos estudiado hasta ahora no modifi-
can el “tamaño” de los vectores. Pero es muy usual realizar transformaciones que sí lo
hagan. Por ejemplo, si tenemos un dibujo en tamaño A4 y hacemos una fotocopia que
reduce su tamaño a la mitad, entonces la transformación de los puntos del dibujo original
al dibujo reducido, se puede modelar con un tipo especial de transformaciones lineales:
las homotecias. En el caso del ejemplo anterior, la transformación de reducción de la
fotocopia se modela con la transformación lineal T (x, y) = 12 (x, y). Una ampliación al
doble de tamaño se traduce en la transformación lineal T (x, y) = 2(x, y).

Definición. Una transformación lineal T : R2 → R2 se dice homotecia si T (x, y) =

k(x, y), con k > 0 fijo. La constante k se llama el factor de la homotecia. Si 0 < k < 1,
la homotecia se denomina contracción y si k > 1, se denomina dilatación. Notemos que
si k = 1, la transformación es la identidad.

Observación. Es fácil convencerse que la matriz canónica asociada a una homotecia

T de factor k es !
k 0
AT = .
0 k

Otra tipo de homotecia consiste en modificar el tamaño de los vectores de modo no

homogéneo, es decir, mediante una dilatación o contracción en una dirección determinada
(horizontal o vertical).

Definición. Una transformación lineal T : R2 → R2 se dice homotecia de factor k en

la dirección x si T (x, y) = (kx, y); y se dice homotecia de factor k en la dirección y si
T (x, y) = (x, ky). En ambos casos, si 0 < k < 1, la homotecia se denomina contracción
y, si k > 1, se denomina dilatación.

Experimento 9. Encuentren la forma tienen las matrices canónicas de las homote-

cias en las direcciones x y y. 

Una contracción o dilatación de vectores en el caso tridimensional tiene exactamente

el mismo significado que para las homotecias en R2 . Las definciones en este caso, son

23
Álgebra A (Ingeniería) UBA XXI

idénticas:
Definición. Una transformación lineal T : R3 → R3 se dice homotecia si T (x, y, z) =
k(x, y, z), con k > 0 fijo. La constante k se llama el factor de la homotecia. Si 0 < k < 1,
la homotecia se denomina contracción y si k > 1, se denomina dilatación. Notemos que
si k = 1, la transformación es la identidad.

La matriz de una homotecia T : R3 → R3 de factor k es entonces

 
k 0 0
 
AT = 
 0 k 0.

0 0 k

Definición. Una transformación lineal T : R3 → R3 se dice homotecia de factor k en

la dirección x si T (x, y, z) = (kx, y, z). De manera análoga se definen homotecias en las
direcciones y y z.

Experimento 10. Encuentren la forma tienen las matrices canónicas de las homote-
cias en las direcciones x, y y z. 

Deslizamientos cortantes en el plano

Los deslizamientos cortantes son maneras de “inclinar” los vectores del plano de manera
paralela a uno de los ejes. La idea básica de este tipo de transformaciones es enviar el
vector (x, y) a (x + ky, y). En este caso, se llama un deslizamiento cortante de factor k en
la dirección x. Notemos que la inclinación arriba referida tiene que ver con el hecho que la
coordenada x está siendo alterada en una cantidad proporcional a la coordenada y, por lo
que, cuando mayor sea el valor de y, más grande será la traslación del punto. Esta es la
diferencia con una simple traslación en el sentido x (que tiene la forma (x, y) → (x + k, y)).
La matriz asociada a este tipo de transformaciones es
!
1 k
AT = .
0 1

No tendrán problemas en escribir la matriz asociada a un deslizamiento cortante en la

dirección y. La idea básica de estas transformaciones quedarán mejor evidenciadas cuando
veamos como afectan al cuadrado unitario.

Proyecciones ortogonales
Las proyecciones ortogonales que estudiamos en la Unidad 2 también son transformaciones
lineales. Comencemos estudiando proyecciones en R2 . Sea L la recta de R2 de ecuación

24
Documento de Cátedra: Transformaciones Lineales UBA XXI

vectorial t~v. Queremos construir la proyección ortogonal T : R2 → R2 sobre la recta L.

Claramente, los vectores de la recta L quedan fijos. Si L0 es la recta ortogonal a la recta L
que pasa por el origen, entonces los vectores de L0 tendrán como imagen por T al vector
(0, 0) (Figura 3). Concretamente, si ~w es un vector ortogonal a ~v, entonces {~v,~w} es una

- - - - -
-
-
-
-

Figura 3: Proyección ortogonal en R2

base de R2 , y la proyección ortogonal T : R2 → R2 sobre la recta L queda unívocamente

determinada por: 
T (~v) =~v
T (w) = (0, 0)

 Ejemplo 8. Veamos cuál es la fórmula de la proyección ortogonal sobre la recta L =

{(x, y) ∈ R2 : x = y}. La la ecuación vectorial de la recta sobre la que estamos proyectando
es λ (1, 1). Un vector ortogonal a ~v = (1, 1) es, por ejemplo, ~w = (1, −1). Definimos
T : R2 → R2 por: 
T (1, 1) = (1, 1)
T (1, −1) = (0, 0)

Hallemos ahora la fórmula de T . Un vector (x, y) ∈ R2 se escribe como combinación lineal

de los vectores de la base {(1, 1), (1, −1)} de la siguiente forma:
x+y x−y
(x, y) = (1, 1) + (1, −1).
2 2
Por lo tanto,
 
x+y x−y x+y x+y x+y
T (x, y) = T (1, 1) + T (1, −1) = (1, 1) = , .
2 2 2 2 2

Esta es la fórmula de la transformación lineal que representa la proyección ortogonal buscada.



El razonamiento para R3 es completamente análogo. Si Π = {X ∈ R3 : X = t~v + s~w, t, s ∈

25
Álgebra A (Ingeniería) UBA XXI

R} es un plano que pasa por el origen y ~N es un vector normal al plano, entonces {~v,~w, ~N}
constituye una base de R3 , y la proyección ortogonal T : R3 → R3 sobre el plano Π queda
unívocamente determinada por:



T (~v) =~v

T (~w) = ~w


T (~N) = (0, 0, 0)


Experimento 11. Calculen la expresión de la proyección ortogonal en R3 sobre el

plano xy. 

Transformando del cuadrado unitario

Para tener una idea más precisa de qué hacen realmente todas estas transformaciones
geométricas sobre R2 , vamos a estudiar el efecto de cada una de ellas sobre el cuadrado
unitario C de R2 ; o sea, el cuadrado de vértices (0, 0), (0, 1), (1, 0) y (1, 1). Como
comentamos al comienzo de la unidad, una de las consecuencias que se desprende de
las propiedades de las tranformaciones lineales, es que un segmento PQ es enviado al
segmento T (P)T (Q). En efecto, todos los puntos del segmento PQ se pueden escribir
de la forma tP + (1 − t)Q, donde 0 ≤ t ≤ 1. Una transformación lineal T envía e a estos
puntos a T (tP + (1 − t)Q) = tT (P) + (1 − t)T (Q), que son precisamente todos los puntos
del segmento T (P)T (Q) (ya que 0 ≤ t ≤ 1). Por lo tanto, para saber cuál es la imagen del
cuadrado unitario C por una transformación lineal T : R2 → R2 , solo debemos calcular
a qué puntos envía T a los vértices del C, ya que, necesariamente, el segmento que une
dos de sus vértices, será enviado al segmento que une sus imágenes. Por ejemplo, la
imagen por T del segmento que une el (0, 0) con el (0, 1) es el segmento que une T (0, 0)
con T (0, 1). En la Figura 4 podemos ver el efecto sobre el cuadrado unitario de todas las
transformaciones estudiadas al comienzo de esta sección.
También podemos estudiar el efecto de una tranformación lineal R3 sobre el cubo unitario:
el cubo de vértices (0, 0, 0), (1, 0, 0), (0, 1, 0), (0, 0, 1), (1, 1, 0), (0, 1, 1), (1, 0, 1) y (1, 1, 1).
La idea en este caso es idéntica: los segmentos entre estos puntos serán enviados a los
segmentos entre sus imágenes. En particular, los cuadrados que forman los lados del cubo
son enviados por T a los trapezoides cuyos vértices son las imágenes de los vértices del
cuadrado en cuestión. Por ejemplo, el cuadrado de vértices (0, 0, 0), (1, 0, 0), (0, 1, 0) y
(1, 1, 0) tiene por imagen el trapezoide T (0, 0, 0), T (1, 0, 0), T (0, 1, 0) y T (1, 1, 0).

26
 Documento de Cátedra: Transformaciones Lineales UBA XXI

Figura 4: Tranformaciones del cuadrado unitario de R2 (en orden de aparición): rotación,

simetría respecto de la recta L, homotecia de factor k, homotecia de factor k en la dirección
x, deslizamiento cortante de factor k en la dirección x y proyección sobre la recta L.

Experimento 12. Como hicimos en la Figura 4, hagan el dibujo del efecto sobre
el cubo unitario de R3 de todas las transformaciones estudiadas al comienzo de esta
sección. 

3.1 La interpretación geométrica del determinante

Vimos que el determinante de una matriz cuadrada tiene una interpretación algebraica como
un número indicativo de la inversibilidad de una matriz. Sorprendentemente, también posee
una interpretación geométrica: pensando a la matriz como asociada a una transformación
lineal, nos dice como cambia el área o volumen de una figura al aplicarle la transformación
lineal. Veamos algunos ejemplos para clarificar esta aserción. Supongamos que tenemos
una homotecia T de factor k en R2 . Sabemos que la matriz asociada a esta transformación


lineal es AT = 0k 0k . Vimos en la Figura 4 que, si aplicamos esta homotecia al cuadrado
unitario C ⊂ R2 , entonces obtenemos un cuadrado cuyos lados tienen tamaño k. ¿Cuál es
el área de este nuevo cuadrado T (C)? Como el área de un cuadrado se mide multiplicando
la longitud de la base por la altura, entonces es k2 . Es decir, el cuadrado C de área 1 fue
transformado en una figura (que en este caso es un cuadrado también) de área k2 . Notemos
que k2 es, precisamente, el determinante de AT mutiplicado por 1. ¿Qué sucede si,

27
Álgebra A (Ingeniería) UBA XXI

ahora, aplicamos la misma homotecia al cuadrado C2 de vértices (0, 0), (0, 2), (2, 0) y
(2, 2)? Obtenemos el cuadrado de vértices (0, 0), (0, 2k), (2k, 0) y (2k, 2k), cuyos lados
miden 2k, por lo que su área es (2k)2 = 4k2 . ¿Cuál es el área del cuadrado original? Pues,
22 = 4. Por lo tanto, vemos que:

Área de T (C2 ) = (Área de C2 ) det(AT ).

Esto es algo que sucede siempre, para cualquier transformación lineal dentro de R2 (no
solo las homotecias). Lo enunciamos a continuación.
Proposición 8 Sea T : R2 → R2 una transformación lineal y sea F ⊂ R2 una figura
cualquiera. Entonces,

Área de T (F) = (Área de F) det(AT ).

En palabras, esta proposición dice que el determinante de la matriz asociada a T nos da

el factor por el que se modifica el área de una figura al aplicarle T . Por ejemplo, ¿qué
sucede con las rotaciones? Geométricamente, estamos girando una figura; no le alteramos
el área. ¿Cuál es el determinante de una matriz de rotación θ ? Pues:
!
cos(θ ) − sin(θ )
det = cos(θ )2 + sin(θ )2 = 1.
sin(θ ) cos(θ )
Por lo tanto, ¡hemos redecubierto que el área antes y después de la rotación no se altera!

Experimento 13. Calculen los determinantes de las matrices asociadas a las

simetrías, los deslizamientos cortantes y las proyecciones ortogonales sobre R2 . ¿Qué
pueden concluir? 

 Ejemplo 9. Estudiemos cómo se modifica el área del círclo D de radio r = 3 centrado en el

origen al aplicarle una homotecia T de factor 12 . Sabemos que el área de D es 2πr = 6π. La
Proposición 8 nos dice que, luego de aplicar la homotecia T , el área de T (D) es 6π det(AT ).
1 
2
0
Como det(AT ) = det 02 1 , entonces T (D) tiene área 12 6π = 32 π. 
2

Para transformaciones lineales en R3 vale la misma propiedad pero, en este caso, el

determinante nos dice cómo se modifica el volumen de una figura tridimensional.
Proposición 9 Sea T : R3 → R3 una transformación lineal y sea R ⊂ R3 una región.
Entonces:
Volumen de T (F) = (Volumen de F) det(AT ).
Al igual que para R2 , esta proposición dice que el determinante de la matriz asociada a T
nos da el factor por el que se modifica el volumen de una región al aplicarle T .

28
 Documento de Cátedra: Transformaciones Lineales UBA XXI

 Ejemplo 10. ¿Qué transformación hay que aplicarle al cubo unitario C de R3 para
“agrandarlo” a un cubo de volumen 7? Lo primero que se nos viene a la mente es transfor-
marlo por medio de una homotecia T . ¿Qué factor k debe tener la homotecia para alcanzar
el volumen deseado? Sabemos que Volumen de T (C) = (Volumen de C) det(AT ). Como el
k 0 0
volumen de C es 1, debemos hallar k tal que det(AT ) sea 7. Como AT = 0 k 0 , entonces
√ 00k
det(AT ) = k3 . Por lo tanto, k debe ser 3 7. 

Esta propiedad del determinante vale, en realidad, para una transformación lineal
dentro de Rn para cualquier n ∈ N. En este caso, lo que marca dicho determinante
es cómo se altera el volumen n-dimensional de la región. Claro que, para n ≥ 4, ya
no podemos imaginarnos qué interpretación geométrica tiene dicho “volumen”.

¿Qué hicimos en la Sección 3?

• Estudiamos la interpretación como transformación lineal de las simetrías y las proyec-
ciones ortogonales en R2 y R3 .
• Estudiamos la interpretación geométrica de ciertas tranformaciones lineales: rotaciones,
simetrías, proyecciones, homotecias y deslizamientos cortantes. En cada caso, estudiamos
la forma que tienen sus matrices asociadas.
• Vimos el efecto de una transformación lineal dentro de R2 sobre el cuadrado unitario de
R2 y el de una transformación lineal dentro de R3 sobre el cubo unitario de R3 .
• Dimos una interpretación geométrica del determinante de una matriz cuadrada, como el
factor de deformación del área (o volumen) de una región en R2 (o R3 ).


4 Composición e inversa de transformaciones lineales

Quizás ya hayan estudiado la composición f ◦ g de dos funciones f , g : R → R. De la
misma forma, se pueden componer dos transformaciones lineales. En este caso, el resultado
vuelve a ser una transformación lineal.

En esta sección estudiaremos:

• Cómo se componen transformaciones lineales.
• Como calcular al transformación inversa de una transformación lineal inversible.


4.1 ¿Qué significa componer funciones?

29
 Álgebra A (Ingeniería) UBA XXI

Supongamos que tenemos dos funciones f , g : R → R. Componer f con g es una nueva

función f ◦ g : R → R que se obtiene al aplicar primer g y después f ; es decir, la función
compuesta f ◦ g en el punto x toma el valor f (g(x)) (aplico g a x y obtengo g(x), y a este
valor le aplico f ). Componer no es otra cosa que “aplicar una función a continuación
de la otra”. Por ejemplo, si f (x) = x2 y g(x) = x + 1 entonces ( f ◦ g)(x) = (x + 1)2 . En
efecto, al aplicar g a x obtenemos x + 1. Y a este último valor le aplicamos f ; o sea,
calculamos f (x + 1) = (x + 1)2 . Notemos que importa el orden en que componemos
las funciones. En general f ◦ g no es la misma función que g ◦ f . En el ejemplo de recién,
g ◦ f (x) = x2 + 1, y esta función no es igual a f ◦ g (en x = 1, por ejemplo, toman distintos
valores).
En general, podemos componer funciones cuyo dominio y codominio no coincida. Lo
único que tenemos que tener presente es que, para que esté definida f ◦ g, “el conjunto
donde cae g debe estar contenido en el conjunto donde sale f ”; es decir, el codominio de
g debe estar contenido en el dominio de f . Esta es una condición necesaria ya que f ◦ g
quiere decir que, para un x en el dominio de g, primero aplicamos g y después f ; pero f
solo podemos aplicarlo si g(x) está en el dominio de f . Más concretamente: si f : A → B
y g : B → C son dos funciones entre conjuntos cualesquiera entonces podemos definir
g ◦ f : A → C. Notemos que f cae en B y g sale de B, por lo que al valor f (x) podemos
aplicarle g. Notemos también que g ◦ f es una función cuyo dominio es el dominio de
f y cuyo codominio es el codominio de g. La regla para recordar qué función se aplica
primero en la notación g ◦ f es leerla de derecha a izquierda: en este caso, primero f y
luego g.

4.2 Composición de transformaciones lineales

Las transformaciones lineales son, en particular, funciones, por lo que podemos com-
ponerlas. Si T : Rn → Rm y T 0 : Rm → Rk , entonces podemos armar la composición
T 0 ◦ T : Rn → Rk , que consiste en aplicar primero T y, luego, T 0 . Es decir:

(T 0 ◦ T )(~v) = T 0 (T (~v)).

Por ejemplo, si T : R2 → R3 está dada por T (x, y) = (x + y, 2x, 2y) y T 0 : R3 → R2 está

dada por T 0 (x, y, z) = (x − y − 2z, 2x − z), entonces tanto T ◦ T 0 : R3 → R3 como T 0 ◦
T : R2 → R2 están definidas. Para calcular T ◦ T 0 debemos aplicar, primero, T 0 a un
(x, y, z) genérico y, luego, aplicar al resultado la transformación lineal T . Por un lado,
T 0 (x, y, z) = (x − y − 2z, 2x − z). ¿Qué significa aplicar T a este resultado? Pues que la
primera coordenada es x − y − 2z y la segunda coordenada es 2x − z. O sea que, en la
fórmula T (x, y) = (x + y, 2x, 2y) que define T , el papel de x lo hace x − y − 2z y, el de y, lo

30
Documento de Cátedra: Transformaciones Lineales UBA XXI

hace 2x − z. Por lo tanto, debemos calcular T (x − y − 2z, 2x − z):

T (x − y − 2z, 2x − z) = ((x − y − 2z) + (2x − }z), 2(x − y − 2z), 2(2x − }z))

| {z } | {z } | {z } | {z | {z } | {z
“x” “y” “x” “y” “x” “y”
= (3x − y − 3z, 2x − 2y − 4z, 4x − 2z).

Hemos hallado, entonces, que T ◦ T 0 (x, y, z) = (3x − y − 3z, 2x − 2y − 4z, 4x − 2z). Por otro
lado,
T 0 ◦ T (x, y) = T 0 (x + y, |{z}
2x , 2y )
|{z} |{z}
“x” “y” “z”
2x ) − 2( 2y ), 2(x + y) − ( 2y )) .
= ((x + y) − (|{z}
|{z} |{z} |{z} |{z}
“x” “y” “z” “x” “z”
= (−x − 3y, 2x)

¿Qué sucede a nivel matricial?

Sabemos que toda transformación lineal puede representarse de manera canónica por
medio de una matriz, donde el resultado de evaluar un vector en la transformación equivale
a multiplicar dicho vector por la matriz. Por este motivo, no nos debería sorprender
que componer dos tranformaciones lineales equivale, a nivel matricial, a multiplicar sus
matrices asociadas. En efecto, supongamos que T : Rn → Rm y T 0 : Rm → Rk . Si queremos
calcular T 0 ◦ T en un vector ~v, entonces sabemos que T (~v) = AT ·~v y T 0 (~v) = AT 0 ·~v. Por
lo tanto,

T 0 ◦ T (~v) = T 0 (T (~v)) = T 0 (AT ·~v) = AT 0 · (AT ·~v) = (AT 0 · AT ) ·~v.

Cómo esto vale para todo ~v ∈ Rn , concluimos que

AT 0 ◦T = AT 0 ◦ AT .

Hemos mostrado entonces que vale la siguiente proposición:

Proposición 10 Si T : Rn → Rm tiene por matriz canónica asociada a AT y T 0 : Rm → Rk

tiene por matriz canónica asociada a AT 0 , entonces la matriz canónica asociada a T 0 ◦ T es
AT 0 · AT .

Retomemos los ejemplos anteriores. Teníamos que T : R2 → R3 estaba dada por T (x, y) =
(x + y, 2x, 2y) y T 0 : R3 → R2 por T 0 (x, y, z) = (x − y − 2z, 2x − z). Calculamos:
 
1 1 !
  1 −1 −2
AT =  2 0  AT 0 = .
  2 0 −1
0 2

31
 Álgebra A (Ingeniería) UBA XXI

La Proposición 10 nos dice que T 0 ◦ T tiene por matriz canónica asociada a:

 
! 1 1 !
1 −1 −2   −1 −3
AT 0 · AT = · 2 0= 2 .
2 0 −1  0
0 2
Si pasamos esto a forma funcional tenemos:
! ! !
−1 −3 x −x − 3y
(T 0 ◦ T )(x, y) = = .
2 0 y 2x
O sea, (T 0 ◦ T )(x, y) = (−x − 3y, 2x), y descubrimos la misma fórmula que conseguimos
haciendo la composición directamente. Dejamos al estudiante hacer el cálculo de la
composición para el otro lado en el siguiente experimento.

Experimento 14. Muestren que T ◦ T 0 = (3x − y − 3z, 2x − 2y − 4z, 4x − 2z) ha-

ciendo la multiplicación de las matrices AT y AT 0 . 

4.3 Construyendo transformaciones lineales compuestas

La composición nos permite ampliar el conjunto de transformaciones lineales que estudi-
amos en la sección anterior. Ahora, podemos construirnos funciones que transformen de
manera más general regiones del plano o el espacio. Por ejemplo, supongamos que quere-
mos armar una transformación lineal en R3 que, dada una región, la dilate manteniendo
sus proporciones, de forma que tenga el doble de su área original y, también, la rote 45o en
el sentido de las agujas del reloj.
 Sabemos que la transformación que agranda el área de
√
2 √0
una región en 2 es H = , mientras que la transformación que rota una región 45o
0 2
cos(− π ) − sin(− π )

en el sentido horario es R = sin(− π4 ) cos(− π4) . Por lo tanto, la transformación buscada
4 4
es la composición de ambas transformaciones. Pero, ¿en qué orden debemos aplicarlas?
Notemos que la misma naturaleza de las transformaciones nos dice que no importa, ya que
las rotaciones no afectan el área y las homotecias no afectan la “inclinación” de la región.
Elegimos H ◦ R:
√ ! ! √ √ !
2 0 cos(− π4 ) − sin(− π4 ) 2 cos(− π4 ) − 2 sin(− π4 )
A(H◦R) = √ · = √ √ .
0 2 sin(− π4 ) cos(− π4 ) 2 sin(− π4 ) 2 cos(− π4 )
Por lo tanto, la transformación lineal buscada es
√ √ !
2 cos(− π4 ) − 2 sin(− π4 )
(H ◦ R) ·~v = √ √ ·~v
2 sin(− π4 ) 2 cos(− π4 )

Consideremos ahora el circunferencia unitaria S de R2 y y apliquémosle lsa siguientes

transformaciones:

32
 Documento de Cátedra: Transformaciones Lineales UBA XXI

• Una simetría respecto del eje y.

• Una rotación de ángulo θ en el sentido antihorario, para cierto 0 ≤ θ < 2π.
• Una simetría respecto del eje y nuevamente.
Si seguimos gráficamente el recorrido que hace un punto cualquiera de S al aplicarle estas
transformaciones, veremos que el resultado es el mismo que rotar la circunferencia en θ
en sentido horario. Confirmemos esta conjetura. Sabemos, por un lado, que la simetría
respecto del eje y tiene por matriz asociada a T = −1 0 . Por otro lado, la rotación en θ


0 1 
cos(θ ) − sin(θ )
en sentido antihorario tiene por matriz asociada a T 0 = sin(θ ) cos(θ ) . Por lo tanto, las
tres transformaciones que aplicamos sobre S se resumen en la transformación T ◦ T 0 ◦ T
cuya matriz asociada resulta:
! ! !
−1 0 cos(θ ) − sin(θ ) −1 0
AT ◦T 0 ◦T = · ·
0 1 sin(θ ) cos(θ ) 0 1

! !
− cos(θ ) sin(θ ) −1 0
= · .
sin(θ ) cos(θ ) 0 1

!
cos(θ ) sin(θ )
=
− sin(θ ) cos(θ )
Ahora, debemos recordar que cos(θ ) = cos(−θ ) y sin(θ ) = − sin(−θ ) para todo θ . Por
lo tanto, esta última matriz podemos reescribirla:
!
cos(−θ ) − sin(−θ )
AT ◦T 0 ◦T = ,
sin(−θ ) cos(−θ )
que es, precisamente, la matriz asociada a la transformación lineal que rota en θ en el
sentido horario. Esto confirma nuestra conjetura.

Experimento 15. Le aplicamos a la circunferencia unitaria S ⊂ R2 las siguientes

dos transformaciones: primero, una simetría respecto del eje x y, luego, una simetría
respecto del eje y. Prueben que el efecto de estas transformaciones es el mismo que
rotar la circunferencia 180o en el sentido antihorario. 

4.4 Inversa de una transformación lineal

Recordemos que, si tenemos una función entre conjuntos f : A → B que es biyectiva, en-
tonces podemos definir la función inversa, f −1 : B → A, que envía al elemento f (x) ∈ B al
elemento x ∈ A; es decir, “lo devuelve al mismo punto de donde lo envió f . Formalmente,
esto se escribe f −1 ◦ f (x) = x. La función f −1 se llama la inversa de f y es única (es la

33
Álgebra A (Ingeniería) UBA XXI

única función que verifica esta igualdad). Algunas transformaciones lineales también
admiten inversa. Por ejemplo, la inversa de la transformación que rota los vectores en
90o en el sentido antihorario es la transformación que rota los vectores 90o en el sentido
horario. Por otro lado, la inversa de una simetría es ella misma, pues el simétrico de un
simétrico es el punto original. Finalmente, la inversa de dilatar por un factor k > 1 es
contraer por 1k . En todos estos casos, la inversa de una transformación lineal vuelve a ser
una transformación lineal. Veremos que esto es siempre así.
Antes de dar la definición de inversa de una transformación lineal notemos que, para que
exista la inversa, la transformación debe ser biyectiva. Esto es siempre un requerimiento
para que tenga sentido buscar una inversa. Las transformaciones lineales biyectivas son
necesariamente isormorfismos, por lo que una tranformación lineal admite inversa si, y
solo si, es un isomorfismo. En particular, el dominio y el codominio deben ser el mismo
espacio.

Definición. Sea T : Rn → Rn un isomorfismo. La inversa de T es una transformación

lineal T −1 : Rn → Rn que verifica (T ◦ T −1 )(~v) =~v y (T 0 ◦ T )(~v) =~v para todo ~v ∈ Rn .

No es difícil ver que la inversa de T es única; es decir, no hay otra transformación lineal con
esas caracteríticas. Es por este motivo que la llamamos T −1 (pues no crea ambigüedad).

¿Cómo se calcula la inversa de un isomorfismo?

Veamos un ejemplo. Consideremos el isomorfismo T : R3 → R3 dado por T (x, y, z) =

(x − y − z, x − 2y − 4z, 2x − z). Recordemos que, para construir una transformación lineal,
alcanza con definir cúales son los valores que esta toma en una base. ¿Pero qué base nos
conviene considerar? Notemos que
• T (1, 0, 0) = (1, 1, 2)
• T (0, 1, 0) = (−1, −2, 0)
• T (0, 0, 1) = (−1, −4, −1)
Como T es isomorfismo y {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de R3 , entonces
{(1, 1, 2), (−1, −2, 0), (−1, −4, −1)} también es una base de R3 (por la Proposición 6).
Notemos que, entonces, definir la inversa es automático a partir de esta observación. La
inversa T −1 debe verificar:
• T −1 (1, 1, 2) = (1, 0, 0)
• T −1 (−1, −2, 0) = (0, 1, 0)
• T −1 (−1, −4, −1) = (0, 0, 1)
Si ahora queremos encontrar la expresión funcional de T −1 , podemos proceder como
mostramos en el apartado 1.3. Sin embargo, este procedimiento para hallar la forma

34
Documento de Cátedra: Transformaciones Lineales UBA XXI

funcional de una transformación lineal definida en una base involucra, en general, una gran
cantidad de cuentas. Por suerte, existe una manera más directa de calcular la inversa de
una transformación lineal: calcular la forma matricial de T −1 . A esta altura, no debería
sorprendernos que ¡la forma matricial de la inversa de T es la matriz inversa de AT !
Esto es evidente ya que, si (T −1 ◦ T )(~v) para todo ~v ∈ Rn , entonces (AT −1 · AT ) ·~v = ~v
para todo ~v ∈ Rn . Esto fuerza a que AT −1 · AT = I. ¿Se dan cuenta por qué? Concluimos,
entonces, que AT −1 = A−1
T . Por lo tanto, para hallar la inversa de T (x, y, z) = (x − y − z, x −
2y − 4z, 2x − z), podemos escribir primero su matriz asociada:
 
1 −1 −1
 
AT = 
 1 −2 −4 

2 0 −1

y, luego, calcular su matriz inversa:

 
2
5 − 15 2
5
A−1
 
= − 7 1 3 .
T  5 5 5 
4
5 − 25 − 15

Esta última matriz es, entonces, la matriz asociada a AT −1 ; y podemos hallar que su forma
funcional es:
     
2 1 2
x −5 5 x
−1
   5   
7
T (x, y, z) = AT −1 · y = − 5 5 1 3 · =
5  y
    
4
z 5 − 52 − 15 z

2 1 2 7 1 3 4 2 1


= 5 x − 5 y + 5 z, − 5 x + 5 y + 5 z, 5 x − 5 y − 5 z .

Notemos que, del ejemplo anterior, podemos deducir la siguiente propiedad de los isomor-
fismos:
Proposición 11 Una transformación lineal T es un isomorfismo si, y sólo si, su matriz
canónica asociada AT es inversible.

 Ejemplo 11. Calculemos, si existe, la inversa de la transformación lineal T : R2 → R2

dada por T (x, y) = (3x + 2y, −2x − y). Para decidir si esta transformación lineal tiene inversa,
debemos verificar si es o no un isomorfimo. Nos armamos la matriz canónica asociada:
!
3 −2
AT = .
2 −1

Como det(AT ) = 1 6= 0, entonces AT es inversible y, por lo tanto, T es un isomorfismo.

35
Álgebra A (Ingeniería) UBA XXI

Ahora que sabemos que T tiene inversa, la calculamos. Buscamos entonces la inversa de AT :
! ! !
3 −2 1 0 F2 →F2 − 32 F1 3 −2 1 0 3F2 3 −2 1 0
−−−−−−−→ −−→
2 −1 0 1 0 13 − 32 1 0 1 −2 3
! !
F1 →F1 +2F2 3 0 −3 6 1
3 F1 1 0 −1 2
−−−−−−→ −−→
0 1 −2 3 0 1 −2 3

Esta última matriz es, entonces, AT −1 , por lo que la forma funcional de T −1 es

! ! !
−1 2 x −x + 2y
T −1 (x, y) = · = .
−2 3 y −2x + 3y

Es decir, T −1 (x, y) = (−x + 2y, −2x + 3y). Para verificar que este cálculo es correcto,
calculemos T ◦ T −1 :

T ◦ T −1 (x, y) = T (−x + 2y, −2x + 3y)

= (3(−x + 2y) − 2(−2x + 3y), 2(−x + 2y) − (−2x + 3y))
= (−3x + 6y + 4x − 6y, −2x + 4y + 2x − 3y)
= (x, y).


¿Qué hicimos en la Sección 4?

• Estudiamos la composición de transformaciones lineales y vimos que la matriz canónica
asociada a una composición es el producto de las matrices canónicas asociadas a las
transformaciones originales. Usamos estas propiedades para mostrar como construirnos
tranformaciones lineales que sean composiciones de rotaciones, simetrias, homotecias,
etc.
• Definimos la inversa de un isomorfismo y vimos que la matriz canónica asociada a la
transformación inversa es la matriz inversa de la matriz asociada al isomorfismo original.


36