Subespacios asociados a una matriz de

una transformación lineal

Matrices como representaciones de transformaciones lineales.

En secciones previas vimos que si A ∈ F m × n, una interpretación de ⃑y= A ⃑x es entender la ecuación

como la descripción de una operación que toma como entrada o argumento un vector ⃑x ∈ F n y
produce como salida o imagen del argumento, a un vector ⃑y=T ⃑ ( ⃑x )= A ⃑x ∈ F m.
Este tipo de operación es un caso de “transformación lineal”; una operación que cumple las
siguientes dos propiedades, que en conjunto se conocen como “Linealidad”.

 ⃑
T ( ⃑x 1 + ⃑x 2 )=T⃑ ( ⃑x1 ) + T⃑ ( ⃑x 2) , propiedad conocida como “Aditividad”.
 ⃑ ( α ⃑x 1) =α T⃑ ( ⃑x 1) , propiedad conocida como “Homogeneidad”.
T

Cuando una operación es aditiva y homogénea ( cumple la aditividad y la homogeneidad), entonces

la operación es “lineal”.
Con las propiedades ya vistas de la multiplicación de matrices el lector podrá verificar que toda
operación de la forma ⃑
T ( ⃑x )= A ⃑x es lineal.

Subespacios asociados a una matriz de una transformación lineal

La matriz A ∈ F m × nasociada a una transformación lineal ⃑

T de F n en F m determina cuatro
subespacios vectoriales:

1. Subespacio imagen de A (o de ⃑ T)
También conocido como subespacio columna, recorrido, o incluso “rango”, por una
traducción mediocre latinoamericana que, al leer la palabra inglesa “range”, la adjudicó a
un falso amigo que infortunadamente “pegó” en la comunidad de profesores no
angloparlantes.
2. Núcleo de A (o de ⃑T)
También conocido como subespacio nulo o Kernel de A .
3. Subespacio fila de A o Imagen de AT
También conocido como subespacio fila.
4. Núcleo de AT
También conocido como subespacio nulo izquierdo o núcleo izquierdo de A .

A continuación explicaremos cada uno de estos subespacios, cómo encontrar su base y su

dimensión, y cómo se relacionan las dimensiones de estos subespacios con el rango de la matriz
asociada al operador, según el teorema fundamental del Álgebra Lineal.
Imagen de la matriz A

Se define el subespacio imagen de la matriz A (o de su transformación lineal ⃑ T ) como el

subconjunto de todas las salidas o imágenes que puede producir la operación ⃑ T ( x⃑ )= A x⃑ en el
espacio de llegada, para todas las posibles entradas o argumentos ⃑x en el conjunto de partida. A
⃑ ); también lo podemos representar como el subespacio
dicho conjunto se le simboliza ℑ ( A ) o ℑ ( T
columna de A , Col (A ). En otras palabras:

ℑ ( A )=Col (A )={ ⃑y ∈ F m : ⃑y= A ⃑x ∧ ⃑x ∈ F n }

Como recordará de una de las interpretaciones de la multiplicación matricial, ⃑y= A ⃑x es una
combinación lineal de las columnas de A con los coeficientes contenidos en el vector x⃑ :

⃑y= A ⃑x =x 1 A ¿1 + x 2 A ¿2 +…+ x n A ¿n
Es por esta razón que a dicho subespacio se le llama “subespacio columna de A ”: porque todos sus
elementos son combinaciones lineales de las columnas de A .

Para encontrar una base de ℑ ( A ) basta examinar con la reducción de Gauss-Jordan cuáles columnas
de la matriz A son básicas. Estas conforman una base de ℑ ( A ), ya que las demás columnas son
linealmente dependientes de ellas. Por la misma razón, la dimensión de dicho subespacio es
simplemente el rango de la matriz, rank (A ).

Ejemplo:
Una transformación lineal tiene la matriz asociada

[ ]
3 −21 −5 45 132
A= −2 14 3 −29 −85
4 −28 −1 43 125
1 −7 7 −11 −34

Encuentre una base y la dimensión de ℑ ( A ).

Solución:
Al aplicar la reducción de Gauss-Jordan en A , se obtiene la matriz

[ ]
1 −7 0 10 29
E A = 0 0 1 −3 −9 .
0 0 0 0 0
0 0 0 0 0

El número de columnas básicas, rank (A ), es la dimensión de ℑ ( A ). En este caso, r =rank ( A )=2.

Como las columnas básicas de E A son la primera y la tercera, entonces las columnas básicas de A
son las respectivas, y con ellas se puede formar una base BI de ℑ ( A ) :
 {[ ] [ ]}
3 −5
BI ={ A¿ 1 , A¿ 3 }= −2 , 3 y por tanto ℑ ( A )=gen ( B I ) .
4 −1
1 7

Advertencia: Es un error muy frecuente entre los neófitos confundir los vectores necesarios para la
base del subespacio imagen: suelen tomar como base las columnas básicas de E A en lugar de las
columnas básicas de A . Esto es un error catastrófico. Si se comparan las columnas básicas de E A
con las columnas básicas de A , se nota algo claramente:

{[ ] [ ]} {[ ] [ ]}
1 0 3 −5
{ E A¿1 , E A¿ 3 }= 0 , 1 { A ¿1 , A¿ 3 }= −2 , 3 Es evidente que los ceros inferiores de
0 0 4 −1
0 0 1 7
las columnas básicas de E A no pueden generar ninguna de las componentes no nulas
correspondientes de las columnas de A y por lo tanto, menos podrían generar el subespacio
columna generado por las columnas de A .

Núcleo de la matriz A

Se define el núcleo, subespacio nulo o kernel de la matriz A (o de su operador lineal asociado ⃑T)
⃑
como el conjunto de todos los argumentos o vectores ⃑x de entrada a la transformación T ( ⃑x )= A ⃑x
tales que su salida o imagen respectiva sea el vector nulo o 0⃑ .

A dicho conjunto se le simboliza y define como

N ( A )=ker ( A)= { ⃑x ∈ F n : A ⃑x =⃑0 } .

Note entonces que, para hallar el núcleo de una matriz, basta encontrar la solución del sistema
A x⃑ =0.
Recuérdese que al resolver el sistema usando reducción de Gauss-Jordan, las variables de los
pivotes se terminan expresando en términos de las variables libres, de forma tal que el conjunto
solución queda en términos de las variables independientes o libres. Por tanto, la dimensión del
núcleo siempre es l=n−rank ( A ), donde n es el número total de variables (o de columnas de la
matriz A ). A la dimensión del núcleo también se le llama la nulidad de la matriz A (o del operador
⃑
T ) y se representa nul( A).
Recuérdese que como el sistema resultante es homogéneo, la solución es de la forma:

⃑x =x f 1 ⃑h1 + x f 2 ⃑h2 +…+ x fl ⃑hl ,donde x f 1 , x f 2 , … , x fl son las variables libres del sistema, y
h⃑1 , ⃑h2 , … , h⃑ l son los vectores linealmente independientes entre sí que acompañan a las variables
libres y que generan al núcleo; en otras palabras, la base de está dada por
BN ={ ⃑h1 , h⃑2 , … , ⃑hl }
Ejemplo:
Continuando con el ejemplo anterior de una transformación lineal con la matriz asociada

[ ]
3 −21 −5 45 132
A= −2 14 3 −29 −85 ,
encuentre una base y la dimensión de N ( A ) .
4 −28 −1 43 125
1 −7 7 −11 −34

Solución:
Ya habíamos visto que al aplicar la reducción de Gauss-Jordan en A , se obtiene la matriz

[ ]
1 −7 0 10 29
E A = 0 0 1 −3 −9
0 0 0 0 0
0 0 0 0 0

Note que el número de variables libres es l=n−rank ( A )=5−2=3. Por tanto, la dimensión del
núcleo de A es nul ( A )=l=3. Con esto podemos determinar que la forma de la solución
(homogénea) tiene que ser:
⃑ ⃑ ⃑
⃑x =x f 1 h1 + x f 2 h2 + x f 3 h3 ,donde x f 1=x 2, x f 2 =x 4, y x f 3 =x5 , son las 3 variables libres de la
solución.
Lo anterior se verifica fácilmente resolviendo el problema, al hallar las variables de los pivotes en
términos de las variables libres:
x 1=7 x 2−10 x 4−29 x 5

x 3=3 x 4 +9 x 5
Al reemplazar en el vector solución se obtiene

[ ][ ] [ ][ ][ ]
x1 7 x 2−10 x 4 −29 x 5 7 x 2 −10 x 4 −29 x 5
x2 x2 x2 0 0
⃑x = x3 = 3 x 4 +9 x 5 = 0 + 3 x 4 + 9 x 5 ,o sea que
x4 x4 0 x4 0
x5 x5 0 0 x5

[] [ ] [ ]
7 −10 −29
1 0 0
⃑x =x 2 0 + x 4 3 + x5 9 =x f h⃑1 + x f 2 ⃑h2 + x f 3 h⃑3 .
1

0 1 0
0 0 1
 {[ ] [ ] [ ]}
7 −10 −29
1 0 0
B
Por lo tanto, la base de N ( A) es N = { ⃑
h 1 , ⃑
h 2 , ⃑
h 3 } = 0 , 3 , 9 y N ( A )=gen ( B N ).
0 1 0
0 0 1
Paréntesis: El Teorema fundamental del Álgebra Lineal

Aquí haremos un paréntesis para expresar un resultado evidente que tiene el nombre rimbombante
con que se titula esta sección.
Como el número total n de variables de entrada a una transformación lineal (que es la dimensión del
espacio de entradas o de partida del operador) tiene que ser igual al número de variables básicas (
rank ( A )=r ) más el número de variables libres (l=n−r ), y rank ( A )=dim ( ℑ ( A ) )=r y además
nul ( A )=dim ( N ( A ) )=l=n−r , entonces se cumple siempre que:
rank ( A )+ nul ( A )=r + ( n−r )=n .
Lo anterior significa que la dimensión del conjunto imagen más la dimensión del núcleo siempre es
igual a la dimensión del espacio de partida del operador lineal representado por la matriz.
Ejemplo:
Al realizar la reducción de Gauss-Jordan sobre la matriz A asociada a una transformación lineal
T : R → R , la forma escalonada y reducida E A de la matriz A tiene 8 pivotes.
⃑ 15 12

¿Cuál es la dimensión de su subespacio columna o imagen, y cuál es la dimensión de su núcleo o

subespacio nulo?
Solución:

Como hay n=15 variables de entrada, y hay r =rank ( A )=8 variables pivote, entonces la
dimensión del subespacio ℑ ( A ) es 8. Por tanto la dimensión de su núcleo N ( A) es
n−r=15−8=7.
Subespacio fila de la matriz A o imagen de AT

El subespacio fila de A o imagen de AT se define como el conjunto de todas las combinaciones

lineales de filas de la matriz A .

A dicho espacio lo simbolizaremos como Fil( A) o ℑ ( A T ), y lo definimos así:

ℑ ( A T ) =Fil ( A )=¿
Observe que con una de las interpretaciones de la multiplicación matricial, la condición de
definición anterior se puede cambiar por:
T
⃑y =x 1 A1∗¿+ x A ¿
2 2∗¿+ …+ x m A m∗¿ = x
[ ] ¿
,x ,…, x ¿ ¿
1 2 m

Aunque técnicamente una combinación lineal de filas es una fila, y una combinación de columnas
es una columna, y una fila no es lo mismo que una columna, de todas formas, una fila y una

[ ]
−3 π
columna pueden tener la misma información (por ejemplo, la información en 7e y
2i
[ −3 π , 7 e ,2 i ]).
Como la información de cada fila de A es la misma información que hay en cada columna de AT ,
entonces la información que hay en cualquier combinación lineal de las filas de A es la misma que
hay en la combinación respectiva de columnas de AT .

Si miramos la definición compacta del subespacio fila, Fil ( A )= { ⃑y T ∈ F 1× n : ⃑

y T = ⃑x T A } ,
encontramos que la información que hay en el vector fila ⃑y T es la misma información que hay en el
vector columna ⃑y .

Entonces, la información de ⃑y es
T T T
⃑y=( ⃑y ) =( ⃑x A ) = A ⃑x .
T T

Esa es la razón por la cual se le llama al subespacio fila “imagen de AT ” y se le simboliza ℑ ( A T ).

(Más estrictamente, se le podría haber simbolizado ℑT ( AT ) aunque no haremos eso).

¿Cómo se halla una base y la dimensión del subespacio fila de A ? Basta recordar que todos los
pasos de una reducción de Gauss-Jordan equivalen a realizar combinaciones lineales de filas de la
matriz original. Además, todas las operaciones filas del proceso son invertibles, por lo que la matriz
original es combinación lineal de todas las filas de la matriz escalonada reducida.
Por tanto, una base del subespacio fila de A está conformada por las filas no nulas de la matriz
escalonada reducida asociada a A .
Ejemplo:
Continuando con el ejemplo anterior de una transformación lineal con la matriz asociada

[ ]
3 −21 −5 45 132
A= −2 14 3 −29 −85 ,
encuentre una base y la dimensión de ℑ ( A T ) .
4 −28 −1 43 125
1 −7 7 −11 −34

Solución:
Ya habíamos visto que al aplicar la reducción de Gauss-Jordan en A , se obtiene la matriz

[ ]
1 −7 0 10 29
E A = 0 0 1 −3 −9
0 0 0 0 0
0 0 0 0 0

Entonces, una base de ℑ ( A T ) o Fil ( A ) es

BF = { [ 1 , −7 , 0 , 10 , 29 ] , [ 0 , 0 , 1, −3 , −9 ] }

Note también que la dimensión de Fil ( A )=ℑ ( A T )=rank ( A )=2 es idéntica a la dimensión del
conjunto ℑ ( A ).

Subespacio nulo de AT

El subespacio nulo o kernel de AT o subespacio nulo izquierdo de A , o núcleo izquierdo de A se

define como la solución del sistema
N ( AT )=ker ( AT )={ ⃑x ∈ F m : AT ⃑x = ⃑0 } .
Por la misma consideración de la sección anterior de que un vector fila puede contener la misma
información de un vector columna, resulta claro que la solución de

A ⃑x = ⃑0tiene la misma información que la solución de

T

T
( AT x⃑ ) =0⃑ T
⃑x A =0⃑
T TT T

⃑x A= ⃑0
T T

Por eso a este conjunto se le llama también nulo izquierdo de A . Porque son los vectores fila x⃑ T que
al multiplicar por la izquierda a la matriz A producen como resultado el vector fila cero.

Una forma de hallar una base del subespacio nulo izquierdo de A es la misma que para hallar el
nulo izquierdo de AT , solo que al final, hay que transponer los vectores encontrados.
Ejercicio:

Para la transformación lineal ⃑ 5 6

T : R → R caracterizada por la matriz

[ ]
2 −4 8 0 −2
0 0 1 −2 4
A= −20 40 −79 −2 24 ,
−22 44 −87 −2 26
0 0 0 2 1
−4 8 −16 2 5

Encuentre bases para ℑ ( A ) , N ( A ) e ℑ ( A T ) . Apóyese en cualquier sistema automático de cómputo

para hacer la reducción de la matriz.
Ortogonalidad entre imágenes y núcleos

Recuerde que la multiplicación de matrices (o de un matriz por un vector) se hace de la misma

forma que productos internos canónicos entre los vectores fila y los vectores columna
correspondientes. Es por esa razón que si un vector pertenece al núcleo de una matriz, tiene que ser
perpendicular a todas las filas de la matriz, y por eso el subespacio fila y el núcleo son subespacios
ortogonales entre sí.
Algo similar ocurre con el subespacio nulo izquierdo y el subespacio columna. Esto significa que el
subespacio imagen de una matriz es ortogonal al subespacio nulo izquierdo.
Esto nos permite usar las matrices para obtener subespacios complementarios y ortogonales al
generado por un conjunto de vectores.
Ejemplo:
Encuentre una base de un subespacio complementario y ortogonal (perpendicular) al subespacio
generado por el conjunto de vectores:

{[ ] [ ]}
2 1
U ={ ⃑v 1 , ⃑v 2 } −3 , 2
1 −3
−1 1

Solución:

Se pueden transponer los vectores ⃑v 1 y ⃑v 2 para construir una matriz A con la misma información de
los vectores por filas:

[ ][ ][ ]
T
A= v⃑1T = [ 2 ,−3 ,1 ,−1 ] = 2 −3 1 −1
v⃑2 [ 1 , 2 ,−3 , 1 ] 1 2 −3 1

Por lo presentado, el subespacio nulo de A tiene que ser ortogonal al generado por las filas de A . Al
hacer reducción de Gauss-Jordan sobre A se obtiene:

[ 10 0 −1 1/7
1 −1 3/7 ]
Entonces, la solución de A ⃑x =0⃑ es:

[ ] [] [ ]
1 −1
x 3− x 4
7 1 7
3 −3
⃑x = x 3− x 4 =x 3 1 + x 4
7 1 7
x3 0 0
x4 1
Por tanto, una base para el subespacio complementario y ortogonal (perpendicular) a gen(U ) es:

{[ ] [ ]}
−1
1 7
B p= 1 , −3
1 7
0 0
1

La verificación de que ambos vectores son ortogonales a los vectores de U se deja al lector.