Aplicaciones Lineales

Una aplicación lineal (o transformación lineal) entre espacios vectoriales $V$ y $W$ es una función $T : V \to W$ que respeta ambas operaciones vectoriales: para todo $\mathbf{u}, \mathbf{v} \in V$ y todo escalar $\lambda$, $T(\mathbf{u} + \mathbf{v}) = T(\mathbf{u}) + T(\mathbf{v})$ y $T(\lambda \mathbf{v}) = \lambda T(\mathbf{v})$. Geométricamente, las aplicaciones lineales envían rectas que pasan por el origen a rectas que pasan por el origen; las rectas paralelas se mantienen paralelas; el origen queda fijo.

El teorema fundamental de las aplicaciones lineales es este: toda aplicación lineal entre espacios vectoriales finito-dimensionales, una vez fijada una base, es multiplicación por una matriz. Recíprocamente, toda matriz define una aplicación lineal. Esto convierte transformaciones geométricas abstractas en cálculos concretos — un hecho profundamente práctico para cualquier implementación de ML.

Cada aplicación lineal tiene asociados dos subespacios. El núcleo (o espacio nulo) $\ker(T) = \{\mathbf{v} \in V : T(\mathbf{v}) = \mathbf{0}\}$ mide la información perdida; un núcleo más grande significa que más entradas se colapsan a la misma salida. La imagen (o rango) $\text{im}(T) = \{T(\mathbf{v}) : \mathbf{v} \in V\}$ es el conjunto de salidas posibles. Aquí vive rango-nulidad: $\dim(V) = \dim(\ker T) + \dim(\text{im} T)$.

Una aplicación lineal es inyectiva (uno a uno) si y solo si su núcleo es trivial (solo $\mathbf{0}$), suprayectiva (sobre) si y solo si su imagen llena todo $W$, y biyectiva (un isomorfismo) si y solo si ambas. Dos espacios vectoriales finito-dimensionales son isomorfos si y solo si tienen la misma dimensión — un resultado asombroso que dice que, salvo cambio de etiquetas, hay solo un espacio vectorial real para cada dimensión.

Ejemplo resuelto — cizalla en las esquinas de un cuadrado: Aplica la cizalla $S = \begin{pmatrix}1 & 1\\0 & 1\end{pmatrix}$ a las esquinas del cuadrado unitario $(0,0), (1,0), (1,1), (0,1)$. Resultados: $(0,0), (1,0), (2,1), (1,1)$. El borde inferior queda fijo; el borde superior se desliza 1 a la derecha — un paralelogramo a partir de un cuadrado. Nota que las rectas siguen siendo rectas y se preserva el paralelismo.

Cambiar la base del dominio o del codominio transforma la matriz de una aplicación lineal por semejanza: $A' = P^{-1} A P$ para una matriz de cambio de base $P$. Las matrices semejantes representan *la misma aplicación lineal* en distintos sistemas de coordenadas y comparten invariantes como rango, determinante, traza y autovalores. Esta es la base teórica de la diagonalización — la salsa secreta detrás de PCA, eigenfaces y métodos espectrales.