Entendamos dos conceptos cruciales en el estudio de las transformaciones lineales: el núcleo (o kernel) y la imagen (o rango). Son herramientas poderosas para comprender cómo una transformación modifica los vectores.
Núcleo de una Transformación Lineal
El núcleo, representado como ker(T), es el conjunto de todos los vectores del dominio que la transformación T lleva al vector cero del codominio. En términos más sencillos, son los vectores que se "anulan" al aplicar la transformación.
Piensa en una máquina que aplasta objetos. El núcleo serían todos los objetos que, al meterlos en la máquina, se reducen a nada (el vector cero). Matemáticamente, si T: V → W es una transformación lineal, entonces ker(T) = {v ∈ V | T(v) = 0W}, donde 0W es el vector cero en W.
Must Read
Ejemplo: Considera la transformación T(x, y) = (x - y, 0). ¿Qué vectores (x, y) se transforman en (0, 0)? Pues aquellos donde x - y = 0, es decir, x = y. Entonces, ker(T) = {(x, x) | x ∈ ℝ}. Esto significa que todos los vectores de la forma (1, 1), (2, 2), (-3, -3), etc., pertenecen al núcleo.
Un aspecto importante es que el núcleo es siempre un subespacio vectorial del dominio. Esto implica que contiene el vector cero y es cerrado bajo la suma y la multiplicación escalar.
Imagen de una Transformación Lineal
La imagen, denotada como Im(T), es el conjunto de todos los vectores del codominio que son "alcanzados" por la transformación T. Es decir, son todos los posibles resultados que podemos obtener al aplicar T a vectores del dominio.
Volviendo al ejemplo de la máquina, la imagen serían todos los objetos que pueden salir de la máquina después de ser aplastados. Si T: V → W es una transformación lineal, entonces Im(T) = {w ∈ W | w = T(v) para algún v ∈ V}.
Ejemplo: Usando la misma transformación T(x, y) = (x - y, 0), ¿qué tipo de vectores podemos obtener? Siempre obtendremos vectores de la forma (algún número, 0). Por lo tanto, Im(T) = {(a, 0) | a ∈ ℝ}. Esto significa que (5, 0), (-2, 0), (0, 0) pertenecen a la imagen, pero (1, 2) no.
Al igual que el núcleo, la imagen es también un subespacio vectorial, pero esta vez del codominio.
Relación entre Núcleo e Imagen
El núcleo y la imagen nos dan información valiosa sobre la transformación. Por ejemplo, si el núcleo contiene sólo el vector cero, la transformación es inyectiva (uno a uno). Si la imagen es igual al codominio, la transformación es sobreyectiva (sobre). Comprender el núcleo y la imagen es fundamental para analizar y clasificar las transformaciones lineales.
