NUCLEO E IMAGEN DE UNA TRANSFORMACION LINEAL: DEFINICION: Sea una transformación línea.

La imagen de T, escrito Im T, es el conjunto de las imágenes de los puntos de E en F. * El núcleo de T, escrito como ( ) +

, es el conjunto de elementos de E que se aplican en * ( ) +

Teorema: Sea una aplicación o transformación lineal. Entonces la imagen de T es un sub espacio de F y el núcleo de T es un sub espacio de E. Ejemplo: Sea T: , la aplicación proyección en el plano xy: T(x,y,z)=(x;y;0). Claramente la imagen de T es el plano xy imT=*( ) +

podemos observar que el nucleo de T es el eje z ker T=*( Ejemplo 2: Hallar el núcleo e imagen o recorrido de la Transformación Lineal , definida por ( Debemos hallar todos los vectores ( sea el vector 0 ) ( ) tal que ( ) ) ( ) ) +

Podemos observar que nos encontramos ante los siguientes sistemas de ecuaciones:

Formamos una matriz aumentada: 0 1

Multipliquemos entonces 2da fila por 2 y sumémoslo a la 1ra fila 0 ( ) ( ) ( ) ( ) 1 0 1

Observar que a cada columna corresponde a las incógnitas Ahora formemos ecuaciones con en función de ( )

/ . ( ) . / . / . / 0 1 Como las dos primeras columnas de la matriz A son independientes. / La imagen de T es el espacio columna de la matriz formada por los vectores: . / .( ) Sea ( ) ) ( ( ) ) para cualquier escalar generado ( ) ) La solución del sistema ( El núcleo de T el subespacio unidimensional (una dimensión R) en ( La imagen o recorrido de la transformación lineal es: [ ] [ ] . / . / .

( . La matriz con ( ) como vector columna es la representación matricial canónica de T. ( .. ( . ( . ( ( ) ( ) ( ) ( ) + ( + ( ) En ( . para todo . Entonces existe una matriz única ( ). tal que: REPRESENTACIÓN MATRICIAL CANÓNICA: * + base canónica para Sea una transformación lineal y sea . cuyas columnas son: ( . TEOREMA: Sea ( ) una transformación lineal.REPRESENTACION MATRICIAL DE UNA TRANSFORMACION LINEAL Cualquier Transformación lineal entre espacios vectoriales de dimensión finita se puede representar por medio de una matriz. Si es la representación matricial canónica de una transformación lineal ( ) para todo vector columna. definida por: ( ) ( ). ( ) En ( . ( . ( ( ) ( ) ( ) ( ) + ( + . siendo la matriz canónica de la Transformación T. Transformación que parte de un espacio tetradimensional (4 dimensiones) y llega otro espacio de tres dimensional. es la matriz de orden . donde ( ) ( ) ( ) ) La base para formar la matriz es la canónica ( ( ) Escribimos los vectores como vector columna. . la notación lo utilizaremos para denotar un determinado número finito de vectores: vectores. entonces la matriz canónica es: ( ) Ejemplo: Hallar la representación matricial canónica para la transformación lineal: .

( . ( ( ) ( ) ( ) ( ) + ( + Luego la matriz transformada es: [ ] . ( ( ) ( ) ( ) ( ) + ( + ( ) En ( .( ) En ( . ( .

donde I es Usamos la reducción de Gauss-Jordan para obtener la matriz partida .REPRESENTACIONES MATRICIAL Sean las bases ordenadas ( ) RESPECTO A LAS BASES ( ) Sean una transformación lineal y sean B y B’ bases ordenadas por respectivamente. Esta Matriz es la representación matricial de T respecto a las bases B y B’ de y ( ) . b. donde B’ Para determinar la representación matricial de B’: a. respecto a las bases ordenadas B y ⁄ ( ) ( ) ( ) ( ))] Forma la matriz partida = [( . Sea la matriz de cuyo j-esimo vector columna es vector ordenado columna ( ) respecto a la base B’. hallamos primero los ( ) en la base B Para [ ] [ ] [ ] ) ( ) Apliquemos la Trasformación lineal definida ( ( ) [ ] [ ( ) [ ( ) ] ( ) [ ] ( ) [ ] [ ( ) [ ] ( ) ] [ ] ] [ ( ) ( ) ] . Ejemplo: Sea ( ) la Transformación lineal se define de la siguiente manera: ( ) . la matriz identidad de orden y es la representación matricial deseada. respecto a las bases ordenadas B y B’ donde: )( )) (( )( )( )) Hallar la representación matricial (( )( Para formar la matriz partida. son vectores coordenados columna para x respecto a B y Tenemos para cada ( ) .

Debemos hallar el vector coordenado de uno. respecto a la base ordenada. con los vectores B’ en forma de columna. tenemos: [ Sumamos la 2da fila con la 3ra fila [ Operando: [ ] ] ] Multipliquemos la 3ra fila por [ ( * ( * ( * ( * ( * ( ] * . tenemos: La 1ra fila multiplicamos por -1 y sumada a la 2da fila Y La 1ra fila multiplicamos por -2 y sumada a la 3ra fila ] [ ( ( ) ) ( ( ) ) ( ( ) ) ( ( ) ) ( ( ) ) ( ( ) ) ] Desarrollando esta operación. formando luego la matriz partida. [( ⁄ ( ) ( ) ( ))] [ Utilizando la reducción de Gauss Jordan.

Desarrollando [ ] Multipliquemos la 2da fila por -1 y sumamos con la 1ra fila ( [ ) ( ) ( ) ( ) ( ) ( ) ] [ ] …(puntos suspensivos) [ ] .

los elementos de B’. . B’ . encontrar las coordenadas de dicho vector con respecto a otra base B’.. ( ) ( ) bases ordenadas de un TEOREMA: Sean espacio vectorial V. B. se convierten a matriz ⁄ identidad. ⁄ -. que satisfacen la ecuación: Se halla la matriz cambio de base reduciendo la matriz aumentada: . La matriz C de cambio de base respecto a las base B. Esta matriz C es invertible y su inversa es la matriz cambio de base respecto a B’. .MATRIZ DE CAMBIO DE BASE El cambio de base consiste en conocidas las coordenadas de un vector respecto a una base B. y los elementos de B as{i convertidos forman la matriz C de cambio de base.

donde “eigen” es una palabra alemán y significa propio. Ejemplo: Suponemos que la matriz 0 1.AUTOVALORES Y AUTOVECTORES PROPIOS DIAGONALIZACIÓN DE UNA MATRIZ DEFINICION DE VALOR PROPIO: Sea una matriz de orden . matriz cuadrada. tenemos. tal que: es un múltiplo escalar de x. También 0 1 es un vector propio correspondiente al valor propio 0 10 1 0 1 0 1 0 1 . El valor propio es un número y el valor propio es un vector. Supongamos que c es un vector distinto de cero en un número (puede ser cero). entonces 0 1 es un vector propio que correspondiente al valor propio 3 y que cumple la siguiente igualdad: 0 10 1 0 1 0 1 0 1 A los valores propios se le denominan también eigenvalores. ya que: Supongamos que deseamos encontrar todos los valores propios de una matriz cuadrada de orden . Sabemos que: A esta ecuación la multiplicamos por la matriz identidad del mismo orden lados encontraremos un polinomio en . en ambos por la propiedad simétrica de la igualada. Entonces x se llama un vector propio de propio de A y es un valor Los valores propios y los vectores propios solo están definidos para matrices cuadradas. ( ) =0 es un valor propio de la matriz A<---->( ) tiene una solución no trivial ) ( ) es singular (determinante igual a cero)<---->det( .