P. 1
Nucleo e Imagen de Una Transformacion Lineal

Nucleo e Imagen de Una Transformacion Lineal

|Views: 14.200|Likes:
Publicado porjosedlc

More info:

Published by: josedlc on Oct 05, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

07/22/2015

pdf

text

original

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 ( )

/ . / La imagen de T es el espacio columna de la matriz formada por los vectores: . / . ( ) . / . / 0 1 Como las dos primeras columnas de la matriz A son independientes.( ) 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: [ ] [ ] . / . / . / .

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

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

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

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

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

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

También 0 1 es un vector propio correspondiente al valor propio 0 10 1 0 1 0 1 0 1 . matriz cuadrada. 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). Ejemplo: Suponemos que la matriz 0 1.AUTOVALORES Y AUTOVECTORES PROPIOS DIAGONALIZACIÓN DE UNA MATRIZ DEFINICION DE VALOR PROPIO: Sea una matriz de orden . ya que: Supongamos que deseamos encontrar todos los valores propios de una matriz cuadrada de orden . 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. Sabemos que: A esta ecuación la multiplicamos por la matriz identidad del mismo orden lados encontraremos un polinomio en . tenemos. ( ) =0 es un valor propio de la matriz A<---->( ) tiene una solución no trivial ) ( ) es singular (determinante igual a cero)<---->det( . donde “eigen” es una palabra alemán y significa propio. tal que: es un múltiplo escalar de x. 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.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->