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: . / .( ) 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: [ ] [ ] . / 0 1 Como las dos primeras columnas de la matriz A son independientes.

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

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

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

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: [ Sumamos la 2da fila con la 3ra fila [ Operando: [ ] ] ] Multipliquemos la 3ra fila por [ ( * ( * ( * ( * ( * ( ] * . formando luego la matriz partida. 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.

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

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

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

Sign up to vote on this title
UsefulNot useful