MATEMATICAS IV

TRANSFORMACIONES LINEALES
UNIDAD V Alumno: Ana Irene Ortiz Peralta Catedrático: Ing. Jesús López Ortega

ING. CIVIL
Página 1 de 39

INDICE 5.1 Definición de transformación lineal y sus propiedades. 5.2 Ejemplos de transformaciones lineales (reflexión, dilatación, contracción, rotación) 5.3 Definición de núcleo o kernel, e imagen de una transformación lineal. 5.4 La matriz de una transformación lineal y representación matricial de una transformación lineal. 5.5 Transformaciones y sistemas de ecuaciones lineales. 5.6 Álgebra de las transformaciones lineales. 5.7 Aplicaciones de las transformaciones lineales. Bibliografía 3

7 13

17 23 30 33 39

Página 2 de 39

5.1 DEFINICIÓN DE TRANSFORMACIÓN LINEAL Y SUS PROPIEDADES. Las transformaciones lineales desempeñan un papel muy importante en matemáticas, física, ingeniería, procesamiento de imágenes, graficas en computadora y muchas otras áreas de la ciencia y la vida diaria. Las transformaciones lineales son mapeos de importancia fundamental en el álgebra lineal y en sus aplicaciones. Son transformaciones entre espacios vectoriales que conservan la suma vectorial y la multiplicación por escalar. Sean V y W dos espacios vectoriales posiblemente iguales. Una transformación lineal o mapeo lineal de V a W es una función T: V → W* tal que para todos los vectores u y v de V y cualquier escalar c: a) T(u + v) = T(u) + T(v) b) T(c u) = c T(u) *Escribimos T: V → W para indicar que T transforma V en W

Las transformaciones lineales se llaman con frecuencia operadores lineales. También, las funciones que satisfacen a) y b) se denominan funciones lineales. En R2 definamos una función T por la fórmula T( ) ( ) geométricamente, T

toma un vector en R2 y lo transforma en su reflexión con respecto al eje x. una vez que hayamos dado la definición básica, veremos que T es una transformación lineal de R2 en R2.
Página 3 de 39

vn en V y todos los escalares c1. Entonces para todos los vectores v1. T(0)= 0……. Teorema 4: sea T: V → W una transformación lineal. T(u-v)= T(u). Esta transformación lineal mapea a todos los vectores de V en 0.T(0)= T(0v)= 0T(v)=0 2. en W se le llama transformación cero. 2..cn: T(c1v1+c2v2+…+cnvn)= c1Tv1+c2Tv2+…+cnTvn Demostración: Si T es lineal. Así.c2.Propiedades de las transformaciones lineales Teorema 3: Sea T: V → W una transformación lineal. las transformaciones lineales mapean una combinación lineal de vectores en la misma combinación lineal de las imágenes de esos vectores.T(v) Demostración: 1.…. entonces T(c1v1 + C2v2)= T(c1v1) + T(c2v2)=c1T(v1)+ c2T(v2)… y asi sucesivamente.…. Entonces 1. v2.-…haciendo que c1=1 y c2=-1 T(u-v)= T(1u+(-1)v)= 1T(u)+ (-1)T(v)= T(u) – T(v) Página 4 de 39 .

el conjunto T(B)= {T(v1).Teorema 5: sea T: V → W una transformación lineal y sea B= {v1.T(v2)…. como B genera a V. Entonces W= T(v)= T(c1v1+…+cnvn)=c1T(v1)+…+cnT(vn) de aquí que W sea una combinación lineal de T(B) Ejemplo Página 5 de 39 . hay escalares c tales que v=c1v1.…vn} el generador de V. entonces.v2.T(vn)} genera el contradominio de T. Demostración: Sea W ∈ R Entonces existe un v que pertenece a V tal que T(v)=W.

Ejemplo Página 6 de 39 .

T es lineal porque T(u+w)= c(u + w)= cu + cw= T(u) + T(w) T(ru)= c(ru)= rT(u) Si c > 1. y su efecto sobre v es estirarlo en un factor de c. Ejemplos: Página 7 de 39 .2 EJEMPLOS DE TRANSFORMACIONES LINEALES (REFLEXIÓN. la homotecia es una contracción. Si 0 < c < 1. si c <0. T: V → W es lineal. CONTRACCIÓN. DILATACIÓN. T(v)= cv Sea u y w ∈ V y r ∈ R. esta transformación invierte la dirección de v.5. la homotecia es una dilatación. ROTACIÓN) Homotecia Para un escalar fijo c. y su efecto sobre v es encogerla en un factor de c.

Ahora bien. Página 8 de 39 . geométricamente. Es fácil verificar que T es 2 lineal y que. si T: R2 R2 definida por ( ) ( ). a esto se le llama reflexión. T toma un vector en R y lo refleja con respecto al eje y.

Ejemplo: Página 9 de 39 .

Página 10 de 39 .Transformación de rotación Supongamos que el vector ( ) en el plano xy gira un ángulo ϴ en la dirección contraria a las manecillas del reloj.

Entonces. se llama transformación de rotación. La transformación lineal T: R2 R2 definida por Tv= Aϴv. vemos que ( ) ( ). Ejemplo: Página 11 de 39 . de (3) y (4). Entonces. donde Aϴ está dada por (5). si r denota la longitud de v (la cual no cambia con la rotación).Sea ( ) el vector girado. como en la figura.

Página 12 de 39 .

.3 DEFINICIÓN DE NÚCLEO O KERNEL. Sean V y W espacios vectoriales y sea T: V → W Entonces: una transformación lineal. Demostración: Página 13 de 39 .. denotada como R(T). la dimensión del contradominio se llama rango de T. esta dado por: KerT{v ∈ V: Tv=0 ∈ W} La imagen de T. E IMAGEN DE UNA TRANSFORMACIÓN LINEAL.5. denotado como KerT.ker(T) es un subespacio de V 2. Entonces 1. La dimensión del núcleo se llama nulidad de T. esta dada por: R(T)={w ∈ W: w=Tv para alguna v ∈ V} Sea T: V → W una transformación lineal.R(T) es un subespacio de W La propiedad fundamental del núcleo y del contradominio es que ambos son espacios vectoriales. El kernel o núcleo de T.

R(T)= col(A). Ker(T)= V(A). entonces T(x)= 0 si y solo si Ax=0. En consecuencia. entonces hay un x en Rn tal que T(x)=b si y solo si Ax=b. se cumple lo siguiente: Sea T: Rn⟶Rm es una transformación matricial cuya matriz estándar es A.En caso especial en el que la transformación lineal es matricial. si b esta en Rm. igualmente. Las partes de las nulidades y los rangos se ven a continuación. entonces. De aquí. El teorema de la dimensión Si T: V⟶ W es una transformación lineal de un espacio vectorial V de dimensión finita a un espacio vectorial W. Entonces: Demostración: Puesto que T(x)= AX. Nulidad(T) + Rango(T)= dim(V) Página 14 de 39 .

1. (0. A se expresa con: Y está en forma escalonada reducida por operaciones de renglón.0). Por consiguiente.0.0} es una base para V(A)= Ker(T).Ejemplo: Calcule las bases para el núcleo y el contradominio y determine la nulidad y el rango de T: R4⟶R3.0.2.1)} forman una base para Col(A)= R(T)= R3.0). los vectores {(1.z. De modo que el rango de T es 3 y la nulidad es 1.w)= (x+3z. (0.y . T(x. Ejemplo: Dada la transformación lineal Determinar la imagen de Página 15 de 39 . basta expresar a T como transformación matricial y obtener las bases para las columnas y el espacio nulo de su matriz estándar A.2z. Por otra parte {-3.y.1.w) Solución: De acuerdo con el teorema.

y.y.1. sean tales que: T(x.(1.y.b. y determinando su escalonada luego. Im(T) = {(a.0. Para ello.c) Igualando coordenadas tenemos el siguiente sistema Ahora.z) = (a.Solución: Si recordamos el proceso que usamos en el cálculo en una variable.c) (2x-y+z.b.b.z)=(a. determinemos cuales vectores tienen preimagen.z) ((T(x.0). resolvamos el sistema buscando la matriz asociada a él. lo cual es equivalente a escribir Por lo tanto.x-y+z.c)) = {(a.b.c) /((x. un vector tiene preimagen si y sólo si el sistema el sistema es consistente (no necesitamos que la solución sea única).1)>: Página 16 de 39 .b.x) = (a.c) /a-b-c=0} = <(1.

….5. hay escalares c1.vn} una base de V y B’= {v’1. Así Porque T es lineal. Sea B= {v1………. Sea T: V → W una transformación lineal entre dos espacios vectoriales V y W de dimensiones finitas. la matriz A m x n cuyas columnas son: Es la única matriz que satisface Para todo v ∈ V Demostración: Como B genera a V.……..v’m} una base de W.4 LA MATRIZ DE UNA TRANSFORMACIÓN LINEAL Y REPRESENTACIÓN MATRICIAL DE UNA TRANSFORMACIÓN LINEAL.cn tales que v= c1v1+…+cnvn. por consiguiente: Página 17 de 39 .

T es una transformación matricial cuya matriz estándar es A. respectivamente. Página 18 de 39 .Teorema: Toda transformación lineal T: Rn⟶Rm es una transformación matricial. Entonces hay una matriz A tal que Para todo v ∈ Rn. Demostración: Sean B y B’ las bases estándar de Rn y Rm. Pero como T(v)=[T(v)]B’ y A[v]B= Av para las bases estándar. tenemos T(v)= Av Por consiguiente.

Ejemplos: Solución: Página 19 de 39 .

Ejercicios Página 20 de 39 .

Página 21 de 39 .

Página 22 de 39 .

se puede utilizar una técnica llamada superposición. ya que se puede utilizar una técnica llamada superposición. Los sistemas de ecuaciones lineales son ecuaciones que tienen n incógnitas. A partir de una ecuación lineal podemos hacerle las transformaciones lineales para tener como resultado escalares. por lo que es de gran interés demostrar que un proceso puede ser reducido a un sistema lineal. por lo que es de gran interés demostrar que un proceso puede ser reducido a un sistema lineal. Una transformación lineal es un conjunto de operaciones que se realizan sobre un vector para convertirlo en otro vector. Por otra parte. lo cual solo puede lograrse demostrando que estas operaciones forman una transformación lineal. la cual simplifica de gran manera gran variedad de cálculos.5 TRANSFORMACIONES Y SISTEMAS DE ECUACIONES LINEALES. lamentablemente no siempre ocurre y es necesario transformar a los vectores para poderlos trabajar más fácilmente. la cual simplifica de gran manera gran variedad de cálculos. trabajar con sistemas lineales es mucho más sencillo que con sistemas no lineales. las cuales podemos representar en una notación matricial.5. lo cual solo puede lograrse demostrando que estas operaciones forman una transformación lineal. En ocasiones trabajar con vectores es muy sencillo ya que pueden ser fácilmente interpretados dentro de un contexto gráfico. Página 23 de 39 .

en} y {a1. ...... .ar) ⇔ rangA ≠ rangB.... ain). O sea: Proposición Dada la matriz A... Sean {e1.. El número máximo de vectores LI es el rango de los {a1....ar) ⇔v(a1. ar..an} ⊂ V / ai = (ai1. v) Consecuencias: Sea el sistema decimos que el sistema es incompatible (sin solución) si v ∉ L(a1. . ... . Sean (V....K) / dimV = n y {a1... . Teorema de Rouché-Frobenious... ..Definición Sea (V.. .ak})] ... . el rangA es igual al mayor orden de los menores con det≠ 0....... donde: el sistema Página 24 de 39 .ak} = dim [L({a1.... en}.....K) / dimV = n y sea BV = {e1.. .... .....ar} ∈ V v ∈ L(a1.................ar) = v(a1..

…an)/ ∑aijaj=bj. El sistema de ecuaciones lineales tiene solución si el vector Página 25 de 39 . Otro punto de vista es el siguiente: Consideremos el sistema que podemos reescribir de la forma La solución del sistema es un conjunto de escalares (a1. Si rangA es menor que la dimensión del espacio entonces el sistema es compatible pero existen muchas soluciones.Frobenious (2). Sea ahora f: V⟶ W tal que dimV= n y dimW=p tal que Bv= {e1.es compatible si Observación: Si rangA es máximo e igual a la dimensión de V entonces el sistema es compatible determinado (existe una única solución).…up} tal que Las ecuaciones de f respecto de Bv son Teorema de Rouche.…en} y Bw= {u1.

El conjunto de todas las soluciones del sistema es: Entonces el sistema es compatible si Regla de cramer Sistema en el que el número de ecuaciones coincide con el de incógnitas/ detA≠ 0 Sea: Como detA≠ 0 entonces ƎA-1 Página 26 de 39 .F dice: Ǝ! Solución si rangA= rangB Las ecuaciones del sistema homogéneo representan las ecuaciones del kerf.Teniendo en cuenta que los vectores * ( )+ constituyen un sistema de generadores de Imf y puesto que dim[imf]= rangA si llamamos B a la matriz ampliada. entonces el teorema de R. el conjunto de sus soluciones es el conjunto f -1(b) i.e. si el sistema es compatible.

Ejemplo 1 Resolver el sistema Sea Página 27 de 39 .

Ejemplo 2 Página 28 de 39 .

Página 29 de 39 .

Observese que los primeros 3 axiomas los podemos resumir en uno: la suma de vectores y definen un anillo en el espacio vectorial. Pero esto es obvio ya que la función identidad cumple que f*1=1f=f Página 30 de 39 . se le llama álgebra. Los operadores lineales juegan (como veremos mas adelante) un papel muy importante en el estudio de las transformaciones lineales. Alg1) *es asociativa Alg2) *es distributiva con respecto a + Alg3) *tiene elemento neutro Alg4) *conmuta con el producto por escalares Para ver que Endc es un álgebra solo nos queda comprobar que la composición tiene elemento neutro. El cuarto axioma lo que quiere decir es que para cualquier escalar λ y cualesquiera vectores a y b se cumple que λa*b=λb(a*b).c). la principal diferencia entre las transformaciones lineales y los operadores lineales es que la operación de composición es una operación interna en espacio vectorial Endc.5. Esto quiere decir que si componemos 2 operadores. entonces. Si un espacio vectorial cualquiera (el cual ya trae definidos la suma y el producto por escalares) tiene otra operación binaria que cumple los axiomas en el recuadro a la derecha.6 ÁLGEBRA DE LAS TRANSFORMACIONES LINEALES. A una transformación lineal de un espacio vectorial en sí mismo se le llama operador lineal. el conjunto de todos los operadores lineales de c se denotara por Endc debido a que los operadores lineales también son conocidos como endomorfismos de un espacio vectorial. Por definición tenemos Endc= Mor(c. obtendremos otro.

los números complejos son un espacio vectorial de dimensión sobre los reales pero además sabemos multiplicar números complejos. Primero. Un álgebra se le llama conmutativa si el producto de vectores es conmutativo. Ejemplos: Página 31 de 39 . el conjunto de los polinomios con coeficientes reales R[x] es un espacio vectorial sobre R. Las algebras Endc casi nunca son conmutativas (salvo en dimensión). segundo. Por ejemplo en el plano cartesiano R2 la rotación f en 45° y la reflexión g en el eje y son operadores lineales. El álgebra de los números complejos y el álgebra de polinomios sobre un campo son conmutativas.O sea. es el neutro para la composición. Hemos demostrado el siguiente resultado: El espacio vectorial Endc en un algebra con respecto a la composición Hay dos álgebras importantes que deben ser muy conocidas por el lector.

Página 32 de 39 .

En el caso especial en que m= n y A sea la matriz I de identidad. una transformación afín T: Rn⟶Rm tiene la forma T(x)= Ax + b Para algún vector m fijo b. T consiste en una rotación de 45° seguida de una traslación por (-2. n x n. T(0)≠ 0.7 APLICACIONES DE LAS TRANSFORMACIONES LINEALES. Una transformación afín es una transformación lineal seguida de una traslación. Por lo anterior.0). La figura (a) muestra la imagen S’ del cuadrado S después de la traslación por (2.5. esta transformación es no lineal si b≠ 0. entonces T(x)= Ix + b= x + b A esta T se le llama traslación por b.-1) y la figura (b) muestra la transformación afín. Las transformaciones afines con n= m= 2 y n=m=3 son muy útiles para las graficas en computadora. Transformaciones afines y gráficas de computadora Definiciones Sea A una matriz m x n. Página 33 de 39 . Una traslación por un vector b≠ 0 desplaza a una figura sumando b a todos sus puntos.

7).7).-1). (-0. (2.5.(1.65. (2.7.3).-1) Página 34 de 39 . (0. (-0.-0. (0.-2).7).-1). (0.7). -0.0.Ejercicio 1 Obtenga la transformación afín T que convirtió la imagen izquierda de la figura en la de la derecha. 0).7). (-1.05.7. (0. (0. puesto que se usaronlos siguientes puntos: (1.0). (0.7.0). (0.3). (1.1).7.0.-1).-1.7).05. (0.-0. -0.0) Cuyas respectivas imágenes fueron: (2.-1. (1.35.5.

Tranformaciones afines y fractales En los últimos años ha surgido un área nueva en las matemáticas. T es el deslizamiento en 0. Esto se debio al trabajo precursor de Benoit Mandelbrot de la IBM Corporation. von Koch. La palabra Fractal. y a la disponibilidad de computadora rapidas. A continuación describiremos 2 fractales. el triángulo de Sierpinski y un fractal que se ve como un abeto (es un análogo del helecho por M. introducida por Mandelbrot.-1).5 a lo largo del eje x seguido de la traslación por (1. llamada geometría fractal.Por lo anterior. Peano y otros matemáticos del siglo XIX. M. Página 35 de 39 . Aunque esta geometría tiene sus raíces en varias contribuciones importantes como las de Cantor. no fue sino hasta finales de la década de los 60’s que llego a ser un campo nuevo. Barnsley). Sierpinski. Barnsley observó que pueden obtenerse muchos objetos “fractaloides” graficando iteraciones de ciertas transformaciones afines. se usa para describir figuras con infinitas repeticiones d ela misma forma.

y se calcula y grafica fi( Partiremos de este nuevo punto y repetiremos el proceso tanto como lo deseemos.0) y elegimos un punto dentro de él.1. por ejemplo. El Triángulo de sierpinski Sean f1. f2 0 f3. en el punto ( ). A continuación seleccionamos al azar ).0). Y lo graficamos. f2. una de las transformaciones f1. (1. digamos f1. aquel cuyos vértices están en (0. La imagen que resulta es un “objeto fractal” que parece un triángulo con agujeros triangulares (si se grafican bastantes puntos). f3 las 3 transformaciones afines de R2 a R2 expresadas por El triángulo de Sierpinski puede generarse como sigue: comenzaremos con un triángulo. digamos. Página 36 de 39 .

f2.f4 las 4 transformaciones afines de R2 a R2 representadas por El fractal parecido a un abeto puede generarse como sigue: se elige y grafica cualquier punto. digamos fi y se calcula y grafica fi(5. Haciendo que éste sea un nuevo punto de partida.5). por ejemplo (5. A continuación se selecciona aleatoriamente una de las funciones f1. La imagen que resulta parece una parte de un abeto.2. se repite el proceso. f2.5).f3 o f4.f3. Página 37 de 39 . Un abeto parecido al helecho de Barnsley Sean f1.

A continuación describiremos el procedimiento que generó ambos fractales. Algoritmo: Página 38 de 39 . Este procedimiento produce una imagen fractal para algunos conjuntos de transformaciones afines.

Stanley.. Edit..  Nakos.  Belinchón. Transformaciones lineales con aplicaciones (4ª Edicion). Thomson. Página 39 de 39 . George. José A.BIBLIOGRAFIA  Grossman. McGraw-Hill. notas del álgebra lineal Elemental.  Williams. ALGEBRA LINEAL 2ª edición. ÁLGEBRA LINEAL CON APLICACIONES. Edit. Garet.

Sign up to vote on this title
UsefulNot useful