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

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

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

Ejemplo Página 6 de 39 .

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

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

Ejemplo: Página 9 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. Página 10 de 39 .

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

Página 12 de 39 .

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

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. 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. entonces T(x)= 0 si y solo si Ax=0. R(T)= col(A).En caso especial en el que la transformación lineal es matricial. Nulidad(T) + Rango(T)= dim(V) Página 14 de 39 . Entonces: Demostración: Puesto que T(x)= AX. En consecuencia. Las partes de las nulidades y los rangos se ven a continuación. Ker(T)= V(A). si b esta en Rm. De aquí. igualmente.

0).1. A se expresa con: Y está en forma escalonada reducida por operaciones de renglón.0). (0. Por consiguiente.y .Ejemplo: Calcule las bases para el núcleo y el contradominio y determine la nulidad y el rango de T: R4⟶R3. los vectores {(1.0.y.2z.0} es una base para V(A)= Ker(T).z. De modo que el rango de T es 3 y la nulidad es 1.w)= (x+3z. Por otra parte {-3.0.1)} forman una base para Col(A)= R(T)= R3. Ejemplo: Dada la transformación lineal Determinar la imagen de Página 15 de 39 . (0.2. basta expresar a T como transformación matricial y obtener las bases para las columnas y el espacio nulo de su matriz estándar A. T(x.w) Solución: De acuerdo con el teorema.1.

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

vn} una base de V y B’= {v’1.v’m} una base de W.4 LA MATRIZ DE UNA TRANSFORMACIÓN LINEAL Y REPRESENTACIÓN MATRICIAL DE UNA TRANSFORMACIÓN LINEAL. Sea T: V → W una transformación lineal entre dos espacios vectoriales V y W de dimensiones finitas. por consiguiente: Página 17 de 39 . Así Porque T es lineal.5.. 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.cn tales que v= c1v1+…+cnvn. hay escalares c1. Sea B= {v1……….…….….

Página 18 de 39 . Entonces hay una matriz A tal que Para todo v ∈ Rn. T es una transformación matricial cuya matriz estándar es A. tenemos T(v)= Av Por consiguiente.Teorema: Toda transformación lineal T: Rn⟶Rm es una transformación matricial. respectivamente. 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.

Ejemplos: Solución: Página 19 de 39 .

Ejercicios Página 20 de 39 .

Página 21 de 39 .

Página 22 de 39 .

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

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

Sea ahora f: V⟶ W tal que dimV= n y dimW=p tal que Bv= {e1. Si rangA es menor que la dimensión del espacio entonces el sistema es compatible pero existen muchas soluciones. El sistema de ecuaciones lineales tiene solución si el vector Página 25 de 39 .Frobenious (2).…en} y Bw= {u1. 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.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.…an)/ ∑aijaj=bj.

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.e. el conjunto de sus soluciones es el conjunto f -1(b) i. 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. 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 .

entonces. Por definición tenemos Endc= Mor(c. A una transformación lineal de un espacio vectorial en sí mismo se le llama operador lineal. 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). 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. Los operadores lineales juegan (como veremos mas adelante) un papel muy importante en el estudio de las transformaciones lineales. obtendremos otro. se le llama álgebra. 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. Esto quiere decir que si componemos 2 operadores. Pero esto es obvio ya que la función identidad cumple que f*1=1f=f Página 30 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.5.6 ÁLGEBRA DE LAS TRANSFORMACIONES LINEALES. 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.

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

Página 32 de 39 .

En el caso especial en que m= n y A sea la matriz I de identidad. T consiste en una rotación de 45° seguida de una traslación por (-2. Las transformaciones afines con n= m= 2 y n=m=3 son muy útiles para las graficas en computadora. una transformación afín T: Rn⟶Rm tiene la forma T(x)= Ax + b Para algún vector m fijo b.5. entonces T(x)= Ix + b= x + b A esta T se le llama traslación por b.7 APLICACIONES DE LAS TRANSFORMACIONES LINEALES. Por lo anterior. La figura (a) muestra la imagen S’ del cuadrado S después de la traslación por (2. Página 33 de 39 . n x n. Una traslación por un vector b≠ 0 desplaza a una figura sumando b a todos sus puntos.-1) y la figura (b) muestra la transformación afín. Una transformación afín es una transformación lineal seguida de una traslación. esta transformación es no lineal si b≠ 0. Transformaciones afines y gráficas de computadora Definiciones Sea A una matriz m x n.0). T(0)≠ 0.

-1. -0.1).7. (0. (1.0).3).3).0.05.-2).7).-0.7).7. (-0. (-1. puesto que se usaronlos siguientes puntos: (1.-1) Página 34 de 39 .35. -0.0) Cuyas respectivas imágenes fueron: (2.65.7).05.-1). (0. (0.0).-1). (-0.-1. 0).7). (2. (0. (2.5. (0. (0.7).-1). (1.7).7.-0.5.(1.7. (0.0. (0.Ejercicio 1 Obtenga la transformación afín T que convirtió la imagen izquierda de la figura en la de la derecha.

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

en el punto ( ). Y lo graficamos.0). La imagen que resulta es un “objeto fractal” que parece un triángulo con agujeros triangulares (si se grafican bastantes puntos). aquel cuyos vértices están en (0.1. El Triángulo de sierpinski Sean f1. f2. por ejemplo. digamos f1. A continuación seleccionamos al azar ). digamos.0) y elegimos un punto dentro de él. Página 36 de 39 . una de las transformaciones f1. f3 las 3 transformaciones afines de R2 a R2 expresadas por El triángulo de Sierpinski puede generarse como sigue: comenzaremos con un triángulo. y se calcula y grafica fi( Partiremos de este nuevo punto y repetiremos el proceso tanto como lo deseemos. f2 0 f3. (1.

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.5). por ejemplo (5. Haciendo que éste sea un nuevo punto de partida. La imagen que resulta parece una parte de un abeto.f3 o f4. f2. digamos fi y se calcula y grafica fi(5.2. Un abeto parecido al helecho de Barnsley Sean f1.f3. Página 37 de 39 . f2. se repite el proceso.5). A continuación se selecciona aleatoriamente una de las funciones f1.

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

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

Sign up to vote on this title
UsefulNot useful