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

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

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.…vn} el generador de V.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 .T(v2)…. hay escalares c tales que v=c1v1.Teorema 5: sea T: V → W una transformación lineal y sea B= {v1. el conjunto T(B)= {T(v1).

Ejemplo Página 6 de 39 .

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

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

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.

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

Página 12 de 39 .

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

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

1.y .0. T(x.0} es una base para V(A)= Ker(T).z.0).y.2z.Ejemplo: Calcule las bases para el núcleo y el contradominio y determine la nulidad y el rango de T: R4⟶R3. De modo que el rango de T es 3 y la nulidad es 1.w) Solución: De acuerdo con el teorema.1. A se expresa con: Y está en forma escalonada reducida por operaciones de renglón. Por consiguiente.2.0. Por otra parte {-3.0). basta expresar a T como transformación matricial y obtener las bases para las columnas y el espacio nulo de su matriz estándar A. Ejemplo: Dada la transformación lineal Determinar la imagen de Página 15 de 39 .w)= (x+3z. los vectores {(1. (0. (0.1)} forman una base para Col(A)= R(T)= R3.

Im(T) = {(a. 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 . Para ello.y.b. resolvamos el sistema buscando la matriz asociada a él. lo cual es equivalente a escribir Por lo tanto.b.0).z)=(a.(1.Solución: Si recordamos el proceso que usamos en el cálculo en una variable.y.x) = (a.b. sean tales que: T(x.y.c) /a-b-c=0} = <(1. determinemos cuales vectores tienen preimagen. y determinando su escalonada luego.c) (2x-y+z.c)) = {(a.c) /((x.b.z) = (a.1.c) Igualando coordenadas tenemos el siguiente sistema Ahora.0.z) ((T(x.x-y+z.b.

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

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

Ejemplos: Solución: Página 19 de 39 .

Ejercicios Página 20 de 39 .

Página 21 de 39 .

Página 22 de 39 .

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

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

…en} y Bw= {u1.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).Frobenious (2). 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.…up} tal que Las ecuaciones de f respecto de Bv son Teorema de Rouche. El sistema de ecuaciones lineales tiene solución si el vector Página 25 de 39 .…an)/ ∑aijaj=bj. 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.

e. si el sistema es compatible. entonces el teorema de R.F dice: Ǝ! Solución si rangA= rangB Las ecuaciones del sistema homogéneo representan las ecuaciones del kerf. 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 . el conjunto de sus soluciones es el conjunto f -1(b) i.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.

Ejemplo 1 Resolver el sistema Sea Página 27 de 39 .

Ejemplo 2 Página 28 de 39 .

Página 29 de 39 .

A una transformación lineal de un espacio vectorial en sí mismo se le llama operador lineal. entonces. 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. Observese que los primeros 3 axiomas los podemos resumir en uno: la suma de vectores y definen un anillo en el espacio vectorial. 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. 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 . 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).6 ÁLGEBRA DE LAS TRANSFORMACIONES LINEALES. se le llama álgebra.5. Los operadores lineales juegan (como veremos mas adelante) un papel muy importante en el estudio de las transformaciones lineales.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. Por definición tenemos Endc= Mor(c. obtendremos otro.

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

Página 32 de 39 .

una transformación afín T: Rn⟶Rm tiene la forma T(x)= Ax + b Para algún vector m fijo b. En el caso especial en que m= n y A sea la matriz I de identidad. Las transformaciones afines con n= m= 2 y n=m=3 son muy útiles para las graficas en computadora.0).-1) y la figura (b) muestra la transformación afín. La figura (a) muestra la imagen S’ del cuadrado S después de la traslación por (2. Una traslación por un vector b≠ 0 desplaza a una figura sumando b a todos sus puntos. esta transformación es no lineal si b≠ 0. Transformaciones afines y gráficas de computadora Definiciones Sea A una matriz m x n. Por lo anterior.5.7 APLICACIONES DE LAS TRANSFORMACIONES LINEALES. T(0)≠ 0. entonces T(x)= Ix + b= x + b A esta T se le llama traslación por b. n x n. T consiste en una rotación de 45° seguida de una traslación por (-2. Página 33 de 39 . Una transformación afín es una transformación lineal seguida de una traslación.

(-1. (0. (-0. (0.0).7.7. (-0.-1).0. (0.7). (2.0.-1) Página 34 de 39 .05.7).5. 0). (0.05.7.7.-2).7).-0. -0.7). (0.35. (0.-1. (0. (2.0) Cuyas respectivas imágenes fueron: (2.-1). (1.-0.3).0). puesto que se usaronlos siguientes puntos: (1. (1.7).-1.5.65. -0.7).-1).Ejercicio 1 Obtenga la transformación afín T que convirtió la imagen izquierda de la figura en la de la derecha.1).(1. (0.3).

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

Y lo graficamos. y se calcula y grafica fi( Partiremos de este nuevo punto y repetiremos el proceso tanto como lo deseemos. El Triángulo de sierpinski Sean f1. en el punto ( ). una de las transformaciones f1. digamos. f2. Página 36 de 39 . La imagen que resulta es un “objeto fractal” que parece un triángulo con agujeros triangulares (si se grafican bastantes puntos). (1. por ejemplo. aquel cuyos vértices están en (0. A continuación seleccionamos al azar ).1.0) y elegimos un punto dentro de él. digamos f1.0). f2 0 f3. f3 las 3 transformaciones afines de R2 a R2 expresadas por El triángulo de Sierpinski puede generarse como sigue: comenzaremos con un triángulo.

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

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

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

Sign up to vote on this title
UsefulNot useful