P. 1
Transformaciones lineales

Transformaciones lineales

|Views: 11.723|Likes:

More info:

Published by: Ana Irene Ortiz Peralta on Oct 02, 2011
Copyright:Attribution Non-commercial

Availability:

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

01/15/2015

pdf

text

original

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

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

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

Ejemplo Página 6 de 39 .

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

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

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 .

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

Página 12 de 39 .

.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.5. esta dado por: KerT{v ∈ V: Tv=0 ∈ W} La imagen de T. Sean V y W espacios vectoriales y sea T: V → W Entonces: una transformación lineal. denotado como KerT. Entonces 1.ker(T) es un subespacio de V 2. El kernel o núcleo de T.3 DEFINICIÓN DE NÚCLEO O KERNEL. Demostración: Página 13 de 39 . 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. La dimensión del núcleo se llama nulidad de T.. denotada como R(T).

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

Ejemplo: Calcule las bases para el núcleo y el contradominio y determine la nulidad y el rango de T: R4⟶R3.1.y . basta expresar a T como transformación matricial y obtener las bases para las columnas y el espacio nulo de su matriz estándar A. los vectores {(1.0).0.w) Solución: De acuerdo con el teorema.2. A se expresa con: Y está en forma escalonada reducida por operaciones de renglón. Por otra parte {-3.0). Por consiguiente.1.1)} forman una base para Col(A)= R(T)= R3. T(x. Ejemplo: Dada la transformación lineal Determinar la imagen de Página 15 de 39 .0} es una base para V(A)= Ker(T).0.y. (0.2z.z. (0.w)= (x+3z. De modo que el rango de T es 3 y la nulidad es 1.

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

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

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. Entonces hay una matriz A tal que Para todo v ∈ Rn. T es una transformación matricial cuya matriz estándar es A. Página 18 de 39 .Teorema: Toda transformación lineal T: Rn⟶Rm es una transformación matricial. 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 .

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

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

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.Frobenious (2). El sistema de ecuaciones lineales tiene solución si el vector Página 25 de 39 . 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).…en} y Bw= {u1.…up} tal que Las ecuaciones de f respecto de Bv son Teorema de Rouche.…an)/ ∑aijaj=bj. Si rangA es menor que la dimensión del espacio entonces el sistema es compatible pero existen muchas soluciones.

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

Ejemplo 1 Resolver el sistema Sea Página 27 de 39 .

Ejemplo 2 Página 28 de 39 .

Página 29 de 39 .

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. 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). A una transformación lineal de un espacio vectorial en sí mismo se le llama operador lineal. 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. 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. 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. entonces. obtendremos otro. 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.c).6 ÁLGEBRA DE LAS TRANSFORMACIONES LINEALES.5. Por definición tenemos Endc= Mor(c. Esto quiere decir que si componemos 2 operadores. se le llama álgebra.

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

Página 32 de 39 .

T(0)≠ 0.5. Transformaciones afines y gráficas de computadora Definiciones Sea A una matriz m x n. Por lo anterior. esta transformación es no lineal si b≠ 0. T consiste en una rotación de 45° seguida de una traslación por (-2. entonces T(x)= Ix + b= x + b A esta T se le llama traslación por b. Una traslación por un vector b≠ 0 desplaza a una figura sumando b a todos sus puntos. La figura (a) muestra la imagen S’ del cuadrado S después de la traslación por (2. Una transformación afín es una transformación lineal seguida de una traslación.7 APLICACIONES DE LAS TRANSFORMACIONES LINEALES. 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. n x n.-1) y la figura (b) muestra la transformación afín. Página 33 de 39 .0). En el caso especial en que m= n y A sea la matriz I de identidad.

05. (0.-1). (-0.0.-1). (0.0) Cuyas respectivas imágenes fueron: (2.1).5.-1. (0.0). (0. (1.7. (2.7. 0).05.-0. (0.7.7).7).Ejercicio 1 Obtenga la transformación afín T que convirtió la imagen izquierda de la figura en la de la derecha. (0.3).-1).0). (-0. (1.7).(1. (0.3).7).0. (-1.7).-1) Página 34 de 39 .-2). puesto que se usaronlos siguientes puntos: (1.-0. (0. (2. -0.65.7).7.35.-1.5. -0.

Barnsley). introducida por Mandelbrot. La palabra Fractal. Página 35 de 39 . Tranformaciones afines y fractales En los últimos años ha surgido un área nueva en las matemáticas. M.-1). A continuación describiremos 2 fractales. Esto se debio al trabajo precursor de Benoit Mandelbrot de la IBM Corporation.5 a lo largo del eje x seguido de la traslación por (1. y a la disponibilidad de computadora rapidas. llamada geometría fractal. Sierpinski. T es el deslizamiento en 0. 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.Por lo anterior. von Koch. 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. 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.

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

digamos fi y se calcula y grafica fi(5.5). Haciendo que éste sea un nuevo punto de partida.2.f3.5).f3 o f4. f2. La imagen que resulta parece una parte de un abeto. Un abeto parecido al helecho de Barnsley Sean f1.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. por ejemplo (5. A continuación se selecciona aleatoriamente una de las funciones f1. f2. Página 37 de 39 . se repite el proceso.

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

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

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)//-->