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

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

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

Ejemplo Página 6 de 39 .

CONTRACCIÓN. Si 0 < c < 1. y su efecto sobre v es encogerla en un factor de c.2 EJEMPLOS DE TRANSFORMACIONES LINEALES (REFLEXIÓN. 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. DILATACIÓN. esta transformación invierte la dirección de v. si c <0.5. T(v)= cv Sea u y w ∈ V y r ∈ R. ROTACIÓN) Homotecia Para un escalar fijo c. la homotecia es una contracción. T: V → W es lineal. Ejemplos: Página 7 de 39 . y su efecto sobre v es estirarlo en un factor de c. la homotecia es una dilatación.

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

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

Página 12 de 39 .

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

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

1. A se expresa con: Y está en forma escalonada reducida por operaciones de renglón. T(x.1.0). (0.w)= (x+3z.0.0).2.0.2z. (0. Ejemplo: Dada la transformación lineal Determinar la imagen de Página 15 de 39 .Ejemplo: Calcule las bases para el núcleo y el contradominio y determine la nulidad y el rango de T: R4⟶R3.y.w) Solución: De acuerdo con el teorema. De modo que el rango de T es 3 y la nulidad es 1.z.1)} forman una base para Col(A)= R(T)= R3. los vectores {(1. basta expresar a T como transformación matricial y obtener las bases para las columnas y el espacio nulo de su matriz estándar A. Por consiguiente.0} es una base para V(A)= Ker(T).y . Por otra parte {-3.

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

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

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

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

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

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.…en} y Bw= {u1.…up} tal que Las ecuaciones de f respecto de Bv son Teorema de Rouche. 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 .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).…an)/ ∑aijaj=bj.

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. 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.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 .

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.5.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. 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. Por definición tenemos Endc= Mor(c. Observese que los primeros 3 axiomas los podemos resumir en uno: la suma de vectores y definen un anillo en el espacio vectorial. Esto quiere decir que si componemos 2 operadores. A una transformación lineal de un espacio vectorial en sí mismo se le llama operador lineal. Pero esto es obvio ya que la función identidad cumple que f*1=1f=f Página 30 de 39 . entonces. 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. 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. Los operadores lineales juegan (como veremos mas adelante) un papel muy importante en el estudio de las transformaciones lineales. obtendremos otro.

Las algebras Endc casi nunca son conmutativas (salvo en dimensión). Un álgebra se le llama conmutativa si el producto de vectores es conmutativo. segundo. 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. los números complejos son un espacio vectorial de dimensión sobre los reales pero además sabemos multiplicar números complejos. 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.O sea. el conjunto de los polinomios con coeficientes reales R[x] es un espacio vectorial sobre R. Ejemplos: Página 31 de 39 . Primero.

Página 32 de 39 .

Por lo anterior. Página 33 de 39 . n x n. Una traslación por un vector b≠ 0 desplaza a una figura sumando b a todos sus puntos. T consiste en una rotación de 45° seguida de una traslación por (-2.0). T(0)≠ 0. entonces T(x)= Ix + b= x + b A esta T se le llama traslación por b. En el caso especial en que m= n y A sea la matriz I de identidad. Una transformación afín es una transformación lineal seguida de una traslación. esta transformación es no lineal si b≠ 0. una transformación afín T: Rn⟶Rm tiene la forma T(x)= Ax + b Para algún vector m fijo b.-1) y la figura (b) muestra la transformación afín. La figura (a) muestra la imagen S’ del cuadrado S después de la traslación por (2.7 APLICACIONES DE LAS TRANSFORMACIONES LINEALES. Las transformaciones afines con n= m= 2 y n=m=3 son muy útiles para las graficas en computadora. Transformaciones afines y gráficas de computadora Definiciones Sea A una matriz m x n.5.

-0.5. (0.7). (0. (1.-0.0. (2.-1).1). (-1.7.3).05. (0. -0.0).0.65. (0.7).35.05.0) Cuyas respectivas imágenes fueron: (2. (-0.5.3).-1.(1. -0.0). (0. (0. (0.7). puesto que se usaronlos siguientes puntos: (1. (0. (1.-1). 0).-1). (-0.7).7.Ejercicio 1 Obtenga la transformación afín T que convirtió la imagen izquierda de la figura en la de la derecha.7).-1) Página 34 de 39 .-1. (2.-2).7.7.7).

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

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

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

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.

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

Sign up to vote on this title
UsefulNot useful