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

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

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

Ejemplo Página 6 de 39 .

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

Ahora bien. 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. Página 8 de 39 . geométricamente. si T: R2 R2 definida por ( ) ( ).

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

Página 12 de 39 .

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

entonces T(x)= 0 si y solo si Ax=0. entonces hay un x en Rn tal que T(x)=b si y solo si Ax=b. igualmente. Entonces: Demostración: Puesto que T(x)= AX. En consecuencia. si b esta en Rm. entonces. se cumple lo siguiente: Sea T: Rn⟶Rm es una transformación matricial cuya matriz estándar es A. 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. Ker(T)= V(A). Nulidad(T) + Rango(T)= dim(V) Página 14 de 39 . 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 modo que el rango de T es 3 y la nulidad es 1.0.2z.2.y .0} es una base para V(A)= Ker(T).y. Por consiguiente.Ejemplo: Calcule las bases para el núcleo y el contradominio y determine la nulidad y el rango de T: R4⟶R3.z. basta expresar a T como transformación matricial y obtener las bases para las columnas y el espacio nulo de su matriz estándar A.w) Solución: De acuerdo con el teorema. los vectores {(1.0.w)= (x+3z. T(x. (0.1.0). (0.1. Por otra parte {-3. A se expresa con: Y está en forma escalonada reducida por operaciones de renglón.0).1)} forman una base para Col(A)= R(T)= R3. Ejemplo: Dada la transformación lineal Determinar la imagen de Página 15 de 39 .

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

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

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

Ejemplos: Solución: Página 19 de 39 .

Ejercicios Página 20 de 39 .

Página 21 de 39 .

Página 22 de 39 .

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

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

…en} y Bw= {u1. Si rangA es menor que la dimensión del espacio entonces el sistema es compatible pero existen muchas soluciones.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.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.…up} tal que Las ecuaciones de f respecto de Bv son Teorema de Rouche. 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.

F dice: Ǝ! Solución si rangA= rangB Las ecuaciones del sistema homogéneo representan las ecuaciones del kerf.e. si el sistema es compatible.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 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. entonces el teorema de R.

Ejemplo 1 Resolver el sistema Sea Página 27 de 39 .

Ejemplo 2 Página 28 de 39 .

Página 29 de 39 .

obtendremos otro. se le llama álgebra.5. Los operadores lineales juegan (como veremos mas adelante) un papel muy importante en el estudio de las transformaciones lineales. entonces. Observese que los primeros 3 axiomas los podemos resumir en uno: la suma de vectores y definen un anillo en el espacio vectorial. Por definición tenemos Endc= Mor(c. Esto quiere decir que si componemos 2 operadores. 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. 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.6 ÁLGEBRA DE LAS TRANSFORMACIONES LINEALES. 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). 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. Pero esto es obvio ya que la función identidad cumple que f*1=1f=f Página 30 de 39 . A una transformación lineal de un espacio vectorial en sí mismo se le llama operador lineal.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.

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

Página 32 de 39 .

0). 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. una transformación afín T: Rn⟶Rm tiene la forma T(x)= Ax + b Para algún vector m fijo b. Por lo anterior. Página 33 de 39 . esta transformación es no lineal si b≠ 0. La figura (a) muestra la imagen S’ del cuadrado S después de la traslación por (2. Transformaciones afines y gráficas de computadora Definiciones Sea A una matriz m x n. 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.-1) y la figura (b) muestra la transformación afín. T(0)≠ 0. n x n. Una transformación afín es una transformación lineal seguida de una traslación.7 APLICACIONES DE LAS TRANSFORMACIONES LINEALES.5. En el caso especial en que m= n y A sea la matriz I de identidad.

5.0.7. puesto que se usaronlos siguientes puntos: (1. -0.-1. (0. (0. (0.7).0). (0. (-0.3).7).0. (0.7).0) Cuyas respectivas imágenes fueron: (2.-1.05.05.0).Ejercicio 1 Obtenga la transformación afín T que convirtió la imagen izquierda de la figura en la de la derecha.7). -0.7. 0).65.-0.-2). (-0. (-1. (0.(1.-0.-1) Página 34 de 39 . (1.3).7).-1).-1). (2.-1). (0. (2. (0.35.5.7).7.1). (1.7.

llamada geometría fractal.Por lo anterior. La palabra Fractal. von Koch. introducida por Mandelbrot. no fue sino hasta finales de la década de los 60’s que llego a ser un campo nuevo. Esto se debio al trabajo precursor de Benoit Mandelbrot de la IBM Corporation. Peano y otros matemáticos del siglo XIX. y a la disponibilidad de computadora rapidas.-1). Sierpinski. Página 35 de 39 .5 a lo largo del eje x seguido de la traslación por (1. Aunque esta geometría tiene sus raíces en varias contribuciones importantes como las de Cantor. A continuación describiremos 2 fractales. Barnsley). 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. se usa para describir figuras con infinitas repeticiones d ela misma forma. M. Tranformaciones afines y fractales En los últimos años ha surgido un área nueva en las matemáticas. Barnsley observó que pueden obtenerse muchos objetos “fractaloides” graficando iteraciones de ciertas transformaciones afines.

(1.0). por ejemplo. digamos f1.0) y elegimos un punto dentro de él. en el punto ( ). una de las transformaciones f1. y se calcula y grafica fi( Partiremos de este nuevo punto y repetiremos el proceso tanto como lo deseemos. 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 f1.1. f2 0 f3. A continuación seleccionamos al azar ). Y lo graficamos. 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. aquel cuyos vértices están en (0.

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

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.

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