P. 1
transformación lineal

transformación lineal

|Views: 122|Likes:
Publicado porKarliitha Nm

More info:

Published by: Karliitha Nm on Nov 01, 2011
Copyright:Attribution Non-commercial

Availability:

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

11/12/2012

pdf

text

original

1.

1

TRANSFORMACIÓN LINEAL aplicación entre dos espacios

Se le denomina transformación lineal a una

vectoriales, que preserva las operaciones de suma de vectores y producto por un escalar. Una trasformación lineal es un homomorfismo entre espacios vectoriales o en el lenguaje de la teoría de categorías un morfismo sobre la categoría de los espacios vectoriales sobre un cuerpo dado. Toda aplicación cuyo dominio y codominio sean espacios vectoriales que cumpla la siguiente definición: Sean V y W espacios vectoriales sobre el mismo espacio o campo K, y T una función de V en W. T es una transformación lineal si para todo par de vectores u y v pertenecientes a V y para todo escalar k perteneciente a K, se satisface que:

1.
2.

donde k es un escalar

1.2

TEOREMA

Sea B = {v1,v2,v3,...vn} base de V y C = {w1, w2, w3,...wn} un conjunto de n vectores de W no necesariamente distintos, entonces existe una única transformación lineal T: V → W que satisface:

TEOREMAS 1. Sea V un espacio de dimensión finita y sea { v1,...,vm } una base de V sobre R. Se define una función T: V → R, asignando como imagen a cada vector v = a1v1 +...+ amvm el número a1. Esta es una transformación lineal porque si v′ = b1v1 +...+ bmvm, entonces: T(av + bv′ ) = T[(aa1 + bb1)v1 +...+ (aam + bbm)vm] = aa1 + bb1 = aTv + bTv′ . 2. Usando la misma notación del ejemplo anterior, la función T: V → Rm definida por:

. es lineal. con v1 ∈ V1 y v2 ∈ V2 únicos.w)w y T(au + bv) = [(au + bv). Luego la proyección de v sobre V1 según V2 es v1. definiendo: (S + T)v = Sv + Tv para todo v ∈ V.w)w + b(v.. 5. donde v2 ≠ w y por lo tanto v1 ≠ v′ 1. v2 ∈ V2 y w ∈ W.. . La función T: V → V que a cada v ∈ V le asocia la proyección ortogonal de v sobre w es lineal. Si S y T son dos transformaciones lineales de V en W. 3.. es diferente de la proyección de V sobre V1 según W. 4. se obtiene otra transformación lineal de V en W. Sea V el espacio de los vectores de un plano y sea w ∈ V un vector de norma 1. porque entonces se tendrá para algunos vectores v de V. D: R[X] → R[X]. la suma de S y T. Esta función es lineal porque si u = u1 + u2.v′ 1 ∈ V1. En ese caso la proyección de V sobre V 1 según V2. con v1. para todo v ∈ V..w]w = a(u.+ amvm) = (a1.w)w = aTu +bTv. v = v1 + v2 = v′ 1 + w. La derivación de polinomios. como la función T: V → V dada por Tv = v1 para todo v ∈ V. entonces au + bv = au1 + bv1 + au2 + bv2 y T(au + bv) = T(au1 + bv1 + au2 + bv2) = au1 + bv1 = aTu + bTv V = V1 ⊕ V2 = V1 ⊕ W.. con V2 ≠ W. Se define entonces la proyección de V sobre V 1 según V2. Es claro que aT también es una transformación lineal de V en W.am). con u1 ∈ V1 y u2 ∈ V2.T(a1v1 +. porque la proyección de v es Tv = (v. Si V = V1 ⊕ V2. todo v ∈ V se escribe en la forma v = v 1 + v2. mientras que la proyección de v sobre V1 según W es v′ 1 ≠ v1. Para todo a ∈ R y toda transformación lineal T: V → W Se define (aT)v = a(Tv). es lineal.

2. un "escalar" es un miembro del cuerpo-base F).. definimos el espacio dual V* como el conjunto de todas las funcionales lineales en F. Epimorfismo: Si 3. Se llama imagen de la transformación T:U→ V..Una transformación lineal es regular si y solo si Ker T={0}. La imagen en una transformación lineal es el subconjunto de elementos del codominio que son imágenes de algún elemento del dominio. o sea si el único elemento del núcleo es el vector nulo. y se designa mediante Im T al subespacio de V: Im V=T(u)={vð V/ ð uð U. Se llama núcleo de una transformación lineal T:U→ V y se designa por Ker T al subespacio de U: Ker T={u ð U/ T(u)=0} Teorema. Teorema. transformaciones lineales en V a valores escalares (en este contexto.Clasificación de las transformaciones lineales 1.4 ESPACIO DUAL Refleja de una manera abstracta la relación entre los vectores fila (1×n) y los vectores columna (n×1). La construcción puede darse también para los espacios infinito-dimensionales y da lugar a modos importantes de ver las medidas. es decir. las distribuciones y el espacio de Hilbert. Isomorfismo: Si es sobreyectiva (suryectiva) es biyectiva (inyectiva y suryectiva) 1. T(u)=v} 1. es decir si su núcleo se reduce al vector nulo. Dado cualquier espacio vectorial V sobre un cierto cuerpo F. El propio V* se convierte en un .3 NUCLEO E IMAGEN DE UNA TRASFORMACIÒN El núcleo en una transformación lineal es un subconjunto del dominio formado por todos los elementos cuya imagen bajo la transformación es el vector cero.Cada transformación lineal regular T:U→ V aplica a los vectores de un sistema linealmente independiente en vectores de un sistema linealmente. Monomorfismo: Si es inyectiva.

Históricamente. Algunos casos especiales de programación lineal. optimizando la función objetivo. las ideas de programación lineal han inspirado muchos de los conceptos centrales de la teoría de optimización tales como la dualidad. Consiste en optimizar (minimizar o maximizar) una función lineal. formulado a través de ecuaciones lineales. a en F y x en V. Una serie de algoritmos diseñados para resolver otros tipos de problemas de optimización constituyen casos particulares de la más amplia técnica de la programación lineal. la programación lineal es muy usada en la microeconomía y la .espacio vectorial sobre F bajo la definiciones siguientes ('punto a punto') de la adición y de la multiplicación escalar Para todos φ. de tal forma que las variables de dicha función estén sujetas a una serie de restricciones que expresamos mediante un sistema de inecuaciones lineales. y los elementos de V* vectores covariantes (y a campos de estos uno-formas). 2. denominada función objetivo. La programación lineal constituye un importante campo de la optimización por varias razones. En lenguaje del cálculo tensorial. la descomposición y la importancia de la convexidad y sus generalizaciones. también lineal. los elementos de V a veces se llaman vectores contravariantes. muchos problemas prácticos de la investigación de operaciones pueden plantearse como problemas de programación lineal. tales como los problemas de flujo de redes y problemas de flujo de mercancías se consideraron en el desarrollo de las matemáticas lo suficientemente importantes como para generar por si mismos mucha investigación sobre algoritmos especializados en su solución. INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL La Programación Lineal es un procedimiento o algoritmo matemático mediante el cual se resuelve un problema indeterminado. ψ en V*. Del mismo modo.

la gestión de inventarios. como el conjunto de puntos que verifica que: S = { x ∈ Rn / ct x ≤ α . HIPERPLANOS • 2. la planificación de campañas de publicidad. la cartera y la gestión de las finanzas. Otros son: • Optimización de la combinación de cifras comerciales en una red lineal de distribución de agua.1 Un hiperplano es un análogo de muchas dimensiones al plano (de dos dimensiones) en el espacio tridimensional. • • Soporte para toma de decisión en tiempo real. α ∈ R. que pasa a través del origen. } (2) En el primer caso (1) lo denominamos semiespacio inferior y en el segundo (2) semiespacio superior.administración de empresas. A partir del concepto de hiperplano podemos definir el concepto de semiespacio. para operación de un sistema de obras hidráulicas. se obtiene un hiperplano lineal. α ∈ R. Si b=0. Semiespacio. . la asignación de recursos humanos y recursos de máquinas. para un año con afluencias caracterizadas por corresponder a una determinada frecuencia. ya sea para aumentar al máximo los ingresos o reducir al mínimo los costos de un sistema de producción. } (1) O bien: S = { x ∈ Rn / ct x ≥ α . Un hiperplano afín en un espacio n-dimensional puede ser descrito por una ecuación lineal no degenerada con la siguiente forma: “No degenerada” significa que no todas las ai son 0. Aprovechamiento óptimo de los recursos de una cuenca hidrográfica. Solución de problemas de transporte. etc. Algunos ejemplos son la mezcla de alimentos.

S = { x ∈ Rn / ct x < α . aunque si no se cumple. α ∈ R } Cada hiperplano define dos semiespacios. 2.1] Es decir. Si las desigualdades son estrictas.2 CONJUNTO CONVEXO Un conjunto S es convexo si cumple que: ∀ x1 . α ∈ R } o S = { x ∈ Rn / ct x > α . ya que las desigualdades son de la forma mayor (menor) -igual. λ ∈ [0. . el segmento lineal cerrado que une los dos puntos está totalmente contenido en el conjunto. La propiedad de la convexidad de los conjuntos es una propiedad deseable en los problemas de optimización. es decir. que dados dos puntos cualesquiera del conjunto. x2 ∈ S → λ x1 + (1-λ) x2 ∈ S. se pueden aplicar otras condiciones que se verán más adelante. Gráficamente se trata de la porción del espacio que está por encima del hiperplano (semiespacio superior) o por debajo del hiperplano (semiespacio inferior).Estas dos definiciones de semiespacio se refieren a semiespacios cerrados. mayor (menor) estrictamente entonces decimos que se trata de semiespacios abiertos.

De hecho. cualquiera de sus puntos puede escribirse como una combinación convexa de sus puntos extremos. Conjuntos convexo "por definición" a) El conjunto vacío (∅) es un conjunto convexo. Teorema (teorema de representación de conjuntos convexos finitos).4 COMBINACIONES CONVEXAS Una combinación convexa es una combinación lineal de puntos (los cuales pueden ser vectores.3 DESIGUALDADES LINEALES Las desigualdades lineales son expresiones que indican que dos cantidades no son necesariamente iguales ( > . Si un conjunto convexo está acotado y cerrado. . el signo de desigualdad se invierte. 2. 2. c) También el conjunto Rn (espacio total) es un conjunto convexo. < . concepto que podemos expresar como: “el menor conjunto convexo que contiene a S (no convexo)”. b) Los conjuntos de un único punto {a}. o también como “la intersección de todos los conjuntos. la colección de todas las combinaciones convexas de puntos en el conjunto constituye la envoltura convexa del conjunto. Las desigualdades lineales se resuelven exactamente como las igualdades. para algunos conjuntos no convexos es posible definir su envoltura Convexa Co(S). con una importante excepción: al multiplicar o dividir por una cantidad negativa. también son conjuntos convexos. ≤ .No obstante. Todas las posibles combinaciones convexas están dentro de la envoltura convexa de los puntos dados. escalares o más en general puntos en un espacio afín) donde todos los coeficientes son no-negativos y suman 1. ≥ ) .

Y en el caso de que busquemos soluciones enteras. Sin embargo. de los conjuntos convexos que cumplen las restricciones de desigualdad. se toma cada una de las restricciones. para la resolución de problemas más complejos tendremos que emplear otros métodos. una combinación convexa de esos puntos es un punto de la forma y 2. es mediante la representación geométrica en el plano o en el espacio. en el caso de variables acotadas. se suelen utilizar otros métodos.5 PROGRAMACIÓN LINEAL (INTERPRETACIÓN GEOMÈTRICA) donde los número reales αi satisface Un método sencillo para resolver problemas de programación lineal con dos o a lo sumo tres variables. es decir en el caso que intervengan pocas variables. Ejemplos gráficos de los conjuntos convexos en el plano y en el espacio real: Ejemplos gráficos de conjuntos no convexos en el plano y en el espacio real: La interpretación geométrica nos puede ser útil en el caso de problemas sencillos. . como una desigualdad de restricción. Además. dando un conjunto finito de puntos en un espacio vectorial real.Formalmente.

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)//-->