Está en la página 1de 14

Transformaciones lineales

Las funciones son muy importantes en todas las ramas de la matemática


A f
B

x y

Sabemos que la función f: A→B asigna como imagen a un elemento x de A,


otro elemento y de B, es decir transforma elementos de un conjunto A en elementos de
un conjunto B.
Veremos ahora funciones que transforman elementos de un espacio vectorial V
en elementos de un espacio vectorial W, y que además conservan las operaciones
interna y externa.
Estas funciones se denominan Transformaciones Lineales.

Definición:
Sea T una función definida de un espacio vectorial V en un espacio vectorial W.
T es una transformación lineal si se cumple lo siguiente:
I. u,vV: T(u+v) = T(u) + T(v)
II. uV, kR: T(k.u) = kT(u)
T W

u T(u)
v T(v)
u+v T(u+v) = T(u) + T(v)

ku T(ku) = k.T(u)

Ejemplos:
1) T: R2→R2 / T(x,y) = (2x,y)
T(4,3) = (8,3) ; T(0,0) = (0,0)
Probamos que es una transformación lineal, demostrando que se cumplen I y II.
I. T[(x1,y1) + (x2,y2)] = T(x1,y1) + T(x2,y2) (a probar)
Para probar partimos del primer miembro de la igualdad, sumamos los vectores
y aplicamos la fórmula para hallar la imagen por T. luego, vemos si se puede
descomponer esta imagen en la suma correspondiente al segundo miembro de la
igualdad.
T[(x1,y1) + (x2,y2)] ↓ T( x 1 + x 2 , y1 + y 2 ) = [2(x1+x2);(y1+y2) =
sumamos

     ↓ ↓
x y hallamos prop dist
la imagen por T
(2x1+2x2 , y1+y2) (2x1,y1) + (2x2,y2) = T(x1,y1) + T(x2,y2)  se cumple I
=
↓ 1
Expresam oscomo
la suma de dos
paresordenados
II. T[k(x1,y1)] = k.T(x1,y1) (a probar)
.
T[k(x1,y1)] = T( k .x 1 , k .y1 ) = (2k.x1 , k.y1) = k.(2x1,y1) = k.T(x1,y1)  se cumple II
↓   ↓ ↓
multip. k por x y aplicam os factor
el par ord. T com ún k

Como se probaron I y II T es una transformación lineal

2) ¿Es T una transformación lineal? T: R2→R2 / T(x,y) = (x+2,y)


I. T[(x1,y1) + (x2,y2)] = T(x1,y1) + T(x2,y2)
T[(x1,y1) + (x2,y2)] = T(x1+x2 , y1+ y2) = [(x1+x2)+2;(y1+y2)] =
( x 1 + 2; y1 ) + ( x 2 ; y 2 )  T(x1,y1) + T(x2,y2)  no se cumple I  no es una T. L.
   
= T(x1 , y1 ) ≠T(x 2 , y 2 )

Algunas transformaciones lineales especiales:

La transformación cero:
T: V→W / vV: T(v) = Ow
La transformación identidad:
T: V→W / vV: T(v) = v
La transformación de reflexión:
T: R2→R2 / T(x1,y1) = (-x1,y1) _ Se puede verificar fácilmente que T es una T.L.
Geométricamente T toma un vector de R2 y lo refleja respecto al eje y.
y

y1

 
T( v ) v
x
-x1 x1

PROPIEDADES O TEOREMAS
Teorema: Sea la T.L. T: V→W. Entonces:
a) T(Ov) = Ow (siendo Ov: vector nulo de V; Ow: vector nulo de W)
b) T(-v) = -T(v) vV
c) u,vV; k1,k2 escalares arbitrarios: T(k1.u + k2.v) = k1.T(u) + k2.T(v)
Demostramos:
a) T(Ov) = Ow
T(Ov) = T(0.Ov) = 0. T(O v ) = Ow
↓ 
T es T.L. w∈W
Consecuencia: Si T es una T.L. T(Ov) = Ow
La recíproca no es válida, el hecho de que la imagen del vector nulo de V sea el vector
nulo de W no garantiza que T sea una T. L.
Por ejemplo T(x,y) = (x2,y)
T(0,0) = (0,0) Pero T no es una T. L.

2
b) T(-v) = -T(v)
T(-v) = T[(-1).v] = -1.T(v) = -T(v)

T es T.L.
Consecuencia:
T(u-v) = T(u) - T(v)
T(u-v) = T[u+(-v)] = T(u) + T(-v) = T(u) + [-T(v)] = T(u) - T(v)

T es T.L.

c) T(k1.u + k2.v) = T(k1.u) + T(k2.v) = k1.T(u) + k2.T(v)


↓ ↓
T es T.L. por II
por I

Subespacios asociados a una transformación lineal

Sean V y W dos espacios vectoriales y T: V→W una Transformación Lineal.


Existen dos subespacios muy importantes, asociados a toda T.L.: el Núcleo y el
conjunto Imagen.

Núcleo o Kernel de una T.L.:


El Núcleo o Kernel de una T.L. definida entre dos espacios vectoriales V y W,
es el conjunto de los vectores del dominio V (o primer espacio vectorial) que tienen
como imagen al vector nulo del segundo espacio vectorial W.

T
V W
NT = {vV/T(v ) = Ow}
NT  V (El núcleo de T está incluido
N ampliamente en V)
Ow
Ov

Propiedad del Núcleo:


Sea T: V→W una T.L.
El Núcleo de T es un subespacio de V.

Demostración:
1º) NT   como V s un espacio vectorial, existe en él el vector nulo Ov, además se
probó que T(Ov) = Ow  OvNT porque su imagen por T es el vector nulo de
W.
2º) NT  V se cumple por definición de núcleo.
3º) v1,v2 NT: (v1 + v2)NT
Sea v1NT  T(v1) = Ow (a)
v2NT  T(v2) = Ow (b)
Sumamos v1 + v2 y hallamos su imagen por T
T(v1+v2)  T(v1) + T(v2)  Ow + Ow = Ow  v1+v2NT
↓ ↓
T es T.L. por
(a) y (b)

3
4º) Si kK; vNT  k.vNT
Si vNT  T(v) = Ow (c)
T(k.v)  k.T(v)  k.Ow = Ow  k.vNT porque su imagen es Ow.
↓ ↓
por (II) por (c)
de T.L.
Por 1), 2), 3) y 4) NT es un subespacio de V

Conjunto Imagen de una T.L.:


Sea T: V→W una T.L.
Se llama conjunto Imagen de T al conjunto de vectores del segundo espacio vectorial
(W) que son imagen por T de algún vector del primer espacio vectorial V.
T
V W
ImT = {wW/ w = T(v ); vV}
ImT
v w
Ov Ow
u w’

Propiedad:
Sea T: V→W una T.L. El conjunto imagen de una transformación lineal es un
subespacio de W.
Demostración:
1°) ImT  ; Ow es imagen de Ov por ser una T una transformación lineal OwImT.
2°) ImT  W se cumple por definición de Conjunto Imagen.
3°) w1ImT, w2ImT: w1+w2  ImT
w1ImT  w1 = T(v1); v1V (a)
w2ImT  w2 = T(v2); v2V (b)
Sumamos: w1 + w2  T(v1) + T(v2)  T(v1+v2)  w1+w2  ImT
↓ ↓
por T es T.L.
(a) y (b)
4°) kK; wImT  k.wImT
wImT  w = T(v) (c)
k.w = k.T(v) = T(k.v)  k.wImT
↓ ↓
por (c) por (II)
de T.L.
Por 1), 2), 3) y 4) ImT es un subespacio de W.

4
Resumiendo:
T
V W

ImT
NT
Ov Ow

NT  V ImT  W

Ejemplos:
1) T: Mn→Mn/T(A) = AT
I_ T(A + B) = (A + B)T = AT + BT = T(A) + T(B)
II_ T(k.A) = (k.A)T = k.AT = k.T(A)
Es una T.L.

Núcleo: T(A) = N (matriz nula)


T(A) = AT
AT = N (matriz nula) si A = N (matriz nula)
N = matriz nula  NT = {N}

Conjunto Imagen: Toda matriz tiene su transpuesta en Mn  ImT = Mn


 a b 
2) T: M2(R)→R2/ T   = (a+d ; b+c)
 c d 
 a b1   a 2 b 2    a b1    a b 2 
I_ T  1   = T  1  + T  2 
 c1 d1   c 2 d 2   c1 d1   c 2 d 2 
 a b1   a 2 b 2    a  a 2 b1  b 2 
T  1   = T  1  =
 c1 d1   c 2 d 2   c1  c 2 d1  d 2 
[(a1+a2) + (d1+d2) ; (b1+b2) + (c1+c2)] = [(a1+d1) + (a2+d2) ; (b1+c1) + (b2+c2)] =
 a b1    a b 2 
(a1+d1 ; b1+c1) + (a2+d2 ; b2+c2) = T  1  + T  2 
 1
c d 1   2
c d 2 

  a b   a b 
II_ T k .  = k. T  
  c d   c d 
  a b   k .a k .b 
T k .  = T   = (k.a+k.d ; k.b+k.c) = [k.(a+d) ; k.(b+c)] =
  c d   k .c k .d 
 a b 
k.(a+d ; b+c) = k. T  
 c d 
Por I y II T es una T.L.

5
Hallamos el Núcleo:
 a b 
T   = (0,0)
 c d 
a + d = 0 ⇒a = -d ⇒a y d son núm. op.
(a+d ; b+c) = (0,0)  
b + c = 0 ⇒b = -c ⇒b y c son núm. op.
  d  c 
N T   
 c d 
Hallamos el Conjunto Imagen:
 a b 
T   = ( a
+ d ; b+ c )  ImT = R2
 c d  ∈R ∈R

Teorema fundamental de las transformaciones lineales


Sea T: V→W una transformación lineal entre dos espacios vectoriales V y W.
  
Si B = { v1 ; v 2 ;…; v n } es una base de V, entonces T está determinada de manera única
  
por los valores de T( v1 ); T( v 2 ); …; T( v n ).
Demostración:

Sea x un vector perteneciente a V. Como B es una base de V, existen k1, k2,…,
kn escalares únicos, tales que:
   
x  k1v1  k 2 v 2  ...  k n v n
   
T(x)  T(k1v1  k 2 v 2  ...  k n v n )
Como T es una T.L.
   
T(x)  k1T(v1 )  k 2 T(v 2 )  ...  k n T(v n )

Como k1, k2,…, kn son determinados de manera única, el valor de T( x ) es determinado
  
también de modo único por T( v1 ); T( v 2 );…; T( v n ).

Ejemplos:
 1 
 
1. Sea T: R →R una T.L. Las imágenes por T de los vectores canónicos son T  0  =
3 2
 
 0 
 0   0 
 2      1   1
  ; T  1  =   y T  0  =  

 
3     0   1
 0   1 
 2 
 
Hallar T  1 
 
 1
 2 1 0 0
       
 1  = 2.  0  + 1.  1  + (-1).  0 
 1 0 0 1
 2   1   0   0 
         2   1 1
T  1  = 2. T  0  + 1. T  1  + (-1). T  0  = 2.   + 1.   + (-1).  
  
         3 0 1
 1  0   0   1 

6
 2 
   4    1   1  2 
T  1  =   +   +   =  
   6   0    1  5 
 1

 1   4
 1     0   
2. T: R →R es una T.L. T   =  3   T   =  0 
2 3

 0    2   1   1 
   
  1
Hallar T  
 2 
  1 1 0
  = (-1).   + 2.  
2 0 1
 1   4  7 
  1  1   0       
T   = (-1). T   + 2. T   = (-1).  3  + 2.  0  =   3 
 
2  
0  
1   2 1  4 
     
1  2  1  3 
3. T: R2→R2 una T.L. Una base de R2 es B =  ;   además T   =   y
1   1 1  2 
 2   0 
T   =  
 1   4 
 0 
Hallar T  
  6 
 x 
Hallar T  
 y 
Como B no es la base canónica, en primer lugar debemos hallar k1 y k2 para el vector
 0 
 
  6
1 2  0 
k1.   + k2.   =  
1  1   6 
k1  2k 2  0

 k1  k 2  6
Resto  3k 2  6
k2  2
k1 = -2.k2  k1 = -2.2  k1=-4
 0  1 2
   = -4.   + 2.  
  6 1  1
 0  1  2   3  0 
 T   = -4. T   + 2. T   = -4.   + 2.  

 6  
1 1
   
2   4

 0    12   0    12 
 T   =   + = 
  6    8    8    16 

7
 x 
Hallamos T  
 y 
x 1  2 
Primero hallamos las coordenadas de   en la base 1;   1
 y    
1  2  x
k1.   + k2.   =  
 
1  1  y 
k1  2 k 2  x

 k1  k 2  y
Resto  3k 2  x  y
k2  1 x  1 y
3 3
k1 = y + k2  k1 = y + 1 x  1 y  k1= 1 x + 2 y
3 3 3 3

x 1 2


   =  1 x  2 y  .   +  1 x  1 y  .  
 y  3 3  1  3 3   1
k1 k2
 x  1  2 
 T   =  1 x  2 y  . T   +  1 x  1 y  . T  
 y  3 3  1  3 3   1
k1 k2
 x   3  0 
 T   =  1 x  2 y  .   +  1 x  1 y  .  
 y   3 3   2  3 3    4

 x   x  2 y   0   x  2y 
 T   =  2
  4 y    x  y  =   2 x  8 y 
+ 4 4
   3
y x
3   3 3   3 3 

1  1  2   3   2   22   0 
Verifico hallando T   =   2  8  =    T   =   2 .2  8 .(1)  =  
 
1  3 3   2  
 1  3    4
3 

8
Matriz asociada a una transformación lineal para bases cualesquiera

Sea T: Vn→Wm una T.L.


  
B1 = { v1 , v 2 ,…, v n } base del espacio vectorial Vn de dimensión ‘n’;
  
B2 = { w 1 , w 2 ,…, w m } base del espacio vectorial Wm de dimensión ‘m’.
  
Entonces existe y es única la matriz A de clase mn tal que  x  Vn : Tx B2  A.x B1 ,

donde las columnas de A son las coordenadas de las imágenes por T de los vectores v i
de la base B1 de Vn en la base B2.

La situación planteada es la siguiente:


T
Vn Wm


T( v1 )
  c.l.
v1 T( v 2 ) c.l.

T( v n ) c.l. 
 w
B1 w1 2 
c.l 
 wm
. T( x
x
) B2

Demostración:
Como B1 es base de Vn:
 x1 
      x 
 x  B1 : x  x 1 v1  x 2 v 2  ...  x n v n  x B1   2 

x n 
   
La imagen por T de x: T(x )  x 1 T(v1 )  x 2 T(v 2 )  ...  x n T(v n )
  
W W W
Las imágenes por T de los vectores de B1 pertenecen a Wm  pueden ser
expresados como combinación lineal de los vectores de B2.

9
 a 11 
     a 
T(v1 )  a 11 w 1  a 21 w 2    a m1w m  T(v1 )B2   21 
  
a m1 
 a 12 
     a 
T(v 2 )  a 12 w 1  a 22 w 2    a m2 w m  T(v 2 )B2   22 
  
a m2 

 a 1n 
     a 
T(v n )  a 1n w 1  a 2n w 2    a mn w m  T(v n )B2   2n 
  
a mn 

 a 11   a 12   a 1n 
a  a  a 
T(x )B  x 1  21   x 2  22   ...  x n  2n 
        
2

a m1  a m2  a mn 


 a 11 a 12  a 1n   x 1 
a a 22  a 2n   x 2 
T(x )B   21 . 
      
2

a m1 a m 2  a mn  x n 

T(x )B 2

 A.x B1

La matriz A es de clase mn donde m es la dimensión del segundo espacio


vectorial (W) y n es la dimensión de primer espacio vectorial (V).
Además cada columna de A corresponde a las coordenadas de las imágenes de
los vectores de B1 en la base B2.

Ejemplo:
Sea la Transformación lineal T:R2 R3 / T(x,y) = (2x+y ; x-y ; x+4y)
y las bases B1= de R2 y B2= de R3
a) Hallar la matriz de la transformación lineal referida a las bases B1 y B2
b) Hallar la imagen por T del vector x=(1,-1) directamente y usando la matriz
obtenida.
Resolvemos:
Las columnas de la matriz son las coordenadas en B2 de las imágenes de los vectores
de B1
T(0,2)=(2 , -2 , 8)
Hallamos las coordenadas de (2 , -2 , 8) en la segunda base

10
k1 =2
-k2 =-2
2 k1 – k3 =8

Resolviendo el sistema: k1 =2 , k2 =2 y k3 = -4

T(2,0)=(4 ,2 ,2)
Hallamos las coordenadas de (4 ,2 ,2) en la segunda base

k1 = 4
-k2 = 2
2 k1 – k3 = 2

Resolviendo el sistema: k1 =4 , k2 = -2 y k3 = 6
La matriz de la transformación lineal es:

b) Hallamos la imagen del vector (1,-1) directamente aplicando la fórmula de


la transformación lineal
T(1,-1)=(1 , 2 , -3)

c) Hallamos la imagen del vector (1,-1) usando la matriz de la transformación


lineal
Mediante la matriz A obtenemos las coordenadas de la imagen del vector en
la segunda base

B2 = A.

Calculamos

2k2 =1
2k1= -1 Resolviendo k2 = y k1 = -

B2 = A. = . = coordenadas del

vector en la segunda base

11
T(

Cambio de base sobre la matriz de la transformación lineal

Consideremos la transformación lineal T definida entre los espacios vectoriales V y W


T:V W
V es un espacio vectorial de dimensión n
W es un espacio vectorial de dimensión m
En cada espacio vectorial tenemos dos bases distintas
B1 = base de V

B1 = base de V
B2 = base de W
B2’ = base de W
Conocidas las matrices:
A matriz de la transformación lineal referida a las bases B1 y B2
A´ matriz de la transformación lineal referida a las bases B´1 y B´2
P1 matriz de transición o de cambio de base de B´1 a B1 del espacio vectorial V
P2 matriz de transición o de cambio de base de B´2 a B2 del espacio vectorial W

La situación planteada es la siguiente:

Sabemos que:
Las coordenadas de un vector x de V referidas a la base B1 simbolizamos:
Las coordenadas de un vector x de V referidas a la base B’1 simbolizamos:
Las coordenadas de la imagen de x por T referidas a la base B2 simbolizamos:
Las coordenadas de la imagen de x por T referidas a la base B’2
simbolizamos:

12
A. (1)
A´. (2)

P1 . (3)

= P2 . (4)

Nos interesa encontrar la relación existente entre las matrices de la transformación


lineal y las de cambio de base
Si en (1) reemplazamos por (4) y por (3)

P2 . = A. P1 . premultiplicando por

. P2 . = A. P1 . recordemos que . P2 = I

= A. P1 . Pero tambien por (2) A´.

Como la matriz A es única


A´ = A. P1

13
14

También podría gustarte