CONTENIDO

TRANSFORMACIONES LINEALES ...................................................................................................1

I. INTRODUCCIÓN ....................................................................................................................1

II. TRANSFORMACIÓN MATRICIAL ........................................................................................1

2.2.Propiedades ...................................................................................................................3

III. TRANSFORMACIÓN LINEAL ...................................................................................4

IV. NÚCLEO DE UNA TRANSFORMACIÓN LINEAL .................................................................6

V. EL RANGO DE UNA TRANSFORMACIÓN LINEAL........................................................... 10

TRANSFORMACIONES LINEALES

I. INTRODUCCIÓN

Desde el punto de vista del Algebra Lineal, las funciones más importantes son las que
preservan las combinaciones lineales. Estas funciones se llamarán Transformaciones
Lineales. Es esta presentación se tratan con los elementos básicos asociados a este tipo de
funciones.

II. TRANSFORMACIÓN MATRICIAL

Dada una matriz A m x n no necesariamente cuadrada, definiremos la función TA que tiene

como dominio a Rn y como codominio a Rm: es decir, la función va de Rn a Rm de la siguiente
manera:

TA: Rn → Rm

x → A ·x

Es decir, la función consiste en multiplicar el vector x, que representa la entrada, por la

matriz A.
 La función TA se conoce como la Transformación Matricial asociada a A.
Diremos que una función F que va de Rn a Rm es una transformación matricial si existe
una matriz A n × m tal que F (x) = A · x.

2.1. Ejemplo:

Tomemos la matriz La transformación

matricial asociada a A va de R2 (Porque la matriz tiene dos columnas) a R2 (Porque la

matriz tiene dos renglones) La lógica es simple: para que un vector columna se pueda
multiplcar por A requiere tener dos componentes por que la matriz tiene dos columnas,
as´ıque su dominio es R2: Una vez multiplicado el vector por la matriz el vector resultante
tiene dos componentes por que la matriz tiene dos renlones, as´ı que el codominio es R2.

Calculemos

. Σ
2.2. Propiedades

Si TA es una transformación matricial, entonces:

 Se distribuye sobre una suma:

TA [x + y] = TA [x]+ TA [y]

 Preserva proporcionalidad y colinealidad:

 III. TRANSFORMACIÓN LINEAL

Una función T de Rn en Rm se dice función lineal ´o transformación lineal ó simplemente

lineal si cumple:

 la propiedad de aditividad para funciones:

T [x + y] = T [x] + T [y]

 la propiedad de proporcionalidad para funciones:

T [c · x] = c · T [x]

Notas:

 De las definiciones y de las propiedades comentadas para las transformaciones

atriciales, las transformaciones matriciales son transformaciones lineales.

 Toda transformación lineal envia el vector cero en el vector cero:

T [0] = T [0 · 0] =0 · T [0] = 0
Ejemplo:
a) Demuestre que la transformacion T: R2 →R2 definida por

es lineal.

Solución:
 Por otro lado, para todo escalar c

Como se cumplen las dos condiciones:

=T es lineal

b) Demuestre que la transformacion T: R3 →R2 es lineal:

 Por otro lado, para todo escalar c,

IV. NÚCLEO DE UNA TRANSFORMACIÓN LINEAL

Sea T una transformación lineal de Rn en Rm . Elnúcleo T es el subconjunto formado por

todos los vectores en Rn que se mapean a cero en Rm:

Ker(T ) = {v ∈ Rn | T [v] = 0 ∈ Rm }

Indique cuáles opciones contienen un vector en el núcleo de la transformación de R3 en R3

definida como

Dentro de las opciones:

Antes de pasar a la verificación, es conveniente observar que es posible encontrar una
matriz A tal que T[x] = A · x. Es decir, aplicar T a un vector x es equivalente a multiplicar
por una cierta matriz A al vector x. Empecemos con la dimensión de A: como A se
multiplica por la izquierda de x y x ∈ R3 entonces el número de columnas de A es 3. Por otro
lado, como el resultado A · x es un vector de R3 , entonces el número de renglones de A es3.
Si requerimos que

No es difícil ver

Es decir que:

Es la matriz que hace que T sea la transformación matricial asociada a A.

1. El vector v1 está en el núcleo de T debido a que

2. El vector v2 está en el núcleo de T debido a que

 3. El vector v3 no está en el núcleo de T debido a que

4. El vector v4 está en el núcleo de T debido a que

5. El vector v5 no está en el núcleo de T debido a que

6. El vector v6 no está en el núcleo de T debido a que

 Determine el núcleo de la transformación de R3 en R3 definida como

Un vector v = (a, b, c)´ pertenece al núcleo de T si T (v) = 0, es decir si:

Por lo tanto, para pertenecer al núcleo debe cumplirse

Reduciendo tenemos:

Es decir:

Observe que el núcleo de T en este caso es un espacio generado

Además, la dimensión de Ker (T) es 1, lo cual coincide con el número de columnas sin
pivote en la reducida de A (La matriz que define a la transformación T ).
Geométricamente en R3 este generado corresponde a la l´ıneaque pasa por el origen y
con vector de dirección (3/2, −7/2, 1) ´ que es:
V. EL RANGO DE UNA TRANSFORMACIÓN LINEAL

Sea T : Rn ! Rm una transformaci_on lineal. El rango o imagen de T es el conjunto de

todas las im_agenes de T en Rm:

R(T ) = {w ∈ Rm |w = T [v] para algún v ∈ Rn }

Es decir, el rango es el subconjunto de Rm formado por aquellos vectores que

provienen de algun vector de Rn.

Indique cuáles opciones contienen un vector en la imagen de la transformación de R3 en R3

definida como

Dentro de las opciones:

1. El vector v1 =(0 , 0, 0)´ de R3 está en la imagen de T si existe un vector (a,b,c)´ en R3 tal

que T[(a,b,c)´] = v1. Es decir, si es consistente el Sistema

Pero este sistema por ser homogéno es consistente. Por tanto el vector v1 sı́ está en la
imagen de T .
2. El vector v2 = (2 , 8,4)´ de R3 está en la imagen de T si existe un vector (a,b,c)´ en R3
tal que T[(a,b,c)´] = v2. Es decir, si es consistente el sistema:

Al reducir la matriz aumentada se obtiene:

por ser consistente el sistema, el vector v2 sı́ está en la imagen de T .

3. El vector v3 =( 23, 52, 6)´ de R3 está en la imagen de T si existe un vector (a,b,

c)´ en R3 tal que T[(a,b,c)´] = v3. Es decir, si es consistente el sistema:

Al reducir la matriz aumentada se obtiene:

por ser consistente el sistema, el vector v3 sı́ está en la imagen de T .

4. El vector v4 = (5, 12, 2)´ de R3 está en la imagen de T si existe un vector (a,b,c)´ en

R3 tal que T[(a,b,c)´] = v4 es decir si es consistente el sistema:

Al reducir la matriz aumentada se obtiene:

 por ser consistente el sistema, el vector v4 sı́ está en la imagen de T .

5. El vector v5 = (3, 1,1)´ de R3 de está en la imagen de T si existe un vector (a,b,c)´ en

R3 tal que T[(a,b,c)´] = v5 es decir si es consistente el sistema:

Al reducir la matriz aumentada se obtiene:

por ser inconsistente el sistema, el vector v5 no está en la imagen de T

 Determine la imagen de la transformación lineal de R3 en R3 definida como

El vector v =(a, b, c)´ de R3 de está en la imagen de T si existe un vector (x,y,z)´ en R3 tal

que T[(x,y,z)´] = v´ es decir si es consistente el sistema

Al formar la matriz aumentada y escalonar se obtiene:

 Por tanto, (a, b, c)´ está en la imagen de T si el sistema anterior es consistente si 2 a + b
+ c = 0. Esto ocurrirá si y sólo si a = 1/2 b + 1/2 c. Es decir, (a, b, c)´ está en la imagen
de T si y sólo si

Por tanto;

Geométricamente, R(T ) es el plano 2 a − b − c = 0 (o 2 x − y − z = 0) en R3

Notas:
 La función traslación Tpo : Rn → Rn definida como T [x] = x + Po no es una
transformación lineal.

 Por ello es que conviene definir las coordenadas homogéneas: Todo punto de (x, y
) de R2 se mapea en el punto (x,y,1) de R3. Se dice que para k ƒ= 0, los puntos (x,y,1) y
(k · x,k · y,k) representan el mismo punto (x , y ) del plano.

 Con las coordenadas homogéneas, la traslación es una transformación matricial:

En coordenadas homogéneas de R2 :

Las homotecias que tienen factor de amplificación k y punto fijo (cx , cy ) tienen la forma:
12.2. Geometría de las aplicaciones lineales

f1(x) = ex f2(x) = x2

−8 −7 −6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6 7 8 −8 −7 −6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6 7 8

−5 −4 −3 −2 −1 0 1 2 3 4 5 −5 −4 −3 −2 −1 0 1 2 3 4 5

f3(x) = 2x f4(x) = −2x

−8 −7 −6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6 7 8 −8 −7 −6 −5 −4 −3 −2 −1 0 1 2 3 4 5 6 7 8

−5 −4 −3 −2 −1 0 1 2 3 4 5 −5 −4 −3 −2 −1 0 1 2 3 4 5
Figura 12.1: Transformaciones lineales y no lineales

Los gráficos de la figura 12.1 muestran aplicaciones de R en R; dos de ellas, f 1(x) = ex y

f2(x) = x2, no son lineales y se puede ver que distorsionan el dominio cuando lo trans-forman

en la imagen. Por otro lado, f3(x) = 2x y f4(x) = -2x son aplicaciones lineales y claramente
expanden el dominio de manera uniforme, multiplicando siempre por el mismo factor.
Las únicas aplicaciones lineales de R en R son multiplicaciones por escalares, pero en

dimensiones mayores existe una variedad mayor de situaciones. Por ejemplo, la transfor-

5
mación lineal de R2 en R2 definida por:
x x
0 1 1 0 cos( ) sen( ) 1 0 1 1 .
B x2 C 7!B - sen( ) cos( ) CB x2 C

@ A @ A@ A
rota los vectores en sentido antihorario un ángulo .

En las siguientes secciones vamos a ver algunas transformaciones lineales de gran

importancia geométrica. Aunque pueden ser generalizadas a otros espacios con produc-to

interno, nos centraremos en los espacios R2 y R3 con el producto escalar habitual, y

analizaremos cuáles de ellas son transformaciones ortogonales.

12.2.1. Reflexiones

Una reflexión es una transformación lineal T de un espacio vectorial V en sí mismo, en el

que existe un hiperplano de puntos fijos, es decir, de puntos cuyas imágenes por T coinciden

con ellos mismos; tal conjunto se denomina hiperplano de reflexión (o bien eje de reflexión

si V tiene dimensión 2 ó plano de reflexión en dimensión 3).

Intuitivamente, podemos visualizar la imagen de un vector por una reflexión median-te su

imagen especular en el hiperplano de reflexión.

Veamos algunas reflexiones sencillas, donde todas las coordenadas se refieren a las

bases canónicas:

6
Reflexión respecto al eje X en R2

Esta reflexión transforma el vector de R2 con coordenadas (x, y)t en el vector (x, -y)t.
Todos los puntos del eje X son puntos fijos. La matriz asociada a esta trans-formación
lineal viene dada por AT = (T(e1), T(e2)). Claramente,
0 1
1 0
AT = B

@ A
0 -1

(x, y)t
v

T (v)

(x, −y)t

Reflexión respecto al eje Y en R2

Esta reflexión transforma el vector de R2 con coordenadas (x, y)t en el (-x, y)t. Los puntos
fijos son los del eje Y. La matriz asociada a esta transformación lineal en esta situación
es
0 1
B -1 0
AT = 0 1C .

@ A
(−x, y)t (x, y)t

T (v)
v
7
Reflexión respecto a la bisectriz en R2

Esta reflexión transforma el vector de R2 con coordenadas (x, y)t en el vector (y, x)t, por
lo que los puntos fijos son los de la recta y = x. La matriz asociada es
0 1
B 0 1C .
AT = 1 0

@ A
t
(y, x)

T (v)
(x, y)t

Reflexión respecto al origen en R2

Esta reflexión transforma el vector de R2 con coordenadas (x, y)t en el vector (-x, -y)t; de
manera que el conjunto de puntos fijos sólo contiene al origen. La matriz asociada es

AT = 0
B
-1 0
01 .
-1C

@ A
(x, y)t

T (v)

(−x, −y)t

8
Reflexión respecto al plano XY en R3

Los vectores “sobre” el plano XY se “mueven” al semiespacio bajo dicho plano y

viceversa, cambiando el signo de la coordenada z. La matriz asociada es

0 1
1 0 0
B
B
C
C

AT = B 0 1 0C .
B C
@ A
0 0 -1

Reflexión respecto al plano YZ en R3

Con un razonamiento semejante, se deduce que la matriz asociada es

0 1
-1 0 0
B
B
C
C

AT = B 0 1 0C .
B C
@ A
0 0 1

Reflexión respecto al plano XZ en R3

Por último, la matriz asociada a esta transformación es

0 1
1 0 0
B
B
C
C

AT = B 0 -1 0 C .
B C
@ A
0 0 1

Puede comprobarse fácilmente que todas las matrices anteriores representan transfor-

maciones lineales ortogonales. Veámoslo con una de ellas:

9
Ejemplo

Consideremos la transformación lineal dada por la reflexión respecto al plano XY en R 3,

con el producto escalar usual.
Sean dos vectores arbitrarios u = (u1, u2, u3)t y v = (v1, v2, v3)t, con imágenes res-pectivas

T(u) = (u1, u2, -u3)t , T(v) = (v1, v2, -v3)t .

Tenemos que

hT(u), T(v)i = u1v1 + u2v2 + (-u3)(-v3) = u1v1 + u2v2 + u3v3 = hu, vi ,

por lo que es una transformación ortogonal.

Alternativamente, podemos observar que la matriz A T (respecto a la base ortonor-mal

canónica) es ortogonal, ya que tiene columnas ortonormales y también porque verifica
que AtT AT = I3.

12.2.2. Contracciones y dilataciones

Estas transformaciones corresponden a multiplicaciones por escalares de la forma: T(x) =

c x donde c es un escalar no negativo. La transformación se denomina contrac-ción si 0 6

c < 1 y dilatación si c > 1.

Contracciones y dilataciones en R2 y R3

Obviamente, las coordenadas de un vector (x, y)t de R2 se transforman en (cx, cy)t.

Así, la matriz asociada a esta transformación lineal viene dada por:
0 1
c 0
AT = B
C.
@ A
0 c

10
Análogamente, en R3 la matriz asociada a la dilatación/contracción es:
0 1
c 0 0
B
B
C
C

AT = B 0 c 0 C .
B C
@ A
0 0 c

Es evidente que, para c 6= 1, las contracciones no son transformaciones ortogonales.

Ejemplo

Consideremos la transformación lineal T dada por una dilatación por un factor c 6= 1 en

R2 con el producto escalar usual. Consideremos dos vectores arbitrarios

u = (u1, u2)t , v = (v1, v2)t ,

cuyas imágenes respectivas son

T(u) = (cu1, cu2)t , T(v) = (cv1, cv2)t .

Tenemos que

hT(u), T(v)i = c2u1v1 + c2u2v2 = c2(u1v1 + u2v2) 6= u1v1 + u2v2 = hu, vi ,

por lo que no es una transformación ortogonal.

12.2.3. Rotaciones

Rotación en sentido antihorario en R2 (respecto al origen)

Dado un vector v de coordenadas (v1, v2)t y dada la transformación lineal T que rota el

espacio en sentido antihorario un ángulo , la matriz asociada está caracterizada

11
por T(e1) = (cos( ), sen( ))t y T(e2) = (- sen( ), cos( ))t; así:
0 1
Bcos( ) - sen( ) C
AT = sen( ) cos( )
.

@ A
Rotación en sentido antihorario respecto al eje X en R3

Es sencillo observar que la matriz asociada viene dada por:

0 1 0 0 1
C
AT = B
B
0 cos( ) - sen( ) C
.
B
B
0 sen( ) cos( ) C
C

@ A

Rotación en sentido antihorario respecto al eje Y en R3

Del mismo modo, la matriz asociada viene dada por:

0 cos( ) 0 sen( ) 1
B
AT = B
0 1 0 C.
C

B C
B C
@ A
- sen( ) 0 cos( )

Rotación en sentido antihorario respecto al eje Z en R3

Finalmente, la matriz asociada en este caso viene dada por:

0 cos( ) - sen( ) 01
AT = B sen( )
B
cos( ) 0C . C

B
B
0 0 1C C

@ A

Las rotaciones en el espacio Rn con el producto escalar usual son transformaciones

lineales ortogonales (preservan dicho producto escalar).

12
Ejemplo

Consideremos la transformación lineal dada por la rotación en sentido horario en R2, con

el producto escalar usual, un ángulo . Las imagenes de los vectores u = (u 1, u2)t y v =

(v1, v2)t son:

T(u) = (u1 cos( ) - u2 sen( ), u1 sen( ) + u2 cos( ))t , T(v) = (v1 cos( ) - v2

sen( ), v1 sen( ) + v2 cos( ))t .

Tenemos que

hT(u), T(v)i = (u1 cos( ) - u2 sen( ))(v1 cos( ) - v2 sen( ))

+(u1 sen( ) + u2 cos( ))(v1 sen( ) + v2 cos( ))

= u1v1 cos2( ) + u2v2 sen2( ) + u1v1 sen2( ) + u2v2 cos2( )

= u1v1 + u2v2 = hu, vi ,

por lo que es una transformación ortogonal.

Se deja como ejercicio comprobar que la rotación dada preserva la longitud de los

vectores.

12.2.4. Proyecciones ortogonales

En el Tema 11 introdujimos un tipo especial de transformaciones lineales, los proyec-tores

ortogonales, y estudiamos algunas de sus propiedades. En esta sección vamos a ver

algunos ejemplos de proyecciones ortogonales en los espacios R2 y R3.

13
Proyección sobre el eje X en R2

Esta proyección transforma cada vector de R2 con coordenadas (x, y)t en el vector (x,
0)t. La matriz asociada a esta transformación lineal viene dada por:
0 1
B 1 0C
AT = 0 0
.

@ A
t
(x, y)

T (v) (x, 0)t

Proyección sobre el eje Y en R2

Esta proyección transforma cada vector de R2 con coordenadas (x, y)t en el vector (0,
y)t y tiene por matriz asociada
0 1
0 0
AT = B
C.
@ A
0 1

(x, y)t
v

T (v)

(x, −y)t

14
Proyección sobre el eje X en R3

Esta proyección transforma el vector de R3 con coordenadas (x, y, z)t en el vector (x, 0,
0)t. La matriz asociada será
0 1
1 0 0
B
B
C
C

AT = B 0 0 0 C .
B C
@ A
0 0 0

Proyección sobre el eje Y en R3

Del mismo modo, esta proyección transforma el vector de R3 con coordenadas

(x, y, z)t en el vector (0, y, 0)t. Ahora, la matriz asociada a la transformación lineal
será:
0 1
0 0 0
B
B
C
C

AT = B 0 1 0 C .
B C
@ A
0 0 0

Proyección sobre el eje Z en R3

Por último, esta proyección transforma el vector de R3 con coordenadas (x, y, z)t en el
vector (0, 0, z)t y tendrá por matriz asociada:
0 1
0 0 0
B
B
C
C

AT = B 0 0 0 C .
B C
@ A
0 0 1

15
Proyección sobre el plano XY en R3

Es claro que esta proyección sobre el plano transforma el vector de R3 con coordena-

das (x, y, z)t en el vector (x, y, 0)t. Por tanto, la matriz asociada a esta transformación
lineal será:
0 1
1 0 0
B
B
C
C

AT = B 0 1 0 C .
B C
@ A
0 0 0

Proyección sobre el plano XZ en R3

Ahora la proyección transforma cada vector de R3 con coordenadas (x, y, z)t en el

vector (x, 0, z)t. Su matriz asociada vendrá dada por:
0 1
1 0 0
B
B
C
C

AT = B 0 0 0 C .
B C
@ A
0 0 1

Proyección sobre el plano YZ en R3

Esta proyección transforma cada vector de R3 con coordenadas (x, y, z)t en el vector
(0, y, z)t. La matriz asociada a esta transformación lineal será:
0 1
0 0 0
B
B
C
C

AT = B 0 1 0 C .
B C
@ A
0 0 1

Es inmediato comprobar que todas las transformaciones descritas verifican las condi-

ciones de proyección ortogonal y que las correspondientes matrices que las representan

son idempotentes. No obstante, las proyecciones ortogonales no son transformaciones linea-

16
les ortogonales, es decir, no son isometrías, como ilustra el siguiente ejemplo.

Ejemplo

Consideremos en R3, con el producto escalar usual, la proyección ortogonal T que proyecta

ortogonalmente sobre el plano XY. T transforma los vectores u1 = (1, 1, 1)t y u2 = (0, 0, 1)t

en los vectores T(u1) = (1, 1, 0)t y T(u2) = (0, 0, 0)t, respectivamente. Es inmediato comprobar
que T no es ortogonal pues no se verifica la definición:

hT(u1), T(u2)i = 0 6= 1 = hu1, u2i .

Alternativamente, también podríamos haber observado que T no preserva la longi-tud:

p p
kT(u1)k = 2 6= 3 = ku1k .

Otras opciones para probar que no es transformación ortogonal serían calcular el

determinante de AT (que vale 0) u observar que las columnas de AT no forman una base

ortonormal de R3.