Instituto Tecnológico Superior de Muzquiz

Asignatura: Algebra Lineal

Trabajo Final

Unidad 4: Espacios Vectoriales

Docente: Víctor Hugo de los Santos Espinoza

Alumno: Alondra Kazandra Longoria Ortega

Fecha: 3 de Diciembre del 2019

Unidad 5 Transformaciones Lineales

5.1 Definición de transformación lineal

Definición: Las transformaciones lineales son las funciones y tratan sobre K-espacios

vectoriales que son compatibles con la estructura (es

decir, con la operación y la acción) de estos espacios.

Aquí se presentan las funciones entre espacios vectoriales que preservan las cualidades de

los

espacios vectoriales. Es decir, de funciones que preservan la suma y la multiplicación por

escalares.

Nosotros usaremos el concepto de la función para darle un tratamiento a los sistemas de

ecuaciones lineales. La restricción que haremos sera sobre el tipo de funciones: solo

estaremos interesados en funciones que preserven las operaciones en el espacio vectorial.

Este tipo de funciones serán llamadas funciones lineales. Primeramente las definiremos,

veremos algunas propiedades generales y después veremos como se aplican estos resultados

a sistemas de ecuaciones.

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)

Teniendo en cuenta que las transformaciones lineales son funciones entre conjuntos, tiene

sentido estudiar la validez de las propiedades usuales de funciones: inyectividad,

suryectividad y biyectividad.
Las transformaciones lineales que verifican alguna de estas propiedades reciben nombres

particulares:

Definición 3.6 Sean V y W dos K-espacios vectoriales, y sea f : V → W una transformación

lineal. Se dice que:

1. f es un monomorfismo si f es inyectiva.

2. f es un epimorfismo si f es suryectiva.

3. f es un isomorfismo si f es biyectiva.

En algunos casos, consideraremos transformaciones lineales de un K-espacio vectorial en s ́ı

mismo:

Sea V un K-espacio vectorial. Una transformación lineal f : V → V se llama un endomorfismo

de V . Si f es un endomorfismo que es además un isomorfismo, entonces se dice que es un

automorfismo.

5.2 Núcleo e imagen de una transformación lineal

Transformaciones lineales: núcleo e imagen.

Teorema 1

Sea T: V S W una transformación lineal. Entonces para todos los vectores u, v, v1,

v2, vn en V y todos los escalares a1,a2, an :

i. T (0) = 0

ii. T (u - v) = Tu - Tv

iii. T (a1v1 + a2v2 +. . .+ anvn) = a1Tv1 + a2Tv2 +. . .+ anTvn

Nota. En la parte i) el 0 de la izquierda es el vector cero en V; mientras que el 0 de la

derecha es el vector cero en W.

Teorema 2

Sea V un espacio vectorial de dimensión finita con base B = {v1, v2, . . . , vn}. Sean w1,

w2, . . . , wn vectores en W. Suponga que T1 y T2 son dos transformaciones lineales de V

en W tales que T1vi = T2vi = wi para i = 1, 2, . . . , n. Entonces para cualquier vector v ∈

V, T1v = T2v; es decir T1 = T2.

Observación 1. Observe que un T es no vacío porque, de acuerdo al teorema 1, T (0) = 0

de manera que 0 ϵ un T para cualquier transformación lineal T. Se tiene interés en

encontrar otros vectores en V que “se transformen en 0”. De nuevo, observe que cuando

escribimos T (0) = 0, el 0 de la izquierda está en V y el de la derecha en W.

Observación 2. La imagen de T es simplemente el conjunto de “imágenes” de los vectores

en V bajo la transformación T. De hecho, si w = Tv, se dice que w es la imagen de v bajo

T.

Antes de dar ejemplos de núcleos e imágenes, se demostrará un teorema de gran utilidad.

Teorema 4

Si T: V W es una transformación lineal, entonces

1. Un T es un subespacio de V.

2. Im T es un subespacio de W.

Demostración

1. Sean u y v en un T; Entonces T (u + v) = Tu + Tv =0 + 0 =0 y T( ) = = 0 = 0 de

forma que u + v y ∝u están en un T.

2. Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vestores u y v en V. Esto

significa que T (u + v)= Tu + Tv = w + x y T(∝u) = ∝Tu =∝w. Por lo tanto, w + x

y ∝w están en Im T.

Ejemplo 3. Núcleo e imagen de la transformación cero

Sea Tv = 0 para todo vϵ V (T es la transformación cero). Entonces un T = v e Im T = {0}.

Ejemplo 4 Núcleo e imagen de la transformación identidad

Sea Tv = v para vϵ V(T es la transformación identidad). Entonces un T= {0} e Im T = V.

Las transformaciones cero e identidad proporcionan dos extremos. En la primera todo se

encuentra en el núcleo. En la segunda sólo el vector cero se encuentra en el

núcleo. Los casos intermedios son más interesantes.

5.3 REPRESENTACION MATRICIAL DE UNA TRANSFORMACION

LINEAL.
 
 
Si  T  es una  función  de     en       definida  por     en donde   A  es
una matriz de  , y dado que  la condición    
 corresponde  a la propiedad distributiva de la multiplicación de
matrices       y la condición     es también una
propiedad de la multiplicación de matrices    .   Entonces  T es
una transformación lineal.   Y se puede concluir que:
 
   
Toda matriz  A de     define una transformación lineal de     en     .
Ahora consideremos  una transformación lineal  T  de    en     ; si aplicamos esta
transformación a los vectores base de   , obtenemos los  siguientes vectores:
                                    
 
 
 
Si construimos una matriz   AT  cuyas columnas sean los
vectores    ;   AT   define una transformación lineal de    en      
     tal que  si

                                               para   i = 1, 2, . . . , n.

Entonces

                           
y por lo tanto      para   i = 1, 2, . . . , n.   Concluimos que  T  y la
transformación  AT   ,   son la misma, porque tienen el mismo efecto sobre los
vectores base.
AT     es la matriz cuyas  columnas son los vectores   .
 
La matriz  AT   se llama  matriz de transformación de  T   o  representación
matricial de  T.
Si se usan bases diferentes, las matrices de transformación que se obtendrán
serán diferentes.
 
Ejemplo 1.
 
Encuentre la representación matricial de la transformación lineal  T  de   en   
 definida por
                                   
Aplicamos  T  a los vectores base de  :

               ,     ,     ,    

 
Entonces la matriz  AT    es

                                     .
 
 
Ejemplo  2.
 
En el ejemplo 1 se utilizó la base canónica para construir la matriz de
representación de la transformación lineal

ahora se utilizará la base  .

 
 ,     ,     ,    
 
Entonces la nueva matriz de transformación queda:

 
 
Ejemplo  3.
 
Encuentre la representación matricial  AT  de la transformación lineal   T  definida
por       

                                          
Aplicamos   T   a los vectores base  de   :

                

Entonces  la matriz   de transformación   es              

 
 
Ejemplo  4.
 
Encuentre la representación matricial  AT  de la transformación
lineal   T   definida  por  

                                             
Aplicamos la transformación a los vectores base  de  
                           

Entonces la matriz de transformación   es      .