Documentos de Académico
Documentos de Profesional
Documentos de Cultura
5 de septiembre de 2018
Objetivos del tema
10
30
Por ejemplo, suponga que p = 20. ¿Cuántas unidades de R1 se necesitan para
50
producir estos números de unidades de los cuatro productos? De la tabla se tiene que
r1 = p1 · 2 + p2 · 1 + p3 · 3 + p4 · 4
= 10 · 2 + 30 · 1 + 20 · 3 + 50 · 4 = 310 unidades.
Definición y ejemplos
De manera similar,
r2 = p1 · 4 + p2 · 2 + p3 · 2 + p4 · 1
= 10 · 4 + 30 · 2 + 20 · 2 + 50 · 1 = 190 unidades.
r3 = p1 · 3 + p2 · 3 + p3 · 1 + p4 · 2
= 10 · 3 + 30 · 3 + 20 · 1 + 50 · 2 = 240 unidades.
En general se ve que
p1
2 1 3 4 r1
p 2
4 2 2 p = r2
1
3
3 3 1 2 r3
p4
o
Ap = r
Esto se puede ver de otra manera. Si a p se le conoce como el vector de producción y
a r como el vector de materia prima, se define la función T por r = T (p) = Ap. Esto
es, T es la función que “transforma” el vector de producción en el vector de materia
prima y se hace mediante la multiplicación de matrices ordinaria. Como se verá, esta
función es también una transformación lineal.
Definición y ejemplos
Antes de definir una transformación lineal, hablaremos un poco sobre las funciones. Un
sistema de ecuaciones se puede escribir como
Ax = b
T (u + v) = T u + T v (1)
y
T (αv) = αT v. (2)
Definición y ejemplos
Observación 1
Se escribe T : V → W para indicar que T toma el espacio vectorial real V y lo lleva al
espacio vectorial real W ; esto es, T es una función con V como su dominio y un
subconjunto de W como su imagen.
Observación 2
Se escriben indistintamente T v y T (v). Denotan lo mismo; las dos se leen “T de v”.
Esto es análogo a la notación funcional f (x), que se lee “f de x”.
Observación 3
Gran parte de las definiciones y teoremas en este tema también se cumplen para los
espacios vectoriales complejos (espacios vectoriales en donde los escalares son números
complejos). Sin embargo, sólo se manejarán espacios vectoriales reales y, por lo tanto,
se eliminará la palabra “real” en el análisis de los espacios vectoriales y las
transformaciones lineales.
Observación 4
Las transformaciones lineales con frecuencia se denominan operadores lineales.
Definición y ejemplos
" ! !# !x1 + x2 + y1 + y2
x1 x2 x1 + x2
T + =T = x1 + x2 − y1 − y2
y1 y2 y1 + y2
3y1 + 3y2
x1 + y 1 x2 + y2
= x1 − y1 + x2 − y2 .
3y1 3y2
Pero
x1 + y1 ! x2 + y2 !
x1 x2
x1 − y1 = T y x2 − y2 = T .
y1 y2
3y1 3y2
Así, " ! !# ! !
x1 x2 x1 x2
T + =T +T .
y1 y2 y1 y2
Definición y ejemplos
De manera similar,
" !# ! αx + αy x+y !
x αx x
T α =T = αx − αy = α x − y = αT .
y αy y
3αy 3y
Figura 3: El vector (−x, y) es la reflexión respecto al eje y del vector (x, y).
x = r cos α y = r sen α
0 0
x = r cos (θ + α) y = r sen (θ + α) .
0
x = x cos θ − y sen θ. (3)
Definición y ejemplos
0
y = x sen θ + y cos θ. (4)
Sea !
cos θ − sen θ
Aθ = . (5)
sen θ cos θ
!
x0
!
x
Entonces de (3) y (4) se ve que Aθ = . La transformación lineal T : R2 → R2 definida por
y y0
T v = Aθ v, donde Aθ está dada por (5), se llama transformación de rotación.
P v = proyH v. (6)
Sea {u1 , u2 , ..., uk } una base ortonormal para H. Entonces de la definición de proyección ortogonal,
se tiene
P v = (v · u1 ) u1 + (v · u2 ) u2 + · · · + (v · uk ) uk . (7)
z 0
vector en el espacio de tres dimensiones y lo proyecta sobre el plano xy. De manera similar,
x x
T : y = 0 proyecta un vector en el espacio sobre el plano xz. Estas dos transformaciones se
z z
describen en la figura 5.
T (f + g) = (f + g) + 1 = f (0) + g(0) + 1
T f + T g = [f (0) + 1] + [g(0) + 1] = f (0) + g(0) + 2
Esto proporciona otro ejemplo de una transformación que puede parecer lineal, pero que de hecho no lo
es.
Imagen y núcleo
En esta sección se desarrollan algunas propiedades básicas de las transformaciones lineales.
Teorema 1
Sea T : V → W una transformación lineal. Entonces para todos los vectores u, v, v1 , v2 , . . . , vn en
V y todos los escalares α1 , α2 , . . . , αn :
1. T (0) = 0
2. T (u − v) = T u − T v
3. T (α1 v1 + α2 v2 + · · · + αn vn ) = α1 T v1 + α2 T v2 + · · · + αn T vn
Observación
En el inciso 1), el 0 de la izquierda es el vector cero en V , mientras que el 0 de la derecha es el vector
cero en W .
Demostración.
1. T (0) = T (0 + 0) = T (0) + T (0). Así, 0 = T (0) − T (0) = T (0) + T (0) − T (0) = T (0)
T α1 v1 + α2 v2 + · · · + αk vk + αk+1 vk+1 = T (α1 v1 + α2 v2 + · · · + αk vk ) + T αk+1 vk+1
T α1 v1 + α2 v2 + · · · + αk vk + αk+1 vk+1 = (α1 T v1 + α2 T v2 + · · · + αn T vn ) + αk+1 T vk+1 ,
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 T1 vi = T2 vi = wi para i = 1, 2, . . . , n. Entonces para
cualquier vector v ∈ V , T1 v = T2 v; es decir, T1 = T2 .
Demostración.
Como B es una base para V , existe un conjunto único de escalares α1 , α2 , . . . , αn
tales que α1 v1 + α2 v2 + · · · + αn vn . Entonces, del inciso 3) del teorema 1,
T1 v = T1 (α1 v1 + α2 v2 + · · · + αn vn ) = α1 T1 v1 + α2 T1 v2 + · · · + αn T1 vn
= α1 w1 + α2 w2 + · · · + αn wn .
De manera similar,
T2 v = T2 (α1 v1 + α2 v2 + · · · + αn vn ) = α1 T2 v1 + α2 T2 v2 + · · · + αn T2 vn
= α1 w1 + α2 w2 + · · · + αn wn .
Por lo tanto, T1 v = T2 v.
Imagen y núcleo
El teorema 1 indica que si T : V → W y V tiene dimensión finita, entonces sólo es
necesario conocer el efecto que tiene T sobre los vectores de la base en V . Esto es, si
se conoce la imagen de cada vector básico, se puede determinar la imagen de cualquier
vector en V . Esto determina T por completo. Para ver esto, sean v1 , v2 , . . . , vn una
base en V y sea v otro vector en V . Entonces, igual que en la prueba del teorema 2,
T v = α1 T v 1 + α2 T v 2 + · · · + αn T v n .
Ejemplo 15 (Si se conoce el efecto de una transformación lineal sobre los vectores
de la base, se conoce el efecto sobre cualquier otro vector)
Sea T una transformación lineal de R3 en R2 y suponga que
1 ! 0 ! 0 !
2 −1 5
T 0 = , T 1 = y T 0 = .
3 4 −3
0 0 1
3
Calcule T −4 .
5
Imagen y núcleo
Solución
Se tiene
3 1 0 0
−4 = 3 0 − 4 1 + 5 0 .
5 0 0 1
Entonces
3 1 0 0
T −4 = 3T 0 − 4T 1 + 5T 0
5 0 0 1
! ! !
2 −1 5
=3 −4 +5
3 4 −3
! ! !
6 4 25
= + +
9 −16 −15
!
35
= .
−22
Imagen y núcleo
Surge otra pregunta: si w , w , . . . , w
1 2 n son n vectores en W , ¿existe una transformación lineal T tal
que T vi = wi para i = 1, 2, . . . , n? La respuesta es sí, como lo muestra el siguiente teorema.
Teorema 3
Sea V un espacio vectorial de dimensión finita con base B = {v1 , v2 , . . . , vn }. Sea W un espacio
vectorial que contiene los vectores w1 , w2 , . . . , wn . Entonces existe una transformación lineal única
T : V → W tal que T vi = wi para i = 1, 2, . . . , n.
Demostración.
Se define la función T como sigue:
1. T vi = wi
2. Si v = α1 v1 + α2 v2 + · · · + αn vn , entonces
T v = α1 w 1 + α2 w 2 + · · · + αn w n . (8)
Como B es una base para V , T está definida para todo v ∈ V ; y como W es un espacio
vectorial, T v ∈ W . Entonces sólo falta demostrar que T es lineal, lo que se deduce directamente
de la ecuación (8). Si u = α1 v1 + α2 v2 + · · · + αn vn y q = β1 v1 + β2 v2 + · · · + βn vn ,
entonces
De manera similar, T (αv) = αT v, así que T es lineal. La unicidad de T se obtiene del teorema
2 y la prueba queda completa.
Imagen y núcleo
Observación
En los teoremas 2 y 3 los vectores w1 , w, . . . , w no tienen que ser independientes y,
de hecho, ni siquiera tienen que ser distintos. Más aún, se hace hincapié en que los
teoremas se cumplen si V es cualquier espacio vectorial de dimensión finita, no sólo
Rn . Observe también que la dimensión de W no tiene que ser finita.
Solución
Se sabe que W es un subespacio de dimensión dos de R3 con vectores básicos
1 0
w1 = 2 y w2 = 3 .
0 1
Imagen y núcleo
Solución (continuación...) ! !
1 0
Utilizando la base estándar en R2 , v1 = y v2 = , se define la transformación lineal T
0 1
por
! 1 ! 0
1 0
T = 2 yT = 3 .
0 1
0 1
Entonces, como lo muestra el análisis que sigue al teorema 2, T está completamente determinada. Por
ejemplo,
! " ! !# ! ! 1 0 5
5 1 0 1 0
T =T 5 −7 = 5T −7T = 5 2 −7 3 = −11
−7 0 1 0 1
0 1 −7
! " ! !# ! ! 1 0
x 1 0 1 0
T =T x +y = xT + yT = x 2 + y 3
y 0 1 0 1
0 1
x
= 2x + 3y .
y
Imagen y núcleo
Ahora se darán dos definiciones importantes en la teoría de transformaciones lineales.
ker T = {v ∈ V : T v = 0} (9)
Observación 5
Observe que ker T es no vacío porque, de acuerdo con el teorema 1, T (0) = 0, de manera que
0 ∈ ker 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 6
La imagen de T es simplemente el conjunto de “imágenes” de los vectores en V bajo la transformación
T . De hecho, si w = T v, se dice que w es la imagen de v bajo T .
Imagen y núcleo
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. ker T es un subespacio de V .
2. im T es un subespacio de W .
Demostración.
1. Sean u y v en ker T ; entonces T (u + v) = T u + T v = 0 + 0 = 0 y
T (αu) = αT u = α0 = 0 de forma que u + v y αu están en ker T .
2. Sean w y x en im T ; entonces w = T u y x = T v para dos vectores u y v en
V . Esto significa que T (u + v) = T u + T v = w + x y T (αu) = αT u = αw.
Por lo tanto, w + x y αw están en im T .
Observación 7
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.
z 0
x x 0
Esto es, T es el operador de proyección de R3 en el plano xy. Si T y = y = 0 = 0,
z 0 0
x
entonces x = y = 0. Así, ker T = y : x = y = 0, z ∈ R , es decir, el eje z, e
z
x
im T = y : z = 0 , es decir, el plano xy. Observe que dim ker T = 1 y dim im T = 2.
z
Imagen y núcleo
Definición 3 (Nulidad y rango de una transformación lineal)
Si T es una transformación lineal de V en W , entonces se define
Observación 8
En el tema «Espacios vectoriales» se definieron el rango, la imagen, el espacio nulo y la nulidad de una
matriz. Según el ejemplo 7, toda matriz A de m × n da lugar a una transformación lineal T : Rn → Rm
definida por T x = Ax. Es evidente que ker T = NA , im T = im A = CA , ν(T ) = ν(A) y
%(T ) = %(A). Entonces se ve que las definiciones de núcleo, imagen, nulidad y rango de una
transformación lineal son extensiones del espacio nulo, la imagen, la nulidad y el rango de una matriz.
Entonces la función constante f (x) = α para x ∈ [0, 1] tal que está en C [0, 1] y
R1
0 α dx = α. Como esto se cumple para todo número real α, se tiene que im J = R.
Teorema 5
Sea T : Rn → Rm una transformación lineal. Existe entonces una matriz única de
m × n, AT tal que
T x = AT x, ∀x ∈ Rn . (13)
Representación matricial de una transformación lineal
Demostración.
Sea w1 = T e1 , w2 = T e2 , . . . , wn = T en . Sea AT la matriz cuyas columnas son w1 , w2 , . . . , wn
y hagamos que AT denote también a la transformación de Rn → Rm , que multiplica un vector en Rn
por AT . Si
a1i
a2i
wi = . para i = 1, 2, . . . , n,
.
.
ami
entonces
0
0
a11 a12 ··· a1i ··· a1n a1i
.
.
··· ··· .
a21 a22 a2i a2n a
2i
AT ei = 1 = = wi .
.. . . . .
. . . .
. . . . 0 .
Observación 10
La demostración del teorema muestra que es sencillo obtener AT como la matriz cuyas columnas son
los vectores T ei .
Teorema 6
Sea AT la matriz de transformación correspondiente a la transformación lineal T . Entonces
1. im T = im A = CA
T
2. %(T ) = % (AT )
3. ker T = NA
T
4. ν(T ) = ν (AT )
Representación matricial de una transformación lineal
Solución
x x 1 1 0 0
Aquí T y = y . En particular, T 0 = 0, T 1 = 1 y
z 0 0 0 0 0
0 0 1 0 0
T 0 = 0. Así, AT = 0 1 0. Observe que
1 0 0 0 0
x 1 0 0 x x
AT y = 0 1 0 y = y .
z 0 0 0 z 0
Representación matricial de una transformación lineal
Ejemplo 25 (Representación matricial de una transformación
de R3 en R4 )
Defina T : R3 → R4 por
x−y
x
y+z
T y =
2x − y − z .
z
−x + y + 2z
Solución
Sean
1 −1 0
1
0 0
0 1 1
T 0 = , T 1 = , y T 0 = .
2 −1 −1
0 0 1
−1 1 2
Representación matricial de una transformación lineal
Así,
1 −1 0
0 1 1
AT = .
2 −1 −1
−1 1 2
1 −1 0 1 −1 0
0 1 1
0 1 1
es
.
2 −1 −1
0 0 1
−1 1 2 0 0 0
Esta forma tiene tres pivotes, de manera que %(AT ) = 3 y ya que %(AT ) + ν(AT ) = 3,
ν(AT ) = 3 − 3 = 0.
1 −1 0
0 1 1
Esto significa que ker T = {0}, im T = gen , , , νT ) = 0 y
−1 −1
2
−1 1 2
%(T ) = 3.
Representación matricial de una transformación lineal
z −6x + 3y − 9z
Solución
1 2 0 −1 0 3
Como T 0 = 4 , T 1 = −2 y T 0 = 6 , se tiene
0 −6 0 3 1 −9
2 −1 3
AT = 4 −2 6 .
−6 3 −9
Del ejemplo correspondiente del tema «Espacios vectoriales», se ve que %(AT ) = %(T ) = 1 e
2
im T = gen 4 . Entonces, ν(T ) = 2.
−6
Representación matricial de una transformación lineal
Del Teorema 6, para encontrar NA = ker T , se reduce por renglones para resolver el sistema
T
AT x = 0:
2 −1 3 0 2 −1 3 0
4 −2 6 0 → 0 0 0 0 .
−6 3 −9 0 0 0 0 0
x
Esto significa que y ∈ NA si 2x − y + 3z = 0, o sea, y = 2x + 3z. Estableciendo primero
T
z
x = 1, z = 0 y después x = 0, z = 1, se obtiene una base para NA :
T
1
0
ker T = NA = gen 2 , 3 .
T
0 1
Teorema 7
Sean V un espacio vectorial de dimensión n, W un espacio vectorial de dimensión m y T : V → W
una transformación lineal. Sea B1 = {v1 , v2 , . . . , vn } una base para V y sea
B2 = {w1 , w2 , . . . , wm } una base para W . Entonces existe una matriz única AT de m × n tal que
Observación 11
La notación (14) es la notación ya utilizada en el subtema «cambio de bases». Si x ∈ V entonces
x = c1 v1 + c2 v2 + · · · + cn vn y
c1
c2
(x)B = . .
! .
.
cn
Representación
matricial de una transformación lineal
c1 d1
c2 d2
Si c = .
.
, entonces AT c es un vector de dimensión m que se denotará por d = . . La
.
. .
cn dm
d1
d2
ecuación (14) dice que (T x)B = .. , es decir,
2
.
dm
T x = d1 w1 + d2 w2 + · · · + dm wm .
Observación 12
Como en el teorema 5, la unicidad de AT es relativa a las bases B1 y B2 . Si se cambian las bases, AT
cambia (vea los ejemplos 8 y 9, y el teorema 7.3.5). Si se usan las bases estándar, entonces esta AT es
la AT de la definición 4.
Demostración.
Sean T v1 = y1 , T v2 = y2 , . . . , T vn = yn . Como y1 ∈ W , se tiene que para i = 1, 2, . . . , n
a11 a12 a1n
a21 a22 a2n
(y1 )B =
..
, (y2 )
B2 = . , . . . , (yn )
B2 = . ,
2 . .
. . .
am1 am2 amn
Esto significa, por ejemplo, que y1 = a11 w1 + a21 w2 + · · · + am1 wm . Ahora se define
a11 a12 ··· a1n
···
a21 a22 a2n
AT =
.. . . .
. .
. . .
Como
0
1 1 0
0 0
0
(v1 )B =
.. , (v2 )B1 = , . . . , (vn )B1 = ..
1 .
. . .
.
0 1
0
0
a11 a12 ··· a1n
0
a21 a22 ··· a2n
. a1i
. . . .
. .
.
. . a2i
. .
AT (vi )B = 1 = = (yi )
B2 .
1
.
ai1 ai2 ··· ain .
0 .
. . .
. . . . ami
. . . .
.
am1 am2 ··· amn
0
Si x está en V , entonces
c1
c2
(x)B = .
1 .
.
cN
a11 a12 ··· a1n c1 a11 c1 + a12 c2 + · · · + a1n cn
··· a21 c1 + a22 c2 + · · · + a2n cn
a21 a22 a2n c2
AT (x)B =
.. . . . = .
1 . . .
.
. . . . .
am1 am2 ··· amn cN am1 c1 + am2 c2 + · · · + amn cn
Representación matricial de una transformación lineal
Demostración.
(continuación. . . )
a11 a12 a1n
a21 a22 a2n
= c1 + c2 . + · · · + cn .
.. . .
. . .
am1 am2 amn
= c1 (y1 )B + c2 (y2 )B + · · · + cn (yn )B .
2 2 2
De manera similar,
T x = T (c1 v1 + c2 v2 + · · · + cn vn ) = c1 T v1 + c2 T v2 + · · · + cn T vn
= c1 y1 + c2 y2 + · · · + cn yn ,
de manera que
T (x)B = (c1 y1 + c2 y2 + · · · + cn yn )B
2 2
= c1 (y1 )B + c2 (y2 )B + · · · + cn (yn )B
2 2 2
= AT (x)B .
1
Así, T (x)B = AT (x)B . La prueba de la unicidad es exactamente igual que la prueba de unicidad en
2 1
el teorema 5.
Representación matricial de una transformación lineal
El siguiente resultado es una generalización del teorema 6. Su demostración se deja
como ejercicio.
Teorema 8
Sean V y W espacios vectoriales de dimensión finita con dim V = n. Sea T : V → W
una transformación lineal y sea AT una representación matricial de T respecto a las
bases B1 en V y B2 en W . Entonces
1. %(T ) = % (AT )
2. ν (A) = ν (AT )
3. ν (A) + %(T ) = n
Observación
1) y 2) implican que % (AT ) y ν (AT ) son independientes de las bases B1 y B2 .
Así,
0 0
1 0 0
AT =
0
.
1 0
0 0 01
0 0 0
1 0 0
Es evidente que %(AT ) = 3 y que una base para R4 es {}
0 , 1 , 0. Por lo
0 0 1
tanto, im T = gen x, x2 , x3 . Como ν (AT ) = 3 − % (AT ) = 0, se ve que
ker T = {0}.
Representación matricial de una transformación lineal
Solución
Utilizando las bases estándar B1 = 1, x, x2 , x3 en P3 y B2 = 1, x, x2 en P2 , de
inmediato se ve que
0 1 0 0
= 0 , (T (x))B2 = 0 , T (x2 ) B = 0 y T (x3 ) B = 0 ,
(T (1))B2
2 2
0 0 1 0
por lo que
0 1 0 0
A T = 0 0 0 0 .
0 0 1 0
Representación matricial de una transformación lineal
Solución (continuación. . . )
1
0
Es obvio que % (AT ) = 2 una base para RA es 0 , 0 , de manera que
T
0 1
a0
0
n
2
o a1
im T = gen 1, x . Entonces, ν (AT ) = 4 − 2, y si AT = 0, entonces a1 = 0 y a2 = 0.
a2
0
a3
1
0
0 0 n o
Por lo tanto, a0 y a3 son arbitrarios y , es una base para NA , de manera que 1, x3
0 0 T
0
1
es una base para ker T .
En todos los ejemplos de esta sección se ha obtenido la matriz AT utilizando la base estándar en cada
espacio vectorial. Sin embargo, el teorema 7 se cumple para cualesquiera bases en V y W . El siguiente
ejemplo ilustra esto.
Solución
Primero encontramos las imágenes de los vectores que forman la base B1 y los expresamos en términos
de la base B2 , esto es,
! ! ! ! !
1 0 1 −6 −6
T = = −6 −2 =
−1 2 −1 −2 −2
B2
! ! ! !
−3 1 −3 17
T = 17 +6 =
2 −1 2 6
B2
! ! ! !
−4 1 −3 −13
= −13 −3 =
7 −1 2 −3
B1
Solución (continuación. . . )
! ! !
−4 −4 + 7 3
T = =
7 −4 − 7 −11
! ! !
−13 −13 27
T = AT =
−3 −3 8
B1 B1 B2
! ! !
1 −3 3
Observe que 27 +8 = , por lo que podemos concluir que ambos
−1 2 −11
resultados son equivalentes, independientemente de la base utilizada.
Observación
Para evitar confusión, a menos que se establezca de forma explícita algo distinto, siempre se calculará la
matriz AT respecto a la base canónica. Si T : V → V es una transformación lineal y se utiliza alguna
otra base B, entonces se hará referencia a AT como la ! matriz de transformación de T respecto a la
−6 17
base B. Así, en el último ejemplo, AT = , es la matriz de transformación de T respecto
−2 6
( ! !)
1 −3
a la base , .
−1 2
Representación matricial de una transformación lineal
I Antes de terminar esta sección, debe responderse una pregunta obvia: ¿para qué
molestarse en utilizar otra base que no sea la estándar cuando los cálculos son,
como en el último ejemplo, bastante más complicados? La respuesta es que con
frecuencia es posible encontrar una base B ∗ en Rn para la que la matriz de
transformación respecto a B ∗ es una matriz diagonal. Es muy sencillo trabajar
con matrices diagonales, como se verá posteriormente, y existen muchas
ventajas al escribir una matriz en forma diagonal.
Solución
Utilizando el procedimiento del problema anterior, encontramos la imagen de la base
B1 bajo T y la expresamos en términos de la base B2 para construir la representación
matricial AT con respecto a las bases B1 y B2 .
Representación matricial de una transformación lineal
! ! ! ! !
1 2 1 2 2
T = =2 +0 =
−1 −2 −1 −3 0
B2
! ! ! ! !
2 −6 1 2 0
T = =0 −3 = .
−3 9 −1 −3 −3
B2
!
2 0
Por lo tanto, AT = .
0 −3
Una forma alternativa de resolver este problema consiste en(encontrar ! la !!)
1 0
representación de T con respecto de la base estándar S = , y
0 1
encontrar las matrices de transición de B1 y B2 a S. Esquemáticamente se puede ver
en la figura 6 que, partiendo de la base B1 y utilizando la matriz de transición A, se
llega a la representación de la base S, se aplica la transformación lineal utilizando C y,
finalmente, en este caso como B1 = B2 , la matriz de transición de S a B2 es A−1 . Es
decir, AT = A−1 CA.
Representación matricial de una transformación lineal
! ! !
3 2 12 10 1 2
AT = A−1 CA =
−1 −1 −15 −13 −1 −3
!
2 0
AT = .
0 −3
Teorema 9
Sea T : Rn → Rm una transformación lineal. Suponga que C es la matriz de
transformación de T respecto a las bases estándar Sn y Sm en Rn y Rm ,
respectivamente. Sea A1 la matriz de transición de B1 a la base Sn en Rn y sea A2 la
matriz de transición de B2 a la base Sm en Rm . Si AT denota la matriz de
transformación de T respecto a las bases B1 y B2 , entonces
AT = A−1
2 CA1 . (15)
Geometría de las transformaciones lineales de R2 en R2
! ! ! ! !
x x c 0 x cx
T = AT = = .
y y 0 1 y y
De manera similar, una expansión a lo largo del eje y es una transformación lineal que
! multiplica
! la
2 x x
coordenada y de todo vector en R por una constante c > 1. Como antes, si T = , entonces
y cy
! ! ! ! !
1 1 0 0 1 0
T = yT = , de manera que si AT = , se tiene
0 0 1 c 0 c
! ! ! ! !
x x 1 0 x x
T = AT = = .
y y 0 c y cy
Geometría de las transformaciones lineales de R2 en R2
I La transformación ! !
x x
T =
y −y
2
refleja al vector en Rrespecto al eje y. Vea la figura 3.
! !
I Por último, el mapeo T
x
=
y
que intercambia x y y tiene el efecto de reflejar un
y x
vector en R2 respecto a la recta x = y. Vea la figura 9.
Ahora ! ! ! ! ! !
1 0 x x −1 0 x −x
= y =
0 −1 y −y 0 1 y y
!
1 0
de manera que es la representación matricial de la reflexión respecto al eje x y
0 −1
!
−1 0
es la representación matricial de la reflexión respecto al eje y.
0 1
Geometría! de las! transformaciones
! !
lineales
!
de!R2 en R2
x y 1 0 0 1
Si T = , entonces T = yT = , de manera que la
y x 0 1 1 0
2
representación matricial de la transformación lineal que refleja a un vector en R respecto a la recta
!
0 1
x = y es A = .
1 0
Figura 10: Dos cortes a lo largo del eje x: a) Comenzamos con este rectángulo. b) Corte a lo largo
del eje x con c = 2. c ) Corte a lo largo del eje x con c = −2.
Figura 11: Dos cortes a lo largo del eje y : a) Se comienza con este rectángulo. b) Corte a lo largo
! ! ! ! ! !
1 1 1 1 0 0
AT = , AT = , AT = .
0 3 4 7 4 4
!
1 0
En la figura 11c), c = −3. Así AT =
−3 1
! ! ! ! ! !
1 1 1 1 0 0
AT = , AT = , AT = .
0 −3 4 1 4 4
Observe que un corte a lo largo del eje y deja sin cambio a los vectores sobre el eje y
(coordenada x = 0).