Transformaciones Lineales Transpar

Transformaciones lineales
Luis Angel Zaldívar Cruz
Departamento de Ciencias Básicas

Instituto Tecnológico de Tehuacán
5 de septiembre de 2018
Objetivos del tema
En este tema el estudiante. . .

I Aprenderá la definición de una transformación lineal, que puede
interpretarse como una generalización del concepto de función.
I Estudiará el concepto de núcleo e imagen de una transformación lineal, a
partir de las cuales se caracteriza su comportamiento.
I Entenderá que toda transformación lineal se puede escribir como la
multiplicación de una matriz por un vector.
I Comprenderá que, mediante la existencia de un tipo especial de
transformación lineal, se identifican espacios vectoriales que comparten
características equivalentes.
I Profundizará en un tipo especial de isomorfismos.
Definición y ejemplos
Ejemplo 1 (Reflexión respecto al eje x) ! !
x x
En R2 se define una función mediante la expresión T = .
y −y
Geométricamente, T toma un vector en R2 y lo refleja respecto al eje x. Esto se
ilustra en la figura 1. Cuando demos la definición de transformación lineal,
observaremos que T es una transformación lineal de R2 en R2 .
Figura 1: Reflexión respecto al eje x.

Ejemplo 2 (Transformación de un vector de producción en un
vector de materia prima)
Un fabricante elabora cuatro tipos de productos distintos, de los cuales cada uno
requiere tres tipos de materiales. Se identifican los cuatro productos como P1 , P2 , P3
y P4 , y a los materiales por R1 , R2 y R3 . La tabla que se visualiza en la figura 2
muestra el número de unidades de cada materia prima que se requieren para fabricar
una unidad de cada producto.
Figura 2: Tabla de producción.
Si se produce un cierto número de los cuatro productos, ¿cuántas unidades de cada

material se necesitan?
Sean p1 , p2 , p3 y p4 el número de artículos fabricados de los cuatro productos, y sean

r1 , r2 y r3 el número de unidades necesario de los tres materiales. Entonces se define
 
p1    
  r1 2 1 3 4
p2 
p=
p  , r = r2  , A = 4 2 2 1 .
    
 3
r3 3 3 1 2
p4


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.
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.
Antes de definir una transformación lineal, hablaremos un poco sobre las funciones. Un
sistema de ecuaciones se puede escribir como
Ax = b
donde A es una matriz de m × n, x ∈ Rn y b ∈ Rm . Se pidió encontrar x cuando A y

b se conocían. No obstante, esta ecuación se puede ver de otra forma: suponga que A
se conoce. Entonces la ecuación Ax = b “dice”: proporcione una x en Rn y yo le daré
una b en Rm ; es decir, A representa una función con dominio Rn e imagen en Rm .
La función que se acaba de definir tiene las propiedades de que A(αx) = αAx si α es
un escalar y A(x + y) = Ax + Ay. Esta propiedad caracteriza las transformaciones
lineales.
Definición 1 (Transformación lineal)

Sean V y W espacios vectoriales reales. Una transformación lineal T de V en W es
una función que asigna a cada vector v ∈ V un vector único T v ∈ W y que satisface,
para cada u y v en V y cada escalar α,
T (u + v) = T u + T v (1)
y
T (αv) = αT v. (2)
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.
Ejemplo 3 (Una transformación

 
lineal de R2 en R3 ) 
! x+y ! −1
2 3 x 2
Sea T : R →R definida por T = x − y . Por ejemplo, T = 5 . Entonces
   
y −3
3y −9
 
" ! !# !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
De manera similar,
   
" !# ! αx + αy x+y !
x αx x
T α =T = αx − αy  = α x − y  = αT .
   
y αy y
3αy 3y
Así, T es una transformación lineal.
Ejemplo 4 (La transformación cero)

Sean V y W espacios vectoriales y defina T : V → W por T v = 0 para todo v en V .
Entonces T (v1 + v2 ) = 0 = 0 + 0 = T v1 + T v2 y T (αv) = 0 = α0 = αT v. En
este caso, T se denomina la transformación cero.
Ejemplo 5 (La transformación identidad)

Sea V un espacio vectorial y defina I : V → V por Iv = v para todo v en V . Aquí es
obvio que I es una transformación lineal, la cual se denomina transformación identidad
u operador identidad.
Ejemplo 6 (Transformación
!
de reflexión)
!
x −x
Sea T : R2 → R2 definida por T = . Es fácil verificar que T es lineal. En términos
y y
2
geométricos, T toma un vector en R y lo refleja respecto al eje y (vea la figura 3).
Figura 3: El vector (−x, y) es la reflexión respecto al eje y del vector (x, y).
Ejemplo 7 (Transformación de Rn → Rm dada por la

multiplicación por una matriz de m × n)
Sea A una matriz de m × n y defina T : Rn → Rm por T x = Ax. Como A (x + y) = Ax + Ay y
A (αx) = αAx si x y y están en Rn , se observa que T es una transformación lineal. Entonces toda
matriz A de m × n se puede utilizar para definir una transformación lineal de Rn → Rm .
EPosteriormente se verá que se cumple la recíproca: toda transformación lineal entre espacios vectoriales
de dimensión finita se puede representar por una matriz.
Ejemplo 8 (Transformación
!
de rotación)
x
Suponga que el vector v = en el plano xy se rota un ángulo θ (medido en grados o radianes)
y
x0
!
en sentido contrario al de las manecillas del reloj. Llame a este nuevo vector rotado v0 = 0 .
y
Entonces, como se ve en la figura 4, si r denota la longitud de v(que no cambia por la rotación),
Figura 4: (x0 , y 0 ) se obtiene rotando (x, y) un ángulo θ.
x = r cos α y = r sen α
0 0
x = r cos (θ + α) y = r sen (θ + α) .
Pero r cos (θ + α) = r cos θ cos α − r sen θ sen α, de manera que
0
x = x cos θ − y sen θ. (3)
De manera similar, r sen (θ + α) = r sen θ cos α + r cos θ sen α, o sea
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.
Ejemplo 9 (Transformación de proyección ortogonal)

Sea H un subespacio de Rn . La trans formación de proyección ortogonal P : V → H se define por
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)
Como (v1 + v2 ) · u = v1 · u + v2 · u y (αv) · u = α (v · u), se ve que P es una transformación lineal.

Ejemplo 10 (Dos operadores
   
de proyección)
x x
Se define T : R3 → R3 por T : y  = y . Entonces T es el operador de proyección que toma un
   
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.
Figura 5: Proyecciones sobre los planos xy y xz.

Ejemplo 11 (Operador de transposición)
Defina T : Mmn → Mnm por T (A) = AT . Como (A + B)T = AT + B T y (αA)T = αAT , se ve
que T , denominado operador de transposición, es una transformación lineal.
Ejemplo 12 (Operador integral)

Sea J : C [0, 1] → R definida por Jf = 01 f (x) dx. Para f, g ∈ C [0, 1], como
R
R1 R1 R1 R1 R1
0 [f (x) + g(x)] dx = 0 f (x) dx + 0 g(x) dx y 0 αf (x)dx = α 0 f (x)dx, se ve que J es un
operador lineal. Por ejemplo, J(x3 ) = 4
1 . J se denomina operador integral.
Ejemplo 13 (Operador diferencial)

Suponga que D : C 0 [0, 1] → C [0, 1] se define por Df = f 0 . Para f, g ∈ C 0 [0, 1], como
D (f + g) = Df + Dg y D (αf ) = αDf , puede apreciarse que D es un operador lineal. D se
denomina operador diferencial.
Ejemplo 14 (Una transformación que no es lineal)

Suponga que T : C [0, 1] → R está definida por T f = f (0) + 1. Entonces T no es lineal. Para ver esto
se calcula
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)
2. T (u − v) = T (u + (−1) v) = T u + T ((−1) v) = T u + (−1) T v = T u − T v
3. Utilizamos inducción matemática. Para n = 2 se tiene T (α1 v1 + α2 v2 ) = α1 T v1 + α2 T v2 .

Así, se cumple el Teorema 1 inciso 3) para n = 2. Se supone que se cumple para n = k y se
prueba para n = k + 1:

T α1 v1 + α2 v2 + · · · + αk vk + αk+1 vk+1 = T (α1 v1 + α2 v2 + · · · + αk vk ) + T αk+1 vk+1
y usando la ecuación en el inciso 3) para n = k, esto es igual a

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 ,
que es lo que se quería demostrar. Esto completa la prueba.

Imagen y núcleo
Un dato importante sobre las transformaciones lineales es que están completamente
determinadas por el efecto sobre los vectores de la base.
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 .
Así, se puede calcular T v para cualquier vector v ∈ V si se conocen

T v1 , T v2 , . . . , T vn .
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
T (u + q) = n [(α1 + β1 ) v1 + (α2 + β2 ) v2 + · · · + (αn + βn ) vn ]

= (α1 + β1 ) w1 + (α2 + β2 ) w2 + · · · + (αn + βn ) wn
= (α1 w1 + α2 w2 + · · · + αn wn ) + (β1 w1 + β2 w2 + · · · + βn wn )
= T u + T q.
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.
Ejemplo 16 (Definición de una transformación lineal de R2 en

un subespacio de R3 )
Encuentre una transformación lineal de R2 en el plano
  
 x
 

W = y  : 2x − y + 3z = 0 .
 

 

z
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
De manera más general,
   
! " ! !# ! ! 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.
Definición 2 (Núcleo e imagen de una transformación líneal)

Sean V y W dos espacios vectoriales y sea T : V → W una transformación lineal. Entonces
1. El núcleo de T , denotado por ker T , está dado por
ker T = {v ∈ V : T v = 0} (9)
2. La imagen de T , denotado por im T , está dado por
im T = {w ∈ W : w = T v para alguna v ∈ V } . (10)
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 .
Ejemplo 17 (Núcleo e imagen de la transformación cero)

Sea T v = 0 para todo v ∈ V (T es la transformación cero). Entonces ker T = V e
im T = {0}.
Imagen y núcleo
Ejemplo 18 (Núcleo e imagen de la transformación identidad)

Sea T v = v para todo v ∈ V (T es la transformación identidad). Entonces ker T = {0} e im T = V .
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.
Ejemplo 19 (Núcleo e imagen

 
de un operador de proyección)
x x
Sea T : R3 → R3 definida por T y  = y .
   
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
Nulidad de T = ν(T ) = dim ker T (11)
Rango de T = %(T ) = dim im T. (12)
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.
Ejemplo 20 (Núcleo y nulidad de un operador de proyección)

Sea H un subespacio de Rn y sea T v = proyH v. Es obvio que la im T = H. Del teorema de
proyección (Tema: Espacios vectoriales), se tiene que para toda v ∈ V si
v = h + p = proyH v + proyH ⊥ . Si T v = 0, entonces h = 0, lo que significa que v = p ∈ H ⊥ . Así,
ker T = H ⊥ , %(T ) = dim H, y ν(T ) = dim H ⊥ = n − %(T ).
Ejemplo 21 (Núcleo e imagen de un operador transpuesto)

Sea V = Mmn y defina T : Mmn → Mnm por T (A) = AT (vea el ejemplo 11, página 15). Si
T (A) = AT = 0, entonces AT es la matriz cero de n × m, por lo que A es la matriz cero de m × n.
Así, ker T = {0} y es claro que im T = Mnm . Esto significa que ν(T ) = 0 y %(T ) = nm.
Imagen y núcleo
Ejemplo 22 (Núcleo e imagen de una transformación de P3 en

P2)
Defina T : P3 → P2 por T (p) = T a0 + a1 x + a2 x2 + a3 x3 = a0 + a1 x + a2 x2 .

Entonces si T (p) = 0, a0 + a1 x+ a2 x2 = 0 para toda x, lo que implica que
a0 = a1 = a2 = 0. Así ker T = p ∈ P3 : p(x) = a3 x3 e im T = P2 , ν(T ) = 1 y
%(T ) = 3.
Ejemplo 23 (Núcleo e imagen de un operador integral)

Sea V = C [0, 1] y defina J : C [0, 1] → R por Jf = 01 f (x) dx (vea el ejemplo 12,
R
n o
página 15). Entonces ker J = f ∈ C [0, 1] : 01 f (x) dx = 0 . Sea α un número real.
R
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.
En la siguiente sección se verá que toda transformación lineal de un espacio vectorial

de dimensión finita en otro se puede representar por una matriz, lo que permitirá
calcular el núcleo y la imagen de cualquier transformación lineal entre espacios
vectoriales de dimensión finita encontrando el espacio nulo y la imagen de la matriz
correspondiente.
Representación matricial de una transformación lineal
Si A es una matriz de m × n y T : Rn → Rm está definida por T x = Ax, entonces,

como se observó en el ejemplo 7 de la página 11, T es una transformación lineal.
Ahora se verá que para toda transformación lineal de Rn en Rm existe una matriz A
de m × n tal que T x = Ax para todo x ∈ Rn . Este hecho es de gran utilidad. Como
se ha visto, si T x = Ax, entonces ker T = NA e im T = RA . Además,
ν(T ) = dim ker T = ν(A) y %(T ) = dim im T = %(A). Así se puede determinar el
núcleo, la imagen, la nulidad y el rango de una transformación lineal T : Rn → Rm
determinando el espacio nulo y la imagen de la matriz correspondiente.
Adicionalmente, una vez que se sabe que T x = Ax, se puede evaluar T x para
cualquier x en Rn mediante una simple multiplicación de matrices.
Pero esto no es todo. Como se verá, cualquier transformación lineal entre espacios
vectoriales de dimensión finita se puede representar mediante una matriz.
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)
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  . 

am1 am2 ··· ami ··· amn  .  ami

 
.
.
0
De esta forma, AT ei = wi para i = 1, 2, . . . , n. De acuerdo al teorema 2 de la página 17, T y la

transformación AT son la misma porque coinciden en los vectores básicos. Ahora se puede demostrar
que AT es única. Suponga que T x = AT x y que T x = BT x para todo x ∈ Rn . Entonces
AT x = BT x, o estableciendo CT = AT − BT , se tiene que CT x = 0 para todo x ∈ Rn . En
particular, CT ei = 0 para i = 1, 2, . . . , n. Pero como se deduce de la demostración de la primera parte
del teorema, CT ei es la columna i de CT . Así, cada una de las n columnas de CT es el vector cero de
dimensión m, la matriz cero de m × n. Esto muestra que AT = BT y el teorema queda demostrado.
Observación 9
En este teorema se supone que todo vector en Rn y Rm está expresado en términos de los vectores de
la base estándar en esos espacios. Si se eligen otras bases para Rn y Rm , por supuesto que se obtendrá
una matriz AT diferente.
Observación 10
La demostración del teorema muestra que es sencillo obtener AT como la matriz cuyas columnas son
los vectores T ei .
Definición 4 (Matriz de transformación)

La matriz AT en el teorema 5 se denomina matriz de transformación correspondiente a T o
representación matricial de T .
La prueba del siguiente teorema es consecuencia del teorema 5 y se deja como ejercicio.
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 )
Ejemplo 24 (Representación matricial de una transformación

de proyección)
Encuentre la matriz de transformación AT correspondiente a la proyección de un
vector en R3 sobre el plano xy.
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
de R3 en R4 )
Defina T : R3 → R4 por
 
  x−y
x  
   y+z 
T y  = 
 2x − y − z  .

z
 
−x + y + 2z
Encuentre AT , ker T , im T , ν(T ) y %(T ).
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
Así,  
1 −1 0
 
 0 1 1 
AT =  .

 2 −1 −1 

−1 1 2
Ahora se calculan el núcleo y la imagen de AT . La forma escalonada por renglones de
  
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.

de R3 en R3 )
Defina T : R3 → R3 por
   
x 2x − y + 3z
T y = 4x − 2y + 6z  .
   
z −6x + 3y − 9z
Encuentre AT , ker T , im T , ν(T ) y %(T ).
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
 
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
 

cero)
Es fácil verificar que si T es la transformación cero de Rn → Rm , entonces AT es la matriz cero de
m × n. De igual manera, si M es la transformación identidad de Rn → Rn , entonces AT = In .
cero)
Se vio en el ejemplo 8 de la página 12, que si T es la función que rota a todo vector en R2 un ángulo θ,
entonces !
cos θ − sen θ
AT = .
sen θ cos θ
Ahora se generalizará el concepto de representación matricial a espacios arbitrarios de dimensión finita.
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
(T x)B = AT (x)B . (14)

2 1
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
yi = a1i w1 + a2i w2 + · · · + ami wm ,
para algún conjunto (único) de escalares a1i , a2i , . . . , ami y se escribe

Demostración.
(continuación. . . )
     
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 = 
 .. . .  .
. . 
 . . . 
 
am1 am2 ··· amn
Como  
  0  
1  1 0
     
 0    0
   0  
(v1 )B = 
 ..  , (v2 )B1 =   , . . . , (vn )B1 =  .. 
    
1 .
. . .
   
.
0 1
0
se tiene, como en la prueba del teorema 5,

Demostración.
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
Demostración.
     
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.
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 .

de P2 en P3 )
Defina T : P2 → P3 por (T p) (x) = xp(x). Encuentre AT y úsela para determinar el
núcleo y la imagen de M.
Solución
Utilizando las bases estándar B1 = 1, x, x2 en P2 y B2 = 1, x, x2 , x3 en P3 , se

tiene
     
0 0 0
     
1 2 0 2 3 0
   
(T (1))B2 = (x)B2 =
0 , (T (x))B2 = x B2 = 1 , T (x ) B2 = x B2 = 0 ,

     
0 0 1
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}.

de P3 en P2 )
Defina T : P3 → P2 por T a0 + a1 x + a2 x2 + a3 x3 = a1 + a2 x2 . Calcule AT y

utilícela para encontrar el núcleo y la imagen de T .
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
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.
Ejemplo 31 (Representación matricial relativa a dos bases no

estándar en R2 ) ! !
x x+y
Sea la transformación lineal T : R2 → R2 definida por T = . Calcule AT con respecto a
y x−y
( ! !) !
1 −3 −4
las bases B1 = B2 = , . Además, encuentre la imagen de con
−1 2 7
respecto a la base estándar y las bases B1 y B2 .
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
por lo tanto, la representación

! matricial de la transformación T con respecto a las bases B1 y B2 es
−6 17
AT = . Para encontrar la imagen con respecto a las diferentes bases obtenemos la
−2 6
!
−4
representación de con respecto a B1 , que en este caso es
7
! ! ! !
−4 1 −3 −13
= −13 −3 =
7 −1 2 −3
B1
La imagen en las diferentes bases podemos calcularla como

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
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.
Ejemplo 32 (La representación matricial de una transformación

lineal respecto a dos bases no estándar en R2 puede ser
diagonal) ! !
x 12x + 10y
Sea la transformación lineal T : R2 → R2 definida por T = .
y −15x − 13y
( ! !)
1 2
Calcule AT con respecto a las bases B1 = B2 = , .
−1 −3
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 .
! ! ! ! !
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.
Figura 6: Esquema de procedimiento alternativo para encontrar la representación

matricial de la transformación T con respecto a las bases B1 y B2 del ejemplo 32.
Encontrando las matrices involucradas
! ! !
1 2 3 2 12 10
A= , A−1 = ,C =
−1 −3 −1 −1 −15 −13
! ! !
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
Definición 5 (Expansiones a lo largo de los ejes x y y)

Una expansión a lo largo del eje x es una transformación!lineal que! multiplica a la coordenada
! ! x de un
x cx 1 c
vector en R2 por una constante c > 1. Esto es, si T = , entonces T = y
y y 0 0
! ! !
0 0 c 0
T = , de manera que si AT = , se tiene
1 1 0 1
! ! ! ! !
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
En la figura 7 se ilustran dos expansiones.
Figura 7: Dos expansiones: a) Se comienza con este rectángulo. b) Expansión en la dirección de x

con c = 2. c) Expansión en la dirección de y con c = 4.
Definición 6 (Compresión a lo largo de los ejes x o y)

Una compresión a lo largo de los ejes x o y es una transformación lineal que multiplica
a la coordenada x o y de un vector en R2 por una constante positiva c < 1. La
representación matricial de una compresión es la misma que para una expansión,
excepto que para la compresión 0 < c < 1, mientras que para la expansión c > 1. En
la figura 8 se ilustran dos compresiones.
Figura 8: Dos compresiones: a) Se comienza con este rectángulo. b) Compresión a lo

largo del eje x con c = 13 . c ) Compresión a lo largo del eje x con c = 21 .
Definición 7 (Reflexiones)
Existen tres tipos de reflexiones que serán de interés.
I La transformación ! !
x x
T =
y −y
refleja al vector en R2 respecto al eje x. Vea la figura 1.

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 9: Reflexión de un vector en R2 respecto a la recta x = y : a) (2, 5) se obtiene reflejando

(5, 2) respecto a la recta y = x. b) (1, 24) se obtiene reflejando (24, 1) respecto a la recta y = x.
Definición 8 (Cortes)
!
I Un corte a lo largo del eje x es donde una transformación que toma al vector
x
y lo convierte
y
!
x + cy
en un nuevo vector , donde c es una constante diferente de cero. En la figura 10 se
y
ilustran dos cortes a lo largo del eje x.
!
I Un corte a lo largo del eje y es donde una transformación que toma al vector
x
y lo convierte
y
!
x
en un nuevo vector , donde c es una constante diferente de cero. En la figura 11 se
y + cx
ilustran dos cortes a lo largo del eje y.
! ! ! !
1 1 0 c
Sea T un corte a lo largo del eje x. Entonces T = yT = , de manera que la
0 0 1 1
!
1 c
representación matricial de T es AT = . Por ejemplo, en la figura 10b, c = 2, así
0 1
! ! ! ! ! ! !
1 2 3 3 3 7 0 4
AT = , y AT = , AT = , AT = .En la figura 10c, c = −2.
0 1 0 0 2 2 2 2
!
1 −2
Así, AT = ,
0 1
! ! ! ! ! !
3 3 3 −1 0 −4
AT = , AT = , AT = .Observe que un corte
0 0 2 2 2 2
a lo largo del eje x deja sin cambio a los vectores sobre el eje x (coordenada y = 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
del eje y con c = 3. c ) Corte a lo largo del eje y con c = −3.

! !
1 1
Sea T un corte a lo largo del eje y. Entonces T = y
0 c
! !
0 0
T = , de manera que la representación matricial de T es
1 1
! !
1 0 1 0
AT = . Por ejemplo, en la figura 11b), c = 3. Así, AT = ,y
c 1 3 1
! ! ! ! ! !
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).

Transformaciones Lineales Transpar

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Transformaciones Lineales Transpar

Cargado por

Copyright:

Formatos disponibles

Transformaciones lineales

Luis Angel Zaldívar Cruz

Departamento de Ciencias Básicas

En este tema el estudiante. . .

Figura 1: Reflexión respecto al eje x.

Figura 2: Tabla de producción.

Si se produce un cierto número de los cuatro productos, ¿cuántas unidades de cada

Sean p1 , p2 , p3 y p4 el número de artículos fabricados de los cuatro productos, y sean

donde A es una matriz de m × n, x ∈ Rn y b ∈ Rm . Se pidió encontrar x cuando A y

Definición 1 (Transformación lineal)

Ejemplo 3 (Una transformación

Así, T es una transformación lineal.

Ejemplo 4 (La transformación cero)

Ejemplo 5 (La transformación identidad)

Ejemplo 7 (Transformación de Rn → Rm dada por la

Figura 4: (x0 , y 0 ) se obtiene rotando (x, y) un ángulo θ.

Pero r cos (θ + α) = r cos θ cos α − r sen θ sen α, de manera que

De manera similar, r sen (θ + α) = r sen θ cos α + r cos θ sen α, o sea

Ejemplo 9 (Transformación de proyección ortogonal)

Como (v1 + v2 ) · u = v1 · u + v2 · u y (αv) · u = α (v · u), se ve que P es una transformación lineal.

Figura 5: Proyecciones sobre los planos xy y xz.

Ejemplo 12 (Operador integral)

Ejemplo 13 (Operador diferencial)

Ejemplo 14 (Una transformación que no es lineal)

2. T (u − v) = T (u + (−1) v) = T u + T ((−1) v) = T u + (−1) T v = T u − T v

3. Utilizamos inducción matemática. Para n = 2 se tiene T (α1 v1 + α2 v2 ) = α1 T v1 + α2 T v2 .

y usando la ecuación en el inciso 3) para n = k, esto es igual a

que es lo que se quería demostrar. Esto completa la prueba.

Así, se puede calcular T v para cualquier vector v ∈ V si se conocen

T (u + q) = n [(α1 + β1 ) v1 + (α2 + β2 ) v2 + · · · + (αn + βn ) vn ]

Ejemplo 16 (Definición de una transformación lineal de R2 en

De manera más general,

Definición 2 (Núcleo e imagen de una transformación líneal)

1. El núcleo de T , denotado por ker T , está dado por

2. La imagen de T , denotado por im T , está dado por

im T = {w ∈ W : w = T v para alguna v ∈ V } . (10)

Ejemplo 17 (Núcleo e imagen de la transformación cero)

Ejemplo 18 (Núcleo e imagen de la transformación identidad)

Ejemplo 19 (Núcleo e imagen

Nulidad de T = ν(T ) = dim ker T (11)

Rango de T = %(T ) = dim im T. (12)

Ejemplo 20 (Núcleo y nulidad de un operador de proyección)

Ejemplo 21 (Núcleo e imagen de un operador transpuesto)

Ejemplo 22 (Núcleo e imagen de una transformación de P3 en

Ejemplo 23 (Núcleo e imagen de un operador integral)

En la siguiente sección se verá que toda transformación lineal de un espacio vectorial

Si A es una matriz de m × n y T : Rn → Rm está definida por T x = Ax, entonces,

am1 am2 ··· ami ··· amn  .  ami

De esta forma, AT ei = wi para i = 1, 2, . . . , n. De acuerdo al teorema 2 de la página 17, T y la

Definición 4 (Matriz de transformación)

Ejemplo 24 (Representación matricial de una transformación

Encuentre AT , ker T , im T , ν(T ) y %(T ).

Ahora se calculan el núcleo y la imagen de AT . La forma escalonada por renglones de

Ejemplo 26 (Representación matricial de una transformación

Encuentre AT , ker T , im T , ν(T ) y %(T ).

Ejemplo 27 (Representación matricial de una transformación

Ahora se generalizará el concepto de representación matricial a espacios arbitrarios de dimensión finita.

(T x)B = AT (x)B . (14)

yi = a1i w1 + a2i w2 + · · · + ami wm ,

para algún conjunto (único) de escalares a1i , a2i , . . . , ami y se escribe

am1 am2 ··· amn

se tiene, como en la prueba del teorema 5,

Ejemplo 29 (Representación matricial de una transformación