5.01 DEFINICIÓN TRANSFORMACIÓN LINEAL Y SUS PROPIEDADES En un espacio vectorial se definen dos operaciones: la adición y la multiplicación por un escalar.

Las transformaciones lineales entre espacios vectoriales conservan estas estructuras lineales según el criterio que se establece a continuación. Definición. Sean V y W espacios vectoriales. Una transformación lineal T de V en W es una función que asigna a cada vector v ∈ V un único vector Tv ∈ W y que satisface para cada u y v en V y cada escalar α, T(u + v) = Tu + Tv (1) T(cu) = cT(u) (2) Notación. Escribimos T: V → W para indicar que T transforma V en W. Terminología. Las transformaciones lineales se llaman, con frecuencia, operadores lineales. También, las funciones que satisfacen (1) y (2) se denominan funciones lineales. La primera condición implica que T convierte la suma de los vectores en la suma de las imágenes de los vectores. La segunda condición implica que T convierte el múltiplo escalar de un vector en el múltiplo escalar de la imagen. De esta manera, las operaciones de adición y multiplicación por un escalar se conservan bajo una transformación lineal. 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: i. T(0) = 0 ii. T(u - v) = Tu - Tv iii. T(α1v1, α2v2, ..., αnvn) = α1Tv1+ α2Tv2+ ... + αnTvn Nota. En la parte (i) el 0 de la izquierda, es el vector cero en V mientras que el 0 del lado derecho, 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 n 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.

Teorema 3. Sea V un espacio vectorial de dimensión finita con base B = {v1, v2, ..., vn}. Sea también W un espacio vectorial que contiene a los n vectores w1, w2, ..., wn. Entonces existe una única transformación lineal T: V → W tal que Tvi = wi para i = 1, 2, ..., n.
Ejemplo 21.2 Demuestre que la transformación T : R3→R2 es lineal: T((x, y, z)′) = (x + z, y − z)′ Solución Sean u = (x1, y1, z1)′ y v = (x2, y2, z2)′. Entonces T(u + v) = T((x1 + x2, y1 + y2, z1 + z2)′) = ((x1 + x2) + (z1 + z2), (y1 + y2) − (z1 + z2))′ = (x1 + z1, y1 − z1)′ + (x2 + z2, y2 − z2)′ = T(u) + T(v) Por otro lado, para todo escalar c, T(c u) = T((c x1, c y1, c z1)′) = (c x1 + c z1, c y1 − c z1)′ = c (x1 + z1, y1 − z1)′ = c T((x1, y1, z1)′) = c T(u) Como se cumplen las dos condiciones: T(u + v) = T(u) + T(v) T(c u) = c T(u) T es lineal _ Ejemplo 21.3 Sea A una matriz m × n. Demuestre que la transformación T : Mn×k→Mm×k definida como T(B) = AB es lineal. Solución Sean B y C dos matrices n × k cualquiera y c un escalar cualquiera: T(B + C) = A(B + C) = AB + AC = T(B) + T(C) T(cB) = A(cB) = c (AB) = c T(B) Como se cumplen las dos condiciones: T(B + C) = T(B) + T(C) T(cB) = c T(B) T es lineal _ Ejemplo 21.4 ¿Es lineal la transformación f : R→R, definida por f(x) = x + 1 ? 4 Solución No, la parte 1 de la definición no se cumple porque f(x + y) = (x + y) + 1 y f(x) + f(y) = x + 1 + y + 1 = x + y + 2 no son iguales _

u2) lo refleja sobre el eje x. u2 + γv2) = ((u1 + γv1) cos θ – (u2 + γv2) sen θ.sen α sen θ) v2 = ||T (ū)|| • sen (α + θ) = ||ū|| • (sen α cos θ + cos α sen θ) Como u1 = ||ū|| = cos α y u2 = ||ū|| = sen α se obtiene: v1 = u1 cos θ – u2 sen θ v2 = u2 cos θ – u1 sen θ Por lo tanto la Transformación T : R2 ―› R2 debe estar definida tal que: T (u1. la situación es más sencilla ya que claramente tenemos dos triángulos rectángulos que son congruentes. para obtener un vector T (ū) = (v1. u2 cos θ – u1 sen θ).v2 sen θ. v2). v2 cos θ + v1 sen θ) = T (u1. v2).-EJEMPLOS DE TRANSFORMACIONES LINEALES ( REFLEXION. u2 cos θ + u1 sen θ)+(v1 cos θ . -u2) . para obtener un vector T (ū) = (v1. u2) + γT (v1.5. u2) es un ángulo θ. de donde T queda definida como sigue: T (u1.02. (u2 + γv2) cos θ + (u1 + γv1) sen θ) =(u1 cos θ . Esta transformación se llama la rotación por un ángulo θ y es lineal. u2) = (u1. u2) = (u1 cos θ – u2 sen θ. DILATACION. Usando las funciones trigonométricas. tenemos que: v1 = ||T (ū)|| • cos (α + θ) = ||ū|| • (cos α cos θ . En este caso. v2) Transformación de Reflexión: La Transformación de T : R2 ―› R2 que a cada vector ū = (u1. u2) + γ(v1. ya que: T [(u1. CONTRACCION Y ROTACION) Rotación Sea 0 ≤ θ < 2π un ángulo medido en radianes. v2)] = T (u1 + γv1.u2 sen θ. La Transformación de T : R2 ―› R2 que gira sobre un vector ū = (u1.

Determine la matriz canónica de T. la imagen se localiza en la misma dirección que el punto original a partir del origen. pero se encuentran tres veces mas lejos del origen. determine el efecto que tiene T en la base canónica La matriz canonica es T se puede expresar como una transformación matricial: Por ejemplo considere la dilatación T definida por la matriz tiene que. esta operación recibe el nombre de contracción de factor r. v2)] = T (u1 + γv1. -u2) + γ(v1. -u2 -γv2) = (u1. entonces T acerca los puntos al origen. donde r es un escalar. -v2) = T (u1.Esta transformación se llama la reflexión sobre el eje x. y es lineal. definido por . . . ya que: T [(u1. se Por consiguiente. u2) + γ(v1. T transforma el punto en el punto . u2) + γT (v1. si . Se puede demostrar que T es una transformación lineal. u2 + γv2) = (u1 + γv1. v2) Dilatación y contraccion Considere el operador T: R2→R2 .

. Note que ker T es no vacío ya que por el Teorema 1 de las Transformaciones lineales. Imagen de una transformación lineal. entonces T(u + v) = Tu + Tv = 0 + 0 = 0 y T(αu) = αTu = α0 = 0 de modo que u + v y αu están en ker T. Demostración. Esto significa que T(u + v) = Tu + Tv = w + x y T(αu) = αTu = αw. y el 0 de la derecha está en W. Teorema. nótese que cuando escribimos T(0) = 0. Sean u y v en ker T. ii. imag T es un subespacio de W. también recibe el nombre de rango de T. el rango se representa por rango(T). Definición.5. el 0 de la izquierda está en V. T(0) = 0 de manera que 0 ∈ ker T para toda transformación lineal T. Sean V y W espacios vectoriales y sea T : V → W una transformación lineal. entonces: i. Entonces: El kernel (o núcleo) de T. Si T : V → W es una transformación lineal. i. Será interesante encontrar otros vectores en V que sean "mapeados al cero". Sean w y x en imag T. De esta manera w + x y αw están en imagT. Entonces w = Tu y x = Tv para dos vectores u y v en V. Sean V y W espacios vectoriales y sea T : V → W una transformación lineal. denotado como ker T. ii. está dado por ker T = {v ∈ V: Tv = 0} Obervación. si w = Tv. Entonces: imag V = { w ∈ W: w = Tv para alguna v ∈V} Observación. De nuevo. diremos que w es también la imagen de v bajo T.03 DEFINICIÓN DE NUCLEO O KERNEL E IMAGEN DE UNA TRANSFORMACIÓN LINEAL Nucleo o kernel Definición. De hecho. ker T es un subespacio de V. El concepto imag T es simplemente el conjunto de "imágenes" de vectores en V bajo la transformación T.

Por conveniencia. Nucleo: el nucleo contara de todos los vectores tales que en . Al resolver este sistema.de esta manera. Esta ecuación matricial corresponde al siguiente sistema de ecuaciones lineales. A define un operador lineal T: Los elementos de se expresan en forma de matriz columna para poder efectuar la multiplicación de matrices.Ejemplo Determine el nucleo y el rango de la transformación definida por la siguiente matriz Solución A es una matriz de 3x3. se obtienen varias soluciones . exprese los elementos de en forma de renglón. Asi.

Escriba estos vectores columna como renglones de una matriz y calcule la forma reducida escalonada de la matriz. El ker(T) es un Subespacio unidimensional de cuya base es Rango: los vectores columna de A genera el rango. Los vectores renglón distintos de cero proporcionan una base para el rango. Así Los vectores generan el rango de T. el rango de T es Rango(T) es un Subespacio bidimensional de con base .. cualquier vector del rango es una combinación lineal de estos vectores. Por consiguiente. el nucleo es el conjunto de vectores . Por lo tanto.

AT define una transformación lineal de tal que si para i = 1. Y se puede concluir que: es también una propiedad de la multiplicación una transformación Toda matriz A de define una transformación lineal de en . n. . .-LA MATRIZ DE UNA TRANSFORMACIÓN Y REPRESENTACION MATRICIAL DE UNA TRANSFORMACION LINEAL.5. si aplicamos esta transformación a los vectores base de . .04. Entonces T es lineal. 2. Ahora consideremos una transformación lineal T de en . . Entonces . Si T es una función de donde A es una matriz condición condición en de definida por . obtenemos los siguientes vectores: Si en construimos una matriz AT cuyas columnas sean los vectores . y dado la en que la propiedad y la corresponde a distributiva de la multiplicación de matrices de matrices .

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

Entonces la nueva matriz de transformación queda: Ejemplo 3. . Encuentre la representación lineal T definida por matricial AT de la transformación Aplicamos T a los vectores base de : Entonces la matriz de transformación es Ejemplo 4. . Encuentre la representación lineal T definida por matricial AT de la transformación Aplicamos la transformación a los vectores base de .ahora se utilizará la base . .

Un sustema de m ecuaciones lineales con n variables se puede expresar en forma matricial de la siguiente manera: Ax = y A es una matriz de m x n.Entonces la matriz de transformación es 5. El sistema de ecuaciones se puede escribir de la siguiente manera: T(x) = y El conjunto de soluciones es el conjunto de vectores en Rn transformado por T en el vector y. Sea T: Rn → Rm la transformación lineal definida por A. Entonces el sistema no tiene solución. Véase la siguiente figura: . Las transformaciones lineales junto con los conceptos de núcleo y rango desempeñan un papel importante en el análisis de sistemas de ecuaciones lineales. Si y no pertenece al rango de T. ésta es la matriz de coeficientes del sistema.05.TRANSFORMACIONES LINEALES Y SISTEMAS DE ECUACIONES LINEALES.. El conjunto de soluciones es el conjunto de x que satisface esta ecuación. Ahora cuenta con una forma elegante de visualizar este conjunto solución. Se verá que estos sistemas permiten visualizar los conjuntos de soluciones.

Ax = 0. no es un subespacio. Ecuaciones no homogéneas Ahora verá que el conjunto de soluciones de un sistema de ecuaciones lineales no homogéneas no forma un subespacio. No se trata de una solución. Teorema 1. El conjunto de soluciones es el núcleo de la transformación y por consiguiente. por consiguiente. x1 + x2 no satisfacen a Ax = y. definida por A. Sea T la transformación lineal de Rn en Rm. Por lo tanto. Sea Ax = y (y ≠ 0) un sistema de ecuaciones lineales no homogéneo.Ecuaciones homogéneas Esta forma de ver los sistemas de ecuaciones lineales nos lleva al siguiente resultado. es un subespacio de Rn. . Demostración. Sea x1 y x2 soluciones. se obtiene Ax1+ Ax2= 2y A(x1 +x2)= 2y Por lo tanto. El conjunto de soluciones no es cerrado bajo la adición. un subespacio. El conjunto de soluciones de un sistema homogéneo de m ecuaciones lineales con n variables. Ax1 = y y Ax2= y Si se suman estas ecuaciones. El conjunto de soluciones es el conjunto de vectores en Rn transformado por T en el vector cero.

llámenlo z. Así. x . Demotración. Desde el punto de vista geométrico. es decir. La solución es única si el kernel consta sólo del vector cero.x1 = z Se puede escribir: x= z + x1 Note que la solución es única si el único valor de z es 0. Sea x cualquier solución. Si se igualan Ax1 y Ax. donde z es un elemento del núcleo de la transformación T definida por A.x1 es un elemento del núcleo de T. Ax1 = y.Ax1 = 0 A(x . x . Véase la siguiente figura: . Si se toma cualquier vector z del kernel y le suma x1. ¡No todo está perdido! Aunque el conjunto de soluciones de un sistema no homogéneo no es un subespacio. Ax = y. Por consiguiente.x1) = 0 T(x .Sin embargo.x1) = 0 Por lo tanto. si el kernel es el vector cero. Teorema 2. Sea Ax = y un sistema no homogéneo de m ecuaciones lineales con n variables. Este resultado implica que el conjunto de soluciones de un sistema de ecuaciones lineales no homogéneo Ax = y se puede obtener a partir del kernel de la transformación definida por la matriz de coeficientes y una solución particular x1. Este resultado permitirá representar el conjunto de soluciones. x1 es una solución. Cada solución se puede escribir de la siguiente forma: x = z + x1. Sea x1 una solución particular. el conjunto se puede obtener trasladando cierto subespacio. esto significa que el conjunto de soluciones se obtiene trasladando el núcleo a una distancia y en una dirección definidas por el vector x1. se tiene que Ax1 = Ax Ax . se obtiene una solución.

06. por lo que es de gran interes demostrar que un proceso puede ser reducido a un sistema lineal. Por otra parte. En ocasiones trabajar con vectores es muy sencillo ya que pueden ser facilmente interpretados dentro de un contexto gráfico.5. T es una transformación lineal si para cada par de . lamentablemente no siempre ocurre y es necesario transformar a los vectores para poderlos trabajar más facilmente. la cual simplifica de gran manera gran variedad de cálculos.-ÁLGEBRA DE LAS TRANSFORMACIONES LINEALES Una transformación lineal es un conjunto de operaciones que se realizan sobre un vector para convertirlo en otro vector. trabajar con sistemas lineales es mucho más sencillo que con sistemas no lineales. ya que se puede utilizar una técnica llamada superposición. y T una función de V en W. Se denomina transformación lineal. lo cual solo puede lograrse demostrando que estas operaciones forman una transformación lineal. función lineal o aplicación lineal a toda aplicación cuyo dominio y codominio sean espacios vectoriales y se cumplan las siguientes condiciones: Sean V y W espacios vectoriales sobre el mismo campo K.

una Teorema fundamental de las transformaciones lineales • Sea B = {v1. w3. Endomorfismo: Si o sea si el dominio es igual al codominio (el espacio vectorial de salida y el de llegada son el mismo).vn} base de V y C = {w1. Transformación Lineal Singular y No Singular Sean y espacios vectoriales sobre el mismo campo y transformación lineal de en .. Entonces.. donde k es un escalar. es no singular si: X En caso contrario es singular. Son aplicaciones lineales los operadores usados en la formulación matemática de la mecánica cuántica. . 4. Automorfismo: Si es endomorfismo e isomorfismo a la vez. Monomorfismo: Si 2.v3. entonces existe una única transformación lineal Para todo Clasificación de las transformaciones lineales 1.. Propiedades de las transformaciones lineales 1. 2. Epimorfismo: Si es sobreyectiva (exhaustiva).. se satisface que: 1.vectores de u y v pertenecientes a V y para cada escalar k perteneciente a K. es inyectiva. Para detalles específicos sobre estos. Isomorfismo: Si es biyectiva (inyectiva y exhaustiva). 3.wn n} un conjunto de vectores de W no necesariamente distintos.. o sea si el único 5. w2.v2.. elemento del núcleo es el vector nulo. ver el artículo Operador (mecánica cuántica).

Un epimorfismo si es un morfismo sobreyectivo. Además llamaremos ( . . Diremos que 1. 3. TEOREMAS . Un Monomorfismo si es un morfismo inyectivo. Y la suma y producto escalar en 1.Definición 1 Sean es: espacios vectoriales. Un isomorfismo si es un morfismo biyectivo. 2. y sea . entonces es la transformación dada por. donde para abreviar) al espacio de morfismos de esto es: es la función constante cero. . entonces 2. 4. . Una transformación lineal (o morfismo ) si dados . Si . Si se definen así: es la transformación dada por .

Demostración Dados dos espacios vectoriales V y W sobre un campo F. Una transformación lineal es una función que preserva la estructura algebraica de espacio vectorial. Es un ejercicio demostrar que para una transformación lineal T : V W. Supongamos que V es dimensionalmente finito y que b = {x 1. por lo que no toda función entre espacios vectoriales es una transformación lineal. Esto motiva las definiciones de monomorfismo. epimorfismo e isomorfismo.. . . Entonces para todo {y1.. yn} í W. definimos L(V.. sobre y biyectiva. Si T. nulidad(T) = 0) Para todo S ê V.. las siguientes condiciones son equivalentes: • • • T es inyectiva N(T) = {0} (es decir. De hecho. . . sobre.. W) y a Î F. U Î L(V.1 Si T : V W es una transformación lineal. Definimos el que una función fuera inyectiva. Es un ejercicio verificar que aT + U es una transformación lineal y que L(V. W) = {T : V W | T es una transformación lineal}. W). entonces V es dimensionalmente finito si y sólo si N(T) y R(T) son dimensionalmente finitos.TEOREMA 2. existe una unica transformación lineal T : V W tal que T(xi) = yi para toda i = 1. definimos aT + U : V ® W como (aT + U)(x) = aT(x) + U(x) para toda x Î F.2 Sean V y W dos espacios vectoriales sobre un campo F. es sencillo encontrar funciones inyectivas. y biyectivas que no son transformaciones lineales. es un espacio vectorial sobre F..... n. dim(V) = nulidad(T) + rango(T). LEMA 2. xn} es una base de V. entonces T es inyectiva o sobre si y sólo si es biyectiva. S es linealmente independiente si y sólo si T(S) ê W es linealmente independiente También se deja como ejercicio el verificar que si V y W son dos espacios vectoriales con la misma dimensión (finita) y T : V W es una transformación lineal. y en este caso. junto con estas operaciones de suma y de multiplicación por escalares.

.. + amxm... b = {x1. es una transformación lineal (ejercicio). b = {x1. . )..3 En la categoría de los espacios vectoriales dimensionalmente finitos. yn} una base ordenada de W. Demostración . W) es tal que [F-1(A)]bg = A.. TEOREMA 2. Más aún. la función LA : Fm ® Fn definida por LA(x) = Ax...... definimos la matriz asociada a T con respecto a las bases ordenadas b y g como [T] g b =( [T(x1)]g [T(xm)]g . xm} una base ordenada de V y g = {y1. para cualesquiera dos espacios vectoriales dimensionalmente finitos V y W sobre un campo F.. se tiene que F (A) Î L(V. Para cada x Î V.. existen escalares únicos a1. Definimos al vector coordenado de x relativo a b como a1 [ x ]b ( : ).. xm} una base ordenada de V y g = {y1. dada una matriz A Î Mn x m(F). Es decir. W). .... W) Mn x m(F)..TEOREMA 2.. xm) una base ordenada de V. existe un isomorfismo entre V y W si y sólo si dim(V) = dim(W).. xn} una base ordenada de W. . am Î F tales que x = a1x1 + . Entonces el mapeo T | [T]bg constituye un isomorfismo F : L(V. Por otro lado. la dimensión es un invariante completo de isomorfismo.4 Sean V y W dos espacio vectoriales dimensionalmente finitos sobre un campo F. = am Sean V y W dos espacio vectoriales dimensionalmente finitos sobre un campo F. .. Demostración Sea V un espacio vectorial dimensionalmente finito sobre un campo F y sea b = (x1. para -1 toda A Î Mn x m(F). Para cada T Î L(V. .. .

Si b. . tal que vector . Solución. de . Denotemos por la colección de todos .▫ Encontrar subespacios pero la suma no es directa. Más aún. Dado definido por denotemos subconjunto . Si T Î L(V. para toda A Î Mn x m(F). W). TEOREMA 2. W) es tal que [F-1(A)]bg = A. . Es claro En efecto. b' son dos bases ordenadas de V y g g' son dos bases ordenadas de W.Sean V y W dos espacios vectoriales sobre un campo F. . que no es directa ya que . se tiene -1 que F (A) Î L(V. Puesto que nulo de un decir. puesto que el vector Pero nótese que la suma un subespacio de de . W) Mn x m(F). ejemplo Sea un -espacio vectorial y sea por el . entonces existe un vector no para algún . así.5 Sean V y W dos espacio vectoriales dimensionalmente finitos sobre un campo F. Sea es entonces de tales que Sea . entonces existe una matriz invertible Q tal que . Ejercicios: Sea de rango un -espacio vectorial y una transformación lineal de tal que . El siguiente teorema (cambio de coordenadas) establece la relación entre estas matrices. Demostrar que existe un escalar Solución. Entonces el mapeo T | [T] bg constituye un isomorfismo F : L(V. de . entonces existe una matriz asociada a T por cada par de bases ordenadas b y g de V y W respectivamente.

que: Solución. esta base se puede completar hasta una base de conjunto es una base de . Demostrar y Veamos ahora : entonces sea Hemos . luego hemos probado la otra inclusión. : y . y de esta manera se tiene que Ahora revisemos las propiedades de la suma de vectores: la asociatividad y la conmutatividad son consecuencia de las respectivas propiedades de la suma de vectores en espacio cociente es El cero del El opuesto del vector es . sea una base de . luego . es decir. (iii) Sea . De la misma forma se demuestra que la operación de escalar por vector está bien definida y además se cumplen las otras propiedades de espacio vectorial: . (ii) Veamos que la operación de suma está bien definida:sea entonces debemos ver que entonces . . (i) Si entonces el recíproco: debemos entonces demostrado que .estos subconjuntos. según la Prop 9 del Capítulo 1. es decir. Sea ahora entonces por tanto demostrar que . Vamos a probar que el veamos en primer lugar que este conjunto de clases genera al espacio . es decir. . .

htm • • Stanley I. Grossman: "Algebra Lineal".uabc.ingquimica.com/modules.Bibliografía • http://sistemas. Grupo Editorial Iberoamérica • • http://oceanologia.php? name=Forums&file=viewtopic&t=267&start=0&postdays=0& postorder=asc&highlight .ens.htm • http://www.itlp.mx/~matematicas/algebralin eal/V%20Transformaciones %20Lineales/03%20representacion%20matricial. Segunda Edición.mx/tutoriales/matematicas4/t41.edu.

cuarta edición. .A.V. de C.• Gareth Williams:”algebra lineal con aplicaciones”. Mc Graw Hill Interamericana. Editores S.

Sign up to vote on this title
UsefulNot useful