Instituto Tecnológico Superior de Comalcalco

TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO SUPERIOR DE COMALCALCO

MATERIA:
Algebra Lineal

TEMA 5:
Trabajo de investigación – Transformaciones Lineales

PROFESOR:
Miguel Ángel Ramírez Chan
CARRERA:
Ing. Sistemas Computacionales

ALUMNOS:
Arias Cruz Jesús Manuel
Chablé Jiménez Ángeles del Carmen
Fuentes Oyosa Francisco de Jesús
Morales Jiménez Gabriel
Sul Dantorie Ruth Maday

29 de Mayo del 2021

Carretera Vecinal Comalcalco-Paraíso Km. 2

Ra. Occidente 3ra. Sección. Comalcalco, Tabasco.
C.P. 86651

Teléfono: (933) 334 90 90 e-mail:

tec@comalcalco.tecnm.mx

www.tecnm.mx | www.itsc.edu.mx
 Índice

Contenido de la investigación

1.Definición de Transformación Lineal ........................................................................................... 3

2.Nucleo e Imagen de una Transformación Lineal ........................................................................ 4

3.Representación Matricial de Una Transformación Lineal ....................................................... 10

4.Aplicaciones de las transformaciones lineales: reflexión dilatación, contracción y rotación 14

Bibliografía ...................................................................................................................................... 21

2
 1.Definición de Transformación Lineal
En primer lugar, una transformación lineal es una función. Por ser función, tiene
su dominio y su codominio, con la particularidad de que éstos son espacios
vectoriales. Tenemos dos espacios vectoriales VV y WW, y una función que va
de VV a WW. O sea, una regla de asignación que transforma vectores de VV en
vectores de WW. Pero no toda función que transforme vectores de VV en
vectores de WW es una transformación lineal. Debe cumplir ciertas
condiciones:
F: V→WF: V→W es una transformación lineal si y sólo si:

1. F(u+v) =F(u)+F(v) ∀u,v∈VF(u+v)=F(u)+F(v) ∀u,v∈V

2. F (k.v) =k.F(v) ∀v∈V, ∀k∈RF(k.v)=k.F(v) ∀v∈V, ∀k∈R

• 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.
• Se escriben indistintamente Tv y T (v). denotan lo mismo; las dos fases se
leen “T de v”. eso es análogo a la notación funcional f(x), que se lee “f de
x”.
• Muchas de las definiciones y teoremas se cumplen también para los espacios
vectoriales complejos (espacios vectoriales en donde los escalares son
números complejos).
Terminología: las transformaciones lineales con frecuencia se llaman
operadores lineales.
Nota: No toda transformación que se ve lineal es en realidad lineal. Por ejemplo,
defina T: R→R por Tx= 2x + 3. Entonces la gráfica de {(x, Tx): xϵ R} es una
línea recta en el plano xy; pero T no es lineal porque T(x+ y) = 2(x +y) + 3 =
2x + 2y + 3y Tx + ty = (2x+3) + (2y+3) = 2x + 2y + 6. Las únicas
transformaciones lineales de R en R son funciones de la forma f (x) = mx para
algún número real m. así, entre todas las funciones cuyas graficas son rectas,
las únicas que son lineales son aquellas que pasan por el origen. En algebra y
calculo una función lineal con dominio R está definida como una función que
tiene la forma f (x) = mx + b. así, se puede decir que una función lineal es una
transformación de R en R si y solo si b (la ordenada al origen) es cero

3
 2.Nucleo e Imagen de una Transformación Lineal
Sea T ∈ L(V, W).
a) El conjunto Nuc (T) = {v ∈ V |T(v) = 0w} se llama núcleo de T.
b) El conjunto Img (T) = {T(x)|x ∈ V } se llama imagen de V bajo T, o simplemente
imagen de T.
Núcleo de una transformación lineal
Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L(V, W). El núcleo (kernel,
espacio nulo) de T se define como la preimagen completa del vector nulo:
i. El núcleo de T, denotado por nu T, está dado por:

ker(T): = {x ∈ V: T(x) = 0W}

Proposición (el núcleo de una transformación lineal es un subespacio vectorial del dominio).
Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L(V, W). Entonces ker(T) es un
subespacio de V.
Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L(V, W). Entonces ker(T) es un
subespacio de V.

Imagen de una transformación lineal

Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L(V, W). La imagen de T se
define como el conjunto de todos los valores de la aplicación T:

ii. La imagen de T, denotado por Im T, está dado por:

Im T 5 {w H W: w 5 Tv para alguna v H V}

Proposición (el núcleo de una transformación lineal es un subespacio vectorial del dominio).
Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L(V, W). Entonces im(T) es un
subespacio de W.

Proposición (la imagen de una transformación lineal es un subespacio vectorial del

condominio). Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L(V, W). Entonces
im(T) es un subespacio de W.

Parte de demostración. Se aplica el criterio de subespacio. Se demuestra que el conjunto

im(T) es cerrado bajo la adición y bajo la multiplicación por escalares, además contiene al
vector cero.
Mostremos que el conjunto im(T) es cerrado bajo la adición. Sean w1, w2 ∈ im(T). Por la
definición de la imagen, existen v1, v2 ∈ V tales que w1 = T(v1), w2 = T(v2). Por la
linealidad de T,
T(v1 + v2) = T(v1) + T(v2) = w1 + w2.

4
Logramos encontrar un vector x = v1 + v2 tal que T(x) = w1 + w2. Por la definición de la
imagen, esto implica que w1 + w2 ∈ im(T)
Teoremas
1)
Sea T ∈ L(V, W). El Nuc (T) y la Img (T) son subespacios de V y W respectivamente

Demostración: Nuc (T)  ∅:

T(0v) = T(0v + 0v) = T(0v) + T(0v) =⇒ T(0v) = 0w,

Luego 0v ∈ Nuc (T).
Sean v, u ∈ Nuc (T) y α ∈ IR. Vamos a probar que αv + u ∈ Nuc (T).
T(αv + u) = αT(v) + T(u) = α0w + 0w = 0w.
Por lo tanto, αv + u ∈ Nuc (T). De manera igualmente fácil se deduce que Img (T) es un
subespacio de W.

Ejemplo:

2)

5
 El teorema 2 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

Tv = 𝒂𝟏 𝑻𝑽𝟏 + 𝒂𝟐 𝑻𝒗𝟐 + . . . + 𝒂𝒏 𝑻𝒗𝒏

Ejemplo:

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: V W tal que T𝑣1 = 𝑤1 𝑝𝑎𝑟𝑎 𝑖 = 1, 2, . . , 𝑛.
Se define la función T como sigue:

Tv = 𝒂𝟏 𝒘𝟏 + 𝒂𝟐 𝒘𝟐 + . . . + 𝒂𝒏 𝒘𝒏

6
 Como B es una base para V, T está definida para todo v ∈ V; y como W es un espacio
vectorial, Tv ∈ W. Entonces sólo falta demostrar que T es lineal; lo que se deduce
directamente de la ecuación (1). Si u = 𝒂𝟏 𝒗𝟏 + 𝒂𝟐 𝒗𝟐 + . . . + 𝒂𝒏 𝒗𝒏 𝒚 𝒗 = β1 v1 +
β2 v2 + ⋯ + βn vn , entonces:

𝑇(⋃ + 𝑉) = 𝑇[(𝑎1 + 𝛽1 )𝑣1 + (𝑎2 ⊢ 𝛽)𝑉2 + ⋯ + (𝑎𝑛 + 𝛽𝑛 )𝑉𝑛 ]

=(𝑎 + 𝛽1 , +(𝑎2 𝑓𝛽2 )𝜔2 + ⋯ + (𝑎𝑛 + 𝛽𝑛 )𝜔𝑛)

= (𝑎, 𝑤1 + 𝑎2 𝑤2 + ⋯ + 𝑎𝑛 𝑤𝑛 ) + (𝛽1 𝑤1 + 𝛽2 𝑉2 + ⋯ 𝛽𝑛 𝑤2 )

= Tu + Tv
Ejemplo:

Del ejemplo anterior

4) Si T: V W es una transformación lineal, entonces

7
i. nu T es un subespacio de V.
ii. Im T es un subespacio de W.

i. Sean u y v en nu T; entonces 𝑇𝑙𝑢 + 𝑇𝑢 + 𝑇𝑣 = 0 + 0 = 0 𝑦 (𝑎𝑢) = 𝛼𝑇𝑥 =

𝑎0 = 0
ii. Sean w y x en Im T. Entonces 𝑤 = 𝑇𝑢 𝑦 𝑥 = 𝑇𝑣 para dos vectores u y v en V.
Esto significa que 𝑇(𝑢 + 𝑣) = 𝑇𝑢 + 𝑇𝑢 = 𝑤 + 𝑥 𝑦 𝑇(𝑎𝑢) = 𝑎𝑇𝑢 = 𝑎𝑤. Por lo
tanto, w+x y aw están en Im T.

Ejemplo:

Inyectividad y suprayectividad de una transformación lineal en términos de

su núcleo e imagen

Observación (criterio de la suprayectividad de una función en términos de su imagen).

Según la definición, f se llama suprayectiva si Y ⊂ im(f). Pero la contención im(f) ⊂ Y
es válida cualquier función f : X → Y . Por lo tanto,

Proposición (criterio de la inyectividad de una transformación lineal en términos de su

núcleo). Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L(V, W). Entonces:

8
Ejemplo: Transformada lineal en R 2 asociada con la matriz 1 0
0 0

9
 3.Representación Matricial de Una Transformación Lineal

La transformación lineal de matrices son operaciones lineales mediante

matrices que modifican la dimensión inicial de un vector dado. En otras
palabras, podemos modificar la dimensión de un vector multiplicándolo por una
matriz cualquiera Las transformaciones lineales son la base de los vectores y
valores propios de una matriz dado que dependen linealmente unos de otros.

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.

Sean V y W dos espacios vectoriales de dimensión n y m, respectivamente, y

sea T: V  W una transformación lineal, entonces existe una matriz A de orden
m × n llamada matriz de transformación o representación matricial de T que
satisface T(v) = Av para toda v en V.

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

10
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

11
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

12
Aplicamos la transformación a los vectores base de

Entonces la matriz de transformación es

13
 4.Aplicaciones de las transformaciones lineales: reflexión
dilatación, contracción y rotación

Las aplicaciones lineales tienen un profundo significado geométrico.

Especialmente, aquellas cuyo dominio y codominio son ´ el mismo conjunto T
: R n → R n , se pueden considerar como transformaciones* ( lineales ) del
espacio R n . Existen ciertas propiedades básicas de las transformaciones
lineales, las cuales, si son tomadas en cuenta y aplicadas al momento de resolver
un problema, pueden reducirlo un problema simple.
Reflexión.
Es cuando un conjunto de puntos dados es graficado desde el espacio a otro de
tal manera que el isométrico pasará como una reflexión, se puede realizar
también con respecto a una matriz en tal situación la matriz de salida es llamada
a la matriz de reflexión, la reflexión es realizada siempre con respecto a uno de
los ejes, sea el eje x o el eje y. también se considera que es producido el efecto
espejo de la matriz actual.
Cuando la reflexión se hace sobre uno de los planos (x=0, o y=0, o bien z=0) la
matriz de transformación es sencilla, pues es similar a la matriz identidad,
aunque siendo -1 el elemento que representa a la coordenada que es nula en el
plano de reflexión. Así, las matrices de reflexión para los planos XY, XZ e YZ
son:
1 0 0 0 1 0 0 0 −1 0 0 0
0 1 0 0 0 −1 0 0 0 1 0 0
𝑅𝑧 = [ ], 𝑅𝑦 = [ ] y 𝑅𝑥 = [ ]
0 0 −1 0 0 0 1 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 0

14
El proceso de reflexión se resume en los siguientes puntos
• Trasladar el punto establecido del plano al origen de coordenadas.
• Realizar los giros oportunos para hacer coincidir el vector normal al plano
de reflexión con uno de los ejes de coordenadas; así el problema se reduce a
una simple reflexión sobre alguno de los planos del sistema de referencia.
• Realizar la reflexión sobre el plano seleccionado.
• Aplicar las transformaciones inversas para devolver el plano de reflexión a
su posición original.

Un ejemplo sencillo y fácil de entender también sería:

Sea v= (3,4) aplicar la reflexión con respecto al eje y

−1 0 𝑥 −𝑥
[ ] [𝑦 ] = [ 𝑦 ]
0 1
Sustituyendo y realizando operaciones
−1 0 3 (−1) (3) (0) (4)
[ ] [ ]=[ ]+ [ ]
0 1 4 (0) (3) (1) (4)
Se obtiene (ver grafica)
−1 0 3 −3
[ ] [ ]= [ ]
0 1 4 4
Tomando ahora el vector reflejado, se llega
al vector inicial
−1 0
[ ] [−3] = [3]
0 1 4 4

15
Sea v= (3,4) aplique la reflexión con respecto al eje x
1 0 𝑥 𝑥
[ ] [𝑦] = [−𝑦]
0 −1
Sustituyendo y realizando operaciones
1 0
[ ] [3] = [(1) (3)] + [ (0) (4)]
0 −1 4 (0) (3) (−1) (4)
Se obtiene (ver grafica)
1 0 3
[ ] [ ] =[ 3 ]
0 −1 4 −4
Tomando ahora el vector reflejado, se llega al
vector inicial
1 0 3
[ ] [ ] = [ 3]
0 −1 −4 4
Dilatación.
En la dilatación o también conocida como la expansión son escalamientos a lo
largo de los ejes coordenados. es posible expandir los puntos dados en una
dirección particular. Es como realizar una operación de multiplicación de los
elementos del conjunto de puntos dados con un término escalar hacia la
dirección donde tiene que ser expandido. Sea para un punto (2,3) si el grado de
expansión 2 es la dirección de y, entonces el nuevo punto obtenido es (2,6)
Sea s= (𝑠1 , 𝑠2 ) el vector de factores de escalamiento, y S(s) la matriz de
escalamiento, en coordenadas homogéneas el escalamiento de un punto p en 2D
se puede expresar como el producto matricial p´=p.S(s), es decir:

𝑠1 0 0
[𝑥1 ´ 𝑥2 ´ 1]=[𝑥1 𝑥2 1]. [ 0 𝑠1 0]
0 0 1
La siguiente figura muestra el efecto de escalamiento de una figura con 𝑠1 =1.5
y 𝑠2 =2

16
El tipo de dilatación o escalamiento que acabamos de ver se trata en 2D como
se mencionó más arriba, ahora extendiendo la idea anterior al 3D, el
escalamiento implica el cambio de tamaño de un poliedro, donde cada punto p=
(𝑥1 , 𝑥2 , 𝑥3 ) es transformado por la multiplicación de tres factores de
escalamiento: 𝑠1 , 𝑠2 𝑦 𝑠3 a lo largo de los ejes 𝑋1 , 𝑋2 𝑦 𝑋3 respectivamente, de
esta forma, las coordenadas del nuevo punto p´= (𝑥1 ´, 𝑥2 ´, 𝑥3 ´) se obtiene como:
𝑥1 ´ = 𝑥1 . 𝑠1
𝑥2 ´ = 𝑥2 . 𝑠2
𝑥3 ´ = 𝑥3 . 𝑠3
Sea s=(𝑠1 , 𝑠2 , 𝑠3 ) el vector de factores de escalamiento, y S(s) la matriz de
escalamiento, en coordenadas homogéneas el escalamiento de un punto p en 3D
se puede expresar como el producto matricial p´=p. S(s), es decir:

𝑠1 0 0 0
0 𝑠2 0 0
[𝑥1 ´𝑥2 ´𝑥3 1] = [𝑥1 𝑥2 𝑥3 1].[ ]
0 0 𝑠3 0
0 0 0 1
La siguiente figura muestra el efecto de escalamiento de una figura con 𝑠1 =
2, 𝑠2 = 2.5 𝑦 𝑠3 = 1.5

17
Contracción:
Ejemplo de la aplicación de una contracción es una transformación que
decrece distancias. Bajo una contracción, cualquier par de puntos es enviado a
otro par a distancia estrictamente menor que la original.
Sea V= (2 4) encontrara la contracción horizontal cuando K=1/2 Haciendo la
gráfica el punto disminuye en el eje horizontal.
Rotación por un ángulo 𝜃

Sea 0 ≤ 𝜃 < 2𝜋 un ángulo medido en radianes. Queremos averiguar cuál es la

transformación T de R2 en R2 que gira cada vector un ángulo
𝜃 , para obtener un vector

En una gráfica, vemos la situación como sigue:

Si usamos las funciones trigonométricas, tenemos que:

.
Rotación
La rotación permite girar un objeto sobre un eje de rotación, dado un valor de
ángulo de rotación θ y su dirección Rotaciones 2D La rotación de un objeto en
2D se lleva a cabo alrededor de un punto, que es el eje puntual (cero-
dimensional) de rotación. Las rotaciones principales 2D son aquellas que se
llevan a cabo alrededor del origen, las rotaciones sobre cualquier otro punto
arbitrario se llaman rotaciones generales 2D. En esta Sección 5.5, se analizan
sólo las rotaciones principales para todas las dimensiones, en la Sección 5.6 se
discuten las rotaciones generales. Para generar una rotación, se especifica el
ángulo de rotación θ, y el punto de rotación (pivote) sobre el cuál el objeto será

18
rotado. Los ángulos de rotación positivos definen una rotación en sentido
contrario a las manecillas del reloj sobre el punto pivote (del eje X1 al eje X2),
entonces los ángulos de rotación negativos producen una rotación en el sentido
de las manecillas (del eje X2 al eje X1). [Hearn 95] describe la rotación 2D
como el giro sobre el eje de rotación que es perpendicular al plano X1X2 (mejor
conocido como plano XY) y que pasa a través del punto pivote.
Si el punto pivote se encuentra sobre el origen (Figura 5.5), se tiene que: r es
la distancia del punto al origen, φ define la posición angular del
punto p desde la horizontal, y θ el ángulo de rotación de p para producir el nuevo
punto

Utilizando coordenadas polares, el punto se puede escribir como

y el punto como . Pasando después estos
puntos de coordenadas polares a rectangulares se tiene que:

Aplicando algunas propiedades trigonométricas:

Substituyendo los valores de se obtienen las

ecuaciones para rotar un punto alrededor del origen dado un
ángulo θ:

19
Sea R(θ) la matriz de rotación sobre el origen, en coordenadas homogéneas la
rotación de un punto p alrededor del origen en 2D se puede expresar como el
producto matricial , es decir

La siguiente figura muestra el efecto de rotación de una figura con θ = 45°

20
 Bibliografía
r130327.PDF (tecnm.mx)

https://aga.frba.utn.edu.ar/definicion-y-propiedades-de-las-transformaciones-
lineales/

Arce, S. C., Castillo, E. W., & Gonzales, V. J. (2003). Algebra lineal.

Grossman, S. I. (s.f.). Propiedades de las transformaciones lineales: imagen y
núcleo. En Algebra Lineal (págs. 472-478). Mexico D.F: McGRAW-HILL.

http://esfm.egormaximenko.com/linalg/ker_image_es.pdf

https://cutt.ly/1naFwR7

https://economipedia.com/definiciones/transformacion-lineal-de-matrices.html

ALApC4.pdf (upm.es)

Transformaciones lineales de la reflexión y rotación en forma

matrici… (slideshare.net)

García Nieva G. (2010). Apuntes de Matemáticas. Recuperado el 26

de Mayo del 2021, de 2010.004.pdf (tesoem.edu.mx)

http://www.tesoem.edu.mx/alumnos/cuadernillos/2010.004.pdf

http://itpn.mx/recursosisc/2semestre/algebralineal/Unidad%20V.pdf

21