1.

1

TRANSFORMACIÓN LINEAL aplicación entre dos espacios

Se le denomina transformación lineal a una

vectoriales, que preserva las operaciones de suma de vectores y producto por un escalar. Una trasformación lineal es un homomorfismo entre espacios vectoriales o en el lenguaje de la teoría de categorías un morfismo sobre la categoría de los espacios vectoriales sobre un cuerpo dado. Toda aplicación cuyo dominio y codominio sean espacios vectoriales que cumpla la siguiente definición: Sean V y W espacios vectoriales sobre el mismo espacio o campo K, y T una función de V en W. T es una transformación lineal si para todo par de vectores u y v pertenecientes a V y para todo escalar k perteneciente a K, se satisface que:

1.
2.

donde k es un escalar

1.2

TEOREMA

Sea B = {v1,v2,v3,...vn} base de V y C = {w1, w2, w3,...wn} un conjunto de n vectores de W no necesariamente distintos, entonces existe una única transformación lineal T: V → W que satisface:

TEOREMAS 1. Sea V un espacio de dimensión finita y sea { v1,...,vm } una base de V sobre R. Se define una función T: V → R, asignando como imagen a cada vector v = a1v1 +...+ amvm el número a1. Esta es una transformación lineal porque si v′ = b1v1 +...+ bmvm, entonces: T(av + bv′ ) = T[(aa1 + bb1)v1 +...+ (aam + bbm)vm] = aa1 + bb1 = aTv + bTv′ . 2. Usando la misma notación del ejemplo anterior, la función T: V → Rm definida por:

5. Sea V el espacio de los vectores de un plano y sea w ∈ V un vector de norma 1. porque entonces se tendrá para algunos vectores v de V. es lineal.. 3. mientras que la proyección de v sobre V1 según W es v′ 1 ≠ v1. como la función T: V → V dada por Tv = v1 para todo v ∈ V. para todo v ∈ V.w)w y T(au + bv) = [(au + bv). Luego la proyección de v sobre V1 según V2 es v1.w)w = aTu +bTv.am).v′ 1 ∈ V1.w)w + b(v.. es lineal.. Para todo a ∈ R y toda transformación lineal T: V → W Se define (aT)v = a(Tv). En ese caso la proyección de V sobre V 1 según V2. entonces au + bv = au1 + bv1 + au2 + bv2 y T(au + bv) = T(au1 + bv1 + au2 + bv2) = au1 + bv1 = aTu + bTv V = V1 ⊕ V2 = V1 ⊕ W. Si V = V1 ⊕ V2. es diferente de la proyección de V sobre V1 según W. definiendo: (S + T)v = Sv + Tv para todo v ∈ V. v = v1 + v2 = v′ 1 + w.. porque la proyección de v es Tv = (v. Si S y T son dos transformaciones lineales de V en W. Se define entonces la proyección de V sobre V 1 según V2. con v1. todo v ∈ V se escribe en la forma v = v 1 + v2. . La función T: V → V que a cada v ∈ V le asocia la proyección ortogonal de v sobre w es lineal. la suma de S y T. D: R[X] → R[X]. con V2 ≠ W. con v1 ∈ V1 y v2 ∈ V2 únicos.T(a1v1 +. La derivación de polinomios. con u1 ∈ V1 y u2 ∈ V2. Es claro que aT también es una transformación lineal de V en W... se obtiene otra transformación lineal de V en W.w]w = a(u.+ amvm) = (a1. v2 ∈ V2 y w ∈ W. Esta función es lineal porque si u = u1 + u2. donde v2 ≠ w y por lo tanto v1 ≠ v′ 1. 4.

El propio V* se convierte en un .4 ESPACIO DUAL Refleja de una manera abstracta la relación entre los vectores fila (1×n) y los vectores columna (n×1).Una transformación lineal es regular si y solo si Ker T={0}. La imagen en una transformación lineal es el subconjunto de elementos del codominio que son imágenes de algún elemento del dominio. Dado cualquier espacio vectorial V sobre un cierto cuerpo F...Cada transformación lineal regular T:U→ V aplica a los vectores de un sistema linealmente independiente en vectores de un sistema linealmente. T(u)=v} 1. o sea si el único elemento del núcleo es el vector nulo. un "escalar" es un miembro del cuerpo-base F). La construcción puede darse también para los espacios infinito-dimensionales y da lugar a modos importantes de ver las medidas. 2. Se llama imagen de la transformación T:U→ V.3 NUCLEO E IMAGEN DE UNA TRASFORMACIÒN El núcleo en una transformación lineal es un subconjunto del dominio formado por todos los elementos cuya imagen bajo la transformación es el vector cero. Epimorfismo: Si 3. definimos el espacio dual V* como el conjunto de todas las funcionales lineales en F. Monomorfismo: Si es inyectiva. Se llama núcleo de una transformación lineal T:U→ V y se designa por Ker T al subespacio de U: Ker T={u ð U/ T(u)=0} Teorema. las distribuciones y el espacio de Hilbert.Clasificación de las transformaciones lineales 1. y se designa mediante Im T al subespacio de V: Im V=T(u)={vð V/ ð uð U. es decir si su núcleo se reduce al vector nulo. transformaciones lineales en V a valores escalares (en este contexto. es decir. Isomorfismo: Si es sobreyectiva (suryectiva) es biyectiva (inyectiva y suryectiva) 1. Teorema.

ψ en V*. optimizando la función objetivo. Una serie de algoritmos diseñados para resolver otros tipos de problemas de optimización constituyen casos particulares de la más amplia técnica de la programación lineal. Del mismo modo. los elementos de V a veces se llaman vectores contravariantes. muchos problemas prácticos de la investigación de operaciones pueden plantearse como problemas de programación lineal. Consiste en optimizar (minimizar o maximizar) una función lineal. también lineal. a en F y x en V. las ideas de programación lineal han inspirado muchos de los conceptos centrales de la teoría de optimización tales como la dualidad. En lenguaje del cálculo tensorial. la programación lineal es muy usada en la microeconomía y la . formulado a través de ecuaciones lineales. la descomposición y la importancia de la convexidad y sus generalizaciones. 2. INTRODUCCIÓN A LA PROGRAMACIÓN LINEAL La Programación Lineal es un procedimiento o algoritmo matemático mediante el cual se resuelve un problema indeterminado. tales como los problemas de flujo de redes y problemas de flujo de mercancías se consideraron en el desarrollo de las matemáticas lo suficientemente importantes como para generar por si mismos mucha investigación sobre algoritmos especializados en su solución. denominada función objetivo. La programación lineal constituye un importante campo de la optimización por varias razones. y los elementos de V* vectores covariantes (y a campos de estos uno-formas). Históricamente. Algunos casos especiales de programación lineal. de tal forma que las variables de dicha función estén sujetas a una serie de restricciones que expresamos mediante un sistema de inecuaciones lineales.espacio vectorial sobre F bajo la definiciones siguientes ('punto a punto') de la adición y de la multiplicación escalar Para todos φ.

Semiespacio. Aprovechamiento óptimo de los recursos de una cuenca hidrográfica. Otros son: • Optimización de la combinación de cifras comerciales en una red lineal de distribución de agua. A partir del concepto de hiperplano podemos definir el concepto de semiespacio. se obtiene un hiperplano lineal. como el conjunto de puntos que verifica que: S = { x ∈ Rn / ct x ≤ α . la cartera y la gestión de las finanzas.1 Un hiperplano es un análogo de muchas dimensiones al plano (de dos dimensiones) en el espacio tridimensional. . • • Soporte para toma de decisión en tiempo real. HIPERPLANOS • 2. } (1) O bien: S = { x ∈ Rn / ct x ≥ α . ya sea para aumentar al máximo los ingresos o reducir al mínimo los costos de un sistema de producción. que pasa a través del origen. la asignación de recursos humanos y recursos de máquinas. etc. α ∈ R.administración de empresas. α ∈ R. la gestión de inventarios. Un hiperplano afín en un espacio n-dimensional puede ser descrito por una ecuación lineal no degenerada con la siguiente forma: “No degenerada” significa que no todas las ai son 0. Algunos ejemplos son la mezcla de alimentos. Solución de problemas de transporte. para un año con afluencias caracterizadas por corresponder a una determinada frecuencia. la planificación de campañas de publicidad. } (2) En el primer caso (1) lo denominamos semiespacio inferior y en el segundo (2) semiespacio superior. Si b=0. para operación de un sistema de obras hidráulicas.

1] Es decir. α ∈ R } o S = { x ∈ Rn / ct x > α . La propiedad de la convexidad de los conjuntos es una propiedad deseable en los problemas de optimización.Estas dos definiciones de semiespacio se refieren a semiespacios cerrados. x2 ∈ S → λ x1 + (1-λ) x2 ∈ S. el segmento lineal cerrado que une los dos puntos está totalmente contenido en el conjunto. ya que las desigualdades son de la forma mayor (menor) -igual. S = { x ∈ Rn / ct x < α . Si las desigualdades son estrictas. . es decir.2 CONJUNTO CONVEXO Un conjunto S es convexo si cumple que: ∀ x1 . aunque si no se cumple. mayor (menor) estrictamente entonces decimos que se trata de semiespacios abiertos. Gráficamente se trata de la porción del espacio que está por encima del hiperplano (semiespacio superior) o por debajo del hiperplano (semiespacio inferior). 2. λ ∈ [0. que dados dos puntos cualesquiera del conjunto. se pueden aplicar otras condiciones que se verán más adelante. α ∈ R } Cada hiperplano define dos semiespacios.

No obstante. 2. ≥ ) . con una importante excepción: al multiplicar o dividir por una cantidad negativa. también son conjuntos convexos. cualquiera de sus puntos puede escribirse como una combinación convexa de sus puntos extremos. Teorema (teorema de representación de conjuntos convexos finitos). escalares o más en general puntos en un espacio afín) donde todos los coeficientes son no-negativos y suman 1.3 DESIGUALDADES LINEALES Las desigualdades lineales son expresiones que indican que dos cantidades no son necesariamente iguales ( > . para algunos conjuntos no convexos es posible definir su envoltura Convexa Co(S). o también como “la intersección de todos los conjuntos. 2. b) Los conjuntos de un único punto {a}. Si un conjunto convexo está acotado y cerrado. concepto que podemos expresar como: “el menor conjunto convexo que contiene a S (no convexo)”.4 COMBINACIONES CONVEXAS Una combinación convexa es una combinación lineal de puntos (los cuales pueden ser vectores. Las desigualdades lineales se resuelven exactamente como las igualdades. Todas las posibles combinaciones convexas están dentro de la envoltura convexa de los puntos dados. el signo de desigualdad se invierte. De hecho. . la colección de todas las combinaciones convexas de puntos en el conjunto constituye la envoltura convexa del conjunto. < . c) También el conjunto Rn (espacio total) es un conjunto convexo. ≤ . Conjuntos convexo "por definición" a) El conjunto vacío (∅) es un conjunto convexo.

5 PROGRAMACIÓN LINEAL (INTERPRETACIÓN GEOMÈTRICA) donde los número reales αi satisface Un método sencillo para resolver problemas de programación lineal con dos o a lo sumo tres variables. como una desigualdad de restricción. Ejemplos gráficos de los conjuntos convexos en el plano y en el espacio real: Ejemplos gráficos de conjuntos no convexos en el plano y en el espacio real: La interpretación geométrica nos puede ser útil en el caso de problemas sencillos. de los conjuntos convexos que cumplen las restricciones de desigualdad. Y en el caso de que busquemos soluciones enteras. Además. en el caso de variables acotadas. Sin embargo. . dando un conjunto finito de puntos en un espacio vectorial real. para la resolución de problemas más complejos tendremos que emplear otros métodos. es mediante la representación geométrica en el plano o en el espacio. se suelen utilizar otros métodos. se toma cada una de las restricciones. una combinación convexa de esos puntos es un punto de la forma y 2.Formalmente. es decir en el caso que intervengan pocas variables.

Sign up to vote on this title
UsefulNot useful