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:

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

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

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

A partir del concepto de hiperplano podemos definir el concepto de semiespacio. para operación de un sistema de obras hidráulicas. como el conjunto de puntos que verifica que: S = { x ∈ Rn / ct x ≤ α .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. Aprovechamiento óptimo de los recursos de una cuenca hidrográfica. HIPERPLANOS • 2. Solución de problemas de transporte. la asignación de recursos humanos y recursos de máquinas. } (2) En el primer caso (1) lo denominamos semiespacio inferior y en el segundo (2) semiespacio superior. 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. ya sea para aumentar al máximo los ingresos o reducir al mínimo los costos de un sistema de producción. Algunos ejemplos son la mezcla de alimentos. la planificación de campañas de publicidad.administración de empresas. α ∈ R. } (1) O bien: S = { x ∈ Rn / ct x ≥ α . la gestión de inventarios. . Otros son: • Optimización de la combinación de cifras comerciales en una red lineal de distribución de agua. etc. α ∈ R. para un año con afluencias caracterizadas por corresponder a una determinada frecuencia. la cartera y la gestión de las finanzas. se obtiene un hiperplano lineal. Si b=0. que pasa a través del origen. Semiespacio.

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

cualquiera de sus puntos puede escribirse como una combinación convexa de sus puntos extremos. Teorema (teorema de representación de conjuntos convexos finitos). Las desigualdades lineales se resuelven exactamente como las igualdades. 2.4 COMBINACIONES CONVEXAS Una combinación convexa es una combinación lineal de puntos (los cuales pueden ser vectores.No obstante. concepto que podemos expresar como: “el menor conjunto convexo que contiene a S (no convexo)”. < . Todas las posibles combinaciones convexas están dentro de la envoltura convexa de los puntos dados. ≤ . 2. b) Los conjuntos de un único punto {a}. 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. el signo de desigualdad se invierte. escalares o más en general puntos en un espacio afín) donde todos los coeficientes son no-negativos y suman 1. para algunos conjuntos no convexos es posible definir su envoltura Convexa Co(S). . o también como “la intersección de todos los conjuntos.3 DESIGUALDADES LINEALES Las desigualdades lineales son expresiones que indican que dos cantidades no son necesariamente iguales ( > . ≥ ) . Conjuntos convexo "por definición" a) El conjunto vacío (∅) es un conjunto convexo. Si un conjunto convexo está acotado y cerrado. con una importante excepción: al multiplicar o dividir por una cantidad negativa. también son conjuntos convexos.

es mediante la representación geométrica en el plano o en el espacio.Formalmente.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. para la resolución de problemas más complejos tendremos que emplear otros métodos. se suelen utilizar otros métodos. como una desigualdad de restricción. una combinación convexa de esos puntos es un punto de la forma y 2. es decir en el caso que intervengan pocas variables. dando un conjunto finito de puntos en un espacio vectorial real. 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. Además. se toma cada una de las restricciones. Sin embargo. en el caso de variables acotadas. de los conjuntos convexos que cumplen las restricciones de desigualdad. . Y en el caso de que busquemos soluciones enteras.

Sign up to vote on this title
UsefulNot useful