Professional Documents
Culture Documents
COMPUTACIONALES
ALGEBRA LINEA
Unidad 5 Transformaciones
lineales.
Luis Angel Ramirez Cruz
No. De Control: 14071262
Transformaciones Lineales
Transformaciones Lineales
Desde el punto de vista de la algebra lineal, las transformaciones más importantes son aquellas que
conservan las combinaciones lineales. Estas también son llamadas como transformaciones lineales o
mapeos lineales. Transformación lineal es una parte esencial en el álgebra lineal. Transformaciones lineales
entre dos espacios vectoriales U y V relaciona el mapeo T: U → V que satisface estas condiciones:
1). T (U1 + U2) = T (U1) + T (U2), donde U1 y U2 son vectores en U 2). T (Au) = A T (u), donde A es cualquier
cifra escalar
La primera condición se conoce como la aditividad mientras que la segunda se conoce como
homogeneidad. Puede ser definido como una función entre dos espacios vectoriales, la cual conserva
operaciones de multiplicación escalar y suma. De acuerdo con el álgebra abstracta, son homomorfismo de
espacios vectoriales.
Toda transformación que conserva combinaciones lineales es una transformación lineal. Otra propiedad
evidente es que cualquier transformación lineal mapas 0 a 0: T (0) = 0... Este sigue, por ejemplo, el hecho
de que
T (x) = T (x + 0) = T (x) + T (0) Para alguna x 2 V, la cual sólo puede ocurrir si T (0) = 0.
Representar una transformación lineal en términos de una matriz es una manera ingeniosa, ya que
permitirá cálculos concretos en naturaleza. En otras palabras, se puede decir que una matriz puede dar el
modelo básico de estas transformaciones. Por ejemplo, si Q es una matriz de m-by-n, en ese caso, la regla
T (Au) = A T (u) representa la transformación Rn → Rm.
Suponga que V es un espacio vectorial dimensional finito sobre F, y W es otro espacio vectorial (no
necesariamente de dimensión finita) sobre F. Dado una base de V, existe una transformación lineal única
T: V → W tomando cualquier valor que deseamos en la base dada de V, y, además, sus valores sobre la
base de V determinan únicamente la transformación lineal.
Otra propiedad de transformación lineal establece que, si V y W son espacios vectoriales sobre F, entonces
cualquier combinación lineal de transformaciones lineales con dominio V y objetivo W también es lineal.
Así, el conjunto L (V, W) de todas las transformaciones lineales T: V → W es un espacio vectorial sobre F.
Para concluir, hay dos espacios fundamentales asociados con una transformación lineal: su núcleo ker (T)
y su imagen im (T). El núcleo y la imagen de una transformación lineal T corresponden con el espacio nulo
y espacio de la columna de cualquier matriz que representa T.
5.1 Introducción a las transformaciones lineales
La transformación lineal es una función utilizada para la asignación de un espacio vectorial a otro espacio
vectorial con la ayuda de los escalares, la cual satisface la expresión f (a*x + b*y) =a*f(x)+b*f(y).
En otras palabras, se consideran 2 espacios vectoriales, V y W. Una transformación lineal es una gráfica T:
V→ W que satisface dos condiciones:
1). T (v1 + v2) = T (v1) + T (v2) donde v1 y v2 son vectores en V. 2). T (xV) = x T (v) donde x es una escala
Una transformación lineal puede ser sobreyectiva o inyectiva. En el caso que, W y V tengan dimensiones
idénticas, entonces T puede llegar a ser invertible, esto es, se encuentra T-1 el cual satisface la condición
TT-1 = I. Asimismo, T (0) será siempre 0.
La teoría de la matriz entra en la teoría de las transformaciones lineales porque es posible representar
cada transformación lineal como matriz. La multiplicación de matrices puede considerarse como el
ejemplo principal que puede demostrar el concepto de transformación lineal. Una matriz A de dimensión
n x m define que T (v) = Av y aquí v es representado como un vector columna. Veamos un ejemplo:
Aquí, la transformación lineal t es definida como T (x, y) = (y, −2x + 2y, x). En el caso que, V y W sean de
dimensión finita, la transformación lineal está mejor representada con la multiplicación de matrices en
lugar de estableciendo la base del espacio vectorial, tanto para W y V. En el caso que, W y V incluyan un
producto escalar y también los espacios vectoriales correspondientes y que W y V sean ortonormales, será
simple representar la matriz correspondiente como.
Mientras que w y v son de dimensión infinita, la transformación lineal puede ser continua. Por ejemplo,
considera que un espacio polinómico de 1 variable sea v y T una derivada. Entonces, T (xn) = nxn-1, una no
continua como xn/n = 0 mientras que T (xn)/n no converge.
Existen dos espacios fundamentales que están asociados a una transformación lineal: su kernel ker(T) y su
imagen im(T). El kernel y la imagen de una transformación lineal T corresponden con el espacio nulo y el
espacio de la columna de cualquier matriz que represente a T.
En un sistema lineal, el número de variables es igual al número de variables libres más el número de
variables angulares, quedando una transformación lineal final T: V→ W en la identidad dim V = dim ker(T)
dim im(T). Si dim ker(T) = 0 y dim im(T) = dimW, entonces t esta sobre y uno a uno. En este caso, esto se
denomina un isomorfismo.
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
Nota en la parte i el 0 de la izquierda es el vector cero en v; mientras que el cero de la derecha es el vector
cero en W.
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] = Tu + T[(-1)v] = Tu + (-1)Tv = Tu – Tv.
3. Esta parte se prueba por inducción (vea el apéndice 1). Para n = 2 se tiene T(α1v1 + α2v2) = T (α1v1)
+ T(α2v2) = α1Tv1 + α2Tv2. Así, la ecuación (1) se cumple para n = 2. Se supone que se cumple para
n = k y se prueba para n=k + 1: T(α1v1 + α2v2+ ….+ αkvk+αk+1vk-1 ) = T(α1v1 + α2v2+….+αkvk) +
T(αk+1vk+1), y usando la ecuación en la parte iii para n= k, esto es igual a (α1Tv1 + α2Tv2+….αkTvk)
+ αk+1Tvk+1, que es lo que se quería demostrar. Esto completa la prueba.
Observación. Los incisos 1) y 2) del teorema 1 son casos especiales del inciso iii). 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 T1vi = T2vi = wi
para i = 1, 2,…,n. Entonces para cualquier vector v ϵ v, T 1v = T2v; es decir T1 = T2.
Como B es una base para V, existe un conjunto único de escalares α1, α2, …, αn. Tales que v = α1v1 + α2v2
+ …+ αn vn.
Entonces, del inciso 3) del teorema 1, T1v = T1(α1 v1 + α2v2 + …+ αnvn) = α1T2v1 + α2T2v2 +… + αnTnvn=
α1w1 + α2w2 +…+ αnTnvn.
De manera similar T2v = T2(α1v1 + α2v2 + …+ αnvn) = α1T2v1 + α2T2v2 +…+ αnTnvn = α1w1 + α2w2 +…+
αnvn.
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 l aprueba del teorema 2, Tv =
α1Tv1 + α2Tv2 +…+ αnTvn.
Ejemplo 1 Si se conoce el efecto de una transformación lineal sobre los vectores de la base, se conoce
el efecto sobre cualquier otro vector.
Solución. Se tiene
Entonces
Surge otra pregunta; si w1,w2,….,wn son n vectores en W, ¿existe una transformación lineal T tal que Tv1
= w1 para i = 1,2,…,n? La respuesta es sí. Como lo muestra el siguiente teorema.
Sean V y W dos espacios vectoriales y sea T:V W una transformación lineal. Entonces.
Observación 1. Observe que un T es no vacío porque, de acuerdo al teorema 1, T(0) = 0 de manera que 0 ϵ
un 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.
1.- Un T es un subespacio de V…
2.- Im T es un subespacio de W.
Demostración
2.- Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vestores u y v en V. Esto significa que T(u + v)= Tu
+ Tv = w + x y T(∝u) = ∝Tu =∝w. Por lo tanto, w + x y ∝w están en Im T.
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.
Observación. En la sección 4.7 se definieron el rango, la imagen, el espacio nulo y la nulidad de una matriz.
Según el ejemplo 5.1.7, Toda matriz A de m*n da lugar a una transformación lineal T:R´´ R´´´ definida por Tx
= Ax. Es evidente que un T = NA, Im T = Im A = CA, v(T) = v(A) y p(T) = p(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.
Sea V y W espacios vectoriales de finita dimensión sobre F, e imagina que T: V! W es lineal. Fija una
base
de V y una base de
de W. Ahora definimos la matriz MBB’ (T) de T con respecto a estas bases. Puesto que B0 es una
base de W, cada T (vj) puede escribirse únicamente como T(v j) =
Por lo tanto la matriz de T, en definitiva, con respecto a las bases B y B0 se define como la matriz
MBB’ (T) = (cij ) m × n . ¿Lo qué dice esta definición es que la columna jth de la matriz MBB’(T) es el
vector columna formado por los coeficientes de T(vj) con respecto a la base B0? Uno puede expresar
el término anterior en forma matricial mediante.
Es importante tener en cuenta que si V = Fn, W = Fm y T = TA, donde A Fm×n, entonces MBB’(T) = A
si B y B0 son las bases estándares. De TA (ej) es siempre la columna jth de A.
Ahora, sea V el espacio de polinomios reales de al menos tres grados, y W el espacio de polinomios
reales de a lo sumo dos grados. Entonces, la diferenciación es una transformación lineal D: V → W.
Ahora
D (ax3 + bx2 + cx + d) = 3ax2 + 2bx + c.
Así MBB’(D) =
En este caso, queremos averiguar cómo está definida la transformación T de R2 en R2 que cada
vector lo refleja sobre el eje x, para obtener un vector
En este caso, la situación es más sencilla ya que claramente tenemos dos triángulos rectángulos que son
congruentes, de donde T queda definida como sigue:
Ejemplo contracción
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.