Professional Documents
Culture Documents
Demostración
Capítulo 6 1. Es claro que θ∈V. Luego,
T(θ) = T(θ+θ) = T(θ)+T(θ).
TRANSFORMACIONES
LINEALES Por otro lado, θ = T(θ) – T(θ). Luego,
condiciones: T( ∑c
i =1
i • αi ) = ∑c
i =1
i • T (α i )
Observación: En efecto,
p +1 p
Una función T: V→W es una T.L. si ∀ α, β∈V, ∀ c∈K se cumple que
T(c•α + β) = c•T(α) + T(β).
T( ∑c
i =1
i • α i ) = T( ∑c
i =1
i • α i + cp+1•α1p+1)
p
Teorema 6.1. = T( ∑c
i =1
i • α i ) + T(cp+1•α1p+1)
n n
∑c ∑c
5. Si U1 es un subespacio de V entonces el conjunto:
T( • αi ) = • T (α i )
T(U1) = {T(α): α∈U1} = {β∈W: β = T(α), para algún α∈U1} i =1
i
i =1
i
es un subespacio de W.
5. Sea U1 un subespacio de V. Veamos que T(U1) así definido es un
6. Si U2 es un subespacio de W entonces el conjunto:
subespacio de W.
T-1(U2) = {α∈V: T(α)∈U2}
es un subespacio de V.
Es claro que θ∈T(U1) ya que θ = T(θ), θ∈U1.
207
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡cX1 ⎤ ⎡X 2 ⎤
6. Sea U2 un subespacio de W. Veamos que T-1(U2) así definido es un ⎢ ⎥ ⎢ ⎥
subespacio de W. = T( ⎢ cY1 ⎥ + ⎢ Y2 ⎥ )
⎢⎣ cZ1 ⎥⎦ ⎢⎣ Z 2 ⎥⎦
Es claro que θ∈T-1(U2) ya que θ∈V y T(θ) = θ∈U2.
⎡cX1 + X 2 ⎤
⎢ ⎥
Sean δ, γ∈T-1(U2) y c∈K. Entonces δ∈V con T(δ)∈U2, γ∈V con = T( ⎢ cY1 + Y2 ⎥ )
T(γ)∈U2. Por lo tanto, (c•δ + γ)∈V, siendo ⎢⎣ cZ1 + Z 2 ⎥⎦
T(c•δ) + T(γ) = T(c•δ + γ)∈U2. Luego, (c•δ + γ)∈T-1(U2) y por
consiguiente, T-1(U2) es un subespacio de V. ⎡ (cX1 + X 2 ) − (cY1 + Y2 ) ⎤
= ⎢ ⎥
⎣(cY1 + Y2 ) + 2(cZ1 + Z 2 )⎦
Ejemplo 6.1.
⎡ cX1 + X 2 − cY1 − Y2 ) ⎤
= ⎢ ⎥
Sean V y W espacios vectoriales sobre K. La función Θ: V→W definida como ⎣cY1 + Y2 + 2cZ1 + 2 Z 2 )⎦
Θ(α) = θ, ∀ α∈V es una T.L., ya que:
⎡ c(X1 − Y1 ) + (X 2 − Y2 ) ⎤
= ⎢ ⎥
Θ(c•α + β) = θ = c•θ + θ = c•Θ(α) + Θ(β) ⎣c(Y1 + 2Z1 ) + (Y2 + 2Z 2 )⎦
Esta T.L. recibe el nombre de Transformación Lineal Nula. ⎡ c(X1 − Y1 ) ⎤ ⎡ X 2 − Y2 ⎤
= ⎢ ⎥+⎢ ⎥
⎣c(Y1 + 2Z1 )⎦ ⎣Y2 + 2 Z 2 ⎦
Ejemplo 6.2.
⎡ X − Y1 ⎤ ⎡ X 2 − Y2 ⎤
= c•⎢ 1 ⎥+⎢ ⎥
Sea V un espacio vectorial sobre K. La función I: V→V definida como ⎣Y1 + 2 Z1 ⎦ ⎣Y2 + 2 Z 2 ⎦
I(α) = α, ∀ α∈V es una T.L., ya que ∀ α,β∈V y c∈K:
= c•T(α) + T(β)
I(c•α+β) = c•α+β = c•I(α)+I(β)
Por tanto, T es una T.L.
Esta T.L. recibe el nombre de Transformación Lineal Identidad.
Teorema 6.2.
Ejemplo 6.3.
Sean V un espacio vectorial finito dimensional con Dim(V) = n y
B = {α1, α2, …, αn} una base de V. Sean W un espacio vectorial y
Sea T: ℜ →ℜ la función definida por:
3 2
β1, β2, …, βn∈W. Supongamos que T1 y T2 son T.L. Tj: V→W; j = 1, 2, tales
que T1(αi) = T2(αi) = βi, ∀ i = 1, 2, …, n. Entonces se cumple que ∀α∈V,
⎡X ⎤ ⎡X ⎤ T1(α) = T2(α).
⎢ ⎥ ⎡ X−Y ⎤ ⎢ ⎥
⎥,∀ ⎢Y ⎥ ∈ℜ .
3
T( ⎢Y ⎥ ) = ⎢
⎢⎣ Z ⎥⎦ ⎣ Y + 2 Z⎦ ⎢⎣ Z ⎥⎦ Demostración
⎡ X − Y2 ⎤
T(β) = ⎢ 2 ⎥
⎣Y2 + 2 Z 2 ⎦ Igualmente,
208 209
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Por (1) y (2) se concluye que Img(T) = [{T(α1), T(α2), …, T(αn)}], es decir,
Luego, ∀α∈V, T1(α) = T2(α). Img(T) es finito dimensional.
6.3. KERNEL, IMAGEN, NULIDAD Y RANGO. Definición 6.4.
Definición 6.2. Sean V y W espacios vectoriales sobre K tales que V es finito dimensional y
T: V→W una T.L. Se define como Nulidad de T y se denota por Nul(T) a la
Sea T: V→W una T.L. Se define como Núcleo o Kernel de T y se denota por dimensión del Kernel de T, es decir, Nul(T) = Dim(Ker(T)).
Ker(T) al conjunto:
Definición 6.5.
Ker(T) = {α∈V: T(α) = θ}
Sean V y W espacios vectoriales sobre K tales que V es finito dimensional y
Definición 6.3. T: V→W una T.L. Se define como Rango de T y se denota por Ran(T) a la
dimensión de la Imagen de T, es decir, Ran(T) = Dim(Img(T)).
Sea T: V→W una T.L. Se define como Imagen de T y se denota por Img(T) al
conjunto: Ejemplo 6.4.
Img(T) = {T(α): α∈V} = {β∈W: β = T(α), para algún α∈V} En el ejemplo 6.3.:
Observación:
⎡X ⎤ ⎡X ⎤
⎢ ⎥ ⎡ X−Y ⎤ ⎢ ⎥
Es sencillo demostrar que Ker(T) e Img(T) son subespacios de V y W, T: ℜ3→ℜ2 definida por T( ⎢Y ⎥ ) = ⎢ ⎥,∀ ⎢Y ⎥ ∈ℜ es una T.L.
3
Demostración ⎡a ⎤ ⎡ X − X2 ⎤ ⎡a ⎤
⇒ ⎢ ⎥ ∈Img(T) si y sólo si ⎢ 1 ⎥ = ⎢ ⎥
⎣ ⎦
b ⎣ 2
X + 2 X 3⎦ ⎣b⎦
Se sabe que Ker(T) e Img(T) son subespacios de V y W, respectivamente.
Supongamos que Dim(V) = n y sea B = {α1, α2, …, αn} una base de V. Como ⎡a ⎤ ⎧ X1 − X 2 = a
⇒ ⎢ ⎥ ∈Img(T) si y sólo si el SEL ⎨ es consistente.
⎩X 2 + 2 X 3 = b
V es finito dimensional entonces por definición Ker(T)⊆B, luego por el
⎣b⎦
teorema 4.14., apartado 1, Dim(Ker(T)) ≤ n. Por consiguiente, Ker(T) es
finito dimensional. Veamos ahora que Img(T) = [{T(α1), T(α2), …, T(αn)}].
⎡1 − 1 0 a ⎤ ⎡1 0 2 a + 2b ⎤
⎢ ⎥ r1 → r1 + r2 ⎢ ⎥
Es claro que por definición de Img(T), [{T(α1), T(α2), …, T(αn)}] ⊆ Img(T) ⎢⎣0 1 2 b ⎥⎦ ⎢⎣0 1 2 b ⎥⎦
(1).
Por lo tanto,
Sea β∈Img(T). Entonces existe α∈V tal que T(α) = β.
Por otra parte como B es una base de V se tiene que existen escalares c1, c2, …,
⎡1 0 2⎤ ⎡1 0 2 a + 2b ⎤
⎥ ) = Rango( ⎢
n
Rango( ⎢ ⎥
cn∈K tales que α = ∑
i =1
c i • α i , ci∈K. Por lo tanto, ⎣ 0 1 2 ⎦ ⎣0 1 2 b ⎦
n n
T(α) = T( ∑c
i =1
i • αi ) = ∑c
i =1
i • T (α i ) = β Independientemente de los valores de a y b. En consecuencia,
210 211
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡a ⎤ Demostración
Img(T) = { ⎢ ⎥ ∈ℜ2: a∈ℜ y b∈ℜ} = ℜ2.
⎣b⎦ Supongamos que Dim(V) = n y sea B = {α1, α2, …, αn} una base de V. Como
B es una base de V se tiene que existen escalares c1, c2, …, cn∈K tales que
⎡a ⎤ ⎡a ⎤ ⎡0⎤ ⎡1⎤ ⎡0 ⎤ n
⇒ ⎢ ⎥ = ⎢ ⎥ + ⎢ ⎥ = a• ⎢ ⎥ + b• ⎢ ⎥
⎣b⎦ ⎣0 ⎦ ⎣b⎦ ⎣0 ⎦ ⎣1⎦
α= ∑c
i =1
i • α i , ci∈K; ∀ i = 1, 2, …, n y α∈V. Por lo tanto,
⇒ Ran(T) = Dim(Img(T)) = 2 n n
⇒ ⎢X 2 ⎥ ∈Ker(T) si y sólo si ⎨
⎢⎣ X 3 ⎥⎦ ⎩X 2 + 2 X 3 = 0 n
=θ+ ∑ c • T (α )
i = p +1
i i
⎡ X1 ⎤
⎢ ⎥ ⎧ X1 = X 2 n
⇒ ⎢X 2 ⎥ ∈Ker(T) si y sólo si ⎨
⎩X 2 = −2X 3
= ∑ c • T (α )i i
⎢⎣ X 3 ⎥⎦ i = p +1
Nótese que Ran(T) + Nul(T) = 2 + 1 = 3 = Dim(ℜ3) Como B = {α1, α2, …, αn} es una base de V por el teorema 4.12., se cumple
n
Teorema 6.4.
que ∀ α∈V, existen escalares únicos c1, c2, …, cn∈K tales que α = ∑c i =1
i • αi .
212 213
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
n n n ⇒ a = c1 – c2 y b = c2 ⇒ c1 = a + b y c2 = b.
T(α) = T( ∑c
i =1
i • αi ) = ∑c
i =1
i • T (α i ) = ∑c •β
i =1
i i
⎡a ⎤ ⎡1⎤ ⎡−1⎤
⇒ ⎢ ⎥ = (a+b)• ⎢ ⎥ + b• ⎢ ⎥
Veamos que T es una T.L. ⎣b⎦ ⎣0 ⎦ ⎣ 1⎦
n n
⎡a ⎤ ⎡1 ⎤ ⎡−1⎤
Sean α = ∑c i • αi , δ = ∑d i • α i , con d1, d2, …, dn∈K y c∈K. ⇒ T( ⎢ ⎥ ) = T((a+b)• ⎢ ⎥ + b• ⎢ ⎥ )
i =1 i =1 ⎣b⎦ ⎣0 ⎦ ⎣ 1⎦
⎡1⎤ ⎡−1⎤
Ahora bien, = (a+b)T( ⎢ ⎥ ) + bT( ⎢ ⎥ )
⎣ ⎦
0 ⎣ 1⎦
n n n
⎡ −1 ⎤ ⎡0 ⎤
T(c•α+δ) = T(c• ∑c
i =1
i • αi + ∑d i =1
i • α i ) = T( ∑ (cc + d ) • α
i =1
i i i ⎢ ⎥ ⎢ ⎥
= (a+b)• ⎢ 2⎥ + b• ⎢1⎥
n ⎢⎣ 3⎥⎦ ⎢⎣0⎥⎦
= ∑ (cc + d ) • T(α )
i =1
i i i
⎡ −a − b ⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥
n
= ⎢ 2a + 2 b ⎥ + ⎢ b ⎥
= ∑ (cc + d ) • β
i =1
i i i
⎢⎣ 3a + 3b ⎥⎦ ⎢⎣0⎥⎦
n n
⎡ −a − b ⎤
= c ∑c •β + ∑d
i =1
i i
i =1
i • βi ⎢
= ⎢ 2a + 3b ⎥
⎥
n n ⎢⎣ 3a + 3b ⎥⎦
= c ∑ c • T (α ) + ∑ d
i =1
i i
i =1
i • T (α i )
= cT(α) + T(δ) Luego, si existe una T.L. T: ℜ2→ℜ3 que cumple con ambas condiciones y
⎡ −a − b ⎤
Veamos ahora que T es única. Sea S: V→W otra T.L. tal que: ⎡a ⎤ ⎢ ⎥
además tiene por regla de correspondencia T( ⎢ ⎥ ) = ⎢ 2a + 3b ⎥ .
⎣ ⎦
b
⎢⎣ 3a + 3b ⎥⎦
S(αj) = βj, j = 1, 2, …, n.
1. Monomorfismo si T es inyectiva.
Ejemplo 6.5. 2. Epimorfismo si T es sobreyectiva.
3. Isomorfismo si T es biyectiva.
⎡ −1 ⎤
⎡1⎤ ⎢ ⎥
Determinemos si existe una T.L. T: ℜ2→ℜ3 tal que T( ⎢ ⎥ ) = ⎢ 2⎥ y Teorema 6.6.
⎣0 ⎦ ⎢⎣ 3⎥⎦
Sea T: V→W una T.L. T es un Monomorfismo si y sólo si Ker(T) = {θ}.
⎡0 ⎤
⎡−1⎤ ⎢ ⎥ ⎡1 ⎤ ⎡−1⎤ Demostración
⎢ ⎥ y ⎢ ⎥ forman una base de ℜ .
2
T( ⎢ ⎥ ) = ⎢1⎥ . Veamos primero que
⎣ 1⎦ ⎢⎣0⎥⎦ ⎣ ⎦
0 ⎣ 1⎦
CN(⇒): Si T es un Monomorfismo entonces Ker(T) = {θ}.
⎡a ⎤ ⎡1 ⎤ ⎡−1⎤ ⎡c1 ⎤ ⎡ −c 2 ⎤ ⎡c1 − c 2 ⎤ Sea α∈Ker(T). Entonces T(α) = θ. Pero también T(θ) = θ. Como T es un
⎢ ⎥ = c1• ⎢ ⎥ + c2• ⎢ ⎥ = ⎢ ⎥ + ⎢ ⎥ = ⎢ ⎥ Monomorfismo entonces T es inyectiva. Luego, α = θ. Por consiguiente,
⎣ ⎦
b ⎣ ⎦
0 ⎣ ⎦
1 ⎣ ⎦
0 ⎣ c 2 ⎦ ⎣ c2 ⎦ Ker(T) = {θ}.
214 215
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Si T es un Monomorfismo entonces Ker(T) = {θ}. Por consiguiente, T(α) = T(c1•α1 + c2•α2 + … + cn•αn)
Nul(T) = 0, lo cual significa que Ran(T) = Dim(V) – 0 = n = Dim(W). Esto = c1•T(α1) + c2•T(α2) + … + cn•T(αn)
significa que Img(T) = W, es decir, que T es sobreyectiva. Por lo tanto, T es un = c1•β1 + c2•β2 + … + cn•βn
Epimorfismo.
Luego, {β1, β2, …, βn} = {T(α1), T(α2), …, T(αn)} es un conjunto de
CS(⇐): Si Dim(V) = Dim(W) = n y T es un Epimorfismo entonces T es un generadores de Img(T). Por el teorema 4.14. apartado 2 se cumple
Monomorfismo.
216 217
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
que n ≥ Dim(Img(T)), es decir, n ≥ Ran(T), osea Ran(T) ≤ n. Como αh∈ℜm, lo cual significa que αh∈Mmx1(ℜ) y además (αh)ij = (AT)ih
m > n entonces Img(T) ≠ W, lo cual es una contradicción.
Ahora bien,
Definición 6.7.
AT∈Mmxn(ℜ)
Sean V y W espacios vectoriales sobre K. Se dice que V y W son isomorfos y eh∈Mnx1(ℜ),∀ h = 1, 2, …, n.
se escribe V ≅ W si existe un Isomorfismo T: V→W.
Por consiguiente,
Observación:
(ATeh)∈Mmx1(ℜ) y además:
Sean V y W espacios vectoriales sobre K finito dimensionales. V ≅ W si y
sólo si Dim(V) = Dim(W). n
(ATeh)ij = ∑ (A
r =1
T ) ir (e
h
) rj
Ejemplo 6.7.
= (A T ) i1 (e h )1 j + L + (A T )ih (e h ) hj + L + (A T )in (e h ) nj
K4 ≅ M2x2(K), ya que se puede verificar fácilmente que la función T:
= (A T )i1.0 + L + (A T )ih .1 + L + (A T )in .0 = (A T )ih
K4→M2x2(K) definida por:
= (αh)ij
⎡a ⎤
⎢ ⎥ Es decir,
b ⎡a b ⎤
T( ⎢ ⎥ ) = ⎢ ⎥
⎢c⎥ ⎣c d⎦ ATeh = αh = T(eh)
⎢ ⎥
⎣⎢d ⎦⎥
Por el teorema 6.2., ∀ α∈ℜn, T(α) = ATα.
es un isomorfismo.
Veamos que AT es única. Supongamos que existen matrices AT∈Mmxn(ℜ) y
En general se cumple que Kmn ≅ Mmxn(K). BT∈Mmxn(ℜ) tales que ∀ α∈ℜn, T(α) = ATα = BTα. Sea CT = AT – BT. Luego,
CTα = (AT – BT)α = ATα – BTα = ATα – ATα = θmx1, ∀ α∈ℜn. En particular,
6.5. MATRIZ ASOCIADA A UNA TRANSFORMACIÓN LINEAL CTeh = θmx1, ∀ h = 1, 2, …, n. Pero, CTeh es la h-ésima columna de CT. De esta
T: ℜn→ℜm. forma cada una de las n columnas de CT es el vector nulo θmx1 y CT = θmxn. Por
consiguiente, AT – BT = θmxn, es decir, AT = BT.
Teorema 6.9.
Ejemplo 6.8.
Sea T: ℜn→ℜm una T.L. Entonces existe una matriz única AT∈Mmxn(ℜ)
denominada matriz de la transformación T tal que ∀ α∈ℜn se cumple que Como se demostró anteriormente la función T: ℜ3→ℜ2 definida por:
T(α) = ATα.
⎡X ⎤ ⎡X ⎤
Demostración ⎢ ⎥ ⎡ X−Y ⎤ ⎢ ⎥
⎥,∀ ⎢Y ⎥ ∈ℜ .
3
T( ⎢Y ⎥ ) = ⎢
⎢⎣ Z ⎥⎦ ⎣ Y + 2 Z⎦ ⎢⎣ Z ⎥⎦
Como se sabe α∈ℜn en notación matricial es α∈Mnx1(ℜ).
Sea αh = T(eh), ∀ h = 1, 2, …, n, siendo {e1, e2, …, en} la base canónica de ℜn. es una T.L.
Sea AT la matriz cuyas columnas son α1, α2, …, αn. Luego,
Determinemos la matriz AT. Como n = 3 y m = 2 entonces AT∈M2x3(ℜ).
⎡ (A T )1h ⎤ Luego, ∀ α∈ℜn se cumple que T(α) = ATα. Por consiguiente:
⎢ ⎥
(A )
α h = ⎢ T 2 h ⎥ ; ∀ h = 1, 2, …, n ⎡X ⎤
⎢ M ⎥ ⎡ A11 A12 A13 ⎤ ⎢ ⎥ ⎡ X − Y ⎤
⎢ ⎥ ⎢ ⎥ Y =⎢ ⎥
⎣⎢(A T ) mh ⎦⎥ ⎣A 21 A 22 A 23 ⎦ ⎢ ⎥ ⎣Y + 2Z⎦
⎢⎣ Z ⎥⎦
Es decir,
218 219
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ A X + A12 Y + A13 Z ⎤ ⎡ X − Y ⎤ ⎡ c1 ⎤
⇒ ⎢ 11 ⎥=⎢ ⎥ ⎢ ⎥
⎣A 21X + A 22 Y + A 23 Z⎦ ⎣Y + 2Z⎦ c
[α]B = ⎢ 2 ⎥
⎢M⎥
A11X + A12 Y + A13 Z = X − Y ⎢ ⎥
⇒
A 21X + A 22 Y + A 23 Z = Y + 2 Z ⎢⎣c n ⎥⎦
A11 = 1, A12 = −1, A13 = 0
⇒ Observación:
A 21 = 0, A 22 = 1, A 23 = 2
⎡1 −1 0⎤ Nótese que ([α]B)ij = ci.
⇒ AT = ⎢ ⎥
⎣0 1 2 ⎦ Definición 6.9.
Teorema 6.10. Sea V un espacio vectorial sobre K finito dimensional con Dim(V) = n y sean
B1 = {α1, α2, …, αn} y B2 = {β1, β2, …, βn} bases de V. ∀ αj∈B1;
Sea T: ℜ →ℜ una T.L. y AT∈Mmxn(ℜ) su matriz asociada. Entonces se
n m
j = 1, 2, …, n existen escalares únicos c1j, c2j, …, cnj∈K tales que
cumple que: n
αj = ∑c
i =1
ij • βi . Se define como matriz de transición de la base B1 a la base B2
1. Img(T) = I A t = C A T .
y se denota por [α ]B12 a la matriz [α ]B12 ∈Mnxn(K) siguiente:
B B
2. Ran(T) = r(AT).
3. Ker(T) = N AT .
4. Nul(T) = n(AT). ⎡ c11 c12 L c1n ⎤
⎢ ⎥
c 22 L c 2 n ⎥
[α]BB
c
Demostración
2
= ⎢ 21
1 ⎢ M M M ⎥
⎢ ⎥
1. Por definición, Img(T) = {β∈ℜm: β = T(α), para algún α∈ℜn} y a ⎣⎢ n1 n 2
c c L c nn ⎦⎥
su vez T(α) = ATα. Luego,
Observación:
Img(T) = {β∈ℜm: β = ATα, para algún α∈ℜn} = I A t = C A T .
Nótese que ( [α ]B12 )ij = cij.
B
2. Por definición, Ran(T) = Dim(Img(T)) = Dim ( I A t ) = r(AT).
3. Por definición, Ker(T) = {α∈ℜn: T(α) = θmx1} y a su vez
Ejemplo 6.9.
T(α) = ATα. Luego,
⎡2⎤ ⎡ 1⎤ ⎡1 ⎤ ⎡0 ⎤
Ker(T) = {α∈ℜn: ATα = θmx1} = N AT Sea V = ℜ2 y B1 = { α1 = ⎢ ⎥ , α 2 = ⎢ ⎥ } y B2 = { β1 = ⎢ ⎥ , β 2 = ⎢ ⎥ }
⎣ ⎦
1 −
⎣ ⎦1 ⎣ ⎦
2 ⎣1⎦
bases de V. Determinemos la matriz de transición de B1 a B2.
4. Por definición, Nul(T) = Dim(Ker(T)) = Dim( N A T ) = n(AT).
Hallemos los valores de c11, c12, c21, c22 tales que:
6.6. MATRIZ DE UNA TRANSFORMACIÓN LINEAL T: V→W
RELATIVA A BASES DE V Y W. α1 = c11 • β1 + c 21 • β 2 y α 2 = c12 • β1 + c 22 • β 2
Definición 6.8.
⎡ 2⎤ ⎡1 ⎤ ⎡0⎤ ⎡ c11 ⎤ ⎡ 0 ⎤ ⎡ c11 ⎤
⎢ ⎥ = c11 ⎢ ⎥ + c 21 ⎢ ⎥ = ⎢ ⎥+⎢ ⎥=⎢ ⎥
Sea V un espacio vectorial sobre K finito dimensional con Dim(V) = n y sea ⎣1 ⎦ ⎣ 2⎦ ⎣1⎦ ⎣2c11 ⎦ ⎣c 21 ⎦ ⎣2c11 + c 21 ⎦
B = {α1, α2, …, αn} una base de V. ∀ α∈V existen escalares únicos
n
⇒ c11 = 2; 1 = 2c11 + c 21 ⇒ 1 = 2.2 + c 21 ⇒ 1 = 4 + c 21 ⇒ c 21 = −3
c1, c2, …, cn∈K tales que α = ∑ c i • α i . Se define como matriz de ⎡ 1⎤ ⎡1 ⎤ ⎡0⎤ ⎡ c12 ⎤ ⎡ 0 ⎤ ⎡ c12 ⎤
i =1 ⎢ ⎥ = c12 ⎢ ⎥ + c 22 ⎢ ⎥ = ⎢ ⎥+⎢ ⎥ = ⎢ ⎥
coordenadas del vector α relativa a la base B y se denota por [α]B a la matriz ⎣ − 1⎦ ⎣ 2⎦ ⎣1⎦ ⎣2c12 ⎦ ⎣c 22 ⎦ ⎣2c12 + c 22 ⎦
[α]B∈Mnx1(K) siguiente: ⇒ c12 = 1; − 1 = 2c12 + c 22 ⇒ − 1 = 2.1 + c 22 ⇒ − 1 = 2 + c 22 ⇒ c 22 = −3
220 221
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ 2 1⎤
[α]BB 2
=⎢ ⎥
Por el teorema 6.11., se tiene que:
⎣ − 3 − 3⎦
1
[α]B = [α]BB [α ]B 2
1 2 1 1
⇒ [α ]B – [α ]B [α ]B [α ]B = θnx1
2 1 1 B B 1 2
1 2 1 1
α = c1 • α1 + c 2 • α 2 + ... + c n • α n
α 2 = c12 • β1 + c 22 • β 2 + ... + .c n 2 • β n
M Definición 6.10.
α n = c1n • β1 + c 2 n • β 2 + ... + .c nn • β n
Sean V y W espacios vectoriales finito dimensionales sobre K con Dim(V) = n
Sustituyendo en la ecuación anterior se obtiene que: y Dim(W) = m y B1 = {α1, α2, …, αn} y B2 = {β1, β2, …, βm} bases de V y W,
respectivamente. Sea T: V→W una T.L. ∀ j = 1, 2, …, n, T(αj)∈W, por lo cual
α = c1 • (c11 • β1 + c 21 • β 2 + ... + .c n1 • β n ) + c 2 • (c12 • β1 + c 22 • β 2 + ... + .c n 2 • β n ) m
Luego, [T]BB 2
1
= [ [T(α1 )]B2 [T(α 2 )]B 2
L [T(α n )]B 2
]
⎡ d1 ⎤ ⎡ c11c1 + c12c 2 + ... + c1n c n ⎤ ⎡ c11 c12 L c1n ⎤ ⎡ c1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ Observaciones
c c + c c + ... + c 2 n c n ⎥ ⎢c 21 c 22 L c 2 n ⎥ ⎢c 2 ⎥
[α]B = [α ]B12 [α ]B1
d
= ⎢ 2 ⎥ = ⎢ 21 1 22 2 =
B
⎢M⎥ ⎢ M ⎥ ⎢ M M M ⎥⎢ M ⎥
[T]BB
2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ 1. 2
ij = Aij; ∀ i = 1, 2, …, m, j = 1, 2, …, n.
⎣⎢d n ⎦⎥ ⎣⎢c n1c1 + c n 2 c 2 + ... + c nn c n ⎦⎥ ⎣⎢c n1 c n 2 L c nn ⎥⎦ ⎢⎣c n ⎥⎦
1
Ran(T) = r( [T ]B12 )
B
2.
Teorema 6.12.
Nul(T) = n( [T ]B12 )
B
3.
Sea V un espacio vectorial sobre K finito dimensional con Dim(V) = n y sean
B1 = {α1, α2, …, αn} y B2 = {β1, β2, …, βn} bases de V. Entonces se cumple 4. [T(α)]B = [T]BB [α]B
2
2
1 1
que: m
[α]BB 1
= ([α ]B12 ) −1
B
5. T(α) = ∑ ([T(α)]
i =1
B2 ) i β i
2
222 223
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ ⎡0 ⎤ ⎤ ⎡1⎤
⎡X ⎤ [T(α 3 )]B = ⎢⎢ ⎥ ⎥ = ⎢ ⎥
⎢ ⎥ ⎡X − Y ⎤ 2
⎢⎣ ⎣1⎦ ⎥⎦ B2 ⎣1⎦
T( ⎢Y ⎥ ) = ⎢ ⎥
⎢⎣ Z ⎥⎦ ⎣Y + Z⎦ Luego,
⎡3 3 1⎤
Sean: [T]BB 2
= ⎢ ⎥
⎣1 4 1⎦
1
⎡ 1⎤ ⎡0 ⎤ ⎡0 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ Nótese que: T(α1) = 3•β1 + 1•β2; T(α2) = 3•β1 + 4•β2 y T(α3) = 1•β1 + 1•β2
B 1 = { α 1 = ⎢ − 1 ⎥ , α 2 = ⎢1 ⎥ , α 3 = ⎢ 0 ⎥ } Ahora bien,
⎢⎣ 2⎥⎦ ⎢⎣3⎥⎦ ⎢⎣1⎥⎦
⎡1 ⎤ ⎡−1⎤ ⎡X ⎤ ⎡ 1⎤ ⎡0 ⎤ ⎡0 ⎤
B2 = { β1 = ⎢ ⎥ , β 2 = ⎢ ⎥ } ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
α = c1 • α1 + c 2 • α 2 + c 3 • α 3 ⇒ ⎢Y ⎥ = c1 • ⎢ − 1 ⎥ + c 2 • ⎢1⎥ + c3 • ⎢0⎥
⎣ ⎦
0 ⎣ 1⎦
⎢⎣ Z ⎥⎦ ⎢⎣ 2⎥⎦ ⎢⎣3⎥⎦ ⎢⎣1⎥⎦
Tales que B1 y B2 son bases de ℜ3 y ℜ2, respectivamente.
⎡ X ⎤ ⎡ c1 ⎤ ⎡ 0 ⎤ ⎡ 0 ⎤ ⎡X ⎤ ⎡ c1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⇒ ⎢ Y ⎥ = ⎢ − c1 ⎥ + ⎢ c 2 ⎥ + ⎢ 0 ⎥ ⇒ ⎢Y ⎥ = ⎢ − c1 + c 2
Determinemos [T ] . ⎥
B2
B1
⎢⎣ Z ⎥⎦ ⎢⎣ 2c1 ⎥⎦ ⎢⎣3c 2 ⎥⎦ ⎢⎣c3 ⎥⎦ ⎢⎣ Z ⎥⎦ ⎢⎣ 2c1 + 3c 2 + c3 ⎥⎦
⇒ c1 = X
⎡a ⎤ ⎡1 ⎤ ⎡−1⎤ ⎡c1 ⎤ ⎡ −c 2 ⎤ ⎡c1 − c 2 ⎤
⎢ ⎥ = c1•β1 + c2•β2 = c1• ⎢ ⎥ + c2• ⎢ ⎥ = ⎢ ⎥ + ⎢ ⎥ = ⎢ ⎥ Y = –c1 + c2 ⇒ Y = –X + c2 ⇒ c2 = X + Y
⎣ ⎦
b ⎣ ⎦
0 ⎣ ⎦
1 ⎣ ⎦
0 ⎣ 2⎦
c ⎣ c2 ⎦ Z = 2c1 + 3c2 + c3 ⇒ Z = 2X + 3(X + Y) + c3 ⇒ Z = 2X + 3X + 3Y + c3
⇒ Z = 5X + 3Y + c3 ⇒ c3 = –5X – 3Y + z
⇒ a = c1 – c2 y b = c2 ⇒ a = c1 – b y c2 = b ⇒ c1 = a + b y c2 = b.
Luego,
⎡ ⎡a ⎤ ⎤ ⎡a + b ⎤
⇒ ⎢⎢ ⎥⎥ = ⎢ ⎥ ⎡ X ⎤
⎣⎢ ⎣ ⎦ ⎦⎥ B2 ⎣ b ⎦
b ⎢ ⎥
[α]B1
=⎢ X+Y ⎥
⎢⎣ − 5X − 3Y + Z⎥⎦
⎡ 1⎤
⎢ ⎥ ⎡ 2⎤
T(α1) = T( ⎢ − 1 ⎥ ) = ⎢ ⎥ Por otra parte,
⎢⎣ 2⎥⎦ ⎣1 ⎦
⎡0 ⎤ ⎡X ⎤
⎡ ⎡a ⎤ ⎤ ⎡a + b ⎤ ⎢ ⎥ ⎡X − Y ⎤
⎢ ⎥ ⎡ −1 ⎤ ⎢⎢ ⎥⎥ = ⎢ ⎥
T(α2) = T( ⎢1⎥ ) = ⎢ ⎥ y además T( ⎢Y ⎥ ) = ⎢ Y + Z ⎥ . Por lo tanto,
⎣ 4⎦ ⎢⎣ ⎣b ⎦ ⎥⎦ B2 ⎣ b ⎦ ⎢⎣ Z ⎥⎦ ⎣ ⎦
⎢⎣3⎥⎦
⎡0 ⎤
⎢ ⎥ ⎡0 ⎤ ⎡ ⎛ X ⎞⎤
T(α3) = T( ⎢0⎥ ) = ⎢ ⎥ ⎢ ⎜ ⎟⎥ ⎡⎛ X − Y ⎞⎤ ⎡ X − Y + Y + Z⎤ ⎡ X + Z⎤
⎣1 ⎦ ⎢T ⎜ Y ⎟ ⎥ = ⎢⎜⎜ ⎟⎟⎥ = ⎢ ⎥=⎢ ⎥
⎢⎣1⎥⎦ + Y+Z
⎢ ⎜ Z ⎟⎥ ⎣⎢⎝ Y Z ⎠⎦⎥ B2 ⎣ ⎦ ⎣ Y + Z⎦
⎣ ⎝ ⎠⎦
⎡ ⎡2⎤ ⎤
B2
⎡3⎤
[T(α1 )]B = ⎢⎢ ⎥ ⎥ = ⎢ ⎥
⎣⎢ ⎣ ⎦ ⎦⎥ B2 ⎣1⎦
1
2
Por consiguiente,
224 225
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ ⎛ X ⎞⎤ ⎡ X ⎤ Teorema 6.13.
⎢ ⎜ ⎟⎥ ⎡X + Z⎤ ⎡3 3 1⎤ ⎢ ⎥
= = + ⎥ = [T ]B1 [α ]B1
B2
⎢ ⎜ ⎟⎥
T Y ⎢
+
⎥ ⎢ ⎥⎢ X Y Sean T: ℜn→ℜm una T.L. y, B1 = {α1, α2, …, αn} y B2 = {β1, β2, …, βm} bases
⎢ ⎜ Z ⎟⎥ ⎣ Y Z ⎦ ⎣1 4 1⎦ ⎢− 5X − 3Y + Z⎥
de ℜn y ℜm, respectivamente. Si A1∈Mnxn(ℜ) definida como una matriz
⎣ ⎝ ⎠ ⎦ B2 ⎣ ⎦
particionada 1xn A1 = [α1 α2 … αn] y A2∈Mnxn(ℜ) definida como una matriz
particionada 1xm A2 = [β1 β2 … βm] entonces se cumple que:
Para hallar la imagen a través de esta matriz de un vector determinado,
⎡1 ⎤ [T]BB1
2
= A −2 1A T A1 .
⎢ ⎥
digamos el vector α = ⎢2⎥ se procede de la siguiente manera:
⎢⎣3⎥⎦ Demostración
Por definición,
⎡1 ⎤ ⎡ ⎡1 ⎤ ⎤ ⎡ ⎡1 ⎤ ⎤ ⎡ ⎡1 ⎤ ⎤
⎢ ⎥
m
⎢ ⎢ ⎥⎥ ⎢ ⎢ ⎥⎥
[ ]B2 ⎢ ⎢ ⎥ ⎥ [T]BB = [ [T(α1 )]B2 [T(α 2 )]B [T(α n )]B
∑ L
2
( ⎢T( ⎢2⎥ )⎥ ) i β i , siendo = ]
T( ⎢ 2⎥ ) = ⎢ ⎢ ⎥⎥
T ( 2 ) T B1 ⎢ ⎢ 2⎥ ⎥
1 2 2
⎢⎣3⎥⎦ i =1 ⎢ ⎢ ⎥⎥ ⎢ ⎢3⎥ ⎥ ⎢ ⎢ 3⎥ ⎥
⎣ ⎣ 3 ⎦ ⎦ B2 ⎣ ⎣ ⎦ ⎦ B2 ⎣ ⎣ ⎦ ⎦ B1 A su vez, existen escalares c1, c2, …, cn tales que:
m
Hallamos: T (α j ) = ∑c
i =1
ij • βi
⎡ ⎡1 ⎤ ⎤ ⎡ 1 ⎤ ⎡ 1⎤
⎢⎢ ⎥ ⎥ ⎢ ⎥ ⎢ ⎥ Luego,
⎢⎢ ⎥ ⎥
2 = ⎢ 1 + 2 ⎥ = ⎢ 3⎥
⎢ ⎢3⎥ ⎥ ⎢ − − + ⎥⎦ ⎢⎣− 8⎥⎦ ⎡ c1 j ⎤
⎣ ⎣ ⎦ ⎦ B1 ⎣ 5 .1 3 . 2 3
⎢ ⎥
[T(α )] j B2
c2 j
=⎢ ⎥
⎢ M ⎥
Luego, ⎢ ⎥
⎣⎢c mj ⎦⎥
⎡ ⎡1 ⎤ ⎤ ⎡ ⎡1 ⎤ ⎤ ⎡ 1⎤
⎢ ⎢ ⎥⎥ B2 ⎢ ⎢ ⎥ ⎥ ⎡3 3 1⎤ ⎢ ⎥ ⎡ 4⎤ Por consiguiente,
⎢ ⎢ ⎥⎥
T ( 2 ) = [T ]B1 ⎢ ⎢ ⎥ ⎥
2 = ⎢ ⎥ ⎢ 3⎥ = ⎢ ⎥
⎢ ⎢3⎥ ⎥ ⎢ ⎢ 3⎥ ⎥ ⎣1 4 1⎦ ⎢⎣ − 8⎥⎦ ⎣5⎦
⎣ ⎣ ⎦ ⎦ B2 ⎣ ⎣ ⎦ ⎦ B1 ⎡ c11 c12 L c1n ⎤
⎢ ⎥
c 22 L c 2 n ⎥
[T]
c
= ⎢ 21
B2
Por consiguiente, B1
⎢ M M M ⎥
⎢ ⎥
⎣⎢c m1 c m 2 L c mn ⎦⎥
⎡1 ⎤ ⎡ ⎡1 ⎤ ⎤
⎢ ⎥ ⎢ ⎥ ⎡1 ⎤ ⎡−1⎤ ⎡−1⎤
∑ (⎢T(⎢⎢2⎥⎥)⎥
m
T( ⎢2⎥ ) = ) i β i = 4. ⎢ ⎥ + 5. ⎢ ⎥ = ⎢ ⎥ Ahora bien,
⎢ ⎥ ⎣ ⎦
0 ⎣ ⎦
1 ⎣ 5⎦
⎢⎣3⎥⎦ ⎣⎢3⎥⎦ ⎦ B2
i =1
⎣ m
T (α j ) = ∑c
i =1
ij • βi = c1 j • β1 + c 2 j • β 2 + ... + c mj • β m
Directamente con la transformación lineal se obtiene que:
⎡ c1 j ⎤
⎡1 ⎤ ⎢ ⎥
c2 j
⎢ ⎥ ⎡1 − 2 ⎤ ⎡−1⎤ ⇒ T(α j ) = [β1 β 2 L β m ]⎢ ⎥
T( ⎢2⎥ ) = ⎢ ⎥=⎢ ⎥ ⎢ M ⎥
⎢⎣3⎥⎦ ⎣2 + 3⎦ ⎣ 5⎦ ⎢ ⎥
⎢⎣c mj ⎥⎦
226 227
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ c1 j ⎤ ⎡ 1⎤ ⎡0 ⎤ ⎡0 ⎤ ⎡ 1 0 0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
c2 j Como B1 = { α1 = ⎢ − 1 ⎥ , α 2 = ⎢1⎥ , α 2 = ⎢0⎥ } entonces A1 = ⎢ − 1 1 0⎥
⇒ T (α j ) = A 2 ⎢ ⎥
⎢ M ⎥ ⎢⎣ 2⎥⎦ ⎢⎣3⎥⎦ ⎢⎣1⎥⎦ ⎢⎣ 2 3 1⎥⎦
⎢ ⎥
⎢⎣c mj ⎥⎦
⎡1⎤ ⎡−1⎤ ⎡1 −1⎤
Como B2 = { β1 = ⎢ ⎥ , β 2 = ⎢ ⎥ } entonces A 2 = ⎢ ⎥
Luego,
⎣ ⎦
0 ⎣ ⎦
1 ⎣0 1⎦
[A T α1 A T α 2 L A T α n ] = A 2 [T ]B12
B
Por consiguiente,
Como B2 = {β1, β2, …, βm} es una base entonces B2 es un conjunto L.I. Luego,
la matriz A2 = [β1 β2 … βm] es no singular. Por lo tanto,
A T A1 = A 2 [T ]B12 ⇒ [T ]B12 = A −2 1A T A1
B B
Ejemplo 6.11.
⎡X ⎤
⎢ ⎥ ⎡X − Y ⎤
T( ⎢Y ⎥ ) = ⎢ ⎥
⎢⎣ Z ⎥⎦ ⎣Y + Z⎦
⎡1 −1 0⎤
AT = ⎢ ⎥
⎣0 1 1⎦
228 229
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
EJERCICIOS PROPUESTOS. ⎡1 ⎤
4. Determine si existe una T.L. T: ℜ2→ℜ tal que T( ⎢ ⎥ ) = 3,
1. Determine cuáles de las siguientes funciones son T.L.: ⎣ 2⎦
1.1. T: ℜ3→ℜ3 definida por: ⎡ ⎤
2 ⎡ ⎤
2 19
T( ⎢ ⎥ ) = –1 y T( ⎢ ⎥ ) = .
⎡ X1 ⎤ ⎡X 2 − X1 ⎤ ⎣ 2⎦ ⎣5 ⎦ 2
⎢ ⎥ ⎢ ⎥
1.1.1. T( ⎢X 2 ⎥ ) = ⎢ X1 ⎥
⎢⎣ X 3 ⎥⎦ ⎢⎣ X 3 ⎥⎦ ⎡ X1 X1 0 ⎤
⎢ ⎥
5. Sea T: ℜ2→M3x3(ℜ) definida por T(X1, X2) = ⎢ − X1 X1 X2 ⎥
⎡ X1 ⎤ ⎡X1 + 1⎤
⎢ ⎥ ⎢ ⎥ ⎢⎣ 0 X2 X1 − X 2 ⎥⎦
1.1.2. T( ⎢X 2 ⎥ ) = ⎢ X2 ⎥
⎢⎣ X 3 ⎥⎦ ⎢⎣ 0 ⎥⎦
5.1. Demuestre que T es una T.L.
⎡ X1 ⎤ ⎡ 0 ⎤ 5.2. Determine Kernel e Imagen de T, así como también bases
⎢ ⎥ ⎢ ⎥ de estos subespacios.
1.1.3. T( ⎢X 2 ⎥ ) = ⎢X1 + X 2 ⎥
⎢⎣ X 3 ⎥⎦ ⎢⎣ 0 ⎥⎦
⎡ X1 + 2 X 2 ⎤
⎡X ⎤ ⎢ ⎥
⎡ X1 ⎤ ⎡X1X 2 ⎤ 6. Sea T: ℜ2→ℜ3 una T.L. definida por T( ⎢ 1 ⎥ ) = ⎢ − X1 ⎥ .
⎢ ⎥ ⎢ ⎥ ⎣X 2 ⎦
1.1.4. T( ⎢X 2 ⎥ ) = ⎢ X3 ⎥ ⎢⎣ 0 ⎥⎦
⎢⎣ X 3 ⎥⎦ ⎢⎣ X1 ⎥⎦
6.1. Determine la matriz asociada con T con respecto a las
1.2. T: ℜ →ℜ definida por:
3 2
⎡1⎤ ⎡2⎤ ⎡3⎤
⎡1⎤ ⎡ −2 ⎤ ⎢⎥ ⎢ ⎥ ⎢ ⎥
⎡ X1 ⎤ bases { ⎢ ⎥ , ⎢ ⎥ } de ℜ2 y { ⎢1⎥ , ⎢2⎥ , ⎢0⎥ } de ℜ3.
⎢ ⎥ ⎡X 2 ⎤ ⎣3⎦ ⎣ 4⎦
1.2.1. T( ⎢X 2 ⎥ ) = ⎢ ⎥ ⎢⎣1⎥⎦ ⎢⎣0⎥⎦ ⎢⎣0⎥⎦
⎢⎣ X 3 ⎥⎦ ⎣ X1 ⎦
⎡8⎤
6.2. Calcular mediante esta matriz T( ⎢ ⎥ ).
⎡ X1 ⎤ ⎣3⎦
⎢ ⎥ ⎡2X − X 2 ⎤
1.2.2. T( ⎢X 2 ⎥ ) = ⎢ 1 ⎥
⎢⎣ X 3 ⎥⎦ ⎣ X3 ⎦ ⎡1⎤ ⎡1⎤ ⎡ 1⎤ ⎡0 ⎤
7. Sea T: ℜ2→ℜ2 una T.L. tal que T( ⎢ ⎥ ) = ⎢ ⎥ y T( ⎢ ⎥ ) = ⎢ ⎥ .
1.3. T: M2x2(ℜ)→M2x2(ℜ) tal que T(A) = A + At. ⎣1⎦ ⎣0 ⎦ ⎣ − 1⎦ ⎣1⎦
1.4. T: M2x2(ℜ)→ℜ tal que T(A) = Det(A). Determine la representación matricial de T con respecto a la base
1.5. T: M2x2(ℜ)→ℜ tal que T(A) = Traza(A). ⎡1⎤ ⎡ 1⎤
{⎢ ⎥ , ⎢ ⎥}
2. Para cada una de las funciones anteriores que sean transformaciones ⎣1⎦ ⎣ − 1⎦
lineales determine Kernel, Imagen, Nulidad y Rango.
8. Determine una T.L. T: ℜ3→ℜ3 tal que:
⎡ −1 ⎤
⎡1 ⎤ ⎢ ⎥
3. La función T: ℜ2→ℜ2 es una T.L. y verifica que T( ⎢ ⎥ ) = ⎢ 0⎥ y
⎣ 2⎦ ⎡ X1 ⎤
⎢⎣ 2⎥⎦ ⎢ ⎥
Ker(T) = { ⎢X 2 ⎥ : 2X1 – X2 + X3 = 0}.
⎡ 0⎤ ⎢⎣ X 3 ⎥⎦
⎡ 2⎤ ⎢ ⎥ ⎡3⎤
T( ⎢ ⎥ ) = ⎢ 2⎥ . Determine las imágenes de los vectores ⎢ ⎥ y
⎣1 ⎦ ⎢⎣ −1 ⎥⎦ ⎣3⎦
⎡ 0⎤ ⎡ X1 ⎤
⎢ ⎥ ⎡ X − 2X 3 ⎤
⎢ ⎥. 9. Sea T: ℜ3→ℜ2 una T.L. definida por T( ⎢X 2 ⎥ ) = ⎢ 1 ⎥.
⎣ −1⎦ ⎣ X 2 + X3 ⎦
⎢⎣ X 3 ⎥⎦
230 231
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Determine la matriz asociada a T con respecto a las bases 15. Sean U, V y W espacios vectoriales y T1: V→W y T2: W→U T.L.,
⎡1⎤ ⎡2⎤ ⎡3⎤ tales que T1 y T2 son monomorfismos. Demuestre que T1°T2 es un
⎢⎥ ⎢ ⎥ ⎢ ⎥ ⎡ 2⎤ ⎡0 ⎤ monomorfismo.
{ ⎢1⎥ , ⎢2⎥ , ⎢0⎥ } de ℜ3 y { ⎢ ⎥ , ⎢ ⎥ } de ℜ .
2
232 233
CAPÍTULO 6: TRANSFORMACIONES LINEALES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
234 235
CAPÍTULO 6: TRANSFORMACIONES LINEALES
27. Sea T: M2x2(ℜ)→P3 una T.L. tal que la matriz asociada con T respecto
a las bases B1 y B2 es:
⎡ 0 1 2 3⎤
⎢ ⎥
⎢ 1 3 −1 0⎥
⎢ 2 0 1 − 1⎥
⎢ ⎥
⎣⎢ − 1 2 0 1⎦⎥
⎡1 1⎤ ⎡−1 1⎤ ⎡0 0⎤ ⎡1 −1⎤
B1 = { ⎢ ⎥, ⎢ ⎥, ⎢ ⎥, ⎢ ⎥}
⎣0 0 ⎦ ⎣ 1 0 ⎦ ⎣0 1 ⎦ ⎣ 0 1⎦
B2 = {x3+x2, x2+x, x+1, 1}
⎡0 2 ⎤
27.1. Determine T( ⎢ ⎥ ).
⎣3 1 ⎦
27.2. Demuestre que T es un isomorfismo.
27.3. Determine T-1.
⎡a ⎤
⎢ ⎥ ⎡a − b a + b ⎤
27.4. Sea T2: ℜ3→M2x2(ℜ) tal que T2( ⎢b⎥ )= ⎢ ⎥.
⎢⎣ c ⎥⎦ ⎣a + c b − c⎦
236