INGENIERIA EN SISTEMAS

COMPUTACIONALES

ALGEBRA LINEA
Unidad 5 Transformaciones
lineales.
Luis Angel Ramirez Cruz
No. De Control: 14071262

Dra. Rosa Gabriela Cameron Berrones

Hora: 10:00 am a 11:00 am

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.

La transformación Id: V → V definida por Id(x) = x se llama transformación de la identidad. Esta

transformación es claramente lineal.

Propiedades generales de transformaciones lineales

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.

Además, sea V y W espacios vectoriales sobre F. Entonces, cada transformación lineal T: V → W es

determinado únicamente por sus valores sobre una base de V. Por otra parte, si v1. . . vn es una base de V
y w1, . . ., wn son vectores arbitrarios en W, entonces existe una transformación lineal única T: V → W tal
que T (vi) = wi para cada i. En otras palabras, hay una transformación lineal única con los valores dados en
una base.

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.

El resultado de la suma de 2 o más transformaciones lineales, la multiplicación de una transformación lineal

por número particular, y la multiplicación de 2 transformaciones lineales, son siempre transformaciones
lineales. Una transformación lineal en la cual su identidad es descrita en el espacio euclidiano siempre es
auto-adjunta en el caso de que la matriz A correspondiente sea simétrica en cualquier base ortonormal.
Una transformación lineal que es auto-adjunta y se describa en una dimensión finita unitaria, el espacio
(euclidiano) contiene una base ortonormal en la cual su matriz lleva una forma diagonal.

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.

5.2 Nucleó E Imagen De Una Transformación Lineal

En esta sección se desarrollan algunas propiedades básicas de las transformaciones lineales.

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.

Por lo tanto, T1v =T2v.

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.

Así, se puede calcular Tv para cualquier vector vϵ V si se conocen Tv1,Tv2,….Tvn.

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.

Sea T una transformación lineal de R3 en R2 y suponga que

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.

Definición 1 Núcleo e imagen de una transformación lineal

Sean V y W dos espacios vectoriales y sea T:V W una transformación lineal. Entonces.

El núcleo de T, denotado por un, está dado por

2. La imagen de T, denotado por Im T, esta dado por

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.

Observación 2. La imagen de T es simplemente el conjunto de “imágenes” de los vectores en V bajo la

transformación T. De hecho, si w = Tv, se dice que w es la imagen de v bajo T.

Antes de dar ejemplos de núcleos e imágenes, se demostrará un teorema de gran utilidad.

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

1.- Un T es un subespacio de V…

2.- Im T es un subespacio de W.

Demostración

1.- Sean u y v en un T; Entonces T(u + v) = Tu + Tv =0 + 0 =0 y T( ) = = 0 = 0 de forma que u + v y ∝u están en

un T.

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.

Ejemplo 3. Núcleo e imagen de la transformación cero

Sea Tv = 0 para todo vϵ V(T es la transformación cero). Entonces un T = v e Im T = {0}.

Ejemplo 4. Núcleo e imagen de la transformación identidad

Sea Tv = v para vϵ V(T es la transformación identidad). Entonces un T= {0} e Im T = V.

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.

Ejemplo 5. Núcleo e imagen de un operador de proyección

Sea T:R3 R3 definida por

T es el operador de proyección de R3 en el plano xy.

Entonces x = y = 0. Así, nu T = {(x,y,z):x = y = 0, zϵR}, es decir, el eje z, e Im T = {(x,y,z): z = 0}, es decir
el plano xy. Observe que dim un T = 1 y dim Im T = 2.

Definición 2. Nulidad y rango de una transformación lineal

Si T es una transformación lineal de v en w, entonces se define.

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.

5.3 La Matriz De Una Transformación Lineal

La matriz de una transformación lineal
Desde el punto de vista algebraico lineal, las transformaciones más importantes son las aquellas que
conservan las combinaciones lineales. Estas son llamadas transformaciones lineales o aplicaciones
lineales. Una transformación lineal es una parte esencial en el álgebra lineal. La idea principal detrás
de la “Matriz de una transformación lineal” es la definición de la matriz de T con respecto a las bases
arbitrarias del dominio de V y el codominio de W. En este caso, V y W son espacios vectoriales de
dimensión finita sobre F, y T: V → W es una transformación lineal.

Sea V y W espacios vectoriales de finita dimensión sobre F, e imagina que T: V! W es lineal. Fija una
base

B = {v1, v2. . . vn}

de V y una base de

B0 = {w1, w2. . . wm}

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.

(T(v1) T(v2) • • • T(v n)) = (w1 w2 • • •wm)MBB ’(T).

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.

Sea B la base {1, x, x2, x3} de V y B0 la base {1, x, x2} de W. Ahora,

D (1) = 0, D(x) = 1, D(x2) = 2x, D(x3) = 3×2.

Así MBB’(D) =

Ahora bien, supongamos que T: V → V es una transformación lineal diagonalizable (o semi-simple).

Recordemos que esto significa que existe una base B = {v1, v2. . . vn} de V tal que (vi) = vi para cada
índice i entre 1 y n. Por lo tanto, B es una base propia de V para T. En este caso, MBB (T) es la matriz
diagonal.

5.4 Aplicación de las transformaciones lineales: reflexión, dilatación, contracción y

rotación.
Reflexión sobre el eje x

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 una gráfica, vemos la situación como sigue:

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:

Esta transformación se llama la reflexión sobre el eje x, y es lineal, ya que:

Ejemplo dilatación o expansión

Una dilatación es una transformación que incrementa distancias.

Sea V= (2 4) encontrara la expansión vertical cuando K=2xpansión horizontal (k71) o contracción (0<k<1)

Expansión vertical (k71) o contracción (0<k<1)

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.

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 Ø.

Sea 0 ≤ Ø < 2π un ángulo medido en radianes. Queremos averiguar cuál es la transformación T de R2 en

R2 que gira cada vector un ángulo Ø, para obtener un vector

En una gráfica, vemos la situación como sigue:

Si usamos las funciones trigonométricas, tenemos que:

Distribuyendo y usando el hecho de que y tenemos que:

Por lo tanto, ya descubrimos cómo debe estar definida la transformación tal

que

Esta transformación se llama la rotación por un ángulo Ø y es lineal, ya que: