Transformaciones lineales

Enrique Morales Rodrguez

enmorarod@gmail.com; enrique.morales@correo.buap.mx

Resumen
La ultima parte del curso de
algebra lineal esta destinada a las transformaciones
lineales. Estas notas inician desde la definicion de transformacion lineal y finaliza
con diagonalizacion, ya en la parte de la matriz asociada a una transformacion lineal
y que son los temas hasta donde abarcara la u
ltima evaluacion parcial del curso en
el semestre de primavera 2015.

Indice
3. Transformaciones lineales
3.1. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . .
3.1.1. Definicion de transformacion lineal . . . . . . . . . . .
3.1.2. N
ucleo e imagen de una transformacion lineal . . . . .
3.1.3. Nulidad y rango de una transformacion lineal . . . . .
3.1.4. Isomorfismos . . . . . . . . . . . . . . . . . . . . . . .
3.2. Matriz de una transformacion lineal . . . . . . . . . . . . . . .
3.2.1. Matriz asociada a una transformacion lineal y matriz de
base . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2. Valores y vectores propios de una transformacion lineal
3.2.3. Diagonalizacion . . . . . . . . . . . . . . . . . . . . . .

. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
cambio de
. . . . . .
. . . . . .
. . . . . .

.
.
.
.
.
.

2
2
2
3
4
5
6

. 6
. 11
. 15

Transformaciones lineales

3.
3.1.

Transformaciones lineales
Transformaciones lineales

Las transformaciones son funciones que mapean un espacio vectorial V en un espacio

vectorial W y se denota por:
T :V W

(1)

y se usa la terminologa estandar para las funciones, esto es, V se llama dominio de T y
W se llama codominio de T .
Si v V y w
W tal que
T (v ) = w

(2)
entonces w
se llama imagen de v bajo T .
El conjunto de todas las imagenes de los vectores en V se llama rango de T y el
conjunto de todos los v V tal que T (v ) = w
se denomina preimagen de w

3.1.1.

Definici
on de transformaci
on lineal
'

Definici
on de transformaci
on lineal
Sean V y W espacios vectoriales. La funcion T : V W se llama transformaci
on lineal de V en W si las dos propiedades siguientes se cumplen para
todo u y v en V y para cualquier escalar c
1. T (u + v ) = T (u) + T (v )
2. T (cu) = cT (u)

&

Teorema 6.1 (Propiedades de las transformaciones lineales)

Sea T una transformacion lineal de V en W , donde u, v V . Entonces
se cumple que:
0 ) = 0
1. T (|{z}
|{z}
V

= T (v )
2. T (v)
3. T (u v ) = T (u) T (v )
4. Si v = c1 v1 + c2 v2 + + cn vn , entonces
T (v ) = T (c1 v1 + c2 v2 + + cn vn )
T (v ) = c1 T (v1 ) + c2 T (v2 ) + + cn T (vn )

Algebra
lineal - primavera 2015

Transformaciones lineales

Transformaciones lineales

Ejemplo: Sea T : R3 R3 una transformacion lineal tal que:

T (1, 0, 0) = (2, 1, 4)
T (0, 1, 0) = (1, 5, 2)
T (0, 0, 1) = (0, 3, 1)
determinar T (2, 3, 2).
Soluci
on:
Dado que (2,3,-2) puede escribirse como la combinacion lineal de la base canonica de
R3
(2, 3, 2) = 2(1, 0, 0) + 3(0, 1, 0) 2(0, 0, 1),
entonces la propiedad del Teorema 6.1 se puede escribir:
T (2, 3, 2) = 2T (1, 0, 0) + 3T (0, 1, 0) 2T (0, 0, 1)
= 2(2, 1, 4) + 3(1, 5, 2) 2(0, 3, 1)
= (7, 7, 0)
99K
3.1.2.

fin del ejemplo

L99

N
ucleo e imagen de una transformaci
on lineal

0 ) = 0 . Queremos
Para cualquier transformacion T : V W , se tiene que T (|{z}
|{z}
V

saber si existen otros vectores v V que produzcan que T (v ) = 0. El conjunto de todos

estos vectores se llamara kernel o n
ucleo de la transofrmacion T .


Definici
on de kernel
Sea T : V W una trasformacion lineal. Entonces, el conjunto de todos los
vectores en V que cumplen que T (v ) = 0 se denomina kernel de T y se denota
por ker(T ).

Ejemplo:
Encuentre el kernel de la transformacion lineal T : R3 R2 definida por T (x) = Ax,
donde
[
]
1 1 2
A=
1 2
3
Soluci
on:
El kernel es el conjunto de todos los x = (x1 , x2 , x3 ) R3 tales que T (x1 , x2 , x3 ) = (0, 0)
3

Algebra
lineal - primavera 2015

Transformaciones lineales

Transformaciones lineales

De donde se obtiene el siguiente sistema homogeneo

[
] x1
[ ]
1 1 2
0
x1 x2 2x3 = 0

x2 =
;

1 2
3
0
x1 + 2x2 + 3x3 = 0
x3
Al escribir la matriz aumentada del u
ltimo sistema lineal, tenemos:
[

1
1

1 2 0
2

x1 = x3
De donde se obtiene que

x2 = x3

Con el parametro t = x3 se obtiene la familia de soluciones

x1

x2 =
1
=
t

t
x3
1
Por lo tanto, el kernel de T esta definido por
ker(T ) = {t(1, 1, 1) : t es un n
umero real}
( Ejercicio 1:
Realizar todos los calculos de este ejemplo. Cuenta para calificacion )

99K
3.1.3.

fin del ejemplo

L99

Nulidad y rango de una transformaci

on lineal

El kernel es uno de los dos subespacios crtico asociados a una transformacion, el otro
es el rango (o alcance).


Definici
on del rango y la nulidad de una transformaci
on lineal
Sea T : V W una trasformacion lineal. La dimension del kernel de T se
llama nulidad de T y se denota como nulidad(T ). La dimension del rango
de T se denominarango de T y se denota como nulidad(T )

Algebra
lineal - primavera 2015

Transformaciones lineales

Transformaciones lineales

Teorema 6.5 (Suma del rango y la nulidad)

Sea T : V W una trasformacion lineal de un espacio vectorial V
n-dimensional a un espacio vectorial W . Entonces, la suma de las dimensiones del rango y el kernel es igual a la dimension del dominio. Es
decir:
rango(T ) + nulidad(T ) = n
o bien,
dim(rango) + dim(kernel) = dim(dominio)

Ejemplo:
Sea T : R3 R3 una transformacion lineal definida por la matriz

1 0 2

A=
0 1
0 0

Encontrar la nulidad de T .
Soluci
on:
Dado que A esta en forma escalonada por renglones y contiene dos renglones diferentes
de cero, su rango es igual a 2. As el rango de T es 2 y la nulidad de T esta dada por
nulidad=dim(dominio)-rango= 3 2 = 1.
99K
3.1.4.

fin del ejemplo

L99

Isomorfismos

Hasta esta parte del curso hemos usado indistintamente vectores y matrices; de hecho,
hemos utilizado las mismas operaciones para unos y para otras, por ejemplo, para espacios
vectoriales R3 y M3,1 las operaciones utilizadas son las mismas, por lo que podramos
considerarlos esencialmente lo mismo. De hecho isomorfo es una palabra griega que
significa de la misma forma (iso=igual, morfos=forma).


Definici
on de isomorfismo
Una transformacion lineal T : V W en la que existe un elemento de W para
cada elemento de V y tanto el espacio vectorial V como el espacio vectorial W
son de dimension n, entonces la transformacion es un isomorfismo.

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

Teorema 6.9 (Espacios isomorfos y dimension)

Dos espacios vectoriales V y W son isomorfos si y solo si tienen la misma
dimension.
Ejemplo:
Los siguientes espacios vectoriales son isomorfos entre s:
a) R4 = espacio de 4 dimensiones
b) M4,1 = espacio de todas las matrices de 4 1
c) M2,2 = espacio de todas las matrices de 2 2
d) p3 = espacio de todos los polinomios de grado menor o igual a 3
e) V = {(x1 , x2 , x3 , x4 , 0) : xi es un n
umero real} (subespacio de R5 )
En este ejemplo se establece que los elementos de los espacios vectoriales enumerados
se comportan de la misma forma que los vectores, a
un cuando son entidades matematicas
distintas.

3.2.

Matriz asociada a una transformaci

on lineal

3.2.1.

Matriz asociada a una transformaci

on lineal y matriz de cambio de
base
Matriz asociada a una transformaci
on lineal

Una transformacion puede representarse al menos de dos maneras:

T (x1 , x2 , x3 ) = (2x1 + x2 x3 , x1 + 3x2 2x3 , 3x2 + 4x3 )

(3)

1 1

x1

x2
1
3
2
T (x) = Ax =

(4)

x3

La segunda representacion es mejor que la primera al menos por tres razones: Es

mas facil de escribir, mas facil de leer y se adapta mejor para utilizarse en tareas de
computo. Ademas, ofrece ventajas teoricas y en esta parte del curso veremos que una

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

transformacion lineal con espacios vectoriales de dimension finita siempre es posible la

representacion matricial.
La clave para representar una transformacion lineal T : V W por medio de una
matriz es determinar como act
ua T sobre una base de V .
Recordemos que la base estandar de Rn , escrita en notacion de columna, esta definida
por:


0
0
1

0 1

B = {e1 , e2 , . . . , en } = , , ,
(5)
..
.. ..

.
.

0
1
0
Teorema 6.10 (matriz estandar de una transformaci
on lineal)
Sea T : Rn Rm una transformacion lineal tal que:

a11

a12

a1n

a21

T (e1 ) =
.
..

a22

, T (e2 ) =

..

a2n

, , T (en ) =

..

am1

am2

amn

Entonces la matriz de m n cuyas n columnas corresponden a T (

ei ),

a11

a21

A=
.
..

a12

a22

..
.

...

am1 am2

a1n

a2n

..
.

amn

es tal que T (v ) = Av para toda v en Rn . A se denomina matriz est

andar
para T .
Ejemplo:
Determine la matriz estandar de la transformacion lineal T : R3 R2 definida por:
T (x, y, z) = (x 2y, 2x + y).
7

(6)

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

Soluci
on: Se empieza por encontrar las imagenes de e1 , e2 y e3 :
Para e1 , le aplicamos la transformacion definida en la ecuacion (6):
El primer vector de la base, esta dado por T (1, 0, 0), con x = 1, y = 0 y z = 0, por lo
que al sustituir estos valores en la ecuacion 6, tenemos:
T (e1 ) = [1 2(0), 2(1) + 0] = (1, 2)
que escrito en su forma matricial, tenemos:

T (e1 ) = T
0 =

]
.

0
De la misma manera, procedemos con los vectores base restantes y obtenemos:

T (e2 ) = T
1 =

]
.

0
y

T (e3 ) = T
0 =

]
.

1
Aplicando el teorema 6.10, tenemos que las columnas de A constan de T (e1 ), T (e2 ) y
T (e3 ), entonces:
[
A = [T (e1 ) : T (e2 ) : T (e3 )] =

1 2 0
2

99K

fin del ejemplo

]
.

(7)

0
L99

NOTA: Veamos que por simple inspeccion (con un poco de practica) podemos escribir la matriz de transformacion escribiendo en cada renglon los coeficientes de cada
componente de la transformacion: en nuestro ejemplo, en la matriz (7), el primer renglon
8

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

corresponde al primer componente de la transformacion y como no tiene zeta le correspondio un cero; en la ecuacion (6): 1x 2y + 0z y en la matriz (7): 1 2 0.
Ejemplo: 2: Por simple inspeccion escribir la matriz de la transformacion dada por:
T (x1 , x2 , x3 ) = (x1 2x2 + 5x3 , 2x1 + 3x3 , 4x1 + x2 2x3 )
Soluci
on:

99K

1 2

A=
2

fin del ejemplo

L99

Matriz de cambio de base

Sea V un espacio vectorial de dimension finita y sean B = (b1 , b1 , . . . , b1 ) y B =
(b1 , b1 , . . . , b1 ) dos bases ordenadas para V . Nuestro trabajo en esta parte del curso es
encontrar una matriz C que transforme el vector columna vb del vector v V , en el
vector columna vb , esto es, debe cumplirse que:
Cvb = vb

(8)

Y para ello enunciamos el siguiente teorema:

Teorema (matriz de cambio de base)
Sean B = (b1 , b1 , . . . , b1 ) y B = (b1 , b1 , . . . , b1 ) bases ordenadas para
el espacio vectorial V . La matriz C de cambio de base respecto a las
bases B, B que satisface la ecuacion (8) se halla reduciendo la matriz
aumentada:
[
]

b1 , b1 , . . . , b1 | b1 , b1 , . . . , b1
a [I|C].
Esta matriz C es invertible y su inversa es la matriz de cambio de base
respecto a B , B
Ejemplo: 1:
Considerar la base ordenada B = [(1, 1, 0), (1, 0, 1), (0, 1, 1)] para R3 . Hallar la matriz
de cambio de base respecto a las bases E, B, donde E es la base ordenada canonica para
R3 .
9

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

Soluci
on:
Recordemos que la base canonica para R3 es:

1 0 0

E=
0 1 0
0 0 1
Aplicando el teorema, ya con B escrita en forma matricial, tenemos:

1 1 0 1 0 0

1 0 1 0 1 0

0 1 1 0 0 1
a la cual hay que aplicarle la reduccion de Gauss-Jordan, para obtener
( Ejercicio 2:

Realizar la reduccion Gauss-Jordan que menciona este ejemplo. Cuenta para calificacion ):

1
2

1 0 0

21

1
2

0 1 0 12 21

0 0 1 12 12

1
2

1
2

Por lo tanto la matriz de cambio de base C es:

C=

99K

1
2

1
2

12

1
2

12

1
2

21

1
2

1
2

fin del ejemplo

L99

Ejemplo: 2:
Sea el vector definido en la base canonica en R3 :

4
10

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

Usando la matriz de cambio de base del ejercicio anterior, encontrar las coordenadas
de dicho vector respecto a B.
Soluci
on:
Sabemos que C vE = vB , as que multiplicamos:
Ejercicio 3:
Realizar la multiplicaci
on indicada en este ejemplo. Cuenta para calificacion

1
2

1
2

12

1
2

12

1
2

12

1
2

1
2

4
=
2

4
0

As que con respecto a la base B, el vector tiene coordenadas:

0
Significado de este ejemplo: Ya debemos saber que la mencionada base canonica
no es otra cosa que los ejes coordenados x, y y z (del sistema cartesiano), as que las
coordenadas del vector son las distancias perpendiculares del final del vector hacia cada
uno de los ejes. La nueva base significa que se ha definido un nuevo sistema cartesiano
llamado B y las nuevas coordenadas (el resultado del segundo ejemplo) son las distancias
perpendiculares del final del mismo vector pero ahora con respecto a los nuevos ejes. En
cursos mas adelantados se vera algo parecido que se llamara rotaci
on de ejes.
99K
3.2.2.

fin del ejemplo

L99

Valores y vectores propios de una transformaci

on lineal

En la literatura generalmente se maneja el nombre de eigenvalor para el valor propio

y eigenvector para el vector propio, esto debido a que en aleman eigenwert significa,
precisamente, valor propio.
Si consideramos a una matriz A de n n, nuestro interes se centra en descubrir si
existen vectores x Rn tales que sean m
ultiplos escalares precisamente del vector x,
esto es, que cumplan que:
Ax = x

(9)

El valor escalar se llama eigenvalor y el vector x se llama eigenvector .

11

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

'

Definici
on de eigenvalor y eigenvector
Sea A una matriz de n n. El escalar se denomina eigenvalor de A si existe
un vector x diferente de cero tal que

Ax = x
El vector x se llama eigenvector de A correspondiente a .

&

Ejemplo:
Comprobar que x = (1, 0) es un eigenvector de la matriz A correspondiente al eigenvalor = 2
[
A=

0 1

Soluci
on:
Multipliquemos A por x:
[
Ax =

0 1

][

1
0

[
=

2
0

[
=2

1
0

Por lo que podemos concluir que efectivamente, = 2 y el vector x es el mismo, tanto

para la matriz A como para el eigenvalor.
Teorema 7.2 (Eigenvalores y eigenvectores de una matriz)
Sea A una matriz de n n
1. Un eigenvalor de A es un escalara tal que
det(I A) = 0

(10)

2. Los eigenvectores de A correspondientes a son las soluciones diferentes de cero de

(I A)x = 0

(11)

La cantidad entre parentesis de la ecuacion 10 se llama ecuaci

on caracterstica de A y
cuando se desarrolla en forma de polinomio, este se llama polinomio caracterstico, esto
es:
12

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

|I A| = cn n + cn1 n1 + + c1 1 + c0

(12)

La determinacion de los eigenvalores y de los eigenvectores es uno de los principales

problemas que se solucionan en ingeniera. A continuacion veremos ejemplos para determinarlos.
Ejemplo: Encontrar los eigenvalores y los eigenvectores de la matriz:
[
A=

2 12
1

]
(13)

Soluci
on:
Primera parte: encontrar los eigenvalores
Formemos la ecuacion caracterstica de la matriz; necesitamos (I A), entonces, para
nuestro caso, I es:
[

1 0

I=

Al multiplicar por , tenemos:

1 0

I =

0 1

=
0 1

Y si a este resultado le restamos A, tenemos

[
|I A| =

2 12
1

[
+

2 12
1

[
=

12

+5

y procedemos a encontrar el determinante:

[
det

12

+5

]
= ( 2)( + 5) (1)(12)
= 2 + 3 10 + 12
= 2 + 3 + 2
= ( + 1)( + 2)

(14)

Entonces las races del polinomio caracterstico (14) son los eigenvalores de la matriz
(13):
1 = 1
2 = 2
13

(15)
(16)

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

Segunda parte: encontrar los eigenvectores

Para ello aplicamos la reduccion Gauss-Jordan para resolver dos veces el sistema lineal
homogeneo dado por (I A)v = 0, primero para 1 = 1 y despues para 2 = 2.
Para 1 = 1, la matriz de coeficientes es:
[
] [
]
1 2
12
3 12
(1)I A =
=
1
1 + 5
1 4
y al aplicarle la reduccion de Gauss-Jordan, tenemos:
[
]
1 4
0

Que indica que para el sistema lineal existe un n

umero infinito de soluciones, entonces,
de la ecuacion del primer renglon:
x1 4x2 = 0

(17)

Tomamos el parametro x2 = t
por lo que todo eigenvector de 1 es de la forma:
[
] [
]
[ ]
x1
4t
4
x =
=
=t
,
x2
t
1

t = 0

Procedemos de la misma panera para 2 = 2, y tenemos:

[
(2)I A =

2 2

12

2 + 5

[
=

4 12
1

y al aplicarle la reduccion de Gauss-Jordan, tenemos:

[
]
1 3
0

Ahora, si tomamos el parametro x2 = t en x2 3x2 = 0, todo eigenvector para 2 es

de la forma:
[
] [
]
[ ]
x1
3t
3
x =
=
=t
, t=
0
x2
t
1
99K

fin del ejemplo

14

L99

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

NOTA: En realidad encontrar los eigenvalores es un tanto complicado ya que se deben

encontrar las races del polinomio caracterstico, cosa que no siempre resulta facil, pues en
nuestro ejemplo tenemos un polinomio de segundo grado ya que la matriz era de 2 2; si
la matriz es de 3 3 el polinomio sera de tercer grado y as por el estilo. En este curso nos
dedicamos exclusivamente a las races reales del polinomio caracterstico, pero no siempre
existen solo races reales.
3.2.3.

Diagonalizaci
on

Para enfrentar este tema debemos primero estudiar sobre la semejanza de matrices.
Matrices semejantes
'

Definici
on de matrices semejantes
Para matrices cuadradas A y A de orden n, se dice que A es semejante a A
si existe una matriz invertible P tal que:

A = P 1 AP
&

Ejemplo: Las matrices

[
A=

[
A =

son semejantes ya que A = P 1 AP con

[

1 1

P =
0 1
( Ejercicio 4:

Realizar la comprobacion haciendo la multiplicacion P 1 AP )

Diagonalizaci
on
Recordemos que una matriz cuadrada diagonal es aquella cuya diagonal principal esta
formada por valores diferentes de cero y las zonas triangulares por encima y por abajo de
la diagonal principal estan formadas por ceros 1


Definici
on de matriz diagonalizable
Una matriz de nn es diagonalizable si A es semejante a una matriz diagonal.
Es decir, A es diagonalizable si existe una matriz invertible P tal que P 1 AP
es una matriz diagonal.

Como en las matrices identidad I, pero ahora en la diagonal pueden estar valores diferentes de 1

15

Algebra
lineal - primavera 2015

Transformaciones lineales

Matriz de una transformacion lineal

Ejemplo: 1: Verificar si la matriz

1 3

A=
3 1

0 0 2
es diagonizable con P :

1
1
0
P =

Soluci
on:
Debe demostrarse que las matrices cumplen que:

4 0
0

P 1 AP =
0 2 0
0
( Ejercicio 5:

Encontrar P 1 y realizar la multiplicacion P 1 AP )

Ejemplo: 2:
Demostrar que la matriz

1 1

A=
1

es diagonalizable y determinar una matriz P que cumpla que P 1 AP sea diagonal.

Soluci
on:
Primero debemos encontrar la matriz P , Esto se logra encontrando los eigenvalores y
los eigenvectores de A.
El polinomio caracterstico de A es:

1
1
1

= ( 2)( + 2)( 3)
1

3
1
|I A| =

+1
16

Algebra
lineal - primavera 2015

Transformaciones lineales
( Ejercicio 6:

Matriz de una transformacion lineal

Realizar las operaciones indicadas para llegar al resultado mostrado )

Por lo tanto los eigenvalores son 1 = 2, 2 = 2 y 3 = 3. Usando los eigenvalores,

podemos encontrar los eigenvectores, y son, respectivamente:
Ejercicio 7: (VALOR: DOS PUNTOS)
Entregar en hojas blancas correctamente encontrados los eigenvectores.
Pueden consultar la pagina 440 del libro, valido solo con todos los calculos

0 ,

y seran las columnas de la matriz P :

P =
0

1
La inversa de P es:

( Ejercicio 8:

1 1 0
1
5

1
5

1
5

1
5

Realizar las operaciones indicadas para encontrar P 1 )

Entonces se concluye que:

0
2
0
P =

( Ejercicio 9:

Realizar la multiplicacion P 1 AP )

FIN
17

de las notas

Algebra
lineal - primavera 2015