Académique Documents
Professionnel Documents
Culture Documents
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
(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)
&
= 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
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
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
[
] 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
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.
L99
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
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.
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
3.2.
3.2.1.
(3)
1 1
x1
x2
1
3
2
T (x) = Ax =
(4)
x3
Algebra
lineal - primavera 2015
Transformaciones lineales
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
a11
a21
A=
.
..
a12
a22
..
.
...
am1 am2
a1n
a2n
..
.
amn
(6)
Algebra
lineal - primavera 2015
Transformaciones lineales
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
]
.
(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
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
L99
(8)
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
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
C=
99K
1
2
1
2
12
1
2
12
1
2
21
1
2
1
2
L99
Ejemplo: 2:
Sea el vector definido en la base canonica en R3 :
4
10
Algebra
lineal - primavera 2015
Transformaciones lineales
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
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.
L99
(9)
Algebra
lineal - primavera 2015
Transformaciones lineales
'
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
(10)
(11)
Algebra
lineal - primavera 2015
Transformaciones lineales
|I A| = cn n + cn1 n1 + + c1 1 + c0
(12)
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=
1 0
I =
0 1
=
0 1
2 12
1
[
+
2 12
1
[
=
12
+5
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
(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
2 2
12
2 + 5
[
=
4 12
1
L99
Algebra
lineal - primavera 2015
Transformaciones lineales
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
&
[
A =
1 1
P =
0 1
( Ejercicio 4:
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
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:
Ejemplo: 2:
Demostrar que la matriz
1 1
A=
1
1
1
1
= ( 2)( + 2)( 3)
1
3
1
|I A| =
+1
16
Algebra
lineal - primavera 2015
Transformaciones lineales
( Ejercicio 6:
0 ,
P =
0
1
La inversa de P es:
( Ejercicio 8:
1 1 0
1
5
1
5
1
5
1
5
0
2
0
P =
( Ejercicio 9:
Realizar la multiplicacion P 1 AP )
FIN
17
de las notas
Algebra
lineal - primavera 2015