Académique Documents
Professionnel Documents
Culture Documents
Algebra Lineal
Transformaciones Lineales
Transformaciones Lineales
Autor:
Rosas Hernandez Oscar Andres
ndice general
1. Transformaciones Lineales 3
1.1. Definicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Kernel e Imagen 7
2.1. Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2. Imgen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3. Propiedades de Ambas . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4. Ejemplos de Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5. Ejemplos de Imgen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3. Tipos de Transformaciones 14
3.1. Transformacin Inyectiva . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2. Transformacin Suprayectiva . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3. Isomorfismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.4. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4.1. Biyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4.2. Inyectiva y Suprayectiva . . . . . . . . . . . . . . . . . . . . . . 17
3.5. Ejemplos de Inyectivas / Suprayectivas . . . . . . . . . . . . . . . . . . 19
3.6. Ejemplos de Isomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . 21
4. Matriz Asociada 23
4.1. Encontrar T usando una Base . . . . . . . . . . . . . . . . . . . . . . . 24
1
ndice general ndice general
4.1.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2. Matriz Asociada a Base Cannica . . . . . . . . . . . . . . . . . . . . . 27
4.2.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3. Matriz Asociada a Sistemas de C. . . . . . . . . . . . . . . . . . . . . . 29
4.4. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.5. Matriz Semejante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Transformaciones Lineales
3
Captulo 1. Transformaciones Lineales 1.1. Definicin
1.1. Definicin
Sea V y W dos espacios vectoriales. Una Transformacin Lineal de V a W es una
funcin que asocia a cada vector que pertenezca al espacio V a un nico vector que
pertenece a W , es decir con matemticas:
v V w W | T (v) = w
Pero adems para considerarlo una Transformacin Lineal se tiene que cumplir que
para 2 vectores cuales quiera en el espacio V y para cualquier escalar que pertenezca al
campo K (o dicho con matemticas formales: v1 , v2 V y K ) las dos siguientes
proposiciones siempre son verdaderas:
T (v1 ) = T (v1 )
1.2. Propiedades
Combinacin Lineal
Operador Lineal
1.3. Ejemplos
Ejemplo 1:
T (v1 ) =
x x
=T y
= T y
z z
x
x z xz
= = = T y
y + z y+z
z
= T (v1 )
Por lo tanto las 2 propiedades se cumplen as que si que es una transformacin lineal.
Ejemplo 2:
Esta muere de una manera muy estpida, pues no lleva el cero vector al nuevo cero
vector XD.
Kernel e Imagen
7
Captulo 2. Kernel e Imagen 2.1. Kernel
2.1. Kernel
El Kernel de una Transformacin Lineal o Ncleo es el conjunto de todos los vectores
originales (osea v V ) tales que al momento de aplicarles la transformacin estos son
llevados al origen (osea 0w )
O dicho con el bello lenguaje de matemticas:
Recuerda que un Kernel siempre siempre sera un Subespacio Vectorial y solemos llamar
a su dimensin la Nulidad.
Podemos decir que el Kernel es el espacio solucin del Sistema Homogneo.
{x K m | Ax = 0m1 }
2.2. Imgen
Tambien tenemos a la hermana perdida del Kernel, la llamamos la Imgen, la cual la
definimos as:
La Imgen de una Transformacin Lineal es el conjunto de todos los vectores nuevos
(osea w W ) que podemos crear desde los vectores originales (osea v V ) usando
la Transformacin Lineal.
O dicho con el bello lenguaje de matemticas:
Recuerda que una Imagen siempre siempre sera un Espacio Vectorial y solemos llamar
a su dimensin Rango.
Podemos decir que el Imagen es el conjunto de terminos independientes para los cuales
hay solucin.
{b K m | x K m , Ax = b}
Encontrar la Dimensin de V
Estas deacuerdo que todos los vectores que pertenecen a V o bien son llevados al cero
vector o a un vector cualquiera, as que tiene sentido hablar de que:
La Suma de la Nulidad con el Rango te da la dimensin de V
Kernel(T ) = { a b c R3 | T a b c = 0 + 0x + 0x2 }
Veamos que para hacerlo solo basta con que cumplan que:
a+b=0
ac=0
2a + b + c = 0
a+b=0 b = a
ac=0 c=a
Kernel(T ) = {(a, b, c) R3 | b = a, c = a}
Kernel(T ) = {(a, a, a) R3 | a R}
Y si te das cuenta estas ya describiendo un espacio vectorial que esta definido como:
Sera tal vez una linea, pero no deja de ser espacio vectorial, cuyo vector base es:
Ejemplo 2
2
el Kernel de la siguiente Transformacin Lineal: T : R R1 [x] tal que:
Encuentra
T a b = (a b) + (a + b)x
Lo que nos estan pidiendo es:
Kernel(T ) = { a b R2 |
T a b = 0 + 0x}
Veamos que para hacerlo solo basta con que cumplan que:
ab=0
a+b=0
Y como vemos que su determinante no es cero eso quiere decir que el sistema
homogeneo asociado tiene una nica solucin.
La trivial, es decir solo lleva al cero vector al cero vector.
As: Kernel(T ) =< { 0 0 } >
Esto sigue siendo un espacio vectorial, es un punto, un espacio de 0 dimensiones, y por
lo tanto la dimensin de este espacio vectorial es 0.
a + b = a0
a c = a1
2a + b + c = a2
Y pos preguntas para que valores de a0 , a1 , a2 tiene solucin el sistema que planteamos
all arriba.
Es decir lo que tenemos que hacer es ver las soluciones de este sistema de ecuaciones,
podemos hacer Gauss - Jordan:
1 1 0 a0 1 1 0 a1
1 0 1 a1 U sando:GaussJordan 1 0 1 a0 a1
2 1 1 a2 0 0 0 a2 a1 a0
a2 a1 a0 = 0 a2 = a1 + a0
Y si te das cuenta estas ya describiendo un espacio vectorial que esta definido como:
Imagen(T ) = {(1 + x2 ) + (x + x2 )| , R}
Ejemplo 2
2
la Imgen de la siguiente Transformacin Lineal: T : R R1 [x] tal que:
Encuentra
T a b = (a b) + (a + b)x
Lo que nos estan pidiendo es:
a b = a0
a + b = a1
Y como vemos que su determinante no es cero eso quiere decir que el sistema
asociado tiene soluciones infinitas.
As: Imagen(T ) =< { 1, x } >
Esto sigue siendo un espacio vectorial, un espacio de 2 dimensiones, y por lo tanto la
dimensin de este espacio vectorial es 2.
Tipos de Transformaciones
14
Captulo 3. Tipos de Transformaciones 3.1. Transformacin Inyectiva
3.3. Isomorfismo
Sea T : V W una transformacin lineal.
Decimos que dos espacios vectoriales V y W son isomorfos si y solo si es que existe
una transformacin lineal (T ) biyectiva (es decir, que es inyectiva y suprayectiva) entre
estos espacios.
Hablemos mas de esta definicin.
El hecho de que dos espacios sean isomorfos nos dice que existe al menos una
transformacin lineal biyectiva, pero no nos dice que cualquier T que tomemos ser
biyectiva.
Decimos tambin que si encontramos dicha T que es biyectiva entre dos espacios iso-
morfos la solemos llamar un isoformismo.
Equivalencia
Podemos ademas saber que el hecho de que 2 espacios seas isomorfos (digamos que lo
dibujamo como
=) es una relacin de equivalencia. Esto quiere decir que:
V
=V
(V
= W ), entonces (W
= V)
(V
= W ) y (W
= U ), entonces (V
= U)
Se Conservan Propiedades
3.4. Propiedades
3.4.1. Biyectivas
Recuerda que decimos que una transformacin lineal es biyectiva si es inyectiva y
suprayectiva.
Sea T : V W , entonces:
Si sabemos que dim(V ) = dim(W ) Entonces los siguientes enunciados son equivalentes:
T es inyectiva
T es suprayectiva
T es biyectiva
Es decir, si tenemos esta gran informacin acerca de las dimensiones entonces basta
con encontrar si la transformacin es inyectiva o suprayectiva y sabiendo eso tendremos
toda la informacin.
Ejemplo 1
Verificar si las siguiente transformacin lineal si es Inyectiva o Suprayectiva:
2 a
T : R R2 [x] tal que: T = (a b) + (a)x + (a + b)x2
b
Suprayectiva
Para que fuera suprayectiva, una base de R2 tras ser transformada debera ser un capaz
de generar a R2 [x] pero propongamos a la base cannica de R2 y esta no puede ser
base para R2 [x] pues necesito mnimo 3 vectores para generar a R2 [x].
Por lo tanto no es Suprayectiva.
Y por esto mismo, tampoco es biyectiva.
Ejemplo 2
Verificar si las siguiente transformacin lineal si es Inyectiva o Suprayectiva:
ab+c
a b
T : M22 (R) R3 tal que T = dc
c d
a + b c
Inyectiva
Podemos verlo usando la contrapositiva de una proposin ms famosa, basicamente es
que si tienes un conjunto de de vectores base que al aplicarles la transformacin lineal
estos se vuelven un conjunto dependientes, entonces no es inyectiva, y eso lo podemos
ver con la base canonica:
1 1 1 0
1 0 0 1 0 0 0 0
T = 0 ,T
= 0 ,T
= 1 , T
= 1 ,
0 0 0 0 1 0 0 1
1 1 1 0
Suprayectiva
Para que fuera supreyectiva, una base de R2 tras ser transformada debera ser un capaz
de generar a R3 pero propongamos a la base canonica y ya vimos que esto no lo hace.
Por lo tanto no es Suprayectiva :(
Ejemplo 1
Verificar si las siguiente transformacin lineal si es un isomorfo:
T : R3 R2 [x] tal que:
a
T b = (a + b) + (a + c)x + (b + c)x2
c
Inyectiva
Podemos ver que el Kernel solo contiene el cero vector, todo lo que hay que hacer es que
hay que ver el que cualquier elemento del Kernel tiene que ser aquel con a = b = c = 0
para verlo basta ve la matriz:
1 1 0 a 0
1 0 1 b = 0
0 1 1 c 0
Y vemos que su determiante no es cero (es 2 :p) por lo tanto el sistema homogneo
solo tiene la solucin trivial, es decir, donde todo es cero.
Por lo tanto es Inyectiva.
Suprayectiva
Lo que nos piden es ver la solucin a:
1 1 0 a a0
1 0 1 b = a1
0 1 1 c a2
Y vemos que esto si que genera a R2 [x], pues ambos espacios tienen la misma dimensin
y ya probamos que es una transformacin lineal.
Por lo tanto es Inyectiva.
Por lo tanto si que es Isomorfismo.
Ejemplo 2
Verificar si las siguiente transformacin lineal si es un isomorfismo:
T : R3 R2 [x] tal que:
a
T b = (a + b 2c) + (a 2b + c)x + (2a + b + c)x2
c
Inyectiva
Podemos intentar ver que el Kernel solo contiene el cero vector, todo lo que hay que
hacer es que hay que ver el que cualquier elemento del Kernel tiene que ser aquel con
a = b = c = 0 para verlo basta ve la matriz:
1 1 2 a 0
1 2 1 b = 0
2 1 1 c 0
Y vemos que su determiante es cero por lo tanto el sistema homogeneo NO solo tiene
la solucin trivial, es decir, donde todo es cero.
Por lo tanto es NO Inyectiva.
Por lo tanto NO es Isomorfismo.
Matriz Asociada
23
Captulo 4. Matriz Asociada 4.1. Encontrar T usando una Base
4.1.1. Ejemplos
Ejemplo 1
Sea T : R3 R2 [x] tal que:
1
T 1 = 3 x + 3x2
0
1
T 0 = 2 + 2x + x2
1
0
T 1 = 1 x
1
Bueno, creo que esta de ms decir que estos 3 vectores son una base, as que veamos
como describir cualquier vector en esta base:
a 1 1 0 1 + 2
b = 1 1 + 2 0 + 3 1 = 1 + 3
c 0 1 1 2 + 3
1 1 1 0
= 2 1 0 1
3 0 1 1
Luego, basta con saber cuanto vale cada escalar de esta manera, usando Gauss-Jordan:
1 1 0 a 1 1 0 a 1 1 0 a
1
0 1 b 0 1 1 a + b 0 1 1 a b
0 1 1 c 0 1 1 c 0 1 1 c
1 0 1 b 1 0 1 b 1 0 0 a+bc
2
0
1 1 a b 0 1 1 a b 0 1 0 ab+c2
0 0 2 a + b + c 0 0 1 a+b+c 0 0 1 a+b+c
2 2
Y lo mas genial es que ya sabemos todo lo que vale eso, as que vamos a sustituir:
a+bc ab+c a+b+c
2
(3 x + 3x2 ) + 2
(2 + 2x + x2 ) + 2
(1 x)
Y si hicieramos el algebra veremos que los podemos reordenar como:
(3b 3c) + (a 2b + c)x + (2a + b c)x2
Y bingo, ya la tenemos :)
[T ] = [T (v1 )] [T (v2 )] [T (vn )]
4.2.1. Ejemplos
Ejemplo 1
Encontremos la matriz asociada a la transformacin:
T : R2 R1 [x] tal que: T a b = (a b) + (a + b)x
[T ] = [T (v1 )] [T (v2 )] [T (vn )]
1 0
[T ] = [T ] [T ]
0 1
[T ] = [1 + x] [1 + x]
1 1
[T ] =
x x
1 1
[T ] =
1 1
Ejemplo 2
Encontremos la matriz asociada a la transformacin:
a
3 2 2x y
T : R R tal que: T b =
x+z
c
Esto creo es de lo ms sencillo que podemosa hacer, mira:
[T ] = [T (v1 )] [T (v2 )] [T (vn )]
1 0 0
[T ] = [T 0] [T 1] [T 0]
0 0 1
2 1 0
[T ] = [ ] [ ] [ ]
1 0 1
2 1 0
[T ] =
1 0 1
4.4. Propiedades
Veamos que necesitamos primero para empezar:
T 1, T 2, T 3 : W V
Sean B1 , B2 , B3 bases de V
Sean B4 , B5 , B6 bases de W
Sean B7 bases de U
[ T 1 ]B1 B4 = [T 1 ]B1 B4
[T 1 ]B2 B5 = C B5 [T 1 ]B1 B4 C B1
B4 B2
Ejemplo
2 2x y z
Tengamos una T : R R que la podemos ver como:
x y 3z
Tengamos dos Bases, digamos:
B1 La Base cannica:
1 0 0
0 , 1 , 0
0 0 1
B2 La Base cannica:
1 0
, ,
0 1
Ejemplo
2 2 x x + 2y
Tengamos una T : R R que la podemos ver como: T =
y y
Tengamos dos Bases, digamos:
B3 Ahora si la cannica:
1 0
, ,
0 1
Entonces tenemos que si quisieramos encontrar [T ] solo habra que factorizar las in-
cognitas:
!
1 0
[T ]B3 (R2 )B3 (R2 ) = T( T(
0 B3 (R2 )) 1 B3 (R2 ))
!
1 0
=
0 B2 (R2 ) 1 B2 (R2 )
1 0
=
0 1
B = P 1 AP (4.1)
34
Captulo 5. Valores y Vectores Propios 5.1. Valor Caracterstico
Av = v (5.1)
E = {v K n |Av = v} (5.2)
Tambien podemos ver que para encontrar los valores caracteristicos, gracias a la defi-
nicin basta con que saquemos el determinante de esta expresin:
|A In | (5.3)
5.1.1. Propiedades
Sea A Mnn (K) y sea , 1 , 2 un valores caractersticos de A.
Sea v1 y v2 vectores caractersticos asociados a 1 y 2 respectivamente.
Entonces tenemos que:
E es un subespacio vectorial de k n
Si 1 6= 2 , entonces E1 1 E2 = {0v }
Ejemplo
4 4 2 1 6 1
0 2 1 1 = 1 = 6 1
6 6
2 2
3 2 1 3
4 3
Ejemplo
E = {v K n |Av = v}
E2 = {v K 2 |Av = (2)v}
x
E2 = { 1 K 2 |Av = (2)v}
x2
x
E2 = { 1 K 2 |Av = (2)v}
x2
x1 2 10 18
E2 = { K | v = (2)v}
x2 6 11
x1 10 18 x1 x
E2 = { K | 2
= (2) 1 }
x2 6 11 x2 x2
x 10x1 18x2 x1 2x1 0
E2 = { 1 K 2 | = }
x2 6x1 11x2 2x2 0
x1 2 12x1 18x2 0
E2 = { K | = }
x2 6x1 0x2 0
1 32
0 0
Por lo tanto son cualquier vector que cumpla que: x1 32 x2 = 0, es decir que x1 = 3
2
3
x
Por lo tanto podemos reescribir nuestro vector como: 2 2
x2
3
Que si te das cuenta los los vectores que se generan con esta base: {x2 < 2 >}
1
Ejemplo
|A In | = 0
10 18 1 0
6 11 =0
0 1
10 18
=0
6 11
(10 )(11 ) 6(18) = 0
2 + 2 = 0