You are on page 1of 40

Transformaciones lineales

[Versión preliminar]
Prof. Isabel Arratia Z.

__________________________________________________________________
Algebra Lineal

1

Sean V y W espacios vectoriales sobre
el cuerpo ℜ de los números reales. Una
transformación lineal o aplicación lineal de V
en W es una función T : V
W que
satisface:
i)
T(u + v ) = T ( u ) + T ( v ); ∀ u , v ∈ V

ii )

T( α v ) = α T ( v);

∀ α ∈ ℜ; ∀ v ∈ V

Si T es una transformación lineal de V en W, entonces
T( v1 + . . . . . + v n ) = T ( v1 ) + . . . . . + T ( v n )
Más aún,

T(α1v1 + . . . . . + αn vn ) = α1T(v1) + . . . . . + αnT(vn )
__________________________________________________________________
Algebra Lineal

2

Si T es una transformación lineal de V en W, entonces
T(0) = 0. Esto se enuncia de manera equivalente así,

T (0 ) ≠ 0

T no es aplicación lineal

Ejemplos de aplicaciones lineales
1) Consideremos f : ℜ → ℜ la función f(x) = 3x.
Entonces,
f(x + a) = 3(x + a) = 3x + 3a = f(x) + f(a)

f ( α x ) = 3( α x ) = α ( 3 x ) = α f ( x )
Luego f es una aplicación lineal.
Pero si definimos g(x) = x + 3, g no es aplicación lineal
puesto que g ( 0 ) ≠ 0.
Observe que la función g
tampoco cumple las condiciones i) y ii) exigidas para ser
transformación lineal.
__________________________________________________________________
Algebra Lineal

3

Las siguientes funciones de ℜ en ℜ no son lineales:
f(x) = x2

f(x) =

f(x) = e x

f(x) = ln x

x

f(x) = 1
x

f(x) = cos x

¿Cuáles son las funciones
lineales de ℜ en ℜ ?

2) Sea T : ℜ 3 → ℜ 2 la función T(x,y,z) = (2x – y, y + 3z).
Entonces T es una aplicación lineal. ¡Demuéstrelo!

__________________________________________________________________
Algebra Lineal

4

F es una transformación lineal. F ( A + B ) = ( A + B ) t = A t + B t = F ( A ) + F (B ) F(α A ) = (α A )t = α A t = α F( A ) Por lo tanto.Ejercicio: Muestre una aplicación de ℜ 2 en ℜ3 que sea lineal y otra que no lo sea. en efecto. F(A) = A t Entonces. 4) La función T : P3 [x] → P2 [ x]. T(p) = p' = es lineal. dp dx T(p + q) = (p + q)’ = p’ + q’ = T(p) + T(q) T (a p) = (a p)’ = a p’ = a T(p) . a ∈ ℜ __________________________________________________________________ Algebra Lineal 5 . 3) Consideremos F : M mxn (ℜ ) → M nxm (ℜ ).

To (v) = 0 W es una aplicación lineal 6) Si V es un espacio vectorial. __________________________________________________________________ Algebra Lineal 6 . To : V → W.Destacamos los siguientes dos ejemplos 5) Si V y W son espacios vectoriales. se llama aplicación identidad de V. I(u) = u es lineal. la función I : V → V.

. . . . . ∀i = 1. . . . existen únicos α1. v n } y W un espacio vectorial real. si v∈ V. . α n ∈ ℜ tales que v = α1v1 + . . __________________________________________________________________ Algebra Lineal 7 . . . . w n ∈ W entonces existe una única aplicación lineal T de V en W tal que T( v i ) = w i . Teorema: Sean V un espacio vectorial real con base B = {v1. . . . . . + α n v n La aplicación T de V en W definida por: T(v) = α1w1 + . . + αn w n satisface lo requerido en el teorema. . .El siguiente teorema nos enseña a extender a todo el espacio dominio. . . . . . . Si w1. . . una aplicación lineal que se conoce sólo en una base de dicho espacio. n En efecto. . .

0) = (-2.4b). 1). T(0. 0. b) ∈ ℜ2 . b) = (-2a + 3b. b) = a(-2.Ejemplo: ¿Cuál es la aplicación lineal T de ℜ2 en ℜ2 tal que T(1. entonces (a. -3). 1) = (6. 0) = (1. 5a . -4). 1) = (3. b) = a (1. 5) y T(0. T(a. 5) __________________________________________________________________ Algebra Lineal 8 . es lineal y satisface lo requerido. T(a. o más precisamente. -4)? Sea (a. Ejercicio: a) ¿Cuál es la aplicación lineal T de ℜ3 en ℜ2 tal que T(1. 1. 0. 5) +b(3. La aplicación T : ℜ2 ℜ2 . 1) y T(0. 0) = (2. 0) + b (0.

x2 . 1) T : ℜ → ℜ3 .Ejercicio: Determine la aplicación lineal T de ℜ3 en P2[x] tal que T(1. 3a + b)  b + c 2a   5) T : ℜ3 → M 2 (ℜ). b. 0) = x . b) = a + 3ax + (a − 4b) x 2 4) T : P1[ x] → ℜ3 . 0. T(a. T(a. c) =  a −c 3  __________________________________________________________________ Algebra Lineal 9 . T(1. 1. a + 2b. T(a. 0) = 1 + 3x + 2x2 Ejercicio: Determine cuál (es) de las siguientes aplicaciones son lineales. T(a + bx) = (a. 3x) 2) T : ℜ2 → ℜ3 . 0. T(1. T(x) = (x. b) = (5a − b. 2b. 1. 1) = 2 + x. 1) 3) T : ℜ2 → P2[x ].

0)} = {(x. y. z) = (x . z) = (0. y. Im T = { w ∈ W / ∃ v ∈ V talque T(v) = w } Ejemplo: Determinemos el núcleo y la imagen de la aplicación lineal T : ℜ3 → ℜ2 .Núcleo e imagen Sean V y W espacios vectoriales reales y T: V W una transformación lineal. T(x. y. El núcleo o kernel de T es el conjunto. Ker T = { v ∈ V / T(v) = 0 } La imagen de T es el conjunto. y.2y. 3y + z) Ker T = {(x. z) / T(x. z) / x – 2y = 0 3y + z = 0 } __________________________________________________________________ Algebra Lineal 10 .

y. 0). el núcleo de T resultó ser un subespacio de dimensión uno del espacio ℜ3 . (0. y. z) / x = 2y ∧ z = -3y } = {(2y.Resolviendo este sistema de ecuaciones lineales obtenemos Ker T = {(x. 3y + z) / x. (0. 1) } > 2 = ℜ __________________________________________________________________ Algebra Lineal 11 . z) ∈ ℜ } = { (x – 2y. z) / (x. -3) } > Es decir. (-2. 3). -3y) / y ∈ ℜ } = < { (2. 1. 3 Im T = { T(x. y. z ∈ ℜ } = < { (1. y. 1) } > = < { (1. y. 0).

To (v) = 0 W I : V → V. es fácil demostrar el siguiente teorema. entonces el núcleo de T es un subespacio de V y la imagen de T es un subespacio de W.¿Cuál es el kernel y la imagen de las aplicaciones To : V → W. La dimensión del núcleo de T se llama nulidad de T y la dimensión de la imagen de T es el rango de T __________________________________________________________________ Algebra Lineal 12 . I(u) = u El núcleo y la imagen de una transformación lineal no son simples conjuntos. Teorema: Si T de V en W es una aplicación lineal.

η( T ) = dim (Ker T) ρ(T) = dim (Im T) Y estos números se relacionan mediante la igualdad.2x 2 } > __________________________________________________________________ Algebra Lineal 13 .2a x 2 / a ∈ ℜ } = {a(1 + x .La nulidad de T y el rango de T serán denotados así. T(a + bx + cx2 ) = (a − b. 2a + c) = (0. 2a + c) Entonces.2x 2 ) / a ∈ ℜ } = < {1 + x . η(T) + ρ(T) = dim V Ejemplo: Consideremos la aplicación lineal T : P2 [ x] → ℜ2. Ker T = {a + bx + cx 2 ∈ P2 [ x] / (a − b. 0) } = {a + bx + cx 2 ∈ P2 [ x] / a = b ∧ c = -2a } = { a + ax .

Teorema: Sea T : V W aplicación lineal. epiyectivas y por tanto biyectivas. (1) T inyectiva ⇔ Ker T = {0} ⇔ η( T ) = 0 (2) T epiyectiva ⇔ Im T = W ⇔ ρ( T ) = dim W __________________________________________________________________ Algebra Lineal 14 .Como B = {1 + x − 2 x 2 } genera a Ker T y es linealmente independiente. luego η( T ) = 1 y ρ(T) = dim V .1 = 2 2 Si la dimensión de la imagen de T es 2.η(T) = 3 . Im (T) = ℜ El siguiente teorema caracteriza a las aplicaciones lineales inyectivas. B es una base de Ker T.

__________________________________________________________________ Algebra Lineal 15 . 1. en consecuencia. La función f −1 resulta ser biyectiva también y tal que (f −1 o f )(x) = x y (f o f -1)(x) = x Una aplicación lineal y biyectiva se llama isomorfismo. -2)}> y. 2y + z. no es inyectiva. z) = (x – y. y. x + y + z) no es un isomorfismo puesto que Ker T = < {(1. Ejemplo: La aplicación lineal T : ℜ3 → ℜ3 definida por T(x.Isomorfismos Recordemos que una función f posee función inversa f −1 si y sólo si f es biyectiva.

y.Ejercicio: Muestre que la siguiente aplicación de ℜ3 3 en ℜ es un isomorfismo.y. x + 2y + z) Si T es una aplicación de V en W. 2y + z. ⇔ T invertible −1 • T isomorfismo ⇔ T isomorfismo • T isomorfismo Y si dimV = dimW. z) = (x . entonces T biyectiva ⇔ T inyectiva ⇔ T epiyectiva __________________________________________________________________ Algebra Lineal 16 . observe que. T(x.

z) 2) T : ℜ3 → P2[x]. 2x . entonces se dice que los espacios V y W son isomorfos. y. z) = (x. T  c d Si T: V W es un isomorfismo. a + c.d) 3) T : M2 (ℜ) → ℜ . b. c . en cuyo caso se anota V≅ W . __________________________________________________________________ Algebra Lineal 17 .Ejercicio: ¿Cuál (es) de las siguientes funciones T son invertibles? 1) T : ℜ3 → ℜ3. T(x. x + 4y . T(a. c) = (a − c) + (2a + b + c)x + (3a + b + c)x2  a b 4  = (a + d. 2c.y.

Teorema: Todo espacio vectorial real de dimensión finita n es n isomorfo a ℜ . __________________________________________________________________ Algebra Lineal 18 . d) establece que los c d espacios M2 (ℜ) y ℜ4 son isomorfos. b. c. c) = a + bx + cx2 a b El isomorfismo T  = (a.Ejemplo: Los espacios ℜ3 y P2[x] son isomorfos. b. el isomorfismo “natural” entre ellos es T(a.

Y ∈ ℜn y α ∈ ℜ se tiene que. TA es una transformación lineal.Aplicaciones lineales y matrices Sea A ∈ Mmxn(ℜ) y consideremos la aplicación. __________________________________________________________________ Algebra Lineal 19 . TA : ℜn → ℜm definida por TA (X) = A X Para X. i) TA (X + Y) = A (X + Y) = A X + A Y = TA (X) + TA (Y) ii) TA (α X) = A (α X) = α (A X) = α TA (X) Es decir. que se llama aplicación lineal asociada a la matriz A.

. 2x + y) Ejercicio: Encuentre la aplicación lineal asociada a las matrices 2 A =  0 −1 1  7 5  0 0 0  0 =   0 0 0 e I3 __________________________________________________________________ Algebra Lineal 20 .3y. 1 − 3   Ejemplo: Sea A =  − 4 0  2 1  y determinemos la aplicación lineal asociada a A. TA (x. TA : ℜ2 → ℜ3 . TA (x. y) = (x .4x. y) = ??  1 − 3  x − 3y    x    − 4 0    =  − 4x   2   y   2x + y  1     TA : ℜ2 → ℜ3 .

Consideremos. Queremos establecer que el espacio L(ℜn . ℜn ) definida por F(A) = TA __________________________________________________________________ Algebra Lineal 21 .Denotemos por. ℜm) = { T : ℜn → ℜm / T lineal} ¿Por qué? L(ℜn . F : Mmxn(ℜ) → L(ℜm . ℜm ) es isomorfo a Mmxn(ℜ) . L(ℜn . Para ello debemos mostrar una función entre estos espacios que sea un isomorfismo. ℜm) es un espacio vectorial real: el espacio de las aplicaciones lineales de ℜn en ℜm .

existe una matriz A ∈ Mmxn(ℜ) tal que F(A) = TA = T . se llama matriz asociada a la transformación lineal T. 9 F es inyectiva pues Ker F = { A / TA = To } = { 0 mn } 9 F es epiyectiva ya que para cada transformación lineal T de ℜn en ℜm . se denota [T] y se determina así: __________________________________________________________________ Algebra Lineal 22 .9 F es una función bien definida y además es lineal. Esta matriz A es única. puesto que TA + B = TA + TB y TαA = αTA . α ∈ ℜ Ejercicio: Demuestre estas igualdades.

.. ... . t es tal que F([T]) = T __________________________________________________________________ Algebra Lineal 23 . a m2  . em} las bases canónicas de ℜn y ℜm respectivamente. ..... . T (e n ) = a1n e1 + a 2 n e 2 + . a 2n a m1   . . Entonces... . . . ... .. a12 e1 + a 22 e 2 + . . .... ..  a  1n a 21 a 22 .  a 11   a 12 [T ] =  .. .. en} y {e1..Sean {e1. + a mn e m y la matriz... .. .   . + a m1e m T (e 2 ) = . .... . T (e1 ) = a11e1 + a 21e 2 + . . ... .... .. + a m2 e m . .. a mn  .

Ejemplo: Consideremos la aplicación lineal. 0. .y.2(0. T ( x . T (1.2) = 1(1. escribir estas imágenes como combinación lineal de los vectores de la base canónica de ℜ3 . 0) + 7(0. 1. x . 0) . 7) = 3(1. 0. 1) Entonces la matriz asociada a T es: 3 [ T ] =  1 1 −1 3 t  7  =  1 − 2 7  1  − 1 − 2  __________________________________________________________________ Algebra Lineal 24 . 0.1. 7x − 2 y) y determinemos la matriz asociada a T. . 1. 1) = (1. Procedemos a evaluar T en los vectores de la base canónica de ℜ2 y luego. T : ℜ 2 → ℜ 3 . 1) T ( 0 . 0. 0 ) = ( 3. 1. y ) = (3x + y. 0) − 1(0. 0) + 1(0.

Ejercicio: Encuentre la matriz asociada a las aplicaciones lineales. 4x . [T o S] = [T] [S] -1 -1 y si T es [T ] = [T] __________________________________________________________________ Algebra Lineal 25 . a número real Además. y. z ) = (x + 6 y . T : ℜ 3 → ℜ 2 .2z. invertible. z ) = (y .z. T ( x . 9x − 2 y + z) Como consecuencia del isomorfismo que se ha establecido tenemos que: [T + S] = [T] + [S] [a T] = a [T] . 3x + z. T ( x . y.5y + 2z) T : ℜ 3 → ℜ 3 .

a12 w1 + a 22 w 2 + ..... Repetiremos el procedimiento realizado para obtener la matriz asociada a T pero considerando las bases B ={ v1. T ( v1 ) = a11w1 + a 21w 2 + . . .. .. . ... . .. .. wm} de ℜn y ℜm respectivamente. + a m1w m T(v 2 ) = . expresamos estas imágenes como combinación lineal de los vectores de la base E. .Matriz de cambio de base n m Sea T : ℜ → ℜ una aplicación lineal. . + a mn w m __________________________________________________________________ Algebra Lineal 26 . . .. .. Evaluamos T en los vectores de la base B y luego... + a m2 w m .. ... T ( v n ) = a1n w1 + a 2 n w 2 + . . . vn} y E ={ w1..

. .. a 21 a 22 . a 22 .. esta matriz se denota [T]B __________________________________________________________________ Algebra Lineal 27 .... ...  a  m1 a 12 ... a 11  a La matriz.. .        t se denota [T] E B a 1m   a 2m  ...  12 ......  a  1n Luego..... a 2n ............ ...   a mn  Cuando n = m y B = E ... a m1 a m2 .. a mn  a 11  E  a 21 [T ] B =  . a m2 . .....

ℜ ) B E B __________________________________________________________________ Algebra Lineal 28 . T L( . T. . S ∈ L(ℜ . el isomorfismo entre transformaciones lineales y matrices establece que: E E n m [T + S] E B = [T] B+ [S] B . x n ) . E entonces [T]B ⋅ X son las coordenadas de la imagen T(v) con respecto a la base E En este caso. ℜ ). . S ∈ L( ℜ .La matriz [T]E B está caracterizada así: n Si las coordenadas de v ∈ ℜ con respecto a la base B son [v]B = X = (x1. . . ) B B C E n m m k [T o S] C = [T] ⋅ [S] . . ℜ ) E n m = α α ∈ ℜ ∈ ℜ ℜ [α T] E [T] . . T ∈ L( ℜ .

. T ( x . 0 ) = (1. 0). T : ℜ 3 → ℜ 2 . 1. 1). 1. 3 B = { v = (1. 3x + z) E y determinemos la matriz [T]B donde. 0. 3) = γ1 (2.5) T (1. 4) = α 1 (2. Tenemos que. w = (1. y. .Ejemplo: Consideremos la aplicación lineal. 3) + β 2 (-3. 0)} base de ℜ y E = {(2. 0 ) = ( 3. 1. 3) + α 2 (-3.5) Calculando las coordenadas obtenemos la matriz: − 2 E  [T ] B =  6 − 4  t − 2  − 2 3  =  −2 − 3   6 − 4  3 − 3 __________________________________________________________________ Algebra Lineal 29 . 0.z. 1. 3) + γ 2 (-3. 3) = β1 (2. . 3). z ) = (x + 2 y . u = (1. T (1. (-3. 1) = ( 2 .5) T (1. -5)} base de ℜ2.

La matriz B [ I ]E [ I ] es una matriz invertible.ℜ ) E E B B aquí. E y B son bases de ℜn .Observación: Si B es cualquier base de ℜn . entonces la matriz de la aplicación identidad es [I n ]B = [ I ]B = In . ℜ n Pero si E es otra base de ℜ . su inversa es B E y ambas son llamadas matrices de cambio de base. entonces [ I ] E B ≠ In . __________________________________________________________________ Algebra Lineal 30 . T ∈ L( ℜ . nombre que se deriva de lo siguiente: E E B n n [ I] B ⋅ [T] ⋅ [ I ] = [T] .

v ≠ 0 tal que vector propio de T (o vector característico) asociado al valor propio λ . por lo tanto cualquier matriz asociada a T es una matriz cuadrada. Un escalar λ ∈ ℜ se llama valor propio de T (o valor característico) si existe v ∈ ℜn . __________________________________________________________________ Algebra Lineal 31 . v ≠ 0 tal que T(v) = λ v.Valores y vectores propios En lo que sigue. cualquier T(v) = λ v se llama v ∈ ℜn . Si λ ∈ ℜ es un valor propio de T. T será una transformación lineal de ℜn en ℜn .

T ( x . y ) = (27x − 10 y. Si λ es un valor propio de T y denotamos por Vλ al conjunto de todos los vectores propio de T asociados al valor propio λ . El subespacio Vλ se llama espacio propio de T asociado a λ . 10) = 2 (2. En este caso. Vλ = { v ∈ ℜn / T(v) = λ v } __________________________________________________________________ Algebra Lineal 32 . entonces es fácil mostrar que Vλ resulta ser n un subespacio de ℜ . 75x . 5). v = (2. 5) = (4.5) es un vector propio de T asociado al valor propio 2.28y) puesto que T(2.Ejemplo: λ = 2 es un valor propio de la aplicación lineal T : ℜ 2 → ℜ 2 .

v ≠ 0 tal que T ( v) − λ v = 0 ⇔ ∃ v ∈ ℜ n . v ≠ 0 tal que (T − λ I n )( v) = 0 ⇔ ∃ v ∈ ℜ n .λ I n ) ⇔ T − λ I n no invertible ⇔ det [T − λ I n ] = 0 __________________________________________________________________ Algebra Lineal 33 .¿Cómo determinamos los valores y vectores propios de T? λ es un valor propio de T ⇔ ∃ v ∈ ℜ n . v ∈ Ker (T . v ≠ 0. v ≠ 0 tal que T ( v) = λ v ⇔ ∃ v ∈ ℜ n .

Observe que p(λ ) = det [T − λ I n ] es un polinomio en λ de grado n y. Vλ = { v ∈ ℜ n / T(v) = λ v } = { v ∈ ℜ n / T(v) .λ I n ) Es decir. los valores propios de T son las raíces reales de dicho polinomio. Por otra parte. los vectores propios de T asociados a λ son los vectores del kernel de la transformación lineal (o matriz) [T − λ I n ] .λ I n )(v) = 0} = Ker (T . __________________________________________________________________ Algebra Lineal 34 .λ v = 0} = { v ∈ ℜ n / (T .

λ 1 p(λ) = 0 ⇔ det[λ I . 2x + 2y .Ejemplo: Sea T la transformación lineal T : ℜ2 → ℜ2 . x)  0 −1  .T] = 0 ⇔ = 0 ⇔ λ2 +1 = 0 −1 λ no tiene raíces reales. T no tiene valores propios. 2x + 2y) __________________________________________________________________ Algebra Lineal 35 . y) = (−y. T : ℜ3 → ℜ3 .z. z) = (3x + y .z. y. T(x. Como la “ecuación 0  La matriz asociada a T es A =  1 característica” de T. T(x. Ejercicio: Muestre que los valores propios de la siguiente transformación lineal T son 1 y 2.

2x + 2y) se encuentran en Ker[T − I3 ] y Ker[T .z = 3 0 } 0 = < { (1.z. T(x.z. 2) } > __________________________________________________________________ Algebra Lineal 36 . 2x + 2y . y.Ejemplo: Los vectores propios de la transformación lineal T : ℜ3 → ℜ3 . 2) } > x+y+z = 0 Ker[ T − 2 I 3 ] = { (x. z) = (3x + y . y. 0.2z = 0 = < { (1.z = Ker[ T − I 3 ] = { (x.2I 3 ] 2x + y . 1. z) ∈ ℜ / 2x + 2y .z = 0 } 2x + 2y . y. z) ∈ ℜ 3 / 2x .

se dice que T es diagonalizable. __________________________________________________________________ Algebra Lineal 37 .Diagonalización n Se dice que una base B de ℜ diagonaliza a la transformación lineal T si la matriz [T]B asociada a T es una matriz diagonal. Cuando tal base B existe. ¿Cuándo T es diagonalizable? Teorema: T diagonalizable si y n sólo si existe B base de ℜ formada por vectores propios de T. Una matriz A ∈ Mn (ℜ) es diagonalizable si la aplicación lineal asociada a A lo es.

2) } > Y B = {(1. 1. (1. -1.Ejemplo: La transformación lineal T : ℜ3 → ℜ3 .4z. T(x. z) = (-9x− 8y + 4z. 1). Ker[T .1. 0. Los espacios propios asociados son. . 2)} es una base de ℜ3 que diagonaliza a T. 3  [T ]B =  0 0  0 −1 0 0  0 − 1  __________________________________________________________________ Algebra Lineal 38 . 2).3I 3 ] = < { (1. 2). 0. 8x + 7y .8x − 8y + 3z) tiene dos valores propios: 3 y -1. 1) } > Ker[T + I3 ] = < { (1. . en este caso. (0. 1. (0. y.

y. Ker[T . 2) } > Y es imposible encontrar una base de ℜ3 formada por vectores propios de T.z. __________________________________________________________________ Algebra Lineal 39 . 1. 2x + 2y − z. z) = (3x+ y . T no es diagonalizable. Los espacios propios asociados son. 0.Ejemplo: La transformación lineal T : ℜ3 → ℜ3 . 2) } > Ker[T .I3 ] = < { (1. Sin embargo. T(x. 2x + 2y) tiene dos valores propios: 1 y 2.2I 3 ] = < { (1.

2z) El hecho que T sea diagonalizable significa que la matriz [T] asociada a T.y + z. es “similar” a la matriz diagonal [T]B en el sentido siguiente: −1 Existe P matriz invertible tal que [T]B = P [T] P __________________________________________________________________ Algebra Lineal 40 . . z) = (3x. y.Ejercicio: Determine si la siguiente transformación lineal T es o no es diagonalizable. T(x. T : ℜ3 → ℜ3 .6x + 6y . 7x − 5y+ z.