1.

) Transformaciones Lineales:

Se denomina transformacin lineal, funcin lineal o aplicacin lineal a

toda aplicacin cuyo dominio y codominio sean espacios vectoriales y se
cumplan las siguientes condiciones:

Transformacin lineal: Sean V y W espacios vectoriales reales. Una

transformacin lineal T de V en W es una funcin que asigna a cada vector
v V un vector nico Tv W y que satisface, para cada u y v en V y cada
escalar :
1. T (u+v) = Tu + Tv
2. T (v) = Tv, donde es un escalar.

Notacin:

a) Se escribe T: V W para indicar que T toma el espacio vectorial real

V y lo lleva al espacio vectorial real W; esto es, T es una funcin con V
como su dominio y un subconjunto de W como su imagen.

b) Se escriben indistintamente Tv y T(v), estas denotan lo mismo; las dos

frases se leen T de v.

Ejemplo:

Sean V y W dos espacios vectoriales cualesquiera. El mapeo T: V -> W

tal que T(v) = 0 para todo v en V es una Transformacin Lineal
denominada: Transformacin cero. Para darse cuenta que T es lineal,
Obsrvese que:

T (u+v) = 0, T (u) = 0, Y T (ku) = 0

Por consiguiente:

T (u+v) = T(u) + T(v) Y T(ku) = kT(u)

 2.) Propiedades de las Transformaciones Lineales.

Teorema 1.

Sea T: V W una transformacin lineal. Entonces para todos los

vectores u, v, v1, v2,..., vn en V y todos los escalares 1, 2,..., n.

i. T(0) = 0

ii. T(u - v) = Tu - Tv

iii. T(1v1, 2v2, ..., nvn) = 1Tv1+ 2Tv2+ ... + nTvn

Definicin:

Si T: V W es una transformacin lineal, entonces el conjunto de

vectores en V que T aplica hacia 0 se conoce como ncleo (kernel o
espacio nulo) de T; este espacio se denota por ker(T). El conjunto de todos
los vectores en W que son imgenes bajo T de al menos un vector en V se
conoce como recorrido de T; este conjunto se denota por R(T).

Ejemplo:

Supngase que T: V W es la transformacin cero. Supuesto que T

aplica: todo vector hacia 0, ker(T) = V. Ya que 0 es la nica imagen posible
bajo T, R(T) consta del vector cero.

Teorema 2.

Si T: V ~ W es una transformacin lineal entonces:

i. El ncleo de T es un sub espacio de V.

ii. El recorrido de T es un subespacio de W.

Ejemplo:

Supngase que T: Rn Rm es la multiplicacin por una matriz A

de m x n. El ncleo de T consta de todas las soluciones de Ax = O; por
tanto, el ncleo es el espacio de soluciones de este sistema. Tambin el
recorrido de T consta de todos los vectores b tales que Ax = b es
consistente. Por consiguiente, el recorrido de T es el espacio de columnas
de la matriz A.

Supngase que { v1 , v2, . .. , vn }es una base para un espacio vectorial V

y T: V W es una transformacin lineal. Si sucede que se conocen las
imgenes de los vectores base,
esto es:
T( V1 ), T( V2 ),, T( Vn )
entonces se puede obtener la imagen T(v) de cualquier vector v, expresando
primero v en trminos de la base, por ejemplo,

v = K1v1 + K 2 v2 + ... + K n vn

y, a continuacin, utilizando la relacin para escribir

T (v) = K1T (v1 ) + K 2T (v2 ) + ... + K nT (vn )

En pocas palabras, una transformacin lineal est completamente
determinada por sus "valores" en una base.

Teorema 3.

Sea V un espacio vectorial de dimensin finita con base

B = {v1, v2, ..., vn}. Sea tambin W un espacio vectorial que contiene a los
n vectores w1, w2, ..., wn. Entonces existe una nica transformacin
lineal T: V W tal que Tvi = wi para i = 1, 2,..., n.

Ncleo:
 Sea T: V W una transformacin lineal. El ncleo T es el subconjunto
formado por todos los vectores en V que se mapean a cero en W.

Ker(T ) = {v V | T (v) = 0 W}

Ejemplo:

Un vector v = (a, b, c) pertenece al ncleo de T si T (v) = 0, es decir si

Por lo tanto, para pertenecer al ncleo debe cumplirse

Reduciendo tenemos:

Es decir, que el ncleo de T en este caso es un espacio generado:

Imagen:
La imagen de una Transformacin Lineal esta formada por el conjunto
de todos los vectores del codominio que son imgenes de al menos algn
vector del dominio. La imagen de toda transformacin Lineal es un
subespacio del codominio

Sea L: V W, una transformacin lineal, entonces el conjunto de vectores

w W tales que existe un v V y L(v) = w, se llama imagen de L.

3.) Rango y nulidad de una matriz:

Si T: V W es una Transformacin Lineal, entonces la dimensin del

recorrido de T se llama Rango de T y la dimensin del ncleo se denomina
Nulidad de T.

dim(ImT ): rango de la transformacin T y se denota r.

dim(KerT ): nulidad y se suele denotar por .

Ejemplo:

Sea la transformacin lineal:

o en trminos matriciales
Determinemos KerT e ImT.

1. x KerT T (x) = 0 equivale

Escalonando:

Luego

KerT = < {(1, 1, 1, 0), (0, 0, 0, 1)} > .

Con dim(KerT ) = 2
2. Sea (y1, y2, y3) ImT, es decir:

Luego ImT =< {(1, 0, 1), (1, 1, 0), (0, 1, 1)} >=< {(1, 0, 1), (1, 1, 0)} >.

Y dim(ImT ) = 2

4.) Representacin Matricial de una Transformacin Lineal.

Si T es una funcin de Rn en R m definida por en

donde A es una matriz de , y dado que la
condicin corresponde a la propiedad distributiva de
la multiplicacin de matrices y la
condicin es tambin una propiedad de la multiplicacin de
matrices . Entonces T es una Transformacin Lineal y se
puede concluir que:

Toda matriz A de define una Transformacin Lineal de Rn

en Rm .
Ahora consideremos una transformacin lineal T de R n en R m ;
si aplicamos esta transformacin a los vectores base de , obtenemos
los siguientes vectores:
Si construimos una matriz AT cuyas columnas sean los
vectores ; AT define una transformacin lineal de
en tal que si

para i = 1, 2, . . . , n.

Entonces

y por lo tanto para i = 1, 2, . . . , n. Concluimos que T y la

transformacin AT , son la misma, porque tienen el mismo efecto sobre
los vectores base.

AT es la matriz cuyas columnas son los vectores .

La matriz AT se llama matriz de transformacin de T o representacin

matricial de T.

Teorema 1

Sea T: Rn Rm una transformacin lineal. Entonces existe una

matriz nica de m x n At tal que

Tx = AT x para toda x R n
Teorema 2

Sea At la matriz de transformacin correspondiente a la transformacin

lineal T. Entonces:

i. Imagen T = imagen A = C AT
ii. p(t) = p( At )
iii. nu T = N AT
iv. v(T) = v( At )
- Ejemplo 1: Representacin Matricial de una Transformacin de
proyeccin. Encuentre la matriz de Transformacin AT correspondiente
a la proyeccin de un vector en R3 sobre el plano xy.

Solucin.

x x 1
1
0
0


Aqu T y = y . En particular, T 0 =
0 ,T
1 =
1 y

z 0
0
0
0
0

0
0
1 0 0


0 =
T 0 . As,
At = 0 1 0 .


1
1
0 0 0

x 1 0 0
x x


Observe que At y = 0 1 0 y =
y
z
0 0 0 0

z

-Ejemplo 2: encuentre la representacin matricial de la

transformacin lineal T de R4 en R3 definida por
 Solucin.

Aplicamos T a los vectores base de R4

, , ,

Entonces la matriz AT es

Teorema 3.

Sean V un espacio vectorial de dimensin n, W un espacio vectorial de

dimensin m y T: V W una Transformacin Lineal.
Sea B1 = {v1 , v2 ,..., +vn } una base para V y sea B2 =
{w1 , w2 ,..., + wn } una base para W. Entonces existe una matriz nica
AT de m x n tal que T ( x ) B = AT ( x ) B
2 1

-Ejemplo 3.
 En el ejemplo 2 se utiliz la base cannica para construir la
matriz de representacin de la transformacin lineal

ahora se utilizar la base

, , ,

entonces la nueva matriz de transformacin queda:

-Ejemplo 4.

Encuentre la representacin matricial AT de la transformacin

lineal T definida por
aplicamos la transformacin a los vectores base de R2

entonces la matriz de Transformacin es .

Teorema 4.

Sean V y W espacios vectoriales de dimensin finita con dim V = n. Sea

T: V W una Transformacin Lineal y sea AT una representacin
matricial de T respecto a las bases B1 en V y B2 en W, entonces:

i. p(T) = p( AT ).
ii. v(T) = v( AT )
iii. v(T) = p(T) = n.

Ejemplo 5.

Representacin matricial de una transformacin de P2 a P3 . Defina

T: P2 P3 por (Tp)(x) = xp(x). Encuentre AT y sela para
determinar el ncleo y la imagen de T.

Solucin: utilizando las bases estndar B1 = {1, x, x 2 } en

P2 y B2 = {1, x, x 2 , x 3 } en P3 , se tiene:
 0
0


1
0

(T (1)) B2 = ( x) B2 = , (T ( x)) B2 = ( x ) B2 =
2

0
1

0
0

0


0 0 0
0


y (T ( x )) B2 = ( x ) B2 =
2 3
. As, AT =
1 0 0.

0
0 1

0

1
0 0 1

0 0 0

Es evidente que p(A) = 3 y que una base para RA es
1 0 0

, ,

0 1 0

2 3
0 0 1

Por lo tanto, imagen T = gen{x, x , x } .Como v(A) = 3-
p(A) = 0, se ve que un T = {0}
5.) Isomorfismo.

Definicin 1.
Transformacin uno a uno Sea T: V-> W es una Transformacin Lineal,
entonces T es uno a uno, escrito 1-1 s:

Tv1 = Tv2 implica que v1 = v2

Es decir, T es 1-1 si y slo s todo vector w en la imagen T es la imagen

exactamente de un vector en V. Una Transformacin 1-1 tambin se llama
inyectiva.
Teorema 1.
Sea T: V -> W una transformacin lineal. Entonces T es 1-1 si y slo si
nu T=

Ejemplo 1.
Una Transformacin 1-1 de en :

Defina T: -> Por T .

Es sencillo encontrar = , = 2; as v =0yN = Nu

T= .
Por lo tanto T es 1-1

Definicin 2.

Transformacin sobre Sea T: V -> W una transformacin lineal.

Entonces se dice que T sobre W o simplemente sobre, para todo w W
existe al menos una v V tal que:
Tv = W. Es decir, T es sobre W si y slo si imagen T = W.

Teorema 2.

Sea T: V -> W una transformacin lineal y suponga que dim V =

dim W = n.
i. T es 1-1 entonces T es sobre.

ii. Si T es sobre, entonces T es 1-1.

Teorema 3.

Sea T: V ->W una Transformacin Lineal. Suponga que dim V = n y

dim W = m. Entonces

i. Si n>m. T no es 1-1

ii. i m>n. T no es sobre.

Definicin 3. Isomorfismo.

Sea T:V->W una Transformacin Lineal. Entonces T es un isomorfismo si

T es 1-1 y sobre

Definicin 4. Espacios vectoriales isomorfos.

Se dice que los espacios vectoriales V y W son isomorfos si existe un

isomorfismo T de V sobre W. En ste caso se escribe V = W

Teorema 4. Teorema de resumen.

Sea una matriz de n x n ; entonces las 11 afirmaciones siguientes son

equivalentes, es decir, cada una implica de las otras 10 (de manera que si
una es cierta, todas son ciertas).

i. A es invertible.

ii. La nica solucin al sistema homogneo Ax = 0 es la solucin

trivial (x = 0).

iii. El sistema Ax = b tiene una solucin para todo n-vector b.

iv. A es equivalente por renglones de la matriz identidad de n x n.

v. A se puede escribir como el producto de matrices elementales.

vi. La forma escalonada por renglones de A tiene n pivotes.

vii. Los renglones (y columnas) de A son linealmente impedientes.

viii. det A 0.

ix. v(A)= 0.

x. P(A) = n.

xi. La Transformacin Lineal T de en definida por Tx = Ax es

un isomorfismo.

Teorema 5

Sea T: V -> W un isomorfismo

i. Si genera a V, entonces ,, genera a W

ii. Si , , son linealmente independientes en V, entonces

,, son linealmente independientes en W

iii. Si es una base en V, entonces es una

base en W.

iv. Si V tiene dimensin finita, entonces W tiene dimensin finita y dim

V = dim W

Teorema 6
Sean V y W dos espacios reales, de dimensin finita con dim V = dim W.
Entonces V W.

6.) Isometra.

Teorema 1.

Sea A una matriz de m x n con elementos reales. Entonces para

cualesquiera dos vectores x R n y y R m .
 (Ax) . y = x . ( At y )

Definicin 1.

Isometra: una Transformacin Lineal T: R n R n se llama una

isometra si para cada x en Rn , Tx = x

Teorema 2.

Sea T una isometra de Rn Rn y suponga que x y y estn en Rn

. Entonces Tx . Ty = x . y

Teorema 3.

Una Transformacin Lineal T: R n R n es una isometra si y

solo s la representacin matricial de T ortogonal.

Ejemplo 1

Sea T una isometra de R2 R2 . Sea

1
0

u1 = T y u2 = T
0
1

 Entonces u1 y u2 son unitarios (por la definicin 1) y

1
0

u1 . u2 = . =
0
1

0

Por lo tanto u1 y u2 son ortogonales.

Teorema 4.

Sea T: R2 R2 una isometra. Entonces T es:

i. Una transformacin de rotacin

o bien

ii. Una reflexin respecto al eje x seguida de una transformacin de

rotacin.

Teorema 5.

Sea T: Rn Rn una isometra. Entonces:

i. Si u1 , u2 ..., un es un conjunto ortogonal, entonces

Tu1 , Tu2 , , Tun es un conjunto ortogonal.
 ii. T es un isomorfismo.

iii. Si i j y ui . u j = 0, entonces (Tui ) . (Tu j ) =

ui . u j = 0, lo que prueba i).

iv. Sea u1 , u2 ..., un una base ortonormal para R n . Entonces por

la parte de i) y el hecho que de Tui = uj = 1, se encuentra

que Tu1 , Tu2 , , Tun es un conjunto ortonormal en R n . Estos

vectores son linealmente independientes y por lo tanto forman una base
para R n . Entonces imagen T = R n , lo que prueba que nu T = {0}
[ya que v(T) + p(T) = n ].

Definicin 2.

Sean V y W dos espacios vectoriales reales (o complejos) con producto

interno y sea T: V W una Transformacin Lineal. Entonces T es una
isometra si para todo v V.

Ejemplo 2.
v v = Tv w
Una matriz Q de n x n es ortogonal si y
solo si las columnas
de Q forman una base ortonormal para Rn
Si las columnas de Q son ortogonales:

(10)

es decir, B = I. Inversamente, si Q t = Q -1 , entonces Q t . Q = I = B,

de manera que vale (10) y (*) muestra que las columnas son ortonormales.

Teorema 6.

Sea T: V W una isometra. Entonces para todo v1 y bv2 en V:

 (Tv1 , Tv2 ) = (v1 , v2 )
Definicin 3.

Espacios Vectoriales isomtricamente isomorfos: se dice que dos Espacios

Vectoriales V y W con el mismo conjunto de escalares son isomtricamente
isomorfos existe una Transformacin Lineal T: V W que sea tanto
isometra como isomorfismo.

Teorema 7

Cualesquiera dos espacios reales de dimensin n con producto interno son

isomrficamente isomorfos.

Esquema.

1.) Transformaciones Lineales.

2.) Propiedades de las Transformaciones Lineales.

3.) Rango y nulidad de una matriz.

4.) Representacin Matricial de una Transformacin Lineal.

5.) Isomorfismos.

6.) Isometra.