Transformaciones lineales

2018-B

Lic. Ana Maria Reyna Segura

 Sean V y W espacios vectoriales sobre
el cuerpo  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(v)  T(v);   ;  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(1v1  .....  n vn )  1T(v1)  ..... 
nT(vn )
2
 • Notas:

(1) Una transformación lineal es llamada a ser una operacion de

preservacion, porque el mismo resultado ocurre si las operaciones
de suma y multiplicación escalar se realizan antes o después de T.
.
T (u  v)  T (u)  T ( v) T (cu)  cT (u)

Adicion Adicion Multiplicacion Multiplicacion

en V en W escalar en V escalar en W

(2) Una transformacion lineal T : V  V de un espacio vectorial

en si mismo es llamado aplicacion lineal.
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 :    la función f(x) = 3x.
Entonces,
f(x + a) = 3(x + a) = 3x + 3a = f(x) + f(a)
f( x)  3( x)  (3x)   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.
3
 Las siguientes funciones de  en  no son lineales:
f(x)  x 2 f(x)  x f(x)  1
x
f(x)  e x f(x)  ln x f(x)  cos x

¿Cuáles son las funciones

lineales de  en  ?

2) Sea T :  3   2 la función T(x,y,z) = (2x – y, y + 3z).

Entonces T es una aplicación lineal. ¡Demuéstrelo!

4
Ejercicio: Muestre una aplicación de 2 en 3 que
sea lineal y otra que no lo sea.
3) Consideremos F : M mxn ()  M nxm (); F(A)  A t
Entonces,
F ( A  B )  ( A  B ) t  A t B t  F (A )  F (B )
F (  A )  (  A ) t   A t   F (A )
Por lo tanto, F es una transformación lineal.
dp
4) La función T : P3 [x]  P2 [x]; T(p)  p' 
dx
es lineal; en efecto,
T(p + q) = (p + q)’ = p’ + q’ = T(p) + T(q)
T (a p) = (a p)’ = a p’ = a T(p) , a  

5
 Destacamos los
siguientes dos
ejemplos

5) Si V y W son espacios vectoriales,

To : V  W; To (v)  0 W
es una aplicación lineal

6) Si V es un espacio vectorial, la función

I : V  V; I(u)  u
es lineal; se llama aplicación identidad de V.

6
 El siguiente teorema nos enseña a extender a todo el
espacio dominio, una aplicación lineal que se conoce
sólo en una base de dicho espacio.

Teorema: Sean V un espacio vectorial real con base

B = {v1, . . . . . , v n } y W un espacio vectorial real.
Si w1, . . . . . , w n  W entonces existe una única aplicación
lineal T de V en W tal que T( vi )  w i , i  1, . . . . , n

En efecto, si v V, existen únicos 1, . . . . . ,    tales que

v  1v1  . . . . . n  n
vn
La aplicación T de V en W definida por:
T(v)  1w1  .. ...  n w n
satisface lo requerido en el teorema.
7
Ejemplo: ¿Cuál es la aplicación lineal T de 2 en 2 tal que
T(1, 0) = (-2, 5) y T(0, 1) = (3, -4)?

Sea (a, b)  2 , entonces (a, b) = a (1, 0) + b (0, 1).

La aplicación T : 2 2 ; T(a, b) = a(-2, 5) +b(3, -4),
o más precisamente, T(a, b) = (-2a + 3b, 5a - 4b), es lineal
y satisface lo requerido.

Ejercicio:
a) ¿Cuál es la aplicación lineal T de 3 en
2 tal que
T(1, 0, 0) = (2, -3), T(0, 1, 0) = (1, 1) y
T(0, 0, 1) = (6, 5)

8
Ejercicio: Determine la aplicación lineal T de 3 en
P2[x] tal que
T(1, 1, 0)  x - x2 T(1,0, 0)  1 3x  2x2
T(1,1,1)  2  x,
,
Ejercicio: Determine cuál (es) de las siguientes
aplicaciones son lineales.
1) T :   3; T(x)  (x, 0, 3x)
2) T : 2  3; T(a, b)  (5a  b, a  2b,1)
2
3) T :  P2[x]; T(a, b)  a  3ax  (a  4b)x 2
4) T : P1[x]  3; T(a  bx)  (a, 2b, 3a  b)
 b  c 2a 
5) 
T : 3  M2 (); T(a, b, c)   a  c 3 

9
 Núcleo e imagen
Sean V y W espacios vectoriales reales y
T: V W una transformación lineal.
El núcleo o kernel de T es el conjunto,
Ker T = { v  V / T(v) = 0 }
La imagen de T es el conjunto,
Im T = { w  W / v  V talque T(v) = w }

Ejemplo: Determinemos el núcleo y la imagen de la

aplicación lineal T : 3  2 ; T(x, y, z) = (x - 2y, 3y + z)
Ker T = {(x, y, z) / T(x, y, z) = (0, 0)}
= {(x, y, z) / x – 2y = 0
3y + z = 0 }
10
Resolviendo este sistema de ecuaciones lineales obtenemos
Ker T = {(x, y, z) / x = 2y  z = -3y }
= {(2y, y, -3y) / y   }
= < { (2, 1, -3) } >
Es decir, el núcleo de T resultó ser un subespacio de
dimensión uno del espacio 3 .

Im T = { T(x, y, z) / (x, y, z)  3 }
= { (x – 2y, 3y + z) / x, y, z  }
= < { (1, 0), (-2, 3), (0, 1) } >
= < { (1, 0), (0, 1) } >
2
= 

11
 ¿Cuál es el kernel y la imagen de las aplicaciones
To : V  W; To (v)  0 W
I : V  V; I(u)  u

El núcleo y la imagen de una transformación lineal no son

simples conjuntos; es fácil demostrar el siguiente teorema.

Teorema: Si T de V en W es una aplicación lineal,

entonces el núcleo de T es un subespacio de V y la
imagen de T es un subespacio de 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

12
La nulidad de T y el rango de T serán denotados así,
(T)  dim (Ker T) (T)  dim (Im T)
Y estos números se relacionan mediante la igualdad,
(T)  (T)  dim V

Ejemplo: Consideremos la aplicación lineal

T : P2[x] 2; T(a  bx  cx2 )  (a  b, 2a c)

Entonces, Ker T  {a  bx  cx  P2 [x] / (a  b, 2a  c)  (0, 0)}

2

 {a  bx  cx 2  P2 [x] / a  b  c  -2a }
 { a  ax - 2a x 2 / a   }
 {a(1 x - 2x 2 ) / a   }
  {1  x - 2x 2 } 

13
Se cumple:

1) KerT es un subespacio vectorial de

La nulidad de T, es la dimensión del kernel de T. Se denota: n(T)

2) Im T . es un subespacio vectorial de W
El rango de T es la dimensión de la imagen de T Se denota: r (T)

3) Sean V , W espacios vectoriales sobre un cuerpo K con con

dimV< 

Sea T : V →W una transformación lineal. Entonces:

dim(KerT ) + dim(ImT) = dim V
 • Uno-a-uno:
Una transformacion T : V  W es llamada uno a uno si la preimagen de of
cada w en el rango consiste de un vector .
T es uno - a - uno sis y solo si para todo u y v enV, T (u)  T ( v )
implica que u  v.

uno-a-uno no uno-a-uno
• Sobre (epi):
Una transformacion T : V  W es llamada a ser sobre si cada elemento
en w tiene una pre imagen en V
(T es sobre W cuando W es igual al rango de T.)
Como B  {1  x  2 x 2 } genera a Ker T y es linealmente
independiente, B es una base de Ker T; luego (T)  1 y
(T)  dim V - (T)  3 -1  2
Si la dimensión de la imagen de T es 2, Im (T)   2

El siguiente teorema caracteriza a

las aplicaciones lineales inyectivas,
epiyectivas y por tanto biyectivas.

Teorema: Sea T : V W aplicación lineal.

(1) T inyectiva  Ker T  {0}  (T)  0
(2) T epiyectiva  Im T  W  (T)  dim W

14
 Isomorfismos
Recordemos que una función f posee función inversa
f 1 si y sólo si f es biyectiva. 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.

Ejemplo: La aplicación lineal T : 3  3 definida por

T(x, y, z) = (x – y, 2y + z, x + y + z)
no es un isomorfismo puesto que Ker T = < {(1, 1, -2)}>
y, en consecuencia, no es inyectiva.

15
Ejercicio: Muestre que la siguiente aplicación de 3
en 3 es un isomorfismo,
T(x, y, z) = (x - y, 2y + z, x + 2y + z)

Si T es una aplicación de V en W,
observe que,
• T isomorfismo  T invertible
• T isomorfismo  T1 isomorfismo

Y si dimV = dimW, entonces

T biyectiva  T inyectiva  T epiyectiva

16
Ejercicio: ¿Cuál (es) de las siguientes funciones T son
invertibles?
1) T : 3  3; T(x,y,z)  (x, 2x- y,x  4y-z)
2) T:3  P [x]; T(a,b, c)  (a  c)  (2a  b  c)x  (3a  b  c)x2
2

4  a b
3) T : M2 ()   ; T   (a  d, 2c, a  c, c-d)
 c d

Si T: V W es un isomorfismo,
entonces se dice que los espacios V y
W son isomorfos, en cuyo caso se
anota V W .

17
 Ejemplo: Los espacios 3 y P2[x] son isomorfos; el
isomorfismo “natural” entre ellos es
T(a, b, c)  a  bx  cx 2

a b
El isomorfismo T   (a, b, c, d) establece que los
c d
espacios M2 () y  4 son isomorfos.


Teorema: Todo espacio vectorial

real de dimensión finita n es
isomorfo a n .

18
Algebra Lineal
 Transformaciones lineales y matrices
Sea AMmxn() y consideremos la aplicación,
TA : n  m definida por TA (X)  AX

Para X, Y n y  se tiene que,

i) TA (X  Y)  A (X  Y)  A X  AY  TA (X)  TA (Y)
ii) TA ( X)  A( X)   (AX)   TA (X)

Es decir, TA es una transformación lineal, que se

llama aplicación lineal asociada a la matriz A.

19
 MATRIZ QUE REPRESENTA A UNA TRANSFORMACIÓN
LINEAL RESPECTO A LAS BASES CANÓNICAS

Dada la transformación lineal T : Rn Rm

A= ...

T( e j )
Las columnas de A son las coordenadas de T( ej )
relativas a la base canónica R
m
  1  3
 
Ejemplo: Sea A    4 0 y determinemos la aplicación
 2 1
 lineal asociada a A.

TA : 2  3 ; TA (x, y)  ?
 1  3  x  3y 
  x  
  4 0      
 2 4x   y   2x  y
 1  

TA : 2  3 ; TA (x, y)  (x - 3y, - 4x, 2x y)

Ejercicio: Encuentre la aplicación lineal asociada a

2 1 1   0 0 0
las matrices A  0    e I3
0 7 5 
 0 0 0

20
 Matrices para transformaciones de líneales
• Dos representaciones de la transformacion lineal T:R3→R3 :

(1)T ( x1, x2 , x3 )  (2x1  x2  x3 ,x1  3x2  2x3 ,3x2  4x3 )

 2 1  1  x1 
(2)T (x)  Ax   1 3  2  x2 
  
 0 3 4   x3 
• Tres razones para la represenacion matricial de una
transformacion lineal
– Es simple de escribir.
– Es simple de leer.
– Es facilmente adaptable al uso de la computadora.
Denotemos por,
L(n , m) {T:n  m / T lineal}
L(n , m) es un espacio vectorial
real: el espacio de las aplicaciones
lineales de n en m .

Queremos establecer que el espacio L(n , m ) es

isomorfo a Mmxn() . Para ello debemos mostrar una
función entre estos espacios que sea un isomorfismo.
Consideremos,

F:Mmxn()  L( m,  n) definida por F(A)  TA

21
 F es una función bien definida y además es lineal, puesto
que TAB  TA  TB y TA  TA ,   
Ejercicio: Demuestre estas igualdades.
F es inyectiva pues Ker F = { A / TA  To }  { 0mn }

F es epiyectiva ya que para cada transformación

lineal T de n en m , existe una matriz AMmxn()
tal que F(A) = TA = T . Esta matriz A es única, se
llama matriz asociada a la transformación lineal T,
se denota [T] y se determina así:

22
Algebra Lineal
Sean {e1,....., en} y {e1,....., em} las bases canónicas
de n y m respectivamente. Entonces,
T(e1)  a11e1  a 21e 2  . . . . .  a m1e m
T(e 2 )  a12 e1  a 22e 2  .....  a m2e m
...... ......
T(e n )  a1n e1  a 2n e 2  . . . . . a mn e m
y la matriz, 
t
 a 11 a 21 .... a m1 
 
 a12 a 22 .... a m2 
[T]   es tal que F([T]) = T
.... .... .... .... 
 
a a 2n .... a mn 
 1n

23
 Ejemplo: Consideremos la aplicación lineal,
T :  2   3 ; T(x, y)  (3x  y, x - y, 7x  2y)
y determinemos la matriz asociada a T.
Procedemos a evaluar T en los vectores de la base canónica
de 2 y luego, escribir estas imágenes como combinación
lineal de los vectores de la base canónica de 3 .
T(1, 0)  (3, 1, 7)  3(1, 0, 0)  1(0, 1, 0)  7(0, 0, 1)
T(0, 1)  (1, -1, - 2)  1(1, 0, 0)  1(0, 1, 0) - 2(0, 0, 1)
Entonces la matriz asociada a T es:
t 3 1
3 1 7  
[T]      1
1 1  2 1 7  2 


24
• Notas:
(1) La matriz estandar para la transformacion nula de Rn en Rm
es la matriz nula mn.
(2) La matriz estandar para la transformacion identidad de Rn en
Rn es la matriz identidad nn , In

• Composicion de T1:Rn→Rm con

T2:Rm→Rp :

T ( v)  T2 (T1 ( v)), v  Rn
T  T2  T1

dominio de T  dominio de T1
Ejercicio: Encuentre la matriz asociada a las
aplicaciones lineales,
T :  3   2 ; T(x, y, z)  (x  6y - z, 4x - 5y  2z)
T :  3   3 ; T(x, y, z)  (y - 2z, 3x  z, 9x  2y  z)

Como consecuencia del isomorfismo que

se ha establecido tenemos que:
[T + S] = [T] + [S]

[a T] = a [T] , a número real

Además, [T o S] = [T] [S] y si T es
invertible, [T-1]  [T]-1

25
 Matriz de cambio de base
Sea T :   m una aplicación lineal. Repetiremos
n

el procedimiento realizado para obtener la matriz

asociada a T pero considerando las bases B{ v1,....., vn}
y E { w1,....., wm}de n y m respectivamente.
Evaluamos T en los vectores de la base B y luego,
expresamos estas imágenes como combinación lineal de
los vectores de la base E.
T(v1)  a11w1  a 21w 2  . . . . .  a m1w m
T(v 2 )  a12 w1  a 22 w 2  .....  a m2 w m
...... ......
T(v n )  a1n w1  a 2n w 2  . . . . . a mn w m

26
 t
 a 11 a 21 .... a m1 
 
 a 12 a 22 .... a m2  E
La matriz,  se denota [T] B
.... .... .... .... 
 
a a 2n a mn 
 1n ....

 a 11 a 12 .... a 1m 
 
E  21
a a 22 .... a 2m 
Luego, [T ] B  
.... .... .... .... 
 
a a m2 .... a mn 
 m1

Cuando n = m y B = E , esta matriz se denota [T]B

27
Algebra Lineal
 E
La matriz [T]B está caracterizada así:
Si las coordenadas de v  n con respecto
a la base B son [v]B  X  (x1, ...., x n ) ,
entonces [T]BE X
son las coordenadas de
la imagen T(v) con respecto a la base E

En este caso, el isomorfismo entre transformaciones

lineales y matrices establece que:
[T  S] BE  [T] BE  [S] BE , T, S  L(n , m )

[ T] E   [T] E ,   , T  L(n , m
B B
[ToS] C [T]C [S]E , )T L(n , m), SL(m, k )
B E B

28
 Ejemplo: Consideremos la aplicación lineal,
T :  3   2 ; T(x, y, z)  (x  2y - z, 3x  z)
E
y determinemos la matriz [T]B donde,
B = { v = (1, 1, 1), u = (1, 1, 0), w = (1, 0, 0)} base de 3 y
E = {(2, 3), (-3, -5)} base de 2.
Tenemos que, T (1, 1, 1)  ( 2, 4)  1 (2, 3)   2 (-3, - 5)
T (1, 1, 0)  (3, 3)  1 (2, 3)   2 (-3, - 5)
T(1, 0, 0)  (1, 3)  1 (2, 3)   2 (-3, - 5)
Calculando las coordenadas obtenemos la matriz:
t
2  2
E    2 6  4

[T ] B   6 3 
4 2 3 3
  3 

29
Observación: Si B es cualquier base de n , entonces
la matriz de la aplicación identidad es [I n ]B  [ I ]B  In .

Pero si E es otra base de  , entonces [ I ] B
n E I .
n
E B
La matriz [ I ]B es una matriz invertible, su inversa es [ I ]E
y ambas son llamadas matrices de cambio de base,
nombre que se deriva de lo siguiente:
B  [T]E  [I] E  [T]B , TL(n, n)
[I] E E B B
aquí, E y B son bases de n .

30
 Matrices de Transicion y Similares
T :V  V ( una L.T.)
B  {v1 , v2 ,  , vn } ( una base de V ), B'  {w1 , w2 ,  , wn } (una base de V )
A  T (v1 )B , T (v2 )B , , T (vn )B  ( matriz de T relativa a B)
A'  T ( w1 )B ' , T ( w2 )B ' , , T ( wn )B '  (matriz de T relativa a B' )
P  w1 B , w2 B , , wn B  ( matriz transicion de B' a B )
P 1  v1 B ' , v2 B ' , , vn B '  ( matriz transicion de B a B' )
 v B  Pv B ' ,
vB '  P 1vB
T ( v)B  AvB
T ( v)B '  A' vB ' 6-38
Dos formas de llegar desde v B ' a T ( v)
B' :
indirecta
(1)(directa )
A'[ v ]B '  [T ( v )]B '

(2)(indirecta)
P 1 AP[ v ]B '  [T ( v )]B '

 A'  P 1 AP
directa

6-39
 Valores y vectores propios
En lo que sigue, T será una transformación lineal de
n en n ; por lo tanto cualquier matriz asociada a
T es una matriz cuadrada.

Un escalar   se llama valor propio de T (o

valor característico) si existe v  n , v  0 tal
que T(v)   v.

Si    es un valor propio de T, cualquier

v  n , v  0 tal que T(v)   v se llama
vector propio de T (o vector característico)
asociado al valor propio  .

31
Ejemplo:   2 es un valor propio de la aplicación lineal
T :  2   2 ; T(x, y)  (27x 10 y, 75x - 28y)

puesto que T(2, 5) = (4, 10) = 2 (2, 5). En este caso,

v = (2,5) es un vector propio de T asociado al valor propio 2.

Si  es un valor propio de T y denotamos

por V al conjunto de todos los vectores
propio de T asociados al valor propio  ,
entonces es fácil mostrar que V resulta ser
un subespacio de  . El subespacio V se
n

llama espacio propio de T asociado a  .

V  { v n / T(v)   v
}

32
 ¿Cómo determinamos
los valores y vectores
propios de T?

 es un valor propio de T 
 v   n , v  0 tal que T(v)   v 
 v   n , v  0 tal que T(v)   v  0 
 v   n , v  0 tal que (T   I n )(v)  0 
 v   n , v  0, v  Ker (T -  I n ) 
T   I n no invertible 
det [T   I n ]  0

33
Observe que p()  det [T   I n ] es un polinomio en 
de grado n y, los valores propios de T son las raíces
reales de dicho polinomio.

Por otra parte, V  { v  n / T(v)   v }

 { v   n / T(v) -  v  0}
 { v  n
/ (T -  I )(v) 
n
 Ker (T -  0} I )
n
Es decir, los vectores propios de T asociados a  son
los vectores del kernel de la transformación lineal (o
matriz) [T   I n ] .

34
 Ejemplo: Sea T la transformación lineal
T : 2  2 ; T(x, y)  (y, x)
 1
La matriz asociada a T es A  0  . Como la “ecuación
 1 0 
característica” de T,
 1
p()  0  det[ I - T] 0   0  2 1 0
1 
no tiene raíces reales, T no tiene valores propios.

Ejercicio: Muestre que los valores propios de la

siguiente transformación lineal T son 1 y 2.
T : 3  3 ; T(x, y, z)  (3x  y - z, 2x  2y- z, 2x  2y)

35
Algebra Lineal
Ejemplo: Los vectores propios de la transformación lineal
T:3  3 ; T(x, y, z)  (3x y- z, 2x 2y-z, 2x 2y)

se encuentran en Ker[T  I3 ] y Ker[T - 2I3 ]

2x  y - z  0
Ker[ T  I 3 ]  { (x, y, z)  3 / }
2x  2y - z  0
  { (1, 0, 2) } 
xyz  0
Ker[ T  2 I 3 ]  { (x, y, z)   3 / 2x - z  0 }
2x  2y - 2z  0
  { (1, 1, 2) } 

36
 Diagonalización
Se dice que una base B de n diagonaliza a la
transformación lineal T si la matriz [T]B asociada a T es
una matriz diagonal. Cuando tal base B existe, se dice
que T es diagonalizable.
Una matriz A Mn () es diagonalizable si la aplicación
lineal asociada a A lo es.
¿Cuándo T es
diagonalizable?

Teorema: T diagonalizable si y
sólo si existe B base de n formada
por vectores propios de T.

37
Ejemplo: La transformación lineal T :3  3 ;
T(x, y, z) (-9x8y4z, 8x7y-4z, -8x8y3z)
tiene dos valores propios: 3 y -1. Los espacios propios
asociados son,
Ker[T - 3I3 ]   { (1, -1, 1) } 
Ker[T  I3 ]   { (1, 0, 2), (0,1, 2) } 

Y B = {(1, -1, 1), (1, 0, 2), (0, 1, 2)} es una base de 3 que
diagonaliza a T; en este caso,
3 0 0
 
[ T ]B   0 1 0
  1 
0 0

38
 Ejemplo: La transformación lineal T :3  3 ;
T(x, y, z) (3x y-z, 2x2yz, 2x2y)
tiene dos valores propios: 1 y 2. Sin embargo, T no es
diagonalizable. Los espacios propios asociados son,

Ker[T - I3 ]   { (1, 0, 2) } 
Ker[T - 2I 3 ]   { (1,1, 2) } 
Y es imposible encontrar una base de 3 formada por
vectores propios de T.

39
Algebra Lineal
Ejercicio: Determine si la siguiente transformación
lineal T es o no es diagonalizable.
T:3  3 ; T(x, y, z) (3x- yz, 7x5yz, -6x6y-2z)

El hecho que T sea diagonalizable significa

que la matriz [T] asociada a T, es “similar” a la
matriz diagonal [T]B en el sentido siguiente:

Existe P matriz invertible tal que [T]B  P1[T] P

40