MISANTLA, VER.

A 22 DE JULIO DE 2020
1. Introducción…………………………………………………………………………….2
2. Definición de espacio vectorial……………………………………………………3, 4
3. Definición de subespacio vectorial………………………………………………..…5
2.1. Propiedades………………………………………………………………...…….6
4. Combinación líneal…………………………………………………………………7, 8
3.1. Independencia lineal…………………………………………………….9, 10, 11
5. Base y dimensión de un espacio vectorial, cambio de base…………...12, 13, 14
6. Espacio vectorial con producto interno……………………………………………15
5.1. Propiedades…………………………………………………………………….16
7. Base ortonormal, proceso de orto normalización Gram-Schmidt…17, 18, 19, 20
8. Definición de transformación lineal……………………………………….21, 22, 23
9. Núcleo e imagen de una transformación lineal………………………………24, 25
10. Representación matricial de una transformación lineal……………………….…26
11. Aplicación de las transformaciones lineales………………………………….27, 28
10.1. Reflexión……………………………………………………………………….28
10.2. Dilatación………………………………………………………………………28
10.3. Contracción……………………………………………………………………28
10.4. Rotación……………………………………………………………………….28
12. Conclusiones………………………………………………………………………...29
13. Bibliografía…………………………………………………………………………...30

1
 Introducción
Los espacios vectoriales son conjuntos con una estructura adicional, al saber, sus
elementos se pueden sumar y multiplicar por escalares del campo dado, conviene
utilizar funciones que preserven dicha estructura. Estas funciones se llamarán
transformaciones lineales y en el presente capitulo las estudiaremos. Más adelante
mostraremos que las transformaciones lineales se pueden representar en términos
de matrices, y viceversa.

Se denomina transformación lineal a toda función cuyo dominio e imagen sean

espacios vectoriales y se cumplan las condiciones necesarias. Las
transformaciones lineales ocurren con mucha frecuencia en el álgebra lineal y en
otras ramas de las matemáticas, tienen una gran variedad de aplicaciones
importantes. Las transformaciones lineales tienen gran aplicación en la física, la
ingeniería y en diversas ramas de la matemática.

Estudiaremos las propiedades de las transformaciones lineales, sus diferentes

tipos, así como la imagen, el núcleo, y como se desarrolla en las ecuaciones
lineales.

2
 Definición de espacio vectorial
En el estudio de las matemáticas o de la física, el término vector se aplica a una
amplia variedad de objetos, principalmente a cantidades que representan
magnitudes y dirección, ya sea una fuerza, una velocidad o una distancia. El término
vector también se usa para describir entidades como matrices, polinomios o
funciones.

Espacio vectorial real. Un espacio vectorial real V es un conjunto de objetos,

denominados vectores, junto con dos operaciones binarias
llamadas suma y multiplicación por un escalar y que satisfacen los diez axiomas
enumerados a continuación. Notación. Si “x” y “y” están en V y si a es un número
real, entonces la suma se escribe como

“x + y” y el producto escalar de a y x como ax.

Antes de presentar la lista de las propiedades que satisfacen los vectores en un

espacio vectorial deben mencionarse dos asuntos de importancia. En primer lugar,
mientras que puede ser útil pensar en R2 o R3 al manejar un espacio vectorial, con
frecuencia ocurre que el espacio vectorial parece ser muy diferente a estos cómodos
espacios (en breve tocaremos este tema). En segunda instancia, la definición 1
ofrece una definición de un espacio vectorial real. La palabra “real” significa que los
escalares que se usan son números reales. Sería igualmente sencillo definir un
espacio vectorial complejo utilizando números complejos en lugar de reales. Este
libro está dedicado principalmente a espacios vectoriales reales, pero las
generalizaciones a otros conjuntos de escalares presentan muy poca dificultad.

Axiomas de un espacio vectorial.

1- Si X pertenece a V y Y pertenece a V, entonces X+Y pertenece a V.

2- Para todo X, Y y Z en V, (x+y)+z = x(y+z).

3- Existe un vector |0 pertenece V tal que para todo X pertenece a V, X+0=0+X=X.

4- Si x pertenece a V, existe un vector –x en V tal que x+(-x)=0.

3
5- Si X y Y están en V, entonces x+y=y+x.

6- Si x pertenece a V y a es un escalar, entonces ax pertenece a V.

7- Si X y Y están en V y a es un ecalar, entonces a(x+y)= ax + ay

8- Si X pertenece a V y a y b son escalares, entonces (a+b) x = ax+ by.

9- Si X pertenece a V y a y b son escalares, entonces a(bx) = (ab)x.

10- Para cada vector X pertenece a V, 1x = x.

4
 Definición de subespacio vectorial
Sea H un subconjunto no vacío de un espacio vectorial V y suponga que H es en sí
un espacio vectorial bajo las operaciones de suma y multiplicación por un escalar
definidas en V. Entonces se dice que H es un sub espacio de V.

Existen múltiples ejemplos de sub espacio, sin embargo, en primer lugar, se

demostrará un resultado que hace relativamente sencillo determinar si un
subconjunto de V es en realidad sub espacio de V

Teorema de sub espacio

Un subconjunto no vacío de H de un espacio vectorial V es un sub espacio de V si

se cumplen las dos reglas de cerradura:

Reglas de cerradura para ver si un subconjunto no vació es un sub espacio

i) Si x € H y y € H, entonces x + y € H.
ii) Si x € H, entonces αx € H para todo escalar α.

Es obvio que si H es un espacio vectorial, entonces las dos reglas de cerradura se

deberán cumplir. De lo contrario, para demostrar que es un espacio vectorial, se
deberá demostrar que los axiomas i) a x) de la definición cumplen bajo las
operaciones de suma de vectores y multiplicación por un escalar definidas en V. Las
dos operaciones de cerradura [axiomas i) y iv)] se cumplen por hipótesis, como los
vectores en H son también vectores en V, las identidades asociativa, conmutativa,
distributiva y multiplicativa [axiomas ii), v), vii), viii), ix) y x)] se cumplen.

Este teorema demuestra que para probar si H es o no es un sub espacio de V, es

suficiente verificar que:

x + y y αX están en H cuando x y y están en H y α es un escalar.

5
Propiedades
a). El vector cero de V está
en H.2
b). H es cerrado bajo la suma de vectores. Esto es, para cada u y v en
H, la suma u + v está en H.
c). H es cerrado bajo la multiplicación por escalares. Esto es, para cada
u en H y cada escalar c, el vector cu está en H.

Las propiedades (a), (b) y (c) garantizan que un subespacio H de V es en sí mismo

un espacio vectorial, bajo las operaciones de espacio vectorial ya definidas en V.
Para verificar esto, observe que las propiedades (a), (b) y (c) son los axiomas 1, 4
y 6. Los axiomas 2, 3, y del 7 al 10 son verdaderos de manera automática en H
porque se aplican a todos los elementos de V, incluidos aquellos que están en H. El
axioma 5 también es verdadero en H, porque si u está en H, entonces (−1)u está en
H según (c), y por la ecuación (3) de la página 217 se sabe que (−1)u es el vector
−u del axioma 5.

6
 Combinación lineal
Una combinación lineal de dos o más vectores es el vector que se obtiene al sumar
esos vectores multiplicados por escalares.
Cualquier vector se puede poner como combinación lineal de otros que tengan
distinta dirección.
Esta combinación lineal es única.
Sean v1,v2,…,vn vectores en un espacio vectorial V. Entonces cualquier vector de
la forma:
α1v1+α2v2+…+αnvn
donde α1v1+α2v2+…+αnvn son escalares se denomina combinación lineal de
v1,v2,…,vn.
Todo vector V = (a, b, c) en R3 se puede expresar como
i = (1,0,0);
j = (0,1,0);
k =(0,0,1)
V = (a, b, c) = a(i) + b(j) + c(k)
Entonces se dice que V es una combinación lineal de los 3 vectores i,j,k.
Consideremos un espacio vectorial V y sea S={u1, u2, ......un} un conjunto de
vectores de V. Se llama combinación lineal de estos al vector x obtenido de la
siguiente forma:

x = α1u1 + α2u2 + ..............+ αnun. donde α1, α2, ....... αn son números reales.

Ejercicio:
Sean los vectores u = (-2, 1); v = (0, 5) y w = (7, -3) vectores de R2. Forma
combinaciones lineales con ellos.

Solución:
Haremos 2 combinaciones lineales de estos vectores eligiendo números reales
cualesquiera, por ejemplo,

x = u – v + 2w = (-2, 1) – (0, 5) + 2(7, -3) = (12, -10)

y = -5u +0v +2w = -5(-2, 1) + 0(0, 5) +2(7, -3) = (24, -11)

7
El conjunto formado por todas las combinaciones lineales de u1, u2, .......un se
representa por u1 , u 2 ,.......u n  o bien por L(u1 , u 2 ,......., u n ) y es un subespacio

vectorial de V. Se le llama subespacio engendrado por u1, u2, ......un y el conjunto

{u1, u2, ......un} es un sistema de generadores de dicho subespacio.

Ejemplo:
Si consideramos los vectores de R3 u1 = (1, -2, 1); u2 = (1, 2, 3), cualquier vector

x = (x1, x2, x3) de L(u1 , u 2 ) cumplirá la siguiente relación:

(x1, x2, x3) = α (1, -2, 1)+β(1, 2, 3), y de ahí resulta:

x1 =  + 
x 2 = −2 + 2
x3 =  + 3

Estas ecuaciones reciben el nombre de ecuaciones paramétricas del subespacio.

8
 Independencia lineal
Los vectores son linealmente independientes si tienen distinta dirección y sus
componentes no son proporcionales.
Un conjunto de vectores {v1,v2,…,vk} es un espacio vectorial V es linealmente
dependiente si existen escalares c1,c2,…,ck, al menos uno de los cuales no es cero,
tales que:
c1v1+c2v2+…+ckvk=0
Si los vectores no son linealmente dependientes, se dice que son linealmente
independientes.

Criterios de Independencia Lineal

Sean u1, u2, …,uk k vectores en Rn y A la matriz que tiene como columnas a estos
vectores, los vectores son linealmente independientes si el sistema Ax = 0 tiene
únicamente solución trivial.
Los vectores son linealmente dependientes si el sistema Ax=0 tiene soluciones no
triviales (solución múltiple).
Si k=n
Los vectores son linealmente independientes si A es invertible
Si k>n
Los vectores son linealmente dependientes.
Dos vectores en un espacio vectorial son linealmente dependientes si uno de ellos
es múltiplo escalar del otro.
Un conjunto de vectores linealmente independientes en n contiene a lo más n
vectores.
Tres vectores en 3 son linealmente dependientes si y sólo si son coplanares, esto
es, que están en un mismo plano.

Dependencia lineal.
Un conjunto de vectores u1, u2, ......un de un espacio vectorial V se dice que es libre
si la relación
1u1 +  2 u 2 + ......... +  n u n = 0 implica que 1 =  2 = ........ =  n = 0

9
es decir, que no hay ninguna combinación lineal de ellos que dé como resultado el
vector cero, salvo las que tienen todos los coeficientes nulos.
En este caso se dice que los vectores u1, u2, ......un son linealmente independientes.

Un conjunto de vectores es ligado si existen escalares α1, α2, ............, αn, no todos

nulos, que verifican la relación 1u1 +  2 u 2 + ......... +  n u n = 0 . También se dice que

los vectores citados son linealmente dependientes.

Teorema: Un conjunto de vectores son linealmente dependientes sí y solo sí alguno

de ellos se puede expresar como combinación lineal de los otros.
Ejercicio:
Tres vectores de un espacio vectorial u, v y w verifican la relación 2u-4v+w=0. ¿Son
linealmente dependientes?.
Solución:
Es claro que son linealmente dependientes porque la relación indicada es una
combinación que da como resultado el vector cero y existen coeficientes no nulos.
(es este caso todos).
Además, se puede expresar alguno de ellos como combinación lineal de los otros.
Basta con despejarlo en la relación dada: 2u-4v+w=0; w = -2u + 4v

Propiedades de la dependencia lineal.

• Si entre los vectores u1, u2, ......un figura el vector 0, son linealmente
dependientes.
• Un solo vector, si es distinto de cero, es linealmente dependiente.
• Dos vectores de R2 son linealmente dependientes sí y solo sí tienen las
respectivas componentes proporcionales.

Estudio de la dependencia lineal.

La dependencia lineal de un conjunto de vectores podemos estudiarla aplicando las
transformaciones de Gauss. Si llegamos a obtener un cuadro de vectores de modo
que en la diagonal no haya ningún cero y debajo de la diagonal todas las

10
componentes sean nulas, el conjunto de vectores es libre. Si resulta algún vector
con todas sus componentes nulas se trata de un conjunto ligado.
Ejemplo:
Estudiemos la dependencia lineal de los vectores (-1, 1, 1), (1, -1, 1) y (2, 1, -3)
−1 1 1 −1 1 1 -1 1 1
     
 1 -1 1  0 0 2 0 3 0
 2 1 - 2  0 3 0  0 0 2 
  ~ ~ 
En la última transformación hemos cambiado el orden de los vectores segundo y
tercero.
Ahora tenemos todos los elementos de la diagonal principal distintos de cero y
debajo de dicha diagonal ceros, por tanto, los vectores son linealmente
independientes.

11
 Base y dimensión de un espacio vectorial, cambio de base

Un conjunto de vectores S={v1, v2,…, vn} en un espacio vectorial V se denomina

base de V si se cumplen las siguientes condiciones.

* S genera a V.

* S es linealmente independiente

Una base posee 2 características que se acaban de ver, debe tener suficientes
valores para generar a V, pero no tantos de modo que uno de ellos pueda escribirse
como una combinación lineal de los demás vectores en S. Si un espacio vectorial
consta de un número finito de vectores, entonces V es de dimensión finita. En caso
contrario, V es de dimensión infinita.

Base

En términos generales, una “base” para un espacio vectorial es un conjunto de

vectores del espacio, a partir de los cuales se puede obtener cualquier otro vector
de dicho espacio, haciendo uso de las operaciones en él definidas.

La base es natural, estándar o canónica si los vectores v1, v2,…, vn forman base
para Rn.

Si S={v1, v2,…, vn} es una base para un espacio vectorial V entonces todo vector v
en V se puede expresar como:

1. V = c1v1+ c2v2+…+ cnvn

2. V = k1v1+ k2v2+…+ knvn

Restar 2-1

0 = (c1- k1) v1+(c2- k2) v2+…+(cn- kn) vn

Unicidad representación de la base

Si S = {v1, v2,…, vn} es una base de un espacio vectorial V, entonces todo vector
en V puede escribirse de una y solo una forma como combinación lineal de vectores
en S.

12
Para demostrar la unicidad (que en un vector dado puede representarse sólo de una
manera), se supone que u tiene otra representación u= b1v1 + b2v2+…+bnvn. Al
restar la segunda representación de la primera se obtiene:

u-u = (c1-b1)v1 + (c2-b2)v2 +… + (cn-bn)vn = 0.

Sin embargo como S es linealmente independiente, entonces la única solución de

esta ecuación es la trivial,

c1-b1=0 c2-b2=0, …, cn-bn=0.

Ejemplo: Unicidad de la Representación de la Base

Sea u = (u1, u2, u3) cualquier vector en R3. Demuestre que la ecuación u= c1v1+
c2v2 + c3v3 tiene solución única para la base S= {v1, v2, v3}= {(1,2,3),(0,1,2), (-2,0,1).

Solución: Con base en la ecuación

(u1, u2, u3)= c1(1,2,3) + c2(0,1,2)+c3(-2,0,1)

= (c1-2c, 2c1 + c2, 3c1 + 2c2 + c3),

Se obtiene el siguiente sistema de ecuaciones

C1 -2c3= u1

2C1 + C2 = u2

3C1 + 2C2 + C3= u3

A C U

13
Como la matriz A es invertible, se sabe que este sistema tiene una solución única
dada por C=A-1U. Al despejar A-1 se obtiene

Lo cual implica que

c1= -u1 + 4u2 – 2u3

c2= 2u1 – 7u2 + 4u3

c3= -u1 + 2u2 – u3

Por ejemplo, el vector u = (1,0,0) puede representarse de manera única como una
combinación lineal de v1, v2 y v3 en la forma siguiente.

(1,0,0) = -v1 + 2v2 – v3

Dimensión

Se llama dimensión de un espacio vectorial V al número de vectores que hay en

cualquiera de sus bases. Se denota dim (V).

La dimensión de Rn con las operaciones normales es n.

La dimensión de Pn con las operaciones normales es n+1.

La dimensión de Mm,n con las operaciones normales es mn.

Si W es un subespacio de un espacio vectorial n-dimensional, entonces se puede

demostrar que la dimensión de W es finita y que la dimensión de W es menor o igual
que n.

14
 Espacio vectorial con producto interno

Producto Interno:

Un producto interno sobre un espacio vectorial V es una operación que asigna a

cada par de vectores u y v en V un número real <u, v>.

Un producto interior sobre V es una función que asocia un número real ‹u, v› con
cada par de vectores u y v cumple los siguientes axiomas:

Propiedades:

i. (v, v) ≥ 0

ii. (v, v) = 0 si y sólo si v = 0.

iii, (u, v +w) = (u, v)+ (u, w)

iv. (u + v, w) = (u, w)+(v, w)

v. (u, v) = (v, u)

vi. (αu, v) = α(u, v)

vii. (u, αv) = α(u, v)

15
Espacios con producto interior:

El producto interior euclidiano es solo uno más de los productos internos que se
tiene que definir en Rn Para distinguir entre el producto interno normal y otros
posibles productos internos se usa la siguiente notación.

u ●v = producto punto (producto interior euclidiano para Rn)

‹u, v› = producto interno general para espacio vectorial V.

Propiedades de los productos interiores:

1. ‹0, v› = ‹v, 0› = 0

2. ‹u + v, w› = ‹u, w› + ‹v, w›

3. ‹u, cv› = c‹u, v›.

Un espacio vectorial con producto interno se denomina espacio con producto

interno.

16
 Base ortonormal, proceso de orto normalización Gram-Schmidt

Los vectores de una base pueden ser mutuamente perpendiculares, o pueden no

serlo. Cuando son mutuamente perpendiculares se dice que es una base
ortonormal.

Recuérdese que dos vectores u y v en son ortogonales si y sólo si u · v =

0.

Si se tiene un conjunto de tres vectores u, v y w en , y se quiere verificar

que sean un conjunto ortogonal, se necesitan realizar todas las combinaciones de
los productos punto:

u·v , u·w , v·w

Ejemplo 1.

Sean los vectores u = (1, 2, 1), v = (4, 0, -4) y w = (1, -1, 1), ¿son un conjunto
ortogonal?

Al realizar los productos punto

u·v=0 , u·w=0 , v·w=0

nos damos cuenta de que todos son iguales a cero, por lo que el conjunto de
vectores es ortogonal.

Un conjunto de n vectores en es una base ortonormal si:

· El conjunto es base de y
· Es un conjunto ortogonal.

17
 Proceso de ortonormalización de Gram – Schmidt

Es posible transformar cualquier base en (no ortogonal y, por lo tanto, no

ortonormal) en una base ortonormal usando el proceso de ortonormalización de
Gram – Schmidt. Este método fue desarrollado por Jorgen Gram (1850-1916),
actuario danés, y Erhardt Schmidt (1876-1959), matemático alemán.
Las fórmulas para este proceso incluyen normalizaciones (vectores unitarios), así
como proyecciones de un vector sobre otro para obtener vectores ortogonales.

Consideremos el proceso para n = 3.

Sean los vectores , y una base de . Obtendremos una base

ortonormal a partir de estos vectores.

Primer paso.

Obtener un primer vector unitario :

Segundo paso.

Obtener un vector ortogonal a :

Tercer paso.

Normalizar :

18
Cuarto paso.

Obtener un vector ortogonal a y a :

Quinto paso.

Normalizar :

Ejemplo.

Considere los vectores = (1, 0, 1), = (0, 1, 1) y = (1, 0, 0) base

de . Transformar esta base en una base ortonormal por el proceso de Gram –

Schmidt.

Primer paso.

Obtener un primer vector unitario :

Segundo paso.

Obtener un vector ortogonal a :

19
Tercer paso.

Normalizar :

Cuarto paso.

Obtener un vector ortogonal a y a :

Quinto paso.

Normalizar :

Finalmente, el conjunto de vectores , , y es una base ortonormal de

.

20
 Definición de transformación lineal

Definición: Las transformaciones lineales son las funciones y tratan sobre K-

espacios vectoriales que son compatibles con la estructura (es
decir, con la operación y la acción) de estos espacios. Aquí se presentan las
funciones entre espacios vectoriales que preservan las cualidades de los
espacios vectoriales.

Es decir, de funciones que preservan la suma y la multiplicación por escalares.

Nosotros usaremos el concepto de la función para darle un tratamiento a los

sistemas de ecuaciones lineales. La restricción que haremos será sobre el tipo de
funciones: solo estaremos interesados en funciones que preserven las operaciones
en el espacio vectorial. Este tipo de funciones serán llamadas funciones lineales.
Primeramente las definiremos, veremos algunas propiedades generales y después
veremos cómo se aplican estos resultados a sistemas de ecuaciones.

Sean V y W dos espacios vectoriales posiblemente iguales.

Una transformación lineal o mapeo lineal de V a W es una función
T : V → W tal que para todos los vectores u y v de V y cualquier escalar c:
a) T (u + v) = T (u) + T (v)
b) T (c u) = c T (u)

Demuestre que la transformación T : R2 →R2 definida por

es lineal.

21
Entonces:

Por otro lado, para todo escalar c,

Como se cumplen las dos condiciones:

T es lineal.

Una transformación lineal preserva combinaciones lineales. Veremos que, debido a

esto, una transformación lineal queda unívoca-mente determinada por los valores
que toma en los elementos de una base cualquiera de su dominio.

22
Teniendo en cuenta que las transformaciones lineales son funciones entre
conjuntos, tiene sentido estudiar la validez de las propiedades usuales de funciones:
inyectividad, suryectividad y biyectividad.
Las transformaciones lineales que verifican alguna de estas propiedades reciben
nombres particulares:
Definición 3.6 Sean V y W dos K-espacios vectoriales, y sea f : V → W una
transformación lineal. Se dice que:

1. f es un monomorfismo si f es inyectiva.

2. f es un epimorfismo si f es suryectiva.

3. f es un isomorfismo si f es biyectiva.

En algunos casos, consideraremos transformaciones lineales de un K-espacio

vectorial en s ı́ mismo:

Sea V un K-espacio vectorial. Una transformación lineal f : V → V se llama un

endomorfismo de V . Si f es un endomorfismo que es además un isomorfismo,
entonces se dice que es un automorfismo.

23
 Núcleo e imagen de una transformación lineal
Definición (la imagen de una transformación lineal). Sean V, W espacios vectoriales
sobre un campo F y sea T ∈ L(V, W). La imagen de T se define como el conjunto de
todos los valores de la aplicación T: im(T) := w ∈ W : ∃v ∈ V tal que w = T(v) .

Definición (el núcleo de una transformación lineal). Sean V, W espacios vectoriales

sobre un campo F y sea T ∈ L(V, W). El núcleo (kernel, espacio nulo) de T se define
como la preimagen completa del vector nulo: ker(T) := x ∈ V : T(x) = 0W .

Proposición (el núcleo de una transformación lineal es un subespacio vectorial del

dominio). Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L(V, W).
Entonces ker(T) es un subespacio de V .

Proposición (la imagen de una transformación lineal es un subespacio vectorial del

codominio). Sean V, W espacios vectoriales sobre un campo F y sea T ∈ L(V, W).
Entonces im(T) es un subespacio de W. Parte de demostración. Se aplica el criterio
de subespacio. Se demuestra que el conjunto im(T) es cerrado bajo la adición y bajo
la multiplicación por escalares, además contiene al vector cero. Mostremos que el
conjunto im(T) es cerrado bajo la adición. Sean w1, w2 ∈ im(T). Por la definición de
la imagen, existen v1, v2 ∈ V tales que w1 = T(v1), w2 = T(v2). Por la linealidad de
T, T(v1 + v2) = T(v1) + T(v2) = w1 + w2. Logramos encontrar un vector x = v1 + v2
tal que T(x) = w1 + w2. Por la definición de la imagen, esto implica que w1 + w2 ∈
im(T).

Teorema 1

Sea T: V S W una transformación lineal. Entonces para todos los vectores u, v, v1,

v2, . . . , vn en V y todos los escalares a1, a2, . . . , an:

i. T(0) = 0

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

iii. T(a1v1 + a2v2 +. . .+ anvn) = a1Tv1 + a2Tv2 +. . .+ anTvn

24
Nota. En la parte i) el 0 de la izquierda es el vector cero en V; mientras que el 0 de
la

derecha es el vector cero en W.

Teorema 2

Sea V un espacio vectorial de dimensión finita con base B = {v1, v2, . . . , vn}.
Sean w1,

w2, . . . , wn vectores en W. Suponga que T1 y T2 son dos transformaciones

lineales de V

en W tales que T1vi = T2vi = wi para i = 1, 2, . . . , n. Entonces para cualquier

vector v ∈

V, T1v = T2v; es decir T1 = T2.

Observación 1. Observe que un T es no vacío porque, de acuerdo al teorema 1,

T(0) = 0 de manera que 0 ϵ un T para cualquier transformación lineal T. Se tiene
interés en encontrar otros vectores en V que “se transformen en 0”. De nuevo,
observe que cuando escribimos T(0) = 0, el 0 de la izquierda está en V y el de la
derecha en W.

Observación 2. La imagen de T es simplemente el conjunto de “imágenes” de los

vectores en V bajo la transformación T. De hecho, si w = Tv, se dice que w es la
imagen de v bajo T.

25
 Representación matricial de una transformación lineal

Su definición Sean V y W dos espacios vectoriales de dimensión n y m,

respectivamente, y sea T: V→W una transformación lineal, entonces existe una
matriz A de orden m × n llamada matriz de transformación o representación
matricial de T que satisface T(v) = Av para toda v en V.

Representación Matricial de una transformación R3 en R4.

Si se tiene una transformación T: R3 → R4 dada por

La T representa la transformación, que será representada por A T, mientras que la

matriz a su lado representa el vector original. El resultado es la transformación
realizada. Para poder representarla de forma matricial lo que se debe obtener es la
matriz de transformación. Ya que a la vez se obtiene, se pueden determinar otros
datos como el núcleo y la imagen de la transformación.

Para este caso utilizando el resultado de la transformación, se puede determinar

fácilmente la matriz de transformación, separando el vector original y determinando
las operaciones que se realizaron.;

Y su representación quedaría como la matriz de trasformación multiplicando al

vector original para dar como resultado a la transformación:

26
 Aplicación de las transformaciones lineales

Graficar un conjunto de puntos en otro es lo que se conoce como transformación

lineal de un conjunto de puntos. Existen ciertas propiedades básicas de las
transformaciones lineales, las cuales si son tomadas en cuenta y aplicadas al
momento de resolver un problema, pueden reducirlo un problema simple. La
notación general utilizada para una transformación lineal es T: Rn

Transformaciones lineales
Las transformaciones lineales forman un “hilo” que se entreteje en la tela de este
texto. Su utilización mejora el sentido geométrico de lo escrito. Por ejemplo, en el
capítulo 1, las transformaciones lineales proporcionan una visión dinámica y gráfica
de la multiplicación matriz-vector.

1. Reflexión: Cuando un conjunto de puntos dados es graficado desde el espacio

euclidiano de entrada a otro de manera tal que este es isométrico al espacio
euclidiano de entrada, llamamos a la operación realizada la reflexión del conjunto
de puntos dado. Esto puede realizarse también con respecto a la matriz, en tal
situación la matriz de salida es llamada la matriz de reflexión. La reflexión es
realizada siempre con respecto a uno de los ejes, sea el eje x o el eje y. Esto es
como producir la imagen espejo de la matriz actual.

2. Expansión: Al igual que en la reflexión, también es posible expandir los puntos

dados en una dirección particular. La expansión se realiza habitualmente para un
cierto grado. Es como realizar una operación de multiplicación de los elementos del
conjunto de puntos dados con un término escalar hacia la dirección donde tiene que
ser expandido. Sea para un punto (2, 3) si el grado de expansión 2 es la dirección
de y, entonces el nuevo punto obtenido es (2, 6).

3. Contracción: La contracción es el procedimiento inverso de la expansión. Aquí el

punto es contraído en un determinado grado hacia una dirección dada. Sea el punto
de entrada (4, 8) y este debe ser contraído para el grado dos en la dirección de x
entonces el nuevo punto resulta ser (2, 8).

27
4. Rotación: El término rotación tiene dos significados, ya la rotación de un objeto
puede ser realizada con respecto al eje dado o al eje mismo. La rotación se realiza
para un cierto grado el cual es expresado en forma de un ángulo. Asimismo, la
rotación puede realizarse en la dirección de las manecillas del reloj, o inverso a las
manecillas del reloj.

28
 Conclusiones

Rosario

El trabajo con los contenidos de la asignatura Álgebra Lineal por parte del profesor
tiene altísimas posibilidades para que el alumno adquiera formas de pensar que
aunque propias de la Matemática (Álgebra) puede usar en la vida privada y
profesional; dado que ante un problema práctico vinculado con su especialidad y
donde su solución sea usando los conocimientos del Álgebra Lineal le exige
desarrollar sus capacidades mentales generales, es decir, adquiere un método de
razonamiento que puede transpolar a otras situaciones futuras en la vida.

Con esta manera de trabajar en la asignatura, al alumno se le coloca en situaciones

que tiene que usar formas de trabajo ya conocidas de la matemática (Álgebra), lo
que induce en la necesidad de buscar relaciones para arribar a conocimientos
nuevos y sea él mismo el "descubridor del conocimiento buscado".

Jorge

La contribución de la asignatura Álgebra Lineal al desarrollo del alumno no radica

esencialmente en sus contenidos, sino en las posibilidades que estos brindan para
el desarrollo de sus actividades mentales.

Los profesores no tienen que demostrar solamente que tienen un buen dominio de
los conocimientos de la asignatura, sino que saben extraerle a estos las
potencialidades para trabajar y desarrollar en el alumno métodos de razonamientos
válidos para la vida y ahí está el aporte de esta asignatura a la FORMACION PARA
LA VIDA DEL ALUMNO.

29
 Bibliografía

• Algebra Lineal - Combinación Lineal. (s. f.). MTY ITESM.

[Link]

lineal

• Definición Espacio Vectorial. (s. f.). Delta Cs Investav Mx.

[Link]

• IV). (s. f.). Bases Ortonormales.

[Link]

%[Link]

• L. (2016a, marzo 14). Subespacios Vectoriales. Algebra lineal.

[Link]

david-c-lay/

• L. (2016b, abril 8). Representación matricial de una transformación lineal. Algebra

lineal. [Link]

una-transformacion-lineal/

• S., G. (Ed.). (2007). Álgebra Lineal Sexta Edición (Sexta Edición ed., Vols. 1-6). S.I.

• Sistemas Algebra Lineal. (s. f.). Sistemas Álgebra Lineal. Recuperado 20 de julio de

2020, de [Link]

transformaciones-lineales/home

30