• Author / Uploaded
• Roberto Pérez Velasco

Citation preview

Instituto tecnológico de Tuxtla gutierrez

Instituto tecnológico Nacional (Instituto tecnológico de Tuxtla Gutiérrez)

Algebra lineal unidad 4 y 5 “Espacio vectoriales y transformaciones lineales” Alumno: López Pérez Jesús Alberto (17271187) Pérez Velasco Roberto Antonio (14270811)

Ing. Mecánica Segundo semestre grupo “C”

Catedrático: Ing. Juarez Ontiveros alonso

Fecha de entrega: 28 de mayo de 2015

Tuxtla Gutiérrez, Chiapas.

Introducción

Instituto tecnológico de Tuxtla gutierrez 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 R 2 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. 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 sera 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 como 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

Contenido Página XXXVI

Instituto tecnológico de Tuxtla gutierrez Introducción........................................................................................................ II Unidad IV............................................................................................................. III Espacio vectorial............................................................................................. IV Propiedades y subespacio de un espacio vectorial..........................................V COMBINACIÓN LINEAL...................................................................................VIII INDEPENDENCIA LINEAL............................................................................... IX Bases y dimensión de un espacio vectorial, cambio de base.........................XI Espacio vectorial con producto interno y sus propiedades...........................XIII Base ortonormal, Proceso de ortonormalización de Gram Schmidt...............XV Unidad V........................................................................................................... XVII TRANSFORMACIONES LINEALES..............................................................XVII Introducción a las transformaciones lineales..............................................XVIII Núcleo e imagen de una transformación lineal...........................................XXIII La matriz de una transformación lineal.....................................................XXVII

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

Unidad IV Espacios vectoriales

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

Espacio vectorial. Del latín spatium, el espacio puede ser la extensión que contiene la materia existente, la capacidad de un lugar o la parte que ocupa un objeto sensible. Vectorial, por su parte, es lo perteneciente o relativo a los vectores. Este término, de origen latino, refiere al agente que transporta algo de un lugar a otro o a aquello que permite representar una magnitud física y que se define por un módulo y una dirección u orientación. La noción de espacio vectorial se utiliza para nombrar a la estructura matemática que se crea a partir de un conjunto no vacío y que cumple con diversos requisitos y propiedades iniciales. Esta estructura surge mediante una operación de suma (interna al conjunto) y una operación de producto entre dicho conjunto y un cuerpo. Es importante tener en cuenta que todo espacio vectorial dispone de una base y que todas las bases de un espacio vectorial, a su vez, presentan la misma cardinalidad. Comenzamos definiendo un campo y un espacio vectorial sobre un campo (es común observar que un campo es en particular un grupo abeliano ). Los ejemplos típicos de campos son el campo de los números reales R, el campo de los números complejos C y para cada número primo p en Z, el campo de los enteros módulo p, Zp. Los ejemplos típicos de espacios vectoriales son Rn sobre el campo R, Cn sobre el campo C (en general, Fn sobre cualquier campo F), al igual que los siguientes ejemplos con las correspondientes operaciones usuales de suma y multiplicación por escalares: 

Polinomios con coeficientes en un campo F

P(F) = {a0 + a1t + a2t2 + ... + antn | ai  F y n  N} 

Funciones de un conjunto X en un campo F

F(S, F) = {f : X  F | f es una función} 

Funciones continuas de un espacio topológico X en un campo F con una topología en él definida

C(X, F) = {f : X  F | f es una función continua} 

Matrices de n x m con entradas en un espacio vectorial V sobre un campo F

Mn x m(V) = {(

a1,1 :

... a1,m :

) | ai,j  V, con 1  i  n y 1  j  m}

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez an,1

... an,m

Propiedades y subespacio de un espacio vectorial Las siguientes son propiedades elementales de un espacio vectorial V sobre un campo F cuyas pruebas se dejan como ejercicios: 1. (Ley de la cancelación) Si x, y, z  V y x + z = y + z, entonces x = y 2. El vector 0 es único con la propiedad de que para toda x  V, x + 0 = x 3. Para toda x  V, 0x = 0 4. Para todo a  F y x  V, (-a)x = -(ax) 5. Para toda a  F, a0 = 0 Se define un subespacio de un espacio vectorial V sobre un campo F y es un ejercicio demostrar que un subconjunto W  V es un subespacio si y sólo si para todos a, b F y x, y  V, ax + by  V. Dos ejemplos de subespacios son los subconjuntos de Mn x n(V) formados por matrices (1) simétricas, (2) diagonales y (3) con traza igual a cero. Es claro que la intersección de dos (y por lo tanto de cualesquiera) subespacios de V resulta en un subespacio de V. Sin embargo, esto no sucede con la unión (como ejemplo tómense cualesquiera dos rectas distintas en R2 que pasen por el origen). Dado un subconjuntos S de un espacio vectorial V sobre un campo F, denotamos por al subespacio generado por S, y se demuestra fácilmente que es precisamente el conjunto de todas las combinaciones lineales de elementos de S, es decir, = {a1x1 + ... + anxn | n  N, ai  F y xi  V}. Definimos la suma de un número finito de subconjuntos S1, ..., Sn de un espacio vectorial V sobre un campo F y se verifica directamente que si W1, ..., Wn  V, entonces W1 + ... + Wn =

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez Se define el que un espacio vectorial V sea la suma directa de dos de sus subespacios W1, W2  V, y es fácil ver que éste es el caso si y sólo si para cada z en V, existen únicos x  W1 y y  W2 tales que z = x + y). Definimos el que un subconjunto S  V sea un subconjunto generador. Definimos también (in)dependencia lineal y finalmente se define una base como aquellos subconjuntos generadores de V que son linealmente independiente. Las bases se distinguen como subconjuntos generadores en el sentido de que la combinación lineal correspondiente a cada vector es única. Para definir la dimensión de un espacio vectorial V sobre un campo F, primero observamos que si S  V y x  V - S, entonces el conjunto S  {x} es linealmente dependiente si y sólo si x está en L(S). Este hecho se usa para demostrar el siguiente resultado. TEOREMA I.1 Si V está generado por un subconjunto finito S, entonces podemos extraer de S una base para V, y por lo tanto V posee una base finita. TEOREMA I.2 Si  es una base de V con exactamente n elementos y S es un subconjunto de V linealmente independiente con m elementos, donde m  n, entonces siempre podemos encontrar un subconjunto S0   con exáctamente n - m elementos de forma tal que L(S  S0) = V. Como consecuencia del teorema I.2 tenemos el siguiente resultado. COROLARIO I.3 Si V posee una base con exactamente n elementos, entonces todo subconjunto de V linealmente independiente con n elementos es también una base deV. COROLARIO I.4 Si V posee una base con exactamente n elementos, entonces todo subconjunto de V con más de n elementos es linealmente dependiente. Por lo tanto, cualquier subconjunto linealmente independiente de V contiene como máximo n elementos. Con estos resultados podemos finalmente argumentar que en un espacio vectorial con un conjunto generador finito, la dimennsión está bien definida, como así lo indica el siguiente corolario. COROLARIO I.5 Si V posee una base con n elementos, entonces cualquier otra base de V deberá tener también n elementos. En caso de que un espacio vectorial no posea una base finita, la dimensión se define como infinito.

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez TEOREMA I.6 Si V es un espacio vectorial sobre un campo F tal que dim(V) = n, entonces para cualquier subespacio W  V se tiene que dim(W)  n, con dim(W) = n si y sólo si W = V. El siguiente corolario refuerza el teorema I.2. COROLARIO I.7 Si  es una base de un espacio vectorial V de dimensión finita dim(V) = n y S  V es un subconjunto linealmente independiente (y por lo tanto |S| = k n), entonces podemos encontrar un subconjunto S0   con exáctamente n - k elementos y tal que S  S0 es una base de V. Terminamos esta sección con un resultado que en particular proporciona un criterio de suma directa. TEOREMA I.8 Si W1 , W2  V, con dim(V) = n, entonces dim(W1 + W2) = dim(W1) + dim(W2) - dim(W1  W2), y por lo tanto V = W1  W2 si y sólo si dim(V) = dim(W1) + dim(W2).

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

COMBINACIÓN LINEAL Sean v1, v2, …, vn, vectores en un espacio vectorial V. entonces cualquier vector de la forma: a1v1+a2v2+…+anvn, donde a1,a2,…,an son escalares se denomina una combinación lineal de v1, v2,…,vn. Una combinación lineal en M23

Conjunto generador. Se dice que los vectores v1, v2, …, vn de un espacio vectorial V generan a V si todo vector en V se puede escribir como una combinación lineal de los mismo. Es decir, para todo vÎV, existen escalares a1, a2, …, an tales que v=a1v1+a2v2+… +anvn Cuatro vectores que generan a M22

Espacio generado por un conjunto de vectores.

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez Sean v, v2, …, vk, k vectores de un espacio vectorial V. el espacio generado por {v1, v2, …, vk} es el conjunto de combinaciones lineales v1, v2, …, vk. Es decir

donde a1, a2, …, ak, son escalares arbitrarios.

Teorema: si v1, v2, …, vk son vectores en un espacio vectorial V, entonces gen{v1, v2, …, vk} es un subespacio de V. Ejemplo: el espacio generado por dos vectores en R3 Sea v1=(2,-1,4) y v2=(4,1,6). Entonces H=gen{v1, v2}={v:v=a1(2,-1,4)+a2(4,1,6)}. ¿Cuál es la apariencia de H? si v=(x, y,z)ÎH, entonces tiene x=2a1+4a 2, y=-a1+a2 y z=4a 1+6ª 2. Si se piensa que (x, y, z) esta fijo, entonces estas ecuaciones se pueden ver como un sistema de tres ecuaciones con tres incognitas a1, a2. Este sistema se resuelve en la forma usual:

INDEPENDENCIA LINEAL En el estudio del algebra lineal, una de las ideas centrales es la de dependencia o independencia lineal de los vectores. En esta sección se define el significado de independencia lineal y se muestra su relación con la teoría de sistemas homogéneos de ecuaciones y determinantes.

Existe una relación espacial entre los vectores , se puede apreciar que v2=2v1; o si se escribe esta ecuación de otra manera. 2v1-v2=0. Página XXXVI

Instituto tecnológico de Tuxtla gutierrez En otras palabras, el vector cero se puede escribir como una combinación no trivial de v1 y v2 (es decir, donde los coeficientes en la combinación lineal no son ambos cero). ¿Qué tienen de especial los vectores ? La respuesta a esta pregunta es más difícil a simple vista. Sin embargo, es sencillo verificar que v3=3v1+2v2; rescribiendo esto se obtiene.

Se ha escrito el vector cero como una combinación lineal de v1, v2, y v3. Parece que los dos vectores de la ecuación y los tres vectores de la otra ecuación tienen una relación más cercana que un par arbitrario de 2-vectores a una terna arbitraria de 3-vectores. En cada caso, se dice que los vectores son linealmente dependientes. En términos generales, se tiene la importante definición a continuación presentada. Definición: sean v1, v2, …, vn vectores en un espacio vectorial V. entonces se dice que lois vectores son linealmente dependientes si existen n escalares c1, c2, …, cn no todos ceros tales que .Si los vectores no son linealmente dependientes, se dice que son linealmente independientes.

Para decirlo de otra forma, v1, v2, .., vn son linealmente independientes si la ecuación c1v1+c2v2+…+cnvn=0 se cumple únicamente para c1=c2=…=cn=0. Son linealmente dependientes si el vector cero en V se puede expresar como una combinación lienal de v1, v2,…,vn con coeficientes no todos iguales a cero. Nota. Se dice que los vectores v1, v2, …, vn son linealmente independientes (o dependientes), o que el conjunto de vectores {v1, v2, …, vn} es linealmente independiente (o pendiente). Esto es, se usan las dos frases indistintivamente. Teorema:dependencia e independencia lineal Dos vectores en un espacio vectorial son linealmente dependientes si y solo si uno de ellos es un múltiplo escalar del otro. Demostración: primero suponga que v2=cv1 para elgun escalar c≠0. Entonces cv1-v2=0 y v1 y v2 son linealmente dependientes. Por otro parte, suponga que v1 y v2 son linealmente dependientes. Entonces existen constantes c1 y c2 al menos

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez uno distinto a cero, tales que c1v1+c2v2=0. Si c1≠0, entonces dividiendo entre c1 se obtiene v1+(c2/c1)v2=0, o sea, Es decir, v1 es un múltiplo escalar de v2. Si c1=0, entonces c2≠0 y, por lo tanto, v2=0=0v1.

Bases y dimensión de un espacio vectorial, cambio de base. La base de un espacio vectorial es un subconjunto de un espacio vectorial que se extiende sobre un espacio vectorial determinado y es linealmente independiente en el mismo. Esto es, si tenemos un espacio vectorial V y tenemos S como un subconjunto de este espacio vectorial, el cual consiste de n vectores de la forma v¬1¬, v¬2¬, v¬3¬ … v¬n¬ entonces podemos definir que este subconjunto es la base del espacio vectorial dado, si cumple las dos condiciones siguientes: 1. Este subconjunto se extiende a través del espacio vectorial dado. 2. S es subconjunto de V conteniendo los vectores de V, los cuales son linealmente independientes. Con la ayuda de una ecuación lineal podemos representar tal conjunto como,

Aquí v es un vector que yace en el espacio vectorial dado y los vectores n representados como v-1¬, v¬2¬, v¬3¬ … v¬n¬ forman parte de la base del espacio vectorial dado. Existen numerosos ejemplos de la base de un espacio vectorial. Imagina tres dimensiones las cuales constan de dos vectores. Imagina que estos vectores no son planos. El plano definido con la ayuda de estos dos vectores sólo formará una base para los espacios tridimensionales actuales. Esto es porque si definimos una combinación lineal con la ayuda de estos dos vectores, entonces este se encontraría definitivamente dentro el plano mismo e inversamente también es posible expresar un vector dentro del plano como una combinación lineal de ambos. Ahora extendamos esta definición para formar la base de la definición de la dimensión del espacio vectorial. Imaginemos que tenemos un espacio vectorial V y sea S la base de este espacio vectorial. Ahora coloquemos un número limitado de vectores en la base de espacio vectorial S, entonces definiríamos este espacio vectorial dado como un espacio vectorial de dimensión finita y la dimensión real se Página XXXVI

Instituto tecnológico de Tuxtla gutierrez obtendría mediante calcular el número total de vectores en la base de ese espacio vectorial. En caso de que tengamos un número infinito de vectores en la base del espacio vectorial dado, entonces llamaremos al espacio vectorial un espacio vectorial de dimensión infinita, y la dimensión de tal espacio vectorial es y la dimensión de un espacio vectorial nulo es el valor 0. Puede haber más de una base para un espacio vectorial dado. Esto significaría que es posible definir los vectores dentro de un espacio vectorial dado como la sumatoria de los vectores de ambas bases. Sea V un espacio vectorial y S la base de este espacio vectorial. Ahora definamos todos los vectores v V en términos de los elementos finitos de esta base. Definamos ahora otra base para este espacio vectorial. Ahora bien, si intentamos redefinir los elementos del espacio vectorial como una sumatoria de los elementos del segundo vector, llamamos a este proceso cambio de base. Este proceso puede ser considerado como una función identidad sobre los elementos del espacio vectorial

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

Espacio vectorial con producto interno y sus propiedades. 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 . 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) La barra es las condiciones v) y vii) denota el conjugado complejo. Nota. Si (u,v) es real, entonces (u,v)=(u,v) y se puede eliminar la barra en v). 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. Página XXXVI

Instituto tecnológico de Tuxtla gutierrez 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. EJEMPLO: producto interno de dos vectores en C3 En C3 sean x=(1+i, -3, 4-3i) y y=(2-i, -i, 2+i). entonces

Sea V un espacio con producto interno y suponga que u y v están en V. entonces

Nota 1. Aquí se usa la doble barra en lugar de una sola para evitar confusión con el valor absoluto. Por ejemplo ǁsen tǁ denota la norma de sen t como un “vector” en C[0, 2π] mientras que |sen t| denota el valor absoluto de la función sen t. Nota 2. La ecuación anterior tiene sentido ya que (u, u)≥0.

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

Base ortonormal, Proceso de ortonormalización de Gram Schmidt La base es el subconjunto de algún espacio vectorial, tal que este es linealmente independiente y se extiende sobre todos los elementos de ese espacio vectorial. La base ortonormal es un tipo especial de base, la cual es un subconjunto de un tipo especial de espacio vectorial el cual es el producto escalar del espacio vectorial. Antes de ahondar en el tema, primero aclararemos nuestro concepto sobre un conjunto ortonormal. Sea un V producto escalar de un espacio vectorial, si cada vector par discreto dentro de ese espacio vectorial es ortogonal, entonces podemos definir el espacio vectorial como un conjunto ortogonal. Además, ampliando esta definición, en un conjunto ortogonal si tenemos cada vector con una norma igual a uno, entonces este es definido como conjunto ortonormal. Sea V producto escalar de un espacio vectorial, y tenemos a S como base de ese espacio vectorial dado, entonces, si S es un conjunto ortogonal, entonces lo llamamos una base ortogonal y si S es un conjunto ortonormal entonces lo denominamos una base ortonormal. Formalmente hablando, una base S del producto escalar de un espacio vectorial V que contiene vectores de la forma v¬1¬, v¬2¬, v¬3¬ … v¬n¬ se define como una base ortonormal si satisface la condición = 0 donde i no debe ser igual a j. Aquí ‘.’ es el producto escalar del espacio vectorial dado. Sin embargo no es indispensable que una base ya determinada esté en forma ortogonal. Podemos, si es necesario, transformar la base a la forma ortonormal. El procedimiento para hacerlo se llama proceso de ortonormalización de Gram Schmidt. La entrada del procedimiento es generalmente una base finita y la salida es una base ortonormal definida en algún período arbitrario. El teorema establece “ Para un conjunto k de elementos, el cual es lineal e independiente, es posible construir un conjunto ortonormal, y el conjunto resultante es la agrupación lineal del conjunto de entrada y se extiende sobre el mismo espacio vectorial”. Es esencial que la base esté ordenada para que sea una base ortonormal. Sea V un producto escalar de un espacio vectorial, y si tenemos a S como la base del espacio vectorial dado que contiene los elementos de la forma v¬1¬, v¬2¬, v¬3¬ … v¬n¬ . Ahora, que tenemos otra base S’, que contiene los elementos de la forma w¬1¬, w¬2¬, w¬3¬ … w¬n¬. Aquí v¬1¬ = w¬¬1¬, entonces,

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

También podemos afirmar lo definido de una manera inversa diciendo que si S es un subconjunto ortonormal de V que consiste en vectores no cero, entonces podemos decir que S es linealmente independiente. Si tenemos S como base ortonormal para cualquier producto escalar de un espacio vectorial, entonces por cada elemento en el espacio vectorial dado tenemos,

Aquí x es un vector en el espacio vectorial dado y los coeficientes [x, v¬i¬] son llamados coeficientes de Fourier. Un punto digno de mención es que todos los productos de los espacios vectoriales que tienen tamaño finito, tienen esencialmente una base ortonormal

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

Unidad V TRANSFORMACIONES LINEALES

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

Introducción a las transformaciones lineales. El presente capitulo aborda una clase especial de funciones denominadas transformaciones lineales que ocurren con mucha frecuencia en el algebra lineal y otras ramas de las matematicas. Estas tienen una gran variedad de aplicaciones importantes. Antes de definirlas, se estudiaran dos ejemplos sencillos para ver lo que es posible realizar. Ejemplo 1: reflexión respecto al eje x En R2 se define una función T mediante la formula T(x;y)=(x;-y). Geométricamente, T toma un vector en R2 y lo refleja respecto al eje x. esto se ilustra en la figura. Una vez que se ha dado la definición básica, se vera que T es una transformación lineal de R2 en R2. Ejemplo 2: transformación de un vector de producción en un vector de materia prima. Un fabricante elabora cuatro tipos de productos distintos, de los cuales cada uno requiere tres tipos de materiales. Se identifican los cuatro productos como P1, P2, P3, y P4 y a los materiales por R1, R2 y R3. La tabla siguiente muestra el numero de unidades de cada materia prima que se requieren para fabricar 1 unidad de cada producto. Ejemplo 2: transformación de un vector de producción en un vector de materia prima. Un fabricante elabora cuatro tipos de productos distintos, de los cuales cada uno requiere tres tipos de materiales. Se identifican los cuatro productos como P1, P2, P3, y P4 y a los materiales por R1, R2 y R3. La tabla siguiente muestra el numero de unidades de cada materia prima que se requieren para fabricar 1 unidad de cada producto. Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

Surge una pregunta natural: si se produce cierto número de los cuatro productos, ¿Cuántas unidades de cada material se necesitan? Sean p1, p2, p3 y p4 el número de artículos fabricados en los cuatro productos y sean r1, r2, y r3 el número de unidades necesarios de los tres materiales. Entonces se define

Por ejemplo, suponga que P=(10,30,20,50). ¿Cuántas unidades de R1 se necesitan para producir estos números de unidades de los cuatro productos? De la tabla se tiene que r=p1*2+p2*1+p3*3+p4*4=10*2+30*1+20*3+50*4=310 unidades de manera similar r2=10*4+30*2+20*2+50*1=190 unidades y r3=10*3+30*3+20*1+50*2=240 unidades en general se ve que

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

o Ap= r. Esto se puede ver de otra manera. Si a p se le conoce como le vector de producción y a r como el vector de materia prima, se define la función T por = T(p) = Ap. Esto es, T es la función que “transforma” el vector de producción en el vector de materia prima y se hace mediante la multiplicación de matrices ordinaria. Como se verá , esta función es también una transformación lineal. Antes de definir una transformación lineal, hablaremos un poco sobre las funciones. En la sección 1.7 se escribió un sistema de ecuaciones como Ax=b Donde A es una matriz de m*n, xϵ R” y b∈ R”. Se pidió encontrar x cuando A y b se conocían . No obstante, esta ecuación se puede ver de otra forma: suponga que A se conoce. Entonces la ecuación Ax=b “dice” : proporcione una x en R´´ y yo le daré una b en R´´´; es decir , A representa una función con dominio R´´ e imagen en R´´´. La función que se acaba de definir tiene las propiedades de que A (αx) = αAx= si α es un escalar y A(x + y) = Ax + Ay. Esta propiedad caracteriza las transformaciones lineales. Definición 1 transformación lineal Sean V y W espacios vectoriales reales. Una transformación lineal T de V en W es una función que asigna a cada vector v∈ V un vector único Tv∈ W y que satisface, para cada u y v en V y cada escalar α.

T(u + v) = Tu + Tv Y T(av)=aTvαv) = αTv

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez TRES OBSERVACIONES SOBRE NOTACIÓN 1. 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 función con V como su dominio y un subconjunto de W como su imagen. 2. Se escriben indistintamente Tv y T(v). Denotan lo mismo; las dos se leen “T de v”. Esto es análogo a la notación funcional ʄ(x), que se lee “ʄ de x”. 3. Gran parte de las definiciones y teoremas en este capítulo también se cumplen para los espacios vectoriales complejos (espacios vectoriales en donde los escalares son números complejos).

Ejemplo 5 La transformación identidad Sea V un espacio vectorial y definida I: V→V por Iv = v para todo v en V. Aquí es obvio que es I es una transformación lineal, la cual se denomina transformación identidad u operador identidad. Ejemplo 6

Transformación de reflexión

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez Sea T:R2 →R2 definida por T(x;y)=(x;-y). Es fácil verificar que T es lineal. En términos geométricos, T toma un vector en R 2 y lo refleja respecto al eje y

Ejemplo 7 Transformaciones de Rn→Rm dada por la multiplicación por una matriz de m*n. Sea A una matriz de m*n y definida T:R´´→R´´´ por Tx = Ax. Como A(x + y) = Ax + Ay y A(αx)=αAx si x y y están en R´´, se observa que T es una transformación lineal. Entonces: toda matriz A de m*n se puede utilizar para definir una transformación lineal de R´´ en R´´´.

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

Núcleo e imagen de una transformación lineal. En esta sección se desarrollan algunas propiedades básicas de las transformaciones lineales. Teorema 1. Sea T: V→ W una transformación lineal. Entonces para todos los vectores u, v, v1, v2,….vn en V y todos los escalares

α1,α2,…αn:Nota en la parte i el 0 de la izquierda es el vector cero en v; mientras que el cero de la derecha es el vector cero en W. i. T(0) = T(0 + 0)= T(0) + T(0). Así 0= T(0) – T(0) = T(0) + t(0) – T(0) = T(0) ii.T(u-v) = T[u + (-1)v] = Tu + T[(-1)v] = Tu + (-1)Tv = Tu – Tv. iii.Esta parte se prueba por inducción (vea el apéndice 1). Para n = 2 se tiene T(α1v1 + α2v2) = T (α1v1) + T(α2v2) = α1Tv1 + α2Tv2. Así, la ecuación (1) se cumple para n = 2. Se supone que se cumple para n = k y se prueba para n=k + 1: T(α 1v1 + α2v2+ ….+ αkvk+αk+1vk-1 ) = T(α1v1 + α2v2+….+αkvk) + T(αk+1vk+1), y usando la ecuación en la parte iii para n= k, esto es igual a (α 1Tv1 + α2Tv2+….αkTvk) + αk+1Tvk+1, que es lo que se quería demostrar. Esto completa la prueba. Observación. Los incisos i) y ii) del teorema 1 son casos especiales del inciso iii). Un dato importante sobre las transformaciones lineales es que están completamente determinadas por el efecto sobre los vectores de la base. Teorema 2 Sea v un espacio vectorial de dimensión finita con base B= {v1,v 2, ….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 ʄ v, T 1v = T2v; es decir T1 = T2. Como B es una base para V, existe un conjunto único de escalares α 1, α2,…., αn. Tales que v = α1v1 + α2v2 + …+ αn vn. Entonces, del inciso iii) del teorema 1, T1v = T1(α1 v1 + α2v2 + …+ αnvn) = α1T2v1 + α2T2v2 +… + αnTnvn= α1w1 + α2w2 +…+ αnTnvn De manera similar T2v = T2(α1v1 + α2v2 + …+ αnvn) = α1T2v1 + α2T2v2 +…+ αnTnvn = α1w1 + α2w2 +…+ αnvn Por lo tanto, T1v =T2v. Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

El teorema 2 indica que si T:v→W y V tiene dimensión finita, entonces sólo es necesario conocer el efecto que tiene T sobre los vectores de la base en V. Esto es, si se conoce la imagen de cada vector básico, se puede determinar la imagen de cualquier vector en V. Esto determina T por completo. Para ver esto, sean v 1, v2,….vn una base en V y sea v otro vector en V. Entonces, igual que en l aprueba del teorema 2, Tv = α1Tv1 + α2Tv2 +…+ αnTvn Así, se puede calcular Tv para cualquier vector vʄ V si se conocen Tv1,Tv2,….Tvn Ejemplo 1 Si se conoce el efecto de una transformación lineal sobre los vectores de la base, se conoce el efecto sobre cualquier otro vector. Sea T una transformación lineal de R3 en R2 y suponga que

Solución. Se tiene

Entonces

Surge otra pregunta; si w1,w2,….,wn son n vectores en W, ¿existe una transformación lineal T tal que Tv1 = w1 para i = 1,2,…,n? La respuesta es sí. Como lo muestra el siguiente teorema. Definición 1 Núcleo e imagen de una transformación lineal Sean V y W dos espacios vectoriales y sea T:V W una transformación lineal. Entonces

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez i

ii. La

.

El

imagen

núcleo

de

T,

denotado

de

T,

denotado

por

por

Im

un,

está

dado

por

T,

esta

dado

por

Observacion 1. Observe que un T es no vacio porque, de acuerdo al teorema 1, T(0) = 0 de manera que 0 ʄ 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 “imajenes” 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. Antes de dar ejemplos de núcleos e imágenes , se demostrará un teorema de gran utilidad. Teorema 4 Si T:V→W es una transformación lineal, entonces i.Un T es un subespacio de V. ii.Im T es un subespacio de W. Demostracion i.Sean u y v en un T; Entonces T(u + v) = Tu + Tv =0 + 0 =0 y T( ) = = 0 = 0 de forma que u + v y ∝u están en un T. ii. Sean w y x en Im T. Entonces w = Tu y x = Tv para dos vestores u y v en V. Esto significa que T(u + v)= Tu + Tv = w + x y T(∝u) = ∝Tu =∝w. Por lo tanto, w + x y ∝w están en Im T. Ejemplo 3. Núcleo e imagen de la transformación cero Sea Tv = 0 para todo vʄ V(T es la transformación cero). Entonces un T = v e Im T = {0}. Ejemplo 4 Núcleo e imagen de la transformación identidad Sea Tv = v para vʄ V(T es la transformación identidad). Entonces un T= {0} e Im T = V.

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez Las transformaciones cero e identidad proporcionan dos extremos. En la primera todo se encuentra en el núcleo. En la segunda sólo el vector cero se encuentra en el núcleo. Los casos intermedios son más interesantes. Ejemplo 5 Núcleo e imagen de un operador de proyección

Sea T:R3→R3 definida por T es el operador de proyección de R3 en el plano xy.

Entonces x = y = 0. Así, nu T = {(x,y,z):x = y = 0, zʄR}, es decir, el eje z, e Im T = {(x,y,z): z = 0}, es decir el plano xy. Observe que dim un T = 1 y dim Im T = 2. Definición 2 Nulidad y rango de una transformación lineal Si T es una transformación lineal de v en w, entonces se define.

Observación. En la sección 4.7 se definieron el rango, la imagen, el espacio nulo y la nulidad de una matriz. Según el ejemplo 5.1.7, Toda matriz A de m*n da lugar a una transformación lineal T:R´´→R´´´ definida por Tx = Ax. Es evidente que un T = NA, Im T = Im A = CA, v(T) = v(A) y p(T) = p(A). Entonces se ve que las definiciones de núcleo, imagen, nulidad y rango de una transformación lineal son extensiones del espacio nulo, la imagen, la nulidad y el rango de una matriz. Ejemplo 6. Núcleo y nulidad de un operador de proyección Sea H un subespacio de R´´ y sea Tv = proyH v. Es obvio que la Im T = H. Se tiene que toda vʄ V si v=h + proyH v + proyHv. Si Tv = 0, entonces h=0, lo que significa498

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

La matriz de una transformación lineal. Si A es una matriz de m*n y T: R n-Rm está definida por Tx = Ax, entonces, T es una transformación lineal. Ahora se verá que para toda transformación lineal de R n en Rm existe una matriz A de m*n tal que Tx = Ax para todo x ʄ R n. Este hecho es de gran utilidad. Si Tx = Ax. Entonces un T = N A e Im T = RA. más aun, v(T) = dim un T = v(A) y p(T) = dim Im T = p(A). Así se puede determinar el núcleo, la imagen, la nulidad y el rango de una transformación lineal de R n-Rm determinando el espacio nulo y la imagen de la matriz correspondiente. Adicionalmente, una vez que se sabe que Tx = Ax. Se puede evaluar Tx para cualquier x en R n mediante una simple multiplicación de matrices. Pero esto no es todo. Como se verá, cualquier transformación lineal entre espacios vectoriales de dimensión finita se puede representar mediante una matriz. Teorema 1 Sea T:Rn -Rm una transformación lineal. Existe entonces una matriz única de m*n, AT tal que

Demostración Sea w1 = Te1,w2 = Te2,….,wn = Ten. Sea AT la matriz cuyas columnas son w 1, w2,…., wn y hagamos que AT denote también ala transformación de Rn-Rm, que multiplica un vector en Rn por AT. si

Entonces

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

De esta forma, ATei = wi para i = 1,2,….n., T y la transformación AT son las mismas porque coinciden en los vectores básicos. Ahora se puede demostrar que AT es única. Suponga que Tx = ATx y que Tx = BTx para todo x ʄ Rn. Entonces ATx = BTx, o estableciendo CT= AT – BT, se tiene que CTx = 0 para todo x ʄ R n. En particular, CTei es la columna i de C T. Así, cada una de las n columnas de CT es el m-vector cero, la matriz cero de m*n. Esto muestra que AT = BT y el teorema queda demostrado. Definición 1

Matriz de transformación

La matriz AT en el teorema 1 se denomina matriz de transformación correspondiente a T o representación matricial de T. NOTA. La matriz de transformación AT está definida usando las bases estándar tanto en Rn como en R3. Si se utilizan otras bases, se obtendrá una matriz de transformación diferente.

i. ii. iii. iv.

TEOREMA 2 sea AT la matriz de transformación correspondiente a laa transformación lineal T. entonces. Im T = Im A = CAT P(T) = p(AT) Un T = NAT v(T) = v(AT Ejemplo 1 Representación matricial de una transformación de proyección Encuentre la matriz de transformación AT correspondiente ala proyección de un vector en R3 sobre el plano xy. Solución Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

Teorema 4 Sean V y W espacios vectoriales de dimensión finita con dim V = n. sea T:V-W una transformación lineal y sea AT una representación matricial de T respecto a las bases B1 en V y B2 en W. entonces i. p(T) =p(AT) ii. V(A) = v(AT) iii. V(a) + p(T) = n Teorema 5 Sea T:Rn-Rm una transformación lineal. Suponga que C es la matriz de transformación de T respecto a las bases estándar S n y Sm en Rn y Rm, respectivamente. Sea A1 la matriz de transición de B2 a base Sm en Rm. Si AT denota la matriz de transformación de T respecto a las bases B 1 y B2, entonces.

Geometría de las transformaciones lineales de R 2 en R2. Sea T:R2-R2 una transformación lineal con representación matricial AT Ahora de demostrará que si AT es invertible, entonces T se puede escribir como una sucesión de una o más transformaciones especiales, denominadas expansiones, compresiones, reflexiones y cortes. Expansiones a lo largo de los ejes x o y Una expansión a lo largo del eje x es una transformación lineal que multiplica a la coordenada x de un vector en R2 por una constante C >1. Esto es

Página XXXVI

Instituto tecnológico de Tuxtla gutierrez

De manera similar, una expansión a lo largo del eje y es una transformación lineal que multiplica la coordenada y de todo vector en R 2 por una constante C>1. Como

antes ,

entonces la representación matricial de T es

a) b) c)

de manera que

se comienza con este rectángulo. Expansión en la dirección de x c = 2. Expansión en la dirección de y con c = 4. Página XXXVI

Instituto tecnológico de Tuxtla gutierrez Compresión a lo largo de los ejes x o y. Una compresión a lo largo de los ejes x o y es una transformación lineal que multiplica ala coordenada x o y de un vector en R 2 por una constante positiva 0