APLICACIONES O

TRANSFORMACIONES LINEALES
 TRANSFORMACIONES LINEALES
V F W Estudiaremos ahora las funciones con valor vectorial de una variable
vectorial, es decir, funciones que tienen la forma w = F(v), en donde
𝑣1 la variable independiente “v” y la variable dependiente “w”, son
𝑤1 vectores.
𝑣2
𝑤2
Si “V” y “W” son espacios vectoriales y “F” ó “T” es una función que
𝑣3 𝑤3 asocia un vector único en “W” con cada vector en “V”, se dice que
“F” ó “T” aplica o mapea “V” en “W” y ello se escribe como:F: V  W.
Imagen Además, si “F” ó “T” asocia el vector w al vector v, se escribe w =
Codominio F(v) y se dice que w es la imagen de v bajo “F”.
Dominio

Definición:
Si la expresión F:VW es una función del espacio vectorial “V” hacia el espacio vectorial “W”, entonces “F” es una
transformación lineal si se cumple:
1- F(u + v) = F(u) + F(v) para todos los vectores u y v  V;
2- F(ku) = kF(u) para todos los vectores u en V y todos los escalares “k”.
 TRANSFORMACIONES LINEALES
Transformación Matricial
Sea “A” una matriz de orden m x n. Si se utiliza la notación matricial para vectores en Rm y Rn, entonces es posible definir
una función T:RnRm por medio de:
T(x) = Ax
Aplicando las propiedades de la multiplicación de matrices, se obtiene:
A(u + v) = Au + Av , y , A(ku) = k (Au)
Transformación Cero
Sean “V” y “W” dos espacios vectoriales cualesquiera. La aplicación T:VW tal que T(v) = 0 para todo vector “v” que
pertenece al espacio vectorial “V” es una transformación lineal que se conoce como transformación cero. A fin de ver que
“T” es lineal, obsérvese que:
T(u + v) = 0 ; T(u) = 0 ; T(v) = 0 ; y T(ku) = 0
Por lo tanto,
T(u + v) = T(u) + T(v) ; y ; T(ku) = kT(u)
Transformación Identidad
Sea “V” cualquier espacio vectorial. La aplicación T:VV definida por “T(v) = v” se conoce como transformación identidad
sobre “V”.
Si T:VV es una transformación lineal de un espacio vectorial “V” en sí mismo, entonces “T” es un operador lineal sobre
“V”.
Sea “V” cualquier espacio vectorial y “k” cualquier escalar fijo. La función “T: VV” definida por: T(v) = kv es un
operador lineal sobre “V”.
 TRANSFORMACIONES LINEALES
Núcleo
Si la expresión T:VW representa una transformación lineal, entonces el conjunto de vectores en “V” (conjunto de salida) que
“T” aplica hacia 0 (cero) se conoce como núcleo, kernel o espacio nulo de “T”.
ker(T) = x tal que Ax = 0
V T W El núcleo es el espacio solución del sistema homogéneo, que siempre es
compatible
Otra manera distinta de definir el núcleo, es: “Dados los espacios
vectoriales “V” y “W” y sea F:VW una aplicación lineal. El conjunto
0 de elementos “v” que pertenecen al espacio vectorial “V”, tales que
F(v) = 0w, se conoce como núcleo, kernel o espacio nulo de F.”
Imagen o Recorrido Vemos que el núcleo pertenece al espacio vectorial de salida.

Si la expresión T: V  W representa una transformación lineal, entonces el conjunto de todos los vectores en “W” que son
imágenes bajo “T” de al menos algún vector que pertenece a “V”, se conoce como imagen o recorrido de “T”.
V T W
R(T) = b tal que Ax = b es compatible
Imagen: sistema no homogéneo que será compatible si “b” está en
el espacio de columnas de la matriz A
0
 TRANSFORMACIONES LINEALES
Propiedades de las transformaciones lineales.
1- T(0) = 0
2- T(-v) = -T(v) para todos los vectores “v  V”.
3- T(v – w) = T(v) – T(w) para todos los vectores “v” y “w” que pertenecen a “V”.
4- El núcleo de “T” es un subespacio de “V”
5- El recorrido de “T” es un subespacio de “W”
6- La dimensión del recorrido de “T” se conoce como “rango de T”
7- La dimensión del núcleo, se denomina “nulidad de T”

Teorema de la Dimensión
Si la expresión T:VW es una transformación lineal desde un espacio vectorial “V” con una dimensión “ n ” hacia un espacio
vectorial “W”, entonces:
(rango de T) + (nulidad de T) = n
Teorema
Si “A” es una matriz de orden “m x n”, entonces la dimensión del espacio de soluciones de AX = 0 es:

Nulidad de T = n – rango de A
 TRANSFORMACIONES LINEALES
Ejemplo:
Dado el siguiente sistema de ecuaciones lineales homogéneo:
2𝑥1 + 2𝑥2 − 𝑥3 + ⋯ + 𝑥5 = 0 el cual se puede resolver a través de las operaciones elementales
−𝑥1 − 𝑥2 + 2𝑥3 − 3𝑥4 + 𝑥5 = 0 por filas (Método de Gauss-Jordan), resulta
𝑥1 + 𝑥2 − 2𝑥3 + ⋯ − 𝑥5 = 0
… … … … … 𝑥3 + 𝑥4 + 𝑥5 = 0
2 2 −1 0 1 4 1 1 0 0 1 3 1𝑥1 + 1𝑥2 + 1𝑥5 = 0 ⇒ 𝑥1 = −𝑥2 − 𝑥5
−1 −1 2 −3 1 −2 0 0 1 0 1 2 1𝑥3 + 1𝑥5 = 0 ⇒ 𝑥3 = −𝑥5
⇒ ⇒
1 1 −2 0 −1 −1 0 0 0 1 0 1
1𝑥4 = 0 ⇒ 𝑥4 = 0
0 0 1 1 1 3 0 0 0 0 0 0
y haciendo x2 = s y x5 = t , resulta el conjunto solución: lo que demuestra que los vectores:
𝑥1 −𝑥2 − 𝑥5 −𝑠 − 𝑡 −1 −1 −1 −1
𝑥2 𝑥2 𝑠 1 0 1 0
𝑥 = 𝑥3 = −𝑥5 = −𝑡 = 0 𝑠 + −1 𝑡 𝑣1 = 0 ; 𝑣2 = −1
𝑥4 𝑥4 0 0 0 0 0
𝑥5 𝑥5 𝑡 0 1 0 1
generan el espacio de soluciones. Como estos vectores son linealmente independientes, el conjunto {𝑣1 , 𝑣2 } es una base y el
espacio de soluciones es bidimensional. Este espacio de soluciones del sistema homogéneo analizado (Ax = 0) constituye el
núcleo de la transformación. (El núcleo es el “espacio de soluciones” del sistema homogéneo).
 TRANSFORMACIONES LINEALES
Dijimos también que el conjunto solución tiene dos vectores, es decir que es bidimensional, por lo tanto, la dimensión del núcleo
es dos (2) y por ende la nulidad de la transformación es dos (2). (Recordar que la dimensión del núcleo se denomina “nulidad”).
Debido a que la matriz de los coeficientes del sistema analizado tiene cinco (5) columnas (5 incógnitas)  n = 5 ; por el teorema
que expresa:
Rango de T + Nulidad de T = nº de columnas del sistema ó número de columnas de “A”
y además:
rango de T = rango de A entonces tendremos:

rango de A + Nulidad de T = nº de columnas de la transformación ( n ) de donde se puede expresar:

rango de A = n – Nulidad de T o sea:

rango de A = 5 – 2  rango de A = 3 lo que también se puede observar en la matriz reducida por filas,
la cual posee tres (3) filas no nulas  rango de A = 3
 TRANSFORMACIONES LINEALES
Transformaciones lineales de Rn hacia Rm
S = {v1, v2, . . . . , vn} Base para V T: V  W es una transformación lineal
Si conocemos las imágenes de los vectores base T(v1), T(v2), . . . . , T(vn), podemos conocer la imagen T(v) de cualquier vector
v = k1v1 + k2v2 + . . . . + knvn [T(k1v1 + k2v2 + . . . . + knvn) = k1T(v1) + k2 T(v2) + . . . . + kn T(vn)]

T(v) = k1 T(v1) + k2 T(v2) + . . . . + kn T(vn) Una transformación lineal, está completamente determinada por sus “valores”
en una base
Ejemplo:
Consideremos la base S = {v1, v2, v3} para ℝ3, donde: v1 = (1; 1; 1) ; v2 = (1; 1; 0) ; v3 = (1; 0; 0) y sea T: ℝ3ℝ2 una
transformación lineal tal que: T(v1) = (1; 0) ; T(v2) = (2; -1) ; T(v3) = (4; 3)
encontrar T(2 ; -3 ; 5) es decir nos piden hallar la imagen [T(v)] del vector (2 ; -3 ; 5).
Solución:
Lo primero que encontraremos será el vector v = (2 ; -3 ; 5) como combinación lineal de los vectores de la base, o sea de v1, v2 y v3.
v = k1v1 + k2v2 + k3v3  (2 ; -3 ; 5) = k1 (1; 1; 1) + k2 (1; 1; 0) + k3 (1; 0; 0)
𝑘1 = 5 de donde tendremos: (2 ; -3 ; 5) = 5 v1 – 8 v2 + 5 v3
1𝑘1 + 1𝑘2 + 1𝑘3 = 2
1𝑘1 + 1𝑘2 + 0𝑘3 = −3 Resolviendo resulta ⇒ 𝑘2 = −8
𝑘3 = 5 T(2 ; -3 ; 5) = 5 Tv1 – 8 Tv2 + 5 Tv3
1𝑘1 + 0𝑘2 + 0𝑘3 = 5
T(2 ; -3 ; 5) = 5 (1, 0) – 8 (2; -1) + 5 (4; 3)  T(2 ; -3 ; 5) = (9; 23)
 TRANSFORMACIONES LINEALES
Matriz estándar de la transformación
Podemos demostrar que toda transformación lineal de ℝn hacia ℝm, es una transformación matricial.
Concretamente, si la transformación T: ℝn ℝm es cualquier transformación lineal, entonces es posible encontrar una matriz “A”
de orden m x n, tal que dicha transformación “T” sea la multiplicación por la matriz “A”.
Vamos a verificar esto y para ello sea: e1, e2, . . . . , en la base estándar para ℝn y supóngase que “A” es la matriz de orden “m x
n” que tiene a:
T(e1), T(e2), . . . . , T(en) como sus vectores columnas.
Por ejemplo, si la transformación T: ℝ2 ℝ2 está dada por:
𝑥1 𝑥 + 2𝑥2 1 1 0 2 1 2
𝑇 𝑥 = 1 entonces: 𝑇 𝑒1 = 𝑇 = 𝑦 𝑇 𝑒2 = 𝑇 = 𝐴=
2 𝑥1 − 𝑥2 0 1 1 −1 1 −1
 
Y de forma más general, si: T(e1) T(e2)
𝑎11 𝑎12 𝑎1𝑛 𝑎11 𝑎12 … 𝑎1𝑛
𝑎 𝑎 𝑎 𝑎21 𝑎22 … 𝑎2𝑛
𝑇(𝑒1 ) = 21 ; 𝑇(𝑒2 ) = 22 ; … ; 𝑇(𝑒𝑛 ) = 2𝑛 entonces es: 𝐴= ⋮
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛 𝑎m1 𝑎m2 … 𝑎mn
  
T(e1) T(e2) T(en)
Se puede demostrar entonces que la transformación lineal T: ℝn ℝm es la multiplicación por “A”.
 TRANSFORMACIONES LINEALES
𝑥1
Para ello, obsérvese que si: 𝑥2
𝑥 = ⋮ = 𝑥1 𝑒1 + 𝑥2 𝑒2 + ⋯ + 𝑥𝑛 𝑒𝑛
𝑥𝑛
Por lo tanto, por la linealidad de la transformación “T”, tendremos: T(X) = x1 T(e1) + x2 T(e2) + . . . . . + xn T(en) (1)
𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛
Por otra parte:
𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛
𝐴𝑥 = ⋮ ⋮ ⋱ ⋮ ⋮ = ⋮ =
𝑎m1 𝑎m2 … 𝑎mn 𝑥𝑛 𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + ⋯ + 𝑎𝑚𝑛 𝑥𝑛
𝑎11 𝑎12 𝑎1𝑛
𝑎 𝑎 𝑎
= 𝑥1 21 + 𝑥2 22 + ⋯ + 𝑥𝑛 2𝑛 = 𝑥1 𝑇 𝑒1 + 𝑥2 𝑇 𝑒2 + ⋯ + 𝑥𝑛 𝑇 𝑒𝑛 (2)
⋮ ⋮ ⋮
𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑛
Si se comparan las expresiones (1) y (2), se llega a la conclusión de que T(X) = Ax , es decir, la transformación “T” es la
multiplicación por la matriz “A”.
“A” se la llama “matriz estándar” para la transformación “T”
Como conclusión, podemos decir que: “la matriz estándar para una transformación matricial es
la propia matriz de la transformación”.
 TRANSFORMACIONES LINEALES
Transformaciones lineales en el plano (T:R2R2)
a b 
Sea T:R2R2 una transformación lineal en el plano y A    es la matriz estándar para
dicha transformación “T”, entonces: c d 

 x   a b   x   ax  by 
T   .  
 y   c d   y   cx  dy 

Podemos interpretar a los elementos de la matriz como componentes de los vectores o como
coordenadas
y y

(ax + by , cx + dy) (ax + by , cx + dy)

(x , y) (x , y)

x x
 TRANSFORMACIONES LINEALES
Movimientos en el plano
1- Reflexiones
Se definen respecto a cualquier recta en el plano. La transformación lineal aplica como un
espejo respecto de la recta. Hay simetría

Respecto al eje y Respecto al eje x Respecto a la recta x = y

(-x , y) (x , y) (x , y)
x

x (x , -y) x
 TRANSFORMACIONES LINEALES
2- Rotaciones
Si T:R2R2 es una transformación matricial y 𝜎 es un ángulo fijo de modo que 𝑇 (x) = 𝐴x
Siendo la matriz estándar

La imagen 𝑇 𝑥 es el vector que se obtiene al hacer girar “𝑥” un ángulo "𝜎"

σ Operador de rotación
1 0 
0° 0 1 
 
 2 2
  
 2 2 
45°  2 2 
 
 2 2 

 0 1
90° 1 0 
 

 1 0 
180°  0 1
 

 0 1
270°  1 0 

 TRANSFORMACIONES LINEALES
3- Expansiones y compresiones
3-a- En la dirección del eje x
Se producen cuando a la coordenada “x” de cada punto en el plano se la multiplica por una
constante 𝒌 > 𝟎
y y y

(1/2 x , y) (x , y) (2x , y)

x x x
Compresión 𝟎 < 𝒌 < 𝟏 Figura Inicial Dilatación/Expansión
k= 𝟏/𝟐 𝒌 > 𝟏 k= 2
Matriz estándar
 TRANSFORMACIONES LINEALES
3-b- En la dirección del eje y
Se producen cuando a la coordenada “y” de cada punto en el plano se la multiplica por una
constante 𝒌 > 𝟎
y y y
(x , 2y)

(x , y)
(x , ½ y)

x x x
Compresión 𝟎 < 𝒌 < 𝟏 Figura Inicial Dilatación/Expansió
k= 𝟏/𝟐 n 𝒌 > 𝟏 k= 2
Matriz estándar
 TRANSFORMACIONES LINEALES
4- Deslizamientos cortantes o cizallamientos
4-a- En dirección del eje x
Se producen cuando se mueve cada punto (x; y) del plano paralelo al eje x en una cantidad
“ky” hacia una nueva posición (x+ky; y) siendo k una constante.
y y y

(x+k , y) (x , y) (x+k , y)

x x x
𝒌<0 Figura Inicial 𝒌 >0
Los puntos sobre el eje x no se mueven pues y = 0 Los puntos más lejanos al eje x se
mueven más que los más cercanos

 x   x  ky  1  1  0  k  1 k 
T ( x)       T    ; T     MT   
 y  y  0 0 1   1  0 1 
 TRANSFORMACIONES LINEALES
4-b- En dirección del eje y
Se producen cuando se mueve cada punto (x; y) del plano paralelo al eje y en una cantidad
“kx” hacia una nueva posición (x; y)+kx siendo k una constante.
y y y

(x , y+k)
(x , y)
(x , y+k)

x x x
𝒌<0 Figura Inicial 𝒌 >0
Los puntos sobre el eje y no se mueven pues x = 0 Los puntos más lejanos al eje y se
mueven más que los más cercanos

 x  x  1   1  0 0  1 0
T ( y)       T 0   k  ; T 1   1   MT   
  
y y  kx           k 1 
 TRANSFORMACIONES LINEALES
Observaciones:
1- La multiplicación por la matriz identidad de orden 2 por 2 aplica cada punto en sí mismo.
A esta transformación se la denomina transformación identidad.
2- Si se efectúan en sucesión un número muy grande, pero finito, de transformaciones
lineales de Rn a Rn, entonces es posible obtener el mismo resultado mediante una sola
transformación matricial.
Hallar una transformación matricial de R2 hacia R2 que primero lleve a cabo un
deslizamiento cortante en un factor de 2 en la dirección de “x” ; y a continuación, realice una
reflexión respecto a la recta “y = x”
1 2 
La matriz estándar para el deslizamiento cortante es: A1   
0 1 
0 1 
y para la reflexión es: A2   
1 0 

de modo que la matriz estándar para el deslizamiento cortante seguido por la reflexión es:
 0 1  1 2  0 1 
A2 . A1       
1 0   0 1  1 2 
 TRANSFORMACIONES LINEALES
Transformaciones inversas
Sea T:R2R2 la multiplicación por una matriz invertible “A” y supóngase que la
transformación “T” aplica el punto (x, y) hacia el punto (x' ,y'). Entonces:
 x   x '  x '  x 
1
A.    ; A .  
 y   y '  y '  y 
A partir de estas ecuaciones se deduce que si la multiplicación por “A” aplica (x, y) hacia (x',
y'), entonces la multiplicación por “A-1 regresa (x', y') hacia su posición original (x, y). Es por
esta razón que se dice que la multiplicación por “A” y la multiplicación por “A-1 son
transformaciones inversas.
Ejemplo:
Si T:R2R2 comprime al plano en ½ en dirección del eje y para regresar cada punto a su
posición original se debe dilatar el plano un factor 2 en dirección del eje y
1 0 
Entonces: A    comprime en dirección del eje y
 0 1/ 2 

1 1 0 
A   expande en dirección del eje y
0 2 
 TRANSFORMACIONES LINEALES
Matrices de las transformaciones lineales
A[x]B = [T(x)]B'
Cálculo Directo
x T(x) 1- Calcular la matriz de coordenadas [x]B ;
2- Multiplicar [x]B desde la izquierda por la matriz “A” , para
producir [T(x)]B'
Multiplíquese por A 3- Reconstruir T(x), a partir de su matriz de coordenadas
[x]B [T(x)]B' [T(x)]B'
Supóngase que “V” es un espacio de “n” dimensión con base B = {u1, u2, . . . , un} y que W es
un espacio de “m” dimensión con base B' = {v1, v2, . . . , vm} a  11
1   a11 a12 . . . . . a1n  1   a 11  a 
 a11 a12 . . . . . a1n  0 a a 22 . . . . . a 2n  0  a   21 
a    21    21 
 21 a 22 . . . . . a 2n  [u1 ]B = 0  de modo que: A.[u1 ]B =  . . . . . . . . . 0   .   .  = [T(u1 )]B'
         
A= . . . . . . . .  .  . . . . . . . .  .  .   . 
  0   a m1 a m2 . . . . . a mn   0  a m1  a m1 
 . . . . . . . . 
 a m1 a m2 . . . . . a mn  0   a11 a12 . . . . . a1n   0   a12   a12 
1  a . . . . . a 2n  1   a   a 
A[u1]B = [T(u1)]B    21 a 22
   22   22 
[u 2 ]B = 0  de modo que: A.[u 2 ]B =  . . . . . . . . .  0    .   .  = [T(u 2 )]B'
         . 
A[u2]B = [T(u2)]B' .  . . . . . . . .  .  .   
0  a m1 a m2 . . . . . a mn   0  a m2   a m2 

La matriz única “A” que se obtiene de esta manera Matriz de T con respecto a las bases B
se conoce como matriz de la transformación “T” y B'  A = [ [T(u1)]B' ¦[T(u2)]B' ¦. . . . . .
con respecto a las bases B y B'. ¦[T(un)]B' ]
 TRANSFORMACIONES LINEALES
En una Empresa autopartista que fabrica cables para abastecer a una terminal de producción de automotores, se desea conocer la
cantidad, en metros, de cable y de terminales, en unidades, necesarios para poder producir las partes solicitadas por la terminal
automotriz, según el siguiente programa mensual de producción de dicha terminal:
Modelo Estándar 4x2 Estándar 6x2 Base 4x2

Producción (un) 50 500 1.000

Las cantidades utilizadas de cables y terminales por unidad son las siguientes:
Estándar 4x2 Estándar 6x2 Base 4x2
Cable (mt) 28 92 48
Terminales (un) 200 250 150
Solución
Tenemos una transformación lineal de ℝ3→ ℝ2, porque conocemos la producción de vehículos (vector x de ℝ3), las cantidades
utilizadas (ley, matriz A) y debemos determinar cuántos metros de cable y cuantas unidades de terminales debo comprar para
poder llevar a cabo la producción (vector de ℝ2), entonces Vector
50 transformado
58 92 48 58 . 50 + 92 . 500 + 48 . 1.000 96.900 que nos dice
𝑇 𝑥 = 𝐴𝑥 = 500 = =
200 250 150 200 . 50 + 250 . 500 + 150 . 1.000 285.000 cuánto de
1.000 cada insumo
necesitamos
Matriz A, también Vector x, cantidad de cable Combinación lineal
llamada matriz de por unidad a producir, es el entre cantidades Para llevar a cabo dicha producción solicitada
insumo-producto, ya que que necesitamos unitarias por producto por la terminal automotriz, debo comprar
me dice la cantidad de transformar para saber cuál y cantidad de
insumos necesarios para va a ser nuestra necesidad producto para lograr 96.900 metros de cable y 285.000 unidades de
elaborar cada producto de cada uno la necesidad total terminales.
 TRANSFORMACIONES LINEALES
Semejanza (similaridad)
Teorema:
Sea la expresión T: VV un operador lineal sobre un espacio vectorial de dimensión finita
“V”. Si “A” es la matriz de la transformación “T” con respecto a una base “B”, y “A' ” es la
matriz de la misma transformación “T” con respecto a una base “B' ”, entonces:
A' = P-1.A.P
en donde “P” es la matriz de transición de la base B' hacia la base B.
Del análisis de lo desarrollado, obtenemos la siguiente conclusión: “Si “A” y “B” son matrices
cuadradas, se dice que la matriz “B” es semejante a la matriz “A”, si existe una matriz
inversible “P”, tal que:
B = P-1.A.P
Nótese que la ecuación B = P-1.A.P se puede escribir también como: A = P.B.P-1 o bien,
como:
A = (P-1)-1.B.P-1
Si ahora hacemos: Q = P-1 , se obtiene: A = Q-1.B.Q con lo que se afirma que la matriz “A”
es semejante a la matriz “B”.
Por lo tanto, la matriz “B” es semejante a la matriz “A” sí y sólo sí, la matriz “A” es semejante
a la matriz “B”. En general, simplemente diremos que las matrices “A” y “B” son semejantes.
Con ésta terminología, se afirma que dos matrices que representan el mismo operador lineal
( T:VV ) con respecto a bases diferentes son semejantes.