Subsecretaría de Educación Superior

TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico de Tlalnepantla

Instituto Tecnológico de Tlalnepantla

Ciencias Básicas.

Nombre del alumno: García Chamorro Israel.

Materia: Algebra Lineal.

Docente: Jiménez Islas Benito.

Unidad: V

Grupo: 1E3

Carrera: Ingeniería Eléctrica.

Av. Instituto Tecnológico s/n, Col: La Comunidad, Tlalnepantla de Baz, Estado de México, C.P.: 54070 Apartado Postal 750
www.ittla.edu.mx
5.1 DEFINICION DE TRANSFORMACION LINEAL.

Una transformación lineal es una función entre espacios vectoriales, es decir, el objetivo
es transformar un espacio vectorial en otro.

Para señalar una transformación lineal usaremos f (v)=W, donde V y W son los espacios
vectoriales que actúan sobre un mismo campo.

Terminología: a las transformaciones lineales las llamaremos aplicación lineal.

Gráfico: Dado un espacio vectorial V, cuyos elementos son: v1, v2…, y dado un espacio
vectorial W, sus elementos son función de los elementos de V V W Sean: V,W: Espacios
Vectoriales f v1 w1 v1,v2,v3 Vectores v2 w2 w1,w2,w3 v3 w3

Teorema: Una función f de V en W que asigna a cada vector v , un vector f(v) Є W es

una transformación lineal, si y sólo si, α Є K, vi, vj Є V, satisface los A A siguientes
axiomas: 1. f (vi + vj) = f (vi) + f (vj) 2. f (vi) = α.f (vi)

Teorema Sea f : V W Una transformación lineal, entonces se cumple que: 1. f (0v) = 0w

2. f (vi - vj) = f (vi) - f (vj)

Teorema: Sea f : V W Una transformación lineal, dimV=n dimV = dimN (f) + dimIm (f)

Ejercicios: 1.

Dada la siguiente aplicación lineal, obtener la imagen de tres vectores y realizar un

diagrama.

f : P(2) R2 (a+bx+cx2 )

1
(a+bx+cx2 ) = (a-b, 2c+a )

Solución: Los vectores a considerar son: Por lo tanto, al reemplazar los valores de los
vectores, en la aplicación lineal f, obtenemos las imágenes correspondientes a cada
vector.

V1 (1-x) f (1-x) = (2,1) 2

V2 (3+x-2x ) 2 f (3+x-2x2) = (2,-1)

V3 (0+0x+0x ) f (0+0x+0x2) = (0,0)

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 número de
unidades de cada materia prima que se requieren para fabricar 1 unidad de cada
producto.

2
 Necesarios para producir 1 unidad de

P1 P2 P3 P4
Número de unidades
R1 2 1 3 4
De materia prima

R2 4 2 2 1

R3 3 3 1 2

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

𝑃1
𝑟1 2 1 3 4
𝑃2
𝑃=( ) 𝑟 = (𝑟2) 𝐴 = (4 2 2 1)
𝑃3
𝑟3 3 3 1 2
𝑃4

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

3
y r3=10*3+30*3+20*1+50*2=240 unidades

en general se ve que

𝑃1
2 1 3 4 𝑟1
𝑃2
(4 2 2 1) ( ) = (𝑟2)
𝑃3
3 3 1 2 𝑟3
𝑃4

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, x 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 ( si 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.

T(u + v) = Tu + Tv

4
 T(av)=aTv

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. Una transformación lineal R2 en R3

𝑥 + 𝑦 −1
𝑥
Sea T: R → R definida por T (𝑦) = 𝑥
2 3 ( − 𝑦 ). Por ejemplo T( 2 ) = ( 5 )
3𝑦 −3
−9

Entonces:

𝑥1 + 𝑥2 𝑥1 + 𝑥2 + 𝑦1 + 𝑦2
𝑥1 𝑥2
T[ ( ) + ( ) ] = 𝑇 (𝑦1 +
𝑦1 𝑦2 𝑦2) = (𝑥1 + 𝑥2 − 𝑦1 − 𝑦2)
3𝑦1 + 3𝑦2

𝑥1 + 𝑦1 𝑥2 + 𝑦2
=(𝑥1 − 𝑦1) + (𝑥2 − 𝑦2)
3𝑦1 3𝑦2

Pero

𝑥1 + 𝑦1 𝑥2 + 𝑦2
𝑥1 𝑥2
(𝑥1 − 𝑦1) = 𝑇 ( ) 𝑌 (𝑥2 − 𝑦2) = 𝑇 ( )
𝑦1 𝑦2
3𝑦1 3𝑦2

5
Asi

𝑥1 𝑥2 𝑥1 𝑥2
T[( ) + ( )] = 𝑇 ( ) + 𝑇 ( )
𝑦1 𝑦2 𝑦1 𝑦2

De manera similar

∝𝑥 + ∝𝑦 𝑥 + 𝑦
𝑥 ∝ 𝑥 𝑥
T[∝ (𝑦)] = 𝑇 (∝ 𝑦) = (∝ 𝑥 − ∝ 𝑦) =∝ (𝑥 − 𝑦 ) =∝ 𝑇 ( )
𝑦
3∝𝑦 3𝑦

Asi, T es una transformación lineal

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

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 R2 y lo refleja respecto al eje y (vea la figura 5.2)

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( 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´´´.

6
5.2 NUCLEO E IMAGEN DE UNA TRANSFORMACION 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

𝐼. − 𝑇(0) = 0

𝐼𝐼. −𝑇(𝑢 − 𝑣) = 𝑇𝑢 − 𝑇𝑣

𝐼𝐼𝐼. −𝑇(∝1 𝑣1 +∝2 𝑣2 + ⋯ +∝𝑛 𝑣𝑛 ) =∝1 𝑇𝑣1 +∝2 𝑇𝑣2 + ⋯ +∝𝑛 𝑇𝑣𝑛

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 (α1Tv1 + 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 T1y T2 son dos transformaciones lineales
de V en W tales que T1vi = T2vi = wi para i = 1, 2,…,n. Entonces para cualquier vector v ϵ
v, T 1v = T2v; es decir T1 = T2.

7
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.

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 vϵ 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

1 0 0 3
2 −1 5
𝑇 0 = ( ) . 𝑇 1) = ( )
( ) ( 𝑦 𝑇 0 = ( ) . 𝐶𝑎𝑙𝑐𝑢𝑙𝑒 𝑇 −4)
( ) (
3 4 −3
0 0 1 5

Solución. Se tiene

3 1 0 0
(−4) = 3 (0) − 4 (1) + 5 (0)
5 0 0 1

Entonces

3 1 0 0
𝑇 (−4) = 3𝑇 (0) − 4𝑇 (1) + 5𝑇 (0)
5 0 0 1

8
 2 −1 5 6 4 25 35
3( )− 4( ) +5( ) = ( )+ ( )+( )=( )
3 4 −3 9 −16 −15 −22

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

i . El núcleo de T, denotado por un, está dado por

𝑛𝑢 𝑇 = {𝑣 ∈ 𝑉: 𝑇𝑣 = 0}

ii. La imagen de T, denotado por Im T, esta dado por

𝐼𝑚 𝑇 = {𝑤 ∈ 𝑊: 𝑤 = 𝑇𝑣 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛𝑎 𝑣 ∈ 𝑉 }

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.

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.

9
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 vϵ 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 vϵ V(T es la transformación identidad). Entonces un T= {0} e Im T = V.

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.

𝑥 𝑥
Sea 3 3
T:R R definida por 𝑇 (𝑦) = (𝑦)
𝑧 0

T es el operador de proyección de R3 en el plano xy.

𝑥 𝑥 0
𝑆𝑖 𝑇 (𝑦) = (𝑦 ) = 0 = (0)
𝑧 0 0

Entonces x = y = 0. Así, nu T = {(x,y,z):x = y = 0, zϵR}, 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.

10
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 = N A, 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 = proy H v. Es obvio que la Im T = H. Se tiene que

toda vϵ V si v=h + proyH v + proyHv. Si Tv = 0, entonces h=0

Tx = AT x Para toda x ϵ ʀ

5.3 REPRESENTACION
MATRICIAL DE UNA TRANSFORMACION LINEAL.

Si A es una matriz de m*n y T: Rn-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 ϵ Rn. Este hecho es de gran
utilidad. Si Tx = Ax. Entonces un T = NA 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 Rn-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.

11
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, A T tal
que:

Demostración

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

𝑎1𝑖
𝑎2𝑖
𝑤𝑖 = . 𝑝𝑎𝑟𝑎 𝑖 = 1,2, . . . , 𝑛
.
(𝑎𝑚𝑖 )

Entonces

i-esima posicion

0
𝑎11 𝑎12 ⋯ ⋯ 𝑎1𝑛 0 𝑎1𝑖
𝑎21 𝑎22 ⋯ ⋯ 𝑎2𝑛 ⋮ 𝑎2𝑖
𝐴 𝑇 𝑒𝑖 ( ⋮ ⋮ ⋮ ) 1 = ( ⋮ ) = 𝑊𝑖
𝑎𝑚1 𝑎𝑚2 ⋯ ⋯ 𝑎𝑚𝑛 0 𝑎𝑚𝑖
⋮
(0 )

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 ϵ Rn. Entonces ATx = BTx, o estableciendo CT= AT – BT, se tiene que CTx = 0 para
todo x ϵ Rn. En particular, CTei es la columna i de CT.

12
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.

TEOREMA 2 sea AT la matriz de transformación correspondiente a laa transformación

lineal T. entonces.

i. Im T = Im A = CAT

ii. P(T) = p(AT)

iii. Un T = NAT

iv. 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

𝑥 𝑥 1 1 0 0 0 0
𝑎𝑞𝑢𝑖 𝑇 (𝑦) = (𝑦 ) 𝐸𝑛 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑟 𝑇 (0) = (0) . 𝑇 (1) = (1) 𝑦 𝑇 (0) = (0) 𝐴𝑠𝑖
𝑧 0 0 0 0 0 1 1

1 0 0 𝑥 1 0 0 𝑥 𝑥
AT = (0 1 0) 𝑜𝑏𝑠𝑒𝑟𝑣𝑒 𝑞𝑢𝑒 𝐴 𝑇 (𝑦) = (0 1 0) (𝑦) = (𝑦)
0 0 0 𝑧 0 0 0 𝑧 0

13
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 Sn 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 B1 y B2, entonces.

AT = A2-1CA1

Geometría de las transformaciones lineales de R2 en R2.

Sea T:R2-R2 una transformación lineal con representación matricial A T 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

𝑥 𝑐𝑥
𝑇 (𝑦 ) = ( 𝑦 )

1 𝑐 0 0 𝑐 0
𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑇 ( ) = ( ) 𝑦 𝑇 ( ) = ( ) de manera que si AT = ( ) se tiene
0 0 1 1 0 1
𝑥 𝑥 𝑐 0 𝑥 𝑐𝑥
𝑇 (𝑦) = 𝐴 (𝑦) = ( ) (𝑦 ) = ( 𝑦 )
0 1

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 ,

14
 𝑥 𝑐𝑥
𝑠𝑖 𝑇 (𝑦) = ( 𝑦 )

1 0
Entonces la representación matricial de T es 𝐴 𝑇 ( ) de manera que
0 𝑐

1 0 𝑥 𝑥
( ) (𝑦) = (𝑐𝑦)
0 𝑐

a) se comienza con este rectángulo.

b) Expansión en la dirección de x c = 2.

c) Expansión en la dirección de y con c = 4.

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 R2 por una constante positiva 0<c<1, mientras que
para la expansión c<1.

15
a) se comienza con este rectángulo.

b) Compresión a lo largo del eje x con c =1/3.

c) Compresión a lo largo del eje x con c=1/2.

5.4 APLICACIÓN DE LAS TRANSFORMACIONES LINEALES:

REFLEXIÓN, DILATACIÓN, CONTRACCIÓN Y ROTACIÓN.

Reflexión sobre el eje x

En este caso, queremos averiguar como está definida la transformación T de R2 en R2

que cada vector ū = (𝑢1 , 𝑢2 ) lo refleja sobre el eje x, para obtener un vector
𝑇(ū) = (𝑣1 , 𝑣2 )

En una gráfica, vemos la situación como sigue:

16
En este caso, la situación es más sencilla ya que claramente tenemos dos triángulos
rectángulos que son congruentes, de donde T queda definida como sigue:

𝑇(𝑢1 , 𝑢2 ) = (𝑢1 , −𝑢2 )

Esta transformación se llama la reflexión sobre el eje x, y es lineal, ya que:

𝑇[(𝑢1 , 𝑢2 ) + 𝜆(𝑣1 , 𝑣2 )] = 𝑇(𝑢1 + 𝜆𝑣1 , 𝑢2 + 𝜆𝑣2 )

= (𝑢1 + 𝜆𝑣1 , − 𝑢2 − 𝜆𝑣2

= (𝑢1 − 𝑢2 ) + 𝜆(𝑣1 − 𝑣2 )

= 𝑇(𝑢1 − 𝑢2 ) + 𝜆𝑇(𝑣1 − 𝑣2 )

Ejemplo dilatación o expansión

Una dilatación es una transformación que incrementa distancias.

Sea V= (2 4) encontrara la expansión vertical cuando K=2

Expansión horizontal (k71) o contracción (0<k<1)

Expansión vertical (k71) o contracción (0<k<1)

Ejemplo contracción

Una contracción es una transformación que decrece distancias. Bajo una contracción,
cualquier par de puntos es enviado a otro par a distancia estrictamente menor que la
original.

Sea V= (2 4) encontrara la contracción horizontal cuando K=1/2

Haciendo la grafica el punto disminuye en el eje horizontal.

Rotación por un ángulo 𝞠

17
Sea 0 ≤ 𝜃 < 2𝜋 un ángulo medido en radianes. Queremos averiguar cual es la
transformación T de R2 en R2 que gira cada vector ū = (𝑢1 , 𝑢2 ) un angulo , para
obtener un vector

𝑇(ū) = (𝑣1 , 𝑣2 )

En una gráfica, vemos la situación como sigue:

Si usamos las funciones trigonométricas, tenemos que:

𝑣1 = ‖𝑇(ū)‖ ∙ cos(𝛼 + 𝜃) = ‖𝑢̅‖ ∙ (𝑐𝑜𝑠𝛼 ∙ 𝑐𝑜𝑠𝜃 − 𝑠𝑒𝑛𝛼 ∙ 𝑠𝑒𝑛𝜃)

𝑣2 = ‖𝑇(ū)‖ ∙ sen(𝛼 + 𝜃) = ‖𝑢̅‖ ∙ (𝑠𝑒𝑛𝛼 ∙ 𝑐𝑜𝑠𝜃 + 𝑐𝑜𝑠𝛼 ∙ 𝑠𝑒𝑛𝜃)

Distribuyendo y usando el hecho de que 𝑢1 = ‖𝑢̅‖𝑐𝑜𝑠𝛼 y 𝑢2 = ‖𝑢̅‖𝑠𝑒𝑛𝛼 tenemos que:

𝑣1 = 𝑢1 cos 𝜃 − 𝑢2 𝑠𝑒𝑛 𝜃

𝑣2 = 𝑢2 cos 𝜃 + 𝑢1 𝑠𝑒𝑛 𝜃

Por lo tanto, ya descubrimos cómo debe estar definida la transformación 𝑇: 𝑅2 → 𝑅2 tal

que

𝑇(𝑢1 , 𝑢2 ) = (𝑢1 𝑐𝑜𝑠𝜃 − 𝑢2 𝑠𝑒𝑛𝜃, 𝑢2 𝑐𝑜𝑠𝜃 + 𝑢1 𝑠𝑒𝑛𝜃)

18
Esta transformación se llama la rotación por un ángulo 𝞠 y es lineal, ya que:

𝑇[(𝑢1 , 𝑢2 ) + 𝜆(𝑣1 , 𝑣2 )] = 𝑇(𝑢1 + 𝞴𝒗𝟏 , 𝒖𝟐 + 𝞴𝒗𝟐 )

=((𝑢1 + 𝞴𝑣1 )𝑐𝑜𝑠𝜃 − (𝑢2 + 𝞴𝑣2 )𝑠𝑒𝑛𝞠, (𝑢2 + 𝞴𝑣2 )𝑐𝑜𝑠𝞠 + (𝞴𝑣1 )𝑠𝑒𝑛𝞠)

= (𝑢1 𝑐𝑜𝑠𝜃 − 𝑢2 𝑠𝑒𝑛𝜃, 𝑢2 𝑐𝑜𝑠𝜃 + 𝑢1 𝑠𝑒𝑛𝜃) + 𝞴(𝑣1 𝑐𝑜𝑠𝜃 − 𝑣2 𝑠𝑒𝑛𝜃, 𝑣2 𝑐𝑜𝑠𝜃 + 𝑣1 𝑠𝑒𝑛𝜃)

= 𝑇(𝑢1 , 𝑢2 ) + 𝞴𝑇(𝑣1 , 𝑣2 )

http://itsavbasicas.blogspot.mx/2012/05/54-aplicacion-de-las-transformaciones.html

http://mate.dm.uba.ar/~jeronimo/algebra_lineal/Capitulo3.pdf

19