Matemática 03 2

Transformaciones Lineales.

Este tema se apoya mucho en los Espacios Vectoriales.

Podemos considerar a una Transformación Lineal una Función entre dos Espacios Vectoriales, ya sean distintos entre sí, o un espacio consigo mismo.

En la práctica, convertimos Vectores de un cierto Espacios Vectoriales en Vectores de otro.

Como su nombre lo indica, son Lineales, por lo que si un Vector se obtiene como Combinación Lineal de otros, su transformado se obtendrá como Combinación Lineal de los transformados.

Pasted image 20230707201548.webp
(Para determinar si una Función es Transformación Lineal, se deben probar esas dos propiedades. O la Combinación Lineal.)

Al espacio V se le denomina Espacio de Salida. o Dominio de la Transformación Lineal, y a W Espacio de Llegada o Codominio de la Transformación Lineal.

Al conjunto de todos los transformados se les denomina Imagen.

Las Transformaciones Elementales son Transformación Lineal. Y las Transformación Lineal en Kn Se pueden obtener a partir de aplicar ciertas Transformaciones Elementales consecutivas.

El Transformado del Nulo es SIEMPRE el Nulo. Lo podemos usar también para probar si es Transformación Lineal.

SI los transformados de una Base coinciden en dos Transformación Lineal, entonces van a coincidir en todo el espacio, (Es la misma).

Por ello, basta con definir los transformados de una Base para definir una Transformación Lineal. Con ellos podemos hallar la "Forma" de la Transformación Lineal.

Operaciones con Transformaciones Lineales

Deben ser del mismo Cuerpo

Núcleo e Imagen

Llamamos Núcleo de una Transformación Lineal a todos los vectores de v, cuyo transformado es el Nulo de W. (Es un Subespacios Vectoriales del Espacio de salida)
Pasted image 20230708090448.webp

(Para hallarlo debemos plantear un sistema con las dos componentes igualadas a 0)
Pasted image 20230708090728.webp

Llamamos Imagen de una Transformación Lineal al conjunto de vectores que se pueden obtener transformando los de W. (Es un Subespacios Vectoriales del espacio de llegada.)
Pasted image 20230708090600.webp

(Para Hallarla Igualamos las componentes a genéricos)
Pasted image 20230708090814.webp

Propiedades de T.L

Clasificación de Transformaciones Lineales.

Podemos clasificar a las Transformación Lineal de la misma forma que a las Funciónes, en 4 grupos:

Inyectivas:

Las Transformación Lineal Inyectivas, son las que todos los vectores tienen un transformado diferente.
Pasted image 20230708102756.webp

Sobreyectivas

Las Transformación Lineal Sobreyectiva son las que permiten obtener todo el espacio de llegada como transformados.
Pasted image 20230708103031.webp

Biyectivas

Las Transformaciones biyectivas son tanto Inyectivas como Biyectivas.
Pasted image 20230708103553.webp

(Para ver si puede ser inyectiva rápidamente podemos verificar si espacio de salida y llegada tienen misma dimensión. (Solo si son del mismo cuerpo))
(T inversa debe ser biyectiva también porque no solo es que resulte en v, si no que los vectores w den los mismos vectores v de los que surgen. )

Las Transformación Lineal Biyectivas son llamadas Isomorfismos. Y dos Espacios Vectoriales son Isomorfos si existe un Isomorfismos entre ellos.

Dos Espacios Vectoriales sobre el mismo cuerpo son Isomorfos son si tienen la misma dimensión.

Todo Espacios Vectoriales va a ser Isomorfos con Kn, dónde n es la dimensión del Espacios Vectoriales. Esto va a ser útil, porque nos va a permitir transformar cualquier Espacios Vectoriales en n-Tuplas para trabajar sobre ellas, usando las Coordenadas.

Matriz Asociada a una T.L

Llamamos Matriz asociada de una Transformación Lineal a la Matriz cuyas columnas son las coordenadas en una Base del espacio de llegada de los transformados de una Base.
Pasted image 20230708135607.webp
(Las Bases se escriben al revés, Primero la del espacio de llegada.)

El único caso en donde podemos plantear solo una base es cuando es de un espacio en si mismo.
Pasted image 20230708135940.webp

Conociendo la Matriz asociada de una Transformación Lineal podemos obtener directamente la "Forma" de su Transformación Lineal.

Propiedades:

(Sobre mismo cuerpo).
Pasted image 20230708140511.webp
Pasted image 20230708140615.webp

SI es Biyectiva:
Pasted image 20230708140720.webp

También podemos hacer al revés, y ver que toda Matriz es una Matriz asociada de una Transformación Lineal sobre las Bases Canónicas. En Espacios que sean distintos a las n-Tuplas trabajaremos con las coordenadas.
Esto es el Teorema de las Coordenadas:
Pasted image 20230708143237.webp
(Multiplicar las coordenadas de un vector en a, por su matriz asociada, da las coordenadas del transformado del vector en b. )
Pasted image 20230708143451.webp

Entonces, podemos definir ahora el Núcleo y la Imagen de una Matriz.

Núcleo: Pasted image 20230708143635.webp

Imagen:
Pasted image 20230708143707.webp

Las columnas de A generan la imagen de A, por lo que el Rango de una Matriz es igual a la dimensión de su Imagen.

Propiedades de Transformación Matricial Con Bases Cualquiera:

Pasted image 20230708144232.webp
Pasted image 20230708144239.webp

Como las bases ya no son las canónicas, y no analizamos el propio Vector.

Pasted image 20230708144359.webp
Pasted image 20230708144423.webp

Cambio de Base

Llamamos Matriz cambio de Base a la Matriz asociada de una Transformación Lineal , en este caso la transformación Identidad, en las bases que sean.

Operador Lineal y Matrices Semejantes

Llamamos Operador Lineal a toda transformación que va de un Espacios Vectoriales en si mismo.

Llamamos Matrices Semejantes si existe :
Pasted image 20230708145331.webp

TODAS Las Matrices Semejantes están asociadas al mismo Operador Lineal, y todas las matrices asociadas al mismo Operador Lineal son semejantes.

Todas las matrices semejantes tienen el Mismo:

Valores y Vectores Propios

Llamamos Vector Propio a todo Vector (Distinto del Nulo) que al aplicarle la Transformación Lineal resulta en el mismo valor propio multiplicado por una constante. (Será Colineal) La constante a la que queda multiplicado es su Valor Propio.

Como esto ocurre al aplicado a transformaciones lineales, un Vector Propio multiplicado, va a resultar en la multiplicación "doble", y la suma en la suma.
Pasted image 20230708155701.webp

Pasted image 20230708155913.webp
En este caso también se añade el nulo para que sea un Subespacios Vectoriales .

El Subespacios Vectoriales de vectores propios es el núcleo de T- (Valor Propio)(I)

Cálculo de Valores y Vectores Propios:

Pasted image 20230708160531.webp
Esto se suele denominar Ecuación Secular, Y el determinante Determinante Secular.
El Determinante Secular dará como resultado un Polinomios, llamado Polinomio Característico, Igualado a 0 Se llama Ecuación Característica.
El Polinomio Característico Siempre tendrá :

Una vez obtenidos los valores propios debemos sustituir en la ecuación, y resolver, nlo que nos dará las Coordenadas de los Vectores Propios.

Dos Matrices Semejantes siempre tendrán el mismo Polinomio Característico. Y por lo tanto sus mismos Valor Propio. (El Recíproco no se cumple)

El Conjunto de todos los valores propios se llama Espectro.

Si dos Valor Propio son Complejos conjugados, sus Vector Propio también.

Si tenemos una Matriz Triangular sus Valor Propio son los elementos de la diagonal principal, (Pueden ser todos 0)

Propiedades de Polinomios característico

Diagonalización

La Diagonalización es el proceso de transformar una Matriz
en una Matriz Diagonal. Para hacerlo es necesario conocer previamente sus Valor Propio y Vector Propio.

Un Operador Lineal es diagonalizable si existe alguna Base del espacio en la cual la Matriz asociada de una Transformación Lineal es Diagonal.

Dada una Matriz, decimos que es diagonalizable si es Matrices Semejantes a una Diagonal.

Pasted image 20230708183215.webp
Pasted image 20230708183238.webp

Teorema del Operador Diagonalizable
Pasted image 20230708183443.webp
T es diagonalizable si y solo si, se puede construir una Base de su Espacios Vectoriales con Vector Propio.

Y los Valor Propio serán los elementos de la diagonal principal.

Teorema de independencia lineal de vectores propios
Pasted image 20230708184623.webp
Pasted image 20230708184630.webp300

Si todos los Vector Propio se obtienen de distintos Subespacios Propios, siempre van a ser Linealmente Independientes.

Por lo que si T tiene dimensión n, y n Valor Propio, va a ser diagonalizable. (Porque todos los vectores propios van a tener dimensión 1.)

Si los Valor Propio obtenidos no forman parte del cuerpo, no va a ser diagonalizable.

Multiplicidades

Existen dos magnitudes que vamos a analizar para determinar si son diagonalizables:

Multiplicidad algebraica

Es la misma multiplicidad que en las raíces.
Pasted image 20230708185549.webp

Multiplicidad Geométrica

Es la dimensión del Subespacios Propios.
Pasted image 20230708185803.webp

Matriz Hermítica

Una Matriz es Hermítica si es igual a su complejo conjugada transpuesta
Pasted image 20230708194246.webp300
Para que se pueda dar los elementos de la diagonal principal deben ser reales, porque son los únicos iguales a sus conjugados.
Las Matriz simétrica reales son Hermítica.

Teorema Espectral
Pasted image 20230708194531.webp
Las matrices reales simétricas son todas diagonalizables por ser Hermítica.

Producto Interno y Norma

El Producto Interno es una Función , que toma dos Vectores del mismo Espacios Vectoriales y devuelve un Escalar, y cumple las siguientes propiedades:

Producto Interno Euclídeo

El Producto Interno Euclídeo o Habitual, es un producto que siempre está en n-Tuplas , y es el que se suele utilizar.
Pasted image 20230708202337.webp
Se calcula sumando los productos de las respectivas componentes, pero conjugando las del segundo vector.

El Producto Interno Euclídeo coincide con el Producto Interno Escalar que está definido:
Pasted image 20230708202839.webp

Norma

La Norma es una Función que toma un Vector y devuelve un Real.
Y cumple las siguiente propiedades:Pasted image 20230708203236.webp

Interpretación geométrica de la Desigualdad Triangular:
Pasted image 20230708203329.webp
Solo es igual si son Colineales.

Se pueden definir varias normas, pero si Hay un Producto Interno queda automáticamente definida una norma, la NIPI.

NIPI

Pasted image 20230708203528.webp

La NIPI entonces será la Raíz Cuadrada del Producto Interno, cualquiera sea este.

Cuando el Producto Interno es el Producto Interno Euclídeo, la Norma coincide con el Módulo.
Pasted image 20230708203758.webp

Desigualdad de Cauchy-Schwarz
Pasted image 20230708204442.webp
El Módulo del Producto Interno es menor o igual al producto de sus normas, siendo la norma la NIPI.

Si u y v fueran Colineal sería una igualdad.

Regla del Paralelogramo
Pasted image 20230708204817.webp
La Regla del Paralelogramo es cumplida si y solo si la Norma es una NIPI, independientemente del cuerpo.

Si el cuerpo es real, entonces se cumplirá también la Regla de Polarización:
Pasted image 20230708205243.webp

Con la Desigualdad de Cauchy-Schwarz podemos definir otras dos nociones intuitivas, el ángulo y la distancia entre dos vectores.
Angulo:
Pasted image 20230708211331.webp

Distancia:
Pasted image 20230708211448.webp
Esta distancia se llama DIPN porque es la inducida por la Norma

Propiedades de la distancia:
Pasted image 20230708211552.webp

Ortogonalidad y Normalidad

Decimos que dos Vector son ortogonales si y solo si el Producto Interno entre ellos es nulo.

El Nulo es Ortogonal con todos, y además es el único que lo es consigo mismo.

Conjunto Ortogonal

Y sabiendo esto podemos formar un Conjunto Ortogonal, que es aquel donde todos sus vectores son Ortogonales entre si.
Un Conjunto Ortogonal que no incluye al Nulo es siempre Linealmente Independiente.

Complemento Ortogonal

También podemos definir el Complemento Ortogonal que son todos los Vectores del Espacios Vectoriales de trabajo, Ortogonales con un Conjunto.

El Complemento Ortogonal siempre va a ser Subespacios Vectoriales aunque el conjunto s no lo sea.

Normalización

Llamamos Normalización al proceso de hallar un vector a partir de otro, cuya norma sea 1. Para hacerlo simplemente hay que dividir el vector original por su norma.

El nuevo vector se llamara Versor.
El Nulo no puede ser Normalizado porque su Norma vale 0.

Conjunto Ortonormal.

Denominamos Conjunto Ortonormal a un Conjunto Ortogonal y Normalizado.

Todas las Bases Canónicas son Conjunto Ortonormales.

Proyección Ortogonal

Todo vector puede expresarse como una suma de vectores, Uno perteneciente al subespacio, y otro que es perpendicular:

Teorema de la mejor aproximación

El Teorema de la Mejor Aproximación dice que En R^n, la Proyección Ortogonal es la mejor aproximación de un Vector en un subespacio de R^n
Pasted image 20230709103246.webp

Componente Ortogonal

La Componente Ortogonal se obtiene restándole a u su Proyección Ortogonal.
Pasted image 20230709103704.webp
(La proyección va a ser siempre Colineal a un vector v)
Pasted image 20230709103717.webp
La c surge de considerar la colinealidad.

Basta con hallar c para poder determinar la Proyección Ortogonal, y esta la podemos hallar si tenemos en cuenta que al ser Ortogonal su Producto Interno debe ser 0.

Pasted image 20230709104409.webp

Método de Ortogonalización de Gram-Schmidt

El Método de Ortogonalización de Gram Schmidt nos dea un procedimiento a seguir que nos va a permitir obtener Bases Ortogonales paso a paso, añadiendo siempre un Vector ortogonal con todos los anteriores.

Lo aplicaremos para espacios reales.

Los pasos a seguir son:

Aproximación por Mínimos Cuadrados

La Aproximación por Mínimos Cuadrados es útil para convertir Sistemas de Ecuaciones Lineales incompatibles, que sabemos que deberían ser compatibles, en compatibles.

Buscando la solución más próxima posible, minimizando la norma del vector error = AX-b

Donde la x es el vector que creamos, en caso de que sea el exacto, el error es 0. (Se hace al cuadrado porque los errores pueden ser positivos o negativos.)

Para hallar el vector aproximación debemos encontrar la aproximación que al multiplicarla por a sea el vector más cercano a b.

Gracias al Teorema de la Mejor Aproximación sabemos que ese vector multiplicado por a va a ser la proyección de b en w.

Otro teorema afirma que El complemento ortogonal de las columnas de la matriz, está compuesto por las vectores solución de la ecuación de abajo.
Pasted image 20230709120441.webp

Teorema de las Ecuaciones Normales
Pasted image 20230709120650.webp
Pasted image 20230709120658.webp

Nos tice que el vector más próximo (El que queremos calcular) cumple con la ecuación, que se denomina Sistema de Gauss. Entonces nuestro problema se reduce a hallar la ecuación exacta para el Sistema de Gauss. (Puede pasar que la solución no sea única, en ese caso todas son igual de válidas, pero no puede pasar que sea incompatible.)

En caso de que las columnas de la matriz del sistema inicial sean LI, Xmc Será único y se podrá calcular:
Pasted image 20230709121107.webp

Un caso práctico en el que se usaría esto sería por ejemplo, la recta más aproximada a una nube de puntos, para resolverlo habría que hacer un sistema con todos los puntos y la ecuación de la recta, para luego aproximarlo como Sistema de Gauss.
Pasted image 20230709122256.webp

Pasted image 20230709122306.webp

Pasted image 20230709122319.webp

Pasted image 20230709122331.webp