1.6.

 LINEAR TRANFORMATIONS 
Linear Transformation 
Let   and   be two vector spaces over the same field . Then the mapping 
 is said to be a linear transformation or a linear mapping if it satisfies 
the following two properties: 

i)  
ii)  

The above two properties can be written in one condition as follows: 

Example 1: Prove that the mapping   defined by   
is a linear transformation. 

 Solution: Given the mapping   defined by   

Let ,  . Then  

        

                 (definition)  

               

               

               

                                            (definition) 

Thus,   preserves vector addition and scalar multiplication and hence   is a linear 

transformation. 

Example 2: Prove that the mapping   defined by                                   
 is a not linear transformation. 
 Solution: Given the mapping   defined by   . 
Let ,  . Then  

        

                 (definition)  

               

               

                                            (definition) 

Thus,   doesn’t preserve vector addition and scalar multiplication and hence   is 

not a linear transformation. 

THEOREM 1: Let   be a finite dimensional vector space with an ordered 
basis . Let   be a vector space and   be 
a set of vectors in . Then prove that there exists a unique linear transformation 
 such that . 

Proof:   
Existence of the mapping   

Let   be any vector. Since   is a basis of ,   can be expressed as linear 

combination of the vectors in , that is, there exists unique scalars   
n
such that   aii  
i 1

For this vector , we define   

n
   ai i  
i 1

Then each vector   in   there exists   in , that is,  for each . Thus, 

 is a well defined mapping. 
To show that   is a linear transformation 
n
Let   be any vector. Then    bii , where 
i 1
. For , we have  

n n n n n
   aii  bii  caii  bii   cai  bi i
i 1 i 1 i 1 i 1 i 1  
n
Now, using the definition    ai i , we have  
i 1

n n
    cai  bi T i     cai  bi  i  
i 1 i 1

On the other hand, 

   

Therefore,   is a well defined linear transformation. 

To show that   is unique 

Assume that   be another linear transformation such that 

  . 

n
For   aii , we have 
i 1
 n  n n
    ai i    aiT '  i    ai i              (using definition) 
 i 1  i 1 i 1

This shows that   and hence   is unique. 

Hence be proved. 

THEOREM  2:  Let    be  a  linear  transformation.  Let    and    be  the 
zero vectors of   and   respectively. Then . 

That is, a linear transformation maps a zero vector into a zero vector. 

Kernel of a linear transformation 
Let  and   are two vector spaces, and   is a linear 
transformation. Then kernel of , denoted by , is the set of vectors in   
that maps into the zero vector   in , that is,  
 
 
Range (or Image) of a linear transformation 
Let  and   are two vector spaces, and   is a linear 
transformation. Then range of , denoted by , is the set of vectors in   
which are images of the vectors in , that is, 
 

THEOREM 3: Let   and   are two vector spaces, and   is a 

linear transformation. Then prove that  

a)  is a subspace of  . 
b)  is a subspace of . 

Proof: We have the following result:  
Let   and   are two vector spaces and   is a linear transformation. 
Then , where   and    are zero vectors in   and    respectively. 
a) From the above result, it clear that   is a nonempty subset of  since 
it contains a zero vector. 

To prove that   is a subspace of , it enough to show that for any   

and    such that . 

Let . Then by its definition, we have   

Since   is a linear transformation, we have  

   

i.e.,     

i.e., For any   and    such that . 

Therefore,   is a subspace of  . 

b) From the above result, it clear that   is a nonempty subset of   since it 

contains a zero vector. 

To prove that  is a subspace of , it is enough to show that for any 

and    such that . 

Let . Then by its definition there exist some vectors   
such that   and   

Since   is a linear transformation, we have  

   

i.e.,     

i.e., For any   and    such that . 

Therefore,   is a subspace of  . 

Hence be proved. 

 
Rank and Nullity of a Linear Transformation 
Let   and   are two vector spaces and   is a linear 
transformation. Then  

i) The rank of , denoted by , is defined as the dimension of the range of . 

That is,   
ii) The Nullity of , denoted by , is defined as the dimension of the kernel of . 
That is,  . 

Theorem 4: Rank and Nullity Theorem 
Let   and   be two vector spaces and   is a linear transformation. 
Suppose that   is of finite­dimension, then prove that , 
that is,  . 

Proof:  Since   is a finite­dimensional vector space,    and 

 is a linear transformation,   is also a finite­dimensional 
subspace of . 

Let                  …   

Let  be a basis set of  . Then by the definition 

of , we have  

, where                              

As   is linear independent, we can extend   to form a basis of  . That is, 

Let   be the extended basis of  . Then  

                                                                                                   

We now show that the set of all image elements of additional vectors                           
 is a basis for   so that . 
To prove that   is linear independent, it is enough to show that for any scalars 
 such that ,        
where . 

Now,    
 
Since   is a linear transformation, we have  

       

By the definition of  , we have   

Since   is a basis of  , we can express the vector                                          

 as a linear combination of the vectors in  . 

That is, for any scalars   such that 

          

   

 Linear combination of the vectors in   

 As   is linearly independent, we have  

   

   

Thus,   is linearly independent. 

To prove that   spans , it is enough to show that for any vector , 

 can be expressed as a linear combination of the vectors in . 

Now, for some scalars   such that  

         

   

Since   is a linear transformation, we have  
   

                (from (2)) 

               

             Linear combination of the vectors in   

Thus,   spans   

Therefore,   is a basis of   so that                          …   

From   and , we have  

   

   

Hence be proved.