Universidad de Guadalajara

Centro Universitario de Tonalá

Asignatura: Álgebra Lineal

Alumno: Velázquez Gurrola Jesus Joseph Aarón
Carrera: Ingeniería en Ciencias Computacionales (ICCO)

ACTIVIDAD: Transformaciones Lineales y Vectores Propios

Transformaciones Lineales y Vectores Propios

Transformaciones Lineales
En el campo del algebra lineal, entre otras ramas de las matemáticas, existe una
clase especial de funciones que son llamadas transformaciones lineales, con una
variedad de aplicaciones importantes en el mundo real.

Para explicar en qué consiste una transformación lineal, podemos generar el caso
en que se tienen dos espacios vectoriales reales V y W. Teniendo ambos espacios,
una transformación lineal T de V en W sucede cuando hay una función que se
asigna a cada vector 𝑣 ∈ 𝑉en un vector único 𝑇𝑣 ∈ 𝑊 y que cumple con
condiciones para cada u y v en V y cada escalar α:

𝑇(𝑢 + 𝑣) = 𝑇𝑢 + 𝑇𝑣 / 𝑇(α𝑣) = α𝑇𝑣

Toda transformación lineal cuenta con dos propiedades básicas:

1. Imagen
2. Núcleo
Sobre las cuales las transformaciones lineales están determinadas por el efecto
sobre los vectores de la base.

Propiedad: Imagen
Teniendo a T: V → W como una transformación lineal, para todos los vectores u, v,
v1, v2, … vn en V y todos los escalares α, donde tienen las siguientes propiedades:

I. 𝑇(0) = 0
II. 𝑇(𝑢 − 𝑣) = 𝑇𝑢 − 𝑇𝑣
III. 𝑇(α1𝑣1 + α2𝑣2 + α𝑛𝑣𝑛) = α1𝑇𝑣1 + α2𝑇𝑣2 +... + α𝑇𝑣𝑛
Propiedad: Núcleo
Sea V un espacio vectorial de dimensión finita con base B = {v1, v2, … vn} y
tengamos a w1, w2, . . . , wn como vectores en W. Suponga que T1 y T2 son dos
transformaciones lineales de V en W tales que T 1 Vi 5 T2vi 5 wi para i 5 1, 2, . . . ,
n. Entonces para cualquier vector v P V, T1v 5 T2v; es decir, T1 5 T2.

Sobre lo cual esta propiedad nos indica que si T: V → W y V tiene dimensión finita,
entonces solo es necesario conocer el efecto que T tiene sobre los vectores de la
base que se encuentra en V.

Además se tiene la Nulidad y Rango de una transformación lineal como dos

propiedades más:

Si T es una transformación lineal de V en W, entonces:

I. nulidad de T 5 n (T) 5 dim nu T
II. rango de T 5 r(T) 5 dim im T

Representación matricial
Si se tiene una Representación Lineal T, la matriz AT se denomina matriz de
transformación, y esto es:
Si A es una matriz de m X n y T:RnS Rm está definida por Tx = Ax, entonces T es
una transformación lineal.
Ahora se verá que para toda transformación lineal de Rn en Rm existe una matriz A
de m X n tal que Tx = Ax para todo n ∈ P R.

(Grossman, 2012. p. 501)

Tal como se ha mencionado desde el principio, una de las aplicaciones de las
Representaciones Lineales se encuentra en el hecho de que esta es una función
con la que se pueden asignar vectores distintos para cada espacio vectorial real que
se cuente, satisfaciendo así distintas posibilidades y combinaciones muy útiles para
distintos casos, como el siguiente, que ejemplifica una aplicación de las
representaciones lineales en una fábrica, donde se elaboran 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.
Sobre los cuales tenemos la siguiente tabla de combinaciones:

P1 P2 P3 P4

R1 2 1 3 4

R2 4 2 2 1

R3 3 3 1 2

Sobre la cual podemos crear distintas matrices que ejecutan cálculos de las distintas
combinaciones, como por ejemplo la siguiente definición:
Valores y Vectores Propios
Los vectores propios son utilizados en distintas aplicaciones, sobretodo resultan
útiles cuando se busca encontrar un vector v en V tal que Tv y v sean paralelos. Es
decir, que se busca un vector v y un escalar denominado λ:
𝑇𝑣 = λ𝑣
Esto cuando se tiene una transformación lineal T: V → W.
Con estos valores y una matriz A de n X n como componentes, el número λse
denomina valor característico de A si existe un vector diferente de cero v en C,
que cumpla con lo que ya se ha declarado: 𝐴𝑣 = λ𝑣
Donde A es nuestra matriz n X n.

También tenemos los valores y vectores propios de la matriz identidad, además

de los que ha hemos visto para distintas matrices:
Sea A 5 I, entonces para cualquier v P Cn, Av 5 Iv 5 v. Así, 1 es el único valor
característico de A y todo v Z 0 P Cn es un vector característico de I.
Que si lo observamos visualmente suponiendo que λ es un valor característico de la
matriz A, tenemos lo siguiente:

(Grossman, Álgebra Lineal, p. 547)

Lo cual nos lleva al teorema siguiente. Donde A es una matriz de nuevo n X n, y λes
un valor de A, si y sólo si:
𝑝(λ) = 𝑑𝑒𝑡 (𝐴 − λ𝐼) = 0
Polinomio característico
En la ecuación anterior: 𝑝(λ) = 𝑑𝑒𝑡 (𝐴 − λ𝐼) = 0, esta es denominada ecuación
característica de la matriz A, y dentro de ella tenemos a 𝑝(λ), que es denominada el
polinomio característico de A.
El cual es un polinomio de grado n en λ.

Matriz Diagonalizable
Si A y B son matrices semejantes de n 3 n, entonces A y B tienen el mismo
polinomio característico y, por consiguiente, tienen los mismos valores
característicos.
En lo cual, una matriz de cualquier matriz A de n X n se dice que es diagonalizable
si existe una matriz diagonal D tal que A es semejante a D. Justamente por esta
propiedad o característica, los valores característicos son los componentes en la
diagonal que se usa.

Los valores y vectores características, con todas sus propiedades y casos

explicados anteriormente, son utilizados en aplicaciones para encontrar vectores en
espacios vectoriales reales donde se tiene una transformación lineal del vector v y
esta transformación es paralela a v.

Bibliografía

● Grossman, S. (2012). Algebra Lineal (7.a ed.). New York, Estados Unidos:
McGraw-Hill Education.