Taller de Matemática Aplicada

Tópicos de Álgebra Lineal

Contenidos:
Autovalores y autovectores.
Transformaciones lineales.

Autor: Alcides Leguto.

Edición: Lucía Caraballo y Juan Pablo Rebechi
(editado para Matemática 3)
 TALLER DE MATEMÁTICA APLICADA

Tópicos de Álgebra Lineal

CAPÍTULO 1: AUTOVALORES Y AUTOVECTORES
3 1 2
Considerá la matriz 𝐴 = ( ), y el vector 𝒗 = ( ). Veamos qué sucede si calculamos el producto A𝒗. Resulta
1 3 2
3 1 2 8 2
( ) ( ) = ( ) = 4 ( ). En este caso, el producto de la matriz A por el vector v genera el cuádruplo de v.
1 3 2 8 2
Claramente, esta cualidad no es compartida por cualquier matriz al ser multiplicada con cualquier vector, pero
¿de quién depende entonces? ¿es una cualidad de la matriz? ¿del vector v? ¿de ambos? Analizá cuidadosamente
los siguientes casos:
3 1 2 8 3 1 1 4 3 1 2 9
( )( ) = ( ) ( )( ) = ( ) ( )( ) = ( )
2 3 2 10 1 3 1 4 1 3 3 11
Como habrás visto, la cualidad vista anteriormente no sucede en todos los casos, y depende tanto de la matriz
A como del vector v escogido. Sin embargo, cuando se escoge una combinación adecuada entre éstos, se obtiene
un nuevo vector que puede pensarse como 𝒗 multiplicado por un escalar.
Este problema ha sido de interés histórico en el campo del álgebra ya que permite trabajar sencillamente
numerosas aplicaciones de la misma, y generó las definiciones que ahora presentamos.
Def. 3.1: Sea una matriz cuadrada A y un vector no nulo x tal que Ax = λx con λ escalar, entonces llamaremos a
λ autovalor de A, y a x autovector de A correspondiente a λ.
2
En el ejemplo antes dado, para la matriz A, el vector 𝒗 = ( ) es uno de sus
2
autovectores que corresponde al autovalor 4. Por otro lado, también habrá notado
1
que el vector ( ) es otro autovector que corresponde a este autovalor. Esto también
1
muestra que un autovalor puede contar con más de un autovector correspondiente. ¡Practica!
1.1. Autoespacios Actividad 1.

La pregunta que surge tras lo anterior es ¿toda matriz cuadrada tiene autovalores?
Si es así, ¿cuántos tiene? Y, luego, ¿cuántos autovectores tiene asociados cada
autovalor?
Para intentar responder esto, veamos el siguiente ejemplo resuelto. Comenzaremos analizando la última
pregunta.

3 1
Ejemplo resuelto 1. Demostrá que 2 es un autovalor de la matriz 𝐴 = ( ) y hallá todos los autovectores
1 3
correspondientes a éste.
R) Para resolver esta problemática, procederemos desde la definición de autovalor. Si 2 es un autovalor de A,
entonces vale que A𝒙 = 2𝒙 para los autovectores 𝒙 asociados a λ=2. Esta ecuación es equivalente a decir que
(∗)
𝐴𝒙 = 2𝒙 → 𝐴𝒙 − 2𝒙 = 𝟎 → 𝐴𝒙 − 2𝐼𝒙 = 𝟎 → (𝐴 − 2𝐼)𝒙 = 𝟎
(*) Notá que para obtener el factor común 𝒙 en el siguiente paso, debemos transformar al segundo término en
un producto entre matrices. Por esto, incorporamos la matriz identidad I que no altera el resultado y permite
realizar esta operación algebraica.
Por lo tanto, para hallar los autovectores 𝒙 debemos encontrar aquellos vectores que, al ser multiplicados por
la matriz (𝐴 − 2𝐼), generen el vector nulo. Expresemos en primer lugar la matriz 𝐴 − 2𝐼, y a continuación
hallemos 𝒙.
3 1 2 0 1 1
𝐴 − 2𝐼 = ( )−( )=( )
1 3 0 2 1 1
1 1 0 1 1 𝑥1 0
( )𝒙 = ( ) → ( )( ) = ( )
1 1 0 1 1 𝑥2 0

2
 1 1 𝑥1
Notarán que esta última expresión es un SEL escrito en forma matricial (𝐴. 𝒙 = 𝐵), con 𝐴 = ( ), 𝒙 = (𝑥 )
1 1 2
0
y 𝐵 = ( ). Por ende, podemos resolverlo por el Método de Gauss-Jordan:
0
1 1 0 𝐺𝐽 1 1 0
( | )→ ( | )
1 1 0 0 0 0
𝑥1
Este sistema es compatible indeterminado, del que podemos deducir que 𝑥1 + 𝑥2 = 0. Entonces, si 𝒙 = (𝑥 ) es
2
un autovector que corresponde al autovalor 2, debe cumplir que 𝑥1 + 𝑥2 = 0, o sea, 𝑥1 = −𝑥2, que es lo mismo
𝑥1 1
que decir 𝒙 = (−𝑥 ) = 𝑥1 ( ). Por lo tanto, los autovectores serán todos los paralelos (no nulos) del vector
1 −1
1
( ).
−1
Así hemos hallado todos los infinitos autovectores asociados al autovalor 2. Esto da
origen a la siguiente definición.
Def. 3.2. Dada una matriz A y un autovalor λ asociado a A, llamaremos autoespacio
¡Practica! (asociado a λ) al conjunto de todos los autovectores correspondientes a λ. Lo
denotaremos Eλ.
Actividad 2.
Ya habiendo definido a los autoespacios y habiendo visto cómo podemos hallarlos,
sólo basta responder la inquietud acerca de cómo conocer todos los autovalores
3 1
asociados a una matriz. Habrás notado que para la matriz 𝐴 = ( ) ya hemos
1 3
hallado dos autovalores: 2 y 4. ¿Habrá más?
3 1
Ejemplo resuelto 2: Demostrá que la matriz 𝐴 = ( ) solo admite dos autovalores: 2 y 4.
1 3
R) Este ejemplo solicita que hallemos, de alguna manera, todos los autovalores de la matriz A. Para esto,
repitamos el proceso que hicimos en el ejemplo resuelto 1, pero genéricamente

𝐴𝒙 = 𝜆𝒙 → 𝐴𝒙 − 𝜆𝒙 = 𝟎 → 𝐴𝒙 − 𝜆𝐼𝒙 = 𝟎 → (𝐴 − 𝜆𝐼)𝒙 = 𝟎
3 1 𝜆 0 3−𝜆 1
𝐴 − 𝜆𝐼 = ( )−( )=( )
1 3 0 𝜆 1 3−𝜆
𝑥1 0
(𝐴 − 𝜆𝐼)𝒙 = 𝟎 → (3 − 𝜆 1
) (𝑥 ) = ( )
1 3−𝜆 2 0
Pensándolo nuevamente como un SEL:
3−𝜆 1 0
( | )
1 3−𝜆 0
La resolución de este SEL lógicamente dependerá de qué valor o valores toma 𝜆. Como este SEL es homogéneo,
hemos demostrado en el Módulo II que será necesariamente compatible. Si es compatible determinado, la única
solución del mismo es el vector nulo, y hemos dicho (en la definición 1) que los autovectores 𝒙 deben ser no
nulos. Por lo tanto, la única opción que nos queda es que el sistema sea compatible indeterminado; de este modo
encontraremos infinitas soluciones, o sea, infinitos posibles autovectores que serán aquellos que conformen los
autoespacios.
¿Cómo podemos determinar qué valores de 𝜆 son los que transforman al SEL en compatible indeterminado?
Claramente, estos valores serán los autovalores, pues son los únicos que permiten encontrar infinitos
autovectores 𝒙. Ya hemos visto que una forma eficaz para determinar si un SEL de n ecuaciones con n incógnitas
es o no compatible determinado, es hallar el determinante de su matriz de coeficientes. Si este determinante
era nulo, el SEL no es compatible determinado, y en el caso que estamos analizando aquí, la única opción es que
sea compatible indeterminado. Por lo tanto, para hallar los autovalores asociados a la matriz 𝐴 debemos
encontrar aquellos valores de λ que anulen el determinante de (𝐴 − 𝜆𝐼). En conclusión, 𝜆 𝑒𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝐴
⇔ |𝐴 − 𝜆𝐼| = 0. Una cuestión importante a notar y que muchas veces genera confusión, es que no debemos
hallar el determinante de la matriz 𝐴, sino de la nueva matriz que generamos al realizar la resta 𝐴 − 𝜆𝐼.

3
Trabajemos con la matriz A del ejemplo:

(𝐴 − 𝜆𝐼) = (3 − 𝜆 1
)→|
3−𝜆 1
| = (3 − 𝜆)2 − 1 = 8 − 6𝜆 + 𝜆2
1 3−𝜆 1 3−𝜆
Esta expresión se anulará solo si λ = 2 o λ = 4, por lo que estos son los únicos dos autovalores asociados a A.

Desde ya que no deberemos realizar el proceso anterior cada vez que deseemos hallar los autovalores de una
matriz. Bastará con utilizar la conclusión final que se resume en el siguiente Teorema.

Teorema 3.1.
Dada una matriz cuadrada 𝐴, si la misma cuenta con autovalores 𝜆, se verifica que

𝜆 𝑒𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝐴 ⇔ |𝐴 − 𝜆𝐼| = 0

donde 𝐼 es la matriz identidad del mismo tamaño que 𝐴.

Notá que al realizar este método sobre cualquier matriz cuadrada de n x n,

deberemos resolver una ecuación polinómica de grado n, que arrojará n
autovalores para la matriz (los cuales, como para cualquier polinomio, pueden
repetirse, o incluso ser números complejos). Este polinomio en variable λ se
denomina polinomio característico y da origen a la ecuación característica al ¡Practica!
igualarlo a cero.
Actividad 3.
Expandamos nuestro conocimiento acerca de los autovalores de matrices con el
siguiente ejemplo.

Ejemplo resuelto 3. Hallá los autovalores de las siguientes matrices

2 0 −2 −1 0 0
a) 𝐴 = ( 1 0 −1) b) 𝐵 = ( 1 4 0)
−2 0 2 −1 2 2

R) En ambos casos hallaremos el polinomio característico y resolveremos la ecuación característica.

a)
2−𝜆 0 −2 2−𝜆 0 −2
𝐴 − 𝜆𝐼 = ( 1 −𝜆 −1 ) → | 1 −𝜆 −1 | = −𝜆((2 − 𝜆)(2 − 𝜆) − 4) = −𝜆(−4𝜆 + 𝜆2 )
−2 0 2−𝜆 −2 0 2−𝜆
= −𝜆3 + 4𝜆2 = 𝜆2 (4 − 𝜆)
Al resolver su ecuación característica obtenemos los autovalores λ = 0 (repetido 2 veces) y λ = 4

b)
−1 − 𝜆 0 0 −1 − 𝜆 0 0
𝐵 − 𝜆𝐼 = ( 1 4−𝜆 0 )→| 1 4−𝜆 0 | = (−1 − 𝜆)(4 − 𝜆)(2 − 𝜆)
−1 2 2−𝜆 −1 2 2−𝜆
Y al resolver su ecuación característica, obtenemos los autovalores λ = -1, λ = 4 y λ = 2.

Este ejemplo nos permite profundizar sobre dos cuestiones relacionadas con los autovalores relacionados a
una matriz.
Habrás notado que en el caso a (del ejemplo anterior) obtuvimos dos autovalores distintos, mientras que en el
caso b obtuvimos tres. Esto es algo conocido para polinomios, donde las raíces tenían multiplicidad de acuerdo
a cuántas veces aparecen en su factorización. Para los autovalores el tratamiento es análogo, y llamaremos
multiplicidad algebraica del autovalor λ a la multiplicidad de dicha raíz en el polinomio característico. Para el
caso b, el polinomio característico cuenta con tres raíces reales distintas (cada una con multiplicidad uno), por
lo que la matriz 𝐵 cuenta con tres autovalores reales distintos, de multiplicidad algebraica uno. En cambio, para
el caso a, el polinomio característico cuenta con dos raíces reales distintas y por ende con dos autovalores
distintos. El autovalor λ = 4 proviene de una raíz simple del polinomio característico, por lo que su multiplicidad
algebraica es uno. Sin embargo, el autovalor λ = 0 proviene de una raíz doble del polinomio característico, por

4
lo que diremos que su multiplicidad algebraica es dos. Otra forma de pensar este resultado, es que la matriz A
cuenta con tres autovalores: 4 y dos veces 0.
Por otro lado, también podrás notar en el caso b) que la obtención de los autovalores de una matriz triangular
es muy sencilla, y se resume simplemente a los valores de su diagonal principal.

¡Practica final!
Actividades 4 y 5.

CAPÍTULO 2: TRANSFORMACIONES LINEALES

Un concepto básico de los cursos iniciales de Matemática es el de función, que definimos como una relación que
asigna a cada uno de los elementos de un conjunto de partida A un único elemento de un conjunto de llegada B
(simbólicamente f:A→B). Desde la perspectiva del Cálculo, se ha trabajado con diversos tipos de relaciones
funcionales siendo las funciones escalares las más sencillas. Podemos pensar a las funciones escalares como
“transformaciones” de los elementos de A en elementos de B siguiendo una regla en particular, donde la
descripción de esta regla de transformación es lo que usualmente conocemos como ley de la función. Por
ejemplo, para 𝑓(𝑥) = 3𝑥 + 1, lo que informa su ley es que a cada elemento genérico del dominio (x) debemos
hallar su triple y adicionarle uno, para poder transformarlo en el que le corresponda en el conjunto B. De esta
manera, podríamos decir, por ejemplo, que 𝑓 transforma al elemento 7, en el elemento 22.
Acercarnos a las funciones escalares desde esta perspectiva nos permite ampliar la aplicación de las relaciones
funcionales. Supongamos ahora que el conjunto de partida A está conformado por vectores de R 2,
𝑎
genéricamente vectores de la forma 𝒗 = ( ). En Matemática II vimos relaciones funcionales que permitían
𝑏
“transformar” estos vectores de 𝑅 2 (y en general, de 𝑅 𝑛 ) en números o vectores, a través de leyes algebraicas.
Es el caso de los campos escalares y campos vectoriales, respectivamente. Nos preguntamos ahora, ¿podremos
utilizar matrices para “transformar” vectores?

𝑎 1 2
Retomemos nuestro vector genérico 𝒗 = ( ) y consideremos por ejemplo la matriz 𝐴 = (2 3 ). Noten que,
𝑏
0 −1
por el tamaño de la matriz y del vector, el producto A.v estará definido, y el resultado será un vector columna
7
1
de R³. Por ejemplo, si calculamos A. ( ) obtendremos el vector 𝒘 = ( 11 ). Es decir, análogamente a las
3
−3
funciones ya vistas, la matriz A “transforma” el vector v en un único vector w, y esto podrá aplicarse sobre
cualquier vector de 𝑅 2.
Esta “ley”, que a cada vector del dominio le asigna un único vector del codominio a través de la multiplicación
por una matriz es un caso de transformación (específicamente, es una transformación matricial), una
terminología algebraica específica que guarda similitud con el concepto analítico de función. Las
transformaciones matriciales suelen notarse como TA donde A es la matriz transformadora. En el ejemplo
𝑎
anterior, veamos qué efecto realizará TA sobre los vectores ( ):
𝑏

𝑎 𝑎 1 2 𝑎 𝑎 + 2𝑏
𝑇𝐴 ( ) = 𝐴 ( ) = (2 3 ) (𝑏 ) = (2𝑎 + 3𝑏)
𝑏 𝑏
0 −1 −𝑏
Quienes estén más interiorizados en las herramientas del Cálculo notarán que esta transformación no es más
que una forma de escribir un campo vectorial, y por ende admite terminología similar-

5
Def. 3.3. Una transformación1 T del conjunto A (A  Rn) en B (B  Rm) es una regla que asigna a cada vector v de
A uno y solo uno w = T(v) en B. Llamaremos al conjunto A como dominio de T, al conjunto B como codominio de
T, a w como imagen de v y al conjunto de todas las posibles imágenes T(v) como rango de T.
¿Cuáles serán el dominio, codominio y rango de la transformación TA antes analizada?
Claramente el dominio será R² y el codominio será R³ como ya indicamos
anteriormente. Sin embargo, el rango puede generar ciertos problemas. Es un error
común considerar que aplicar una transformación sobre un vector generará
directamente R³ si las “funciones componentes” del vector imagen poseen imágenes
reales. Por ejemplo, en el caso anterior, hemos propuesto que luego de aplicar la ¡Practica!
𝑎 𝑎 + 2𝑏
transformación a un vector genérico ( ), obtendremos (2𝑎 + 3𝑏) . Sin embargo, Actividades 6 y 7.
𝑏
−𝑏
no olvidemos que no podemos asegurar que, al fijar los valores de a y b, podremos
generar cualquier vector de R³.

𝑎 1 2 𝑎
Ejemplo resuelto 4: Demostrá que el rango de la transformación lineal anterior (con 𝑇𝐴 ( ) = (2 3 ) (𝑏 ))
𝑏
0 −1
no es 𝑅 3.
5
R) Analicemos, por ejemplo, si el vector ( 5 ) pertenece al rango de 𝑇𝐴 . Si así fuera, debemos encontrar valores
−2
𝑎 1 2 𝑎 𝑎 + 2𝑏 5
para 𝑎 y b de modo que 𝑇𝐴 ( ) = (2 3 ) ( ) = (2𝑎 + 3𝑏 ) = ( 5 ). Analizando la igualdad entre la tercera
𝑏 𝑏
0 −1 −𝑏 −2
componente, podemos observar que necesariamente 𝑏 = 2. Considerando este resultado, para la primera
componente 𝑎 + 2𝑏 = 𝑎 + 2.2 = 5, por lo que necesariamente 𝑎 = 1. Reemplazando estos valores para la
𝑎
segunda componente, 2𝑎 + 3𝑏 = 2.1 + 3.2 = 8 ≠ 5, por lo que no existe ningún vector ( ) del dominio de 𝑇𝐴
𝑏
5
que tenga como imagen a ( 5 ). Por ende, el rango de 𝑇𝐴 no puede ser 𝑅 3.
−2
Como imaginarás, existen infinitas transformaciones que nos permiten transformar un vector en otro. Un tipo
de ellas es de interés, ya que conserva cualidades algebraicas que simplifican numerosas aplicaciones. Nos
referimos a las transformaciones lineales. Una transformación será lineal si existe una matriz A que al multiplicar
los vectores del dominio genere los vectores del codominio. O sea, requiere que una transformación sea
matricial. Es más, también es válido lo recíproco: si una transformación es lineal seguramente es matricial y
podremos encontrar su matriz estándar de transformación2(como desde ahora llamaremos a la matriz A).
Esto nos permite relacionar casi unívocamente las propiedades de las transformaciones lineales con las de las
matrices. Dos de estas propiedades son de interés y se presentan a continuación.

Propiedad: de la composición entre transformaciones. Sean T:Rn→ Rm y S: Rm→ Rp dos transformaciones

lineales con matrices transformación asociadas AT y AS respectivamente, entonces la transformación compuesta
S∘T:Rn→Rp será también lineal y su matriz estándar asociada será 𝐴𝑆∘𝑇 = AS.AT.

Esta propiedad asegura que si un vector 𝑣 puede transformarse en un vector 𝑢 por medio de la transformación
lineal 𝑇, y a su vez este vector 𝑢 puede transformarse en otro vector 𝑤 por medio de la transformación lineal 𝑆,
entonces existirá una transformación que transforme directamente 𝑣 en 𝑤, la misma será lineal, y la llamaremos
transformación compuesta (𝑆 ∘ 𝑇). La propiedad anterior también facilita el trabajo algebraico con esta, pues
asegura que su matriz estándar asociada será simplemente el producto de las correspondientes a 𝑆 y 𝑇 (en ese
orden).

1 También suelen ser llamadas mapeos o directamente funciones.

2
También las llamaremos, de manera resumida, matriz estándar, matriz de transformación, matriz asociada, etc

6
Propiedad: de la inversión de una transformación. una transformación lineal T:Rn→ Rn es invertible3 con
matriz estándar asociada A, si y solo si A es invertible; en este caso, la matriz estándar asociada a la
transformación inversa es la inversa de A.

Dada una transformación lineal T:Rn→ Rn, que transforme un vector 𝑣 en otro vector 𝑢 puede existir su
transformación lineal inversa (T-1:Rn→ Rn) que a cada vector 𝑢 lo transforme en el vector 𝑣, análogamente a lo
estudiado para funciones escalares. Si existe T-1 diremos que T es invertible. La propiedad anterior nos asegura
que la matriz estándar asociada a esta transformación inversa es simplemente la inversa de la asociada a la
transformación lineal directa, y, por ende, ésta deberá necesariamente ser cuadrada.

Ejemplo resuelto 5: Dadas las transformaciones lineales

𝑦1
𝑥1 𝑥1 + 𝑥2 𝑦 +𝑦
𝑇 (𝑥 ) = ( ) y 𝑆 ( 2 ) = (𝑦1 − 𝑦3 )
𝑦
2 2𝑥1 + 3𝑥 2 𝑦3 2 3

a) Hallá dominio y codominio de T y S

b) Hallá las transformaciones inversas a las dadas, si fuera posible
c) Hallá la transformación composición entre T y S, si fuera posible.

R) a) Podemos ver que T:R²→ R2 y S:R³→ R2

b) Solo T podría ser invertible y para comprobar si lo es (y hallar su inversa en caso que exista), debemos hallar
1 1
su matriz estándar asociada AT: 𝐴 𝑇 = ( )
2 3
1 1 1 0 1 1 1 0 1 0 3 −1
Hallemos la inversa de esta matriz ( | )→( | )→( | )
2 3 0 1 0 1 −2 1 0 1 −2 1
3 −1
Y obtenemos 𝐴 𝑇 = (
−1
)
−2 1
𝑥1 3𝑥 − 𝑥2
Así, la transformación lineal inversa a S será 𝑇 −1 (𝑥 ) = ( 1 )
2 −2𝑥1 + 𝑥2
c) Considerando los tamaños de las matrices, la única composición posible es T∘ 𝑆, y para encontrarla
1 0 1
necesitamos la matriz estándar asociada a T que será 𝐴𝑆 = ( )
0 1 −1
La matriz estándar asociada a la transformación composición será
1 1 1 0 1 1 1 0
𝐴 𝑇∘𝑆 = AT.AS =( )( )=( )
2 3 0 1 −1 2 3 −1
𝑦1
𝑦1 + 𝑦2
Por ende, la transformación composición será 𝑇 ∘ 𝑆 (𝑦2 ) = ( ).
𝑦 2𝑦1 + 3𝑦2 − 𝑦3
3

Conexión con ¡Practica!

geometría
Actividades Actividad 8.
9 a 12.

3
Podemos pensar las transformaciones invertibles de manera análoga a las funciones escalares que admiten inversa, es decir,
deben ser biyectivas y permitir “volver” desde cada elemento del codominio, al único elemento del dominio que les dio origen
(por ejemplo, una transformación que asigne a dos vectores distintos el mismo vector, no será invertible).

7
 TALLER DE MATEMÁTICA APLICADA
Tópicos de Álgebra Lineal
Actividades propuestas
CAPÍTULO 1: AUTOVALORES Y AUTOVECTORES
1) Dadas las siguientes matrices A, mostrá que 𝒗 es un autovector de A y hallá su autovalor correspondiente
0 5 −1
a) 𝐴 = ( ),𝒗 = ( )
5 0 −1
1 −2 1
b) 𝐴 = ( ),𝒗 = ( )
−2 1 −1
1 −2 −2
c) 𝐴 = ( ),𝒗 = ( )
−1 0 1
1 −1 1 1
d) 𝐴 = ( 1 1 −1) , 𝒗 = (1)
−1 1 1 1
2) Dadas las siguientes matrices A, mostrá que  es un autovalor de A y encontrá el autoespacio 𝐸𝜆 relacionado.
0 −2
a) 𝐴 = ( ) ,  = −2
−2 0
−1 1
b) 𝐴 = ( ) ,  = −3
6 0
2 −2 −2
c) 𝐴 = (−2 2 −2) ,  = −2
−2 −2 2
3) Hallá todos los autovalores de las matrices de la actividad 1.
𝑎 𝑏
4) Demostrá que los autovalores de la matriz triangular 𝐴 = ( ) valen a y c. Hallá también los autoespacios
0 𝑐
correspondientes a cada uno.
5) Para las siguientes matrices, calculá su polinomio característico, sus autovalores, los autoespacios
correspondientes a cada uno, y la multiplicidad algebraica de cada autovalor.
1 2
a) 𝐴 = ( )
5 4
−1 3
b) 𝐴 = ( )
−3 5
2 1 0
c) 𝐴 = (0 1 2)
1 1 1
2 2 3
d) 𝐴 = (1 3 3)
1 2 4

CAPÍTULO 2: TRANSFORMACIONES LINEALES

2 1
6) Sea TA la transformación matricial cuya matriz de transformación estándar es 𝐴 = (−1 0),
4 1
a) ¿Cuál es su dominio y codominio?

8
 𝑎
b) Si la misma se aplica sobre un vector genérico ( ) ∈ 𝐷𝑇 , expresá las componentes del vector imagen en
𝑏
función de a y b.
1
c) ¿Cuál es la imagen de ( )?
2

7) Se dan a continuación dos transformaciones lineales. Hallá su dominio, codominio y matriz estándar de
transformación.

𝑥 𝑥 + 3𝑦 𝑥 2𝑥
𝑇1 (𝑦) = ( −𝑦 ) 𝑇2 (𝑦) = ( 2𝑦 )
7𝑥 𝑧 𝑥+𝑦+𝑧
8) Dadas las transformaciones lineales T, S y R, se pide que
𝑥+𝑦 𝑥 𝑥+𝑦−𝑧
𝑥 𝑥−𝑦 𝑥
𝑇 (𝑦) = (2𝑥 + 𝑦) 𝑆 (𝑦) = ( 𝑥 − 𝑦 ) 𝑅 (𝑦) = ( 𝑥 − 𝑦 + 𝑧 )
𝑦 − 2𝑥 𝑧 −𝑥 + 𝑦 + 𝑧

a) Definí dominio y codominio de las transformaciones lineales. De las seis posibles composiciones entre
ellas, decidí y justificá cuáles existen.
b) Hallá una de las transformaciones compuestas del inciso a). Definí su dominio y codominio.
c) Buscá la transformación inversa a una de las dadas.
9) Dado un vector 𝒗 en R2, muchas transformaciones geométricas sobre él pueden describirse mediante
transformaciones lineales. Para las siguientes transformaciones geométricas, hallá transformaciones
matriciales que las describan
a) T refleja a v con respecto al eje x
b) S refleja a v con respecto al origen de coordenadas
c) R estira verticalmente a v hasta triplicar su altura
d) U acorta a v hasta la mitad de su longitud

10) Dada una transformación lineal 𝑇𝐴𝑖 : 𝑅² → 𝑅², describí el efecto geométrico de TA sobre un vector no nulo
del dominio, para cada una de las matrices de transformación estándar dada a continuación.
1 0
a) 𝐴1 = ( )
0 −1
0 1
b) 𝐴2 = ( )
1 0
3 0
c) 𝐴3 = ( )
0 1
1 0
d) 𝐴4 = ( )
0 0
11) a) Utilizando las transformaciones presentadas en la actividad 9 proponé una transformación lineal que "a
la reflexión de un vector 𝒗 con respecto al eje x le acorte su longitud a la mitad”. Hallá su matriz de
transformación estándar.
b) De las transformaciones presentadas en la actividad 10 escogé alguna que realice el mismo efecto geométrico
sobre un vector 𝒗 que su inversa, es decir, 𝑇𝐴𝑖 (𝒗) = 𝑇𝐴−1
𝑖
(𝒗). Explicá cómo te diste cuenta y verificá tu elección
comparando las matrices de transformación estándar para ambas (𝐴𝑖 y 𝐴−1 𝑖 ).
𝑥
12) Dado un vector 𝑣⃗ = (𝑦), se está buscando su vector proyección sobre el plano xy (𝑝𝑟𝑜𝑦𝑥𝑦 𝑣⃗), es decir, un
𝑧
𝑥
vector 𝑢
⃗⃗ = (𝑦) que conserve las componentes x e y de 𝒗 pero elimina su componente z. Dé la transformación
lineal que genera esta transformación geométrica y su matriz estándar de transformación asociada. Explicite el
dominio y el codominio de esta transformación.