TRANSFORMACIONES LINEALES

Concepto de una de Transformación Lineal y escriba 3 ejemplos (2 ejemplos donde se

demuestre que la función es una Transformación Lineal y uno que no sea
Transformación Lineal).
• Las transformaciones lineales intervienen en muchas situaciones en Matemáticas y son
algunas de las funciones más importantes. En Geometría modelan las simetrías de un objeto,
en Algebra se pueden usar para representar ecuaciones, en Análisis sirven para aproximar
localmente funciones, por ejemplo.
• Sean espacios vectoriales sobre un mismo cuerpo K. Una función T de V en W transforma
vectores de V en vectores de W Impondremos condiciones para que T preserve las
operaciones de suma de vectores y multiplicación por escalar, esto es, que sea equivalente
sumar y multiplicar por escalar las preimágenes V en como las imágenes en W.

❖ DOS EJEMPLOD DE TRANSFORMACIONES LINEALES:

1. Función de proyección: Sea f: R^2 -> R^2 una función definida por f (x, y) = (x, 0). Esta
función toma un vector en el plano y lo proyecta sobre el eje x, manteniendo su coordenada
y en cero. Para demostrar que es una transformación lineal, verifiquemos las propiedades:
 - Aditividad: Para cualquier par de vectores u = (x1, y1) y v = (x2, y2) en R^2, la suma u +
v representa el vector resultante de combinar u y v. Entonces, f (u + v) = f (x1 + x2, y1 + y2)
= (x1 + x2, 0) = (x1, 0) + (x2, 0) = f(u) + f(v). Por lo tanto, cumple con la propiedad de
aditivita.

- Homogeneidad: Para cualquier vector u = (x, y) en R^2 y un escalar k, la multiplicación

k * u escala el vector u por un factor k. Entonces, f(ku) = f (kx, ky) = (kx, 0) = k * (x, 0) = k
* f(u). Por lo tanto, cumple con la propiedad de homogeneidad.

Por lo tanto, la función de proyección f es una transformación lineal.

2. Función de traslación: Sea g: R^2 -> R^2 una función definida por g (x, y) = (x + a, y +
b), donde a y b son constantes. Esta función toma un vector en el plano y lo traslada por un
desplazamiento constante (a, b). Veamos si es una transformación lineal:

- Aditividad: Para cualquier par de vectores u = (x1, y1) y v = (x2, y2) en R^2, la suma u +
v representa el vector resultante de combinar u y v. Entonces, g (u + v) = g (x1 + x2, y1 +
y2) = (x1 + x2 + a, y1 + y2 + b) = (x1 + a, y1 + b) + (x2 + a, y2 + b) = g(u) + g(v). Por lo
tanto, cumple con la propiedad de Aditividad.

- Homogeneidad: Para cualquier vector u = (x, y) en R^2 y un escalar k, la multiplicación

k * u escala el vector u por un factor k. Entonces, g(ku) = g (kx, ky) = (kx + a, ky + b) = k *
(x + a, y + b) = k * g(u). Por lo tanto, cumple con la propiedad de homogeneidad.
Por lo tanto, la función de traslación g es una transformación lineal.
❖ Ejemplo de una función que no es una transformación lineal:
2. Función de eliminación de una coordenada: Sea la función g: R^2 -> R definida por g (x,
y) = x. Esta función toma un vector en el plano y devuelve su primera coordenada. Para
demostrar que no es una transformación lineal, podemos encontrar un contraejemplo:

Tomemos dos vectores u = (x1, y1) y v = (x2, y2) en R^2, y consideremos su suma u + v.
Entonces g (u + v) = g (x1 + x2, y1 + y2) = x1 + x2.

Sin embargo, g(u) + g(v) = x1 + x2 + x1 + x2 = 2x1 + 2x2.

 Como g (u + v) no es igual a g(u) + g(v), la función g no cumple con la propiedad de
Aditividad y, por lo tanto, no es una transformación lineal.

Escriba las propiedades de las Transformaciones Lineales.

❖ Aditividad: T (u + v) = T(u) + T(v) para cualquier par de vectores u y v en el dominio
de la transformación lineal T.

❖ Homogeneidad: T(αu) = αT(u) para cualquier escalar α y vector u en el dominio de

la transformación lineal T.

❖ Preservación del origen: T (0) = 0, donde 0 representa el vector nulo en el dominio

y codominio de la transformación.

❖ Preservación de combinaciones lineales: T (c1v1 + c2v2 + ... + cnvn) = c1T(v1) +

c2T(v2) + ... + cnT(vn) para cualquier conjunto de vectores {v1, v2, ..., vn} en el
dominio de la transformación lineal T y cualquier conjunto correspondiente de
escalares {c1, c2, ..., cn}.

❖ Composición: La composición de dos transformaciones lineales también es una

transformación lineal. Si T1: V -> W y T2: W -> U son transformaciones lineales
entre espacios vectoriales V, W y U, respectivamente, entonces la composición T2 o
T1: V -> U también es una transformación lineal.

❖ Dimensión del dominio y codominio: Si la dimensión del dominio de una

transformación lineal es n, y la dimensión del codominio es m, entonces la
transformación lineal mapea vectores n-dimensionales a vectores m-dimensionales.

❖ Preservación de la combinación lineal dependiente: Si {v1, v2, ..., vn} es un

conjunto de vectores en el dominio de la transformación lineal T, y si c1, c2, ..., cn
son escalares tales que c1v1 + c2v2 + ... + cnvn = 0, entonces c1T(v1) + c2T(v2) +
... + cnT(vn) = 0.
 ❖ Inversibilidad: Una transformación lineal es invertible si y solo si es una
transformación uno a uno y sobre (biyectiva). En este caso, existe una transformación
lineal inversa que mapea los vectores en el condominio de vuelta a los vectores
originales en el dominio.

Estas son todas las propiedades importantes de las transformaciones lineales. Cumplir con
estas propiedades define una transformación lineal y es fundamental en el estudio del álgebra
lineal.

Concepto de Autovalores y Auto vectores (dar ejemplos)

En álgebra lineal, los autovalores son conceptos asociados a las transformaciones lineales y
las matrices. Un autovalor es un escalar λ que satisface la ecuación característica de una
matriz o de una transformación lineal.

La ecuación característica de una matriz A es de la forma det (A - λI) = 0, donde det representa
el determinante, A es la matriz y λ es el autovalor desconocido. Aquí, I es la matriz identidad
del mismo tamaño que A.

Cuando encontramos los autovalores de una matriz, podemos utilizarlos para obtener
información importante sobre la matriz y su comportamiento. Los autovectores
correspondientes a los autovalores son los vectores no nulos que se mantienen en la dirección
de la transformación o de la multiplicación por la matriz sin cambiar de dirección, sino solo
escalados por el autovalor correspondiente.

Aquí tienes un ejemplo que ilustra el concepto de autovalores:

Ejemplo: Considera la matriz A = [[2, 1], [4, 3]].

Para encontrar los autovalores de A, resolvemos la ecuación característica: det (A - λI) = 0.

A - λI = [[2 - λ, 1], [4, 3 - λ]]

La ecuación característica se convierte en: det ([[2 - λ, 1], [4, 3 - λ]]) = 0.

Expandiendo el determinante y resolviendo, obtenemos la ecuación: (2 - λ) (3 - λ) - 4 = 0.

Simplificando y resolviendo, encontramos los autovalores: λ₁ = 1 y λ₂ = 4.

Estos son los autovalores de la matriz A. Ahora, podemos encontrar los autovectores
correspondientes a cada autovalor. Tomamos cada autovalor y resolvemos la ecuación (A -
λI)x = 0, donde x es un vector no nulo.

- Para λ₁ = 1, resolviendo (A - I) x = 0, encontramos el autovector x₁ = [1, -2].

- Para λ₂ = 4, resolviendo (A - 4I) x = 0, encontramos el autovector x₂ = [1, 1].

Entonces, los autovalores de la matriz A son λ₁ = 1 y λ₂ = 4, y los autovectores

correspondientes son x₁ = [1, -2] y x₂ = [1, 1], respectivamente.

Los autovalores y autovectores son conceptos esenciales en álgebra lineal y se utilizan en

diversas aplicaciones, como el análisis de sistemas dinámicos, diagonalización de matrices y
resolución de ecuaciones diferenciales lineales, entre otros.

En álgebra lineal, los autovectores son vectores no nulos que se mantienen en la dirección
de una transformación lineal o una matriz sin cambiar de dirección, sino solo escalados por
un factor escalar llamado autovalor correspondiente. Los autovectores son importantes
porque capturan las direcciones invariantes de una transformación lineal o una matriz.

Aquí tienes un ejemplo que ilustra el concepto de autovectores:

Ejemplo: Considera la matriz A = [[3, 1], [2, 2]].

Para encontrar los autovectores de A, primero necesitamos encontrar los autovalores
correspondientes. Para eso, resolvemos la ecuación característica det (A - λI) = 0.

A - λI = [[3 - λ, 1], [2, 2 - λ]]

La ecuación característica se convierte en: det ([[3 - λ, 1], [2, 2 - λ]]) = 0.

Expandiendo el determinante y resolviendo, obtenemos la ecuación: (3 - λ) (2 - λ) - 2 = 0.

Simplificando y resolviendo, encontramos los autovalores: λ₁ = 4 y λ₂ = 1.

Ahora, para cada autovalor, encontraremos los autovectores correspondientes resolviendo la

ecuación (A - λI) x = 0, donde x es un vector no nulo.

- Para λ₁ = 4, resolviendo (A - 4I) x = 0, obtenemos el sistema de ecuaciones:

1x₁ + 1x₂ = 0
2x₁ + -2x₂ = 0

Resolviendo este sistema, encontramos que x₁ = -x₂. Por lo tanto, podemos tomar el vector
[1, -1] como autovector correspondiente a λ₁ = 4.

- Para λ₂ = 1, resolviendo (A - I) x = 0, obtenemos el sistema de ecuaciones:

2x₁ + 1x₂ = 0
2x₁ + 1x₂ = 0

Observamos que estas ecuaciones son linealmente dependientes, lo que indica que hay
infinitas soluciones. Podemos tomar cualquier vector no nulo que satisfaga estas ecuaciones
como autovector correspondiente a λ₂ = 1. Por ejemplo, [1, -2] es un autovector válido.
Entonces, en el ejemplo dado, los autovectores correspondientes a los autovalores λ₁ = 4 y λ₂
= 1 son [1, -1] y [1, -2], respectivamente.

Los autovectores son útiles en muchos aspectos del álgebra lineal, como la diagonalización
de matrices, la resolución de sistemas de ecuaciones diferenciales lineales y la comprensión
de la geometría y la estructura de una transformación lineal o una matriz.