Taller 6 – Las matrices y sus relaciones con los valores y vectores propios

Corporación Universitaria Iberoamericana

Facultad de Ingeniería

Licenciado

Jennifer Paola Rojas Hernández

Asignatura

Algebra lineal

Autores

Alejandro Álvarez Guarín

Stefany Navarro Hamburguer

Kevin Barrera Jimenez

Bogotá, Colombia

9 de junio, 2024.
 Taller - Actividad 6
Las matrices y su relación con los valores y vectores propios
Estimado estudiante, para el desarrollo del presente taller tenga en cuenta las indicaciones
presentadas en la plataforma e instrucciones dadas por su tutor, él le brindará el respectivo
acompañamiento en la solución de sus inquietudes.

1.) Determine cuál de las siguientes relaciones es una transformación lineal de

:

2.) Si T es una transformación lineal de tal que

y determine .

3.) Considere la transformación lineal donde

Calcular .

4.) Considere la transformación lineal definida como

 Determinar la matriz que representa a la transformación en la base canónica.
a) Encontrar la nulidad y el rango de la transformación.
b) Clasificar la transformación como inyectiva, sobreyectiva o biyectiva.

5.) Considere la transformación lineal definida como :

a) Determinar la matriz A que representa a la transformación en la base canónica.

b) Encontrar la nulidad y el rango de la transformación.
c) Hallar los valores propios de A.
d) Hallar los vectores propios de A.

6.) Calcular haciendo uso de los valores y vectores propios de la

matriz.

7.) Considere la matriz . Determine si es diagonalizable

y en caso de serlo encontrar una matriz C tal que .

8. Conclusiones :
De acuerdo con lo visto en las sesiones, su estudio autónomo y lo trabajado en este
taller, presente una conclusión en donde responda la siguiente pregunta: ¿qué
aplicabilidad tiene la asociación de espacios vectoriales por medio de
transformaciones lineales?
Desarrollo
1. Para determinar si las relaciones anteriores es una transformación lineal R2-R2,
se demuestra con las siguientes condiciones
• T( ⃗⃗⃗⃗
𝑢 + 𝑣 ) = 𝑇 (𝑢 ⃗ ) + 𝑇(𝑣)
• T ⃗⃗⃗⃗
𝑢 + 𝑣 ) = 𝑥 . 𝑇(𝑢
⃗ ), donde x es una constante escalar
𝑥 𝑦
Ι). T ( 𝑦 ) = ( 𝑜 )
• 1 condición: 𝑇( 𝑢⃗ +𝑣⃗⃗⃗ ) = 𝑇 ( 𝑢
⃗ )+𝑇(𝑣)
𝑥1 𝑥2
⃗ = ( ) , 𝑣 ( ) ∈ 𝑅2
𝑢
𝑦1 𝑦2
𝑥1 𝑥2 𝑥 +𝑥 𝑦 𝑦
𝑇[(𝑦 ) + (𝑦 )] = 𝑇( 𝑦1 2) = ( 1+0 2)
1 2 1+𝑦2
𝑦1 𝑦2
= [( 0 ) + ( 0 ) se cumple la primera condición
2Condición: 𝑇(𝑥⃗⃗⃗𝑢) = 𝑥𝑇(𝑢 ⃗)
𝑥𝑥1 𝑥𝑦1 𝑦1
𝑇(𝑥𝑢 ⃗ ) = 𝑇( )=( ) = 𝑥( )
𝑥𝑦1 0 0
Se cumplió la segunda condición por lo tanto es una transformación lineal
𝑥 𝑥+𝑦
II) 𝑇 (𝑦) = (𝑥−𝑦)
1condición: 𝑇(𝑢⃗ + 𝑣 ) = 𝑇(𝑢⃗ ) + 𝑇(𝑢
⃗)
𝑥1 𝑥2
⃗ ( ),𝑣( )
𝑢
𝑦1 𝑦2
𝑥1 𝑥2 𝑥1 + 𝑥2 𝑥1 + 𝑥2 + 𝑦1 + 𝑦2
𝑇 [( ) + ( )] = 𝑇 ( )=( )
𝑦1 𝑦2 𝑥2 +𝑦2 𝑥1 + 𝑥2 + 𝑦1 + 𝑦2
𝑥1 + 𝑥2 + 𝑦1 + 𝑦2 𝑥1 + 𝑦1 𝑥2 + 𝑦2
=( )=( )+( )
𝑥1 + 𝑥2 + 𝑦1 + 𝑦2 𝑥1 − 𝑦1 𝑥2 − 𝑦2
La primera condición se cumplió
2condición: 𝑇(𝑥𝑢 ⃗ ) = 𝑥𝑇(𝑢⃗)
𝑥𝑥1 𝑥(𝑥 + 𝑦) 𝑥+𝑦
𝑇(𝑥𝑢⃗ ) = 𝑇( )=[ ] = 𝑥( )
𝑥𝑦1 𝑥(𝑥 − 𝑦) 𝑥−𝑦
La segunda se cumplió por lo tanto es una transformación lineal
𝑥 𝑥𝑦
III) 𝑇 (𝑦) = ( 0 )

⃗ + 𝑣 ) = 𝑇(𝑢
1condicion: 𝑇(𝑢 ⃗ ) + 𝑇(𝑣)
𝑥1 𝑥2
⃗ ( ),𝑣( )
𝑢
𝑦1 𝑦2
𝑥1 𝑥2 𝑥1 + 𝑥2 (𝑥1 + 𝑥2 ). (𝑦1 + 𝑦2 )
𝑇[( ) + ( )] = 𝑇( ) = [(
𝑦1 𝑦2 𝑦1 + 𝑦2 0
(𝑥1 𝑦1 + 𝑥1 𝑦2 + 𝑥2 𝑦1 + 𝑥2 𝑦2 )
=
0
𝑥1 𝑦1 + 𝑥1 𝑦2 𝑥2 𝑦1 + 𝑥2 𝑦2
=( )+( )
0 0
𝑥1 (𝑦1 + 𝑦2 ) 𝑥2 (𝑦1 + 𝑦2 )
=[ ]+[ ]
0 0
No cumple la primera condición hay una diferencia en los términos agregados por
lo tanto no es una transformación lineal.
 𝑥 1
IV) 𝑇 (𝑦) = (𝑥)

1condición:
⃗ + 𝑣 ) = 𝑇(𝑢
𝑇(𝑢 ⃗ ) + 𝑇(𝑣)
𝑥1 𝑥2
𝜇 = ( ),𝑣( )
𝑦1 𝑦2
𝑥1 𝑥2 𝑥1 + 𝑥2 1
𝑇 [( ) + ( )] = 𝑇 ( )=( )
𝑦1 𝑦2 𝑦1 + 𝑦2 𝑥1 + 𝑥2
1 1 1
( )+( )≢ ( )
𝑥1 𝑥2 𝑥1 + 𝑥2
2
=( )
𝑥1 + 𝑥2
La primera condición no se cumplió por lo tanto no es una transformación lineal.
𝑥 0 1
2. 𝑇(𝑦)(= 𝑥𝑇( ) + 𝑦𝑇( )
1 0
𝑥 −3 2
𝑇(𝑦)(−1) + 𝑦 = (0)
2 1
−3𝑥 + 2𝑦
𝑥
𝑇 (𝑦) = ( −𝑥 + 0 )
1𝑥 + 𝑦
−3.5 + 2.7
5
𝑇( ) = ( −5 )
7
2.5 + 7
−1
5
𝑇 ( ) = (−5)
7
17
3. Representamos las matrices dadas como combinaciones lineales
𝑎 𝑏 1 0 0 1 1 0 0 0
[ ] = 𝑎[ ]+𝑏[ ]+𝑐[ ]+𝑑[ ]
𝑐 𝑑 0 0 1 0 1 0 0 1
Aplicamos la propiedad de la transformación a cada termino separado
𝑎 𝑏 1 0 0 1 1 0 0 0
𝑇[ ] = 𝑇[𝑎 [ ] + 𝑇[𝑏 [ ] + 𝑇[𝑐 [ ] + 𝑇[𝑑 [ ]]
𝑐 𝑑 0 0 1 0 1 0 0 1
𝑎 𝑏 1 0 0 1 1 0 0 0
𝑇[ ] = 𝑎𝑇 [ ] + 𝑏𝑇 [ ] + 𝑐𝑇 [ ] + 𝑑𝑇 [ ]
𝑐 𝑑 0 0 1 0 1 0 0 1
𝑎 𝑏
𝑇[ ] = 𝑎. (3) + 𝑏. (−1) + 𝑐. (0) + 𝑑. (0)
𝑐 𝑑
𝑎 𝑏
𝑇[ ] = 3𝑎 − 𝑏
𝑐 𝑑
4. A) determina la matriz que representa a la transformación en la base canónica.
Calculamos la imagen de cada vector:
1 1
1
)
X1=[0] , 𝑇(𝑥1 = 𝑇 ([0]) = [ ]
0
0 0
 0 0
1
Y1=[1], 𝑇(𝑦1 ) = 𝑇([1] = [ ]
1
0 0
0 0
) 0
Z1=[0] , 𝑇(𝑧1 = 𝑇 ([0]) = [ ]
−1
1 1
La matriz que representa la transformación lineal
1 1 0
𝑇=[ ]
0 1 −1
Usando definición de transformación
𝑥
𝑥+𝑦 0
𝑇 ( [ 𝑦 ] ) = [𝑦 − 𝑧 ] = [ ]
𝑧 0
Obtenemos sistema de ecuaciones
X+y=0→x=-y
y-z=0→y=z
b) Encontrar la nulidad y el rango de la transformación
como x=-y y y=z

Entonces la nulidad es un vector de la forma

−𝑦
[ 𝑦 ] donde y toma valores reales, la dimensión del espacio nulo es 1
𝑦
c) clasificar la transformación como inyectiva sobreyectiva y biyectiva
para verificar si la transformación es inyectiva comprobamos si los vectores en
el dominio están asignados al mismo vector en el codominio.
𝑥1 𝑥2
Vi=[ 1 ] , 𝑉2 = [𝑦2 ]
𝑦
𝑧1 𝑧2
Obtenemos las siguientes transformaciones
𝑋 + 𝑌1 𝑋 + 𝑌2
𝑇(𝑉1 ) = [ 1 ] , 𝑇(𝑉2 ) = [ 2 ]
𝑌1− 𝑍1 𝑌2 −𝑍2
Igualando transformaciones
𝑇(𝑉1 ) = 𝑇(𝑉2 )
𝑥 +𝑦 =𝑥 +𝑦 𝑥1 − 𝑥2 = 𝑦2 − 𝑦1
𝑇 𝑦1 − 𝑧1 = 𝑦2 − 𝑧 2 = 𝑦 − 𝑦 = 𝑧 − 𝑧
1 1 2 2 1 2 1 2

5. a) determinar la matriz a que representa a la transformación en la base canónica

para hallar la matriz A en la base canónica debemos encontrar la imagen de los
vectores bases
−1 0 0
⃗⃗⃗⃗⃗ = [ 0 ] , 𝑉2
𝑉1 ⃗⃗⃗⃗⃗ = [1] , 𝑉3
⃗⃗⃗⃗⃗ = [0]
0 0 1
Remplazamos los valores al sistema de ecuaciones
2.1 + 0 + 3.0 2
⃗⃗⃗⃗⃗
𝑇(𝑉1 = [ −1 0 + 0 ] = [−1]
1 2.0 + 4.0 1
 2.0 1 3.0 1
⃗⃗⃗⃗⃗ ) = [−0 1
𝑇(𝑉2 0 ] = [1 ]
0 2.1 4.0 2
2.0 0 3.1 3
⃗⃗⃗⃗⃗ ) = [−0 0
𝑇(𝑉3 1 ] = [1 ]
0 2.0 4.1 4
Usando la imagen de los vectores bases formamos la matriz A
2 1 3
𝐴 = [−1 1 1]
1 2 4
b) encontramos l nulidad y el rango de la transformación usando la matriz del putno
anterior debemos encontrar la ecuación Ax=0
2 1 3 𝑥 0
𝑦
[−1 1 1] [ ] = [0]
1 2 4 𝑧 0
Usando la reducion por filas podemos encontrar la forma escalonada reducida de la matriz
aumentada
2 1 3, 0 1 0 1, 0
𝐴 = [−1 1 1, 0] ⇒ [0 1 1, 0]
1 2 4, 0 0 0 0, 0
Por lo tanto la nulidad de la transformación es 2 debido a que hay dos variables libre
2 1 3
𝑅𝑎𝑛𝑔𝑜(𝑇) = ([−1] , [1] , [1])
1 2 4
c) hallar los valores propios de A P(x)=det(A-XI)
2−𝑥 1 3
sea P(x)=det ([ −1 1−𝑥 1 ])
1 2 4−𝑥
2−𝑥 1 3
1−𝑥 1 −1 1 −1 1 − 𝑥
= ⌈ −1 1−𝑥 1 ⌉ = (2 − 𝑥) | | − 1| | + 3| |
2 4−𝑥 1 4−𝑥 1 2
1 2 4−𝑥

= (2 − 𝑥)[(1 − 𝑥). (4 − 𝑥) − 2] − 1[−(4 − 𝑥) − 1] + 3[−2 − (1 − 𝑥)]

= (2 − 𝑥)(4 − 𝑥 − 4𝑥 + 𝑥 2 − 2) − 1. (−4 + 𝑥 − 1) + 3(−2 − 1 + 𝑥)
= (2 − 𝑥). (2 − 5𝑥 + 𝑥 2 ) − 1. (−5 + 𝑥) + 3. (−3 + 𝑥)
= (4 − 10𝑥 + 2𝑥 2 − 2 + 5𝑥 2 − 𝑥 3 ) + 5 − 𝑥 − 9 + 3𝑥
= −𝑥 3 + 7𝑥 2 − 12𝑥 + 4 + 5 − 9 + 2𝑥
 = −𝑥 3 + 7𝑥 2 − 10𝑥
𝑥. (𝑥 2 + 7𝑥 − 10) = 0
𝑥. (𝑥 2 − 7𝑥 + 10) = 0
𝑥. (𝑥 − 5). (𝑥 − 2) = 0
𝑥1 = 0, 𝑥2 = 5, 𝑥3 = 2
Los vectores propios de
Como x1=0
A-0.I=A
Ax=0
2 1 3 𝑥 0
(−1 1 1) (𝑦) = (0)
1 2 4 𝑧 0
2𝑥 + 𝑦 + 3𝑧 = 0
{ −𝑥 + 𝑦 + 𝑧 = 0
𝑥 + 2𝑦 + 4𝑧 = 0
Gauss jordan
2 1 3 0 2𝐹 + 𝐹 2 1 3 0
( −1 1 10 ) 2 1
=(0 3 5 |0 )𝐹3 − 𝐹2
2𝐹3 − 𝐹1
1 2 40 0 3 5 0
2 1 30 6 0 4 0
= (0 3 50 )3𝐹1 − 𝐹2 = ( 0 3 5 )0 )
0 0 00 0 0 0 0

6𝑥 + 4𝑧 = 0 −2𝑧 −5𝑧
→𝑥= ,𝑦 =
3𝑦 + 5𝑧 = 0 3 3
−6
Sea 𝑧 = 3 , 𝑥 = 3 = −2
−15
𝑦 = = −5
3
−2
Entonces 𝑉𝑥1 = (−5) 𝑣𝑒𝑐𝑡𝑜𝑟𝑝𝑟𝑜𝑝𝑖𝑜
3

𝑐𝑜𝑚𝑜 𝑥2 = 5
⃗⃗⃗ = 0
(𝐴 − 5𝐼3 )𝑋
 2 1 3 5 0 0 −3 1 3 𝑋
(−1 1 1) − (0 5 0) = (−1 −4 1 ) . (𝑌 )
1 2 4 0 0 5 1 2 −1 𝑍
0 −3𝑋 + 𝑌 + 3𝑍 = 0
= ( 0 ) , { −𝑋 − 4𝑌 + 𝑍 = 0
0 𝑋 + 2𝑌 − 𝑍 = 0

Gauss
−3 1 3 0 𝐹 − 3𝐹 −3 1 3 0
1 2
( −1 −4 1 0 ) = ( 0 13 0 |0 )13𝐹1 − 𝐹2
𝐹 + 3𝐹3
1 2 −10 1 0 7 0 0

−39 0 39 0 𝐹1 /39 −1 0 10
𝐹
= ( −1 −4 1 0 ) 2 /13 = ( 0 1 00)
1 2 −10 𝐹3 /7 0 1 00

−𝑋 + 𝑍 = 0 → 𝑋 = 𝑍
𝑌=0
1
⃗ (𝑋2) = (0) 𝑉𝐸𝐶𝑇𝑂𝑅𝑃𝑅𝑂𝑃𝐼𝑂
𝑍 = 1𝑉
1
Como x=2
(𝐴 − 2𝐼3 )𝑥 = 0
2 1 3 2 0 0 0 1 3 𝑥 0
(−1 𝑦
1 1) − (−1 −1 1) = (−1 −1 1) ( ) = (0)
1 2 4 1 2 2 1 2 2 𝑧 0
𝑦 + 3𝑧 = 0 0 1 3 0
{ −𝑥 − 𝑦 + 𝑧 = 0 ( −1 −1 1 |0 ) 𝐹3 ↔ 𝐹1
𝑥 + 2𝑦 + 2𝑧 = 0 1 2 2 0
1 0 −4 0
𝑋 − 4𝑍 = 0 → 𝑋 = 4𝑍
(0 1 3 |0 )
𝑌 + 3𝑍 = 0 → 𝑌 = −3𝑍
0 0 0 0

SEA Z = 1
4
⃗ (𝑋3) = (−3 ) 𝑉𝐸𝐶𝑇𝑂𝑅 𝑃𝑅𝑂𝑃𝐼𝑂
𝑉
1
 6. CALCULAMOS LOS VALORES Y VECTORES PROPIOS DE LA MATRIZ
Det (A-2I)=0
3 −5 3 −5 2 0 3−2 −5
𝐴= ( ) ⇒ 𝑑𝑒𝑡 [ ( ) − ( )] =
1 −3 1 −3 0 2 1 −3 − 2

(3 − 2). (−3 − 2) + 5 → (2 − 2). (2 + 2) = 0

−9 − 32 + 32 + 𝑥 2 + 5 𝑥 = 2 , 𝑥2 = −2
𝑥2 − 4 = 0
⃗ = 0
*calcular los vectores propios asociados ( 𝐴 − 𝑥𝐼 ). 𝑉
Cuando x1 = 2
3−2 −5 3−2 −5 𝑥 0
( ) = ( ). ( 𝑦 ) = ( )
1 −3 − 2 1 −3 − 2 0
1 −5 𝑥 0
= ( ). ( 𝑦 ) = ( )
1 −5 0
𝑥 − 5𝑦 = 0 → 𝑥 = 5𝑦
{
𝑥 − 5𝑦 = 0 → 𝑠𝑖 𝑥 = 1, 𝑦 = 5

⃗ ( 𝑥1 ) = ( 1 )
𝑉
5
Cuando x2=2
3 − (−2) −5 𝑥 0
( ). ( 𝑦 ) = ( )
1 −3 − (−2) 0
5 −5 𝑥 0 5𝑥 − 5𝑦 = 0
( ). ( 𝑦 ) = ( ) = {
1 −1 0 𝑥−𝑦 =0
𝑥 = 𝑦 𝑠𝑖 𝑥 = 2, 𝑦 = 2

⃗ 𝑥2 = ( 2 )
𝑉
2
*formar las matrices P y D
1 2 2 0
𝑃 = ( ), 𝐷 = ( ) 𝐴 = 𝑃. 𝐷. 𝑃1
5 2 0 −2
1 2 1 0 1 2 1 0
𝑃1 = ( | )5𝐹1 − 𝐹2 = ( | )4𝐹 − 𝐹2
5 2 0 1 0 8 5 −1 1
4 0 −1 1 𝐹1 /4 1 0 −1/4 1/4
( | ) =( | )
0 8 5 −1 𝐹2 /8 0 1 5/8 1/8
 −1/4 1/4 1 −1 1
𝑃−1=( )= ( 1)
5/8 −1/8 4 5/2 −
2
𝐴10 = 𝑃. 𝐷10 . 𝑃−1
10
𝐷10 = (2 0 ) = (1024 0
)
0 −210 0 −1024

1 +2 1024 0 1 −1 1
𝐴1𝑂
= ( ). ( ). ( 1)
5 +2 0 −1024 4 5/2 −
2
1 1 2 −1024 1024
𝐴10 = ( ). ( )
4 5 2 −2560 512
1 −6144 2048
𝐴10 = ( )
4 −10240 6144
−1536 512
𝐴10 = ( )
−2560 1536
7. Determine si es diagonalizable
Para saber si es diagonalizable se considera
a. Calcular los valores propios_ det ( A-xI)=0
b. Calcular los vectores propios asociados
c. Formas las matrices PyD
d. Calcular P-1 para escribir A= PDP-1

A. Det ( A-λI)=0
7 − 𝜆 −2 −4
| 3 −𝜆 −2 =
6 −2 −3 − 𝜆
(7 − 𝜆)[−𝜆. (−3 − 𝜆) − 4] + 2. [3. (3 − 𝜆) + 12] − 4. (−6 + 6𝜆)
(7 − 𝜆)[3𝜆 + 𝜆2 − 4] + 2. (−9 − 3𝜆 + 12) − 4(−6 + 6𝜆)
21𝜆 + 7𝜆2 − 28 − 3𝜆2 − 𝜆3 + 4𝜆 + 2. (3 − 3𝜆) + 24 − 24𝜆
−𝜆3 + 4𝜆2 + 25𝜆 − 28 + 6 − 6𝜆 + 24 − 24𝜆 = 0
−𝜆3 + 4𝜆2 − 5𝜆 + 2 = 0 ⟶ 𝜆3 − 4𝜆2 + 5𝜆 − 2 = 0
𝑅𝑈𝐹𝐹𝐼𝑁𝐼
−4 5 −2 2
1
2 −4 2 |⬚
1 −2 1 0
⬚
(𝜆 − 2). (𝜆2 − 2𝜆 + 1) = 0
(𝜆 − 2). (𝜆 − 1). (𝜆 − 1) = 0
𝜆1 = 2; 𝜆2 = 1; 𝜆3 = 1
Como hay dos valores iguales entonces la matriz no es diagonalizable.
CONCLUSIÓN

¿Qué aplicabilidad tiene la asociación de espacios vectoriales por medio

de transformaciones lineales?

La trazabilidad de la asociación de espacios vectoriales tiene espacio en

muchas situaciones de las Matemáticas y son algunas de las funciones y
aplicaciones relevantes e importantes. En Algebra se pueden usar para
representar ecuaciones, siendo así bastante útiles no solo en algebra sino
también en análisis, estadística, ciencia, ingeniería, la vida cotidiana,
entre otros más. También podemos ver que se utiliza en las rutinas
modernas de compresión de sonido e imagen, a su vez proporcionan el
marco para dar solución a ecuaciones en derivadas.