TRANSFORMACIONES LINEALES

TRANSFORMACION LINEAL ENTRE DOS ESPACIOSVECTORIALES SOBRE

UN MISMO CUERPO
Sean (𝑉, +, 𝐾, ∙) 𝑦 (𝑊, +, 𝐾, ∙)dos espacios vectoriales sobre un mismo cuerpo
𝐾.La función 𝑓: 𝑉 → 𝑊 es una transformación lineal u homomorfismo si y solo si:
1) La imagen de la suma de dos vectores cualesquiera de 𝑉 es igual a la suma de
sus imágenes en 𝑊 es decir:
𝑓(𝑥 + 𝑦) = 𝑓(𝑥) + 𝑓(𝑦)
2) La imagen del producto de cualquier escalar por todo vector de 𝑉 es igual al
producto del escalar por la imagen de dicho vector:
𝑓(𝛼𝑥) = 𝛼𝑓(𝑥)
Ejemplo:
Sean los espacios vectoriales (𝑅 3 , +, 𝑅, . ) 𝑦 (𝑅 2 , +, 𝑅, ∙) . La función: 𝑅 3 → 𝑅 2
definida por 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) indique si es una transformación
lineal.
Solución
1) 𝑓[(𝑥1 , 𝑥2 , 𝑥3 ) + (𝑦1 , 𝑦2 , 𝑦3 )] = 𝑓(𝑥1 + 𝑦1 , 𝑥2 + 𝑦2 , 𝑥3 + 𝑦3 ) = (𝑥1 + 𝑦1 − 𝑥3 −
𝑦3 , 𝑥2 + 𝑦2 − 𝑥3 − 𝑦3 )
𝑓(𝑥1 , 𝑥2 , 𝑥3 ) + 𝑓(𝑦1 , 𝑦2 , 𝑦3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) + (𝑦1 − 𝑦3 , 𝑦2 − 𝑦3 )
= (𝑥1 + 𝑦1 − 𝑥3 − 𝑦3 , 𝑥2 + 𝑦2 − 𝑥3 − 𝑦3 )
2) 𝑓(𝛼(𝑥1 , 𝑥2 , 𝑥3 )) = 𝑓(𝛼𝑥1 , 𝛼𝑥2 , 𝛼𝑥3 ) = (𝛼𝑥1 − 𝛼𝑥3 , 𝛼𝑥2 − 𝛼𝑥3 ) = 𝛼(𝑥1 − 𝑥3 , 𝑥2 −
𝑥3 ) = 𝛼𝑓(𝑥1 , 𝑥2 , 𝑥3 )
Se comprueba las dos condiciones por los tanto si una transformación lineal.
Observación: Una aplicación, función o transformación lineal es un conjunto de
operaciones que se realizan sobre un elemento de un subespacio vectorial, para
transformarlo en un elemento de otro subespacio, en las transformaciones lineales
se preservan las operaciones de suma de vectores y producto de un escalar por
un vector. El termino función lineal es usado incorrectamente en el análisis
matemático y en la geometría para designar una recta o en general una variedad
lineal.
Ejemplo:
Supongamos que 𝑓: 𝑅 2 → 𝑅 3 es una transformación lineal que verifica 𝑓(1,0) =
(1,2,3), 𝑓(0,1) = (0, −1,2). Halle la imagen de 𝑓(2, −3)
Solución:
𝑓(2, −3) = 𝑓((2,0) + (0, −3)) = 𝑓(2,0) + 𝑓(0, −3) = 𝑓(2(1,0)) + 𝑓(−3(0,1))
𝑓(2, −3) = 2𝑓(1,0) − 3𝑓(0,1) = 2(1,2,3) + (−3)(0, −1,2) = (2,7,0)
PROPIEDADES DE LAS TRANSFORMACIONES LINEALES
Sea 𝑓: 𝑉 → 𝑊 una transformación lineal, denotemos mediante 0𝑉 𝑦 0𝑊 a los
vectores nulos en 𝑉 𝑦 𝑊 respectivamente.
1) La imagen del vector nulo del primer espacio por toda transformación lineal es
el vector nulo del segundo espacio.
𝑓(0𝑣 ) = 𝑓(0𝑤 ) = 0 = 0𝑊 = 0𝑣
2) La imagen del opuesto de todo vector del primer espacio es igual al opuesto de
su imagen.
𝑓(−𝑥) = 𝑓((−1)𝑥) = (−1)𝑓(𝑥) = −𝑓(𝑥)

NUCLÉO DE UNA TRANSFORMACIÓN LINEAL

El núcleo de una transformación lineal 𝑓, entre dos espacios vectoriales sobre un
mismo cuerpo, es el conjunto de los vectores del dominio cuyas imágenes por 𝑓
son el vector nulo del codominio. El símbolo 𝑁(𝑓) se lee nucleo de 𝑓, por definición
𝑁(𝑓) = {𝑥 ∈ 𝑉 ∕ 𝑓(𝑥) = 0𝑊 }. El nucleo de toda transformación lineal es la preimagen
del vector nulo del segundo espacio. 𝑥 ∈ 𝑁(𝑓) ⇔ 𝑓(𝑥) = 0𝑊
Ejemplo
Sean los espacios vectoriales (𝑅 3 , +, 𝑅,∙) 𝑦 (𝑅 2 , +, 𝑅,∙), la función 𝑓: 𝑅 3 → 𝑅 2
definida por: 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ). Determine el nucleo de 𝑓.
Solución
𝑎+𝑐+𝑏+𝑑 0
1) 𝑓[(𝑎, 𝑏) + (𝑐, 𝑑)] = 𝑓[(𝑎 + 𝑐, 𝑏 + 𝑑)] = ( )=
0 𝑎+𝑏+𝑐+𝑑
𝑎+𝑏 0 𝑐+𝑑 0
( )+ ( ) = 𝑓(𝑎, 𝑏) + 𝑓(𝑐, 𝑑)
0 𝑎+𝑏 0 𝑐+𝑑
𝛼𝑎 + 𝛼𝑏 0 𝑎+𝑏 0
2) 𝑓(𝛼(𝑎, 𝑏)) = 𝑓(𝛼𝑎, 𝛼𝑏) = ( ) = 𝛼( ) = 𝛼𝑓(𝑎, 𝑏)
0 𝛼𝑎 + 𝛼𝑏 0 𝑎+𝑏
Si cumple las dos condiciones es una T.L
Hallando su núcleo:
0 0
𝑁(𝑓) = {(𝑥1 , 𝑥2 ) ∈ 𝑅 2 ∕ 𝑓(𝑥1 , 𝑥2 ) ∈ 𝑅 2×2 } , (𝑥1 , 𝑥2 ) ∈ 𝑁(𝑓) ⇔ 𝑓(𝑥1 , 𝑥2 ) = ( )
0 0
𝑥 + 𝑥2 0
=( 1 ) ⇔ 𝑥1 + 𝑥2 = 0 ⇔ 𝑥1 = −𝑥2 → 𝑁(𝑓)
0 𝑥1 + 𝑥2
= {𝛼(1, −1) ∕ 𝛼 ∈ 𝑅}
Hallando su imagen:
𝑎 𝑏
𝐼(𝑓) = {𝐴 ∈ 𝑅 2×2⁄𝑓(𝑥1 , 𝑥2 ) ∈ 𝐴} , 𝐴 = ( ) ∈ 𝐼(𝑓) ⇔ ∃ (𝑥1 , 𝑥2 ) ∈ 𝑅 2 / 𝑓(𝑥1 , 𝑥2 ) ∈ 𝐴
𝑐 𝑑
𝑥1 + 𝑥2 0 𝑎 𝑏
⇔( )=( ) ⇔ 𝑥1 + 𝑥2 = 𝑎 = 𝑑 ˄ 𝑏 = 𝑐 = 0
0 𝑥1 + 𝑥2 𝑐 𝑑
𝑎 0 1 0
𝐼(𝑓) Esta dado por 𝐴 = ( ), La matriz ( ) es un sistema de generadores de
0 𝑎 0 1
𝐼(𝑓) , constituye una base de dimensión 1.
Ejemplo 1:

Sean los espacios vectoriales (ℝ3 , +, ℝ, . ) 𝑦 (ℝ2 , +, ℝ, . ) la función 𝑓: 𝑅 3 →

𝑅 2 definida por

𝑓(𝑥1 , 𝑥2 , 𝑥3) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ). Indique si es una transformación lineal.

Solución:
i) 𝑓[(𝑥1 , 𝑥2 , 𝑥3 ) + (𝑦1 , 𝑦2 , 𝑦3 )] = 𝑓(𝑥1 +𝑦1 , 𝑥2+𝑦2 , 𝑥3+𝑦3 ) = (𝑥1 − 𝑦1 − 𝑥3 −𝑦3 , 𝑥2 − 𝑦2 −
𝑥3 − 𝑦3 )
𝑓(𝑥1 , 𝑥2 , 𝑥3 ) + 𝑓(𝑦1 , 𝑦2 , 𝑦3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) + (𝑦1 −𝑦3 , 𝑦2 −𝑦3 )
= (𝑥1 + 𝑦1 − 𝑥3 −𝑦3 , 𝑥2 + 𝑦2 − 𝑥3 − 𝑦3 ) … … . 𝑠𝑖 𝑐𝑢𝑚𝑝𝑙𝑒
ii) 𝑓(𝛼(𝑥1 , 𝑥2 , 𝑥3 ) = 𝑓(𝛼𝑥1 , 𝛼𝑥2 , 𝛼𝑥3 ) = (𝛼𝑥1 − 𝛼𝑥3 , 𝛼𝑥2 − 𝛼𝑥3 ) =
𝛼(𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) = 𝛼𝑓(𝑥1 , 𝑥2 , 𝑥3 ) … … … . . 𝑠𝑖 𝑐𝑢𝑚𝑝𝑙𝑒

Ejemplo 2:
Supongamos que 𝑓: 𝑅 2 → 𝑅 3 es una transformación lineal que verifica 𝑓(1, 0) =
(1, 2, 3) 𝑦𝑓(0, 1) = (0, −1, 2), halle la imagen de 𝑓(2, −3).

Solución:
𝑓(2, −3) = 𝑓((2, 0) + (0, −3)) = 𝑓(2, 0) + 𝑓(0, −3) = 𝑓(2(1, 0)) + 𝑓(−3(0, 1)) =
2𝑓(1, 0) + (−3)𝑓(0,1) = 2(1, 2, 3) + (−3)(0, −1, 2) = (2, 7, 0)
Ejemplo3:
Determine una transformación lineal o aplicación lineal generado por 𝐹 ∶ 𝑅 3 → 𝑅 4 ,
si las imágenes están dadas por (1,2,0, −4) 𝑦 (2,0, −1, −3)
Solución
Sea 𝐹(𝑥, 𝑦, 𝑧) = 𝐹(𝑥𝑒1 + 𝑦𝑒2 + 𝑧𝑒3 ) = 𝑥𝐹(𝑒1 ) + 𝑦𝐹(𝑒2 ) + 𝑧𝐹(𝑒3 ) = 𝑥(1,2,0, −4) +
𝑦(2,0, −1, −3) + 𝑧(0,0,0,0) = (𝑥 + 2𝑦, 2𝑥, −𝑦, −4𝑥 − 3𝑦)
Luego 𝐹(𝑥, 𝑦, 𝑧) = (𝑥 + 2𝑦 , 2𝑥, −𝑦 , −4𝑥 − 3𝑦)

𝐏𝐑𝐎𝐏𝐈𝐄𝐃𝐀𝐃𝐄𝐒 𝐃𝐄 𝐓𝐑𝐀𝐍𝐒𝐅𝐎𝐑𝐌𝐀𝐂𝐈𝐎𝐍𝐄𝐒 𝐋𝐈𝐍𝐄𝐀𝐋𝐄𝐒

Sea 𝑓: 𝑉 → 𝑊 una transformación lineal, denotemos mediante 0𝑣 Y 0𝑤 a los
vectores nulos en V y W respectivamente.
I) 𝐿𝑎 𝑖𝑚𝑎𝑔𝑒𝑛 del vector nulo del primer espacio por toda transformación
lineal es el vector nulo del segundo espacio.
𝑓(0𝑣 ) = 𝑓(0𝑥) = 0𝑓(𝑥) = 0𝑤
II) La imagen del opuesto de todo vector del primer espacio es igual al
opuesto de su imagen.
𝑓(−𝑥) = 𝑓((−1)𝑥) = (−1)𝑓(𝑥) = −𝑓(𝑥)

NUCLEO DE UNA TRANSFORMACIÓN LINEAL

El núcleo de una transformación lineal f, entre dos espacios vectoriales sobre un
mismo cuerpo, es el conjunto de los vectores del dominio cuyas imágenes por 𝑓
son el vector nulo del codominio.

V W

𝑁(𝑓) 0𝑤

El símbolo 𝑁(𝑓) se lee núcleo de 𝑓, por definición 𝑁(𝑓) = {𝑥𝜖𝑉 / 𝑓(𝑥) = 0𝑤 }

El núcleo de toda transformación lineal es la preimagen del vector nulo del

segundo espacio.

𝑥 𝜖 𝑁(𝑓) ⟺ 𝑓(𝑥) = 0𝑤

Ejemplo:
Sean los espacios vectoriales (ℝ3 , +, ℝ, . ) 𝑦 (ℝ2 , +, ℝ, . ) La función 𝑓: ℝ3 ⟶
ℝ2 definida por 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) es una transformación lineal.
Determine el núcleo de 𝑓.

Solución:
𝑁(𝑓) = {(𝑥1 , 𝑥2 , 𝑥3 ) 𝜖 ℝ3 / 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (0, 0)}

(𝑥1 , 𝑥2 , 𝑥3 ) 𝜖 𝑁(𝑓) ⟺ 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (0, 0) ⟺ (𝑥1 − 𝑥3 , 𝑥2 − 𝑥3 ) = (0, 0) ⟺

(𝑥1 = 𝑥3 ∧ 𝑥2 = 𝑥3 ) ⟺ 𝑥1 = 𝑥2 = 𝑥3 = 𝑎 𝑁(𝑓) = {𝑎(1, 1, 1) / 𝑎 ∈ ℝ},el núcleo de f
es el conjunto de todos los múltiplos escalares del vector (1, 1, 1) .

Ejemplo

Sea la transformación lineal 𝑓: 𝑅 2 → 𝑅 3

IMAGEN DE UNA TRANSFORMACIÓN LINEAL:

La imagen de una T.L. 𝑓: 𝑉 → 𝑊es el conjunto imagen del dominio, es decir, es la

totalidad de las imágenes de los vectores del primer espacio. El símbolo Ι(𝑓) se
lee imagen de f.

Ι(𝑓) = {𝑓(𝑥) / 𝑥 𝜖 𝑉}

También se sabe que 𝑓(0𝑣 ) = 0𝑤 en consecuencia 0𝑤 𝜖 Ι(𝑓) lo que significa que

Ι(𝑓) ≠ 𝜙 , Ι(𝑓) ⊂ 𝑊

PROPIEDAD

La imagen de toda T.L. entre dos espacios vectoriales es un subespacio del

codominio.

Ejemplo:

𝑎+𝑏 0
Sea 𝑓: ℝ2 ⟶ ℝ2𝑥2 definida por 𝑓(𝑎, 𝑏) = ( )
0 𝑎+𝑏
Indique si es una T.L., halle su núcleo e imagen

Solución:
𝑎+𝑏+𝑐+𝑑 0
𝑓[(𝑎, 𝑏) + (𝑐, 𝑑)] = 𝑓[(𝑎 + 𝑐, 𝑏 + 𝑑)] = ( )
0 𝑎+𝑏+𝑐+𝑑
𝑎+𝑏 0 𝑐+𝑑 0
( )+( ) = 𝑓(𝑎, 𝑏) + 𝑓(𝑐, 𝑑)
0 𝑎+𝑏 0 𝑐+𝑑
También:
 ∝ 𝑎+∝ 𝑏 0 𝑎+𝑏 0
𝑓(∝ (𝑎, 𝑏)) = 𝑓(∝ 𝑎, ∝ 𝑏) = ( ) =∝ ( ) =∝ 𝑓(𝑎, 𝑏)
0 ∝ 𝑎+∝ 𝑏 0 𝑎+𝑏
Es una Transformación lineal

Hallando su núcleo:

𝑁(𝑓) = {(𝑥1 , 𝑥2 ) ∈ ℝ2 / 𝑓(𝑥1 , 𝑥2 ) ∈ ℝ2𝑥2 }

𝑥 + 𝑥2 0
(𝑥1 , 𝑥2 ) ∈ 𝑁(𝑓) ⟺ 𝑓(𝑥1 , 𝑥2 ) = (0 0) ⟺ ( 1 ) ⟺ 𝑥1 + 𝑥2 = 0 ⟺ 𝑥1
0 0 0 𝑥1 + 𝑥2
= −𝑥2

𝑁(𝑓) = {𝛼(1, −1) / 𝛼 ∈ ℝ}( el núcleo de 𝑓 es el conjunto de los pares ordenados

de componentes opuestos )

La imagen se puede definir también por 𝑰(𝒇) = {𝒚 ∈ 𝑾 𝒕𝒂𝒍 𝒒𝒖𝒆 𝒆𝒙𝒊𝒔𝒕𝒆 𝒙 ∈

𝑽 𝒚 𝒇(𝒙) = 𝒚}

La imagen:

𝐼(𝑓) = {𝐴 𝜖 ℝ2𝑥2 / 𝑓(𝑥1 , 𝑥2 ) 𝜖 𝐴 }

𝑎 𝑏
𝐴=( ) 𝜖 𝐼(𝑓) ⟺ ∃ (𝑥1 , 𝑥2 ) 𝜖 ℝ2 / 𝑓(𝑥1 , 𝑥2 ) 𝜖 𝐴 ⟺
𝑐 𝑑
𝑥 + 𝑥2 0 𝑎 𝑏
( 1 )=( ) ⟺ 𝑥1 + 𝑥2 = 𝑎 = 𝑑 ∧ 𝑏 = 𝑐 = 0
0 𝑥1 + 𝑥2 𝑐 𝑑
𝑎 0
𝐼(𝑓) 𝑒𝑠𝑡á 𝑑𝑎𝑑𝑜 𝑝𝑜𝑟 𝐴 = ( )
0 𝑎
1 0
La matriz ( ) es un sistema de generadores de la 𝐼(𝑓), constituye una base de
0 1
dimensión 1.

TEOREMA:

Sea V un espacio vectorial de dimensión finita, entonces la dimensión de 𝑉 está

dada por:

𝐝𝐢𝐦(𝑽) = 𝐝𝐢𝐦(𝑵) + 𝐝𝐢𝐦(𝑰)

Observación

Sea f una transformación lineal, entonces el rango de f se define como la

dimensión de su imagen y la nulidad de f se define como la dimensión de su
núcleo, es decir:
 𝒓𝒂𝒏(𝒇) = 𝐝𝐢𝐦(𝑰(𝒇) )

𝒏𝒖𝒍𝒊𝒅𝒂𝒅(𝒇) = 𝐝𝐢𝐦(𝒌𝒆𝒓(𝒇) )

𝒓𝒂𝒏(𝒇) + 𝒏𝒖𝒍𝒊𝒅𝒂𝒅(𝒇) = 𝐝𝐢𝐦(𝑽)

Ejemplos

1. Determine el núcleo, la imagen y las dimensiones de ambos en la siguiente

transformación lineal 𝑓 ∶ 𝑅 3 → 𝑅 2 definida por 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥1 + 𝑥2 + 𝑥3 , 𝑥2 + 𝑥3 )

Solución

Determinamos el núcleo de la transformación lineal: 𝑥1 + 𝑥2 + 𝑥3 = 0,𝑥2 + 𝑥3 = 0

resolviendo este sistema de ecuaciones tenemos 𝑥1 = 0 , 𝑥2 = −𝑥3 , luego el
núcleo esta dado por t(0,1,-1) , es decir los múltiplos escalares del vector
(0,1, −1) , se obtiene una base {(0,1, −1)} cuya dimensión es uno.

Determinamos la imagen, sea (𝑥, 𝑦) ∈ 𝐼𝑚𝑓 entonces (𝑥, 𝑦) = (𝑥1 + 𝑥2 + 𝑥3 , 𝑥2 + 𝑥3 )

Luego formando la combinación lineal (𝑥, 𝑦) = 𝑥1 (1,0) + 𝑥2 (1,1) + 𝑥3 (1,1)

1 0 1 0 1 0
Luego (1 1) → (1 1) → (0 1) , la imagen de 𝑓 es generada por
1 1 0 0 0 0
{(1,0), (0,1)}

Cuya dimensión es dos.

2. Ejemplo

Sea la transformación lineal 𝑓: 𝑅 2 → 𝑅 3 𝑑𝑒𝑓𝑖𝑛𝑖𝑑𝑎 𝑝𝑜𝑟 𝑓(𝑥1 , 𝑥2 ) = ( 𝑥1 + 𝑥2 , 𝑥1 −

𝑥2 , 𝑥1 + 2𝑥2 ) ; determine el núcleo y la imagen e indique una base y la dimensión

Solución

Determinando el núcleo 𝑓(𝑥1 , 𝑥2 ) = (𝑥1 + 𝑥2 , 𝑥1 − 𝑥2 , 𝑥1 + 2𝑥2 ) = (0,0,0)

Se tiene el siguiente sistema de ecuaciones lineales 𝑥1 + 𝑥2 = 0 , 𝑥1 − 𝑥2 = 0 , 𝑥1 −

2𝑥2 = 0

Entonces 𝑥1 = 0 , 𝑥2 = 0 , se obtiene 𝑓(𝑣) = 0𝑅3 tal que 𝑣 = (0,0) , cuya base

{(0,0)} es de dimensión cero.

Calculando la imagen 𝑓(𝑥1 , 𝑥2 ) = (𝑥1 + 𝑥2 , 𝑥1 − 𝑥2 , 𝑥1 + 2𝑥2 ) = 𝑢

Donde 𝑢 = 𝑥1 (1,1,1) + 𝑥2 (1, −1,2) , llevando a la forma matricial

 1 1 1 2 0 3 2 0 3
( ) →( ) →( ) , luego la imagen es generada por los
1 −1 2 1 −1 2 0 −2 1
vectores que forman la base {(2,0,3), (0, −2,1)} de dimensión dos.

PROBLEMAS

1. Sea la aplicación T :R2→ R2 tal que T(x,y)=(2x-y,3y-2x), y sean v=(3,4) un vector

y B1={(1,2), (−1,1)},B2={(2,1), (−1, −3)} bases de R2 calcule verifique según sea
el caso :

Sean los vectores B1={(1,2), (−1,1)}, B2=={(2,1), (−1,3)}

hacemos una combinación lineal de los vectores de la Base B2
(1,2)=a(2,1) +b(-1,-3) (μ1)=[1/5 -3/5]
(-1,1)=c(2,1)+d(-1,-3) (μ2)=[-4/5 -3/5]

hacemos una combinación lineal de los vectores de la Base B1

(2,1)=a(1,2)+b(-1,1) (μ1’)=[1 -1]

(-1,-3)=c(1,2)+d(-1,1) (μ2’)=[-4/3 -1/3]
1 4 4
−5 1 −3
P=( 5 3 3) Q=( 1)
− − −1 −
5 5 3

Para demostrar si PQ=QP=I Reemplazamos en P y en Q

1 4 4 5
−5 1 −3 0
( 53 3) ( 1) = ( 5
5 )=I
−5 −5 −1 − 3 0 5

4 1 4 5
1 −3 −5 0
5 5
( 1) ( 3 3) =( 5 )=I
−1 − 3 −5 −5 0 5

Para verificar si [T]B2=Q[T]B1P Solamente reemplazamos lo hallado

3 −1 0 4
[T]B2=( ) [T]B1=( ) por lo tanto
1 −7 −3 5
 4 1 4
3 −1 1 −3 0 4 −5
5
( ) =( 1) ( ) ( 3 3)
1 −7 −1 − 3 −3 5 − −
5 5

4
3 −1 1
− 3 −4 −4
( ) = (3/5)( 1) ( )
1 −7 −1 − 3 −6 −1

3 −1 3 −1
( ) =( )
1 −7 1 −7

2.Si Q-1AQ=B donde B es un matriz triangular cuyos elementos de la diagonal

principal son valores propios de λ1, λ2, λ3, …… λn Demostrar que Bk es un matriz
triangular y los elementos de la diagonal principal son los valores propios de A
elevados a la K

λ1 0 ⋯ λ1 0 ⋯ λ1 0 ⋯
0 λ2 ⋯ 0 λ2 ⋯ 0 λ2 ⋯
B= 0 ⋱ 0 ⋮ B2= 0 ⋱ 0 ⋮ 0 ⋱ 0 ⋮
⋮ ⋯ 0 ⋱ 0 ⋮ ⋯ 0 ⋱ 0 ⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 λn) ( 0 ⋯ 0 λn) ( 0 ⋯ 0 λn)

(λ1)2 0 ⋯
0 (λ2)2 ⋯
B2= 0 ⋱ 0 ⋮
⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 ( λn)2)

(λ1)𝑛+1 0 ⋯
0 (λ2)𝑛+1 ⋯
→ por inducción Bn+1= 0 ⋱ 0 ⋮
⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 ( λn)𝑛+1 )

(λ1)𝑛 0 ⋯ λ1 0 ⋯
0 (λ2)𝑛 ⋯ 0 λ2 ⋯
Bn B1= 0 ⋱ 0 ⋮ 0 ⋱ 0 ⋮ =
⋮ ⋯ 0 ⋱ 0 ⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 ( λn)𝑛 ) ( 0 ⋯ 0 λn)
 (λ1)𝑛+1 0 ⋯
0 (λ2)𝑛+1 ⋯
Bn B1= 0 ⋱ 0 ⋮
⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 ( λn)𝑛+1 )
(λ1)𝑘 0 ⋯
0 (λ2)𝑘 ⋯
Bk = 0 ⋱ 0 ⋮
⋮ ⋯ 0 ⋱ 0
( 0 ⋯ 0 ( λn)𝑘 )

por lo tanto queda demostrado por inducción que Bk es un matriz triangular y los
elementos de la diagonal principal son los valores propios de A elevados a la K

1 1 1 1 1
0 1 1 1 1
3. Es posible diagonalizar la matriz A= 0 0 1 1 1
0 0 0 0 1
(0 0 0 0 1)

Solución:

Hallamos el polinomio característico P(x)=/A –λI/

1 1 1 1 1 1 0 0 0 0
0 1 1 1 1 0 1 0 0 0
P(x)=/ 0 0 1 1 1 -λ 0 0 1 0 0 /
0 0 0 0 1 0 0 0 1 0
(0 0 0 0 1) (0 0 0 0 1)
 1−λ 1 1 1 1
0 1−λ 1 1 1
P(x)=/ 0 0 1−λ 1 1 / P(x)=(1--λ)4 (-λ) = 0
0 0 0 −λ 1
( 0 0 0 0 1 − λ)

λ=1 de multiplicidad 4 ; es el único que analizamos ya que tiene

multiplicidad 4 nos debe de salir 4bases.
λ= 0 de multiplicidad 1

𝑝 𝑝
𝑞 𝑞
Sea V(1)=< (𝑝, 𝑞, 𝑟, 𝑠, 𝑡)𝜖𝑅 3 𝐴 𝑟 = 𝑟 >
𝑠 𝑠
(𝑡 ) (𝑡 )

1 1 1 1 1 𝑝 𝑝
0 1 1 1 1 𝑞 𝑞
0 0 1 1 1 𝑟 = 𝑟
0 0 0 0 1 𝑠 𝑠
(0 0 0 0 1) ( ) ( 𝑡 )
𝑡

p+q+r+s+t=0
q+r+s+t=0
r+s+t=0
t=s
t=0
resolviendo nos sale que

q=0, r=0, s=0, t=0 como no aparece p entonces es un definido con un parámetro
α
por lo tanto quedaría:

(p,q, r,s,t)ϵV(1)⇒( p,q,r,s,t)=[(1,0,0,0,0)]

por lo tanto la matriz A no será diagonlizable.

4. Sea la aplicación lineal F: R3 → R3 definida como

F(-1,1,3)=(6,-4,16), F(-2,1,1)=(-2,-5,1) y F(3,2,-1)=(1,14,-12)

a) Calcule la matriz asociada con respecto a la base canónica de R3.

 b) Calcule el núcleo y la imagen de la aplicación.
c) Calcule la aplicación inversa si es posible.
Solución:

a)
F(-1,1,3)=(6,-4,16) → (-1)F(1,0,0) +(1)F(0,1,0) + (3)F(0,0,1) =(6,-4,16) ……….(1)
F(-2,1,1)=(-2,-5,1) → (-2)F(1,0,0) +(1)F(0,1,0) + (1)F(0,0,1) =(-2,-5,1) ……….(2)
F(3,2,-1)=(1,14,-12) →(3)F(1,0,0) +(2)F(0,1,0) + (-1)F(0,0,1) =(1,14,12) ………..(3)
Resolviendo (1),(2) y (3)

F(1,0,0)=(2,3,1) , F(0,1,0)=(-1,2,4) , F(0,0,1)=(3,-1,7)

por lo tanto la matriz asociada con respecto a la base canónica de R 3 será:

2 −1 3
A=(3 2 −1)
1 4 7

b)

2 −1 3 𝑥 0
A=(3 2 −1) (𝑦) = (0)
1 4 7 𝑧 0

De la matriz asociada A obtenemos.

Restando filas….

2 −1 3 𝑥 0 1 0 0 𝑥 0
(3 2 −1) (𝑦) = (0) →(0 1 0) (𝑦 ) = ( 0)
1 4 7 𝑧 0 0 0 1 𝑧 0
Por lo tanto el núcleo o Kerf será =[(1,0,0), (0,1,0), (0,0,1))]

La imagen de la aplicación = F(x,y,z)=(2x-y+3z,3x+x2y-z,x+4y+7z)

MATRIZ ASOCIADA A UNA TRANSFORMACION LINEAL

Supongamos que {𝑒1 , 𝑒2 , … , 𝑒𝑛 } es una base de un espacio vectorial 𝑉sobre un

cuerpo 𝐾 y para 𝑣 𝜖 𝑉 , supongamos que 𝑣 = 𝑎1 𝑒1 + 𝑎2 𝑒2 + ⋯ + 𝑎𝑛 𝑒𝑛 , entonces el
vector coordenado de 𝒗 relativo a {𝒆𝒊 } el cual se escribe como un vector
columna a menos que se especifique lo contrario, está dado por:
 𝑎1
𝑎
[𝑉]𝑒 = ( ⋮2 )
𝑎𝑛

REPRESENTACIÓN MATRICIAL DE UN OPERADOR LINEAL

Sea T un operador lineal en un espacio vectorial V sobre un cuerpo K

supongamos que {𝑒1 , 𝑒2 , … , 𝑒𝑛 } es una base de V y por tanto se puede expresar
una combinación lineal de los vectores de la base, es decir:

𝑇(𝑒1 ) = 𝑎11 𝑒1 + 𝑎12 𝑒2 + ⋯ + 𝑎1𝑛 𝑒𝑛

𝑇(𝑒2) = 𝑎21 𝑒1 + 𝑎22 𝑒2 + ⋯ + 𝑎2𝑛 𝑒𝑛

𝑇(𝑒𝑛) = 𝑎𝑛1 𝑒1 + 𝑎𝑛2 𝑒2 + ⋯ + 𝑎𝑛𝑛 𝑒𝑛

DEFINICION.-La transpuesta de la matriz de los coeficientes de la representación

anterior denotada por [𝑇]𝑒 se llama representación matricial de T relativa a la base
{𝑒𝑖 } .
𝑎11 𝑎21 … 𝑎𝑛1
𝑎12 𝑎22 … 𝑎𝑛2
[𝑇]𝑒 = (
⋮ ⋱ ⋮ )
𝑎1𝑛 𝑎2𝑛 … 𝑎𝑛𝑛

Ejemplo 1:

Sea el espacio vectorial de todos los polinomios en T sobre R de 𝑔𝑟𝑎𝑑𝑜 ≤ 3 y

𝑑𝑃(𝑡)
𝐷: 𝑉 → 𝑉 el operador derivación definido por 𝐷(𝑃(𝑡) ) = , sea la base
𝑑𝑡
{1, 𝑡, 𝑡 2 , 𝑡 3 }

𝐷(1) = 0 = 0 + 0𝑡 + 0𝑡 2 + 0𝑡 3

𝐷(𝑡) = 1 = 1 + 0𝑡 + 0𝑡 2 + 0𝑡 3

𝐷(𝑡 2 ) = 2𝑡 = 0 + 2𝑡 + 0𝑡 2 + 0𝑡 3

𝐷(𝑡 3 ) = 3𝑡 2 = 0 + 0𝑡 + 3𝑡 2 + 0𝑡 3
 0 1 0 0
[𝐷]𝑒 = (0 0 2 0
)
0 0 0 3
0 0 0 0

Ejemplo 2:

Sea T el operador lineal sobre ℝ2 definido por 𝑇(𝑥,𝑦) = (4𝑥 − 2𝑦 , 2𝑥 + 𝑦) .

Calculamos la matriz de T en la base {𝑓1 = (1, 1) ; 𝑓2 = (−1, 0)}

Solución

Tenemos:

𝑇(𝑓1 ) = 𝑇(1 ,1) = (2, 3) = 3(1, 1) + (−1, 0) = 3𝑓1 + 𝑓2

𝑇(𝑓2 ) = 𝑇(−1 ,0) = (−4, −2) = −2(1, 1) + 2(−1, 0) = −2𝑓1 + 2𝑓2

[𝑇]𝑓 = (3 −2)
1 2
TEOREMA

Sea {𝑒1 , 𝑒2 , … , 𝑒𝑛 } una base de V y sea T un operador lineal cualquiera sobre V

entonces ∀ 𝑣 𝜖 𝑉 se cumple que:

[𝑻]𝒆 [𝑽]𝒆 = [𝑻(𝑽) ]

𝒆

Es decir si multiplicamos el vector coordenado de v por la representación matricial

de T se obtiene el vector coordenado de 𝑇(𝑉) .

Ejemplo 3:

Sea el operador lineal 𝑇: ℝ2 → ℝ2 definido por 𝑇(𝑥,𝑦) = (4𝑥 − 2𝑦 , 2𝑥 + 𝑦) y sea 𝑣 =

(5 , 7) , siendo la base {𝑓1 = (1, 1) ; 𝑓2 = (−1, 0)}

𝑣 = (5 , 7) = 7(1 , 1) + 2(−1,0) = 7𝑓1 + 2𝑓2

𝑇(𝑉) = 𝑇(5 ,7) = (6 , 17) = 17(1 , 1) + 11(−1 , 0) = 17𝑓1 + 11𝑓2

[𝑉]𝑓 = (7)
2
17
[𝑇(𝑉) ] = ( )
𝑓 11

[𝑇]𝑓 [𝑉]𝑓 = (3 −2 7 17
) ( ) = ( ) = [𝑇(𝑉) ]
1 2 2 11 𝑓
TEOREMA

Sea {𝑒1 , 𝑒2 , … , 𝑒𝑛 } una base de V sobre un cuerpo K y sea A el álgebra de las

matrices cuadradas de orden 𝑛 entonces la aplicación: 𝑇 → [𝑇] es un
isomorfismo de un espacio vectorial 𝐴(𝑣) sobre A es decir que la aplicación es de 1
a 1 y sobre, para cualquier 𝑆, 𝑇 𝜖 𝐴(𝑣) y para cualquier 𝑘 𝜖 𝐾

[𝑻 + 𝑺]𝒆 = [𝑻]𝒆 + [𝑺]𝒆 𝒚 [𝒌𝑻]𝒆 = 𝒌[𝑻]𝒆

TEOREMA

Para operadores cualesquiera 𝑆, 𝑇 𝜖 𝐴(𝑣) , se tiene:[𝑺𝑻]𝒆 = [𝑺]𝒆 [𝑻]𝒆

Ejemplo

Sea 𝑑𝑖𝑚𝑉 = 2 , supongamos que {𝑒1 , 𝑒2 } es una base de V, T y S son operadores

sobre V tales que:

𝑇(𝑒1 ) = 𝑎1 𝑒1 + 𝑎2 𝑒2 𝑆(𝑒1) = 𝑐1 𝑒1 + 𝑐2 𝑒2

𝑇(𝑒2) = 𝑏1 𝑒1 + 𝑏2 𝑒2 𝑆(𝑒2 ) = 𝑑1 𝑒1 + 𝑑2 𝑒2

𝑎1 𝑏1 𝑐 𝑑1
[𝑇]𝑒 = ( ) [𝑆]𝑒 = ( 1 )
𝑎2 𝑏2 𝑐2 𝑑2

(𝑇 + 𝑆)(𝑒1) = 𝑇(𝑒1 ) + 𝑆(𝑒1) = 𝑎1 𝑒1 + 𝑎2 𝑒2 + 𝑐1 𝑒1 + 𝑐2 𝑒2

(𝑇 + 𝑆)(𝑒2 ) = 𝑇(𝑒2 ) + 𝑆(𝑒2 ) = 𝑏1 𝑒1 + 𝑏2 𝑒2 + 𝑑1 𝑒1 + 𝑑2 𝑒2

𝑎 + 𝑐1 𝑏1 + 𝑑1 𝑎 𝑏1 𝑐 𝑑1
[𝑇 + 𝑆]𝑒 = ( 1 )=( 1 )+( 1 )
𝑎2 + 𝑐2 𝑏2 + 𝑑2 𝑎2 𝑏2 𝑐2 𝑑2

= [𝑇]𝑒 + [𝑆]𝑒

También para 𝑘 𝜖 𝐾

(𝑘𝑇)𝑒1 = 𝑘𝑇(𝑒1 ) = 𝑘(𝑎1 𝑒1 + 𝑎2 𝑒2 ) = 𝑘𝑎1 𝑒1 + 𝑘𝑎2 𝑒2

(𝑘𝑇)𝑒2 = 𝑘𝑇(𝑒2 ) = 𝑘(𝑏1 𝑒1 + 𝑏2 𝑒2 ) = 𝑘𝑏1 𝑒1 + 𝑘𝑏2 𝑒2

𝑘𝑎 𝑘𝑏1 𝑎 𝑏1
[𝑘𝑇]𝑒 = ( 1 ) = 𝑘( 1 ) = 𝑘[𝑇]𝑒
𝑘𝑎2 𝑘𝑏2 𝑎2 𝑏2

CAMBIO DE BASE

Definición.- Sea {𝑒1 , 𝑒2 , … , 𝑒𝑛 } una base de V y sea {𝑓1 , 𝑓2 , … , 𝑓𝑛 } otra base,

supongamos que:
 𝒇𝟏 = 𝒂𝟏𝟏 𝒆𝟏 + 𝒂𝟏𝟐 𝒆𝟐 + ⋯ +𝒂𝟏𝒏 𝒆𝒏

𝒇𝟐 = 𝒂𝟐𝟏 𝒆𝟏 + 𝒂𝟐𝟐 𝒆𝟐 + ⋯ +𝒂𝟐𝒏 𝒆𝒏

𝒇𝒏 = 𝒂𝒏𝟏 𝒆𝟏 + 𝒂𝒏𝟐 𝒆𝟐 + ⋯ +𝒂𝒏𝒏 𝒆𝒏

La traspuesta P de la matriz de los coeficientes se llama matriz de transición de la

base antigua o primitiva {𝒆𝒊 } 𝑎 𝑙𝑎 𝑛𝑢𝑒𝑣𝑎 𝑏𝑎𝑠𝑒 {𝒇𝒊 }. ( 𝑖 = 1,2, … , 𝑛 )
𝒂𝟏𝟏 𝒂𝟐𝟏 … 𝒂𝒏𝟏
𝒂𝟏𝟐 𝒂𝟐𝟐 … 𝒂𝒏𝟐
𝑷=( )
⋮ ⋱
𝒂𝟏𝒏 𝒂𝟐𝒏 … 𝒂𝒏𝒏

Como los vectores 𝑓1 , 𝑓2 , … , 𝑓𝑛 son linealmente independientes, la matriz P es

invertible, su inversa 𝑃−1 es la matriz de transición de la nueva base a la base
antigua.

Ejemplo

Sean las bases {𝑒1 = (1, 0), 𝑒2 = (0, 1)} y {𝑓1 = (1 , 1), 𝑓2 = (−1 , 0)} luego

𝑓1 = (1 , 1) = (1 , 0) + (0 , 1) = 𝑒1 + 𝑒2

𝑓2 = (−1 , 0) = −1(1 , 0) + 0(0 , 1) = −𝑒1 + 0𝑒2

1 −1
𝑃=( )
1 0
𝑒1 = (1, 0) = 0(1 , 1) + (−1)(−1 , 0) = 0𝑓1 − 𝑓2

𝑒2 = (0, 1) = 1(1 , 1) + 1(−1 , 0) = 𝑓1 + 𝑓2

0 1
𝑃−1 = 𝑄 = ( )
−1 1
1 −1 0 1 1 0
𝑃𝑄 = ( )( )=( )=𝐼
1 0 −1 1 0 1
TEOREMA

Sea P la matriz de transición de una base {𝑒𝑖 } a una base{𝑓𝑖 } en un espacio

vectorial V entonces ∀ 𝑣 𝜖 𝑉 se cumple que:

𝑃[𝑉]𝑓 = [𝑉]𝑒

Es decir:
 [𝑉]𝑓 = 𝑃−1 [𝑉]𝑒

TEOREMA

Sea P la matriz de transición de una base {𝑒𝑖 } a una base {𝑓𝑖 } en un espacio V
entonces ∀ operador lineal T sobre V se cumple que:

[𝑻]𝒇 = 𝑷−𝟏 [𝑻]𝒆 𝑷

SIMILARIDAD

Supongamos que A y B son matrices cuadradas para los cuales existe una matriz
invertible P tal que: 𝐵 = 𝑃−1 𝐴𝑃 , entonces se dice que B es similar a 𝐴 o que se
obtiene de A por una transformación de similaridad. La similaridad de matrices es
una relación de equivalencia.

TEOREMA

Dos matrices A y B representan el mismo operador lineal T si y solo si son

similares la una a la otra. Todos los representantes matriciales del operador lineal
T forman una clase de equivalencia de matrices similares.

Ejemplo

Sea T el operador lineal sobre ℝ2 definido por 𝑻(𝟑 ,𝟏) = (𝟐 , −𝟒) y 𝑻(𝟏 ,𝟏) = (𝟎 , 𝟐) ,
por el teorema el operador lineal existe y es único, hallar 𝑻(𝒂 ,𝒃) en particular 𝑻(𝟕 ,𝟒) .

Solución
Sea un vector(𝑎 , 𝑏) tal que se forma la combinación lineal: (𝑎 , 𝑏) = 𝑥(3 , 1) +
𝑦(1 , 1)

𝑎−𝑏
𝑎 = 3𝑥 + 𝑦 𝑥=
2
−𝑎 + 3𝑏
𝑏 =𝑥+𝑦 𝑦=
2
Expresando 𝑇(𝑎,𝑏) como una combinación lineal de 𝑇(3,1) 𝑦 𝑇(1,1) , tenemos

𝑎−𝑏 −𝑎 + 3𝑏
𝑇(𝑎 ,𝑏) = 𝑇 𝑎−𝑏 −𝑎+3𝑏 = 𝑇(3 ,1) + 𝑇(1 ,1)
(
2
(3 ,1)+
2
(1 ,1)) 2 2

𝑎−𝑏 −𝑎 + 3𝑏
𝑇(𝑎 ,𝑏) = (2 , −4) + (0 , 2) = (𝑎 − 𝑏 , −3𝑎 + 5𝑏)
2 2
Para el caso particular de 𝑇(7,4) se tiene
𝑇(7 ,4) = (3 , −11)

VALORES Y VECTORES PROPIOS

En los diversos campos de la ingeniería y las matemáticas surge el problema de

calcular los valores escalares 𝜆 y los vectores 𝑥 ≠ 0 tales que para la matriz
cuadrada 𝐴 se cumple 𝐴𝑋 = 𝜆𝑋 … (1)

Algunos campos de aplicación son:

Las Ecuaciones diferenciales, Estabilidad de sistemas lineales, Sistemas

eléctricos, Polos y ceros de transferencia, diagonalizacion de matrices, etc.

Podemos averiguar si el problema planteado en (1) tiene solución si tenemos

(𝐴 − 𝜆𝐼)𝑋 = 0 … (2) , el problema se transforma en un sistema lineal homogéneo
𝐵𝑋 = 0 , el cual tiene solución para 𝑋 = 0 , cuando det(𝐵) ≠ 0 , es justamente lo
que no nos interesa .El numero 𝜆 se dice que es el valor propio de la matriz
cuadrada 𝐴 si y solo si det(𝐴 − 𝜆𝐼) = 0 …(3) esta es la ecuación característica de
la matriz 𝐴 .El polinomio que surge de la ecuación (3) resulta un polinomio en
ponencias de 𝜆 , la expresión 𝑎(𝜆) = det(𝐴 − 𝜆𝐼) se le llama polinomio
característico de la matriz 𝐴 .El polinomio característico de una matriz de
dimensión 𝑛𝑥𝑛 es de grado 𝑛 , por lo que se tiene 𝑛 valores propios 𝜆 que
satisfacen la ecuación (3) .
VALOR PROPIO

Sea 𝑇: 𝑉 → 𝑉 un operador lineal sobre un espacio vectorial 𝑉 sobre un cuerpo 𝐾.

Un escalar 𝜆 𝜖 𝐾 se llama valor propio de 𝑇 si existe un vector diferente de cero,
𝑣 𝜖 𝑉 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑇(𝑣) = 𝜆𝑣.

Todo vector que satisface esta relación se llama “vector propio” de T perteneciente
al valor propio 𝜆.

Observación: Las transformaciones lineales del espacio como la rotación, la

reflexión, el ensanchamiento o cualquier combinación de las anteriores pueden
interpretarse mediante el efecto que producen en los vectores .De forma
geométrica los vectores se visualizan como flechas de cierta longitud apuntado en
una dirección y sentido determinado. Los vectores propios de las transformaciones
lineales son vectores que no se ven afectados por la transformación.

Ejemplo: Sea 𝜆 un valor propio de un operador 𝑇: 𝑉 → 𝑉. Sea 𝑉𝜆 el conjunto de

todos los vectores propios de 𝑇 pertenecientes al valor propio 𝜆 (llamado el
espacio propio de 𝜆 ) Demostrar que 𝑉𝜆 es un subespacio de 𝑉.

Demostración

Sean 𝑣, 𝑤 ∈ 𝑉𝜆 ; es decir 𝑇(𝑣) = 𝜆𝑣 , 𝑇(𝑤) = 𝜆𝑤. Entonces para todo escalar 𝑎, 𝑏 ∈

𝐾 , 𝑇(𝑎𝑣 + 𝑏𝑤) = 𝑎𝑇(𝑣) + 𝑏𝑇(𝑤) = 𝑎(𝜆𝑣) + 𝑏(𝜆𝑤) = 𝜆(𝑎𝑣 + 𝑏𝑤) , luego 𝑎𝑣 + 𝑏𝑤
es un vector propio perteneciente a 𝜆 es decir 𝑉𝜆 es un subespacio de 𝑉.

TEOREMA

Sea 𝑇: 𝑉 → 𝑉 un operador lineal sobre un espacio vectorial 𝑉, entonces 𝜆 𝜖 𝐾 es un

valor propio de 𝑇 si y solo si 𝜆Ι − 𝑇 es singular, el espacio propio de 𝜆 es
entonces el núcleo de 𝜆Ι − 𝑇.

TEOREMA

Vectores propios diferentes de cero pertenecientes a valores propios diferentes

son linealmente independientes.

POLINOMIO CARACTERISTICO

Sea una matriz cuadrada A sobre un cuerpo K

 𝑎11 𝑎12 … 𝑎1𝑛
𝑎21 𝑎22 … 𝑎2𝑛
𝐴=( ⋮ ⋮ ⋱ ⋮ )
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛

La matriz 𝒕𝚰𝒏 − 𝑨 se llama matriz característica, el determinante 𝐝𝐞𝐭(𝒕𝚰𝒏 − 𝑨) = 𝟎

se llama ecuación característica, el polinomio característico es de la forma:

𝚫(𝒕) = (𝒕 − 𝒂𝟏𝟏 )(𝒕 − 𝒂𝟐𝟐 ) … (𝒕 − 𝒂𝒏𝒏 ),

𝑛 𝑡é𝑟𝑚𝑖𝑛𝑜𝑠 𝑐𝑜𝑛 𝑚á𝑥𝑖𝑚𝑜 𝑛 − 2 𝑓𝑎𝑐𝑡𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑓𝑜𝑟𝑚𝑎 𝑡 − 𝑎𝑛

Ejemplo

1 4
Sea la matriz 𝐴 = ( )
2 3
i) Hallar los valores propios de A y los correspondientes vectores propios

2i) Hallar una matriz inversible 𝑃 tal que 𝑃−1 𝐴𝑃 sea diagonal

Solución:

Ejemplo: El polinomio característico de la matriz A es:

1 3 0
𝐴 = (−2 2 1 )
4 0 −2
𝑡 − 1 −3 0
Δ(𝑡) = (𝑡Ι − 𝐴) = | 2 𝑡−2 −1 | = 𝑡 3 − 𝑡 2 + 2𝑡 + 4
−4 0 𝑡+2
Es un polinomio característico, polinomio Mónico de tercer grado.

El polinomio característico de una matriz de dimensión 𝑛𝑥𝑛 es de grado 𝑛, por lo

cual tendrá 𝑛 posibles valores propios.

Si 𝜆 es un valor propio de 𝐴 y si X es el vector no nulo tal que 𝐴𝑋 = 𝜆𝑋 ⟹ 𝑋 se

dice vector propio de 𝐴 correspondiente al valor propio de 𝜆.

OBSERVACION:𝜆 también llamado autovalor, valor característico o “eigen valor”.

Ejemplo

3 1 −1
Dada la matriz 𝐴 = (2 2 −1) determine el polinomio característico y los
2 2 0
valores propios de 𝐴
Solución

3 1 −1 1 0 0 3−𝜆 1 −1
𝑃(𝜆) = 𝑑𝑒𝑡 |(2 2 −1) − 𝜆 (0 1 0)| = | 2 2 − 𝜆 −1| = (2 − 𝜆)(2 −
2 2 0 0 0 1 2 2 −𝜆
𝜆)(1 − 𝜆) = 0 Entonces los valores propios son 𝜆 = 2 , 𝜆 = 2 , 𝜆 = 1

POLINOMIO DE MATRICES Y OPERADORES LINEALES

Sea un polinomio 𝑓(𝑡) = 𝑎𝑛 𝑡 𝑛 + 𝑎𝑛−1 𝑡 𝑛−1 + ⋯ + 𝑎1 𝑡 + 𝑎0 , si A es una matriz

cuadrada, entonces definimos:

𝒇(𝑨) = 𝒂𝒏 𝑨𝒏 + 𝒂𝒏−𝟏 𝑨𝒏−𝟏 + ⋯ + 𝒂𝟏 𝑨 + 𝒂𝟎 𝚰

Se dice que A es una raíz o un cero del polinomio si 𝑓(𝐴) = 0.

TEOREMA

Sean 𝑓 𝑦 𝑔 dos polinomios sobre un cuerpo 𝑘, y sea A una matriz cuadrada de

orden 𝑛 , sobre 𝑘, entonces:

i) (𝑓 + 𝑔)(𝐴) = 𝑓(𝐴) + 𝑔(𝐴)

ii) (𝑓. 𝑔)(𝐴) = 𝑓(𝐴). 𝑔(𝐴)
iii) (𝑘𝑓)(𝐴) = 𝑘𝑓(𝐴)

OBSERVACION
1. Los vectores propios de las transformaciones lineales son vectores que no
se ven afectados por la transformación.
2. El valor propio de un vector propio es el factor de escala por el que ha sido
multiplicado.
3. Un espacio propio es un espacio formado por todos los vectores propios del
mismo valor propio, además del vector nulo que no es un vector propio.
4. La multiplicidad geométrica de un valor propio es la dimensión del espacio
propio asociado.

1 2
Ejemplo: Hallar los vectores propios de la matriz 𝐴 = ( )
3 2
SOLUCION:

𝐴𝑋 = 𝜆𝑋

(𝐴 − 𝜆Ι)𝑋 = 0

1−𝜆 2
( )𝑋 = 0
3 2−𝜆
Hallando los valores propios:

1−𝜆 2
| |=0
3 2−𝜆
𝜆2 − 3𝜆 − 4 = 0

𝜆1 = −1 , 𝜆2 = 4

2 2 𝑥1
Para 𝜆1 = −1 | || | = 0
3 3 𝑥2
2𝑥1 + 2𝑥2 = 0

3𝑥1 + 3𝑥2 = 0

⟹ 𝑥1 + 𝑥2 = 0 ⟺ 𝑥1 = −𝑥2
𝑥1 1 1
Vector propio: (−𝑥 ) = 𝑥 ( ) ⟶ 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 ( )
2 −1 −1
Para 𝜆2 = 4

−3 2 𝑥1
| || | = 0
3 −2 𝑥2
−3𝑥1 + 2𝑥2 = 0

3𝑥1 − 2𝑥2 = 0

3𝑥1 = 2𝑥2
𝑥1 2 2
(𝑥 ) = 𝑡 ( ) ⟶ 𝑣𝑒𝑐𝑡𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 ( )
2 3 3

TEOREMA DE CAYLEY-HAMILTON

Toda matriz es un cero de su polinomio característico.

1 2
Ejemplo: 𝐴=( )
3 2
𝑃(𝜆) = 𝜆2 − 3𝜆 − 4

1 2 2 1 2 1 0 7 6 3 2 4 0 0 0
𝑃(𝐴) = ( ) − 3( ) − 4( )=( )−( )−( )=( )
3 2 3 2 0 1 9 10 9 6 0 4 0 0
TEOREMA
Si A es una matriz cuadrada de orden n y 𝜆 es un valor propio de 𝐴 ⟹ 𝜆 es una
raíz del polinomio característico.

MULTIPLICIDAD ALGEBRAICA

La multiplicidad algebraica de un valor propio 𝜆 como cero del polinomio

característico.

Ejemplo: Si los valores propios de una matriz 𝐴 son 4, 4, 3, 3, 3, 2, 2, 1 significan

que la multiplicidad algebraica del valor propio4 es 2, la de 3 es 3, la de 2 es 2, la
de 1 es 1.

(𝜆 − 4)2 (𝜆 − 3)3 (𝜆 − 2)2 (𝜆 − 1) = 0

DIAGONALIZACION

Sea 𝑇 ∶ 𝑉 ⟶ 𝑉 un operador lineal sobre un espacio vectorial 𝑉 con dimensión finita

entonces T es un operador lineal que se puede representar por una matriz
diagonal.

𝑘1
𝑘2
𝑇=
⋱
( 𝑘𝑛 )

Si y solo si existe una base {𝑣1 , 𝑣2 , … , 𝑣𝑛 }de V tal que:

𝑇(𝑣1 ) = 𝑘1 𝑣1

𝑇(𝑣2 ) = 𝑘2 𝑣2

𝑇(𝑣𝑛 ) = 𝑘𝑛 𝑣𝑛

Es decir los vectores {𝑣1 , 𝑣2 , … , 𝑣𝑛 }son vectores propios de T perteneciente a los

valores propios 𝑘1 , 𝑘2 , … , 𝑘𝑛 .

OBSERVACION

¿Qué es diagonalizar?

Es determinar un sistema de referencia conveniente donde se tenga una

simplicidad para los cálculos.

Para estudiar una matriz, suele ser conveniente expresarla de la forma más
sencilla posible. Para estudiar una matriz suele ser conveniente expresarla lo más
sencilla posible , diagonalizar una matriz 𝐴 es precisamente escribirla de manera
simple encontrando una matriz invertible 𝑃 y una diagonal 𝐷 ( si es posible) tal
que 𝐴 = 𝑃𝐷𝑃−1 , la matriz 𝑃 se denomina matriz de paso .

MATRIZ DIAGONALIZABLE

Una matriz 𝑛 𝑥 𝑛 es diagonalizable si existe una matriz diagonal 𝐷 tal que

𝐴 𝑒𝑠 𝑠𝑒𝑚𝑒𝑗𝑎𝑛𝑡𝑒 𝑎 𝐷 . Si 𝐷 es una matriz diagonal entonces los valores propios son
sus componentes en la diagonal .Si 𝐴 es semejante a 𝐷 entonces tienen los
mismos valores propios , entonces si 𝐴 es diagonalizable , 𝐴 es semejante a una
matriz diagonal.

FORMAS CUADRATICAS O CUADRICAS

Se llama forma cuadrática a un polinomio homogéneo de grado 2. Una forma

cuadrática P tiene la siguiente expresión matricial:
𝑛 𝑛

𝑃(𝑋) = 𝑋 𝑡 𝐴𝑋 = ∑ ∑ 𝑎𝑖𝑗 𝑥𝑗1 𝑥𝑖1

𝑖=1 𝑗=1

Donde X es una matriz columna de orden 𝑛𝑥1 , A es una matriz cuadrada de orden
𝑛𝑥𝑛

OBSERVACION

Dadas las matrices 𝐴 𝑦 𝑋 se presenta una forma cuadrática 𝑃(𝜆) = 𝑋 𝑡 𝐴𝑋

Ejemplo:𝑃(𝑋) = 2𝑥 2 + 6𝑥𝑦 + 𝑦 2
𝑥 𝑥
𝑃(𝑋) = (𝑥 𝑦)1𝑥2 (2 3) ( ) = (2𝑥 + 3𝑦 3𝑥 + 𝑦)1𝑥2 (𝑦) = 2𝑥 2 + 6𝑥𝑦 + 𝑦 2
3 1 𝑦 2𝑥1 2𝑥1

Ejemplo:𝑃(𝑋) = 𝑥 2 + 𝑦 2 + 2𝑥𝑦 + 𝑧 2 − 5𝑥𝑧 + 6𝑦𝑧

9
1 1 − 𝑥
2
𝑃(𝑋) = (𝑥 𝑦 𝑧) 1 1 2 (𝑦 )
9 𝑧
− 2 1
( 2 )
Ejemplo:𝑃(𝑋) = 3𝑥 2 − 𝑦 2 + 𝑡 2 + 𝑤 2 − 5𝑧 2 + 𝑥𝑡 + 𝑤𝑧 + 𝑥𝑦
 1 1
3 0 0
2 2
1
−1 0 0 0 𝑥
2 𝑦
1
𝑃(𝑋) = (𝑥 𝑦 𝑡 𝑤 𝑧) 0 1 0 0 𝑡
2 𝑤
1
0 0 0 1 (𝑧)
2
1
(0 0 0
2
−5)

DIAGONALIZACION DE FORMAS CUADRÁTICAS

Una forma cuadrática P se dice que se encuentra en su forma diagonal si en ella

no aparece ningún término mixto:

𝑥𝑖1 𝑥𝑗1 𝑐𝑜𝑛 𝑖 ≠ 𝑗

𝑃 = 𝑎11 𝑥1 2 + 𝑎22 𝑥2 2 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛𝑛 2 = 𝑋 𝑡 𝐴𝑋

Donde A es la matriz diagonal:

𝑎11 0 … 0
0 𝑎22 … 0
𝐴=( )
⋮ ⋱
0 0 … 𝑎𝑛𝑛

DEFINICION.- Se dice que una forma cuadrática 𝑞(𝑋) = 𝑋 𝑡 𝐴𝑋 es diagonalizable si

existe una matriz no singular B, tal que al hacer la transformación 𝑋 = 𝐵𝑌, resulta:

𝑞(𝑌) = (𝐵𝑌)𝑡 𝐴(𝐵𝑌) = 𝑌 𝑡 𝐵 𝑡 𝐴𝐵𝑌 = 𝑌 𝑡 𝐷 𝑌, 𝑑𝑜𝑛𝑑𝑒 𝐷 𝑒𝑠 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑡𝑎𝑙 𝑞𝑢𝑒

𝑞(𝑌) = 𝑑11 𝑦1 2 + 𝑑22 𝑦2 2 + ⋯ + 𝑑𝑛𝑛 𝑦𝑛𝑛 2

Es una forma diagonal en las nuevas variables 𝑦1 , 𝑦2 , 𝑦3 , … , 𝑦𝑛 . Se dice que B

diagonaliza a la matriz A, esta matriz B siempre existe, para ello A es una matriz
simétrica, B es una matriz no singular.

En muchos casos los elementos de la matriz diagonal en la diagonal principal son

los valores propios de A.

Ejemplo: Diagonalizar la forma cuadrática, considere 𝑞(𝑋) = 𝑥 2 + 4𝑥𝑦 + 5𝑦 2

1 2 1 −2
→𝐴=( ) , considere 𝐵 = ( )
2 5 0 1
Solución:
𝑥
𝑞(𝑋) = (𝑥 𝑦 ) (1 2 ) ( )
2 5 𝑦
1 2
𝐴=( )
2 5
𝑆𝑒𝑎 𝑋 = 𝐵𝑌
𝑥 1 −2 𝑦1
(𝑦) = ( ) (𝑦 )
0 1 2

𝑦2 ) ( 1 0) (1 2 1 −2 𝑦1
𝑞(𝑦) = (𝐵𝑌)𝑡 𝐴(𝐵𝑌) = (𝑦1 )( ) (𝑦 )
−2 1 2 5 0 1 2

𝑦2 ) (1 2 1 −2 𝑦1
= (𝑦1 )( ) (𝑦 )
0 1 0 1 2

𝑦1 𝑦
𝑞(𝑦) = (𝑦1 𝑦2 )1𝑥2 (1 0
) (𝑦 ) = (𝑦1 𝑦2 )1𝑥2 ( 1 ) 2 2
0 1 2𝑥2 2 𝑦2 2𝑥1 = 𝑦1 + 𝑦2

OBS:

1 2
𝐴=( )
2 5
1−𝜆 2
det(𝐴 − 𝜆Ι) = det ( ) = 0 ⟺ 𝜆2 − 6𝜆 + 1 = 0
2 5−𝜆
NOTA.- En el ejemplo la forma cuadrática diagonalizable es: 𝑞(𝑦) = 𝑦1 2 + 𝑦2 2

Hemos hablado de la transformación 𝑋 = 𝐵𝑌 , la cual se interpreta como una

rotación de coordenadas.

DIAGONALIZACION ORTOGONAL DE FORMAS CUADRÁTRICAS

Dada una forma cuadrática 𝑃(𝑋) = 𝑋 𝑡 𝐴𝑋, es posible hallar una matriz P ortogonal
(𝑃−1 = 𝑃𝑡 ) que diagonalice ortogonalmente a la matriz A, para ello se debe tener
en cuenta que:

1. Hallar los valores propios y vectores propios de la matriz A linealmente

independientes.
2. Los vectores𝑣1 , 𝑣2 , … , 𝑣𝑛 forman una base ortonormal para lo cual se utiliza
el proceso de GRAM-SCHMIDT, es decir, hacer:
𝑢
a. 𝑣1 = ‖𝑢1 ‖
1
b. 𝑣𝑘+1 = 𝑢𝑘+1 − [⟨𝑢𝑘+1 , 𝑣1 ⟩𝑣1 + ⟨𝑢𝑘+1 , 𝑣2 ⟩𝑣2 + ⋯ + ⟨𝑢𝑘+1 , 𝑣𝑘 ⟩𝑣𝑘 ]
 ′
Calculamos los vectores 𝑣𝑘+1 que son ortogonales entre si, y son
ortogonales a los vectores {𝑣1 , 𝑣2 , … , 𝑣𝑘 } , formamos la matriz P de modo
que cada uno de los vectores 𝑣1 , 𝑣2 , … , 𝑣𝑛 son vectores columna de la matriz
P.

3. Se tiene la forma diagonalizable:

𝑃(𝑋) = 𝑋 𝑡 𝐴𝑋 ⇒ 𝑃(𝑌) = 𝑌 𝑡 (𝑃𝑡 𝐴𝑃)𝑌 = 𝑌 𝑡 𝐷𝑌
Donde D es una matriz diagonal formada por valores propios de A.

Ejemplo: Diagonalizar ortogonalmente la forma cuadrática

𝑃 = 3𝑤 2 + 3𝑥 2 + 9𝑦 2 + 6𝑧 2 + 2𝑤𝑥 − 4𝑦𝑧

Solución:

3 1 0 0
1 3 0 0
𝐴=( )
0 0 9 −2
0 0 −2 6
3−𝜆 1 0 0
|𝐴 − 𝜆Ι| = | 1 3 − 𝜆 0 0
|=0
0 0 9−𝜆 −2
0 0 −2 6 − 𝜆
3−𝜆 0 0 1 0 0
= (3 − 𝜆) | 0 9−𝜆 −2 | − |0 9 − 𝜆 −2 |
0 −2 6 − 𝜆 0 −2 6 − 𝜆
= (3 − 𝜆)(3 − 𝜆)(𝜆 − 5)(𝜆 − 10) − (𝜆 − 5)(𝜆 − 10) = 0

= (𝜆 − 5)(𝜆 − 10)(𝜆 − 4)(𝜆 − 2) = 0

Los valores propios son:

𝜆1 = 2 , 𝜆2 = 4 , 𝜆3 = 5 , 𝜆4 = 10

Para 𝜆1 = 2 ∶

1 1 0 0 1 1 0 0
1 1 0 0 0 0 1 0
| |⟶| |
0 0 7 −2 0 0 0 1
0 0 −2 4 0 0 0 0

𝑥1 + 𝑥2 = 0

𝑥3 = 0 (𝑥1 𝑥2 𝑥3 𝑥4 ) = 𝑡(1 −1 0 0)

𝑥4 = 0
Para 𝜆2 = 4 ∶

−1 1 0 0 1 −1 0 0
1 −1 0 0 0 0 0 0
| |⟶| |
0 0 5 −2 0 0 1 0
0 0 −2 2 0 0 0 1
(𝑥1 𝑥2 𝑥3 𝑥4 ) = 𝑠(1 1 0 0)

Para 𝜆3 = 5 ∶ (0 0 1 2)

Para 𝜆4 = 10 ∶ (0 0 −2 1)

𝑢1 1 1
𝑣1 = = (1, −1, 0, 0) = ( , − , 0, 0)
‖𝑢1 ‖ √2 √2
1 1 1 1
𝑣2′ = 𝑢2 − ⟨𝑢1 , 𝑣1 ⟩𝑣1 = (1, 1, 0, 0) − ⟨(1, 1, 0, 0) , ( , − , 0, 0)⟩ ( , − , 0, 0)
√2 √2 √2 √2
= (1, 1, 0, 0)
′
𝑣2 1 1
𝑣2 = ′
=( , , 0, 0)
‖𝑣2 ‖ √2 √2

𝑣3′ = 𝑢3 − [⟨𝑢3 , 𝑣1 ⟩𝑣1 + ⟨𝑢3 , 𝑣2 ⟩𝑣2 ]

= (0, 0, 1, 2)
1 1 1 1
− [⟨(0, 0, 1, 2) , ( , − , 0, 0)⟩ ( , − , 0, 0)
√2 √2 √2 √2
1 1 1 1
+ ⟨(0, 0, 1, 2) , ( , , 0, 0)⟩ ( , , 0, 0)] = (0, 0, 1, 2)
√2 √2 √2 √2
𝑣3 ′ 1 2
𝑣3 = ′
= (0, 0, , )
‖𝑣3 ‖ √5 √5
𝑣4′ = 𝑢4 − [⟨𝑢4 , 𝑣1 ⟩𝑣1 + ⟨𝑢4 , 𝑣2 ⟩𝑣2 + ⟨𝑢4 , 𝑣3 ⟩𝑣3 ]
𝑣4′ = (0, 0, −2, 1)
1 −1 1 −1
− [⟨(0, 0, −2, 1) , ( , , 0, 0)⟩ ( , , 0, 0)
√2 √2 √2 √2
1 1 1 1
+ ⟨(0, 0, −2, 1) , ( , , 0, 0)⟩ ( , , 0, 0)
√2 √2 √2 √2
1 2 1 2
+ ⟨(0, 0, −2, 1) , (0, 0, ,
)⟩ (0, 0, , )] = (0, 0, −2, 1)
√5 √5 √5 √5

𝑣4 ′ −2 1
𝑣4 = = (0, 0, , )
‖𝑣4 ′ ‖ √5 √5
 1 1
0 0
√2 √2
−1 1
0 0
𝑃 = √2 √2
1 −2
0 0
√5 √5
2 1
0 0
[ √5 √5 ]
Luego:

1 −1 1 1
0 0 0 0
√2 √2 √2 √2
1 1 3 1 0 0 −1 1
0 0 0 0
√2 √2 1 3 0 0
𝑡
𝐷 = 𝑃 𝐴𝑃 = ( ) √2 √2
1 2 0 0 9 −2 1 −2
0 0 0 0
√5 √5 0 0 −2 6 √5 √5
−2 1 2 1
0 0 0 0
( √5 √5) ( √5 √5 )
2 0 0 0
0 4 0 0
=( )
0 0 5 0
0 0 0 10
2 0 0 0 𝑦1
𝑦2
𝑃(𝑋) = 𝑋 𝑡 𝐴𝑋 ⟺ 𝑃(𝑌) = 𝑌 𝑡 𝐷𝑌 = (𝑦1 𝑦2 𝑦3 𝑦4 ) (0 4 0 0
)( )
0 0 5 0 𝑦3
0 0 0 10 𝑦4
= 2𝑦12 + 4𝑦22 + 5𝑦32 + 10𝑦42

Forma diagonalizada