APUNTES DE ALGEBRA LINEAL: MODULO II

PARA INGENIERIA CIVIL

Carlos Picarte F.

Concepcion, 2 de agosto de 2017.

RPI: Inscripcion N 278.985

Texto bajo Proyecto ModuDMat
Compilado en LATEXcon MiKTEX2.8
2 UBB
Indice general

2. Transformaciones Lineales 5
2.1. Transformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.1. Kernel e Imagen de una Aplicacion Lineal . . . . . . . . . . . . . . . . . 7
2.1.2. Composicion de Aplicaciones Lineales . . . . . . . . . . . . . . . . . . . . 11
2.2. Matriz Asociada a una Aplicacion Lineal . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1. Representacion Matricial de una Transformacion lineal . . . . . . . . . . 12
2.3. Matriz Asociada de Algunas Transformaciones . . . . . . . . . . . . . . . . . . . 18
2.4. Cambio de Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3. Valores y Vectores Propios 25

3.1. Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2. Diagonalizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3
INDICE GENERAL INDICE GENERAL

4 UBB
 2 Transformaciones
Lineales

2.1 Transformaciones Lineales

Definicion 2.1.

Sean V y W dos espacios vectoriales sobre el mismo cuerpo K.

Diremos que T V W es una Aplicacion Lineal (Transformacion lineal) si:

1. T (v + w) = T (v) + T (w), v, w V .

2. T (v) = T (v), K, v V .

Ejemplo 2.1.

Sea T R2 R, T (x, y) = 2x + y, mostrar que es una aplicacion lineal.

Demostracion: En efecto:

T (x, y) = 2x + y
1. (x, y), (u, v) R2 { ()
T (u, v) = 2u + v

T ((x, y) + (u, v)) = T (x + u, y + v)

= 2(x + u) + (y + v)
= 2x + 2u + y + v
= (2x + y) + (2u + v)
= T (x, y) + T (u, v)

2. R, (x, y) R2 T (x, y) = 2x + y ()

5
Captulo 2: Transformaciones Lineales C. Picarte F.

T ((x, y)) = T (x, y)

= 2(x) + (y)
= (2x + y)
= T (x, y)

Luego, por (1) y (2), T es una aplicacion lineal.

Ejemplo 2.2.

Muestre que la funcion, I V V , I(v) = v es una aplicacion lineal, llamada

Aplicacion Identidad.

Demostracion: En efecto:

I(v1 ) = v1
1. v1 , v2 V { ()
I(v2 ) = v2

I(v1 + v2 ) = v1 + v2 = I(v1 ) + I(v2 )

2. R, v V I(v) = v ()

I(v) = v = I(v)

Luego, por (1) y (2), es una Transformacion Lineal.

Ejemplo 2.3.

Muestre que la funcion, V V , (v) = 0V es una aplicacion lineal, llamada

Aplicacion Nula.

Demostracion: En efecto:

(v1 ) = 0V
1. v1 , v2 V { ()
(v2 ) = 0V

(v1 + v2 ) = 0V = 0V + 0V = (v1 ) + (v2 )

6 UBB
C. Picarte F. Captulo 2: Transformaciones Lineales

2. R, v V (v) = 0V ()

(v) = 0V = 0V = (v)
Luego, por (1) y (2), es una Transformacion Lineal.
Ejercicio : Muestre que cada una de las siguientes funciones son Aplicaciones Lineales.
1. T R R, T (x) = 2x.
2. F R2 R2 , F (x, y) = (x + y, x y).
3. H R3 R3 , H(x, y, z) = (x, x + y, y + z).

2.1.1. Kernel e Imagen de una Aplicacion Lineal

Sean V y W dos espacios vectoriales sobre K y T V W una aplicacion lineal.
Definicion 2.2.

Se llama Kernel o Nucleo de la aplicacion T al conjunto de todos los vectores

v V tales que: T (v) = W , es decir:

Ker(T ) = {v V T (v) = W } (2.1)

Definicion 2.3.

Se llama Imagen de la aplicacion lineal T al conjunto de los vectores w W tales

que existe v V de modo que: T (v) = w,es decir:

Im(T ) = {w W / v V T (v) = w} (2.2)

Ejemplo 2.4.

Sea T R3 R2 , T (x, y, z) = (x + y, z). Hallar Ker(T ), Im(T ).

Solucion:
Ker(T ) = {(x, y, z) R3 T (x, y, z) = (0, 0)}
= {(x, y, z) R3 (x + y, z) = (0, 0)}
= {(x, y, z) R3 x + y = 0, z = 0}
= {(x, y, z) R3 x = y, z = 0}
= {(y, y, o) R3 }
= {(1, 1, 0)}

UBB 7
Captulo 2: Transformaciones Lineales C. Picarte F.

En particular, (1, 1, 0), (2, 2, 0), (0, 0, 0) Ker(T ).

Im(T ) = {(u, v) R2 / (a, b, c) R3 T (a, b, c) = (u, v)}

= {(u, v) R2 / (a, b, c) R3 (a + b, c) = (u, v)}
= {(u, v) R2 / (a, b, c) R3 a + b = u, c = v}
= {(a + b, c) R2 }
= {(a, 0) + (b, 0) + (0, c) a, b, c R}
= {(1, 0), (0, 1)} = R2 ( base canonica de R2 )

Teorema 2.1.

Sea T V W una aplicacion lineal. Entonces Ker(T ) es un subespacio de V e

Im(T ) es un subespacio de W

Demostracion: Es claro que Ker(T ) es subconjunto de V .

i) Ker(T ) , pues V Ker(T ); dado que T (v ) = W

T (v1 ) = w
ii) v1 , v2 Ker(T ) {
T (v2 ) = w

T (v1 + v2 ) = T (v1 ) + T (v2 ) = w + w = w (v1 + v2 ) Ker(T )

iii) R, v Ker(T ) T (v) = w

T (v) = T (v) = w = w (v) Ker(T )

Luego, por (i), (ii), (iii) Ker(T ) es subespacio.

Ejercicio : Hallar Kernel e Imagen de las siguientes aplicaciones:

1. T R2 R3 , (x, y) T (x, y) = (x, y, 2x).

2. T R R4 , x T (x) = (x, 2x, x, 2x).

3. T R3 R3 , (x, y, z) T (x, y, z) = (x y, x, x + y).

8 UBB
C. Picarte F. Captulo 2: Transformaciones Lineales

Definicion 2.4.

Sea T V W una aplicacion lineal.

1. Se llama Nulidad de T a la dimension de Ker(T ).

2. Se llama Rango de T a la dimension de la Img(T ).

Se denota por:
N (T ) = dim Ker(T ()
R(T ) = dim Img(T ()

Teorema 2.2.

Sea T V W aplicacion lineal y V espacio de dimension finita, entonces:

dim V = dim Ker(T ) + dim Img(T )

Proposicion 2.1.

Sea T V W aplicacion lineal.

T es inyectiva Ker(T ) = {v }

Demostracion: Por demostrar que: T es inyectiva Ker(T ) = {v }

i) Hip: T es inyectiva ()
v = Ker(T ) = { }
v Ker(T ) T (v) = w T (v) = T (v ) v v

ii) Hip: Ker(T ) = {v } ()

v v =
v1 , v2 V T (v1 ) = T (v2 ) T (v1 ) T (v2 ) = w T (v1 v2 ) = w 1 2 v
v1 = v2 T es inyectiva

Definicion 2.5.

Sea T V W aplicacion lineal.

T es sobreyectiva o epiyectiva Im(T ) = W

UBB 9
Captulo 2: Transformaciones Lineales C. Picarte F.

Definicion 2.6.

Sea T V W aplicacion lineal.

T es Isomorfismo si T es biyectiva.
Se dice entonces que los espacios V y W son Isomorfos.

Observacion 2.1.

Sea T es aplicacion lineal.

Si T es isomorfismo, entonces existe T 1 .

Teorema 2.3.

Sean V y W dos espacios vect. sobre K y {v1 , . . . , vn } una base de V y {w1 , . . . , wn }

un conjunto arbitrario de W , constituido por n vectores.
Entonces existe una unica aplicacion lineal T V W tal que:

T (v1 ) = w1 ; T (v2 ) = w2 ; ; T (vn ) = wn

Ejemplo 2.5.

Defina la aplicacion lineal T R3 R2 , tal que:

T (1, 0, 0) = (2, 3) ; T (0, 1, 0) = (1, 1) ; T (0, 0, 1) = (0, 1)

Solucion: Queremos encontrar T (x, y, z).

Tenemos que: (x, y, z) R3

(x, y, z) = x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1) /T

T (x, y, z) = T (x(1, 0, 0) + y(0, 1, 0) + z(0, 0, 1))
= xT (1, 0, 0) + yT (0, 1, 0) + zT (0, 0, 1)
= x(2, 3) + y(1, 1) + z(0, 1)
= (2x + y, 3x y + z)
luego, T (x, y, z) = (2x + y, 3x y + z)
Ejercicio : Definir si es posible, una aplicacion lineal T R2 R tal que:

T (1, 0) = 4 ; T (0, 1) = 2 ; T (1, 1) = 5

Obs: No es posible definir tal aplicacion.

10 UBB
C. Picarte F. Captulo 2: Transformaciones Lineales

Ejercicio : Definir si es posible una aplicacion lineal F R2 R3 cuyo Kernel este ge-
nerado por {(1, 3)}.

Proposicion 2.2.

Sea T V W aplicacion lineal B = {v1 , . . . , vn } base de V , entonces

{T (v1 ), . . . , T (vn )} genera a Im(T ).

Proposicion 2.3.

Sea T V W aplicacion lineal. Si B = {T (v1 ), T (v2 ), . . . , T (vn )} es l.i., entonces

{v1 , v2 , . . . , vn } tambien es l.i..

Observacion 2.2.

De la proposicion anterior, tenemos: Sea T V W aplicacion lineal. Si

{v1 , v2 , . . . , vn } es l. d., entonces {T (v1 ), T (v2 ), . . . , T (vn )} tambien es l.d

Proposicion 2.4.

Sea T V W aplicacion lineal. Si {v1 , v2 , . . . , vn } es l.i. y T es 1 1, entonces

{T (v1 ), T (v2 ), . . . , T (vn )} es l.i.

2.1.2. Composicion de Aplicaciones Lineales

Sean U, V, W espacios vectoriales sobre K.
Si F U V y G V W son aplicaciones lineales, entonces:

GF U W es tambien Aplicacion Lineal

Ejercicio : Sea T R2 R2 . T (x, y) = (x y, x + y)

Calcular 2T 2 + 4T 3.

2.2 Matriz Asociada a una Aplicacion Lineal

UBB 11
Captulo 2: Transformaciones Lineales C. Picarte F.

2.2.1. Representacion Matricial de una Transformacion lineal

Sean V, W espacios vectoriales de dimension finita sobre un mismo cuerpo K, T V W

una transformacion lineal, B1 = {v1 , v2 , . . . , vn } una base de V y B2 = {w1 , w2 , . . . , wm } una
base de W .
Los vectores T (v1 ), T (v2 ), . . . , T (vn ) estan en W y por lo tanto, cada uno de ellos se
puede expresar como una combinacion lineal de los vectores de la base B2 :

T (v1 ) = a11 w1 + a21 w2 + + am1 wm

T (v2 ) = a12 w1 + a22 w2 + + am2 wm
=
T (vn ) = a1n w1 + a2n w2 + + amn wm

En otras palabras

a11 a1n
a a
[T (v1 )]B2 = 21 ; ; [T (vn )]B2 = 2n

am1 amn

De donde tenemos que:

Definicion 2.7.

Se llama representacion matricial de T en las bases B1 y B2 o matriz asociada a

T en las basesB1 y B2 , a la matriz que representaremos por [T ]B
B1 y cuya i-esima
2

columna son las coordenadas del vector T (vi ) en la base B2 .

Esto es,

[T ]B
B1 = ([T (v1 )]B2 , [T (v2 )]B2 , , [T (vn )]B2 )
2

a11 a12 a1n

a a22 a2n
= 21

am1 am2 amn

12 UBB
C. Picarte F. Captulo 2: Transformaciones Lineales

Ejemplo 2.6.

Consideremos la transformacion lineal T R2 R3 tal que

T (x, y) = (4x 2y, 2x + y, x + y) (x, y) R2

y las bases B1 = {(1, 0), (0, 1)} de R2 y B2 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} de R3 .
Hallar la matriz asociada a T en dichas bases:

Solucion:

T (1, 0) = (4, 2, 1) = 4(1, 0, 0) + 2(0, 1, 0) + 1(0, 0, 1)

T (0, 1) = (2, 1, 1) = 2(1, 0, 0) + 1(0, 1, 0) + 1(0, 0, 1)

Luego, la matriz asociada a T es:

4 2
[T ]B2
B1 = 2 1
1 1

Ejemplo 2.7.

Consideremos la transformacion lineal T P2 [t] R2 tal que p(t) = at2 +bt+c, t R,

se cumple T (p) = (2a + b, a + b + 4c), y las bases B1 = {p1 , p2 , p3 } de P2 [t] donde
p1 (t) = t2 , p2 (t) = t, p3 (t) = 1, t R; y B2 = {(1, 1), (1, 0)} de R2 .
Hallar la matriz asociada a T en dichas bases:

Solucion: Se tiene que:

T (t2 ) = (2, 1) = 1(1, 1, ) + 1(1, 0)

1 1 4
T (t) = (1, 1) = 1(1, 1) + 0(1, 0) [T ]B
B1 = (1 0 4)
2

T (1) = (0, 4) = 4(1, 1) 4(1, 0)

Observacion 2.3.

Si dim(V ) = n y dim(W ) = m la matriz asociada tiene dimension m n.

UBB 13
Captulo 2: Transformaciones Lineales C. Picarte F.

Observacion 2.4.

La matriz [T ]B
B1 como recien vimos, queda completamente determinada conocidas
2

la transformacion lineal T y las bases B1 y B2 del dominio y codominio respectiva-

mente.

Teorema 2.4.

Sean V, W dos espacios vectoriales sobre un mismo cuerpo K, B1 = {v1 , v2 , , vn }

y B2 = {w1 , w2 , , wm } bases ordenadas de V y W respectivamente; y T V W
una transformacion lineal. Entonces se cumple que

[T (v)]B2 = [T ]B
B1 [v]B1 .
2

Ejemplo 2.8.

Dadas T R3 R3 y las bases B1 = B2 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)} tal que

1 1 0
[T ]B2
B1 = 2 0 0 ,
3 4 1

Hallar T (2, 0, 1).

Solucion: Usando el teorema-2.4: [T (v)]B2 = [T ]B B1 [v]B1 , primero calculamos [(2, 0, 1)]B1

2

++ = 2 =2
(2, 0, 1) = (1, 0, 0) + (1, 1, 0) + (1, 1, 1) + = 0 =1
= 1 = 1
1 1 0 2 1
As: [(2, 0, 1)]B1 = (2, 1, 1) y [T (2, 0, 1)]B2 = 2 0 1 1 = 3
3 4 1 1 9
De esto se tiene que:

T (2, 0, 1) = (1)(1, 0, 0) + (3)(1, 1, 0) + (9)(1, 1, 1) = (13, 12, 9)

14 UBB
C. Picarte F. Captulo 2: Transformaciones Lineales

Observacion 2.5.

Dada una matriz A Mnm (R), podemos considerar la transformacion lineal

TA Rm Rn , definida por

Ta (x) = A x, donde x Rm considerado como vector columna

Si Cm y Cn son bases canonicas de Rm y Rn respectivamente, entonces:

[T ]C
Cm = A
n

Esto es, la matriz asociada es la misma matriz A de definicion.

Ejemplo 2.9.

1 1
x x
Sea T R2 R3 , T ( ) = 0 1 ( ) y sean C2 = {(1, 0), (0, 1)} C3 = {(1, 0, 0),
y 2 y
1
(0, 1, 0), (0, 0, 1)} bases de R2 y R3 , respectivamente. Entonces.

1 1 1 1 1 1 0 0
T ( ) = 0 1 ( ) = 0 = 1 0 + 0 1 + 2 0
0 2 1 0 2 0 0 1

0 1 1 0 1 1 0 0
T ( ) = 0 1 ( ) = 1 = 1 0 + 1 1 + 1 0
1 2 1 1 1 0 0 1

Luego,
1 1
[T ]C
C2
3
= 0 1 = A
2 1

Observacion 2.6.

Sean T V W transformacion lineal, con dim(V ) = n y dim(W ) = m. Entonces

si B1 es base de V y B2 es base de W , se tiene que:

[T ]B
B1 Mmn
2

es decir, la matriz asociada es de dimension m n.

UBB 15
Captulo 2: Transformaciones Lineales C. Picarte F.

Observacion 2.7.

Matriz asiciada a las bases Canonicas Sea T V W aplicacion lineal, y sean B1 y

B2 bases canonicas de V y W respectivamente, entonces la matriz asociada [T ]B 2
B1
se escribe simplemente como: [T ]

Observacion 2.8.

1.- La matriz [T ]BB1 queda completamente determinada conocidas la transforma-

2

cion lineal T y las bases B1 y B2 del dominio y codominio respectivamente.

2.- Recprocamente, dada la matriz M Mmn y dos bases B1 y B2 de los es-

pacios V y W respectivamente, queda completamente determinada una trans-
formacion lineal T V W tal que:

[T ]B
B1 = M
2

Ejemplo 2.10.

Hallar la transformacion lineal T R3 R2 sabiendo que

1 2 1
[T ]B
B1 = (1 0
2
) y B1 = {(1, 0, 1), (1, 1, 0), (0, 1, 0)} y B1 = {(1, 2), (0, 2)}
2

Solucion: Queremos encontrar T (x, y, z), para ello solo necesitamos [T (x, y, z)]B2 .

+ = x = xz
(x, y, z) = (1, 0, 1) + (1, 1, 0) + (0, 1, 0) + = y = y x + z
= z = z

Luego,
1 2 1
z
3x y 2z
[T (x, y, z)]B2 = ( ) xz =( )
1 0 2 2x + 2y + z
yx+z
As, T (x, y, z) = (3x y 2z)(1, 2) + (2x + 2y + z)(0, 2) = (3x y 2z, 2x + 2y 2z)
Ejercicio : Sea B1 = {p0 , p1 , p2 } con pi (t) = (t + 1)i , t R, i = 0, 1, 2 y B2 = {(1, 1, 0),
(1, 2, 3), (3, 2, 1)} bases de P2 [t] y R3 respectivamente.

16 UBB
C. Picarte F. Captulo 2: Transformaciones Lineales

Considere la aplicion lineal T P2 [t] R3 tal que :

2 2 1
[T ]B
B1
2
= 1 3 1
1 2 2
Dado que q0 = q0 (t) = t2 + t 1, t R, Hallar T (q0 ).
Teorema 2.5.

Sean dos transformaciones lineales T V W y S V W . Sea B1 base de V y

B2 base de W entonces:

[T + S]B
B1 = [T ]B1 + [S]B1
2 B2 B2

Teorema 2.6.

Sea T V W una transformacion lineal y un escalar de K. Sea B1 base de V y

B2 base de W . Entonces:

[T ]B
B1 = [T ]B1
2 B2

Teorema 2.7.

Consideremos los espacios vectoriales U, V y W con U, V y W de dimension finita,

y las transformadas lineales S U V y T V W , sean B1 , B2 y B3 bases de
U, V y W respectivamente. Entonces la matriz asociada a la composicion T S es
el producto de las matrices asociadas, es decir,

[T S]B
B1 = [T ]B2 [S]B1
3 B3 B2

UBB 17
Captulo 2: Transformaciones Lineales C. Picarte F.

Teorema 2.8.

Sea T V W un isomorfismo, T 1 W V su inversa, B1 , B2 bases de V y W

respectivamente. Como T T 1 = IdW se cumple que

[T ]B
B1 [T ]B2 = [Id]B2 = I
2 1 B1 B2

Tambien T 1 T = IdV por lo que

[T 1 ]B
B2 [T ]B1 = [Id]B1 = I
1 B2 B1

Deducimos que la matriz asociada a la transformacion inversa es la inversa de la

matriz asociada a la transformacion, es decir,

B2 = ([T ]B1 )
[T 1 ]B1 B2 1

Ejercicio : Se consideran las transformaciones

T R2 R2 , donde T (3, 5) = (8, 1) y T (2, 1) = (1, 5),
S R2 R2 , donde S(1, 0) = (1, 1) y S(0, 1) = (0, 1)
y las bases B1 = {(1, 2), (1, 1)} y B2 = {(1, 1), (1, 1)} de R2

1. Halla [T + S]B
B1 y [3T ]B1 .
2 B2

2. Hallar [(S + T )2 ]B2

B1

3. Hallar [T 1 ]B2
B1

2.3 Matriz Asociada de Algunas Transformaciones

18 UBB
C. Picarte F. Captulo 2: Transformaciones Lineales

Reflexiones sobre el eje x

Se requiere obtener la reflexion del punto P (x, y) sobre

el eje x, es decir, obtener el punto P (x, y). Definamos
la aplicacion:

Rx R2 R2 , Rx (x, y) = (x, y)
Usando la base canonica de R2 , C = {(1, 0), (0, 1)},
tenemos que:
R (1, 0) = (1, 0) = 1(1, 0) + 0(0, 1) 1 0
{ x [Rx ] = ( )
Rx (0, 1) = (0, 1) = 0(1, 0) 1(0, 1) 0 1

Reflexiones sobre el eje y

Se requiere obtener la reflexion del punto P (x, y) sobre el

eje y, es decir, obtener el punto P (x, y). Definamos la
aplicacion:

Ry R2 R2 , Ry (x, y) = (x, y)
Usando la base canonica de R2 , C = {(1, 0), (0, 1)},
tenemos que:
R (1, 0) = (1, 0) = 1(1, 0) + 0(0, 1) 1 0
{ y [Ry ] = ( )
Ry (0, 1) = (0, 1) = 0(1, 0) + 1(0, 1) 0 1

Reflexiones sobre el origen

Se requiere obtener la reflexion del punto P (x, y) sobre el

origen O, es decir, obtener el punto P (x, y). Definamos
la aplicacion:

RO R2 R2 , RO (x, y) = (x, y)
Usando la base canonica de R2 , C = {(1, 0), (0, 1)},
tenemos que
R (1, 0) = (1, 0) = 1(1, 0) + 0(0, 1) 1 0
{ O [RO ] = ( )
RO (0, 1) = (0, 1) = 0(1, 0) 1(0, 1) 0 1

UBB 19
Captulo 2: Transformaciones Lineales C. Picarte F.

Reflexiones sobre la recta y = x

Se requiere obtener la reflexion del punto P (x, y) so-

bre la recta y = x, es decir, obtener el punto P (y, x).
Definamos la aplicacion:

Ryx R2 R2 , Ryx (x, y) = (y, x)

Usando la base canonica de R2 , C = {(1, 0), (0, 1)}, te-
nemos que
R (1, 0) = (0, 1) = 0(1, 0) + 1(0, 1) 0 1
{ yx [Ryx ] = ( )
Ryx (0, 1) = (1, 0) = 1(1, 0) + 0(0, 1) 1 0

Proyeccion Ortogonal sobre el eje x

Se requiere obtener la proyeccion ortogonal del vector

v = (x, y) sobre el eje x, es decir, obtener el vector v =
(x, 0). Definamos la aplicacion:

Px R2 R2 , Px (x, y) = (x, 0)
Usando la base canonica de R2 , C = {(1, 0), (0, 1)}, te-
nemos que
P (1, 0) = (1, 0) = 1(1, 0) + 0(0, 1) 1 0
{ x [Px ] = ( )
Px (0, 1) = (0, 0) = 0(1, 0) + 0(0, 1) 0 0

Proyeccion Ortogonal sobre el eje y

Se requiere obtener la proyeccion ortogonal del vector

v = (x, y) sobre el eje y, es decir, obtener el vector v =
(0, y). Definamos la aplicacion:

Py R2 R2 , Py (x, y) = (0, y)
Usando la base canonica de R2 , C = {(1, 0), (0, 1)}, te-
nemos que
P (1, 0) = (0, 0) = 0(1, 0) + 0(0, 1) 0 0
{ y [Py ] = ( )
Py (0, 1) = (0, 1) = 0(1, 0) + 1(0, 1) 0 1

20 UBB
C. Picarte F. Captulo 2: Transformaciones Lineales

Homotecia respecto al Origen

Se requiere efectuar una Homotecia respecto del origen,

en un factor k de una figura plana, que contiene al punto
P (x, y). Definamos la aplicacion:

Hk R2 R2 , Hk (x, y) = k(x, y)
Usando la base canonica de R2 , C = {(1, 0), (0, 1)}, te-
nemos que
H (1, 0) = (k, 0) = k(1, 0) + 0(0, 1) k 0
{ k [Hk ] = ( )
Hk (0, 1) = (0, k) = 0(1, 0) + k(0, 1) 0 k

Observacion 2.9.

Estudie la linealidad de las siguientes transformaciones.

Traslacion en direccion de un vector

Se requiere efectuar una Traslacionn respecto al origen
de una figura plana, que contiene al punto P (x, y) en la
direccion, magnitud y sentido del vector

v = (v1 , v2 ).
Definamos la aplicacion:

Tv R2 R2 , Tv (x, y) = (x, y) + (v1 , v2 )

Usando la base canonica de R2 , C = {(1, 0), (0, 1)}, te-
nemos que
T (1, 0) = (1 + v1 , v2 ) = (1 + v1 )(1, 0) + v2 (0, 1)
{ v
Tv (0, 1) = (v1 , 1 + v2 ) = v1 (1, 0) + (1 + v2 )(0, 1)
1 + v1 v2
[TV ] = ( )
v1 1 + v2

Homotecia respecto a un Origen O

Se requiere efectuar una Homotecia respecto del origen O (h1 , h2 ), en un factor k de una
figura plana, que contiene al punto P (x, y). Definamos la aplicacion:

HO ,k R2 R2 , HO ,k (x, y) = O k(P O ) = (h1 , h2 ) + k(x h1 , y h2 )

UBB 21
Captulo 2: Transformaciones Lineales C. Picarte F.

Usando la base canonica de R2 , C = {(1, 0), (0, 1)}, te-

nemos que
H (1, 0) = (h1 + k, h2 ) = (h1 + k)(1, 0) + h2 (0, 1)
{ O ,k
HO ,k (0, 1) = (h1 , h2 + k) = h1 (1, 0) + (h2 + k)(0, 1)
h +k h2
[HO ,k ] = ( 1 )
h1 h2 + k

2.4 Cambio de Bases

Sean B = {v1 , v2 , , vn } y B = {v1 , v2 , , vn } bases del espacio vectorial V y Id V V

la transformacion identidad.

Definicion 2.8.

Llamaremos matriz cambio de base B a la base B , a la matriz:

[Id]B

B

Teorema 2.9.

Sean B y B bases del espacio vectorial V . Entonces:

[v]B = [Id]B
B [v]B

Teorema 2.10.

Sean V y W espacios vectoriales sobre el mismo cuerpo K, B1 , B1 bases de V ,

B2 , B2 bases de W y T V W una aplicacion lineal. Entonces:
B B
[T ]B2 = [Id]B22 [T ]B
B1 [Id]B
2 B1
1 1

22 UBB
C. Picarte F. Captulo 2: Transformaciones Lineales

Teorema 2.11.

Sea V un espacio vectorial, y B y B bases V y Id V V la transformacion lineal

identidad. Entonces:

1 0 0
0 1 0
B =
1. [Id]B



0 0 1

B es invertible y ([Id]B )
2. [Id]B = [Id]B
B 1
B

UBB 23
Captulo 2: Valores y Vectores Propios C. Picarte F.

24 UBB
 3 Valores y Vectores
Propios

3.1 Valores y Vectores Propios

Definicion 3.1.

Sea T V V un operador lineal y V espacio vectorial de dimension n, entonces el

escalar se llama un valor propio de T si existe un vector no nulo v V tal que:

T (v) = v

Los vectores que satisfacen esta ecuacion se llaman vectores propios asociados al
valor propio .

Ejemplo 3.1.

Sea T P2 [t] P2 [t], T [p(t)] = tp (t), muestre que 1 = 1 y 2 = 2 son valores

propios de T asociados a los vectores t y t2 respectivamente.

Solucion: : En efecto pues,

T (t) = t[t] = t(1) = t = (1) t
T (t2 ) = t[t2 ] = t(2t) = 2t2 = (2) t2

25
 CAPITULO 3. VALORES Y VECTORES PROPIOS

Observacion 3.1.

Recordemos que toda aplicacion lineal tiene una representacion matricial, es decir,
Sea V un espacio vectorial de dimension n y T una aplicacio lineal tal que T V
V ; T (v) = Av, donde A es matriz cuadrada de orden n, luego la definicion anterior
se puede expresr de la siguiente manera:
Sea A una matriz de n n con componentes reales. El numero (real o complejo)
se llama valor propio de A si existe un vector v diferente del nulo en Rn , tal que:

Av = v (3.1)

El vector v 0 se llama vector propio de A correspondiente al valor propio .

Ejemplo 3.2.

10 18
Sea A = ( ). Muestre que 1 = 1 y 2 = 2 son valores propios de A, con
6 11
2 3
vectores propios asociados ( ) y ( ) respectivamente.
1 2

Demostracion: En efecto, notemos que:

10 18 2 20 18 2 2
( )( )=( )=( )=1( )
6 11 1 12 11 1 1
10 18 3 30 36 6 3
( )( )=( ) = ( ) = 2 ( )
6 11 2 18 22 4 2

Teorema 3.1.

Sea A una matriz de n n. Entonces es un valor propio de A si y solo si:

p() = det(A I) = 0 (3.2)

Definicion 3.2.

Ecuacion y Polinomio Caracterstico

La ecuacion (3.2) se llama la ecuacion caracterstica de A; p() se llama el
polinomio caracterstico de A.

26 UBB
CAPITULO 3. VALORES Y VECTORES PROPIOS

Observacion 3.2.

Sea A una matriz cuadrada de orden n, entonces el polinomio caracterstico p()

es de grado n.

Ejemplo 3.3.

Escribir el polinomio caracterstico (p()), y presentar los valores propios (vp) y

vectores propios (
de la matriz A = (1 2)
vp)
0 2

Solucion: : Encontremos su polinomio caracterstico,

1 2 1 0
A I = ( ) ( )
0 2 0 1
1 2
=
0 2
= (1 )(2 ) = p()
Luego, p() = (1 )(2 ) = 0 1 = 1; 2 = 2 son sus vp., de esto,

11 2 x 0
E1 = {(x, y) R2 / ( ) ( ) = ( )}
0 21 y 0
0 2 x 0
= {(x, y) R2 / ( ) ( ) = ( )}
0 1 y 0
2y 0
= {(x, y) R2 / ( ) = ( )}
y 0
= {(x, 0), x R}
= {(1, 0)}

12 2 x 0
E2 = {(x, y) R2 / ( ) ( ) = ( )}
0 22 y 0
1 2 x 0
= {(x, y) R2 / ( ) ( ) = ( )}
0 0 y 0
x + 2y 0
= {(x, y) R2 / ( ) = ( )}
0 0
= {(2y, y), y R}
= {(2, 1)}

UBB 27
 CAPITULO 3. VALORES Y VECTORES PROPIOS

Observacion 3.3.

Segun Teorema fundamental del algebra, cualquier polinomio de grado n con

coeficientes reales o complejos tiene exactamente n races en C (contando mul-
tiplicidades).

Observacion 3.4.

Contando multiplicidades, toda matriz de nn tiene exactamente n valores propios.

Teorema 3.2.

Sea un valor propio de la matriz A de n n y sea E = {v Av = v}. Entonces

E es un subespacio de Cn

Definicion 3.3.

Sea un valor propio de A. El subespacio E se llama espacio propio de A

correspondiente al valor propio .

Observacion 3.5.

Sea un valor propio de A , entonces n es valor propio de An para n N.

Demostracion: Si v es un
asociado al vp. de A entonces:
vp
Av = v /A
A2 v = A(v) = (Av) = (v) = 2 v /A
A3 v = A(2 v) = 3 v /A
= ( por induccion de muestra que)
n
A v = n v
Teorema 3.3.

Sea A una matriz de n n y sea 1 , 2 , . . . , m (m < n), valores propios distintos

de A (es decir i j , si i j) con vectores propios correspondientes v1 , v2 , . . . , vm .
Entonces {v1 , v2 , . . . , vm } son l.i. Esto es: los vectores propios correspondientes a
valores propios distintos son l.i..

28 UBB
CAPITULO 3. VALORES Y VECTORES PROPIOS

Teorema 3.4 (Teorema de Cayley-Hamilton).

Sea A una matriz de n m y p() su polinomio caracterstico, entonces su ecuacion

caracterstica se puede escribir como:

p() = (1)n n + cn1 n1 + cn2 n2 + + c1 + c0 = 0

y la matriz A satisface la ecuacion caracterstica, es decir, se cumple que

p(A) = (1)n An + cn1 An1 + cn2 An2 + + c1 A + c0 I =

Observacion 3.6.

La propiedad anterior nos permite efectuar algunos calculo en forma mas simple,
tales como potencias de un a matriz o expresiones simples de la inversa de una
matriz cuendo esta existe.

Ejemplo 3.4.

1 2
Encuentre A4 y A1 para A = ( )
0 2

Solucion: : De los calculo del ejemplo(3.3), tenemos que p() = (1)(2) = 23+2
y la matriz A satisface la ecuacion caracterstica, as,

A2 3A + 2I = 0 A2 = 3A 2I / A
A3 = 3A2 2A = 3(3A 2I) 2A = 7A 6I / A
A4 = 7A2 6A = 7(3A 2I) 6A = 15A 14I

15 30 14 0 1 30
de donde A4 = ( )( )=( )
0 30 0 14 0 16
Por otra parte,

1 3
A2 3A + 2I = 0 I = A2 + A / A1
2 2
1 3
A1 = A + I
2 2
1/2 1 3/2 0 1 1
de donde A1 = ( )+( )=( )
0 1 0 3/2 0 1/2

UBB 29
 CAPITULO 3. VALORES Y VECTORES PROPIOS

Teorema 3.5.

Si A es una matriz simetrica con elementos reales, entonces sus valores propios son
reales. Ademas sus vectores propios correpondientes a valores propios diferentes son
ortogonales.

3.2 Diagonalizacion

Definicion 3.4 (Matrices semejantes).

Se dice que dos matrices A y B de nn son semejantes si existe una matriz invertible
C de n n tal que:
B = C 1 AC

Observacion 3.7.

Alternativamente, se tiene que: A y B son semejantes si y solo si existe una matriz

invertible C tal que
CB = AC

Teorema 3.6.

Si A y B son matrices semejantes de nn, entonces A y B tienen el mismo polinomio

caracterstico y, por consiguiente, tienen los mismos valores propios.

Definicion 3.5 (Matriz diagonalizable).

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

es semejante a D.

30 UBB
CAPITULO 3. VALORES Y VECTORES PROPIOS

Teorema 3.7.

Una matriz A de n n es diagonalizable si y solo si tiene n vectores propios lineal-

mente independientes. En tal caso, la matriz diagonal D semejante a A esta dada
por:

1 0 0 0
0 2 0 0

D=
0 0 3 0


0 0 0 n
donde 1 , 2 , , n son los valores propios de A.
Si C es una matriz cuyas columnas son vectores propios linealmente independientes
de A, entonces
D = C 1 AC

Observacion 3.8.

Si la matriz A de n n tiene n valores propios diferentes, entonces A es diagonali-

zable.

UBB 31