A - Anexo Transformaciones Lineales PDF

[••••••••••••••••••••••••••••
A
Transformaciones
Lineales
-------]
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
1.1. Transformaciones lineales • • • • ] ]

1.1.1. Espacios vectoriales
Se denomina espacio vectorial V sobre un cuerpo K a un conjunto de
elementos, llamados vectores, junto con dos operaciones: adición (ley de
composición interna) y multiplicación por escalares (ley de composición
externa), tales que dos vectores cualesquiera: v1 y v2 determinan
unívocamente un vector suma v1 + v2 y cada vector v de V y cada escalar
k de K determinan un producto por escalar k . v en V, con las siguientes
propiedades:
1. (v1 + v2) + v3 = v1 + (v2 + v3) (asociatividad)
2. v1 + v2 = v2 + v1 (conmutatividad)
3. v1 + θ = v1 (exist. de elem. neutro: θ vector nulo)
4. k . (v1 + v2) = k . v1 + k . v2 (distributividad con respecto a la suma
de vectores)
5. (k1 + k2) . v = k1 . v + k2 . v (distributividad con respecto a la suma
de escalares)
6. (k1 . k2) . v = k1 . (k2 . v) (asociatividad)
7. 1 . v1 = v1 (existencia de elemento neutro
multiplicativo)
Se nota (V, +, K, .)
SUBESPACIO VECTORIAL: un subconjunto no vacío W del espacio

vectorial V es un subespacio de V si para cada par de vectores w1 y w2 de
W, w1 + w2 y k . w1 (para todos los escalares k) están contenidos en W.
Se puede verificar que todo subespacio de un espacio vectorial V es
también un espacio vectorial.
COMBINACIÓN LINEAL: se dice que un vector v ∈ V es combinación lineal

r
de los vectores v1, v2, ..., vr (vi ∈ V) si v = ∑
i =1
ki . vi ki ∈ ℜ
r
El conjunto de todos los vectores de la forma ∑i =1
ki . vi donde las ki son
números reales arbitrarios, es un espacio vectorial sobre ℜ
DEPENDENCIA LINEAL: se dice que los vectores v1, v2 ..., vr de un espacio

vectorial V son linealmente dependientes si existen números reales k1, k2,
2
[ […..………..…………………………..…… Sección 1.1: Transformaciones lineales
r
... kr, no todos nulos, tales que ∑
i =1
ki . vi = θ Si es así, por lo menos uno
de dichos vectores podrá expresarse como combinación lineal de los otros

vectores dados.
r r
1
Por ejemplo: si k1 ≠ 0 k1. v1 = − ∑
i=2
ki . vi v1 = −
k1
∑
i=2
ki . vi
INDEPENDENCIA LINEAL: recíprocamente, los vectores vi son linealmente

r
independientes si la única combinación lineal ∑i =1
ki . vi = θ es aquella
para la cual k1 = k2 = ... = kr = 0
Observación: todo subconjunto de un espacio vectorial que contiene al

vector nulo es linealmente dependiente.
GENERADORES: se dice que un conjunto de vectores v1, v2, ..., vr

engendra o genera un espacio vectorial V si cualquier vector v ∈ V puede
expresarse como combinación lineal de los vectores dados.
BASE: una base de un espacio vectorial V es cualquier subconjunto suyo

linealmente independiente que engendra el espacio entero. La repre-
sentación de un vector en un espacio vectorial V como combinación lineal
de los vectores de una base dada, es única.
DIMENSIÓN: la dimensión de un espacio vectorial es igual al número de

vectores de cualquiera de sus bases, o lo que es lo mismo, al mayor número
de vectores L.I. en el espacio. Existen espacios que no son de dimensión
finita: por ejemplo, el espacio de todos los polinomios (de todos los grados
posibles). Tales espacios se dicen de dimensión infinita.
COORDENADAS o COMPONENTES de un vector: si el conjunto

B = {v1, v2, ..., vn} es una base del espacio vectorial V sobre K, entonces
cada vector de V puede expresarse de modo único como C.L. de esa base,
o sea: si a ∈ V, entonces, existen y son únicos los escalares a1, a2, ..., an
3
n
tales que a = ∑
i =1
ai vi. Respecto de la base B, el vector a queda
caracterizado por los coeficientes de la C.L., o sea por la n-upla de elementos

de K: (a1, a2, ..., an). Los escalares ai se llaman coordenadas o componentes del
vector a ∈ V, respecto de la base B. Si se elige otra base en el espacio V
entonces el mismo vector a admite otras coordenadas o componentes.
En general, si elegimos p vectores L.I. podemos formar un espacio vectorial

de p dimensiones y los p vectores elegidos constituirán una base de dicho
espacio. Geométricamente, lo que hacemos es seleccionar un sistema de
coordenadas.
PRODUCTO INTERIOR o INTERNO: un producto interior en un espacio
vectorial V es una función que a cada par de vectores v1 y v2 en V asocia un
número real <v1 , v2> de tal modo que se satisfagan las siguientes
propiedades:
P1) <v1, v2> = <v2, v1>
P2) <(v1 + v2) , v3> = <v1, v3> + <v2, v3>
P3) <kv1, v2> = k <v1, v2>
P4) <v1, v1> ≥ 0; <v1, v1> = 0 ⇔ v1 = θ
Un espacio vectorial que tiene definido un producto interior se denomina

espacio vectorial con producto interior.
Si v1 y v2 son vectores de un espacio vectorial con producto interior,

entonces <v1, v2>2 ≤ <v1, v1> <v2, v2> (desigualdad de Cauchy-Schwarz).
NORMA: si V es un espacio vectorial con producto interior, entonces la

norma (o longitud) de un vector v ∈ V se define como la raíz cuadrada
positiva del producto interior del vector por sí mismo.
v = < v, v > La existencia de esta raíz está asegurada por P4
Propiedades:
N1)
v ≥ 0, v =0⇔v=θ
N2) k . v = ⎟k⎢ v
N3) v + v ≤ v1 + v 2
1 2
(desigualdad triangular)
N4)
1
v .v 2
≥ < v , v > (desigualdad de Schwarz)
1 2
4
DISTANCIA: se denomina distancia entre dos vectores v1 y v2 de un espacio

V con producto interior a la norma de su diferencia:
d(v1, v2) = v1 − v2
Propiedades:
D1) d(v1, v2) ≥ 0 ; d(v1, v2) = 0 ⇔ v1 = v2

D2) d(v1, v2) = d(v2, v1)
D3) d(v1, v3) ≤ d(v1, v2) + d(v2, v3) (desigualdad triangular)
ORTOGONALIDAD: dos vectores v1 y v2 de un espacio vectorial V con

producto interior se llaman ortogonales y se nota v1⊥v2 cuando se verifica
que su producto interior es nulo:
v1⊥v2 ⇔ <v1, v2> = 0
Propiedades:
01) v1⊥v2 ⇒ v2⊥v1
02) v1⊥v2 ⇒ k1 v1⊥ k2 v2 ∀ k1∈ ℜ, ∀ k2 ∈ ℜ
03) θ ⊥ θ ; θ ⊥ v ∀ v ∈V
h
1 2 h
04) si a ⊥ v , a ⊥ v , ..., a ⊥ v ⇒ a ⊥ ∑
i =1
ki vi
(si un vector a es ortogonal a un conjunto de vectores, es también ortogonal a

todos los vectores del subespacio generado por ese conjunto de vectores).
ESPACIO EUCLÍDEO: es un espacio vectorial E sobre ℜ en el cual se ha

definido un producto interior que se denomina euclídeo:
Si a = (a1, a2, ..., an) y b = (b1, b2, ..., bn) son dos vectores de En
(espacio euclídeo de dimensión n), entonces
n
<a , b> = a . bT = ∑
i =1
ai bi
Definido este producto interior, la norma de un vector a será:

n
a = < a, a > = ∑i =1
ai2 esta norma euclídea se denomina también
módulo y se nota a.
n
La distancia entre los vectores a y b será: d(a,b) = ∑
i =1
(ai − bi ) 2
5
VECTORES UNITARIOS o NORMALES: son aquellos cuyo módulo es 1:

u =1
Para normalizar un vector v (obtener un vector unitario en su misma

dirección y sentido) se dividen sus componentes por su módulo:
v ⎛⎜ v1 v 2 vn ⎞
⎟
u= = , , … ,
v ⎜⎝ v v v ⎟
⎠
BASES ORTONORMALES: se denominan a las bases constituidas por
vectores ortogonales y normales (u ortonormales), es decir, vectores ai tales
que:
1) ai = 1 ∀i
i j
2) a ⊥ a si i ≠ j
Los vectores ortogonales y no nulos de un espacio vectorial euclídeo son

L.I.; por lo tanto, un conjunto de vectores ortogonales que engendran E
constituyen una base para E. Si, además, dichos vectores son normales o
unitarios, dicha base será ortonormal. Todo espacio euclídeo de dimensión
finita admite una base ortonormal.
ORTONORMALIZACIÓN DE UNA BASE: a partir de una base cualquiera

de E, por ej.: B = {v1, v2, ..., vn} podemos obtener una base ortonormal de E
(proceso de Gram-Schmidt):
1) hallamos un vector unitario en la dirección de v1 (normalizamos v1):

1
1 v
u = 1
v
2) hallamos un vector ortogonal a u1 de la siguiente forma:
y2 = v2 − <v2, u1> u1
2
2 y
3) lo normalizamos: u = 2
y
4) hallamos un vector ortogonal a u1 y a u2 de la siguiente forma:
y3 = v3 − <v3, u2> u2 − <v3, u1> u1

6
3
y
5) lo normalizamos: u3 = 3
y
h i
y
en general: y h+1
=v h+1
− ∑
i =1
<v h+1 i
, u> u i
donde u = i
y
i
VECTORES CANÓNICOS o VERSORES: vectores ortonormales cuyas

componentes son todas nulas salvo una, que es la unidad:
e1 = (1, 0, 0, ..., 0)
e2 = (0, 1, 0, ..., 0)
e3 = (0, 0, 1, ..., 0)
.............................
en = (0, 0, 0, ..., 1)
⎧ai = 0 si i ≠ h
eh = (a1 , a 2 , , a n ) donde ⎨
⎩ ai = 1 si i = h
Base canónica de ℜn = {e1, e2, ..., en}
Ejemplo: supongamos que B = {(1, -2, 0, 2); (0, -1, 2, 2); (-1, 0, 1, 2)} es una
base de un subespacio de ℜ4 y queremos obtener una base ortonormal para
dicho subespacio.
Sea v1 = (1, -2, 0, 2) v2 = (0, -1, 2, 2) v3 = (-1, 0, 1, 2)
1°) hallamos un vector unitario en la dirección de v1 (normalizamos v1) y lo

1 1 −2 2
llamamos u1: como v = 1+ 4 + 4 = 3 u1=( , , 0, )
3 3 3
2°) hallamos un vector ortogonal a u1 de la siguiente forma:
1 −2 2
y2 = v2 − <v2, u1> u1 = (0,-1,2,2) − <(0,-1,2,2) , (
, , 0, )> u1=
3 3 3
1 −2 2 −2 1 2
= (0,-1,2,2) − 2( , , 0, ) = ( , , 2, ) podemos verificar
3 3 3 3 3 3
que y2 es ortogonal a u1 hallando su producto interno (<y2, u1> = 0)
2 −2 1 2 2
3°) normalizamos y2: como y = 5 u2=( , , , )
3 5 3 5 5 3 5
4°) hallamos un vector ortogonal a u2 y a u1:
7
y3 = v3 − <v3, u2>u2 − <v3, u1>u1 =

−2 1 2 2
= (-1,0,1,2) − <(-1,0,1,2) , ( , , , )>u2 –
3 5 3 5 5 3 5
1 −2 2
− <(-1,0,1,2) , ( , ,0, )> u1 =
3 3 3
4 −2 1 2 2 1 −2 2
= (-1,0,1,2) − ( , , , )− ( , ,0, ) =
5 3 5 3 5 5 3 5 3 3 3
−8 4 8 8 1 −2 2 −4 2 − 3 4
= (-1,0,1,2) − ( , , , )−( , ,0, ) = ( , , , )
15 15 5 15 3 3 3 5 5 5 5
45 3 5 −4 2 −3 4
5°) normalizamos y3: como |y3| = = u3 = ( , , , )
25 5 3 5 5 5 5
⎧⎛ 1 − 2 2 ⎞ ⎛ − 2 1 2 2 ⎞
La base ortonormal es B’ = ⎨⎜ , ,0, ⎟; ⎜⎜ , , , ⎟;
⎩⎝ 3 3 3 ⎠ ⎝ 3 5 3 5 5 3 5 ⎟⎠
⎛ − 4 5 2 5 − 3 5 4 5 ⎞⎫⎪
⎜ ⎟
⎜ 15 , 15 , 15 , 15 ⎟⎬⎪
⎝ ⎠⎭
Teorema: si B={u1, u2, ..., un} es una base ortonormal para un espacio con
producto interno euclídeo V entonces cualquier vector a de V puede
expresarse como a = <a , u1> u1 + <a , u2> u2 + ... + <a , un> un
Dem.: si B es una base de V, el vector a puede expresarse en forma

unívoca como a = k1 u1+ k2 u2+...+ ki ui+...+ kn un (1)
para cada vector ui de B se tiene que
<a , u1> = <(k1 u1+ k2 u2+...+ ki ui+...+ kn un) , ui>
= k1<u1, ui>+ k2<u2, ui>+...+ ki<ui, ui>+...+ kn<un, ui>
=k1 0 + k2 0 +...+ ki 1+...+ kn 0 (por producto interno de
vectores ortonormales)
<a , ui> = ki (2)
reemplazando (2) en (1) a = <a, u1> u1 + <a, u2> u2+...+ <a, un> un (3) que
es lo que se quería demostrar.
De (3) obtenemos <a , un> un = a −<a , u1> u1 −<a , u2> u2 −... −<a , un-1> un-1
que es la fórmula que se usa para hallar cada vector ortogonal a los
anteriores en el proceso de Gram-Schmidt.
8
1.1.2. Transformaciones lineales

Sean V y W espacios vectoriales sobre un mismo cuerpo K. Una aplicación
o función t:V→W se llama transformación lineal de V en W si y sólo si:
1) la imagen de la suma de dos vectores cualesquiera de V es igual a la
suma de sus imágenes en W: t(v1 + v2) = t(v1) + t(v2) = w1 + w2
2) la imagen del producto de cualquier escalar k de K por cualquier vector v

de V es igual al producto del escalar por la imagen de dicho vector:
t(k v) = k t(v) = k w
Estas dos condiciones se pueden resumir en una sola:

t: V→W es una TL ⇔ t(k1 v1 + k2 v2) = k1 t(v1) + k2 t(v2) = k1 w1+k2 w2
cualesquiera que sean k1 y k2 en K y v1 y v2 en V.
Se puede demostrar por inducción completa que si t: V→W es una TL

n n n
∑ ki v ) = ∑ ki t(vi) = ∑k w
i i
entonces se verifica: t ( i esto nos permite
i =1 i =1 i =1
afirmar que las transformaciones lineales preservan las combinaciones
lineales.
Ejemplo 1: la función f: ℜ3→ℜ2 definida por f(x1, x2, x3) = (x1−x3, x2−x3) es
una TL, ya que se verifican las 2 condiciones:
1) f [(a1, a2, a3) + (b1, b2, b3)] = f(a1+b1, a2+b2, a3+b3) =
= (a1+b1−a3−b3, a2+b2−a3−b3) (1)
f(a1, a2, a3) + f(b1, b2, b3) = (a1−a3, a2−a3) + (b1−b3, b2−b3) =
= (a1−a3+b1−b3, a2−a3+b2−b3) (2)
(1) = (2)
2) f [k(a1, a2, a3)] = f(ka1, ka2, ka3) = (ka1−ka3, ka2−ka3)
Ejemplo 2: la función f: ℜ3→ℜ2 / f(x1, x2, x3) = (x1−x3, x2−x3+1) no es una TL,
pues:
1) f [(a1, a2, a3) + (b1, b2, b3)] = f(a1+b1, a2+b2, a3+b3) =
= (a1+b1−a3−b3, a2+b2−a3−b3+1) (1)
f(a1, a2, a3) + f(b1, b2, b3) = (a1−a3, a2−a3+1) + (b1−b3, b2−b3+1) =
= (a1−a3+b1−b3, a2−a3+1+b2−b3+1) (2)
(1) ≠ (2)
2) f [k(a1, a2, a3)] ≠ k[f(a1, a2, a3)]
9
Nota: basta que no se cumpla una de las condiciones para que no sea TL.
Toda matriz Amxn representa una transformación lineal del espacio euclídeo
de n dimensiones En en el espacio euclídeo de m dimensiones Em, ya que
dado cualquier vector x ∈ En, existe un vector único y ∈ Em tal que y = Ax.
La transformación es lineal, puesto que si x1∈ En, x2 ∈ En, k ∈ K:
A(x1+x2) = Ax1 + Ax2 ; A k x = k A x
IGUALDAD: se dice que dos transformaciones t1 y t2 de V en W son iguales

si para cada vector v ∈ V, t1(v) = t2(v)
SUMA: la suma de dos TL de V en W es también una TL:

(t1+ t2) (v) = t1(v) + t2(v) ∀ v ∈ V
La suma de dos matrices A=[aij] y B=[bij] se puede realizar sólo si ambas son
de la misma dimensión A + B = [aij + bij]
PRODUCTO POR UN ESCALAR: el producto de una TL de V en W por un

escalar es también una TL: (k t) (v) = k t(v) ∀v∈V
El producto de una matriz Amxn por un escalar k ∈ K es la matriz

Bmxn= k A = [k aij]
COMPOSICIÓN DE TL: sean f:V→U y g:U→W dos TL. La función

compuesta (gof):V→W es también una TL.
Si el espacio vectorial V es de dimensión n: d(V)=n, d(U)=p y d(W)=m las

transformaciones lineales f y g quedan caracterizadas por las matrices Apxn y
Bmxp. La TL compuesta (gof): V → W está asociada a la matriz producto B.A
de dimensión mxn
Dem:
1) (gof)(v1+v2) = g [f(v1+v2)] = g [f(v1) + f(v2)] por ser f TL
= g [f(v1)] + g [f(v2)] por ser g TL
= (gof)(v1) + (gof)(v2)
2) (gof)(kv) = g [f(kv)] = g [k f(v)] por ser f TL
10
= k g [f(v)] por ser g TL
= k (gof)(v)
TRANSFORMACIONES LINEALES ESPECIALES:
Transf. nula: una aplicación z:V→W se denomina transformación nula si

para todo vector v ∈ V tenemos z(v) = θ donde θ es el vector nulo de W. La
matriz asociada a esta transformación es la matriz nula.
Transf. idéntica: una aplicación i: V→W se denomina idéntica si para todo

vector v ∈ V tenemos y(v) = v. La matriz asociada es la matriz identidad: I
Transf. escalar: k: V→W es una transformación escalar si para todo vector

v ∈ V tenemos k(v) = kv. La matriz asociada es la matriz escalar: k I
Transf. opuesta: sea t:V→W una transformación lineal. Existe una

transformación lineal − t llamada la opuesta de t, tal que para todo vector
v∈ V tenemos −t(v) = t(−v). La matriz asociada es la opuesta de la matriz
identidad: −I
OPERADOR DERIVACIÓN: sea V el espacio vectorial de todas las

funciones reales f derivables en un intervalo abierto (a, b). La TL que
aplica cada función f de V en su derivada f ′ se llama operador
derivación y se designa por D. Entonces D:V→W / D( f )= f ′
OPERADOR INTEGRACIÓN: sea V el espacio vectorial de todas las

funciones reales continuas en un intervalo cerrado [a, b]. Si f ∈ V,
b
definamos g ( x) = ∫ f (t ) dt si a ≤ x ≤ b Esta TL se llama operador
a
integración.
DOMINIO: de una TL es el conjunto de elementos a los que se aplica la

transformación. En t : V→W, V es el dominio.
CODOMINIO: de una TL es el conjunto al cual pertenecen los elementos

transformados: W
RECORRIDO o CONJUNTO IMAGEN: de una TL es el conjunto de

elementos transformados o imágenes de los elementos del dominio:
11
Rt= {w/w ∈ W, w=t(v) para algún v ∈ V} Rt ⊂ W; Rt es un subespacio de

W.
RANGO: de una TL se denomina a la dimensión del espacio recorrido de la

TL: r(t) = d(Rt)
NÚCLEO: de una TL se denomina al conjunto de elementos del dominio
cuya imagen o transformado es el vector nulo:
Nt = {v/v ∈ V, t(v)=θ} Nt ⊂ V; Nt es un subespacio de V.
NULIDAD: de una TL se denomina a la dimensión del núcleo de la

transformación: n(t) = d(Nt). Si t: V → W es una TL ⇒ d(V) = r(t) + n(t)
Si t: ℜn→ℜm /Ax = b el núcleo de t consta de todos los vectores x que son

solución del sistema homogéneo Ax = θ; el recorrido de t consta de todos
los vectores b tales que el sistema Ax = b tiene al menos una solución.
RANGO DE UNA MATRIZ: si la matriz Amxn representa la TL t: En→Em

y = Ax la matriz A puede escribirse como una fila de vectores columna:
⎡ a1 j ⎤
⎢a ⎥
A = (a , a ,…, a ) donde a = ⎢ ⎥
1 2 n j 2j
⎢ ⎥
⎢ ⎥
⎢⎣ a mj ⎥⎦
y, entonces, y = A x = x1 a1 + x2 a2 +...+ xn an el subespacio generado por las

y es el subespacio de Em generado por las columnas de A. Por lo tanto, la
dimensión de ese subespacio es igual al mayor número de columnas LI de
A. De modo que el rango de la TL es igual al mayor número de columnas LI
de A. Como A tiene sólo n columnas, dicho rango no puede ser mayor que n
(dimensión del dominio de t).
El rango de la matriz A asociada a la TL t es igual al rango de la

transformación (dimensión de su recorrido), es decir, es igual al mayor
número de columnas LI de A. Se demuestra que este número es igual al
mayor número de filas LI de A y se nota r(A). Como sabemos que un
determinante es nulo si y sólo si hay dependencia lineal entre sus líneas
(filas y columnas), basta encontrar el determinante de mayor orden en A que
no se anule. El orden de dicho determinante es igual al rango de A.
El rango de una matriz no se altera si se realizan con sus filas y columnas

algunas operaciones llamadas elementales:
12
1) intercambio de dos filas (o columnas)

2) multiplicación de una fila (o columna) por un escalar k ≠ 0
3) adición a una fila i (o columna j) del resultado de multiplicar otra
fila h (h ≠ i) (o columna l ≠ j) por un escalar k ≠ 0
Ejemplo: la TL t: ℜ4→ℜ3 / t(x1, x2, x3, x4) = (2x1−x4, x2+3x4, 6x1−4x3) puede
⎡2 0 0 − 1⎤
representarse por la matriz: A = ⎢⎢0 1 0 3 ⎥⎥ aplicada a cualquier
⎢⎣6 0 − 4 0 ⎥⎦
vector x ∈ ℜ4 (dominio de la TL) resulta un vector y ∈ ℜ3 (codominio de la
TL): A x = y
⎡ x1 ⎤
⎡2 0 0 − 1⎤ ⎢ ⎥ ⎡ y1 ⎤
x
A = ⎢⎢0 1 0 3 ⎥⎥ ⎢ 2 ⎥ = ⎢⎢ y 2 ⎥⎥
⎢x ⎥
⎢⎣6 0 − 4 0 ⎥⎦ ⎢ 3 ⎥ ⎢⎣ y 3 ⎥⎦
⎣ x4 ⎦
⎡ 2⎤ ⎡0 ⎤ ⎡0⎤ ⎡− 1⎤ ⎡ y1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
ó
⎢0⎥ x1 + ⎢1⎥ x 2 + ⎢ 0 ⎥ x3 + ⎢ 3 ⎥ x 4 = ⎢ y 2 ⎥
⎢⎣6⎥⎦ ⎢⎣0⎥⎦ ⎢⎣− 4⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣ y 3 ⎥⎦
de modo que cualquier vector imagen y puede expresarse como CL de los

vectores columna de la matriz A. El recorrido o conjunto imagen de la TL es
el subespacio de ℜ3 generado por los vectores columna de A. Si estos
vectores son LI constituirán una base del recorrido; si no lo son, podemos
hallar una base escalonando la matriz A:
⎡2 0 0 − 1⎤ ⎧ ⎡ 2 ⎤ ⎡0 ⎤ ⎡ 0 ⎤ ⎫
⎢0 1 0 ⎥ ⎪⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪
3 una base es: B = ⎨ 0 , 1 , 0 ⎬ , otra es
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
F3 − 3F1 ⎢⎣0 0 − 4 3 ⎥⎦ ⎪ ⎢ 0 ⎥ ⎢0 ⎥ ⎢ − 4 ⎥ ⎪
⎩⎣ ⎦ ⎣ ⎦ ⎣ ⎦ ⎭
la base canónica de ℜ3, ya que en este caso el recorrido es ℜ3; el rango de
la TL es r = 3, que es también el rango de la matriz A
El núcleo de la TL es el conjunto de vectores del dominio (ℜ4) cuya imagen

es el vector nulo del codominio (ℜ3), o sea, la solución del sistema
homogéneo A x = θ:
13
⎡ x1 ⎤ ⎧ 1
⎡2 0 0 − 1⎤ ⎢ ⎥ ⎡0⎤ ⎪ x1 = 2 x 4
⎢0 1 0 ⎥ ⎢ x 2 ⎥ = ⎢0 ⎥ ⎪
⎢ 3 ⎥ ⎢x ⎥ ⎢ ⎥ ⎨ x 2 = −3 x 4
⎢⎣6 0 − 4 0 ⎥⎦ ⎢ 3 ⎥ ⎢⎣0⎥⎦ ⎪ 3
x ⎪ x3 = x 4
⎣ 4⎦ ⎩ 4
1 3 1 3
Todos los vectores de la forma ( x4, −3x4, x4, x4)T = k( ,−3, , 1)T
2 4 2 4
pertenecen al núcleo; para base podemos tomar uno cualquiera de ellos,
por ejemplo: (2, −12, 3, 4)T ; la nulidad es n(t)=1; la suma de la nulidad más
el rango es igual a la dimensión del dominio: 4
Ejemplo económico de TL: supongamos que los costos directos de

producción de 3 bienes Y1, Y2, Y3, están dados por las ecuaciones:
⎧ a11 p1 + a12 p 2 = c1
⎪
(1) ⎨a 21 p1 + a 22 p 2 = c 2 o sea A p = c donde las pj
⎪a p + a p = c
⎩ 31 1 32 2 3
corresponden a los precios de los insumos Xj y forman el vector columna
⎡p ⎤
p = ⎢ 1 ⎥ , las ci corresponden a los costos directos de los bienes Yi ,
⎣ p2 ⎦
⎡ c1 ⎤
⎢ ⎥
formando el vector columna c = c 2 y las aij representan la cantidad del
⎢ ⎥
⎢⎣ c3 ⎥⎦
insumo xj necesaria para producir una unidad del bien Yi. Cada vector de
precios de ℜ2 se transforma en un vector de costos de ℜ3; el vector c es la
imagen del vector p; la matriz A es la matriz de la transformación: t(p) = c ó
Ap=c
El sistema lineal (1) también puede expresarse en la forma

⎡ a11 ⎤ ⎡ a12 ⎤ ⎡ c1 ⎤
p1 ⎢a 21 ⎥ + p 2 ⎢⎢a 22 ⎥⎥ = ⎢⎢c 2 ⎥⎥ donde se ve que es consistente si y
⎢ ⎥
⎢⎣ a31 ⎥⎦ ⎢⎣ a32 ⎥⎦ ⎢⎣c3 ⎥⎦
14
sólo si c es CL de los vectores columna de la matriz A: la imagen de la TL

(recorrido) es el espacio vectorial generado por los vectores columna de A;
si son LI constituyen una base del recorrido de la TL, si no lo son, se puede
escalonar la matriz y elegir el mayor número de columnas LI como base del
recorrido.
Ejemplo:
⎧ p1 + p 2 = c1 ⎡1 1⎤
⎪
⎨2 p1 + p 2 = c 2 donde A = ⎢⎢2 1⎥⎥ como los vectores
⎪ p + 3p = c ⎢⎣1 3⎥⎦
⎩ 1 2 3
columna de A son LI forman una base del recorrido de la TL y su dimensión
es, por lo tanto, 2: r (A) = 2
El núcleo de la TL es el espacio solución del sistema A p = θ

En este caso, la única solución posible es la trivial, por lo tanto el núcleo es
el subespacio de ℜ2 cuyo único elemento es el vector nulo, su dimensión
(nulidad de la TL) es 0.
MATRIZ ELEMENTAL: la que se obtiene realizando una sola operación

elemental en la matriz identidad.
MATRICES EQUIVALENTES: se denominan las matrices que representan

la misma TL, para diferentes bases.
Sean A y B dos matrices de dimensión mxn. Se dice que B es equivalente a

A si y sólo si B puede ser obtenida de A por un número finito de operaciones
elementales fila y columna.
O sea, una matriz B es equivalente a una matriz A si y sólo si existen dos

matrices no singulares P y Q tales que B = P A Q donde P representa la
aplicación sucesiva de matrices elementales con operaciones sobre filas y Q
representa la aplicación sucesiva de matrices elementales con operaciones
sobre columnas.
FORMA CANÓNICA: una matriz Nmxn equivalente a una matriz dada A con
rango r(A) = r se dice que es la forma canónica general bajo equivalencia de
A o también la forma normal de A si posee las siguientes propiedades:
1) los primeros r elementos aij con i = j son iguales a 1.
2) cualquier otro elemento de la matriz es 0.
En realidad, dos matrices rectangulares de la misma dimensión son

equivalentes si y sólo si tienen el mismo rango.
15
TRANSFORMACIÓN INVERSA: una TL t-1 de un subespacio de W en V se

dice que es la inversa de la TL t:V→W si y sólo si t t-1 = i: W→W y t-1t = i:
V→V
La matriz asociada es la matriz inversa A-1 tal que A-1A = A A-1 = I

TRANSFORMACIÓN “NO SINGULAR” o “REGULAR”: se denomina a
toda transformación que admite inversa.
Sea t:V→W una TL, con recorrido Rt. Entonces, se dice que t es no singular
si y sólo si existe una transformación t-1: Rt→V tal que t-1t = t t-1 = I donde
t-1t representa la transformación idéntica sobre V y t t-1 la transformación
idéntica sobre W.
El dominio y el recorrido de una transformación no singular tienen la misma

dimensión: d(V) = d(Rt)
Las transformaciones idéntica, escalar y elemental son no singulares o

regulares.
Una matriz cuadrada A se dice que es no singular o regular si y sólo si

existe A-1 tal que A-1A = A A-1 = I.
Si una TL es no singular, tiene una TL inversa t-1 y las filas (y columnas) de

cualquier matriz A que represente a t son LI. Por lo tanto, el determinante
de A no es nulo.
Si t es singular o no regular, no tiene inversa y las filas (y columnas) de

cualquier matriz A asociada con t son LD. Por lo tanto, el determinante de A
es nulo.
Si el producto t1t2 de dos TL es la identidad, entonces ambas son no

singulares y cada una de ellas es la inversa de la otra:
t1t2 = I ⇒ t1 = t2-1, t2 = t1-1
COMPOSICIÓN DE TL NO SINGULARES: Si las TL t1:V→U y t2:U→W son

ambas no singulares entonces la TL compuesta t2 t1: V→W es también no
singular y su inversa es igual al producto de la inversa de t1 por la inversa de
t2: (t2 t1)-1 = t1-1 t2-1: W→V
Si dos matrices A y B tienen inversa y son conformables para el producto:

(A B)-1 = B-1A-1
16
1 -1
Si t:V→W es una TL no singular (t-1)-1 = t y (k t)-1 = t ∀k≠0
k
1 -1
Si la matriz A es no singular (A-1)-1 = A y (k A)-1 = A ∀k≠0
k
MATRIZ TRASPUESTA de la matriz A se denomina a aquella que resulta al
permutar sus filas y columnas: Am = [aij]mxn AT=[aji]nxm
Propiedades:
T1) (A+B)T = AT+ BT
T2) (A B)T = BT AT
T3) (AT)T = A
T4) (k A)T = k AT
T5) Si A es cuadrada: |AT| = |A|
ADJUNTO o COFACTOR del elemento aij de una matriz cuadrada A se

denomina al determinante que resulta de suprimir la fila i y la columna j de
A, precedido del signo de (-1)i+j
MATRIZ ADJUNTA de una matriz cuadrada A es la traspuesta de la matriz

cuyos elementos son los cofactores o adjuntos de los elementos de A.
El producto de una matriz por su adjunta es igual al producto de su

determinante por la matriz identidad: A Adj(A)= Adj(A) A = |A| I
1
Si A es una matriz no singular: A-1= Adj(A)
| A|
TRANSFORMACIONES ORTOGONALES: una transformación lineal t:V→V

se denomina ortogonal si conserva el valor absoluto o módulo de cualquier
vector v, de modo que | t(v) | = | v |
Propiedades:
TO1) |v1 − v2| = |t(v1) − t(v2)|
TO2) <v1, v2> = <t(v1) , t(v2)>
TO3) v1⊥ v2 ⇒ t(v1) ⊥ t(v2)
TO4) cos ∠ (v1, v2) = cos ∠ (tv1, tv2)
Una TL ortogonal es no singular.
17
Con relación a cualquier base ortonormal, una matriz A representa una TL

ortogonal si y sólo si, considerando las columnas de A como vectores, cada
columna tiene longitud o módulo unidad y dos columnas cualesquiera son
ortogonales, es decir, si todas sus columnas son vectores ortonormales.
MATRIZ ORTOGONAL: se denomina a una matriz cuadrada si sus

columnas (o sus filas) son un conjunto de vectores ortonormales.
También se define una matriz ortogonal como aquella cuya inversa es igual
a su traspuesta: A-1 = AT ⇔ A es ortogonal
Estas definiciones de matriz ortogonal son equivalentes. Si consideramos la

matriz A formada por vectores columna v j:
T
⎧⎪ v h ⊥ v j si h ≠ j (1)
A A=I⇔ ⎨ j
⎪⎩ v = 1 ( j = 1, 2,…, n) (2)
(1) (todos los vectores columna son ortogonales entre sí)
(2) (todos los vectores columna son normales: módulo = 1).
Dem.:
⎡ v1
⎢ 2
( ) ⎤⎥
T
( )
⎡ v1 T v1
⎢ 2 T 1
(v ) v
1 T 2
… (v ) v
1 T ⎤
n
⎥
A A=I ⇔ ⎢
T v ( ) ⎥[v , v
T
1 2
] ( )
,…, v = ⎢
n v v (v ) v
2 T 2
… (v ) v
2 T n
⎥=
⎢ ⎥ ⎢ ⎥
⎢ n ⎥ ⎢ n T 1 ⎥
⎢⎣ v ( ) T
⎥⎦ ( )
⎢⎣ v v (v ) v
n T 2
… ( )T
v n v n ⎥⎦
⎡ < v1 , v1 > < v1 , v 2 > … < v1 , v n > ⎤ ⎡1 0 … 0 ⎤

⎢ 2 1 ⎥ ⎢ ⎥
< v ,v > < v2 ,v2 > … < v2 ,vn > ⎥ ⎢0 1 … 0 ⎥
= ⎢ =
⎢ ⎥ ⎢ ⎥
⎢ n 1 ⎥ ⎢ ⎥
⎢⎣< v , v > < v , v > … < v , v > ⎥⎦ ⎣0 0 … 1⎦
n 2 n n
⎧ < v h , v j >= 0 si h ≠ j (1)

igualdad que se da si y sólo si ⎪
⎨
⎩⎪< v , v >= 1 v = 1 ( j = 1, 2, … , n) ( 2)
j j j
(1) (todos los vectores columna son ortogonales entre sí)

(2) (todos los vectores columna son normales: módulo = 1).
Si consideramos la matriz A formada por vectores fila vi se demuestra, de

manera similar, que:
18
T
⎧⎪ v i ⊥ v k si i ≠ k (1)
AA =I⇔ ⎨ i
⎪⎩ v = 1 (i = 1, 2,… , n) (2)
(1) (todos los vectores fila son ortogonales entre sí)
(2) (todos los vectores fila son normales: módulo = 1).
Propiedad: el determinante de una matriz ortogonal vale 1 ó –1
Dem.:
ATA= I AT A = I = 1
AT A = 1 como AT = A
2
A = 1 ⇔ A = ±1
Se denomina matriz ortogonal propia a la que tiene determinante = 1

No toda matriz con determinante de módulo 1 es ortogonal, por ejemplo:
⎡2 0 ⎤
A=⎢ ⎥
⎣0 1 / 2⎦
MATRICES SIMÉTRICAS: una matriz cuadrada A tal que es igual a su
traspuesta se denomina simétrica: AT = A o sea aij = aji ∀i, ∀j
TRAZA: de una matriz cuadrada nxn se denomina a la suma de todos los

n
elementos de su diagonal principal: tr(A) = ∑
i =1
aii
Propiedades: si A y B son matrices cuadradas de dimensión nxn:
T1) tr (A) = tr (AT)

T2) tr (k A) = k tr(A)
T3) tr (A+B) = tr(A) + tr(B)
T4) tr (A.B) = tr (B.A)
MATRICES SEMEJANTES: si A y B son dos matrices cuadradas de

dimensión nxn se dice que B es semejante a A si y sólo si existe una matriz
no singular P tal que B = P-1 A P (las propiedades de las matrices
semejantes se enuncian y demuestran después de considerar el tema de
diagonalización).
19
1.2. Diagonalización de matrices • • • ] ]
VECTORES y VALORES PROPIOS de una TRANSFORMACIÓN LINEAL:

Sea t:V→V una TL en el espacio V sobre K. Entonces, un vector no nulo
x ∈ V y un escalar λ ∈ K son llamados respectivamente, un vector propio
( o vector característico) de t y un valor propio (o valor característico) de t sii
t(x) = λx. También reciben el nombre de autovectores y autovalores de t.
El conjunto de todos los valores propios de t se denomina espectro de t.
Ejemplo 1: t: ℜ3→ℜ3 /t(x1, x2, x3) = (2x1, 2x2, 2x3)

cualquier vector no nulo de ℜ3 es un vector propio de esta TL,
correspondiente al valor propio λ = 2, ya que t(x1, x2, x3) = 2(x1, x2, x3)
Ejemplo 2: t: : ℜ3→ℜ3 /t(x1, x2, x3) = (x1, 3x2, 3x3)

como t(x1, 0, 0,) = (x1, 0, 0) = 1(x1, 0, 0) cualquier vector de la forma (x1, 0, 0)
donde x1 ≠ 0, es vector propio correspondiente a λ = 1
como t(0, x2, x3) = (0, 3x2, 3x3) = 3(0, x2, x3) cualquier vector de la forma
(0, x2, x3) donde no se anulen simultáneamente x2 y x3, es vector
característico correspondiente a λ=3.
VECTORES Y VALORES PROPIOS DE UNA MATRIZ CUADRADA: un

vector no nulo x y un escalar λ se denominan respectivamente, un vector
propio (o característico) de A y un valor propio (o característico) de A sii
Ax = λx. El conjunto de todos los valores propios de A se denomina
espectro de A. El radio del círculo mínimo que abarca todos los valores
propios de A recibe el nombre de radio espectral de A.
⎡1 0 − 1⎤ ⎡1⎤
⎢
Ejemplo: A = 1 2 1
⎥ ⎢ ⎥
⎥ x = ⎢− 1⎥ es vector propio correspondiente
1
⎢
⎢⎣2 2 3 ⎥⎦ ⎢⎣ 0 ⎥⎦
a λ=1 porque Ax1 = x1
⎡ − 2⎤
x = ⎢⎢ 1 ⎥⎥ es vector propio correspondiente a λ=2 porque A x2 = 2 x2
2
⎢⎣ 2 ⎥⎦
20
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
⎡1 ⎤
x = ⎢⎢ − 1 ⎥⎥ es vector propio correspondiente a λ=3 porque A x3 = 3 x3
3
⎢⎣− 2⎥⎦
ECUACIÓN CARACTERÍSTICA de una matriz: si A x = λx

multiplicando m. a m. por In Ax=λIx
(A − λ I)x = θ (1)
La ecuación (1) representa un sistema lineal homogéneo que tendrá

solución distinta de la trivial sii | A − λ I | = 0 (2)
El desarrollo del determinante del primer miembro de (2) será un polinomio

de grado n en −λ, que se denomina polinomio característico de la matriz A:
| A − λ I | = (−λ)n + α1(−λ)n-1 + α2(−λ)n-2 +...+ αn-1(−λ) + αn = P(−λ).
La ecuación (2), o sea, P(−λ) = 0 se denomina ecuación característica de A

y sus raíces o ceros: λ1, λ2, ..., λn son las denominadas raíces
características o valores propios de A, también llamados autovalores o
raíces latentes de A.
Las soluciones distintas de la trivial del sistema (A − λi I) x = θ (3) serán los

vectores propios asociados al valor propio λi. Los vectores propios
asociados a valores propios diferentes son linealmente independientes.
El conjunto solución del sistema (3) se denomina espacio característico de A

correspondiente a ese valor propio λi.
⎡1 − λ 0 −1 ⎤
En el ejemplo anterior: A − λ I =
⎢ 1 2−λ 1 ⎥⎥
⎢
⎢⎣ 2 2 3 − λ ⎥⎦
|A−λI| = −λ3 + 6λ2 − 11λ + 6 es el polinomio característico; si lo igualamos a

0 tenemos la ecuación característica, cuyas soluciones o raíces son los
valores propios de A: λ1=1, λ2= 2, λ3= 3
21
Para λ1=1 tenemos el sistema

⎡0 0 − 1⎤ ⎡ x1 ⎤ ⎡0⎤
⎢1 1 1 ⎥ ⎢ x ⎥ = ⎢0 ⎥ ⎧ x3 = 0 ⎫ ⎧ x3 = 0
⎢ ⎥ ⎢ 2 ⎥ ⎢ ⎥ ⎨ x + x + x = 0⎬ ⎨ x = − x
⎢⎣2 2 2 ⎥⎦ ⎢⎣ x3 ⎥⎦ ⎢⎣0⎥⎦ ⎩ 1 2 3 ⎭⎩ 1 2
⎡− x 2 ⎤ ⎡− 1⎤
de modo que cualquier vector de la forma
⎢ x ⎥ = k ⎢ 1 ⎥ con k ≠ 0 es
⎢ 2 ⎥ ⎢ ⎥
⎢⎣ 0 ⎥⎦ ⎢⎣ 0 ⎥⎦
un vector propio de A correspondiente al valor propio λ1=1
Para λ2 = 2 tenemos el sistema

⎡− 1 0 − 1⎤ ⎡ x1 ⎤ ⎡0⎤
⎢ 1 0 1 ⎥ ⎢ x ⎥ = ⎢0 ⎥ ⎧ x1 = − x3 ⎫ ⎧ x1 = − x3
⎢ ⎥ ⎢ 2 ⎥ ⎢ ⎥ ⎨2 x + 2 x + x = 0 ⎬ ⎨2 x = x
⎢⎣ 2 2 1 ⎥⎦ ⎢⎣ x3 ⎥⎦ ⎢⎣0⎥⎦ ⎩ 1 2 3 ⎭⎩ 2 3
⎡ − x3 ⎤ ⎡− 2⎤
⎢ 1 ⎥ ⎢ ⎥
de modo que cualquier vector de la forma
⎢ 2 x3 ⎥ = k ⎢ 1 ⎥ con k ≠ 0 es
⎢⎣ x3 ⎥⎦ ⎢⎣ 2 ⎥⎦
un vector propio de A correspondiente al valor propio λ2 = 2
Para λ3 = 3 tenemos el sistema

⎡− 2 0 − 1⎤ ⎡ x1 ⎤ ⎡0⎤ ⎡1 ⎤
⎢ 1 − 1 1 ⎥ ⎢ x ⎥ = ⎢0⎥ ⎧ x3 = −2 x1 ⎫ k ⎢ − 1 ⎥ con k ≠ 0 es un
⎢ ⎥ ⎢ 2 ⎥ ⎢ ⎥ ⎨ x2 = − x ⎬ ⎢ ⎥
⎢⎣ 2 2 0 ⎥⎦ ⎢⎣ x3 ⎥⎦ ⎢⎣0⎥⎦ ⎩ ⎭ ⎢− 2⎥
⎣ ⎦
vector propio de A correspondiente al valor propio λ3 = 3
También se puede obtener un vector propio correspondiente a cada λi

escribiendo en forma de vector columna los adjuntos de cualquier fila de la
matriz A − λiI (siempre que no se anulen todos) por ejemplo, para λ1 = 1 no
podemos tomar la 1er. fila, pero sí la 2da. o la 3ra.
Teorema: los vectores propios correspondientes a valores propios

diferentes de una matriz son linealmente independientes.
22
Demostración: (por inducción sobre k) Sean λ1, λ2, ..., λk valores propios
diferentes de una matriz Anxn y sean v1, v2, ..., vk los vectores propios
correspondientes.
En forma trivial se ve que el teorema se cumple para k=1
Supongamos ahora que se cumple para los k−1 primeros vectores (k>1), es
decir que v1, v2, ..., vk son LI.
Consideremos la ecuación c1 v1+ c2 v2 + ... + ck-1 vk-1 + ck vk = θ (1)
premultiplicando por A resulta c1 A v1 + c2 A v2 + ... + ck-1 A vk-1 + ck A vk = θ
como A vi = λi vi tenemos
c1 λ1 v1 + c2 λ2 v2 + ... + ck-1 λk-1 vk-1 + ck λk vk = θ (2)
multiplicando (1) por λk obtenemos

c1λk v1 + c2 λk v2 + ... + ck-1 λk vk-1 + ck λk vk = θ (3)
restando (2) − (3) resulta

c1(λ1 − λk) v1 + c2(λ2 − λk) v2 + ... + ck-1(λk-1 − λk) vk-1 = θ (4)
como los vectores v1, v2, ..., vk-1 son LI la ecuación (4) se verifica sólo si
todos los coeficientes son nulos, es decir: ci(λi − λk) = 0 (i=1,2,...,k−1) pero
como λi ≠ λk (i=1,2,...,k−1) entonces, debe ser ci = 0 (i=1,2,...,k−1) y la
ecuación (1) queda reducida a ck vk = θ como vk es vector propio no es el
vector nulo y debe ser ck = 0 de modo que los k vectores propios son LI.
1.2.1 Diagonalización de matrices

Se dice que una matriz Anxn es diagonalizable sii es semejante a una matriz
diagonal Λ que tiene en su diagonal principal los valores propios de A, o
sea, si existe una matriz P no singular tal que P-1A P=Λ
La condición necesaria y suficiente para que una matriz Anxn sea diagonalizable
es que se puedan extraer n vectores LI del conjunto de sus vectores propios. La
matriz P (o matriz modal) se forma con n vectores propios LI (uno asociado a
cada valor propio) ordenados como vectores columna.
Si la ecuación característica de A admite n raíces o valores propios

diferentes, entonces hay n vectores propios LI y es diagonalizable sobre el
cuerpo de los complejos.
Ejemplo 1: en el ejemplo anterior la matriz de paso sería
23
⎡− 1 − 2 1 ⎤ ⎡ 0 1 − 1 / 2⎤
P = ⎢⎢ 1 1 − 1 ⎥⎥ cuya inversa es P −1 = ⎢⎢− 1 − 1 0 ⎥⎥
⎢⎣ 0 2 − 2⎥⎦ ⎢⎣− 1 − 1 − 1 / 2⎥⎦
⎡1 0 0 ⎤
⎢ ⎥
podemos verificar que P-1A P = Λ= 0 2 0 el orden en que aparecen
⎢ ⎥
⎢⎣0 0 3⎥⎦
los valores propios de Λ depende del orden en que tomamos los vectores
propios para formar la matriz P.
⎡ 3 − 1⎤ ⎧ λ = 2i
Ejemplo 2: A = ⎢ ⎥ A − λ I = λ2 + 4 = 0 ⇒ ⎨ 1
⎣13 − 3⎦ ⎩λ 2 = −2i
Para λ1 = 2i tenemos
⎡3 − 2i − 1 ⎤ ⎡ x1 ⎤ ⎡0⎤ ⎡ 1 ⎤
= ⇒ x 2 = (3 − 2i ) x1 v1 = ⎢
⎢ 13
⎣ − 3 − 2i ⎥⎦ ⎢⎣ x 2 ⎥⎦ ⎢⎣0⎥⎦ ⎥
⎣3 − 2i ⎦
Para λ2 = −2i tenemos

⎡3 + 2i − 1 ⎤ ⎡ x1 ⎤ ⎡0⎤ ⎡ 1 ⎤
= ⇒ x 2 = (3 + 2i ) x1 v2 = ⎢
⎢ 13
⎣ − 3 + 2i ⎥⎦ ⎢⎣ x 2 ⎥⎦ ⎢⎣0⎥⎦ ⎥
⎣3 + 2i ⎦
La matriz modal puede ser

⎡ 1 1 ⎤ − i ⎡ 3 + 2i − 1⎤
P=⎢ ⎥ P = 4i P −1 =
⎣3 − 2i 3 + 2i ⎦ 4 ⎢⎣ − 3 + 2i 1 ⎥⎦
1
(recordar que = −i )
i
Si la ecuación característica admite raíces múltiples, la matriz puede no ser
diagonalizable.
La condición para que una matriz Anxn sea diagonalizable es que a toda raíz
λi de orden de multiplicidad m corresponda un sistema (A - λiI) x = θ de
rango (n-m) que determina m vectores característicos LI, es decir, que la
dimensión del espacio característico correspondiente al valor propio λi sea
m.
Ejemplo 3:
24
⎡1 − 3 3 ⎤
⎧λ = λ 2 = −2
A = ⎢⎢3 − 5 3⎥⎥ A − λ I = −λ3 + 12λ + 16 = 0 ⇒ ⎨ 1
⎢⎣6 − 6 4⎥⎦ ⎩ λ3 = 4
si tomamos para x2 y x3 dos pares de valores no proporcionales obtenemos
dos vectores LI que constituyen la base del espacio solución corres-
pondiente al valor propio −2 de orden de multiplicidad 2; por ejemplo:
⎡− 1⎤ ⎡1 ⎤
v = ⎢ 0 ⎥ v = ⎢⎢1⎥⎥
1 ⎢ ⎥ 2
⎢⎣ 1 ⎥⎦ ⎢⎣0⎥⎦
⎡ − 3 − 3 3⎤ ⎡18 ⎤ ⎡1 ⎤
⎢
para λ3 = 4 A − 4 I = 3 − 9 3⎥ v = ⎢18 ⎥ = 18 ⎢⎢1 ⎥⎥
⎥ 3 ⎢ ⎥
⎢
⎢⎣ 6 − 6 0⎥⎦ ⎢⎣36⎥⎦ ⎢⎣2⎥⎦
⎡− 1 3 1⎤ ⎡ 2 −2 0 ⎤
⎢ ⎥ −1 −1 ⎢ ⎥
La matriz modal puede ser
⎢ 0 1 1⎥ P = 2 ⎢ 1 − 3 1 ⎥
⎢⎣ 1 0 2⎥⎦ ⎢⎣− 1 1 − 1⎥⎦
⎡− 2 0 0⎤
−1 ⎢
podemos verificar que P AP = Λ = 0 − 2 0⎥⎥
⎢
⎢⎣ 0 0 4⎥⎦
Ejemplo 4:
⎡− 3 − 9 − 12⎤
⎧λ = λ 2 = 0
A = ⎢⎢ 1 3 4 ⎥⎥ A − λ I = − λ3 + λ 2 = 0 ⎨ 1
⎢⎣ 0 0 1 ⎥⎦ ⎩ λ3 = 1
para λ1 = λ2 = 0 tenemos (A − 0 I) = A; como el rango de esta matriz es 2 y

tiene 3 columnas su nulidad es 1 y, por lo tanto, sólo podemos obtener un
vector LI como solución del sistema (A − 0 I) x = θ; efectivamente, todos los
vectores solución serán de la forma (−3x2, x2, 0)T y no podemos obtener dos
vectores propios LI correspondientes al valor propio 0 cuyo orden de
multiplicidad es 2. Por lo tanto, la matriz A no es diagonalizable.
25
FORMA CANÓNICA DE JORDÁN: cuando el número de vectores propios

linealmente independientes de A es menor que n, la diagonalización es
imposible. Sin embargo, siempre es posible someter A a una transformación
−1
semejante J = V AV , donde V es una matriz no singular que reduce la
matriz A a su forma canónica de Jordán.
La forma canónica de Jordán de cualquier matriz cuadrada A es una matriz

cuadrada J de la misma dimensión que A con las siguientes propiedades:
1) los elementos de su diagonal principal son los valores propios de A,

apareciendo los valores propios múltiples en posiciones adyacentes.
2) los elementos de la diagonal arriba de la diagonal principal son cero o la

unidad. Solamente los elementos que están a la derecha de un valor
propio que va a ser repetido pueden ser iguales a la unidad.
3) todos los demás elementos de la matriz son ceros.

⎡λ1 1 0 0⎤
⎢0 λ2 0 0 ⎥⎥
por ejemplo J = ⎢ donde λ1=λ2 y λ3=λ4
⎢0 0 λ3 1⎥
⎢ ⎥
⎣0 0 0 λ4 ⎦
⎡− 2 1 0⎤
⎢
En el ejemplo 3 la matriz de Jordán es J = 0 − 2 0⎥⎥
⎢
⎢⎣ 0 0 4⎥⎦
⎡0 1 0 ⎤
⎢
y en el ejemplo 4 J = 0 0 0
⎥
⎢ ⎥
⎢⎣0 0 1⎥⎦
Si todas las raíces son diferentes la matriz de Jordán coincide con la matriz
diagonal Λ.
CÁLCULO DE LOS VECTORES PROPIOS POR ADJUNTOS: para obtener

un vector propio vi correspondiente al valor propio λi debemos resolver el
sistema (A − λiI) vi = θ (1).
26
Si llamamos Bi a la matriz (A − λiI) y Bi* a su adjunta resulta

|Bi| = |(A - λiI)| = 0 (2) y Bi . Bi* = |Bi| I = θ, ya que el producto de una
matriz por su adjunta es la matriz diagonal cuyos elementos diagonales son
iguales al determinante de la matriz. Si λi es raíz simple de la ecuación
característica (2) el rango de Bi es (n-1); existe, entonces, por lo menos un
adjunto no nulo, por lo que el rango de la matriz Bi* será también, al
menos, 1.
Pero el rango de esta matriz es, como máximo, el orden de la matriz menos
el rango de Bi: n− (n−1) = 1 (si el rango de la matriz Amxp es r y si la matriz
Bpxn es tal que A.B = θ, el rango de B no puede ser mayor que p−r).
Por lo tanto, el rango de Bi* es 1; esto significa que toda columna de Bi* es
CL de las restantes (son todas proporcionales entre sí).
Si llamamos ki* a una columna cualquiera k de la matriz Bi* resulta Bi. ki* = θ
por lo tanto ki* es solución de la ecuación (1) y es un vector propio
correspondiente al valor propio λi, siempre que no sea el vector nulo.
En lugar de construir la matriz adjunta Bi* se puede obtener directamente una

de sus columnas calculando los adjuntos de una fila cualquiera de Bi (siempre
que no sean todos nulos) y formando con ellos el vector columna vi.
Ejemplo 1:
⎡ 0 7 − 6⎤ ⎧ λ1 = 1
⎪
A = ⎢⎢− 1 4 0 ⎥⎥ A − λI = −λ + 2λ + λ − 2 = 0 ⎨λ 2 = −1
3 2
⎢⎣ 0 2 − 2⎥⎦ ⎪λ =2
⎩ 3
⎡− λ −1 0 ⎤
⎢
( A − λI ) = ⎢ 7 4 − λ
T
2 ⎥⎥
⎢⎣ − 6 0 − 2 − λ ⎥⎦
⎡(4 − λ )(−2 − λ ) − 7(−2 − λ ) − 12 6( 4 − λ ) ⎤
⎢
B* = Adj ( A − λI ) = ⎢ −2−λ − λ ( −2 − λ ) 6 ⎥
⎥
⎣⎢ −2 2λ − λ (4 − λ ) + 7 ⎦⎥
27
⎡ − 9 9 18⎤
B1* (para λ1 = 1 ) =
⎢− 3 3 6 ⎥ cualquiera de su columnas es un
⎢ ⎥
⎢⎣− 2 2 4 ⎥⎦
vector propio correspondiente a λ1 pero también podríamos haberlo
⎡ − 1 − 7 − 6⎤
⎢
obtenido directamente de B1 = − 1 3 0 ⎥⎥ tomando, por ejemplo, los
⎢
⎢⎣ 0 2 − 3⎥⎦
⎡− 9⎤
⎢ ⎥
adjuntos de la 1ª fila: v = − 3
1
⎢ ⎥
⎢⎣− 2⎥⎦
⎡5 ⎤ ⎡ 4⎤ ⎡9 5 4 ⎤
⎢ ⎥ ⎢ ⎥
De manera similar obtenemos v = 1 y v = 2
2 3
P = ⎢⎢3 1 2⎥⎥
⎢ ⎥ ⎢ ⎥
⎢⎣2⎥⎦ ⎢⎣1 ⎥⎦ ⎢⎣2 2 1 ⎥⎦
⎡9 0 − 6⎤ ⎧ λ1 = 1
⎢ ⎪
Ejemplo 2: A = 0
⎢ 1 0 ⎥⎥ A − λI = (1 − λ )(λ2 − 9) = 0 ⎨ λ2 = 3
⎢⎣12 0 − 9⎥⎦ ⎪λ = −3
⎩ 3
⎡8 0 −6⎤
B1 = ⎢⎢ 0 0 0 ⎥⎥ no podemos tomar los adjuntos de la primera fila ni
⎢⎣12 0 − 10⎥⎦
los de la tercera, porque se anulan todos, pero sí los de la segunda:
⎡0⎤ ⎡ 0⎤
v = ⎢ − 8⎥ o v = ⎢⎢1⎥⎥
1 ⎢ ⎥ 1
⎢⎣ 0 ⎥⎦ ⎢⎣0⎥⎦
⎡6 0 −6⎤
⎢
B2 = ⎢ 0 − 2 0 ⎥⎥ tomando los adjuntos de la 1ª fila:
⎢⎣12 0 − 12⎥⎦
28
⎡24⎤ ⎡1 ⎤
v = ⎢ 0 ⎥ ó ⎢⎢0⎥⎥
2 ⎢ ⎥
⎢⎣24⎥⎦ ⎢⎣1⎥⎦
⎡12 0 − 6⎤
B3 = ⎢⎢ 0 4 0 ⎥⎥ tomando los adjuntos de la 1ª fila:
⎢⎣12 0 − 6⎥⎦
⎡− 24⎤ ⎡1 ⎤
v = ⎢ 0 ⎥ ó ⎢⎢0⎥⎥
3 ⎢ ⎥
⎢⎣ − 48⎥⎦ ⎢⎣2⎥⎦
La matriz modal será

⎡0 1 1 ⎤ ⎡0 1 0⎤
P = ⎢1 0 0⎥ cuya inversa es P −1 = ⎢⎢ 2 0 − 1⎥⎥
⎢ ⎥
⎢⎣0 1 2⎥⎦ ⎢⎣− 1 0 1 ⎥⎦
PROPIEDADES DE LAS MATRICES SEMEJANTES:
S1) A ∼ B y B ∼ C ⇒ A ∼ C (transitiva)
Dem.: A ∼ B ⇒ A = P-1 B P
si premultiplicamos por P y posmultiplicamos por P-1 resulta
P A P-1 = B (1)
B ∼ C ⇒ B = Q-1 C Q (2)
de (1) y (2) P A P-1 = Q-1 C Q
A = P-1 Q-1 C Q P haciendo Q . P = R ⇒ R-1 = P-1 . Q-1
A = R-1 C R
Si dos matrices son semejantes:

S2) tienen la misma traza A ∼ B ⇒ tr(A) = tr(B)
-1
Dem.: A ∼ B ⇒ A = P B P
tr(A) = tr(P-1 B P )
-1
= tr[(P B) P] (por propiedad asociativa de producto de matrices)
29
= tr[P(P-1 B)] (por prop. conmutativa de la traza de producto de matrices)

= tr[(P P-1)B] (por propiedad asociativa de producto de matrices)
= tr(B)
S3) tienen igual determinante A ∼ B ⇒ |A| = |B|

Dem.: A ∼ B ⇒ A = P-1 B P
|A| = |P-1 B P|
-1
= |P | |B| |P| (por propiedad del determinante de producto de matrices)
= |B| |P-1| |P| (por propiedad conmutativa del producto de números
reales y complejos)
= |B| |P|-1 |P| (porque |P-1| = |P|-1 )
= |B|
S4) tienen el mismo rango: A ∼B ⇒ r(A) = r(B)

porque son matrices equivalentes (representan la misma TL)
S5) tienen igual polinomio característico y, por lo tanto, iguales valores y

vectores propios: A ∼ B ⇒ |A − λI| = |B − λI|
Dem.: A ∼ B ⇒ A = P-1 B P
A − λ I = P-1 B P −λ I
= P-1 B P −λ P-1 P
-1
= P (B − λ I) P ⇒ (A − λI) ∼ (B − λI) ⇒ |A−λI| = | B − λI| (prop. S3)
S6) si A ∼ B ⇒ An = P-1 Bn P
Dem.: A ∼ B ⇒ A = P-1 B P
A2 = (P-1 B P) (P-1 B P) = P-1 B P P-1 B P = P-1 B2 P
A3 = (P-1 B2 P) (P-1 B P) = P-1 B2 P P-1 B P = P-1 B3 P
.....................
si Ak = P-1 Bk P Ak+1= (P-1BkP) (P-1 B P) = P-1 Bk+1 P q.q.d.
OBSERVACIONES sobre las relaciones entre los coeficientes del polinomio

característico, los valores propios y los elementos de la matriz A:
Si P(λ) = |A − λI| = (−λ)n + α1 (−λ)n-1 + α2 (−λ)n-2 + ... + αn-1 (−λ) + αn

1) la suma de los valores propios de A es igual al coeficiente α1 y es igual a
la traza de A:
n n
α1 = ∑ λi
i =1
= ∑a
i =1
ii = tr(A)
2) el producto de los valores propios de A es igual al coeficiente αn y es

30
n
igual al determinante de A: αn = Πλ
i =1
i = |A|
3) los coeficientes αi son iguales a las sumas de todos los menores de

orden i de |A| que contienen en su diagonal principal elementos de la
⎛n⎞
diagonal principal de A. Hay ⎜⎜ ⎟⎟ menores principales de orden i.
⎝i⎠
También son iguales a la suma de todos los productos posibles de los
⎛n⎞
valores propios de A tomados de i en i. Hay ⎜⎜ ⎟⎟ productos posibles.
⎝i⎠
La observación 1) corresponde a i = 1 y la 2 a i = n
4) si la matriz A es diagonalizable el número de valores propios no nulos

de A es igual al rango de A.
Para probar las primeras tres observaciones con respecto a los valores
propios de A recordamos que si A es diagonalizable es semejante a una
⎡λ1 0 0 0⎤
⎢0 λ2 0 0 ⎥⎥
⎢
matriz diagonal Λ = ⎢ 0 0 λ3 0⎥ donde λi son los valores
⎢ ⎥
⎢ ⎥
⎢⎣ 0 0 0 λ n ⎥⎦
propios de A.
Como las matrices semejantes tienen igual polinomio característico:

|Λ − λI| = |A − λI |. Supongamos que Λ sea de dimensión 3 x 3
⎡λ1 − λ 0 0 ⎤
⎢
Λ−λI = ⎢ 0 λ2 − λ 0 ⎥⎥ = (λ1 − λ )(λ 2 − λ )(λ3 − λ ) =
⎢⎣ 0 0 λ3 − λ ⎥⎦
= −λ3 + (λ1 + λ 2 + λ3 )λ2 + (λ1λ3 + λ 2 λ3 + λ1λ 2 )(− λ ) + λ1λ 2 λ3
α1 = ∑ λi α2 α3 = ∏ λi
Si Λ es una matriz 4x4 Λ − λ I = (λ1 − λ )(λ 2 − λ )(λ3 − λ )(λ 4 − λ ) =
31
= λ4 + (λ1 + λ 2 + λ3 + λ 4 )(− λ ) 3 +
∑ λi
α1 =
+ (λ1λ 2 + λ1λ3 + λ1λ 4 + λ 2 λ3 + λ 2 λ 4 + λ3 λ 4 )λ2 +

α2
+ λ1λ 2 λ3 + λ1λ 2 λ 4 + λ1λ3 λ 4 + λ 2 λ3 λ 4 (−λ ) + λ1λ 2 λ3 λ 4

α3 α4 = ∏ λi
De manera similar se procede para una matriz de dimensión nxn.
Si la matriz A no es diagonalizable es siempre semejante a una matriz de

Jordán y tienen el mismo polinomio característico. Como la matriz de Jordán
es una matriz triangular, también lo es la matriz (J − λI) de modo que
|J − λI| = (λ1−λ) (λ2−λ) ... (λn−λ) = |A−λI|
Para probar las primeras tres observaciones con respecto a los elementos
de la matriz A, lo haremos considerando una matriz de dimensión 3x3; de
manera similar se procede con una matriz nxn.
a11 − λ a12 a13 a11 a12 a13

A−λ I = a 21 a 22 − λ a 23 = a 21 a 22 − λ a 23 +
a31 a32 a33 − λ a 31 a32 a33 − λ
−λ a12 a13 a11 a12 a13 a11 0 a13

+ 0 a 22 − λ a 23 = a 21 a 22 a 23 + a 21 −λ a 23 +
0 a32 a33 − λ a31 a32 a33 − λ a 31 0 a33 − λ
−λ a12 a13 −λ 0 a13

+ 0 a 22 a 23 + 0 −λ a 23 =
0 a32 a 33 − λ 0 0 a33 − λ
a11 a12 a13 a11 a12 0 a11 0 a13 a11 0 0
= a 21 a 22 a 23 + a 21 a 22 0 + a 21 −λ a 23 + a 21 −λ 0 +
a31 a32 a33 a31 a32 −λ a 31 0 a33 a31 0 −λ
32
−λ a12 a13 − λ a12 0 −λ 0 a13 − λ 0 0

+ 0 a 22 a 23 + 0 a 22 0 + 0 −λ a 23 + 0 −λ 0 =
0 a32 a33 0 a32 −λ 0 0 a33 0 0 −λ
a11 a12 a a13 a 22 a 23

= A+ (− λ ) + 11 (− λ ) + a11 (− λ ) 2 + (−λ ) +
a 21 a 22 a31 a33 a32 a 33
+ a 22 (−λ ) 2 + a33 (−λ ) 2 + (−λ ) 3 = (− λ ) 3 + (a11 + a 22 + a33 )(− λ ) 2 +

α1 = tr ( A )
⎧a a12 a11 a13 a 22 a 23 ⎫

+ ⎨ 11 + + ⎬( − λ ) + A
⎩ a 21 a 22 a31 a33 a32 a33 ⎭
α3
α2
Con respecto a la cuarta observación, si A es diagonalizable es semejante a

la matriz Λ y, por lo tanto, tienen el mismo rango. El rango de una matriz
diagonal está dado por el número de elementos no nulos de su diagonal
principal.
⎡− 1 1 1⎤ ⎧ λ1 = 0
⎢ ⎥ ⎪
Ejemplo 1: A = 0 1 1
⎢ ⎥ A − λ I = −λ + 2λ + 3λ = 0 ⎨λ 2 = −1
3 2
⎢⎣ 0 2 2⎥⎦ ⎪λ =3
⎩ 3
α1 = 2 α2 = -3 α3 = 0
1) Con valores propios: α1 = Σλi = 0 -1+3 = 2 α2 = λ1λ2+λ1λ3+λ2λ3

= 0(-1) + 0.3 + (-1)3 = -3
α3 = Πλi = 0 (-1) 3 = 0
2) Con elementos de la matriz: α1= tr(A) = -1+1+2 = 2

−1 1 1 1 −1 1
α2 = + + = −1 + 0 − 2 = −3 α3 = |A| = 0
0 1 2 2 0 2
33
Ejemplo 2:
⎡1 − 4 0 ⎤ ⎧ λ1 = −1
⎪
A = ⎢⎢1 − 2 0 ⎥⎥ A − λ I = − λ 3
− 2λ 2
− 3λ − =
2 0 ⎨ −1 7
⎢⎣0 2 − 1⎥⎦ ⎪⎩λ 2,3 = 2 ± 2 i
1 7 1 7
α1 = Σλi = −1 − + i− - i = −2 = tr(A)
2 2 2 2
−1 7 −1 7 −1 7 −1 7
α2 = (−1) ( + i) + (−1) ( − i) + ( + i) ( − i) =
2 2 2 2 2 2 2 2
1 7 1 7 1 7 2
= − i+ + i+ − i =3
2 2 2 2 4 4
1 −4 −2 0 1 0
α2 = + + = 2 + 2 −1 = 3
1 −2 2 −1 0 −1
−1 7 −1 7 1 7
α3 = Πλi = −1( + i) ( − i) = − ( + ) = −2 = |A|
2 2 2 2 4 4
⎡ 1 0 0 2⎤
⎢−1 3 0 1 ⎥⎥
Ejemplo 3: A = ⎢
⎢ 0 2 1 0⎥
⎢ ⎥
⎣− 2 0 0 − 1⎦
⎧ λ1 = 1
⎪
A − λ I = λ − 4λ + 6λ − 12λ + 9 = 0 ⎨ λ 2 = 3
4 3 2
⎪λ = ± 3
⎩ 3, 4
α1 = Σλi = 4 + 3 i − 3 i = 4 = tr (A) α4 = Πλi = 3. 3 i (− 3 i) = 9=|A|
α2 = 1.3 + 1. 3 i − 1. 3 i + 3. 3 i − 3. 3 i − 3i 3i = 6
1 0 1 0 1 2 3 0 3 1 1 0
α2 = + + + + + =6
−1 3 0 1 − 2 −1 2 1 0 −1 0 −1
34
α3 = 1.3 3 i + 1.3 (− 3 i) + 3. 3 i (− 3 i) + 1. 3 i (− 3 i) = 12
1 0 0 1 0 2 1 0 2 3 0 1
α3 = −1 3 0 + −1 3 1 + 0 1 0 + 2 1 0 = 12
0 2 1 − 2 0 −1 − 2 0 −1 0 0 −1
Teorema: ninguna raíz característica de la matriz cuadrada A puede tener

módulo mayor que la máxima suma de los módulos de los elementos de
cada fila ni que la máxima suma de los módulos de los elementos de cada
columna, o sea |λ| ≤ min {F , C }donde λ denota cualquier raíz característica
n
de la matriz A, F = max F i
i
Fi = ∑ a ij
j =1
n
C = max C j C j = ∑ aij
j
i =1
Dem.: si λ es raíz característica de A, entonces, existe un vector no nulo

⎡ x1 ⎤ ⎧ λ x1 = a11 x1 + a12 x2 + + a1n xn
⎢x ⎥ ⎪λ x = a x + a x + + a2 n xn
⎪
x = ⎢ 2 ⎥ tal que λx=Ax o sea ⎨ 2 21 1 22 2
(1)
⎢ ⎥ ⎪
⎢ ⎥ ⎪⎩λ xn = an1 x1 + an 2 x2 +
x
⎣ n⎦ + ann xn
tomando módulos m. a m. la 1ª ecuación resulta:
|λx1| ≤ |a11x1| + |a12x2| + ... + |a1nxn| por desigualdad triangular
|λ| |x1| ≤ |a11| |x1| + |a12| |x2| + ... + |a1n| |xn| por módulo de producto de
escalares. Operando de modo similar con las demás ecuaciones, el sistema
(1) resulta
⎧ λ x1 ≤ a11 x1 + a12 x 2 + + a1n x n

⎪
⎪ λ x 2 ≤ a 21 x1 + a 22 x 2 + + a2n xn
⎨
⎪
⎪ λ x n ≤ a n1 x1 + a n 2 x 2 + + a nn x n
⎩
35
sumando m. a m. estas desigualdades y sacando factor común |λ| en el 1er.

miembro y |xi| en cada columna del 2do. miembro obtenemos:
λ ( x1 + x 2 + + x n ) ≤ ( a11 + a 21 + + a n1 ) x1 +
C1
+ ( a12 + a 22 + + an 2 ) x2 + + ( a1n + a 2 n + + a nn ) + x n
C2 Cn
como Cj ≤ C resulta |λ| (|x1| + |x2| + ... + |xn|) ≤ C (|x1| + |x2| + ... + |xn|) como
x es un vector propio sus componentes no pueden ser todas nulas, de modo
que la suma de sus módulos será positiva; dividiendo m. a m. por dicha
suma |λ| ≤ C
Como una matriz cuadrada A y su traspuesta AT tienen el mismo polinomio
característico, y por lo tanto, iguales raíces, partiendo de la ecuación
λx = Atx se demuestra que |λ| ≤ F
si λ ≤ C ⎫
⎬ λ ≤ min {F, C} que es lo que se quería demostrar.
y λ ≤ F⎭
MATRIZ IDEMPOTENTE: una matriz cuadrada es idempotente sii es igual a

⎡1 / 2 1 / 2⎤
su cuadrado: A = A2 por ejemplo: A = ⎢ ⎥
⎣1 / 2 1 / 2⎦
Todas sus raíces características son iguales a 0 ó a 1
MATRIZ INVOLUTIVA: una matriz cuadrada es involutiva sii su cuadrado es

⎡1 0 ⎤
la matriz identidad: A2 = I por ejemplo: A = ⎢ ⎥
⎣0 − 1⎦
Todas sus raíces son iguales a 1 ó a −1
MATRIZ NILPOTENTE: una matriz cuadrada es nilpotente sii cierta

⎡0 0⎤
potencia suya es la matriz nula: Ak= θ (k ≥ 1) por ejemplo: A = ⎢ ⎥
⎣ 2 0⎦
El menor exponente para el cual la potencia de A es nula se denomina
índice de nilpotencia (en el ejemplo, el índice es 2).
Todas sus raíces son nulas.
36
1.2.2. Diagonalización de matrices simétricas

Los valores propios de una matriz simétrica real son todos reales. Los
vectores propios asociados a diferentes valores propios de una matriz
simétrica son ortogonales. A cada valor propio de una matriz simétrica
corresponden tantos vectores propios LI como el orden de multiplicidad del
valor propio. Por lo tanto, toda matriz simétrica real es diagonalizable sobre
el campo de los reales con una matriz de paso (o modal) ortogonal.
Ejemplo 1:
⎡ 7 −2 0 ⎤ ⎧ λ1 = 3
⎪
A = ⎢⎢− 2 6 − 2⎥⎥ A − λ I = −λ3 + 18λ2 − 99λ + 162 = 0 ⎨λ 2 = 6
⎢⎣ 0 − 2 5 ⎥⎦ ⎪λ = 9
⎩ 3
⎡ 4 −2 0 ⎤ ⎡ 2⎤ ⎡1 ⎤
A − 3I = ⎢⎢− 2 3 − 2⎥⎥ v 1 = ⎢⎢4⎥⎥ = 2 ⎢⎢2⎥⎥
⎢⎣ 0 − 2 2 ⎥⎦ ⎢⎣4⎥⎦ ⎢⎣2⎥⎦
< v1 ⋅ v 2 > = 0 ⇒ v1 ⊥ v 2
⎡ 1 −2 0 ⎤ ⎡− 4⎤ ⎡2⎤
A − 6 I = ⎢⎢− 2 0 − 2⎥⎥ v = ⎢− 2⎥ = −2 ⎢⎢ 1 ⎥⎥
2 ⎢ ⎥
⎢⎣ 0 − 2 − 1 ⎥⎦ ⎢⎣ 4 ⎥⎦ ⎢⎣− 2⎥⎦
< v2 ⋅ v3 > = 0 ⇒ v2 ⊥ v3
⎡− 2 − 2 0 ⎤ ⎡8⎤ ⎡2⎤
A − 9 I = ⎢− 2 − 3 − 2⎥ v = ⎢− 8⎥ = 4 ⎢⎢− 2⎥⎥
⎢ ⎥ 3 ⎢ ⎥
⎢⎣ 0 − 2 − 4⎥⎦ ⎢⎣ 4 ⎥⎦ ⎢⎣ 1 ⎥⎦
< v1 ⋅ v 3 > = 0 ⇒ v1 ⊥ v 3
como los vectores propios son ortogonales entre sí, basta normalizarlos:
u1= 1/3 v1, u2= 1/3 v2, u3= 1/3 v3 entonces podemos diagonalizar la matriz
simétrica A mediante la matriz ortogonal P
37
⎡1 2 2⎤ ⎡3 0 0⎤
1⎢
P = ⎢2 1 − 2⎥ de modo que Λ = P AP = ⎢⎢0 6 0⎥⎥
⎥ T
3
⎢⎣2 − 2 1 ⎥⎦ ⎢⎣0 0 9⎥⎦
⎡ 7 −2 1 ⎤
⎢
Ejemplo 2: A = − 2 10 − 2
⎥
⎢ ⎥
⎢⎣ 1 − 2 7 ⎥⎦
⎧λ1 = λ 2 = 6
⎪
A − λ I = − λ + 24λ − 180λ + 432 = 0 ⎨
3 2
⎪ λ = 12
⎩ 3
⎡ 1 −2 1 ⎤
A − 6λI = ⎢⎢− 2 4 − 2⎥⎥ las soluciones del sistema A - 6I = θ son de
⎢⎣ 1 − 2 1 ⎥⎦
la forma x1 = 2 x 2 − x3 . Si x2 = x3 =1 tenemos el vector propio
v 1 = [1, 1, 1] . Para cada par de valores no proporcionales a los ya dados
T
tendremos un vector propio LI de v1. Como nos interesa que sean

ortogonales pedimos que su producto interno sea 0 ⇒ 1.x1 + 1.x2 + 1.x3 = 0;
como también debe ser vector propio para λ=6 debe ser x1−2 x2 + x3 = 0.
⎧ x1 = − x3
La solución de este sistema implica ⎨ entonces puede ser
⎩ x2 = 0
v 2 = [− 1, 0, 1]
T
⎡− 5 − 2 1 ⎤ ⎡ 6 ⎤ ⎡1 ⎤
A − 12 I = ⎢⎢− 2 − 2 − 2⎥⎥ v = ⎢− 12⎥ = 6 ⎢⎢− 2⎥⎥
3 ⎢ ⎥
⎢⎣ 1 − 2 − 5⎥⎦ ⎢⎣ 46 ⎥⎦ ⎢⎣ 1 ⎥⎦
podemos comprobar que v3 es ortogonal a v1 y a v2; para obtener una matriz

de paso ortogonal debemos normalizarlos:
38
⎡ 1 −1 1 ⎤
⎢ ⎥
⎢ 3 2 6⎥
1 − 2⎥
como |v1| = 3 ; |v2| = 2 ; |v3| = 6 P=⎢ 0
⎢ 3 6⎥
⎢ 1 1 1 ⎥
⎢ ⎥
⎣ 3 2 6⎦
⎡1 0 i ⎤
⎢ ⎥ ⎧λ = λ 2 = 0
Ejemplo 3: A = 0 2 0
⎢ ⎥ A − λ I = − λ 3 + 2λ 2 = 0 ⎨ 1
⎢⎣ i 0 − 1⎥⎦ ⎩ λ3 = 2
A − 0I = A es una matriz de rango 2 de modo que no pueden obtenerse 2
vectores propios LI (la nulidad es 1) y la matriz A no es diagonalizable.
Ejemplo 4:
⎡1 2 − 4⎤
⎧λ = λ 2 = −3
A = ⎢ 2 − 2 − 2⎥⎥
⎢ A − λ I = −λ3 + 27λ + 54 = 0 ⎨ 1
⎢⎣− 4 − 2 1 ⎥⎦ ⎩ λ3 = 6
⎡ 4 2 − 4⎤ ⎡0 ⎤
⎢
A + 3I = ⎢ 2 1 − 2⎥ ⇒ x 2 = 2 x3 − 2 x1 v = ⎢⎢2⎥⎥ para obtener v2
⎥ 1
⎢⎣− 4 − 2 4 ⎥⎦ ⎢⎣1 ⎥⎦
⎧0 ⋅ x1 + 2 ⋅ x 2 + 1 ⋅ x3 = 0
ortogonal a v1 resolvemos el sistema ⎨
⎩ x 2 = 2 x3 − 2 x1
⎡ − 5⎤
⎢ ⎥
una solución es v = 2
2
⎢ ⎥
⎢⎣− 4⎥⎦
39
⎡ − 5 2 − 4⎤ ⎡2⎤
A − 6 I = ⎢ 2 − 8 − 2⎥ v 3 = ⎢⎢ 1 ⎥⎥ podemos comprobar que los tres
⎢ ⎥
⎢⎣− 4 − 2 − 5⎥⎦ ⎢⎣− 2⎥⎦
vectores propios son ortogonales entre sí, los normalizamos para obtener la
matriz de paso ortogonal:
⎡ −5 2 ⎤
⎢ 0
⎢ 3 5 3 ⎥⎥ ⎡0 − 5 2 5 ⎤
2 2 1 ⎥ 1 ⎢ ⎥
P=⎢ = ⎢ 6 2 5 ⎥
⎢ 5 3 5 3 ⎥ 3 5⎢ ⎥
⎢ 1 −4 − 2⎥ ⎣3 − 4 − 2 5 ⎦
⎢ ⎥
⎣ 5 3 5 3 ⎦
⎡ − 3 0 0⎤
P T AP = ⎢⎢ 0 − 3 0⎥⎥ = Λ
⎢⎣ 0 0 6⎥⎦
Teorema: los autovalores (o valores propios) de una matriz simétrica real

son todos reales.
Dem.: sea A una matriz simétrica real y P(λ)= |A−λI| su polinomio

característico (con coeficientes reales por ser A una matriz real).
Si existiera una raíz compleja λ1= α + βi existiría su conjugada λ2 = α − βi.

Formamos la matriz B = (A−λ1I) (A−λ2I) = [A − (α+βi) I] [A− (α−βiI)]
= A2 − Aα +Aβi I − αA −βi A + (α2+β2) I2
= A2 − 2αA + α2 I2 + β2 I2 = (A −αI)2 + β2 I teniendo en cuenta que A es
simétrica se puede expresar B = (A −αI)T (A −αI) + β2 I . Como B es una
matriz singular (producto de dos matrices singulares de la forma A − λiI)
existe un vector x≠θ / Bx=θ
Si premultiplicamos esta última igualdad m.a m. por xT x TB x = x Tθ = 0
T T T T 2
reemplazando: x B x = x (A − αI) (A − αI) x + x β I x = 0
= [(A − αI) x]T [(A − αI) x] + β2 I x = 0
= <[(A − αI) x] . [(A − αI) x]> + β2 <x . x> = 0
como el primer término del 2do. m. es el cuadrado de la norma de (A − αI)x
es no negativo y en el segundo término <x . x> es el cuadrado de la norma
de x que debe ser positiva por ser x un vector propio, de modo que para que
40
se verifique la igualdad deben ser ambos términos nulos. El segundo

término sólo puede anularse si β = 0, lo que implica que no puede haber
raíces complejas, en ese caso α = λ y el producto (A − αI) x . (A − αI) x es
el vector nulo, cuya norma es cero, de modo que el primer término también
se anula.
Teorema: los autovectores (o vectores propios) de una matriz simétrica

asociados a autovalores distintos son ortogonales.
Dem.: sea la matriz simétrica A y λ1≠λ2 autovalores de A; sean x1 y x2

autovectores asociados a λ1 y λ2, respectivamente.
Se tiene que A x1 = λ1 x1 y A x2 = λ2 x2 (1)

por definición de producto interior euclídeo: <Ax1. x2> = (A x1)T x2
= (x1)T AT x2 = (x1)T Ax2 = <x1.Ax2>
resulta entonces <Ax1.x2> = <x1.Ax2>
por (1) <λ1x1.x2> = <x1. λ2x2>
λ1<x1.x2> = λ2<x1.x2>
(λ1 − λ2) <x1. x2> = 0
como λ1 ≠ λ2 debe ser <x1.x2> = 0 entonces x1 y x2 son ortogonales
1.2.3. Teorema de Cayley-Hamilton

Toda matriz cuadrada satisface a su propia ecuación característica, es decir,
si Anxn tiene por ecuación característica |A − λI| = 0, siendo |A − λI| un
polinomio de grado n en λ: P(λ) = c0 + c1λ + c2λ2 + ... + cn-1 λn-1 + cnλn (1)
se verifica P(A) = θ o sea c0 I + c1 A + c2 A2 + ... + cn-1 An-1 + cn An = θ (2)
Dem.: llamemos M a la matriz (A − λI) y M’ a su adjunta

1 1
como M-1 = Adj(M) = M’ será M’ = |M| M-1
| M| | M|
premultiplicando por M M M’ = |M| I
M M’ = P(λ) I (3)
pero la matriz M’ es una matriz cuyos elementos son polinomios de grado a
lo sumo (n−1) en λ (los determinantes adjuntos de cada elemento de la
matriz traspuesta de M) y por lo tanto puede escribirse como un polinomio
matricial de grado (n−1) en λ, o sea:
41
M’ = M0 + M1 λ + M2 λ2 + ... + Mn-2 λn-2 + Mn-1 λn-1 (4) donde las Mi son

matrices
Por otro lado M M’ = (A − λI) M’

M M’ = A M’ − λM’ (5)
igualando (3) y (5) resulta A M’ − λ M’ = P(λ) I
reemplazando M’ por (4) y P(λ) por (1):
A (M0 + M1λ + M2λ2 + ... + Mn-2 λn-2 + Mn-1 λn-1) − λ (M0 + M1λ + M2λ2 + ... +
+Mn-2 λn-2 + Mn-1 λn-1) = (c0 + c1 λ + c2 λ2 + ... + cn-1 λn-1 + cn λn) I
efectuando las operaciones indicadas:
A M0 + (A M1 − M0) λ + (A M2 − M1) λ2 + ... + (A Mn-2 − Mn-3) λn-2 +

+ (A Mn-1 − Mn-2) λn-1 – Mn-1λn =
=c0 I + c1 I λ + c2 I λ2 + ... + cn-2 I λn-2 + cn-1 I λn-1 + cn I λn (6)
Igualando coeficientes premultiplicados resulta

homólogos en (6) por
A M0 = c0 I I A M0 =c0 I
A M1 - M0 = c1 I A A2 M1 - A M0 = c1 A
A M2 - M1 = c2 I A2 A3 M2 - A2M1 = c2 A2
..................................... .......................... .............................................
A Mn-2 - Mn-3 = cn-2 I An-2 An-1 Mn-2 - An-2 Mn-3 = cn-2 An-2
A Mn-1 - Mn-2 = cn-1 I An-1 An Mn-1 - An-1 Mn-2 = cn-1 An-1
-Mn-1 = cn I An -An Mn-1 = cn An
sumando m. a m. las igualdades de la última columna obtenemos (2) q.q.d.
Otro método para calcular A-1: si A es una matriz no singular no hay

valores propios nulos y, por lo tanto, c0 ≠ 0. Si multiplicamos m. a m. (2) por
−1
A-1 y despejamos: A-1 = (c1I + c2 A + c3 A2 + ... + cn-1 An-2 + cn An-1)
c0
⎡1 0 2 ⎤
Ejemplo 1: A = ⎢⎢1 2 0⎥⎥ A − λ I = −λ3 + 4λ2 − λ − 6
⎢⎣2 0 1 ⎥⎦
42
⎧⎡ − 5 0 4 ⎤ ⎡ 4 0 8⎤
1
6
( 1
)⎪
A −1 = − A 2 + 4 A − I = ⎨ ⎢ − 3 − 4 − 2⎥⎥ + ⎢⎢ 4 8 0⎥⎥ +
6⎪
⎢
⎩ ⎢⎣ − 4 0 − 5⎥⎦ ⎢⎣8 0 4⎥⎦
⎡− 1 0 0 ⎤⎫ ⎡− 2 0 4 ⎤
⎪ 1⎢
⎢ ⎥
+ ⎢ 0 − 1 0 ⎥ ⎬ = ⎢ 1 3 − 2⎥⎥
6
⎢⎣ 0 0 − 1⎥⎦ ⎪⎭ ⎢⎣ 4 0 − 2⎥⎦
Ejemplo2:
⎡1 − 3 0 0⎤
⎢0 2 1 − 2⎥⎥
A= ⎢ A − λ I = λ4 − 3λ3 + 3λ2 − 12λ + 5
⎢0 0 − 1 3 ⎥
⎢ ⎥
⎣2 1 0 1 ⎦
⎧⎡− 13 15 6 − 15⎤ ⎡ 3 − 27 − 9 18 ⎤
⎪⎢ ⎥ ⎢− 12
10 − 13 − 1 4 6 3 − 9⎥⎥
1
( ) ⎪
A −1 = − A3 + 3 A 2 − 3 A + 12 I = ⎨⎢ ⎥+⎢ +
5 ⎪⎢ − 6 12 − 2 3 ⎥ ⎢ 18 9 3 0⎥
⎪⎢⎣ − 2 19 4
⎥ ⎢
− 8 ⎦ ⎣ 12 −9 3 − 3⎦
⎥
⎩
⎡− 3 9 0 0 ⎤ ⎡12 0 0 0 ⎤ ⎫ ⎡ −1 − 3 − 3 3 ⎤
⎢ 0 − 6 − 3 6 ⎥ ⎢ 0 12 0 0 ⎥ ⎪ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎪ 1 ⎢− 2 − 1 − 1 1 ⎥
+ + ⎬=
⎢0 0 3 − 9⎥ ⎢ 0 0 12 0 ⎥ ⎪ 5 ⎢ 12 21 16 − 6⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣− 6 − 3 0 − 3⎦ ⎣ 0 0 0 12⎦ ⎪⎭ ⎣4 7 7 − 2⎦
43

A - Anexo Transformaciones Lineales PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

A - Anexo Transformaciones Lineales PDF

Enviado por

Direitos autorais:

Formatos disponíveis

[••••••••••••••••••••••••••••

1.1. Transformaciones lineales • • • • ] ]

SUBESPACIO VECTORIAL: un subconjunto no vacío W del espacio

COMBINACIÓN LINEAL: se dice que un vector v ∈ V es combinación lineal

números reales arbitrarios, es un espacio vectorial sobre ℜ

DEPENDENCIA LINEAL: se dice que los vectores v1, v2 ..., vr de un espacio

de dichos vectores podrá expresarse como combinación lineal de los otros

INDEPENDENCIA LINEAL: recíprocamente, los vectores vi son linealmente

para la cual k1 = k2 = ... = kr = 0

Observación: todo subconjunto de un espacio vectorial que contiene al

GENERADORES: se dice que un conjunto de vectores v1, v2, ..., vr

BASE: una base de un espacio vectorial V es cualquier subconjunto suyo

DIMENSIÓN: la dimensión de un espacio vectorial es igual al número de

COORDENADAS o COMPONENTES de un vector: si el conjunto

caracterizado por los coeficientes de la C.L., o sea por la n-upla de elementos

En general, si elegimos p vectores L.I. podemos formar un espacio vectorial

Un espacio vectorial que tiene definido un producto interior se denomina

Si v1 y v2 son vectores de un espacio vectorial con producto interior,

NORMA: si V es un espacio vectorial con producto interior, entonces la

DISTANCIA: se denomina distancia entre dos vectores v1 y v2 de un espacio

D1) d(v1, v2) ≥ 0 ; d(v1, v2) = 0 ⇔ v1 = v2

ORTOGONALIDAD: dos vectores v1 y v2 de un espacio vectorial V con

(si un vector a es ortogonal a un conjunto de vectores, es también ortogonal a

ESPACIO EUCLÍDEO: es un espacio vectorial E sobre ℜ en el cual se ha

Definido este producto interior, la norma de un vector a será:

VECTORES UNITARIOS o NORMALES: son aquellos cuyo módulo es 1:

Para normalizar un vector v (obtener un vector unitario en su misma

Los vectores ortogonales y no nulos de un espacio vectorial euclídeo son

ORTONORMALIZACIÓN DE UNA BASE: a partir de una base cualquiera

1) hallamos un vector unitario en la dirección de v1 (normalizamos v1):

2) hallamos un vector ortogonal a u1 de la siguiente forma:

4) hallamos un vector ortogonal a u1 y a u2 de la siguiente forma:

y3 = v3 − <v3, u2> u2 − <v3, u1> u1

VECTORES CANÓNICOS o VERSORES: vectores ortonormales cuyas

Base canónica de ℜn = {e1, e2, ..., en}

Sea v1 = (1, -2, 0, 2) v2 = (0, -1, 2, 2) v3 = (-1, 0, 1, 2)

1°) hallamos un vector unitario en la dirección de v1 (normalizamos v1) y lo

y3 = v3 − <v3, u2>u2 − <v3, u1>u1 =

Dem.: si B es una base de V, el vector a puede expresarse en forma

1.1.2. Transformaciones lineales

2) la imagen del producto de cualquier escalar k de K por cualquier vector v

Estas dos condiciones se pueden resumir en una sola:

Se puede demostrar por inducción completa que si t: V→W es una TL

IGUALDAD: se dice que dos transformaciones t1 y t2 de V en W son iguales

SUMA: la suma de dos TL de V en W es también una TL:

PRODUCTO POR UN ESCALAR: el producto de una TL de V en W por un

El producto de una matriz Amxn por un escalar k ∈ K es la matriz

COMPOSICIÓN DE TL: sean f:V→U y g:U→W dos TL. La función

Si el espacio vectorial V es de dimensión n: d(V)=n, d(U)=p y d(W)=m las

= g [f(v1)] + g [f(v2)] por ser g TL

2) (gof)(kv) = g [f(kv)] = g [k f(v)] por ser f TL

= k g [f(v)] por ser g TL

TRANSFORMACIONES LINEALES ESPECIALES:

Transf. nula: una aplicación z:V→W se denomina transformación nula si

Transf. idéntica: una aplicación i: V→W se denomina idéntica si para todo

Transf. escalar: k: V→W es una transformación escalar si para todo vector

Transf. opuesta: sea t:V→W una transformación lineal. Existe una

OPERADOR DERIVACIÓN: sea V el espacio vectorial de todas las

OPERADOR INTEGRACIÓN: sea V el espacio vectorial de todas las

DOMINIO: de una TL es el conjunto de elementos a los que se aplica la

CODOMINIO: de una TL es el conjunto al cual pertenecen los elementos

RECORRIDO o CONJUNTO IMAGEN: de una TL es el conjunto de

Rt= {w/w ∈ W, w=t(v) para algún v ∈ V} Rt ⊂ W; Rt es un subespacio de