Alg Lineal 04

Indice general
1. Transformaciones lineales 2
1.0.1. Propiedades de las transformaciones lineales . . . . . . . . . . . . . . 13
1.1. Conjunto Imagen e imagen inversa . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.1. Propiedades de TA : V W . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.2. Dimensiones del nucleo y de la imagen . . . . . . . . . . . . . . . . . . . . . . 24
1.3. Transformaciones lineales de IRn hacia IRm . . . . . . . . . . . . . . . . . . . . 27
1.4. Representacion matricial de una transformacion lineal . . . . . . . . . . . . 37
1.4.1. Representacion matricial de un operador lineal . . . . . . . . . . . . . 38
1.5. Valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.6. Diagonalizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.7. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1.8. Diagonalizacion de matrices simetricas . . . . . . . . . . . . . . . . . . . . . 50

1.9. Formas cuadraticas, aplicacion a las secciones

cuadraticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

1.10.Formas cuadraticas:
Aplicacion a las superficies cuadricas . . . . . . . . . . 58
1.11.Trabajo Encargado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
1
Captulo 1
Transformaciones lineales

Introduccion
Hemos dedicado bastante tiempo trabajando con espacios vectoriales, en particular
con el espacio vectorial IRn , ahora es el momento de pasar a las relaciones entre dos espa-
cios vectoriales.
Por lo general, las relaciones entre dos conjuntos X e Y se estudian mediante funcio-
nes. Ya conocemos, la nocion de funcion o transformacion f : X Y que transforma el
conjunto X en el conjunto Y. Ademas las funciones reales son bien conocidas por los estu-
diantes. Por ejemplo, las funciones trigonometricas senx y cosx, o la funcion exponencial
ex son funciones de las que se conocen sus propiedades. Estas funciones hacen correspon-

der a un numero
real otro numero real mediante una regla preestablecida. Tambien
posiblemente sean conocidas las funciones de dos o mas variables, como por ejemplo la
2 2 2
funcion f(x, y) = x + y , definida en IR y con valores en IR. Podemos recordar tambien
funciones complejas eix o la funcion modulo de un numero
complejo. En los ejemplos an-

teriores siempre se obtiene, con la aplicacion de la regla, un numero real (o compleja)
llamado imagen. Cuando la imagen no es un numero real o compleja a las funciones se
les denomina aplicaciones. Veamos algunos ejemplos de aplicaciones definidas en IR2 .
Sean V y W dos espacios vectoriales. En este captulo se trata de cierto tipo de aplica-
ciones
T :VW
Tanto V y W estan dotados de una estructura algebraica resultante de las operaciones de
suma vectorial y multiplicacion por un escalar. Trabajaremos con aplicaciones T : V W
que, en cierto modo, preservan esta estructura algebraica. Estas aplicaciones se conocen
como transformaciones lineales. En la seccion 1 definimos las transformaciones lineales
que transforman un espacio vectorial en otro, daremos varios ejemplos y estableceremos
algunas propiedades elementales de las transformaciones lineales. En las secciones si-
guientes se tratan de transformaciones lineales y su relacion con los conceptos matriciales
que hemos estudiado.
2

CAPITULO 1. TRANSFORMACIONES LINEALES 3
Definicion 1.1. Sean V y W dos espacios vectoriales sobre un conjunto de escalares K = IR

o K = C.
I Una transformacion lineal T de V en W es una aplicacion que asigna a cada
vector v V un unico
vector w W y que satisface, para cualquier par de vectores u, v y
todo escalar K, dos condiciones:
a) T (u + v) = T (u) + T (v) (Preservacion de la suma)
b) T (u) = T (u) (Preservacion de la multiplicacion por un escalar)
Ejemplo 1.1. Determinar si la siguiente funcion h : IR IR, donde h(x) = senx, es una
transformacion lineal.
Sabemos que
Solucion. ( )
sen + = sen + sen
4 4 4 4
(
) 2 2
porque sen + = sen = 1, mientras que sen + sen = + = 2
4 4 2 4 4 2 2
lineal, pues no preserva la suma.
As que, h(x) = senx no es una transformacion
El siguiente ejemplo describe todas las transformaciones lineales T : IR IR, que como
se puede ver son todas funciones sencillas.
Ejemplo 1.2. Sean V = W = IR. Demostrar que la siguiente funcion T : IR IR es una

transformacion lineal,
T (x) = ax, x IR a IR (1.1)
En efecto.
Sean x, y dos numeros

reales arbitrarios, entonces
T (x + y) = a(x + y)
= ax + ay
= T (x) + T (y)
as T preserva la suma.
Sean x IR, IR
T (x) = a(x)
= (ax)
= T (x)
As T preserva la multiplicacion por escalares.
Por lo tanto T es una transformacion lineal.
J. R. Ticona Parisaca Transformaciones lineales

Ejemplo 1.3. Consideremos en IR2 la proyeccion ortogonal sobre el eje de abscisas (ver
Figura.1.1) que representa una aplicacion P : IR2 IR definida por P(x, y) = x es una
transformacion lineal. Esquematicamente
lo representamos por:
P : IR2 IR
(x, y) P(x, y) = x
Se observa que P es una transformacion lineal.
En efecto. Sean u = (x1 , y1 ) y v = (x2 , y2 ) dos vectores arbitrarios de IR2 , entonces u + v =

(x1 + x2 , y1 + y2 ) de modo que
P(u + v) = P(x1 + x2 , y1 + y2 ) = x1 + x2 = P(x1 , y1 ) + P(x2 , y2 ) = P(u) + P(v)
As P preserva la suma.
P[(u)] = P( x, y) = x = P(x, y) = P(u).
As P preserva la multiplicacion por escalares.
Figura 1.1: Proyeccion ortogonal sobre el eje de abscisas
Por lo tanto P es una transformacion lineal.

Nota. Tambien se define la transformacion lineal proyeccion ortogonal sobre el eje y en el
espacio vectorial IR2 .
Ejemplo 1.4. Demostrar que la funcion Pxi : IRn IR definida por Pxi (x1 , x2 , . . . , xn ) = xi es
una transformacion lineal.
La solucion es analoga
Solucion. a la del ejemplo anterior.
Ejemplo 1.5. Sea V cualquier espacio vectorial. La aplicacion T : V V definida por

T (u) = u se conoce como la transformacion identidad sobre V, el cual denotaremos por
Id = T . Es facil
de mostrar que Id = T es una transformacion lineal.
Nota. Si T : V V es una transformacion lineal definida de un espacio vectorial V en

si mismo, entonces T se le es llamado un operador lineal sobre V.

Ejemplo 1.6. Consideremos la aplicacion de IR2 que a cada vector le hace corresponder
el simetrico respecto del eje horizontal (ver Figura.1.2). Si u = (x, y) IR2 , la simetra
respecto de este eje se puede escribir como
Sx : IR2 IR2
(x, y) Sx (x, y) = (x, y)
Otra vez observamos que se cumplen las propiedades
Si x = (x1 , y1 ) e y = (x2 , y2 ) son dos vectores arbitrarios de IR2 entonces
Sx (x + y) = Sx (x1 + x2 , y1 + y2 )
= (x1 + x2 , [y1 + y2 ])
= (x1 , y1 ) + (x2 , y2 )
= Sx (x) + Sx (y)
Por otro lado si x = (x1 , y1 ) vector arbitrario de IR2 y es un escalar arbitrario de IR se

tiene:
Sx (x) = Sx [(x, y)]
= Sx (x, y)
= (x, y)
= (x, y)
= Sx (x)
As Sx es una transformacion lineal.
Figura 1.2: Simetra respecto al eje de abscisas
Ejemplo 1.7. Sea V un espacio vectorial arbitrario y k IR cualquier escalar fijo. La

aplicacion definida de un espacio vectorial en si mismo, es decir, si:
T (u) = ku
es llamado operador lineal sobre V.

de V,
Si k > 1, T es una dilatacion
de V,
Si 0 < k < 1, entonces T es una contraccion
de sentido opuesto de V,
Si k < 1, T es una dilatacion
de sentido opuesto de V.
Si 1 < k < 0, entonces T es una contraccion
Geometricamente, una dilatacion estira cada vector que esta en V = IR2 en un factor k,
mientras que una contraccion de V comprime cada vector en un factor de k.
Figura 1.3: Dilatacion y contraccion
Ejemplo 1.8. Transformacion mediante una matriz. Sea A IRmn y consideremos

TA : IRn IRm son espacios de vectores columnas. Demostrar que la aplicacion TA : IRn IRm
definida por
TA (x) = Ax
es una transformacion lineal.
En efecto.
TA (x + y) = A(x + y) = Ax + Ay = TA (x) + TA (y), x, y IRn
TA (x) = A(x) = A(x) = TA (x), IR y x IRn
As TA es una transformacion lineal.
Nota. En la siguiente seccion mostraremos que esta transformacion lineal, es del tipo
general en espacios vectoriales de IRn en IRm
mas

Ejemplo 1.9. Rotacion del plano Demostrar que la aplicacion T : IR2 IR2 al rotar
el plano en el sentido al que giran las manecillas del reloj un angulo
positivo , es una
transformacion lineal.
Como caso especial del ejemplo anterior, sea un angulo

fijo, supongase que T : IR2 IR2
es la multiplicacion por la matriz
[ ]
cos sen
A=
sen cos
si v es el vector [ ]
x
v=
y
entonces [ ][ ] [ ]
cos sen x x cos y sen
T (v) = Av = =
sen cos y x sen + y cos
Geometricamente, T (v) es el vector que se obtiene si se hace girar v hasta describir un
angulo
. A fin de comprobarlo, sea el angulo
entre v y el eje X positivo y supongase que
[ ]

x
v =
y
es el vector que se obtiene al girar v hasta que describe un angulo

. Se demostrara que

v = T (v). Si r denota la longitud del vector v, entonces
x = r cos, y = r sen
De modo semejante, supuesto que v tiene la misma longitud que v, se tiene
x = r cos( + ), y = r sen( + )
Por lo tanto,
[ ] [ ]
x r cos( + )
v = =
y r sen( + )
[ ] [ ]
rcoscos rsensen rcoscos rsensen
= =
rcossen + rcossen rsencos + rcossen
[ ] [ ][ ]
xcos ysen cos sen x
= =
xsen + ycos sen cos y
La transformacion lineal de este ejemplo se conoce como rotacion de IR2 hasta describir el
angulo
. Ver Figura


Figura 1.4: Rotacion en un angulo
Ejemplo 1.10. Determinar si la aplicacion T : IR3 IR2 definida por
T (x, y, z) = (x 2y, y + 3z)

En efecto.
Sean u = (x1 , y1 , z1 ) y v = (x2 , y2 , z2 ) vectores arbitrarios del espacio vectorial IR3 , tal
que u + v = (x1 + x2 , y1 + y2 , z1 + z2 ), entonces
T (u + v) = T (x1 + x2 , y1 + y2 , z1 + z2 )
= (x1 + x2 2(y1 + y2 ), y1 + y2 + 3(z1 + z2 ))
= (x1 2y1 , y1 + 3z1 ) + (x2 2y2 , y2 + 3z2 )
= T (u) + T (v)
Cumple la linealidad
Sean u = (x, y, z) y IR escalar arbitrario, entonces u = (x, y, z)
T (u) = T (x, y, z) = (x 2y, y + 3z)

= (x 2y, y + 3z) = T (u)
Ejemplo 1.11. Sea V = C [a, b] y W = C[a, b] dos espacios vectoriales, y sea

D : C [a, b] C[a, b] tal que a la funcion derivable h le hace corresponder su derivada,
es decir D(h(x)) = h (x), para todo x R. Demostrar que D es una transformacion lineal.
En efecto. Sean g, h funciones derivables y escalar arbitrario, entonces:
D[g(x) + h(x)] = [g(x) + h(x)]

= g (x) + h (x)
= D[g(x)] + D[h(x)]
D[g(x)] = (g(x))
= g (x)
= D[g(x)]

As D es una transformacion lineal.
En general si V = C[a, b] el espacio vectorial de todas las funciones con valor real conti-
nuas sobre el intervalo a x b y W = C [a, b] el subespacio de las funciones con primera
derivada continua, entonces la funcion derivada D es una transformacion lineal.
Ejemplo 1.12. Sea T : IR2 7 IR, definida por T (x, y) = x y, T no es una transformacion
lineal.
En efecto.
T (4(1, 2)) = T (4, 8)

= 32,
4T (1, 2) = 4(2)
= 8.
Por lo que tenemos T (4(1, 2)) = 4T (1, 2) .
Sea T : C[a, b] 7 IR definida por

integracion)
Ejemplo 1.13. (Transformacion
b
T (f) = f(x)dx
a

En efecto.
1. Sean f, g C[a, b],

b
T (f + g) = (f + g)(x)dx
a
b
= (f(x) + g(x))dx
a
b b
= f(x)dx + g(x)dx
a a
= T (f) + T (g).
2. Sean f C[a, b], IR

b
T (f) = (f)(x)dx
a
b
= f(x)dx
a
b
= f(x)dx
a
= T (f).
As T es una transformacion lineal.

Ejemplo 1.14. Sea V un espacio vectorial arbitrario de dimension finita y = {u1 , u2 , . . . , un }

una base de V. Probar que la aplicacion T : V IRn definida por
T (x) = C [x]
En efecto. Supongamos que

x1 y1
x2 y2

C [x] = .. , C [y] = ..
. .
xn yn
entonces
x + y = (x1 u1 + x2 u2 + + xn un ) + (y1 u + y2 u2 + + yn un )
= (x1 + y1 )u1 + (x2 + y2 )u2 + + (xn + yn )un
con lo que
T (x + y) = C [x + y]

x1 + y1 x1 y1
x2 + y2 x2 y2

= .. = .. + ..
. . .
xn + yn xn yn
= C [x] + C [y]
= T (x) + T (y)
Por otro lado
x = (x1 u + x2 u2 + + xn un )
= x1 u + x2 u2 + + xn un ,
luego
T (x) = C [x]

x1 x1
x2 x2

= . = ..
.. .
xn xn
= C [x]
= T (x)
En consecuencia, T es una transformacion lineal.

Ejemplo 1.15. Sea V un espacio vectorial euclidiano y supongase que W es un subes-

pacio con dimension finita de V y que tiene a
S = {w1 , w2 , . . . , wr }
como una base ortonormal, tal que T : V W es la funcion que aplica sobre un vector v en
V hacia su proyeccion ortogonal sobre W, es decir
T (v) = v, w1 w1 + v, w2 w2 + + v, wr wr
ortogonal de V sobre W, su linealidad

Esta aplicacion T recibe el nombre de proyeccion
se deduce a partir de las propiedades basicas
del producto interior.
Por ejemplo:
T (u + v) = u + v, w1 w1 + u + v, w2 w2 + + u + v, wr wr
= u, w1 w1 + u, w2 w2 + + u, wr wr +
+v, w1 w1 + v, w2 w2 + + v, wr wr
= T (u) + T (v)
De manera analoga
se demuestra T (v) = T (v).
T (v) = v, w1 w1 + v, w2 w2 + + v, wr wr
= v, w1 w1 + v, w2 w2 + + v, wr wr
= [v, w1 w1 + v, w2 w2 + + v, wr wr ]
= T (v)
As, T es una transformacion lineal.
Ejemplo 1.16. Como caso especial del ejemplo anterior, supongase que V = IR3 tiene el
producto interior euclidiano. Los vectores w1 = (1, 0, 0) y w2 = (0, 1, 0) forman una base
ortonormal para el plano P : z = 0. Por lo tanto, si v = (x, y, z) es cualquier vector de IR3 ,
la proyeccion ortogonal de IR3 sobre el plano P : z = 0 esta dado por:
T (v) = v, w1 w1 + v, w2 w2
= x(1, 0, 0) + y(0, 1, 0)
= (x, y, 0)
Ejemplo 1.17. Sean V y W dos espacios vectoriales. La aplicacion T : V W tal que

T (v) = 0W para todo v V es una transformacion lineal conocida como la transforma-
cero. Verifiquemos que esta funcion es una transformacion lineal.
cion
En efecto.

1. Sean u, v vectores arbitrarios de V tal que: T (u) = 0W , T (v) = 0W , entonces
T (u + v) = 0W
= 0W + 0W
= T (u) + T (v)
2. Sea u vector arbitrario de V y escalar arbitrario de IR, entonces
T (u) = 0W
= (0W )
= T (u)
Por lo tanto se cumplen:
T (u + v) = T (u) + T (v), T (u) = T (u)
Ejemplo 1.18. Sea T : IR3 IR2 la transformacion lineal definida por
T (x, y, z) = (x + y, z)
Sea u = 2v1 v2 + v3 , donde v1 = (1, 0, 0), v2 = (1, 1, 1) y v3 = (1, 0, 1).

Halle:
1. T (v1 ), T (v2 ) y T (v3 )
2. T (u)
3. Comprobar que el conjunto {T (v1 ), T (v2 ), T (v3 )} es linealmente dependiente.

Solucion.
1. De la definicion de T se tiene
T (v1 ) = T (1, 0, 0) = (1 + 0, 0) = (1, 0)

T (v2 ) = T (1, 1, 1) = (1 + 1, 1) = (2, 1)
T (v3 ) = T (1, 0, 1) = (1 + 0, 1) = (1, 1)
2. Como T es lineal, tenemos:
T (u) = T (2v1 v2 + v3 )
= 2T (v1 ) T (v2 ) + T (v3 )
= 2(1, 0) (2, 1) + (1, 1)
= (1, 2)

Curso: Alg. vectorial lineal y matricial Tema: Transformaciones Lineales 13
3. De acuerdo con los calculos

realizados tenemos
{T (v1 ), T (v2 ), T (v3 )} = {(1, 0), (2, 1), (1, 1)}
Este conjunto es linealmente dependiente ya que esta formado por tres vectores de IR2 .
Observese que el conjunto {v1 , v2 , v3 } IR3 es linealmente independiente.

Pues,
1
1 1

Det[v1 v2 v3 ] = 0 1 0 = 1 = 0

0 1 1
1.0.1. Propiedades de las transformaciones lineales

Las dos propiedades de las transformaciones lineales del siguiente teorema son utiles
y
faciles
de probar.
Teorema 1.1. Sean V y W dos espacios vectoriales sobre IR, y T : V W una transforma-
cion lineal entonces:
1. T (0V ) = 0W Preservacion del cero
2. T (u v) = T (u) T (v) Preservacion de la resta
3. T (u) = T (u), u V
4. T (u + v) = T (u) + T (v), u, u V, , IR
para vectores arbitrarios u, v V
En efecto.
1) T (v + 0V ) = T (v) T (v) + T (0V ) = T (v) T (0V ) = 0W
2) T (u v) = T (u + ([1]v)) = T (u) + T ([1]v) T (u v) = T (u) + [1]T (v) = T (u) T (v)

Ejemplo 1.19. Determinar si la aplicacion f : IR2 IR2 , definida por f(x, y) = (x + y, x + 1)
Usando el teorema.1.1, como f(0, 0) = (0, 1), vemos que f no preserva el cero, y
Solucion.
por lo tanto no puede ser una transformacion lineal.
1.1. Conjunto Imagen e imagen inversa

Sea f : X Y una funcion, Q X y S Y. Recordemos los siguientes conjuntos:
f(Q) = {f(q) / q Q} Y Imagen de Q bajo f
y
f1 (S) = {x X / f(x) S} X Imagen inversa de S bajo f
Por ejemplo, sea la funcion f : IR R, f(x) = x2 , entonces

f({1, 2, 3}) = {1, 4, 9}
f1 ({1, 4, 9}) = {1, 1, 2, 2, 3, 3}
Recuerdese tambien que para f : X Y, el conjunto f(X) Y se llama conjunto imagen

de f o tambien es el Rango de la aplicacion f. Y el conjunto f1 (Y) X se llama conjunto
imagen inversa de f. Nos ocuparemos el conjunto imagen de una transformacion lineal.
Teorema 1.2. Preservacion de subespacios

Sean V y W dos espacios vectoriales sobre IR, sea T : V W una transformacion lineal
a) Si Q es un subespacio de V, entonces T (Q) es un subespacio de W
b) Si S es un subespacio de W, entonces T 1 (S) es un subespacio de V
En efecto.
a) Basta demostrar que T (Q) es cerrado bajo la suma vectorial y la multiplicacion por
escalares. Sean T (v1 ), T (v2 ) vectores arbitrarios del conjunto T (Q), donde v1 , v2 son
vectores de Q, entonces,
T (v1 ) + T (v2 ) = T (v1 + v2 )
por la preservacion de la suma. Ahora bien v1 + v2 esta en Q, pues Q es cerrado bajo
la suma, de modo que T (v1 + v2 ) T (Q). Esto demuestra que T (Q) es cerrado bajo la
suma vectorial.
si IR escalar arbitrario, entonces v Q, y esta claro que:

Ademas,
T (v) = T (v)
Esto demuestra que T (v) T (Q), de modo que T (Q) es cerrado bajo la multiplicacion
escalar. As, T (Q) es un subespacio de W.
b) Sean x y y vectores arbitrarios de T 1 (S), de modo que T (x), T (y) S.

Entonces,
T (x + y) = T (x) + T (y)
tambien esta en el subespacio S, de modo que x + y esta en T 1 (S).
Para cualquier escalar , sabemos que
T (x) = T (x)
y T (x) S, As, x tambien esta en T 1 (S). Esto demuestra que T 1 (S) tambien es
cerrado bajo la suma y multiplicacion escalar, de modo que el conjunto T 1 (S) es un
subespacio de V.
Hay dos casos particulares del teorema.1.2 que son basicos

para el estudio de las trans-
formaciones lineales.

Definicion 1.2. Los subespacios Im(T ) y Ker(T )

Sean V y W dos espacios vectoriales sobre IR, sea T : V W una transformacion lineal,
entonces:
a) El subespacio T (V) W, es el conjunto imagen de V va la transformacion lineal T
y se denota por Im(T ) = T (V) W
Nota. Si T (V) = W, entonces T es una aplicacion sobreyectiva.
b) El subespacio T 1 ({0W }) = {v V / T (v) = 0W }, se llama nucleo

o espacio nulo de T
y se denota por Ker(T )
1.1.1. Propiedades de TA : V W
1. La imagen de TA es el espacio columna
2. El nucleo
de TA es el espacio nulo de A
lo ilustraremos con los siguientes ejemplos
Ejemplo 1.20. Supongase que T : V W es la transformacion cero. Supuesto que T
aplica a cada vector de V hacia el vector cero 0W , entonces Ker(T ) = V. Ya que 0W es la
unica
imagen posible bajo de T , entonces Im(T ) = {0W }
Ejemplo 1.21. Sea T : IRn IRm la multiplicacion por

a11 a12 . . . a1n
a21 a22 . . . a2n

A= . .. ..
.. . .
a11 a12 . . . a1n

El nucleo de T consta de todos los
x1
x2

x= ..
.
xn
que son solucion del sistema lineal homogeneo siguiente:

x1 0
x2 0

A . = .
. ..
.
xn 0
Y el conjunto imagen de T consta de los vectores

b1
b2

b= .
.
.
bm

tales que el sistema lineal no homogeneo

x1 b1
x2 b2

A . = ..
.. .
xn bm
sea consistente.
Ejemplo 1.22. Determine el nucleo de la transformacion lineal T : IR3 IR2 definida por
T (x, y, z) = (x 2y, y + 3z), sea el vector cero. As, se debe resolver el sistema de ecuaciones
x 2y = 0
y + 3z = 0,
que se puede escribir en forma matricial como

x ( ) ( )
0 1 2 0
A y = , donde A =
0 0 1 3
z
La solucion del sistema lineal homogeneo

[ ] [ ]
1 2 0 0 1 0 6 0

0 1 3 0 0 1 3 0
es (x, y, z) = (6t, 3t, t) para cualquier escalar t. As, el nucleo

de T es el subespacio
3
unidimensional de IR generado por el vector (6, 3, 1), es decir:
Ker(T ) = (6, 3, 1)
Ejemplo 1.23. Hallar la imagen de la transformacion lineal T : IR3 IR2 definida por
T (x, y, z) = (x 2y, y + 3z)
Solucion. Debemos hallar el conjunto de todos los T (v) para v IR3 . Escribiendo los vec-
tores como vectores columnas, debemos hallar todos los vectores de la forma

x ( ) ( ) ( ) ( )
x 2y 1 2 0
T y = =x +y +z
y + 3z 0 1 3
z
Por lo tanto, la imagen de T es el espacio columna de la matriz

( ) ( )
1 2 0 1 0 6
A=
0 1 3 0 1 3
Como cualesquiera dos columnas de A son linealmente independientes, concluimos que

Im(T ) = IR2 .

Ejemplo 1.24. Sea T : IR3 IR3 la transformacion lineal
T (x, y, z) = (x + 2y + z, 3x + y 2z, x + 7y + 6z)
Determine explcitamente su nucleo

y su imagen (Hallar, una base para cada subespacio)

Solucion.
Por definicion
Ker(T ) = {(x, y, z) IR3 / T (x, y, z) = (0, 0, 0)}

= {(x, y, z) IR3 / (x + 2y + z, 3x + y 2z, x + 7y + 6z) = (0, 0, 0)}

Este es un sistema lineal homogeneo en las incognitas cuyo espacio solucion es preci-
samente Ker(T ), entonces

1 2 1 0 1 0 1 0

3 1 2 0 0 1 1 0
1 7 6 0 0 0 0 0
de donde x = t, y = t, z = t, t IR, representa la solucion del sistema.
Entonces se concluye que (x, y, z) Ker(T ) si, y solo si
Ker(T ) = {(x, y, z) IR3 / (x, y, z) = t(1, 1, 1)}
El vector v = (1, 1, 1) es entonces una base para el subespacio vectorial Ker(T ), que
geometricamente representa una recta que pasa por el origen y sigue la direccion del
vector v.
El vector b = (b1 , b2 , b3 ) Im(T ) si, y solo si existe (x, y, z) IR3 , tal que T (x, y, z) =
(b1 , b2 , b3 ), es decir

x + 2y + z = b1
3x + y 2z = b2

x + 7y + 6z = b
3
Procedase por operaciones elementales, para que el sistema lineal no homogeneo ten-
ga solucion, entonces

1 2 1 b1 1 0 1 15 b1 + 25 b2

3 1 2 b2 0 1 1 35 b1 15 b2
4 1 1
1 7 6 b3 0 0 0 5 b1 + 5 b2 5 b3
Por lo tanto, el sistema lineal no homogeneo tiene solucion si, y solo si

4 1 1
b1 + b2 b3 = 0 4b1 + b2 b3 = 0
5 5 5

O sea
(x, y, z) Im(T ) 4x y + z = 0
o bien,
Im(T ) = {(x, y, z) IR3 / 4x y + z = 0}
(subespacio de IR3 que geometricamente representa un plano que pasa por el origen;
el plano es P : 4x y + z = 0)
Una base de este subespacio se puede obtener si se escribe (x, y, z) Im(T ) como
(x, 4x + z, z) = x(1, 4, 0) + z(0, 1, 1)
los vectores v1 = (1, 4, 0) y v2 = (0, 1, 1) constituyen una base del subespacio Im(T ).
Recordemos que:
1. Una funcion f : X Y es uno a uno o inyectiva si x1 = x2 entonces f(x1 ) = f(x2 ). O,

equivalentemente: Si f(x1 ) = f(x2 ) entonces x1 = x2
2. Una funcion f : X Y es sobreyectiva si para cada y Y, existe un x X tal que

y = f(x).
Entonces la definicion de la inyectividad y sobreyectividad para transformaciones lineales

es la misma
Sean V y W dos espacios vectoriales y T : V W una transformacion lineal, entonces

se llaman:
T es un monomorfismo T es inyectiva
T es un epimorfismo T es sobreyectiva
T es un isomorfismo T es biyectiva
Sean V y W dos espacios vectoriales, el conjunto de todas las transformaciones linea-

les T : V W, lo denotaremos por L(V, W)
L(V, W) = { T : V W / T es una transformacion lineal }
Si W = V, entonces el conjunto de todas las transformaciones de un espacio vectorial

en si mismo, es llamado el conjunto de los operadores lineales y es denotado por
L(V) = L(V, W)
Si W = IR entonces el conjunto de todas las transformaciones de un espacio vecto-

rial en el campo de los numeros
reales, es llamado el conjunto de los funcionales
lineales y es denotado por L(V, IR)

Ejemplo 1.25. Sea el operador lineal en el espacio vectorial IR3 , definido por
T (x, y, z) = (y, x, z)
es biyectiva el operador lineal?

Solucion.
T es inyectiva?
Sean u = (x1 , y1 , z1 ) y v = (x2 , y2 , z2 ), tales que:
T (u) = T (v) T (x1 , y1 , z1 ) = T (x2 , y2 , z2 )

(y1 , x1 , z1 ) = (y2 , x2 , z2 ) x1 = x2 y1 = y2 z1 = z2
luego
T (u) = T (v) u=v

T es inyectiva.
T es sobreyectiva?
(x, y, z) IR3 , (a, b, c) IR3 / T (a, b, c) = (x, y, z)

En efecto
T (a, b, c) = (x, y, z) (b, a, c) = (x, y, z) b = x, a = y, c = z
Luego (x, y, z) IR3 , (a, b, c) = (y, x, z) IR3 tal que
T (a, b, c) = T (y, x, z) = (x, y, z)

T es sobreyectiva.
As T es biyectiva.
Teorema 1.3. Sean V y W dos espacios vectoriales y T : V W una transformacion lineal,

entonces:
T es inyectiva T (u) = 0W u = 0V
En efecto.
Supongamos que T es inyectiva y sea T (u) = 0W y por otra parte T (0)V = 0W ,

entonces
T (u) = T (0V ) T (u) T (0V ) = T (u 0V ) = 0W u 0V = 0V u = 0V
Supongamos que
T (u) = 0W u = 0W
y supongamos que
T (u) = T (v) T (u) T (v) = 0W T (u v) = 0W u v = 0W u = v

Ejemplo 1.26. Sea T : IR22 IR2 una transformacion lineal

([ ])
a11 a12
T = (a11 + a22 , a21 )
a21 a22
T es inyectiva?
T es inyectiva si T (u) = 0W u = 0W
Solucion.
[ ] ([ ])
a11 a12 a11 a12
u IR 22
,u = T = (0, 0)
a21 a22 a21 a22
{
a11 + a22 = 0,
(a11 + a22 , a21 ) = (0, 0)
a21 = 0
a11 = a22 a21 = 0
Luego el sistema lineal homogeneo tiene infinitas soluciones, es decir:

[ ] [ ]
a11 a12 0 0
= T no es inyectiva
a21 a22 0 0
Ejemplo 1.27. Sea la transformacion lineal T : IR4 IR6 , T (x1 , x2 , x3 , x4 ) = (0, x1 , 0, x2 , x3 , x4 )

T es inyectiva?
Solucion
T (x1 , x2 , x3 , x4 ) = (0, 0, 0, 0, 0, 0) (0, x1 , 0, x2 , x3 , x4 ) = (0, 0, 0, 0, 0, 0)

x1 = x2 = x3 = x4 = 0
(x1 , x2 , x3 , x4 ) = (0, 0, 0, 0) T es inyectiva
Ejemplo 1.28. Determinar el nucleo

de la transformacion lineal
T : IR3 IR2 , T (x, y, z) = (x z, y z)
como (x, y, z) Ker(T ) T (x, y, z) = (0, 0) de donde (x z, y z) = (0, 0) por igualdad

de vectores se tiene: {
x z = 0,
x=y=z
yz=0
Luego Ker(T ) = {(x, y, z) IR3 / x = y = z = t, t IR}
El nucleo
de T representa una recta, es decir: Ker(T ) = (1, 1, 1) = L IR3
Ejemplo 1.29. Sea T : IR2 IR3 la transformacion lineal definida por
T (x, y) = (x + y, x y, x + 2y).

Determine Im(T )

Solucion
Im(T ) = {(x, y, z) IR3 / (a, b)IR2 T (a, b) = (x, y, z)}
entonces
T (a, b) = (x, y, z) (a + b, a b, a + 2b) = (x, y, z) por igualdad de vectores se tiene:

{ x+y
a+b=x 2a = x + y a=
ab=y 2

3a = 2y + z a = 2y + z

a + 2b = z 3
x+y 2y + z
= 3x + 3y = 4y + 2z 3x y 2z = 0
2 3
Im(T ) = {(x, y, z) IR3 / 3x y 2z = 0}
Geometricamente este subespacio es un plano en el espacio vectorial IR3 con vector normal
n = (3, 1, 2).
Teorema 1.4. Sean V y W dos espacios vectoriales y T : V W una transformacion lineal,

se cumple las siguientes proposiciones:
1. T es inyectiva si y solo si Ker(T ) = 0V
2. Sea M = {v1 , v2 , . . . , vn } un conjunto de vectores L. D. en V, entonces el conjunto

T (M) = {w1 = T (v1 ), w2 = T (v2 ), . . . , wn = T (vn )} es L. D. en W
3. Si {v1 , v2 , . . . , vn } es un conjunto de vectores en V tales que {T (v1 ), T (v2 ), . . . , T (vn )} son

L. I. en W, entonces {v1 , v2 , . . . , vn } son linealmente independiente.
4. Si {v1 , v2 , . . . , vn } es un conjunto L. I. en V y T es una transformacion inyectiva, en-

tonces {T (v1 ), T (v2 ), . . . , T (vn )} es linealmente independiente en W.
En efecto.
1. Ver el teorema.1.3.
2. Como el conjunto M = {v1 , v2 , . . . , vn } es L. D. en V, entonces existe algun

escalar
i = 0, i IR tal que:
1 v1 + 2 v2 + + i vi + + n vn = 0V
T (1 v1 + 2 v2 + + i vi + + n vn ) = T (0V ) = 0W
1 T (v1 ) + 2 T (v2 ) + + i T (vi ) + + n T (vn ) = 0W
como i = 0 entonces el conjunto {T (v1 ), T (v2 ), . . . , T (vn )} es L. D. en W

n
3. Consideremos una combinacion lineal en V, i=1 i vi = 0V , por demostrar que:
1 = 2 = = n = 0

Aplicando la transformacion lineal T se tiene:

( n )

n
T i vi = T (0V ) = 0W i T (vi ) = 0W
i=1 i=1
como {T (v1 ), T (v2 ), . . . , T (vn )} son L. I. entonces los escalares i = 0, es decir: 1 =

2 = = n = 0, entonces el conjunto de vectores {v1 , v2 , . . . , vn } son linealmente
independiente.
4. Consideremos una combinacion lineal de vectores en el espacio vectorial W, es decir:

( n )

T i v i = 0 W
i=1
aplicando propiedades de la transformacion lineal,

n
T (i vi ) = 0W i vi Ker(T )
i=1
como T es inyectiva, por la parte (1) se tiene:

n
i vi = 0V i = 0, i = 1, 2, . . . , n
i=1
pues los vectores {v1 , v2 , . . . , vn } son L. I., por lo tanto los vectores {T (v1 ), T (v2 ), . . . , T (vn )}
son L. I.
Ejemplo 1.30. Sea T : IR2 IR2 una transformacion lineal, probar que T es inyectiva
T (1, 0) y T (0, 1) es linealmente independiente
En efecto
T es inyectiva T (1, 0) y T (0, 1) son linealmente independiente.

Consideremos la combinacion lineal en IR2
T (1, 0) + T (0, 1) = (0, 0) por demostrar = = 0
como T es una transformacion lineal, entonces:
T (1, 0) + T (0, 1) = (0, 0) T [(1, 0) + (0, 1)] = (0, 0)

T (, ) = (0, 0) como T es inyectiva
(, ) = (0, 0) = = 0
Por lo tanto T (1, 0) y T (0, 1) son linealmente independiente.
Como hallar la transformacion lineal conociendo los vectores de la imagen de una

base?
Supongase que {v1 , v2 , . . . , vn } es una base para el espacio vectorial V y T : V W es una

transformacion lineal. Si sucede que se conocen las imagenes de los vectores de esta base,
esto es
T (v1 ), T (v2 ), . . . , T (vn )
entonces se puede obtener la imagen T (v) de cualquier vector v, expresando primero v como
combinacion lineal de los vectores de la base, por ejemplo
v = 1 v1 + 2 v2 + + n vn
y luego usar la linealidad de la transformacion lineal, es decir:
T (v) = 1 T (v1 ) + 2 T (v2 ) + + n T (vn )
En pocas palabras, una transformacion lineal esta completamente determinada por sus
valores en una base.
Ejemplo 1.31. Considerese la base = {v1 , v2 , v3 } para el espacio vectorial IR3 , donde
v1 = (1, 1, 1), v2 = (1, 1, 0), v3 = (1, 0, 0)
y sea T : IR3 IR2 una transformacion lineal tal que:
T (v1 ) = (1, 0), T (v2 ) = (2, 1), T (v3 ) = (4, 3)
Hallese
T (2, 3, 5)

Solucion. Expresemos el vector v = (2, 3, 5) como combinacion lineal de los vectores
de la base = {v1 , v2 , v3 }. Por lo tanto,
(2, 3, 5) = 1 v1 + 2 v2 + 3 v3 = 1 (1, 1, 1) + 2 (1, 1, 0) + 3 (1, 0, 0)
resolviendo el sistema lineal no homogeneo obtenemos
1 + 2 + 3 = 2
1 + 2 = 3
1 = 5
lo cual conduce a 1 = 5, 2 = 8, 3 = 5 de modo que
(2, 3, 5) = 5v1 8v2 + 5v3
entonces,
T (2, 3, 5) = 5T (v1 ) 8T (v2 ) + 5T (v3 )

= 5(1, 0) 8(2, 1) + 5(4, 3)
= (9, 23)


1.2. Dimensiones del nucleo y de la imagen
1.3. Si T : V W es una transformacion lineal, entonces la dimension del
Definicion
subespacio Im(T ) se conoce como el rango de T , y la dimension del subespacio nucleo
se
denomina nulidad de T .
El siguiente teorema que sigue establece una relacion entre el rango y la nulidad de
una transformacion lineal definida sobre un espacio vectorial de dimension finita.
Teorema 1.5. (Teorema de la dimension.) Sea T : V W una transformacion lineal

desde un espacio vectorial V con dimension finita n hacia un espacio vectorial W, entonces
dim(Im(T )) + dim(Ker(T )) = n
Ejemplo 1.32. Dada la transformacion lineal
T : IR4 IR3 , T (x, y, z, w) = (x y + 2z + 3w, y + 4z + 3w, x + 6z + 6w).
Determine Ker(T ), Im(T ) y sus respectivas dimensiones.

Solucion
Calculando el nucleo
de la transformacion
Ker(T ) = { (x, y, z, w) R4 / T (x, y, z, w) = (0, 0, 0)}
entonces
T (x, y, z, w) = (x y + 2z + 3w, y + 4z + 3w, x + 6z + 6w) = (0, 0, 0)
por igualdad se tiene:

x y + 2z + 3w = 0 1 1 2 3 0 1 0 6 6 0

y + 4z + 3w = 0 0 1 4 3 0 0 1 4 3 0

x + 6z + 6w = 0 1 0 6 6 0 0 0 0 0 0
Si (x, y, z, w) Ker(T ) (x, y, z, w) = (6z 6w, 4z 3w, z, w) equivalentemente

tenemos:
(x, y, z, w) = (6z, 4z, z, 0) + (6w, 3w, , w) = z(6, 4, 1, 0) + w(6, 3, 0, 1)
Luego Ker(T ) = (6, 4, 1, 0), (6, 3, 0, 1) de donde una base de Ker(T ) es el con-
junto de vectores dado por
Ker(T ) = {(6, 4, 1, 0), (6, 3, 0, 1)},
de donde dim[Ker(T )] = 2

Calculando Im(T )
Im(T ) = { (x, y, z) R3 / (a, b, c, d) IR4 T (a, b, c, d) = (x, y, z)}
T (a, b, c, d) = (x, y, z) (ab+2c+3d, b+4c+3d, a+6c+6d) = (x, y, z) por igualdad

{
a b + 2c + 3d = x
a + 6c + 6d = x + y
b + 4c + 3d = y P :x+y=z

a + 6c + 6d = z a + 6c + 6d = z
entonces
Im(T ) = { (x, y, z) R3 / P : x + y = z}
O equivalentemente

a b + 2c + 3d = x 1 1 2 3 x

b + 4c + 3d = y 0 1 4 3 y

a + 6c + 6d = z 1 0 6 6 z
Realizando operaciones elementales tenemos:

1 1 2 3 x 1 1 2 3 x

0 1 4 3 y 0 1 4 3 y
1 0 6 6 z 0 1 4 3 zx

1 1 2 3 x

0 1 4 3 y
0 0 0 0 zxy
Para que el sistema lineal dado sea consistente, esto implica que z x y = 0, es
decir:
Im(T ) = {(x, y, z) IR3 / z x y = 0}
Ahora calculemos una base para el subespacio Im(T ) IR3 , z = x + y, entonces
(x, y, z) = (x, y, x + z) = (x, 0, x) + (0, y, y) = x(1, 0, 1) + y(0, 1, 1)
Luego Im(T ) = (1, 0, 1), (0, 1, 1) de donde una base para Im(T ) es el conjunto de
vectores {(1, 0, 1), (0, 1, 1)} dim[Im(T )] = 2
Verificandose
el teorema.1.5, es decir:
dim[IR4 ] = dim[Ker(T )] + dim[Im(T )] 4 = 2 + 2
Teorema 1.6. (Teorema fundamental de las transformaciones lineales)

Sean V y W dos espacios vectoriales y = {v1 , v2 , . . . , vn } una base del espacio vectorial
V. Si w1 , w2 , . . . , wn un conjunto arbitrario de vectores de W entonces existe una unica

transformacion lineal T : V W tal que wi = T (vi ), i = 1, 2, . . . , n

Ejemplo 1.33. Sea T : IR3 IR2 una transformacion lineal de tal manera que a los elemen-
tos de la base = {v1 = (1, 1, 0), v2 = (1, 2, 1), v3 = (0, 1, 3)} de IR3 le hace corresponder los
vectores w1 = (1, 3), w2 = (5, 1), w3 = (0, 1) respectivamente.
Determine la imagen de un vector cualquiera de IR3 bajo esta transformacion lineal
Determine la imagen del vector (3, 1, 5), es decir halle T (3, 1, 5) y Ker(T ).

Solucion.
A) Como es una base de IR3 y sea (x, y, z) un vector arbitrario de IR3 , expresemos como
combinacion lineal de los elementos de la base, es decir
(x, y, z) = (1, 1, 0) + (1, 2, 1) + (0, 1, 3) = ( + , + 2 + , + 3)
por igualdad de vectores tenemos el sistema lineal no homogeneo

5x 3y + z

=
x=+ 2
3y z 3x
y = + 2 + =

z = + 3
2

= xy+z
2
(5x 3y + z) (3y z 3x) (x y + z)
(x, y, z) = (1, 1, 0) + (1, 2, 1) + (0, 1, 3)
2 2 2
como T (1, 1, 0) = (1, 3), T (1, 2, 1) = (5, 1), T (0, 1, 3) = (0, 1) como T es una transforma-
cion lineal, tenemos
5x 3y + z 3y z 3x xy+z
T (x, y, z) = T (1, 1, 0) + T (1, 2, 1) + T (0, 1, 3)
2 2 2
5x 3y + z 3y z 3x xy+z
= (1, 3) + (5, 1) + (0, 1)
( 2 2 ) 2
13x 7y + 3z
= 6y 5x 2z,
2
( )
61
B) Calculando T (3, 1, 5) = 31, y
2
Ker(T ) = {(x, y, z) IR3 / T (x, y, z) = (0, 0)}
entonces
( )
13x 7y + 3z
T (x, y, z) = (0, 0) 6y 5x 2z, = (0, 0)
2
por igualdad de vectores tenemos

{ ( ) ( )
6y 5x 2z = 0 x=4z 4 11 4 11
43 (x, y, z) = z, z, z = z , ,1
13x 7y + 3z = 0 y = 11 z
43 43 43 43
43
Luego el nucleo
esta generado por el vector
( )
4 11
Ker(T ) = , ,1 = (4, 11, 43)
43 43

1.3. Transformaciones lineales de IRn hacia IRm

En esta seccion se estudian las transformaciones lineales de IRn hacia IRm y se obtienen
las propiedades geometricas de las transformaciones de IR2 hacia IR2 .
Primero se demuestra que toda T L(IRn , IRm ) es una transformacion matricial. Mas
concretamente, se demuestra que si T : IR IR es una transformacion lineal arbitraria,
n m
entonces es posible encontrar una matriz A IRmn tal que T es la multiplicacion por A. A
fin de verificarlo, sea
= {e1 , e2 , . . . , en }
la base canonica de IRn y supongase que A es la matriz de IRmn que tiene a
T (e1 ), T (e2 ), . . . , T (en ),
como sus vectores columnas.
Por ejemplo, si T : IR2 IR2 esta dado por

([ ]) [ ]
x1 x1 + 2x2
T =
x2 x1 x2
entonces
([ ]) [ ] ([ ]) [ ]
1 1 0 2
T (e1 ) = T = y T (e2 ) = T =
0 1 1 1
entonces [ ]
1 2
A= = [ T (e1 ) | T (e2 ) ]
1 1
general, si
De modo mas

a11 a12 a1n
a21 a22 a2n

T (e1 ) = .. , T (e2 ) = .. , . . . , T (en ) = ..
. . .
am1 am2 amn
entonces
a11 a12 . . . a1n
a21 a22 . . . a2n

A = [ T (e1 ) | T (e2 ) | . . . |T (en ) ] = .. .. .. (1.2)
. . .
am1 am2 . . . amn
Se demostrara que la transformacion lineal T : IRn IRm es la multiplicacion por la
matriz A. Para verificarlo, observemos primero que

x1
x2

x = . = x1 e1 + x2 e2 + + xn en
.
.
xn

Por lo tanto por la linealidad de T , tenemos:

T (x) = x1 T (e1 ) + x2 T (e2 ) + + xn T (en ) (1.3)
Por otra parte,

a11 a12 . . . a1n x1 x1 a11 + x2 a12 + + xn a1n
a21 a22 . . . a2n x2 x1 a21 + x2 a22 + + xn a2n

Ax = .. .. .. .. = ..
. . . . .
am1 am2 . . . amn xn x1 am1 + x2 am2 + + xn amn

a11 a12 a1n
a21 a22 a2n

= x1 . + x2 . + + xn ..
.
. .. .
am1 am2 amn
= x1 T (e1 ) + x2 T (e2 ) + + xn T (en )
Al comparar esta ultima
ecuacion se llega a T (x) = Ax, es decir, T es la multiplicacion por
A.

A la matriz A que se da en (1.2) se le llamara la matriz estandar para T
Ejemplo 1.34. Hallese

la matriz estandar
para la transformacion lineal T : IR3 IR4
definida por
x+y
x
x y
T y =
z
z
x
Solucion. Hallemos la imagen de los vectores de la base canonica del espacio vectorial IR3 ,
es decir:

1 1 0
1 0 0
1 1 0
T (e1 ) = T 0 = , T (e2 ) = T 1 = , T (e3 ) = T 0 =
0 0 1
0 0 1
1 0 0
entonces utilizando a T (e1 ), T (e2 ) y T (e3 ) como vectores columnas, se obtiene la matriz
estandar
de T ,
1 1 0

1 1 0
A=
0 0 1
1 0 0
Como una verificacion, observese que

x+y
x
xy
A y =
z
z
x

En el resto de esta seccion se estudian las propiedades geometricas de las transformaciones

lineales en el plano, es decir, transformaciones lineales de IR2 hacia IR2 . Si T : IR2 IR2 es
una transformacion lineal en general
[ ]
a b
A=
c d
sea la matriz estandar

para T , entonces
([ ]) [ ][ ] [ ]
x a b x ax + by
T = =
y c d y cx + dy
Ejemplo 1.35. Sea T : IR2 IR2 la transformacion lineal que aplica cada vector en su
imagen simetrica respecto al eje Y. Hallese
la matriz estandar
para T

Solucion
Figura 1.5: Transformacion lineal simetrica con respecto al eje y
([ ]) [ ] ([ ]) [ ]
1 1 0 0
T (e1 ) = T = , T (e2 ) = T =
0 0 1 1
utilizando a T (e1 ) y T (e2 ) como vectores columna, se obtiene la matriz estandar

[ ]
1 0
A=
0 1
Como una multiplicacion, [ ][ ] [ ]

1 0 x x
=
0 1 y y
De modo que la multiplicacion por A aplica el punto P = (x, y) en su imagen simetrica
(x, y) respecto al eje Y. Es decir, su regla de correspondencia es:
T : IR2 7 IR2 , T (x, y) = (x, y)
Ahora se enfoca la atencion sobre cinco tipos de transformaciones lineales planas que
tienen importancia especial: rotaciones, reflexiones, expansiones y deslizamientos cortan-
tes.

Rotaciones. Si T : IR2 IR2 hace girar cada punto en el plano alrededor del origen,
hasta describir un angulo
, entonces sabemos que la matriz estandar
de T es
[ ]
Cos Sen
Sen Cos

Figura 1.6: Rotacion en un angulo
Reflexiones. Una reflexion respecto a una recta L que pasa por el origen, es una
transformacion que aplica cada punto del plano en su imagen como un espejo, res-
pecto de la recta L. Se puede demostrar que las reflexiones son transformaciones li-
neales. Los casos mas importantes son las reflexiones respecto a los ejes coordenados y
respecto a la recta L : y = x. Siguiendo el ejemplo(1.35), entonces se puede demostrar
que las matrices estandar
para estas transformaciones son:
[ ]
1 0
Reflexion respecto al eje Y es
0 1
[ ]
1 0
Reflexion respecto al eje X es
0 1

[ ]
0 1
Reflexion respecto a la recta L : y = x es
1 0
[ ]
3/5 4/5
Reflexion respecto a la recta L : y = 2x es
4/5 3/5
L: y = 2x
w y
v
x
Expansiones y comprensiones Si la coordenada x de cada punto del plano se mul-

tiplica por una constante positiva k, entonces el efecto es dilatar o comprimir cada

figura plana en la direccion del eje X. Si 0 < k < 1, el resultado es una comprension
en la direccion del eje X, con un factor k.
y si k > 1, una expansion

De manera analoga,
si la coordenada y de cada punto del punto se multiplica por
una constante positiva k, se obtiene una expansion (o comprension) en la direccion y
con el factor k. Estas expansiones y comprensiones son transformaciones lineales.
Si T : IR2 IR2 es una expansion o comprension en la direccion del eje X, con el factor
k, entonces
([ ]) [ ] ([ ]) [ ]
1 k 0 0
T (e1 ) = T = , T (e2 ) = T =
0 0 1 1
de modo que la matriz estandar

para T es
[ ]
k 0
0 1
De manera analoga,
la matriz estandar
para una expansion o comprension en la
direccion del eje Y, con el factor k, es
[ ]
1 0
0 k

Deslizamientos cortantes
Un deslizamiento cortante en la direccion del eje X, con factor k, es una

transformacion que mueve cada punto (x, y) paralelo al eje X, en una cantidad
k y, hacia la posicion (x+ky, y). Bajo una transformacion de este tipo, los puntos
que estan
sobre el eje X no se mueve mueven puesto que y = 0. Sin embargo,
conforme se avanza alejandose
del eje X, la magnitud de y aumenta, por tanto,
aquellos puntos mas alejados del eje X se mueven una distancia mayor que los
que se encuentran mas cercanos.
Un deslizamiento cortante en la direccion del eje Y, con factor k, es una

transformacion que mueve cada punto (x, y) paralelo al eje Y, en una cantidad
k x, hacia la posicion (x, y+k x). Bajo una transformacion de este tipo, los puntos
sobre el eje Y permanecen fijos y los que se encuentran mas alejados del eje Y se
mueven una distancia mayor que los que estan mas cercanos.
Se puede demostrar que los deslizamientos cortantes son transformaciones lineales.
Si T : IR2 IR2 es un deslizamiento cortante en un factor k en la direccion del eje

X, entonces
([ ]) [ ] ([ ]) [ ]
1 1 0 k
T (e1 ) = T = , T (e2 ) = T =
0 0 1 1

De modo que la matriz estandar

para T es
[ ]
1 k
0 1
De modo analogo,
la matriz estandar
para un deslizamiento cortante en la direccion del
eje Y, de factor k es: [ ]
1 0
k 1
Observacion. La multiplicacion por la matriz identidad de orden 2 2 aplica a cada
punto en s mismo. A esta transformacion se le denomina transformacion identidad.
Si se desea, es posible imaginar esta transformacion como una rotacion que describe un
angulo
de 0 , o bien, como un deslizamiento cortante a lo largo de cualquiera de los ejes,
con k = 1, o bien, como una comprension o una expansion a lo largo de cualquiera de los
ejes, con un factor k = 1.
Si se efectuan
una sucesion finita de transformaciones de IRn hacia IRn , entonces es po-
sible obtener el mismo resultado, mediante una sola transformacion matricial, veamos el
siguiente ejemplo.
Ejemplo 1.36. Supongase que se hace girar el plano hasta que describe un angulo y, a
continuacion, se sujeta a un deslizamiento cortante en un factor k en la direccion del eje X.
Encuentrese una sola transformacion matricial que produzca el mismo efecto que el de las
dos transformaciones sucesivas.

Solucion.
Bajo la rotacion de un angulo
, el punto (x, y) se transforma en el punto (x , y ), cuya
transformacion esta dado por
[ ] [ ][ ]
x Cos Sen x
= (1.4)
y Sen Cos y
Bajo el deslizamiento cortante, el punto (x , y ) se transforma entonces en el punto (x , y )

con las coordenadas dadas por
[ ] [ ][ ]

x 1 k x
= (1.5)
y 0 1 y
Al reemplazar (1.4) en (1.5) se llega a

[ ] [ ][ ][ ]
x 1 k Cos Sen x
=
y 0 1 Sen Cos y
o equivalentemente,
[ ] [ ][ ]
x Cos + k Sen Sen + k Cos x
=
y Sen Cos y

Por lo tanto, la rotacion seguida por el deslizamiento cortante se pueden efectuar por medio
de la transformacion matricial con matriz
[ ][ ]
Cos + k Sen Sen + k Cos x
Sen Cos y
En general, si se llevan a cabo una sucesion finita de transformaciones matriciales
T1 (x) = A1 x, T2 (x) = A2 x , . . . , Tn (x) = An x
de IRn hacia IRn (primero T1 , a continuacion T2 , y as sucesivamente), entonces se obtiene el

mismo resultado por medio de la transformacion matricial unica T (x) = Ax , en donde
A = Ak A2 A1 (1.6)
Notese que se obtiene el orden en el que se llevan a cabo las transformaciones al leer de
derecha a izquierda en (1.6).
Ejemplo 1.37. .
a) Hallese
una transformacion matricial de IR2 hacia IR2 que primero lleve a cabo un
deslizamiento cortante en un factor de 2 en la direccion del eje X y, a continuacion,
realice una reflexion respecto a la recta L : y = x.
b) Hallese
una transformacion matricial de IR2 hacia IR2 que primero realice una refle-
xion respecto a la recta L : y = x, y a continuacion lleve a cabo un deslizamiento
cortante en un factor de 2 en la direccion del eje X.

Solucion.
a) La matriz estandar
para el deslizamiento cortante es
[ ]
1 2
A1 =
0 1
y para la reflexion es [ ]
0 1
A2 =
1 0
de modo que la matriz estandar
para el deslizamiento cortante seguido por la refle-
xion es: [ ][ ] [ ]
0 1 1 2 0 1
A2 A1 = =
1 0 0 1 1 2
b) La reflexion seguida por el deslizamiento cortante se representa por medio de:

[ ][ ] [ ]
1 2 0 1 2 1
A1 A2 = =
0 1 1 0 1 0

Observacion. En este ultimo

ejemplo, vemos que A1 A2 = A2 A1 , de manera que el efecto
de realizar primero un deslizamiento cortante y, a continuacion, una reflexion es diferente
de realizar la reflexion y, a continuacion, el deslizamiento cortante.
Teorema 1.7. Si T : IR2 7 IR2 es la multiplicacion por una matriz inversible, entonces:
a) La imagen de una recta es otra recta.
b) La imagen de una recta que pasa por el origen es otra recta que pasa por el origen.
c) Las imagenes
de rectas paralelas son rectas paralelas.
d) La imagen del segmento rectilneo que une los puntos P y Q es el segmento rectilneo
que une las imagenes
de P y Q.
e) Las imagenes
de tres puntos estan
sobre una recta si y solo si los puntos tambien lo
estan.

Ejemplo 1.38. Tracese el esquema de la imagen del cuadrado con vertices
P1 (0, 0), P2 (1, 0), P3 (0, 1) y P4 (1, 1) bajo la multiplicacion por
[ ]
1 2
A=
2 1
Puesto que
Solucion.
[ ][ ] [ ] [ ][ ] [ ]
1 2 0 0 1 2 1 1
= , =
2 1 0 0 2 1 0 2
[ ][ ] [ ] [ ][ ] [ ]
1 2 0 2 1 2 1 1
= , =
2 1 1 1 2 1 1 1
La imagen del cuadrado unitario es el paralelogramo con vertices (0, 0), (1, 2), (2, 1) y
(1, 1) (Ver Figura.1.7)
y (-1,2 ) y
T (x, y ) = (- x + 2 y,2 x - y )
(0,1) (1,1) (1,1)
x x
(1,0 )
(2,-1)
Figura 1.7:

Ejemplo 1.39. Sea la transformacion lineal T : IR2 7 IR2 , T (x, y) = (3x + y, 2x + y). Deter-
mine la imagen de la recta L : y = 2x + 1. [ ]
3 1
La representacion matricial de T en las bases canonica es la matriz A =
Solucion. ,
2 1
cuyo determinante es Det(A) = 1 = 0, entonces la matriz A es inversible, de acuerdo al
teorema.1.7, la imagen de esta recta es otra recta.
Sea (x, y) L : y = 2x + 1 y (x , y ) su imagen bajo la transformacion lineal,
Solucion.
entonces [ ][ ] [ ]
3 1 x x
=
2 1 y y
y
[ ] [ ]1 [ ] [ ][ ]

x 3 1 x 1 1 x
= =
y 2 1 y 2 3 y
de donde,
x = x y
y = 2x + 3y
Al sustituir en y = 2x + 1 da
4 1
2x + 3y = 2(x y ) + 1 L : y = x +
5 5
lo cual es la recta que se desea.
matricial de una transformacion

1.4. Representacion
lineal
Teorema 1.8. Sea 1 = {u1 , u2 , . . . , un } y 2 = {v1 , v2 , . . . , vn } dos bases ordenadas del
espacio vectorial V. Sean aij IR escalares tales que:
v1 = a11 u1 + a12 u2 + + a1n un

v2 = a21 u1 + a22 u2 + + a2n un
.. ..
. .
vn = an1 u1 + an2 u2 + + ann un
y sea
a11 a21 an1
a12 a22 an2

P= .. .. ... ..
. . .
a1n a2n ann
Entonces, la matriz P es invertible y para todo v V se tiene:

1. C1 [v] = P C2 [v].
2. C2 [v] = P1 C1 [v]
1.4. Sean las condiciones del teorema anterior,

Definicion
1. A la matriz P se le dice matriz de cambio de base de la base 2 a la base 1
2. A la matriz P1 se le dice matriz de cambio de base de la base 1 a la base 2
matricial de un operador lineal

1.4.1. Representacion
1.5. Valores y vectores propios

Sean los operadores lineales T1 : IR2 7 IR2 , T1 (x, y) = k(x, y), T2 : IR2 7 IR2 , T2 (x, y) =
(y, x) y T3 : IR2 7 IR2 , T3 (x, y) = (x, y) y T : IR2 7 IR2 , T (x, y) = (xCos ySen, xCos +
ySen). Consideremos los subespacios vectoriales siguientes:
W1 = {(x, y) IR2 / y = x}
W2 = {(x, y) IR2 / y = 2x}
As pues, los subespacios W1 y W2 se transforman en s mismos por la homotecia T1 , la

simetra por el origen, es decir T3 (W1 ) = W1 y T3 (W2 ) = W2 , sin embargo T2 (W1 ) = W1 y
T2 (W2 ) = W2 , y si con = 0, este no deja invariante ningun
subespacio vectorial de IR2 .
El problema planteado es encontrar subespacios vectoriales W V que sean invarian-
tes al transformarlo por un operador lineal T : V 7 V. As pues, habra que determinar
vectores v V tales que v y T (v) sean proporcionales y por ello pertenecientes al mismo
subespacio vectorial. Con esta finalidad se introducen la siguiente definicion.
1.5. Sea T L(V) y V un espacio vectorial, dim(V) = n < , el numero

Definicion se
llama valor propio de T si
T (v) = v (1.7)
vector v = 0, v V.
para algun
El vector no nulo v que cumple (1.7) se llama vector propio de T asociado a
Sea la matriz A asociado al operador T en alguna base de V, entonces (1.7) se puede

escribir del modo siguiente:
A(v) = v (1.8)
Ejemplo 1.40. Sean T : IR3 7 IR3 , T (x, y, z) = (2x, y + z, x + z).
Los valores propios y vectores propios asociados al operador T son:
1 = 2 y v1 = (9, 1, 3), pues T (v1 ) = T (9, 1, 3) = (18, 2, 6) = 2(9, 1, 3)

T (v1 ) = 1 v1

2 = 1 y v2 = (0, 1, 0), pues T (v2 ) = T (0, 1, 0) = (0, 1, 0) = 1(0, 1, 0) T (v2 ) = 2 v2

Ejemplo 1.41. Sean T : IR2 7 IR2 , T (x, y) = (3x, 8x y).
Si = 3 y v = (1, 2), vemos que:
T (v) = T (1, 2) = (3, 6) = 3(1, 2) T (v) = 3 (1, 2) = v
As, = 3 y v = (1, 2) son valor propio y vector propio asociado al operador T .

Ejemplo 1.42. Sean T : IR2 7 IR2 , T (x, y) = (2x y, 5x + 2y).
Los numeros
1 = i, 2 = i son los valores propios y los vectores propios son:
( ) ( )
2 + i 2 i
w1 = , 1 , w2 = , 1
5 5
son los vectores propios asociados a los valores propios respectivamente.
Observaciones.
1. El autovector v asociado a un valor propio no es unico,
ya que si T (v) = v y para
= 0 el vector w = v tambien es un vector propio asociado a .
En efecto Ya que si T (v) = v, entonces para todo IR se verifica que si w = v
T (w) = T ( v) = (v) = w y, por lo tanto, v es un vector propio de T asociado a .
2. Un vector v, v = 0 no puede ser asociado a dos valores propios de T diferentes.
En efecto, si existen escalares , IR tales que
T (v) = v, T (v) = v
restando tenemos:
T (v) T (v) = T (0) = ( )v
en consecuencia, tenemos que, = pues v = 0.
La ecuacion (1.8) que sirve para definir los valores propios y vectores propios se puede
escribir como:
(I A)v = 0, (1.9)
con lo que los vectores propios, si existen, son los vectores no nulos solucion del sistema
lineal homogeneo
(I A)x = 0
Sabemos que este sistema tiene soluciones distintas de la trivial si y solo si, la matriz IA
no es inversible, o equivalentemente si
Det(I A) = 0 (1.10)
As pues, los valores propios de la matriz A, son todos los escalares que verifican la
ecuacion (1.10). Esta observacion induce la siguiente definicion.

1.6. Se llama polinomio caracterstico de una matriz cuadrada A al poli-

Definicion
nomio
pA () = Det(I A)
Nota.
1. El grado del polinomio caracterstico es igual a la dimension del espacio vectorial V,

es decir:
grad(pA () = n = dim(V)
2. Notese que los valores propios de T son las races del polinomio caractersticos. Ademas

estas races son numeros
reales o numeros
complejos. Los valores propios pueden ser
repetidos, con lo que podemos dar la siguiente definicion.
Definicion 1.7. Se llama multiplicidad algebraica de un valor propio, a su multiplici-

dad como raz del polinomio caracterstico, es decir, al numero
de veces que aparece como
raz de dicho polinomio.
Ejemplo 1.43. Calcular los valores propios y vectores propios del operador
T : IR3 7 IR3 , T (x, y, z) = (2x, y + z, x + z),
cuya representacion matricial en la base canonica de IR3 es:

2 0 0

A= 0 1 1
1 0 1
El polinomio caracterstico de la matriz A es:

Solucion.
pA () = Det(I A) = ( + 2)( 1)2
Luego los valores propios de A son:
1 = 2 de multiplicidad algebraica 1
2 = 1 de multiplicidad algebraica 2
y los vectores propios asociados a sus valores propios son:
Si 1 = 2 entonces v1 = (9, 1, 3)
Si 2 = 1 entonces v2 = (0, 1, 0)
Nota. En este ultimo

ejemplo, vimos que las soluciones del sistema lineal homogeneo son
los vectores del nucleo
de la matriz de coeficientes del sistema. Entonces sabemos que el
nucleo
de una matriz de tamano n n es un subespacio vectorial de IRn , por lo tanto
podemos dar la siguiente definicion.

n n. Se llama
1.8. Sea un valor propio asociado a la matriz A de tamano
Definicion
subespacio propio de A asociado a al subespacio vectorial
EA () = Ker(I A) = {x IRn / (I A)x = 0}
Ejemplo 1.44. Calcular los valores propios, vectores propios y los subespacios vectoriales
de la matriz A
2 2 1

A= 1 3 1
1 2 2
El polinomio caracterstico de la matriz A es:
solucion.
pA () = Det(I A) = ( 5)( 1)2
Por lo tanto los valores propios son 1 = 5 y 2 = 1, este ultimo

con multiplicidad algebrai-
ca 2.
Calculamos los vectores propios.
Para 1 = 5 los vectores propios son las soluciones no nulas del sistema lineal homogeneo
(5I A)x = 0, es decir, del sistema

3 2 1 x1 0 1 0 1 x1 0

1 2 1 x2 = 0 0 1 1 x2 = 0
1 2 3 x3 0 0 0 0 x3 0
cuyo conjunto solucion es

{(1, 1, 1) / IR}
Por lo tanto, el subespacio propio es:
EA (5) = (1, 1, 1)
siendo {(1, 1, 1)} base para el subespacio EA (5).
Para 1 = 1 los vectores propios son las soluciones no nulas del sistema lineal homogeneo
(I A)x = 0, es decir, del sistema

1 2 1 x1 0 1 2 1 x1 0

1 2 1 x2 = 0 0 0 0 x2 = 0
1 2 1 x3 0 0 0 0 x3 0
siendo
{(2a b, a, b) a, b IR}
el conjunto de soluciones, por lo tanto el subespacio propio es
EA (1) = (2, 1, 0), (1, 0, 1)
y {(2, 1, 0), (1, 0, 1)} es una base del subespacio vectorial EA (1).

Teorema 1.9. Sea A IRnn . Entonces

1. A y AT tienen los mismos valores propios con las mismas multiplicidades algebraicas.
2. Si es un valor propio de A y k 1, entonces k es un valor propio de Ak .

Teorema 1.10. Si A IRnn es una matriz triangular (superior o inferior) entonces sus
valores propios son los elementos de la diagonal.
1.9. Sean A, B IRnn . Se dice que A y B son matrices semejantes si existe
Definicion
una matriz inversible P IRnn tal que:
B = P1 AP
Ejemplo 1.45. Comprobar que B = P1 AP, es decir las matrices A y B son matrices seme-
jantes, siendo:

1 0 2 1 1 1 0 2 0

A = 1 1 1 , B = 0 2 1 , P = 1 0 1
0 0 2 0 0 1 0 1 1
Determinando la matriz inversa de P, tenemos:
Solucion.

12 1 1

P1 = 21 0 0
12 0 1
Luego multiplicar:

12 1 1 1 0 2 0 2 0

P1 A P = 12 0 0 1 1 1 1 0 1
12 0 1 0 0 2 0 1 1

1 1 1

= 0 2 1
0 0 1
=B
Teorema 1.11. Sean A y B dos matrices semejantes, entonces:
1. A y B tienen el mismo polinomio caractersticos
2. A y B tienen los mismos valores propios con las mismas multiplicidades algebraicas.
En efecto. Si B es semejante a A, entonces existe P GL(IRn ), tal que: B = P1 AP, luego:
pB () = Det(B I)
= Det(P1 AP P1 P)
= Det(P1 (A I)P)
= Det(P1 )Det(A I)Det(P)
= Det(P1 )Det(P)Det(A I)
= Det(I)Det(A I)
= Det(A I) = pA ()

Ejemplo 1.46. Sabiendo que A = PBP1 con

1 4 0 2 1 0 0 0 1 0 4 1
8
8 13 4 0 1 0 0 1 1 2 1
A= , B = , P=
4 6 3 4 0 0 1 0 2 3 1 2
12 20 8 13 0 0 0 1 0 1 1 1
Calcular: A6 y 2A5 4A2
Son varias las propiedades que comparten las matrices semejantes. A continuacion
estudiamos algunas de ellas, pero primero necesitamos recordar la definicion de la traza
de una matriz y una propiedad de la misma dada.
Definicion 1.10. Sean A IRnn . Se llama traza de la matriz A a la suma de los elemen-
tos de la diagonal principal de A, escribimos

n
tr(A) = aii
i=1
Lema 1.11. Sean P, Q IRnn , entonces

tr(PQ) = tr(QP)
n n, entonces:
Teorema 1.12. Sean A y B dos matrices semejantes de tamano
i) Det(A) = Det(B)
ii) Rang(A) = Rang(B)
iii) tr(A) = tr(B)
En efecto. Como A y B es semejante, entonces existe una matriz P inversible tal que:
B = P1 AP
i) Det(B) = Det(P1 AP) = Det(P1 )Det(A)Det(P) = Det(A)
ii)
iii)

1.6. Diagonalizacion
Una clase particular de matrices la constituyen aquellas que son semejantes a una ma-
triz diagonal. Justamente este hecho es el que aparece en la introduccion de este captulo.
Vamos a estudiar condiciones necesarias y suficientes para que una matriz cuadrada A
sea semejante a una matriz diagonal D. Empezaremos dando algunos resultados previos.

Teorema 1.13. Sea A una matriz cuadrada de tamano n n y sean 1 , 2 , . . . , s los dis-
tintos valores propios de A. Entonces la suma de los correspondientes subespacios propios
EA (i ), i = 1, 2, . . . , s, es directa.
Podemos deducir, como consecuencia del teorema anterior, que los vectores propios de
una matriz, asociados a valores propios distintos, son linealmente independientes.
1.12. Una matriz A de tamano
Definicion n n se dice que es diagonalizable si es
semejante a una matriz diagonal, es decir, si existe una matriz P GL(IRn ) tal que:
P1 AP = D
siendo D una matriz diagonal.

Teorema 1.14. Una matriz A de tamano n n es diagonalizable si y solo si, tiene n vec-
tores propios linealmente independientes.
Sean u1 , u2 , . . . , un los n vectores propios linealmente independientes, ta-

Demostracion.
les que:
Aui = i ui , i = 1, 2, . . . , n
Podemos escribir equivalentemente del modo siguiente:

1
2

Aui = i ui A[u1 u2 . . . un ] = [1 u1 2 u2 . . . n un ] = [u1 u2 . . . un ] ..
.
n
que denotamos como AP = PD, donde

1
2

P = [u1 u2 . . . un ] y D= ..
.
n
Claramente P es inversible ya que los vectores u1 , u2 , . . . , un son linealmente independien-
tes. Luego
D = P1 AP
es decir A es diagonalizable.
Recprocamente, supongamos que A es diagonalizable, entonces podemos encontrar una

matriz inversible P tal que:
P1 AP = D
es una matriz diagonal, o equivalentemente
AP = PD (1.11)

Si escribimos P por columnas como
P = [u1 u2 . . . un ]
se sigue de (1.11) que

Aui = i ui , i = 1, 2, . . . , n
donde i es el iesimo elemento de la matriz diagonal de D. Luego las columnas de la
matriz P son n vectores propios de A, que seran
linealmente independientes ya que P es
inversible.
Cuando A es diagonalizable entonces el conjunto de los n vectores propios son una base
para el espacio vectorial IRn .
Ejemplo 1.47. Diagonalizar la matriz

1 1 1

A= 0 3 0
2 1 2
Solucion Calculemos en primer lugar los valores propios de A. Para ello hallemos las
races del polinomio caracterstico

1 1
1

pA () = Det(A I) = 0 3 0 =0

2 1 2
= ( 3)2 = 0
Por lo tanto, los valores propios de A son 1 = 0 y 2 = 3, este ultimo

con multiplicidad
algebraica 2.
En segundo lugar hallaremos los vectores propios. Para 1 = 0, los vectores propios son
las soluciones no triviales del sistema lineal homogeneo (A 0 I)x = 0, es decir:

1 1 1 x 0

0 3 0 y = 0
2 1 2 z 0
cuyo conjunto solucion es

EA (0) = Env{(1, 0, 1)}.
Una base de vectores propios de EA (0) esta formado por el vector u1 = (1, 0, 1). La dimen-
sion geometrica de este subespacio EA (0) es 1.

Para 2 = 3 los vectores propios son las soluciones del sistema lineal homogeneo (A
3I)x = 0, es decir:
2 1 1 x 0

0 0 0 y = 0
2 1 1 z 0
siendo
EA (3) = Env{(1, 2, 0), (1, 0, 2)}
el conjunto de soluciones. Una base para el subespacio EA (3) esta formado por los vectores
u2 = (1, 2, 0) y u3 = (1, 0, 2), por lo tanto la dimension geometrica del subespacio EA (3) es
2.
Por el teorema.1.14 el conjunto {u1 , u2 , u3 }, es linealmente independiente, con lo que la

matriz
P = [u1 u2 u3 ]
es inversible.
Observese por ultimo

que A = PDP1 siendo

1 1 1 2/3 1/3 1/3 0 0 0

P = 0 2 0 , P1 = 0 1/2 0 y D= 0 3 0
1 0 2 1/3 1/6 1/3 0 0 3
El orden de las columnas de P esta en funcion del orden de colocacion de los valores propios
en D ya que
A[u1 u2 u3 ] = [u1 u2 u3 ]D
Si tomamos los valores propios en otro orden, por ejemplo construimos

3 0 0

D1 = 0 0 0
0 0 3
entonces la matriz de vectores propios correspondientes es

1 1 1

P1 = [u2 u1 u3 ] P1 = 2 0 0
0 1 2
ya que
A[u2 u1 u3 ] = [u2 u1 u3 ]D1
Las matrices D y D1 tienen los mismos elementos en la digonal principal. Aun
podemos
decir mas,
dada la matriz D, si definimos

1 1 1

P2 = 0 0 2
1 2 0

se verifica que A = P2 DP21 . Lo cual nos permite afirmar que dada la matriz diagonal D,
la matriz P formada por los vectores propios no es, en general unica.

Ejemplo 1.48. Dada la matriz

1 0 6

A = 0 1 0
1 1 2
diagonalizarla si es posible.
Realizaremos el problema en dos etapas.

Solucion.
Primero calculemos los valores propios de A
pA () = Det(A I) = ( + 1)2 ( 4) = 0
Los valores propios son 1 = 1 con multiplicidad algebraica 2 y 2 = 4 con multiplicidad

algebraica 1.
En segundo lugar obtendremos los vectores propios asociados a cada uno de los valores
propios.
Para 1 = 1, se resuelve el sistema lineal homogeneo (A + I)x = 0, es decir

2 0 6 x 0

0 0 0 y = 0
1 1 3 z 0
obteniendo
EA (1) = Env{(3, 0, 1)}
Claramente dim(EA (1)) = 1 y el vector u1 = (3, 0, 1) constituye una base para el subes-
pacio EA (1).
Para 2 = 4, se resuelve el sistema lineal homogeneo (A 4I)x = 0, es decir

3 0 6 x 0

0 5 0 y = 0
1 1 2 z 0
obteniendo
EA (4) = Env{(2, 0, 1)}
Claramente dim(EA (4)) = 1 y el vector u2 = (2, 0, 1) constituye una base para el subespacio
EA (4).
El conjunto de vectores propios {u1 , u2 } es linealmente independiente. Sin embargo, el

conjunto {u1 , u2 , z} donde z es otro vector propio de A, es linealmente dependiente, ya que
z o es un multiplo
de u1 o es multiplo
u2 . Por lo tanto no existe una base de IR3 formada por

los vectores propios de A, en consecuencia A no es diagonalizable.
Observando con detalle estos dos ultimos

ejemplos se puede deducir que la matriz dia-
gonalizable A del ejemplo.1.47 tiene la siguiente propiedad: la suma de las dimensiones
de los subespacios propios es justamente la dimension del espacio IR3 . Mientras que es-
ta propiedad no se da en el ejemplo.1.48 puesto que la suma de las dimensiones de los
subespacios es 2. Este hecho es basico
para caracterizar las matrices diagonalizables.
Teorema 1.15. Una matriz A de tamano n n es diagonalizable, si y solo si, la suma de
las dimensiones de los subespacios propios es n.
Es decir: Si 1 , 2 , . . . , s son los valores propios de A, entonces A IRnn es diagonalizable
si
dim(EA (1 )) dim(EA (2 )) dim(EA (s ))
Para obtener caracterizaciones mas
directas de diagonalizacion necesitamos el siguien-
te resultado.
n n. Si 0 es un valor propio de A de
Teorema 1.16. Sea A una matriz de tamano
multiplicidad algebraica m0 , entonces
1 dim(EA (0 )) m0
Teorema 1.17. Sea A una matriz de tamano n n. A es diagonalizable si, y solo si, se
verifican las dos condiciones siguientes:
i) El polinomio caracterstico pA () tiene n races reales no necesariamente distintas, es
decir
pA () = ( 1 )m1 ( 2 )m2 ( s )ms
con m1 + m2 + + ms = n
ii) La multiplicidad algebraica de cada valor propio de A, coincide con la dimension del
subespacio propio correspondiente.
Ejemplo 1.49. Hallar los valores y vectores propios de la matriz

0 0 1 0

3 2 2 2
A=
1 0 0 0
1 2 2 2
diagonalizarla si es posible.
El polinomio caracterstico es
Solucion
pA () = ( 4)(2 + 1) = 0
Observese que el polinomio caracterstico pA () tiene solamente dos races reales 1 = 0

y 2 = 4, el factor (2 + 1) solo tiene races complejas. En consecuencia la matriz A no es
diagonalizable de acuerdo al teorema.1.17. Los vectores propios son:

1. Para 1 = 0 entonces EA (0) = (0, 1, 0, 1)
2. Para 2 = 4 entonces EA (4) = (0, 1, 0, 1)
Una consecuencia inmediata del teorema.1.17 es que las matrices cuadradas de tamano

n n que tiene n valores propios distintos son diagonalizables, es decir.
n n. Si A tiene n valores propios distintos,

Corolario 1.50. Sea A una matriz de tamano
entonces A es diagonalizable.
Ejemplo 1.51. Comprobar que la matriz

2 2 3 1

1 1 1 1
A=
1 3 1 3
0 0 0 2
es diagonalizable.
Solucion. Calculando los valores propios de A, es decir, las races del polinomio carac-
terstico
pA () = Det(A I) = ( + 2)( 1)( 2)( 3) = 0
As pA () posee cuatro races distintas: 2, 1, 2, 3 y por el corolario, A es diagonalizable.
Veamos
1 = 3

v 1 = (1, 1, 1, 0)

2 = 2 v 2 = (11, 1, 14, 0)
=2
3

v = (0, 4, 3, 1)
3
4 = 1

v 4 = (1, 1, 1, 0)
entonces la matriz de inversible es

1 1 2 8
1 11 0 1
2 10 5 5

1 1 4 1 0 151 1
151
P= , P1 = 15

1 14 3 1 0 0 0 1
1 5 1 7
0 0 1 0 2 6
3 3
luego calculando el producto de las matrices, tenemos:

3 0 0 0

0 2 0 0
P1 A.P =
0 0 2 0
0 0 0 1

1.7. Ejercicios
1. Sea [ ]
a b
A=
c d
demuestre que:
a) A es diagonalizable si: (a d)2 + 4bc > 0

b) A no es diagonalizable si: (a d)2 + 4bc < 0
[ ]
1 0
2. Calcular A10 , en donde A =
1 2
de matrices simetricas
1.8. Diagonalizacion
Mediante ejemplos hemos comprobado que no todas las matrices cuadradas son dia-
gonalizables, ahora veremos una clase especial de matrices que verifican dichas condicio-
nes la forman las matrices simetricas. Probaremos en esta seccion que dada una matriz
simetrica cuadrada existe una base de vectores propios de A. En realidad comprobaremos
que existe una base de vectores propios ortonormales. Empezaremos dando un resultado
sobre la ortogonalidad de vectores propios asociados a valores propios distintos.
Teorema 1.18. Sea A una matriz simetrica de tamano nn. Entonces los vectores propios
asociados a valores propios son ortogonales respecto al producto interno escalar canonico
del espacio vectorial IRn
En efecto. Supongamos que Au = u y Av = v, con = . Realicemos los siguientes

calculos

Au, v = u, v = u, v,
Au, v = (Au)T v = uT AT v
= uT Au = u, Av = u, v
Luego ( )u, v = 0, y como = , se tiene que u, v = 0, es decir los vectores u y v son
ortogonales.
Lema 1.13. Toda matriz simetrica tiene, al menos, un valor propio real.
Teorema 1.19. Sea A una matriz cuadrada de tamano n n. La matriz A es simetrica si,
y solo si, A es diagonalizable mediante una matriz ortogonal. Es decir, existe una matriz
ortogonal Q. Es decir, existe una matriz ortogonal Q tal que Q1 AQ es diagonal.
Nota. Puesto que se puede construir una base de vectores propios ortonormales de una
matriz simetrica, diremos que toda matriz simetrica es diagonalizable por una ma-
triz ortogonal. Es decir si A es simetrica entonces existe una matriz ortogonal Q tal que
Q1 AQ es diagonal.

Ejemplo 1.52. Diagonalizar la matriz simetrica.

2 0 0

A= 0 3 1
0 1 3
El polinomio caracterstico es
Solucion.
pA () = det(A I) = 3 82 + 20 16 = ( 2)2 ( 4) = 0
Los valores propios son 1 = 2 con multiplicidad algebraica 2 y 2 = 4.
Para 1 = 2, los vectores propios son las soluciones del sistema lineal homogeneo (A
2I)x = 0, es decir, de
0 0 0 x 0

0 1 1 y = 0
0 1 1 z 0
por lo tanto
EA (2) = (1, 0, 0), (0, 1, 1)
La base del subespacio propio EA (2) es, por tanto {u1 , u2 }, donde u1 = (1, 0, 0) y u2 = (0, 1, 1)
Para 2 = 4 hemos de resolver el sistema (A 4I)x = 0, es decir

2 0 0 x 0

0 1 1 y = 0
0 1 1 z 0
cuyo conjunto de soluciones es
EA (4) = (0, 1, 1)
Por lo tanto, una base de EA (4) esta formado por el vector u3 = (0, 1, 1).
As,{u1 , u2 , u3 } es una base de IR3 . Para construir la matriz ortogonal Q tal que QT AQ =
D sea diagonal, necesitamos una base ortonormal de vectores propios. Como el conjunto
{u1 , u2 , u3 } ya es ortogonal, solo hace falta normalizarlo.
Los vectores ortonormales son:

1
w1 = u1 = (1, 0, 0)
||u1 ||
( )
1 1 1
w2 = u2 = 0, ,
||u2 || 2 2
( )
1 1 1
w3 = u3 = 0, ,
||u3 || 2 2

La matriz ortogonal es

1 0 0 1 0 0
0 12 0
1 Q
1 1 1
Q = [w1 w2 w3 ] = 2
=
2 2
0 1 1 0 12 1
2 2 2
Luego calculamos y tenemos:

2 0 0

QT AQ = 0 2 0
0 0 4
es la matriz diagonal semejante a la matriz A.
Ejemplo 1.53. Dada la matriz simetrica

1 1 1

A= 1 1 1
1 1 1
Hallar una matriz ortogonal Q tal que QT AQ es diagonal.
Hallemos primero los valores propios de A, entonces el polinomio caracterstico

Solucion
es:
pA () = 3 32 = 2 ( 3) = 0
Luego los valores propios son 1 = 0 de multiplicidad algebraica 2 y 2 = 3 con multiplici-
dad algebraica 1.
Para 1 = 0 los vectores propios son: u1 = (1, 1, 0), u2 = (1, 0, 1)
Para 2 = 3 el vector propio es: u3 = (1, 1, 1)
Los vectores {u1 , u2 , u3 } constituyen una base del espacio vectorial IR3 .
Para hallar la matriz Q tenemos que obtener una base de vectores ortonormales. Sa-
bemos que el conjunto {u1 , u2 } es ortogonal a {u3 } porque son vectores propios asociados a
valores propios distintos. as pues, ortogonalizamos solamente el conjunto {u1 , u2 } por el
algoritmo de Gram-Schmidt.
Tenemos los vectores normalizados, estos son:
( )

1 1
v 1 = (1, 1, 0) w 1 = , , 0
2 2
( )

v 2 = (1, 0, 1) 1
w2 = , ,
1 2
6 6 3
( )

v 3 = (1, 1, 1)
1 1 1
w1 = , ,
3 3 3

Entonces la matriz P es:

12 16 1
1 3

P=
2
16

1
3
, donde Det(P) = 1,

2 1
0 3 3
y la matriz inversa de P es P1 = PT , realizando calculos

se comprueba

12 1
2
0

1
P = 1 1 2
6 6 3
1 1 1
3 3 3
Luego calculamos el producto de las siguientes matrices, tenemos:

0 0 0

P1 A.P = 0 0 0 = D
0 0 3

1.9. Formas cuadraticas, a las secciones
aplicacion

cuadraticas
En esta seccion se aplican los resultados obtenidos acerca de las transformaciones
ortogonales de coordenadas, para el estudio de las ecuaciones cuadraticas, las formas
cuadraticas
y las secciones conicas. Las formas cuadraticas
surgen en una diversidad de
problemas importantes referentes a areas
tan diversos como las vibraciones, la relatividad
y la geometria.
Una ecuacion de la forma
ax2 + 2bxy + cy2 + dx + ey + f = 0 (1.12)
en donde a, b, c, . . . , f son numeros

reales, y al menos uno de los numeros
a, b, c no es cero,
se denomina ecuacion cuadratica
en x e y; la expresion
ax2 + 2bxy + cy2

se llama forma cuadratica asociada.
Ejemplo 1.54. En la ecuacion cuadratica

3x2 + 5xy 7y2 + 2x + 7 = 0
las constantes que se mencionan en (1.12) son:

5
a=3 b= c = 7 d=2 e=0 f=7
2

cuadratica
Ejemplo 1.55. ecuacion
forma cuadratica asociada
3x2 + 5xy 7y2 + 2x + 7 = 0 3x2 + 5xy 7y2
4x2 5y2 + 8y + 9 = 0 4x2 5y2
xy + y = 0 xy
Las graficas
de las ecuaciones cuadraticas

en x e y se llaman conicas o secciones

conicas. Las conicas mas importantes son las elipses, las hiperbolas y las parabolas,
se
dice que e stas conicas son conicas no degeneradas. Las conicas restantes se califican
como degeneradas e incluyen puntos aislados y parejas de rectas.
Se dice que una conica no degenerada se encuentra en posicion estandar, con relacion
a los ejes de coordenadas, si su ecuacion se pueden expresar en una de las formas dadas
en la Figura.
Ejemplo 1.56. La ecuacion
x2 y2 x2 y2
+ = 1 es de la forma 2 + 2 = 1 con b = 2 y a = 3
4 9 a b
Por lo tanto, su grafica
es una elipse en posicion estandar, la cual se intersecta con el
eje X en los puntos (2, 0) y (2, 0), y se intersecta con el eje Y en los puntos (0, 3) y (0, 3).
y2 x2
La ecuacion x2 8y2 = 16 se puede reescribir como = 1, la cual de la forma
2 16
y2 x2
= 1 con a = 2 y b = 4. As entonces, su grafica
es una hiperbola en posicion
a2 b2
estandar que se intersecta con el eje Y en los puntos (0, 2) y (0, 2).
2
La ecuacion 5x2 + 2y = 0 se puede volver a escribir como x2 = y, la cual es de la for-
5
2
ma x2 = ky con k = . Dado que k < 0, su grafica
es una parabola
en posicion estandar
5
que se abre hacia abajo.
Observese que ninguna conica en posicion estandar tiene el termino xy (conocido como
el termino de producto cruzado) en su ecuacion, la presencia de un termino xy, en la
ecuacion degenerada, indica que tal conica esta girada a su posicion estandar. (Ver Figu-
ra). Tambien, ninguna conica en posicion estandar tiene tanto un termino x2 como en x,
uno en y2 y en y. Si no existe termino de producto cruzado, la presencia de cualquiera de
estos dos pares de terminos en la ecuacion de una conica no degenerada indica que tal
conica esta trasladada respecto a su posicion estandar (Ver Figura).
Una tecnica para identificar la grafica

de una conica no degenerada, que no se encuen-
tra en la posicion estandar,
consiste en hacer girar y trasladar los ejes coordenados xy,
para obtener un sistema de coordenadas x y , con relacion al cual la conica este en la po-
sicion estandar.
Una vez que se hace lo anterior, la ecuacion de la conica en el sistema x y
tendra una de las formas dadas en la Figura y, por consiguiente, es posible identificarla
con facilidad.

Ejemplo 1.57. Dado la ecuacion cuadratica

2x2 + y2 12x 4y + 18 = 0
contiene terminos en x2 , x, y2 e y, pero ningun
termino con producto cruzado, su grafica
es
una conica que esta traslada respecto de la posicion estandar,
pero no esta girada.
Esta conica se puede llevar a la posicion estandar,

trasladando apropiadamente los ejes
coordenados. Para hacerlo, agrupense
primero los terminos en x e y. Esto conduce a
(2x2 12x) + (y2 4y) + 18 = 0
o bien
2(x2 6x) + (y2 4y) = 18
al completar cuadrados en las dos expresiones que estan
entre parentesis, se obtiene
2(x2 6x + 9) + (y2 4y + 4) = 18 + 18 + 4
o bien
2(x 3)2 + (y 2)2 = 4 (1.13)
si se trasladan los ejes de coordenadas por medio de las ecauciones de traslacion
x = x 3 y = y 2
entonces (1.13) queda
x 2 y 2
2x 2 + y 2 = 4 + =1
2 4
que es la ecuacion de una elipse en posicion estandar,
en el sistema x y . En la Figura se
tiene un esquema de esta elipse.
Ahora se considera la identificacion de las conicas que estan giradas respecto de la

posicion estandar.
En el resto de este seccion se sigue una convencion estandar
de omitir
los corchetes en todas las matrices de orden 11. Por lo tanto, el numero
8 se puede escribir
como la matriz [8] que es una matriz de orden 11. Con esta convencion la expresion (1.12)
se puede escribir en la forma matricial
[ ][ ] [ ]
[ ] a b x [ ] x
x y + d e +f=0
b c y y
o bien
Xt AX + KX + f = 0 (1.14)
en donde [ ] [ ]
x a b [ ]
X= , A= , K= d e
y b c
con esta notacion, la forma cuadratica
asociada a (1.14) es
Xt AX

La matriz simetrica A se denomina matriz de la forma cuadratica Xt AX

Ejemplo 1.58. Las matrices de las formas cuadraticas

3x2 + 5xy + 7y2 y 8x2 4y2
son [ ] [ ]
3 5/2 8 0
y
5/2 7 0 4
Considerese una conica C con la ecuacion
Xt AX + KX + f = 0 (1.15)
Ahora se demostrara que es posible hacer girar los ejes de coordenados xy de modo que la
ecuacion de la conica, en el sistema de coordenadas x y , no tenga termino con producto
cruzado.
Paso 1. Se halla una matriz [ ]

p11 p12
P=
p21 p22
que diagonaliza ortogonalmente a A.
Paso 2. Se intercambian las columnas de P, si es necesario, para hacer que Det(P) = 1. Esto
asegura que la transformacion ortogonal de coordenadas
[ ] [ ]

x x
X = PX es decir =P (1.16)
y y
es una rotacion
Paso 3. A fin de obtener la ecuacion para C en el sistema x y , se sustituye (1.16) en (1.15).

Esto conduce a
(PX )t A(PX ) + K(PX ) + f = 0
o bien,
X t (Pt AP)X + K(PX ) + f = 0 (1.17)
Puesto que P diagonaliza ortogonalmente a A,
[ ]
1 0
Pt AP =
0 2
en donde 1 y 2 son los autovalores de A. Por lo tanto, (1.17) se puede volver a escribir
como [ ][ ] [ ][ ]
[ ] 0 x [ ] p p x
x y
1 11 12
+ d e +f=0
0 2 y p21 p22 y
o bien,
1 x 2 + 2 y 2 + d x + e y + f = 0

(en donde d = dp11 + ep21 y e = dp12 + ep22 ). Esta ecuacion no tiene termino de producto
cruzado.
En el siguiente teorema se resume este analisis.

Teorema 1.20. (Teorema de los ejes coordenados para IR2 ). Sea
ax2 + 2bxy + cy2 + dx + ey + f = 0
la ecuacion de una conica C, y supongase que
Xt AX = ax2 + 2bxy + cy2
es la forma cuadratica
asociada. Entonces se puede hacer girar los ejes coordenados de
modo que la ecuacion para C en el nuevo sistema de coordenadas x y tenga la forma
1 x 2 + 2 y 2 + d x + e y + f = 0
en donde 1 y 2 son los autovalores de A. Se puede llevar a cabo la rotacion por medio de
la sustitucion
X = PX
en donde P diagonaliza ortogonalmente a A y det(P) = 1.
Ejemplo 1.59. Describase la conica C cuya ecuacion es 5x2 4xy + 8y2 36 = 0

Escribamos la ecuacion cuadratica
Solucion. en forma matricial
[ ][ ]
[ ] 5 2 x
x y = [36]
2 5 y
[ ]
5 2
donde la matriz A es la matriz simetrica, A = , esta matriz podemos diago-
2 5
nalizarlo, para el cual consideremos la matriz de cambio de coordenadas
[ ] [ ]

x x
X = PX =P
y y
Luego determinemos los valores propios y vectores propios ortonormales
pA () = det(A I) = 2 13 + 36 = ( 4)( 9) = 0
entonces tenemos:
) (
1 = 4

v 1 = (2, 1)
2 1
w1 = ,
5 5
( )

1 2
2 = 9 v 2 = (1, 2) w 2 = ,
5 5

Ahora la matriz inversible P es:

[ ]
2 15
P= 5 , donde Det(P) = 1
1 2
5 5
y la matriz inversa de P es [ ]
2 1
P1 = PT = 5 5
15 2
5
Ahora calculamos el producto de las matrices

[ ]
1 4 0
P AP = =D
0 9
Ahora reemplazamos
Xt AX = [36] (PX )T A(PX) = [36]

X T (PT AP)X = [36]
X T (P1 AP)X = [36]
X T DX = [36]
[ ][ ]
[ ] 4 0 x
x y = [36]
0 9 y
4x 2 + 9y 2 = 36
x 2 y 2
+ =1
9 4
Como e sta conica en el sistema
( de)coordenadas X Y es la elipse, cuyo eje focal sigue la
direccion del vector
2 1
w1 = ,
5 5
20 80
Ejemplo 1.60. Describase la conica C cuya ecuacion es 5x2 4xy + 8y2 + x y + 4 = 0
5 5
Ejemplo 1.61. Describase la conica C cuya ecuacion es 9x2 4xy + 6y2 10x 20y = 5

1.10. Formas cuadraticas: a las superficies
Aplicacion

cuadricas
En esta seccion, las tecnicas de la seccion anterior se extienden hacia las ecuaciones
cuadraticas
en tres variables.
Una ecuacion de la forma
ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz + gx + hy + iz + j = 0 (1.18)

en donde a, b, c, . . . , i, j IR y a = 0, b = 0, c = 0, se denomina ecuacion

cuadratica
en
x, y, z; la expresion
ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz

es la forma cuadratica asociada.
La ecuacion (1.18) se puede expresar en la forma matricial

[ ] a d e x [ ] x

x y z d b f y + g h i y + f = 0
e f c z z
o bien
XT AX + KX + f = 0
en donde
x a d e [ ]

X = y , A = d b f , K= g h i
z e f c

la matriz simetrica A se conoce como matriz de la forma cuadratica
XT AX = ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz
Ejemplo 1.62. La forma cuadratica

asociada con la ecuacion cuadratica

3x2 + 2y2 z2 + 3xy 8yz + 7x + 2y + 3z 7 = 0
es
3x2 + 2y2 z2 + 3xy 8yz
La matriz de esta forma cuadratica
es

3 3/2 0

A = 3/2 2 4
0 4 1
Las graficas
de las ecuaciones cuadraticas

en x, y, z se llaman cuadricas o superfi-

cies cuadricas. A continuacion se dan algunos ejemplos de cuadricas
y sus ecuaciones.
Ejemplo 1.63. Descrbase la superficie cuadrica

cuya ecuacion es
4x2 + 36y2 9z2 16x 216y + 304 = 0
Al reacomodar los terminos da

Solucion.
4(x2 4x) + 36(y2 6y) 9z2 = 304
completando cuadrados se tiene
4(x2 4x + 4) + 36(y2 6y + 9) 9z2 = 304 + 16 + 324

o bien
(x 2)2 z2
4(x 2)2 + 36(y 3)2 9z2 = 36 + (y 3)2 =1
9 4
Al trasladar los ejes por medio de la ecuacion
x = x 2, y = y 3, z = z
se llega a
x 2 z 2
+ y 2 =1
9 4
que es la ecuacion de un hiperboloide de un manto.
El resultado que sigue indica que siempre es posible eliminar los terminos de productos
cruzados, de la ecuacion de una cuadrica,
girando los ejes coordenados.
Teorema 1.21. Teorema de los ejes principales para IR3 Sea
ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz + gx + hy + iz + j = 0 (1.19)
la ecuacion de una cuadrica

Q y supongase que
Xt AX = ax2 + by2 + cz2 + 2dxy + 2exz + 2fyz
es la forma cuadratica
asociada. Entonces es posible girar los ejes coordenados de modo
que la ecuacion Q en el sistema de coordenadas x y z tenga la forma
1 x 2 + 2 y 2 + 3 z 2 + g x + h y + i z + j = 0 (1.20)
en donde 1 , 2 y 3 son los valores propios de la matriz A. Se puede llevar a cabo la

rotacion por medio de la sustitucion
X = PX
en donde P diagonaliza ortogonalmente a la matriz A y det(P) = 1.
Este teorema sugiere el siguiente procedimiento para eliminar los terminos de producto
cruzado, de una ecuacion cuadratica
en x, y e z.
Paso 1. Se encuentra una matriz P que diagonalice ortogonalmente a la matriz A.
Paso 2. Si es necesario, se intercambian dos de las columnas de P para hacer que det(A) = 1.
Esto asegura que la transformacion ortogonal de coordenadas

x x

X = PX y = P y (1.21)

z z
es una rotacion.

Paso 3. Se sustituye (1.21) en (1.20)
Ejemplo 1.64. Descrbase la superficie cuadrica

cuya ecuacion es
4x2 + 4y2 + 4z2 + 4xy + 4xz + 4yz = 3
La forma matricial de la ecuacion cuadratica

Solucion. anterior es:
XT AX = 3 (1.22)
en donde
4 2 2

A= 2 4 2
2 2 4
Los valores propios de la matriz A son 1 = 2 = 2 y 3 = 8, los vectores propios son:
1. Si = 1 = 2 entonces los vectores propios son v1 = (1, 1, 0), v2 = (1, 0, 1)
2. Si = 3 = 8 entonces el vector propio es v3 = (1, 1, 1)
Luego usando el proceso de ortonormalizacion de Gram-Smhith los vectores ortonormales

son
( ) ( ) ( )
1 1 1 1 2 1 1 1
u1 = , , 0 , u2 = , , , u3 = , ,
2 2 6 6 6 3 3 3
entonces la matriz de cambio de coordenadas es:

12 16 1
3

P = 12 16 1
3
0 2 1
6 3
como det(P) = 1, la transformacion ortogonal de coordenadas es

x x

X = PX y = P y (1.23)
z z
Al reemplazar (1.23) en (1.22) se obtiene
(PX )T A(PX ) = 3
o, de manera equivalente
X T (PT AP)X = 3 (1.24)
ya que
2 0 0

PT AP = 0 2 0
0 0 8

(1.23) queda

[ ] 2 0 0 x

x y z 0 2 0 y = 3
0 0 8 z
o bien
2x 2 + 2y 2 + 8z 2 = 3
Esto se puede reescribir como
x 2 y 2 z 2
+ + =1
3/2 3/2 3/8
que es la ecuacion de un elipsoide.
1.11. Trabajo Encargado

1. Determinar cual de las siguientes aplicaciones son transformaciones lineales
a) T : IR3 IR2 definido por T (x, y, z) = (y, x)

b) T : IR3 IR3 definido por T (x, y, z) = (x + 1, y + 2, 0)
c) T : IR2 IR2 definido por T (x, y) = (x + 1, y + 2)
d) T : IR3 IR3 definido por T (x, y, z) = (x y, z, x)
e) T : IR2 IR3 tal que T (x, y) = (x, y, 0) + (1, 0, 0)
f) T : IRn IR definido por T (x1 , x2 , . . . , xn ) = x1 + x2 + + xn
g) T : IR IRn definido por T (x) = (x, x, . . . , x)
h) T : IR2 IR definido por T (x, y, z) = x y
i) T : P2 P1 definido por T (a0 + a1 x + a2 x2 ) = a0 + a1 x
j) T : P2 P4 definido por T (a0 + a1 x + a2 x2 ) = [a0 + ax + a2 x2 ]2
2. Demuestre que si T : V W es una transformacion lineal, entonces
T (u v) = T (u) T (v), u, v V
3. Si T : IR2 IR2 es una transformacion lineal y si T (1, 1) = (2, 0) y T (0, 2) = (3, 1).
Halle la regla de correspondencia de T (x, y).
4. Si T : IR3 IR2 es una transformacion lineal y si T (1, 1, 1) = (1, 2), T (1, 1, 0) =

(3, 4) y T (1, 0, 0) = (5, 6). Hallar la regla de correspondencia de T (x, y, z) y T (1, 1, 1).
5. Sea T : IR2 IR2 un operador lineal tal que T (1, 0) = (2, 1), T (0, 1) = (1, 1). Determi-
nar la imagen del triangulo
rectangulo
cuyos vertices son (1, 1), (4, 1) y (1, 5).
6. Sea T : IR3 IR3 un operador lineal tal que
T (x, y, z) = (x + 3y + 4z, 3x + 4y + 7z, 2x + 2y).
Hallar: Ker(T ) y Im(T )

7. Sea T : IR3 IR2 una transformacion lineal tal que T (x, y, z) = (x + y + z, y + z).
Determinar Ker(T ), Im(T ) y sus dimensiones.
8. Determinar el nucleo,
imagen y las dimensiones de las siguientes transformaciones
lineales.
a) T : IR3 IR2 tal que T (x, y, z) = (x + y + z, y + z)

b) T : IR2 IR tal que T (x, y) = x 2y
9. Si T es una transformacion lineal definido por T (x, y, z) = (x + 2y z, y + z, x + y 2z),

analizar si T es inyectiva. Halle una base, la dimension de Ker(T ), Im(T )
10. Sea T : IR3 IR3 la multiplicacion por

1 3 4

3 4 7
2 2 0
a) Demuestre que el nucleo

de T es una recta que pasa por el origen y encuentre las
ecuaciones parametricas de tal recta.
b) Demuestre que el recorrido de T es un plano que pasa por el origen y halle la
ecuacion de este plano.
11. Halle la matriz estandar

de cada uno de los operadores lineales siguientes:
(a) T (x, y) = (2x y, x + y) (b) T (x, y) = (x, y)

(c) T (x, y, z) = (x + 2y + z, x + 5y, z) (d) T (x, y, z) = (4x, 7y, 8z)

de cada uno de las transformaciones lineales siguientes:
(a) T (x, y) = (x, y, x + 3y, x y) (b) T (x, y, z, w) = (7x + 2y z + w, y + z, x)

(c) T (x, y, z, w) = (w, x, z, y, x z) (d) T (x, y, z) = (0, 0, 0, 0, 0)

para la transformacion lineal en el plano T : IR2 IR2 que
aplica un punto (x, y) en
a) su reflexion respecto de la recta L : y = x

b) su reflexion respecto del origen
c) su proyeccion ortogonal sobre el eje X
d) su proyeccion ortogonal sobre el eje Y

para la transformacion lineal en el plano T : IR3 IR3 que
aplica un punto (x, y, z) en
a) su reflexion respecto al plano P : z = 0

b) su reflexion respecto al plano P : y = 0

c) su reflexion respecto al plano P : x = 0
15. En cada inciso, describa el efecto geometrico de la multiplicacion por la matriz dada
[ ] [ ] [ ]
3 0 1 0 1 4
(a) (b) (c)
0 1 0 5 0 1
16. Sea la transformacion lineal T : IR2 IR3 , T (x, y) = (x + 2y, x, 0)
a) Encuentre la matriz de T con respecto a las bases 1 = {v1 = (1, 3), v2 = (2, 4)}
y 2 = {w1 = (1, 1, 1), w2 = (2, 2, 0), w3 = (3, 0, 0)}
b) Use la matriz obtenida en a) para calcular T (8, 3)
17. Sean v1 = (1, 3) y v2 = (1, 4), y suponga que

[ ]
1 3
A=
2 5
es la matriz de la transformacion lineal T : IR2 IR2 con respecto a la base = {v1 , v2 }
a) Halle [T (v1 )] y [T (v2 )]

b) Encuentre T (v1 ) y T (v2 )
([ ])
1
c) Halle
1
18. Sea = {v1 , v2 , v3 , v4 } una base para un espacio vectorial V. Halle la matriz con
respecto a la base del operador lineal T : V V definido por T (v1 ) = v2 , T (v2 ) =
v3 , T (v3 ) = v4 y T (v4 ) = v1
19. Sea D : P2 P2 el operador derivacion definido D(p(x)) = p (x). En los incisos a) y

b), halle la matriz de D con respecto a la base = {p1 , p2 , p3 }
a) p1 = 1, p2 = x, p3 = x2
b) p1 = 2, p2 = 2 3x, p3 = 2 3x + 8x2
c) Use la matriz que se encontro en a) para calcular D(6 6x + 24x2 )
d) Use la matriz que se encontro en b) para calcular D(6 6x + 24x2 )
20. La matriz de la transformacion lineal T : IR3 IR3 respecto de la base
1 = {(1, 0, 0), (1, 1, 0), (1, 1, 1)}
de IR3 es:
2 1 1

A= 3 2 2
4 3 2
Encuentra la matriz de T respecto de la base 2 = {(2, 1, 1), (3, 2, 4), (2, 3, 3)}

21. Sea T : IR3 IR3 el operador lineal dado por
T (x, y, z) = (2x y + z, x + z, 3y 2z)
a) Determine la matriz de T respecto de la base canonica de IR3

b) Determine la matriz de T respecto de la base
2 = {(1, 2, 1), (3, 0, 1), (0, 4, 0)}
22. En el espacio vectorial IR2 considere la base 1 = {(2, 3), (5, 1)}. Sea P la matriz
[ ]
1 4
P=
8 7
Determine la base 2 de IR2 tal que P es la matriz de cambio de la base 2 a 1 .
23. En el espacio vectorial IR3 considere la base 1 = {(1, 0, 0), (0, 2, 4), (0, 1, 1)}. Sea P la
matriz
1 2 1

P= 3 4 5
0 2 0
Determine la base 2 de IR3 tal que P es la matriz de cambio de la base 1 a 2 .
24. Demuestre que si las matrices A y B son semejantes entonces Det(A) = Det(B)
25. Sea T : IR3 IR3 el operador lineal dado por
T (x, y, z) = (x + y, x + z, y + z)
Sean 1 , 2 , 3 las bases de IR3 dadas por:
1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}

2 = {(2, 1, 3), (3, 2, 2), (1, 1, 4)}
3 = {(3, 1, 0), (2, 0, 3), (0, 1, 1)}
Sea
P la matriz de cambio de base de 1 a 2

Q la matriz de cambio de base de 2 a 3
R la matriz de cambio de base de 1 a 3
a) Obtenga la matriz de T respecto de la base 1

b) Obtenga la matriz de T respecto de la base 2
c) Obtenga la matriz de T respecto de la base 3

d) Verifique que:
[T ]1 = P1 [T ]2 P
[T ]2 = Q1 [T ]3 Q
[T ]1 = R1 [T ]3 R
R = (QP)1
26. Demuestre que las matrices

[ ] [ ]
8 4 7 1
A= B=
3 2 17 3
son semejantes.
27. Halle una matriz P que diagonalice ortogonalmente a A y determine P1 AP

[ ] [ ]
3 1 5
3 3
(a) A = , (b) A = ,
1 3 3 3 1

[ ] 2 0 36
7 24
(c) A = (d) A = 0 3 0
24 7
36 0 23

1 1 0 2 1 1

(e) A = 1 1 0 (f) A = 1 2 1
0 0 0 1 1 2
28. Sea T : IR3 IR3 el operador lineal definido por T (x, y, z) = (2xyz, xz, x+y2z).
Halle una base para IR3 con relacion a la cual la matriz de T sea diagonal.
29. Sea A IRnn y P una matriz inversible de IRnn . Demuestre que:
a) (P1 AP)2 = P1 A2 P
b) (P1 AP)k = P1 Ak P donde k ZZ+
[ ]
a b
30. Sea A =
c d
Demuestre que:
a) A es diagonalizable si: (a d)2 4bc > 0

b) A no es diagonalizable si: (a d)2 4bc < 0
31. a) Resuelva el sistema
y1 = y1 + 4y2
y2 = 2y1 + 5y2

b) Halle la solucion que satisfaga las condiciones iniciales y1 (0) = 0, y2 (0) = 0
y1 = y1 + 3y2
y2 = 4y1 + 5y2
b) Halle la solucion que satisfaga las condiciones iniciales y1 (0) = 2, y2 (0) = 1
y1 = 4y1 + y3
y2 = 2y1 + y2
y3 = 2y1 + y3
b) Halle la solucion que satisfaga las condiciones iniciales y1 (0) = 1, y2 (0) =

1, y3 (0) = 0
34. Halle las formas cuadraticas

asociadas con las ecuaciones cuadraticas
que siguen:
a) 2x2 3xy + 4y2 7x + 2y + 7 = 0

b) x2 xy + 5x + 8y 3 = 0
c) 5xy = 8
d) 4x2 2y2 = 7
e) y2 + 7x 8y 5 = 0
35. Encuentre las matrices de las formas cuadraticas

que se dan en el ejercicio (34)
36. Nombre las conicas siguientes
(a) 2x2 + 5y2 = 20, (b) x2 y2 8 = 0, (c) x2 + y2 25 = 0 (d) x2 = 2y

(e) 4x2 + 9y2 = 1, (f) 4y2 5y2 = 20, (g) 7y2 2x = 0 (h) 3x 11y2 = 0
(i) y x2 = 0, (j) x2 3 = y2
37. En cada inciso, una traslacion lleva la conica a la posicion estandar.

Nombre la
conica y de su ecuacion en el sistema de coordenadas trasladado
a) 9x2 + 4y2 36x 24y + 36 = 0

b) x2 16y2 + 8x + 128y = 256
c) y2 8x 14y + 49 = 0
d) x2 + y2 + 6x 10y + 18 = 0
38. Las conicas no degeneradas que siguen estan giradas respecto a la posicion estandar.

En cada inciso, grense los ejes coordenadas a fin de eliminar el termino x y. Nombre
la conica y de su ecuacion en el sistema de coordenadas girado.

a) 2x2 4xy y2 + 8 = 0
b) x2 + 2xy + y2 + 8x + y = 0
c) 5x2 + 4xy + 5y2 = 9
d) 11x2 + 24xy + 4y2 15 = 0
e) 9x2 4xy + 6y2 10x 20y = 5
f) 3x2 8xy 12y2 30x 64y = 0
39. Halle las formas cuadraticas

asociadas con las ecuaciones cuadraticas
que siguen
a) x2 + y2 z2 + 4xy 5yz + 7x + 2z = 2
b) 3x2 + 7z2 + 2xy 3xz + 4yz 3x = 4
c) xy + xz + yz = 1
d) x2 + y2 z2 = 7
e) 3z2 + 3xz 14y + 9 = 0
f) 2z2 + 2xz + y2 + 2x y + 3z = 0
40. Nombre las cuadricas

siguientes
a) 36x2 + 9y2 + 4z2 = 36

b) 2x2 + 6y2 3z2 = 18
c) 6x2 3y2 2z2 = 6
d) 9x2 + 4y2 z2 = 0
e) 16x2 + y2 = 16z
f) 7x2 3y2 + z = 0
g) x2 + y2 + z2 = 25
41. En cada inciso, halle una rotacion X = PX que elimine los terminos de productos
cruzados. Nombre la cuadrica
y de su ecuacion en el sistema x y z
a) 2x2 + 3y2 + 23z2 + 72xz + 150 = 0

b) 4x2 + 4y2 + 4z2 + 4xy + 4xz + 4yz = 5
c) 144x2 + 100y2 + 81z2 216xz 540x 720z = 0
d) 2xy + z = 0

Alg Lineal 04

Cargado por

Copyright:

Formatos disponibles

Alg Lineal 04

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Alg Lineal 04

Cargado por

Copyright:

Formatos disponibles

Indice general

Definicion 1.1. Sean V y W dos espacios vectoriales sobre un conjunto de escalares K = IR

a) T (u + v) = T (u) + T (v) (Preservacion de la suma)

b) T (u) = T (u) (Preservacion de la multiplicacion por un escalar)

Ejemplo 1.2. Sean V = W = IR. Demostrar que la siguiente funcion T : IR IR es una

Sean x, y dos numeros

As T preserva la multiplicacion por escalares.

Por lo tanto T es una transformacion lineal.

J. R. Ticona Parisaca Transformaciones lineales

Se observa que P es una transformacion lineal.

En efecto. Sean u = (x1 , y1 ) y v = (x2 , y2 ) dos vectores arbitrarios de IR2 , entonces u + v =

P(u + v) = P(x1 + x2 , y1 + y2 ) = x1 + x2 = P(x1 , y1 ) + P(x2 , y2 ) = P(u) + P(v)

P[(u)] = P( x, y) = x = P(x, y) = P(u).

As P preserva la multiplicacion por escalares.

Figura 1.1: Proyeccion ortogonal sobre el eje de abscisas

Por lo tanto P es una transformacion lineal.

Ejemplo 1.5. Sea V cualquier espacio vectorial. La aplicacion T : V V definida por

Nota. Si T : V V es una transformacion lineal definida de un espacio vectorial V en

J. R. Ticona Parisaca Transformaciones lineales

Otra vez observamos que se cumplen las propiedades

Si x = (x1 , y1 ) e y = (x2 , y2 ) son dos vectores arbitrarios de IR2 entonces

Por otro lado si x = (x1 , y1 ) vector arbitrario de IR2 y es un escalar arbitrario de IR se

As Sx es una transformacion lineal.

Figura 1.2: Simetra respecto al eje de abscisas

Ejemplo 1.7. Sea V un espacio vectorial arbitrario y k IR cualquier escalar fijo. La

es llamado operador lineal sobre V.

J. R. Ticona Parisaca Transformaciones lineales

Figura 1.3: Dilatacion y contraccion

Ejemplo 1.8. Transformacion mediante una matriz. Sea A IRmn y consideremos

TA (x + y) = A(x + y) = Ax + Ay = TA (x) + TA (y), x, y IRn

TA (x) = A(x) = A(x) = TA (x), IR y x IRn

As TA es una transformacion lineal.

J. R. Ticona Parisaca Transformaciones lineales

Como caso especial del ejemplo anterior, sea un angulo

es el vector que se obtiene al girar v hasta que describe un angulo

De modo semejante, supuesto que v tiene la misma longitud que v, se tiene

J. R. Ticona Parisaca Transformaciones lineales

Ejemplo 1.10. Determinar si la aplicacion T : IR3 IR2 definida por

T (x, y, z) = (x 2y, y + 3z)

es una transformacion lineal.

Sean u = (x, y, z) y IR escalar arbitrario, entonces u = (x, y, z)

T (u) = T (x, y, z) = (x 2y, y + 3z)

Ejemplo 1.11. Sea V = C [a, b] y W = C[a, b] dos espacios vectoriales, y sea

En efecto. Sean g, h funciones derivables y escalar arbitrario, entonces:

D[g(x) + h(x)] = [g(x) + h(x)]

J. R. Ticona Parisaca Transformaciones lineales

As D es una transformacion lineal.

T (4(1, 2)) = T (4, 8)

Por lo que tenemos T (4(1, 2)) = 4T (1, 2) .

Sea T : C[a, b] 7 IR definida por

es una transformacion lineal.

1. Sean f, g C[a, b],

2. Sean f C[a, b], IR

As T es una transformacion lineal.

J. R. Ticona Parisaca Transformaciones lineales

Ejemplo 1.14. Sea V un espacio vectorial arbitrario de dimension finita y = {u1 , u2 , . . . , un }

es una transformacion lineal.

En efecto. Supongamos que

Por otro lado