Problemario de Álgebra Lineal

PROBLEMARIO DE ÁLGEBRA LINEAL
JULIHO CASTILLO
Índice
Cap´ıtulo 1. Números complejos 3
1. Introducción 3
Motivación 3
2. El campo de números complejos 5
3. Forma polar de los números complejos 6
Cap´ıtulo 2. Espacios Vectoriales 9
1. Definición y ejemplos 9
Resumen 9
Ejercicios 10
2. Subespacios vectoriales 11
Resumen 11
Ejercicios 13
3. Transformaciones lineales 14
Definición y ejemplos 14
Operadores en Rn
16
Ejercicios 16
4. Núcleo e imagen 18
Resumen 18
Ejercicios 20
5. Bases y dimensión 20
Resumen 20
Ejercicios 23
6. Coordenadas y cambios de base. 23
Coordenadas 23
Cambios de base 25
Ejercicios 27
Cap´ıtulo 3. Teor´ıa espectral 29
1. Introducción 29
2. Valores propios 30
Date: 28 de abril de 2016.
1

2 JULIHO CASTILLO
Resumen 30
Ejercicios 32
3. Vectores propios 33
Resumen 33
Ejercicios 34
4. Diagonalización 35
Resumen 35
Ejercicios 39
5. Proyecto final: Ecuaciones diferenciales 39
Teor´ıa 39
Ejemplos 42
Proyecto final 45
Bibliograf´ıa 47
Números complejos
1. Introducción
Motivación. En estas notas, denotaremos por R el conjunto de núme-
ros reales. En esta sección, procederemos de manera informal, para mo-
tivar la definición de un número complejo y formalizar sus propiedades,
en secciones posteriores.
Supongamos que a, b, c ∈ R, y queremos resolver la ecuación
ax2
+ bx + c = 0.
De manera algebra´ıca encontramos que las soluciones estan dadas
por la fórmula
x =
−b ±
√
D
2a
, D = b2
− 4ac.
Si D ≥ 0, entonces D es un número real. Sin embargo, ¿qué sucede
si D < 0?. Por la ley de los signos si x, y ≥ 0, entonces xy ≥ 0. De
la misma manera, si x, y < 0, entonces xy > 0. En particular, para
cualquier x ∈ R, tenemos que x2
= x · x ≥ 0. Por lo tanto,
√
D /∈ R si
D < 0.
Una solución a este problema es definir el número i =
√
−1. En este
caso, si D < 0, entonces usando leyes de los exponentes tenemos que
√
D = (−1)(−D) =
√
−1
√
−D =
√
−Di.
En este caso, como D < 0, entonces −D > 0 y
√
−D ∈ R.

PROBLEMARIO DE ÁLGEBRA LINEAL 3
Ejemplo 1.1. Las soluciones de la ecuación x2
+ 1 = 0 son x = 0 + i1
y x = 0 + i(−1), o simplemente, x = ±i.
Ejercicio 1. Encuentre las soluciones de la siguientes ecuaciones:
1. x4
+ 16 = 0,
2. x2
− 2x + 2 = 0.
Entonces, diremos que un número complejo es una cantidad de la
forma
z = x + iy, x, y ∈ R, i =
√
−1.
Observe que si x ∈ R, podemos identificarlo con x + i0.
Definimos la suma de números complejos z = x + iy, z = x + iy de
la siguiente manera:
z + z = (x + x ) + i(y + y ).
Ejercicio 2. Demuestre que
1. (x + iy) + (x + iy ) = (x + iy ) + (x + iy).
2. [(x + iy) + (x + iy )]+(x +iy ) = (x+iy)+[(x + iy ) + (x + iy )]
3. 0 + (x + iy) = x + iy
4. (x + iy) + ((−x) + i(−y)) = 0
Diremos que 0 = 0 + i0 es el neutro aditivo en los número complejos
y que −z := −x − iy es el inverso aditivo de z = x + iy.
Ahora queremos definir la multiplicación (x+iy)(x +iy ). Sigamos las
reglas algebraicas usuales para números reales, salvo por la identidad
i2
= −1.
(x + iy)(x + iy ) = x(x + iy ) + iy(x + iy )
= xx + x(iy ) + (iy)x + (iy)(iy )
= xx + ixy + iyx + i2
yy
= (xx − yy ) + i(xy + yx ).
En resumen,
zz = (xx − yy ) + i(xy + yx ) ∈ C.
Ejercicio 3. Demostrar las siguientes propiedades de la multiplicación
de número complejos
1. (x + iy)(x + iy ) = (x + iy )(x + iy).
2. [(x + iy)(x + iy )] (x + iy ) = (x + iy) [(x + iy )(x + iy )]
3. (1 + i0)(x + iy) = x + iy
4. (x + iy)(x − iy) = x2
+ y2
.

4 JULIHO CASTILLO
5. (x + iy)
x − iy
x2 + y2
= 1.
Diremos que 1 = 1 + i0 es el neutro multiplicativo en los número
complejos y que
z−1
:=
x − iy
x2 + y2
es el inverso multiplicativo de z = x + iy.
Si definimos ¯z = x − iy, para z = x + iy, podemos reescribir
z−1
=
¯z
z¯z
.
Diremos que ¯z es el conjugado de z.
Observación. Los número reales se pueden identificar con una l´ınea rec-
ta. Como i no se puede identificar con un número en la l´ınea recta, se
dec´ıa que este número era imaginario. Sin embargo, podemos visualizar
los números complejos (es decir, ¡dibujarlos!), para lo cuál necesitare-
mos “más espacio”. Como requerimos dos números reales para describir
un complejo, tendremos que dibujarlos en el plano.
Ejercicio 4. Encuentre el resultado de las siguientes operaciones:
1. 1 + i
√
3 −1 + i
√
3
2.
1√
2
+ i 1√
2
√
3 + i1
3.
√
2 + i
√
6
3
2. El campo de números complejos
Definición 2.1. El plano es el conjunto
R2
= {(x, y)|x, y ∈ R} ,
de parejas ordenadas de números reales.
En este espacio, podemos definir varias operaciones. Cuando al con-
junto lo dotamos de ciertas operaciones, decimos que es un estructura
(matemática) en el plano. Una de las más importantes es la estructura
de espacio vectorial, que a continuación presentamos.
Definición 2.2. El plano euclideano es R2
dotado de las siguiente
operaciones:
1. (x, y) + (x , y ) = (x + x , y + y ),
2. Si α ∈ R, α · (x, y) = (αx, αy),

Observación. En este caso, a los pares ordenados (x, y) ∈ R2
les lla-
maremos vectores (en el plano), mientras que a los números reales los
llamaremos escalares. Entonces, nos referiremos a la primera operación
como suma de vectores, mientras que a la segunda como multiplicación
por escalares. Estas son las operaciones usuales en el plano euclideano.
Ejercicio 5. Encuentre y grafique los vectores resultantes.
1. 2(1, 0) + 3(0, 1),
2. 1
5
(5, 0) − 1(0, 2).
Con el plano euclideano en mente, podemos definir de manera formal
el conjunto de número complejos. Observe que podr´ıamos identificar x+
iy con el vector (x, y). Observe que con esta identificación, el resultado
de la suma de números complejos coincide con la de vectores. De igual
manera, podemos identificar la multiplicación entre número complejo.
Esto nos lleva a la definición formal de números complejos.
Definición 2.3. El campo de número complejos C es el conjunto R2
dotado de las siguientes operaciones:
1. (x, y) + (x , y ) = (x + x , y + y ),
2. (x, y)(x , y ) = (xx − yy , xy + yx ).
Si identificamos α ∈ R, con (a, 0) ∈ C, resulta que la multiplicación
por escalares coindice con la multiplicación de números complejos para
escalares reales, es decir, si a ∈ R,
a(x, y) = (a, 0)(x, y).
Ejercicio 6. Verifique la afirmación anterior.
Ejercicio 7. Verifque las siguiente propiedades. Si u, v, w ∈ C ∼= R2
,
entonces
1. u + v ∈ C
2. (u + v) + w = u + (v + w)
3. u + v = v + u
4. Existe 0 ∈ C, tal que u + 0 = 0
5. Para cada u ∈ C, existe −u ∈ C, tal que u + (−u) = 0
6. uv ∈ C
7. (uv)w = u(vw)
8. uv = vu
9. Existe 1 ∈ C, tal que 1u = u
10. Para cada u ∈ C, u = 0, existe u−1
∈ C, tal que uu−1
= 1
11. u(v + w) = uv + uw.

6 JULIHO CASTILLO
Observación. Cualquier conjunto S, con operaciones suma y multiplica-
ción, que cumplan las propiedades anteriores, se conoce como un cam-
po. Otros ejemplos de campos son las fracciones y los mismos números
reales. En teor´ıa número, ejemplos de campos son los enteros módulo
p Zp, con p un número primo.
3. Forma polar de los números complejos
En la presente sección, suponemos que el lector tiene conocimientos
elementales de trigonometr´ıa y geometr´ıa anal´ıtica.
Como los números complejos son vectores, podemos calculas su lon-
gitud o norma.
Definición 3.1. Si z = x + iy ∈ C, entonces la norma de z se define
como
z = x2 + y2.
Como hicimos antes, definimos de manera formal el conjugado de un
número complejo.
Definición 3.2. Si z = (x, y) ∈ C, su conjugado esta dado por
¯z = (x, −y) ∈ C.
De manera que z 2
= z¯z.
De la misma manera, siendo un vector podemos medir el ángulo que
abre respecto al vector (1, 0), en el sentido de las manecillas del reloj, al
cual llamaremos argumento y definimos anal´ıticamente de la siguiente
forma.
Definición 3.3. El argumento θ(z) de z = x + iy ∈ C se define como
1. arctan
y
x
si x > 0
2. π + arctan
y
x
si x < 0
3.
π
2
si x = 0, y > 0
4. −
π
2
si x = 0, y < 0
Definición 3.4. Si z ∈ C tiene norma r > 0 y argumento θ, decimos
que
z = rϕ(θ),
es la forma polar de z, donde ϕ(·) : R → R2
,
ϕ(θ) = (cos(θ), sin(θ)) .
Ejercicio 8. Demostrar que

1. ϕ(0) = 1
2. ϕ(θ + 2π) = ϕ(θ)
3. ϕ(θ) = ϕ(−θ)
4. ϕ(θ + τ) = ϕ(θ)ϕ(τ)
5. ϕ(nθ) = (ϕ(θ))n
Ejercicio 9. 1. Si z = rϕ(θ) ∈ C, entonces
a) z−1
= r−1
ϕ(θ)
b) Si n es un número entero, zn
= rn
ϕ(nθ).
2. Si z = rϕ(θ), w = sϕ(τ) ∈ C, entonces
a) zw = rsϕ(θ + τ).
b)
z
w
=
r
s
ϕ(θ − τ)
Esta última identidad se conoce como identidad de De Moivre.
Ejercicio 10. Convierta a su forma polar, cada uno de los números
en el ejercicio 4 y realice las operaciones correspondientes, usando los
resultados anteriores.
Espacios Vectoriales
4. Definición y ejemplos
Resumen. Hasta ahora hemos considerado a los vectores como ele-
mentos de un espacio
Rn
= {(x1, ..., xn|xk ∈ R)} ,
por ejemplo vectores en el plano R2
= {(x, y)|x, y ∈ R} o en el espacio
R3
= {(x, y, z)|x, y, z ∈ R} . En cada caso, ten´ıamos una suma entre
vectores y una multiplicación por escalares, es decir, número reales.
Ejemplo 4.1. Si u = (u1, u2) y v = (v1, v2) son vectores en R2
, y
α ∈ R, entonces
(u1, u2) + (v1, v2) = (u1 + v1, u2 + v2),
mientras que
α(u1, u2) = (αu1, αu2).
En este caso, la suma tiene las siguientes propiedades:
1. (Cerradura) u + v = (u1, u2) + (v1, v2) = (u1 + v1, u2 + v2), es un
vector en R2
,
2. (Asociatividad) Si w = (w1, w2) es otro vector en R2
, entonces
(u + v) + w = ((u1, u2) + (v1, v2)) + (w1, w2)
= (u1, u2) + ((v1, v2) + (w1, w2))
= u + (v + w),

8 JULIHO CASTILLO
3. (Conmutatividad) u+v = (u1 +v1, u2 +v2) = (v1 +u1, v2 +u2) =
v + u
4. (Existencia de un elemento neutro) u + 0 = (u1, u2) + (0, 0) =
(u1, u2) = u, y de la misma forma 0 + u = u.
5. (Inversos aditivos) Para u = (u1, u2), definimos
−u = (−u1, −u2),
y este elemento satisface que
u + (−u) = (−u) + u = 0.
La multiplicación por escalares satisface las siguientes propiedades
1. αu es de nuevo un vector en R2
,
2. 1u = 1(u1, u2) = (1 · u1, 1 · u2) = u,
3. (αβ)u = α(βu1, βu2) = α(βu).
Finalmente, la suma de vectores y la multiplicación por escalares
estan relacionadas por las siguiente leyes distributivas.
1. (α + β)u = ((α + β)u1, (α + β)u2) = (αu1, αu2) + (βu1, βu2) =
αu + βu,
2. α(u + v) = α(u1 + v1, u2 + v2) = (α(u1 + v1), α(u2 + v2)) =
α(u1, u2) + α(v1, v2) = αu + αv.
Problema 1 (†). Verificar que las mismas propiedades se cumplen para
R3
, usando la suma de vectores y multiplicación por escalares conocida.
Estas propiedades se cumplen para muchos y muy diferentes conjun-
tos, donde tenemos una operación suma entre sus elementos y podemos
definir una multiplicación por números reales. De hecho, estos conjun-
tos son los objetos de estudio en el álgebra lineal.
Definición 4.1. Sea V un conjunto, con una operación + : V ×V → V
y una operación · : R × V → V. Decimos que V es un espacio vectorial
(sobre R) si para todo u, v, w ∈ V y α, β ∈ R se cumplen las siguientes
propiedades.
1. (Cerradura)u + v ∈ V,
2. (Asociatividad)(u + v) + w = u + (v + w),
3. (Conmutatividad)u + v = v + u,
4. (Elemento neutro) Existe 0 ∈ V, tal que para todo u ∈ V :
u + 0 = 0 + u = u,
5. (Elementos inversos) Para todo u ∈ V, existe −u ∈ V, tal que
u + (−u) = (−u) + u = 0.
6. αu ∈ V,
7. 1u = u,
8. (αβ)u = α(βu),

9. (α + β)u = αu + βu,
10. α(u, v) = αu + αv.
A los elementos del espacio vectorial V les llamamos vectores.
Observación. Cuando V es un espacio vectorial, con operación suma
+ : V × V → V y multiplicación por escalares · : R → V → V, por
brevedad, decimos que (V, +, ·) es un espacio vectorial.
Ejercicios. Para resolver los ejercicios de esta sección puede consultar
[1, sec. 4.2] y [2, sec. 2.1].
Ejercicio 11 (†). Demuestre usando las propiedades anteriores, que
en cualquier espacio vectorial se cumplen las siguientes propiedades.
1. 0u = α0 = 0. (Note que el cero escrito a la izquierda denota el
cero como número, mientras que escrito a la izquierda o solo,
denota el elemento neutro del espacio vectorial.)
2. −u = (−1)u. Sugerencia: Verifique que u + (−1)u = 0.
3. Si αu = 0, entonces o bien α = 0 o u = 0.
4. El elemento neutro 0 es único.
5. Para cada vector u, su inverso aditivo −u es único.
Ejercicio 12. Compruebe que los siguientes conjuntos son espacios
vectoriales (reales), con las operaciones suma y multiplicación por es-
calar usuales.
1. {0} .
2. {(x, y) ∈ R2
|y = mx} para m ∈ R fijo.
3. {(x, y, z) ∈ R3
|ax + by + cz = 0} para a, b, c ∈ R.
4. {(x, y, z) ∈ R3
|(a, b, c) · (x, y, z) = 0} para a, b, c ∈ R.
5. {f|f : S → R} , donde S puede ser cualquier conjunto fijos.
6. Rm×n
, es decir, el conjunto de matrices m×n con entradas reales.
7. El espacio de polinómios con coeficientes reales.
8. El espacio de polinómios con coeficientes reales de grado ≤ n,
para n ∈ N fijo.
9. C[a, b], el espacio de funciones continuas en el intervalo [a, b].
10. El conjunto de número reales positivos con las operaciones u ⊕
v := u, v y α · u := uα
.
Problema 2. Considere la ecuación diferencial de segundo orden ho-
mogénea
y (x) + a(x)y + b(x)y(x) = 0
donde a, b son funciones continuas. Demuestre que el conjunto de solu-
ciones de la ecuación diferencial es un espacio vectorial bajo las reglas
usuales para la suma de funciones y multiplicación por escalares.

10 JULIHO CASTILLO
5. Subespacios vectoriales
Resumen.
Ejemplo 5.1. R2
es un espacio vectorial con las operaciones
(u1, u2) + (v1, v2) = (u1 + v1, u2 + v2)
y
α(u1, u2) = (αu1, αu2).
En la sección anterior consideramos el subjunto
Lc = {(u1, u2)|u2 = cu1} ⊂ R2
para c una pendiente fija, y verificamos que en efecto, con las mismas
operaciones es un espacio vectorial.
Decimos entonces que Lc es un subespacio vectorial de R2
.
Definición 5.1. Si (V, +, ·) es un espacio vectorial y W ⊂ V es también
espacio vectorial, con las mismas operaciones +, · decirmos que W es
un subespacio vectorial de V, y podemos escribir W < V.
En principio, si W < V , tendr´ıamos que verificar todos loa axiomas
de espacio vectorial para (W, +, ·). Sin embargo, si en el espacio V, la
suma es asociativa y conmutativa, también lo será en W. De igual ma-
nera, el elemento neutro 1 ∈ V de la multiplicación por escalares es el
mismo en W, y se sigue cumpliendo la asociatividad de la multiplicación
por escalares y las leyes de distribución.
Entonces, basta demostrar que se cumplen los restantes axiomas, a
saber:
1. Si u, v ∈ W, entonces u + v ∈ W.
2. Si α ∈ R, v ∈ W, entonces αv ∈ W.
3. 0 ∈ W.
4. Si u ∈ W, entonces −u ∈ W.
Sin embargo, los dos últimos incisos se siguen del segundo. En efecto,
si escogemos α = 0 y cualquier u ∈ W, entonces
0 = 0 · u ∈ W.
De igual manera, para cualquier u ∈ W, si escogemos α = −1, entonces
−u = (−1)u ∈ W.
Por último, verificar los dos axiomas restantes es equivalente a veri-
ficar que para todo α ∈ R, u, v ∈ W,
αu + v ∈ W.
Proposición 5.1. Si W ⊂ V, entonces
W < V ⇐⇒ ∀α ∈ R, u, v ∈ W, αu + v ∈ W.

Corolario 5.2. Todo W < V contiene a 0 ∈ V.
Definición 5.2. Si W < V, pero W = {0} y W = V, entonces decimos
que W es un subespacio (vectorial) propio.
Definición 5.3. Sean u, v1, ..., vk vectores en un espacio vectorial V.
Decimos que u es combinación lineal de v1, ..., vk si existen escalares
α1, ..., αk ∈ R tales que:
u = α1v1 + ...αkvk.
Definición 5.4. Sea V un espacio vectorial. El subespacio generado
por un subconjunto S = {v1, ..., vk} ⊂ V se define como
gen (S) = {α1vk, ..., αkvk|α1, ..., αk ∈ R} ,
es decir, el conjunto de todas las combinaciones lineales de v1, ..., vk.
Observación. gen (S) < V.
Ejemplo 5.2. u = (2, 0, 2) es combinación lineal de v1 = (1, 0, 1) y
v2 = (0, 1, 1) porque u = 2v1 − v2.
De hecho,
gen (v1, v2) = {(a, b, a + b)|a, b ∈ R} < R3
es el plano que contiene a estos dos vectores.
(−1, −1, 1) /∈ gen (v1, v2) , porque no vive en este plano.
Ejercicios. Los siguientes ejercicios se pueden encontrar en [1, sec.
4.3] y [2, sec. 2.2].
Ejercicio 13. ¿Cuál de los siguientes conjuntos de vectores
u = (u1, u2, u3)
en R3
son subespacios de R3
?
1. {u|u1 ≥ 0}
2. {u|u1 + 3u2 = u3}
3. {u|u2 = u2
1}
4. {u|u1u2 = 0}
5. {u|a2 es racional}
Ejercicio 14. Sea V el espacio vectorial (real) de todas las funciones
f : R → R. ¿Cuales de los siguientes conjuntos son subespacios de V?
1. todas las funciones f tales que f(x2
) = f2
(x)
2. todas las funciones f tales que f(0) = f(1)
3. todas las funciones f tales que f(3) = 1 + f(−5)
4. todas las funciones f tales que f(−1) = 0

12 JULIHO CASTILLO
Ejercicio 15. Sea W el conjunto de todos los vectores (x1, ..., x5) que
satisfacen
2x1 − x2 +
4
3
x3 − x4 = 0
x1 +
2
3
x3 − x5 = 0
9x1 − 3x2 + 6x3 − 3x4 − 3x5 = 0.
Mostrar que W es subespacio vectorial de R5
.
Problema 3 (†). 1. Verificar que si U, W < V, entonces U ∩ W <
V.
2. Demostrar que si U = {u1, ..., um} y W = {w1, ..., wm} , entonces
U ∩ W = gen (u1, ..., un, w1, ..., wm) .
Problema 4 (†). Sean u, v ∈ R2
. Mostrar que
W = {αu + βv|α, β ∈ R} < R2
.
Mostrar que si u, v no son paralelos, entonces para cualquier w ∈
R2
, podemos encontrar α, β ∈ R de manera que w = αu + βv.
Problema 5 (†). Sea A una matriz m×n con entradas reales. Demos-
trar que el conjunto de todas los vectores columna u de longitud n, tales
que Au = 0 es un subespacio vectorial de todos los vectores columna
Rn
.
6. Transformaciones lineales
Definición y ejemplos.
Definición 6.1. Sean V, W espacios vectoriales. Decimos que T : V →
W es una transformación lineal si para todos α ∈ R, u, v ∈ V se cumple
1. T(u + v) = T(u) + T(v) (T abre sumas)
2. T(αu) = αT(u) (T saca escalares)
o de manera equivalente
T(αu + v) = αT(u) + T(v),
es decir, T respeta la estructura de espacio vectorial.
En el caso V = W, decimos que T : V → V es un operador y
al conjunto de operadores en V lo denotamos por L(V ). En el caso
W = R, decimos que T : V → R es un funcional en V.
Ejemplo 6.1. Sea a = [a1, ..., an] ∈ Rn
fijo y definamos T : Rn
→
R, T(u) = a · u. Entonces, T es una transformación lineal.

Ejemplo 6.2. Sea A = aij una matriz de dimensión n × m, donde n
indica el número de columnas y m el de renglones.
Si definimos T : Rn
→ Rm
, T(u) = Au, entonces T es una tranforma-
ción lineal. En otras palabras, cada matriz define una transformación
lineal. Lo inverso también es cierto.
Sea
ek =







0
...
1
...
0







el vector columna con un 1 en la k−ésima posición y ceros en el resto,
y sea T : Rn
→ Rm
una transformación lineal. Entonces, T(ek) ∈ Rm
y digamos que es de la forma
T(ek) =


a1k
...
amk

 .
Si definimos A = [aij] ∈ Mmn entonces T(ek) = Aek, k = 1, ..., n.
Por linealidad tanto de T como de A, obtenemos que T(x) = Ax, para
todo vector x ∈ Rn
.
Ejemplo 6.3. Las siguientes transformaciones son lineales:
T : C1
[0, 1] → C0
[0, 1],
T(f)(x) = f (x).
T : C0
[0, 1] → R,
T(f) =
1
0
f(t)dt.
T : C0
[0, 1] → C1
[0, 1],
T(f)(x) = C +
x
0
f(t)dt,
donde x ∈ [0, 1] y C ∈ R es alguna constante.
Ejercicio muestra 1. Indique si la siguiente transformación T : R3
→
R3
es lineal y de ser as´ı, encuentre su representación matricial.
(1) T


x
y
z

 =


x + 2y
z − y
2x + 7y − 3z



14 JULIHO CASTILLO
Solución. La prueba de que la transformación es lineal se deja al lector.
Ahora bien,
T


1
0
0

 =


1
0
2

 , T


0
1
0

 =


2
−1
7

 , T


0
0
1

 =


0
1
−3

 .
Por lo tanto, la representación matricial de T esta dada por
[T] =


1 2 0
0 −1 1
2 7 −3


Operadores en Rn
. Sean T, S ∈ L(Rn
). La composición TS, es decir,
TS(x) = T(S(x)) es de nuevo un operador y de hecho, si B = [bij] es
la matriz asociada a T como en el ejemplo 3.2 y A = [Aij] la asociada
a S, entonces la matriz asociada a TS es C = [cij] conjunto
cij =
n
k
bikakj.
Decimos que C = BA es el producto de de B con A (es este orden), y
esta composicion es asociativa.
El operador de T con S suma esta definido como (T + S)(u) =
T(u) + S(u), y de hecho tiene asociada la matriz
bij + aij .
Dos operadores especiales en Rn
son la transformación cero 0(x) = 0
y la identidad Id(x) = x.
Ejercicio 16 (†). Encuentre la matriz asociada a los operadores cero
e identidad.
Podemos definir la multiplicación de operadores por escalares de la
siguiente forma. (αT)(u) = αT(u). De esta manera, con la operación
suma entre operadores y esta multiplicación por escalares, resulta que
L(Rn
) es un espacio vectorial.
Finalmente, si para P ∈ L(Rn
) existe Q ∈ L(Rn
), de manera que
PQ = Id, decimos que P es invertible y que Q es el operador inverso de
P. También podemos escribir Q como P−1
. De hecho, si A es la matriz
asociada a P, entonces A−1
es la asociada a P−1
.
Ejercicios.
Ejercicio 17. Verificar que las siguientes transformaciones son linea-
les, y encontrar la representación matricial de cada una.

1. (Proyecci´on sobre el plano)
T


x
y
z

 =


x
y
0


2.
T


x
y
z

 =




x − y
y + z
2x − y − z
−x + y + 2z




3.
T


x
y
z

 =


2x − y + 3z
4x − 2y + 6z
−6x + 3y − 9z


4.
T
x
y
=
2x − y
2y − 4x
5.
T
x
y
=
2x
3x − y
6.
T


x
y
z

 =
2x − y + 3z
6x − 3y + 9z
7.
T
x
y
=


2x + y
2y − x
x + 8y


8.
T


x
y
z

 =
1x − 3z
−y + 5z
9.
T
x
y
=


2x + y
−4x + 2y
8x + 4y


10.
T =


x
y
z

 =


3x − z
−y + 2z
15x − 2y − z



16 JULIHO CASTILLO
Problema 6. Encuentre una expresión matemática para la transfor-
mación que rota un vector en el plano, con un ángulo φ en el sentido
positivo (contrario a las manecillas del reloj). Indique si esta trans-
formación es lineal y de serlo, encuentre su representación matricial.
Sugerencia: Exprese el vector en coordenadas polares.
7. Núcleo e imagen
Resumen.
Definición 7.1. El núcleo de una transformación lineal T : V → W,
donde V y W son espacios vectoriales, es el conjunto
ker(T) = {v ∈ V |T(v) = 0} .
La imágen de T : V → W es el conjunto
Im(T) = {w ∈ W|∃v ∈ V, T(v) = w} .
Proposición 7.1. ker(T) < V, Im(T) < W.
Demostración. Si α ∈ R y u, v ∈ ker(T), entonces
T(αu + v) = αT(u) + T(v) (Por linealidad de T)
= α0 + 0 (Porque T(u) = T(v) = 0)
= 0
Por tanto, ker(T) < V.
Ahora, si α ∈ R y w, w ∈ Im(T), entonces Existen v, v ∈ V tales
que T(v) = w, T(w ) = v . Por lo cual,
αw + w = αT(v) + T(v )
= T(αv + v ).
Como αv + v ∈ V, entonces αw + w ∈ W.
Ejercicio muestra 2. Encontrar un conjunto de vectores que generen
ker(T), para la tranformación lineal T dada por (1).
Solución. Supongamos que
T


x
y
z

 =


x + 2y
z − y
2x + 7y − 3z

 =


0
0
0


Esto equivale a resolver el sistema de ecuacuones
x + 2y = 0
z − y = 0
2x + 7y − 3x = 0,

que podemos reescribir en forma matricial como


1 2 0 0
0 −1 1 0
2 7 −3 0


y utilizando Gauss-Jordan, se reduce a


1 2 0 0
0 1 −1 0
0 0 0 0

 ,
es decir, tenemos dos ecuaciones con tres incognitas
x + 2y = 0
y − z = 0
por lo que sustituyendo y = z = t, tenemos que


x
y
z

 =


−2t
t
t

 = t


−2
1
1


, es decir, todos los vectores en ker(T) son multiplos de


−2
1
1

 .
De manera equivalente,
ker(T) = gen




−2
1
1



 .
Ejercicio muestra 3. Encontrar un conjunto de vectores que generen
Im(T), para la tranformaci´on lineal T dada por (1).
Soluci´on. Un vector en Im(T) es de la forma,


x + 2y
z − y
2x + 7y − 3z

 = x


1
0
2

 + y


2
−1
7

 + z


0
1
−3

 ,
por lo que Im(T) estar´ıa generado por los vectores
u =


1
0
2

 , v =


2
−1
7

 , w =


0
1
−3

 .

18 JULIHO CASTILLO
Sin embargo, por el ejercicio anterior, w = 2u − v, y por tanto


x + 2y
z − y
2x + 7y − 3z

 = xu + yv + wz = (x + 2z)u + (y − z)v.
De hecho, para cualesquiera λ, µ, si escogemos una solución de las
ecuaciones las ecuaciones
λ = x + 2z
µ = y − z,
podemos escribir


x + 2y
z − y
2x + 7y − 3z

 = xu + yv + zw = λu + µv.
Es decir,
Im(T) = gen (u, v) = gen




1
0
2

 ,


2
−1
7



 .
Ejercicios.
Ejercicio 18. Encuentre un conjunto de vectores, con el m´ınimo núme-
ro de elementos posible, que generen ker(T) e Im(T) para cada una de
las transformaciones lineales del ejercicio 17.
8. Bases y dimensión
Resumen.
Definición 8.1. Sea V un espacio vectorial y B = {u1, ..., uk} ⊂ V.
Decimos que B es unconjunto linealmente independiente si para cua-
lesquiera c1, ..., ck ∈ R,
c1u1 + ... + ckuk = 0 ⇒ c1 = ... = ck = 0,
es decir, la única relación lineal entre los elementos de B es la trivial.
En otro caso, decimos que B es linealmente dependiente.
Definición 8.2. Decimos que B ⊂ V es una base de V si:
1. V = gen (B) y
2. B es linealmente independiente.
Observación. Es decir, B es un base si cualquier v ∈ V es una combi-
nación lineal de sus elementos, no falta información, y ninguno de los
elementos de la base es combinación lineal de los restantes, es decir, no

sobra información. Una vez que tenemos una base, toda lo que necesi-
tamos saber sobre el espacio vectorial se puede obtener a partir de los
elementos de la base.
Proposición 8.1. Toda base de un espacio vectorial tiene el mismo
número de elementos.
Definición 8.3. 1. Si B = {u1, ..., un} es una base de V, decimos
que n es la dimensión de V y escribimos dim V = n.
2. Si T : V → W es una transformación lineal decimos que dim(ker T)
es la nulidad de T y la denotamos por nul (T) .
3. Si T : V → W es una transformación lineal decimos que dim(Im T)
es el rango de T y la denotamos por ran (T) .
Determinar si un conjunto forma una base de Rn
puede ser bastante
laborioso. Sin embargo, las siguientes dos proposiciones, que se presen-
tan sin demostración, sirven como criterios avanzados para determinar
si un conjuntos es base.
Proposición 8.2. Si n = dim V, cualquier conjunto B ⊂ V linealmen-
te independiente con n elementos es una base de V.
Proposición 8.3. B =





a1,1
...
a1,n

 , ...,


an,1
...
an,n





es un conjunto de vec-
tores linealmente independientes en Rn
si y solo si
a1,1 ... a1,n
...
...
an,1 ... an,n
Ejercicio muestra 4. Determine si
B =
1
0
,
1
1
es base de R2
.
Solución. Sabemos que
B =
1
0
,
0
1
es una base de R2
. Entonces dim R2
= 2.
Pero como
1 1
0 1
= 1 = 0,

20 JULIHO CASTILLO
entonces
B =
1
0
,
1
1
es un conjunto de 2 vectores linealmente independientes. Por tanto, B
también es una base de R2
.
Ejercicio muestra 5. Encuentre una base para ker T y otra para Im T,
para la transformación definida en el ejercicio de muestra 1. Indique
cuál es la dimensión de cada espacio.
Solución. Como ya vimos en el ejercicio de muestra 2,
ker(T) = gen




−2
1
1



 .
Consideremos la ecuación
c1


−2
1
1

 = 0,
es decir


−2c1
c1
c1

 =


0
0
0

 .
La única solución es c = 0 y por tanto
B =





−2
1
1





es un conjunto linealmente independiente.
Por tanto, B es una base de ker T y nul (T) = 1.
De manera similar, en el ejercicio de muestra 3,
Im(T) = gen




1
0
2

 ,


2
−1
7



 .

Entonces
c1


1
0
2

 + c2


2
−1
7

 =


0
0
0


⇒


c1 + c2
−c2
2c1 + 7c2

 =


0
0
0


⇒ c1 = c2 = 0.
Por tanto, 




1
0
2

 ,


2
−1
7





es un conjunto linealmente independiente, y por tanto una base de
Im(T). Entonces ran (T) = 2.
Finalmente, enunciaremos una de las proposicones importantes en
nuestro curso. Si T : V → W es una transformación lineal, tenemos ls
siguiente relación entre las dimensiones de V, ker T e Im T.
Proposición 8.4 (Teorema de la dimensión).
dim V = nul (T) + ran (T) .
Ejercicios.
Ejercicio 19. Determine si el conjunto E es base del espacio vectorial
V.
1. E =
1
0
,
0
−1
, V = R2
,
2. E =
1
0
,
1
1
, V = R2
,
3. E =





1
0
0

 ,


1
1
0

 ,


1
1
1





, V = R3
.
Ejercicio 20. Para cada una de las transformaciones lineales T : V →
W, del ejercicio 17, encuentre
1. Una base de ker T,
2. Una base de Im T,
3. nul (T) ,
4. ran (T) ,
y verifique la afirmación del teorema 5.4.

22 JULIHO CASTILLO
9. Coordenadas y cambios de base.
Coordenadas. Si E = {e1, ..., en} es base de un espacio vectorial V,
entonces todo vector v ∈ V se puede escribir de la forma
(2) v = v1e1 + ... + vnen.
Esto es cierto para cualquier otro conjunto que genere V. Lo impor-
tante de una base es que, debido a la independencia lineal de E, esta
manera de escribir el vector es única.
Supongamos que podemos escribir v = c1e1 + ... + cnen. Entonces
0 = v − v
= (v1e1 + ... + vnen) − (c1e1 + ... + cnen)
= (v1 − c1)e1 + ... + (vn − cn)en.
Como E es linealmente independiente, entonces v1 − c1 = ... = vn −
cn = 0. Es decir,
v1 = c1, ..., vn = cn.
En otras palabras, los escalares v1, ..., vn en la expresión (2) es única.
Para simplificar la expresión (2) necesitamos el concepto de orden
de una base.
Definición 9.1. Una base ordenada (e1, ..., en) es una sucesión de vec-
tores en V tal que {e1, ..., en} es una base.
Dos bases ordendas (e1, ..., en) , (f1, ..., fn) son iguales si y solo si
e1 = f1, ..., en = fn.
Observación. Si intercambiamos un par de elementos de una base orde-
nada obtendremos una base ordenada distinta, aunque como conjuntos
sean diferentes.
Ejemplo 9.1.
1
0
,
0
1
y
0
1
,
1
0
son dos bases ordenadas distintas de R2
.
Si consideramos E como la base ordenada (e1, ..., en) entonces, la
expresión (2) se puede escribir como


v1
...
vn


E
.

Decimos que v1, ..., vn son las cordenadas de v en la base E.
Ejemplo 9.2. Si consideramos la base ordenada
E = (
1
1
,
0
1
, )
de R2
, entonces
u
v
=
u
v E
.
En cambio, si consideramos
F =
0
1
,
1
0
,
entonces
u
v
=
v
u F
.
Definición 9.2. La base








1
0
...
0



 ,




0
1
...
0



 , ...,




0
0
...
1








de Rn
se conoce como base canónica.
Cambios de base. Supongamos que tenemos dos bases B = (e1, ..., en)
y F = (f1, .., fn) de Rn
. ¿Como podemos comparar las cordenadas de
un vector v ∈ Rn
en ambas bases? Digamos que sus coordenadas son
v =


v1
...
vn


B
=


w1
...
wn


F
.
Para realizar la comparación, digamos que las coordenadas de cada
elemento de la base F en la base B son
fk =


fk,1
...
fk,n


B
.

24 JULIHO CASTILLO
Ahora bien


w1
...
wn


F
= w1f1 + ... + wnfn
= w1


f1,1
...
f1,n


B
+ ... + wn


fn,1
...
fn,n


B
=


w1f1,1 + ... + wnfn,1
...
w1f1,n + ... + wnfn,n


B
,
y como las coordenadas en una base son únicas, tenemos que


v1
...
vn

 =


w1f1,1 + ... + wnfn,1
...
w1f1,n + ... + wnfn,n


=


f1,1 ... f1,n
...
...
fn,1 ... fn,n




w1
...
wn


Definición 9.3.
PF,B :=


f1,1 ... f1,n
...
...
fn,1 ... fn,n


se conoce como matriz de paso de F a B. También decimos que es la
matriz cambio de base de F a B.
As´ı como podemos cambiar las coordenadas de la base F a la base
B, podemos aplicar el mismo procedimiento para encontrar la matriz
de paso de B a F. Sin embargo, al ser el procedimiento inverso, basta
encontrar la matriz inversa. En otras palabras.
Proposición 9.1. PB,F = P−1
F,B.
Observación. El hecho de que PF,B sea invertible se debe a que esta
formada por los vectores columna que son las coordenadas de cada
elemento de la base F en términos de B. Estos vectores generen todo
Rn
, que es equivalente a que la matriz PF,B sea invertible.
Ejercicio muestra 6. 1. Verifique que
F =




1
0
0

 ,


0
−2
0

 ,


1
0
1





es una base de R3
.
2. Si denotamos por E la base estandar de R3
, encuentre las ma-
trices de paso PF,E y PE,F .
Solución. Por la proposición 5.2, basta verificar que F es un conjunto
linealmente independiente. Ahora bien, por la proposición 5.3, basta
verificar que
1 0 1
0 −2 0
0 0 1
= 0.
Aunque esto lo podemos hacer a mano, usaremos WxMaxima para
hacer dichas cuentas. Primero introducimos la matriz, a partir de la
cual calcularemos el determinante y la denotaremos por P.
(%i1) P: matrix(
[1,0,1],
[0,-2,0],
[0,0,1]
);
( %o1)


1 0 1
0 −2 0
0 0 1


Posteriormente, calculamos su determinante.
(%i2) determinant(%);
( %o2) − 2
y concluimos que F es una base.
Note que


1
0
0

 ,


0
−2
0

 ,


1
0
1


estan ya dados en terminos de la base canónica E y por tanto
PF,E = P.
Por la proposición 6.1, sabemos que PE,F = P−1
y usando nueva-
mente WxMaxima, calculamos esta matriz inversa.
(%i3) invert(P);
( %o3)


1 0 −1
0 −1
2
0
0 0 1

.

26 JULIHO CASTILLO
Ejercicios.
Ejercicio 21. Encuentre las matrices de paso PF,E y PE,F para los
siguientes casos.
1. E la base canónica de R2
, F =
1
0
,
0
−1
,
, F =
1
0
,
1
1
, F =




1
0
0

 ,


1
1
0

 ,


1
1
1



.
Ejercicio 22. Encuentre las coordenadas de los siguientes vectores v,
en las bases ordendas F indicadas. Utilice el resultado en el ejercicio
21.
1. v =
−1
2
, F =
1
0
,
0
−1
,
2. v =
−1
2
, F =
1
0
,
1
1
3. v =


3
−1
5

, F =




1
0
0

 ,


1
1
0

 ,


1
1
1



.
Ejercicio 23. Encuentre las coordendas de los elementos de la base
canonica de V en terminos de las bases ordenadas F indicadas. Utilice
el resultado en el ejercicio 21.
1. V = R2
, F =
1
0
,
0
−1
,
2. V = R2
, F =
1
0
,
1
1
3. V = R3
, F =




1
0
0

 ,


1
1
0

 ,


1
1
1



.
Teor´ıa espectral
10. Introducción
Como hemos visto, hacer cálculos que involucren matrices, por ejem-
plo multiplicar una matriz por un vector, puede ser complicados por
la cantidad de operaciones involucradas. En cambio, multiplicar por
escalares es muy sencillo. ¿Podr´ıamos encontrar alguna manera de con-
vertir las operanciones con matrices en operaciones con escalares? En
este cap´ıtulo trataremos de responder esta pregunta.

Definición 10.1. Sea T : Rn
→ Rn
una transformación lineal y A su
representación matricial en la base estandar. Si λ ∈ R y v ∈ R, v = 0
tales que
Av = λv,
decimos que λ es un valor propio y v un λ-vector propio.
Supongamos que F = (v1, ..., vn) es una base ordenada de vectores
propios de Rn
, es decir,
Avk = λkvk, k = 1, ...n.
Entonces, la representación matricial de T : Rn
→ Rn
en la base F
es
B =









λ1 0 . . . . . . . . . 0
0 λ2 . . . . . . . . . 0
...
...
... . . . . . . 0
0 0 . . . λk . . . 0
...
...
...
...
...
...
0 . . . 0 . . . 0 λn









es decir, una matriz con los valores propios en la diagonal y ceros en
otras partes.
Si expresamos un vector v ∈ Rn
en esta base, tendr´ıa la forma
v = c1v1 + ... + cnvn,
y aplicando la transformación, o de manera equivalente, multiplicando
por B, obtendriamos
T(v) = c1λ1v1 + ... + cnλnvn,
es decir, simplemente har´ıamos operaciones con escalares. Por esta
razón, es importante estudiar los valores y vectores propios asociados
a operadores en Rn
, es decir, transformaciones lineales T : Rn
→ Rn
.
Esta teor´ıa se conoce como espectral.
11. Valores propios
Resumen. El primer paso para desarrollar la teor´ıa espectral de un
operador es determinar sus valores propios. Antes, recordemos el si-
guiente criterio para determinar si un operador es invertible.
Proposición 11.1. Sea T : Rn
→ Rn
una transformación lineal, y A
una representación lineal en alguna base de Rn
. Las siguientes propo-
siciones son equivalentes:
1. A es invertible,
2. Av = 0 si y solo si v = 0,

28 JULIHO CASTILLO
3. det(A) = 0.
La misma proposición se puede reescribir de la siguiente manera.
Proposición 11.2. Sea T : Rn
→ Rn
una transformación lineal, y M
una representación lineal en alguna base de Rn
. Las siguientes propo-
siciones son equivalentes:
1. M no es invertible,
2. Existe un vector v = 0, tal que Mv = 0,
3. det(A) = 0.
Supongamos que λ es un valor propio de A y v un λ-vector propio.
Como v = Iv, entonces
Av = λv ⇔ Av = λIv ⇔ (A − λI)v = 0.
Es decir, v ∈ ker(T) aunque v = 0. Esto quiere decir que A − λI no es
invertible y por tanto,
det(A − λI) = 0.
Este es el criterio que buscabamos para localizar los valores propios.
Definición 11.1. Si A ∈ Mn×n, entonces
p(λ) = (−1)n
det(A − λI) = det(λI − A)
se conoce como polinomio caracter´ıstico de A.
Observación. λ es valor propio de A si y solo si es ra´ız de p(λ).
Ejercicio muestra 7. Encuentre los valores propios, de la transfor-
mación lineal con representación matricial
(3) A =


3 1 −1
2 2 −1
2 2 0

 .
Solución. Primero determinamos el polinomio caracter´ıstico:
p(λ) = −
3 − λ 1 −1
2 2 − λ −1
2 2 −λ
= λ3
− 5λ2
+ 8λ − 4
= (λ − 1)(λ − 2)2
.
Los valores propios de A son las raices de p(λ) = (x − 1)(x − 2)2
, es
decir,
λ1 = 1, λ2 = 2.

Podemos verificar nuestra respuesta en WxMaxima, de la siguiente
manera:
Primero, introducimos la matriz.
(%i1) matrix(
[3,1,-1],
[2,2,-1],
[2,2,0]
);
( %o1)


3 1 −1
2 2 −1
2 2 0


Posteriormente, calculamos el polinomio caracter´ıstico. En este caso,
WxMaxima usará la definición
p(x) = det (A − xI) .
(%i2) charpoly(%, x), expand;
( %o2) − x3
+ 5 x2
− 8 x + 4
Finalmente, factorizamos el polinomio.
(%i8) factor(%o2);
( %o8) − (x − 2)2
(x − 1)
Otra manera, más directa, es encontrar directamenta las raices del
polinomio
(%i13) realroots(%o2);
( %o13) [x = 2, x = 1]
Otra manera de obtener los valores propios es la siguiente:
(%i21) eigenvalues(A);
( %o21) [[1, 2], [1, 2]] En este caso, el primer arreglo nos dice los valo-
res propios, mientras que el segundo, nos dice sus multiplicidades al-
gebráicas, que es el exponente que tienen asociado en el polinomio
caracter´ıstico.
Ejercicios. Los ejercicios de esta sección se pueden encontrar en [1,
sec. 6.3].
Ejercicio 24. Encuentre los valores propios de las siguientes matrices.
Verifique sus resultados usando WxMaxima.
1.
A =
−2 −2
−5 1

30 JULIHO CASTILLO
2.
A =
2 −1
5 −2
3.
A =
3 2
−5 1
4.
A =
4 2
3 3
5.
A =


−6 −3 −25
2 1 8
2 2 7


6.
A =


1 −1 4
3 2 −1
2 1 −1


7.
A =


3 2 4
2 0 2
4 2 3


8.
A =


1 1 −2
−1 2 1
0 1 −1


9.
A =


7 −2 −4
3 0 −2
6 −2 −3


10.
A =


−3 −7 −5
2 4 3
1 2 2


12. Vectores propios
Resumen.
Definición 12.1. Si T : Rn
→ Rn
es una transformación lineal y A su
representación matricial, en la base estandar, y λ un valor propio de
A, entonces cualquier vector v ∈ Rn
que satisfaga la ecuación
Av = λv

se conoce como λ-vector propio.
Al conjunto de λ-vectores propios se le conoce como λ-espacio propio
y se denota por Eλ.
Observación. En el caso anterior, tenemos que
Eλ = ker (A − λI) .
Ejercicio muestra 8. Encuentre el espacio propio asociado al valor
propio λ1 = 2 de la matriz A definida en (3).
Solución. Si
v =


x
y
z

 ∈ Eλ1 ,
entonces (A − 2I) v = 0, es decir,


1 1 −1
2 0 −1
2 2 −2




x
y
z

 =


0
0
0

 ,
que se reduce al sistema de ecuaciones
2x = z
z = 2y
.
Escogiendo z = 2t, donde t ∈ R, obtenemos


x
y
z

 =


t
t
2t

 = t


1
1
2

 .
Es decir ker(A − 2I) esta generado por el conjunto





1
1
2





y al
consistir de un solo vector, este es linealmente independiente, y por
tanto es una base. En resumen,
ker(A − 2I) =




1
1
2



 .
Ejercicio 25. Encuentre el espacio propio asociado al valor propio
λ2 = 1 de la matriz A definida en (3).
Solución.
ker(A − I) =




1
0
2



 .

32 JULIHO CASTILLO
Para comprobar nuestros resultados, podemos usar WxMaxima. Pri-
mero, introducimos nuestra matriz.
(%i1) matrix(
[3,1,-1],
[2,2,-1],
[2,2,0]
);
( %o1)


3 1 −1
2 2 −1
2 2 0


Posteriormente, calculamos los vectores propios de la siguiente ma-
nera.
(%i2) eigenvectors(%);
( %o2) [[[1, 2], [1, 2]], [[[1, 0, 2]], [[1, 1, 2]]]]
El primer arreglo [1, 2] nos dice los dos valores propios, mientras que
el segundo [1, 2] nos dice su multiplicidad algebráica. El tercer arreglo
[1, 0, 2] es un vector propio de λ = 1, mientras que el último [1, 1, 2] es
uno asociado a λ = 2. Como explicamos anteriormente, cada uno de
estos constituye una base de sus respectivos espacios propios.
Ejercicios.
Ejercicio 26. Encuentre los espacios propios de los diferentes valores
propios de las matrices dadas en el ejercicio 24.
13. Diagonalización
Resumen.
Definición 13.1. A ∈ Mn se dice que es diagonalizable si existe una
base de Rn
que consista de vectores propios de A.
Ejercicio muestra 9. Determine si la matriz A definida en (3) es
diagonalizable.
Solución. Como vimos en las secciones anteriores, los valores propios
de A son λ1 = 2 y λ2 = 1, con respectivos espacio propios
ker(A − 2I) =




1
1
2



 .
y
ker(A − I) =




1
0
2



 .

Como cualquier otro vector propio es o bien multiplo de


1
1
2

 o bien
de


1
0
2

 , tendr´ıamos a los más una conjuto de dos vectores propios
linealmente independientes. Sin embargo, cualquier base de R3
debe
tener exactamente 3 vectores propios linealmente independientes. Por
tanto A no es diagonalizable.
Podemos comprobar este resultado usando WxMaxima de la siguiente
manera.
Primero, introducimos la matriz de manera habitual.
(%i1) A: matrix(
[3,1,-1],
[2,2,-1],
[2,2,0]
);
( %o1)


3 1 −1
2 2 −1
2 2 0


Y posteriormente usamos el comando nondiagonalizable, siempre
calculando primero los vectores propios de la matriz.
(%i4) eigenvectors(A);
( %o4) [[[1, 2], [1, 2]], [[[1, 0, 2]], [[1, 1, 2]]]]
(%i5) nondiagonalizable;
( %o5) true
Si la respuesta es true, esto quiere decir que en efecto, tal matriz no
es diagonalizable. En otro caso, obtenendremo false.
¿Porqué decimos que una matriz es diagonalizable? Consideremos
una transformación lineal T : R2
→ R2
, y una base
F = (v1, v2)
de valores propios. Como T(v1) = λ1v1, T(va) = λ2v2 y en terminos de
esta base
v1 =
1
0 F
, v2 =
0
1 F
,
entonces
T
1
0 F
= λ1
1
0 F
=
λ1
0 F

34 JULIHO CASTILLO
./Sketch94203650.png
Figura 1. Diagonalización
y de manera similar
T
0
1 F
= λ2
0
1 F
=
0
λ2 F
.
Entonces, la representación matricial D de la transformación T en la
base F estará formada por los dos vectores columna, que resultan de
aplicar la transformación a cada elemento de la base, es decir,
D =
λ1 0
0 λ2
.
Este mismo razonamiento, lo podemos aplicar a cualquier tranfor-
mación lineal T : Rn
→ Rn
, si podemos obtener una base de vectores
propios para su representación matricial A (en la base estandar o de
hecho, en cualquier otra base), es decir, si A es diagonalizable.
En este caso, ¿cómo podemos relacionar las representaciones matri-
ciales de T : Rn
→ Rn
, en la base estandar y en una base de vectores
propios? Denotemos por A a la primera y por D a la segunda, mien-
tras que por V = (Rn
, E) al espacio vectorial Rn
en la base E estandar,
mientra que V = (Rn
, F) en la de valores propios. Considere el diagra-
ma 1, donde P denota la matriz cambio de base PF,E. Es claro que
AP = PD,
y por tanto, multiplicando por P−1
= PE,F por la izquierda en ambos
lados de la ecuación,
D = P−1
AP.
En este caso, decimos que D es una matriz diagonal semejante a A.
Para un repaso de cambios de base, consulte la sección 6.

Ejercicio muestra 10. Determine si la matriz
A =


3 2 4
2 0 2
4 2 3


es diagonalizable y encuentre una matriz diagonal semejante.
Solución. Para encontrar los vectores propios, podemos proceder co-
mo en la sección 3. Para hacer más eficientes los cálculos, usaremos
WxMaxima. Primero, introducimos la matriz:
(%i1) A: matrix(
[3,2,4],
[2,0,2],
[4,2,3]
);
( %o1)


3 2 4
2 0 2
4 2 3


Después, encontramos los valores propios:
(%i2) eigenvectors(A);
( %o2) [[[8, −1], [1, 2]], [[[1,
1
2
, 1]], [[1, 0, −1], [0, 1, −
1
2
]]]]
La salida de la última instrucción quiere decir que λ = 8 es un vector
propio, de multiplicidad 1 con vector propio
v1 =


1
1/2
1

 ,
mientras que λ1 = −1 es un vector propio, de multiplicidad 2 y por
tanto, los siguientes dos vectores
v2 =


1
0
−1

 , v3 =


0
1
−1/2


son vectores propios, linealmente independientes asociados a λ2 = −1.
Por lo tanto,
P =


1 1 0
1/2 0 1
1 −1 −1/2

 .
Introducimos esta matriz en WxMaxima y calculamos su inversa, a la
que denotamos por Q.

36 JULIHO CASTILLO
(%i5) P: matrix(
[1,1,0],
[1/2,0,1],
[1,-1,-1/2]
);
( %o5)


1 1 0
1
2
0 1
1 −1 −1
2


(%i6) Q:invert(P);
( %o6)


4
9
2
9
4
9
5
9
−2
9
−4
9
−2
9
8
9
−2
9


Finalmente, realizamos el calculo P−1
AP
(%i7) Q.A.P;
( %o7)


8 0 0
0 −1 0
0 0 −1


para verificar que, en efecto, la matriz resultante es diagonal, y en
su diagonal estan ordenados los valores propios de A.
Ejercicios.
Ejercicio 27. Determine si cada matriz A en el ejercicio 24 son dia-
gonalizables, y en caso de serlo, encuentre
1. Una base F de vectores propios de A;
2. la matriz P = PF,E cambio de base, donde E es la base estandar
del respectivo espacio vectorial;
3. la matriz diagonal D semejante a A, usando la matriz cambio de
base P.
14. Proyecto final: Ecuaciones diferenciales
Teor´ıa. Consideremos la siguiente ecuación diferencial
x (t) = cx(t).
Esta ecuación describe un modelos donde la razón de crecimiento ins-
tantaneo x es propocional al estado del sistema, en un momento de-
terminado. Aplicaciones de este modelo incluyen:
1. Crecimiento poblacional;
2. decaimiento radioactivo;
3. la Ley de Newton, para la temperatura de un cuerpos; y
4. interés compuesto.

De hecho, si conocemos la condición inicial, es decir, el valor del
sistema en el tiempo t = 0, podemos encontrar una única solución al
problema.
Teorema 14.1. La única solución continuamente diferenciable a la
ecuación diferencial
x = cx,
con condición incial x(0) = x0 es
(4) x(t) = etc
x0.
Es fácil comprobar que (4) es un solución derivando de manera usual;
que esta sea la única solución con derivada continua es resultado del
teorema fundamental de las ecuaciones diferenciales ordinarias.
Sin embargo, este modelo solo describe un sistema con una canti-
dad que evoluciona con el tiempo, ¿como modelar un sistema con más
cantidades?
Podemos pensar que existen cantidades x1(t), ..., xn(t) de manera que
la razón de cambio de cada una sea combinación lineal de cada una de
los estados del sistema, es decir, para k = 1, ..., n:
xk(t) = ak,1x1(t) + ... + ak,nxn(t).
Esto es una manera de generalizar el hecho de que para una sola can-
tidad, su razón de cambio instantanea sea proporcional.
De manera matricial, podemos escribir este sistema como


x1(t)
...
xn(t)

 =


a1,1 ... a1,n
...
...
an,1 ... an,n




x1(t)
...
xn(t)

 .
Si definimos 


x(t) =



x1(t)
...
xn(t)



x (t) =



x1(t)
...
xn(t)



A =



a1,1 ... a1,n
...
...
an,1 ... an,n



el sistema anterior se puede reescribir como
x (t) = Ax(t).

38 JULIHO CASTILLO
Note como se parece este sistema al de una sola variable. De hecho,
as´ı como podemos definir ea
para a ∈ R, es posible definir eA
, donde A
es una matriz n × n. Para esto, necesitamos la siguiente definición de
la función exponencial.
Definición 14.1.
ex
=
k≥0
xk
k!
Esta definición tiene sentido para matrices porque Ak
= A · · · A un
número k de veces.
Teorema 14.2. La única solución de la ecuación diferencial vectorial
x (t) = Ax(t),
para x(t) ∈ Rn
para cada t ∈ R y A ∈ Mn, con condición inicial
x0 =


x1,0
...
xn,0

 ∈ Rn
es
x(t) = etA
x0.
Sin embargo, calcular la n-ésima potencia de una matriz puede ser
demasiado complicado... excepto para matrices diagonales.
Proposición 14.3. Si
D =




λ1 0
0 λ2
...
λn




es una matriz diagonal, entonces
Dk
=




λk
1 0
0 λk
2
...
λk
n



 .
Demostración. La demostración se puede hacer por inducción.
Supongamos que T : Rn
→ Rn
es una tranformación lineal, cuya
representación matricial A (en la base estandar E) es diagonalizable y
P es la matriz de paso de la base F de vectores propios a la base E.

Entonces si D es la matriz que representa la misma transformación en
la base F, sabemos que
A = PDP−1
.
Por inducción, no es dif´ıcil demostrar que
An
= PDn
P−1
,
y por tanto, multiplicando por un escalar t ∈ R,
tAn
= P(tDn
)P−1
.
Antes de continuar, recordemos que por propiedades distributivas de
las matrices
R(M + N)S = RMS + RNS,
o de manera más generalizar
(RMkS) = R Mk S.
Entonces
etA
=
k≥0
(tA)k
k!
=
k≥0
(P(tDn
)P−1
)
k
k!
= P
k≥0
(tDn
)k
k!
P−1
= PetD
P−1
.
Basta entonces encontrar etD
. Pero como vimos, calcular las poten-
cias de D no es dificil.

40 JULIHO CASTILLO
etD
=
k≥0
1
k!
(tD)k
=
k≥0
1
k!




(tλ1)k
0
0 (tλ2)k
...
(tλn)k




=





k≥0
1
k!
(tλ1)k
0
0 k≥0
1
k!
(tλ2)k
...
k≥0
1
k!
(tλn)k





=




etλ1
0
0 etλ2
...
etλn



 .
¡Listo!
Ejemplos.
Ejercicio muestra 11. Resuelva el siguiente sistema de ecuaciones
diferenciales
x = −x
y = x + 2y
con condiciones inciales
x(0) = 0, y(0) = 3.
Soluci´on. Rescribimos x = x1, y = x2 y podemos escribir el sistema de
forma matricial, en la siguiente manera
x1
x2
=
−1 0
1 2
x1
x2
.
Entonces
A =
−1 0
1 2
.
Usando WxMaxima, podemos encontrar los valores y vectores propios.

(%i1) A: matrix(
[-1,0],
[1,2]
);
( %o1)
−1 0
1 2
(%i2) eigenvectors(%);
( %o2) [[[−1, 2], [1, 1]], [[[1, −
1
3
]], [[0, 1]]]]
Esto quiere decir que λ1 = −1 es un valor propio con vector propio
1
−1
3
,
mientras que λ2 = 2 también lo es, con vector propio
0
1
.
Observación. Como tenemos dos vectores propios en un espacio de di-
mensión dos, basta verificar que son linealmente independiente, para
saber que forman una base. Para comprobar que son linealmente in-
dependientes, formamos una matriz que tenga como columnas a estos
vectores y verificamos que esta matriz es invertible.
(%i4) P: matrix(
[1,0],
[-1/3,1]
);
( %o4)
1 0
−1
3
1
(%i5) determinant(%);
( %o5) 1
Entonces, F =
1
−1
3
,
0
1
es una base de R2
, de vectores propios
de A. Por tanto A es diagonalizable. Como P es la matriz de cambio
de la base F a la base estandar E, usamos la siguiente identidad
D = P−1
AP,
para encontrar la matriz diagonalizada D. Denotaremos a P−1
por Q.
(%i6) Q:invert(P);
( %o6)
1 0
1
3
1

42 JULIHO CASTILLO
(%i7) D:Q.A.P;
( %o7)
−1 0
0 2
Entonces, sabemos que
etD
=
e−t
0
0 e2t ,
y podemos hallar etA
con la ecuación
etA
= PetD
P−1
.
Podemos hacer los cálculos en WxMaxima de la siguiente manera
(%i8) matrix(
[%e^(-t),0],
[0,%e^(2*t)]
);
( %o8)
e−t
0
0 e2 t
(%i9) P.%o8.Q;
( %o9)
e−t
0
e2 t
3
− e−t
3
e2 t
Es decir,
etA
=
e−t
0
e2 t
3
− e−t
3
e2 t
Las condiciones inciales se pueden escribir en forma vectorial como
0
3
,
y por tanto, nuestra solución sera
e−t
0
e2 t
3
− e−t
3
e2 t
0
3
.
Realizamos los cálculos en WxMaxima de la siguiente manera. Primero
introducimos el vector como si fuera una matriz de dos reglos y una
columnas
(%i10) matrix(
[0],
[3]
);
( %o10)
0
3

./pantalla.png
Figura 2. WxMaxima
y posteriormente hacemos la multiplicación, recordando que WxMaxima
le asigno la etiqueta %o9 a nuestra matriz etA
, y la etiqueta %o10 a nues-
tro vector de condiciones inciales.
(%i11) %o9.%o10;
( %o11)
0
3 e2 t
Por tanto, la solucion a nuestro sistema de ecuaciones diferenciales
es
x(t)
y(t)
=
0
3e2t .
Proyecto final. Resuelva los siguientes sistema de ecuaciones diferen-
ciales, como se hizo en el ejemplo anterior. Debe plantear de manera
correcta todos los pasos, indicar los cálculos que hizo en WxMaxima y
escribiendo de manera clara sus conclusiones. El proyecto puede ser
elaborado por equipos de a lo más tres personas, y debe ser entregado
en computadora el d´ıa del examen final.1
1.
x1 = 2x1 + x2
x2 = x1 + x2
con condiciones iniciales x1(0) = 1, x2(0) = 1.
2.
x = Ax
1Para copiar el cógido que introduzca en WxMaxima, seleccione con el botón iz-
quierdo de su ratón, el lado izquierdo del código, de manera que cambie a color
azul como en la figura 2 y posteriormente presione el botón derecho, y seleccione la
opción copiar.

44 JULIHO CASTILLO
con
A =
0 3
1 −2
y condiciones iniciales
x(0) =
3
1
.
3.
x = Ax
con
A =


2 0 0
0 −1 0
0 2 −3


y condiciones iniciales
x(0) =


0
−b
b

 .
Para una revisión con más detalle de este tema y un repaso de álgebra
lineal, puede consultar [3, cap´ıtulo 3].
Referencias
[1] Grossman, S.; Álgebra Lineal; McGraw Hill, 5a Edición, 1996.
[2] Hoffman, K., Kunze, R.; Linear Algebra; Prentice-Hall,1971.
[3] Hirsch, M.; Smale, S.; Differential Equations, Dynamical Systems, and Linear
Algebra; Academic Press, 1974.
Departamento de Ciencias Básicas, Intituto Tecnológico de Oaxaca
E-mail address: juliho.castillo@outlook.com

Problemario de Álgebra Lineal

Más contenido relacionado

La actualidad más candente (20)

Destacado (13)

Similar a Problemario de Álgebra Lineal (20)

Más de Juliho Castillo (20)

Último (20)

Problemario de Álgebra Lineal