Problemario de

Algebra Lineal
Juliho Castillo
Departamento de Ciencias B asicas, Intituto Tecnol ogi-
co de Oaxaca
E-mail address: juliho.castillo@outlook.com

Indice general
Captulo 1. N umeros complejos 5
1. Introducci on 5
2. El campo de n umeros complejos 7
3. Forma polar de los n umeros complejos 8
Captulo 2. Espacios Vectoriales 11
1. Denici on y ejemplos 11
2. Subespacios vectoriales 13
3. Transformaciones lineales 16
4. N ucleo e imagen 20
5. Bases y dimensi on 22
6. Coordenadas y cambios de base. 25
Captulo 3. Teora espectral 31
1. Introducci on 31
2. Valores propios 32
3. Vectores propios 35
4. Diagonalizaci on 37
5. Proyecto nal: Ecuaciones diferenciales 41
Bibliografa 49
3
Captulo 1
N umeros complejos
1. Introducci on
Motivaci on. En estas notas, denotaremos por R el conjunto de
n umeros reales. En esta secci on, procederemos de manera informal,
para motivar la denici on de un n umero complejo y formalizar sus
propiedades, en secciones posteriores.
Supongamos que a, b, c R, y queremos resolver la ecuaci on
ax
2
+bx +c = 0.
De manera algebraca encontramos que las soluciones estan dadas
por la f ormula
x =
b

D
2a
, D = b
2
4ac.
Si D 0, entonces D es un n umero real. Sin embargo, que 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 x
2
= x x 0. Por lo tanto,

D / R si
D < 0.
Una solucion a este problema es denir el n umero i =

1. En
este caso, si D < 0, entonces usando leyes de los exponentes tenemos
que

D =
_
(1)(D) =

D =

Di.
En este caso, como D < 0, entonces D > 0 y

D R.
Ejemplo 1.1. Las soluciones de la ecuaci on x
2
+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. x
4
+ 16 = 0,
2. x
2
2x + 2 = 0.
Entonces, diremos que un n umero complejo es una cantidad de la
forma
z = x +iy, x, y R, i =

1.
Observe que si x R, podemos identicarlo con x +i0.
5
6 1. N

UMEROS COMPLEJOS
Denimos la suma de n umeros 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 n umero complejos
y que z := x iy es el inverso aditivo de z = x +iy.
Ahora queremos denir la multiplicacion (x + iy)(x

+ iy

). Siga-
mos las reglas algebraicas usuales para n umeros reales, salvo por la
identidad i
2
= 1.
(x +iy)(x

+iy

) = x(x

+iy

) +iy(x

+iy

)
= xx

+x(iy

) + (iy)x

+ (iy)(iy

)
= xx

+ixy +iyx

+i
2
yy

= (xx

yy

) +i(xy

+yx

).
En resumen,
zz

= (xx

yy

) +i(xy

+yx

) C.
Ejercicio 3. Demostrar las siguientes propiedades de la multiplicacion
de n umero 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) = x
2
+y
2
.
5. (x +iy)
_
x iy
x
2
+y
2
_
= 1.
Diremos que 1 = 1 + i0 es el neutro multiplicativo en los n umero
complejos y que
z
1
:=
x iy
x
2
+y
2
es el inverso multiplicativo de z = x +iy.
Si denimos z = x iy, para z = x +iy, podemos reescribir
z
1
=
z
z z
.
Diremos que z es el conjugado de z.
2. EL CAMPO DE N

UMEROS COMPLEJOS 7
Observaci on. Los n umero reales se pueden identicar con una lnea
recta. Como i no se puede identicar con un n umero en la lnea recta, se
deca que este n umero era imaginario. Sin embargo, podemos visualizar
los n umeros complejos (es decir, dibujarlos!), para lo cual necesitare-
mos m as espacio. Como requerimos dos n umeros 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

3 +i1
3.
_
2 +i

6
_
3
2. El campo de n umeros complejos
Denicion 2.1. El plano es el conjunto
R
2
= {(x, y)|x, y R} ,
de parejas ordenadas de n umeros reales.
En este espacio, podemos denir varias operaciones. Cuando al con-
junto lo dotamos de ciertas operaciones, decimos que es un estructura
(matematica) en el plano. Una de las mas importantes es la estructura
de espacio vectorial, que a continuacion presentamos.
Denicion 2.2. El plano euclideano es R
2
dotado de las siguiente
operaciones:
1. (x, y) + (x

, y

) = (x +x

, y +y

),
2. Si R, (x, y) = (x, y),
Observaci on. En este caso, a los pares ordenados (x, y) R
2
les
llamaremos vectores (en el plano), mientras que a los n umeros reales los
llamaremos escalares. Entonces, nos referiremos a la primera operaci on
como suma de vectores, mientras que a la segunda como multiplicacion
por escalares. Estas son las operaciones usuales en el plano euclideano.
Ejercicio 5. Encuentre y graque 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 denir de manera for-
mal el conjunto de n umero complejos. Observe que podramos identi-
car x +iy con el vector (x, y). Observe que con esta identicacion, el
resultado de la suma de n umeros complejos coincide con la de vectores.
8 1. N

UMEROS COMPLEJOS
De igual manera, podemos identicar la multiplicaci on entre n umero
complejo. Esto nos lleva a la denicion formal de n umeros complejos.
Denicion 2.3. El campo de n umero complejos C es el conjunto R
2
dotado de las siguientes operaciones:
1. (x, y) + (x

, y

) = (x +x

, y +y

),
2. (x, y)(x

, y

) = (xx

yy

, xy

+yx

).
Si identicamos R, con (a, 0) C, resulta que la multiplicaci on
por escalares coindice con la multiplicaci on de n umeros complejos para
escalares reales, es decir, si a R,
a(x, y) = (a, 0)(x, y).
Ejercicio 6. Verique la armacion anterior.
Ejercicio 7. Verifque las siguiente propiedades. Si u, v, w C

= R
2
,
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.
Observaci on. Cualquier conjunto S, con operaciones suma y mul-
tiplicaci on, que cumplan las propiedades anteriores, se conoce como
un campo. Otros ejemplos de campos son las fracciones y los mismos
n umeros reales. En teora n umero, ejemplos de campos son los enteros
modulo p Z
p
, con p un n umero primo.
3. Forma polar de los n umeros complejos
En la presente secci on, suponemos que el lector tiene conocimientos
elementales de trigonometra y geometra analtica.
Como los n umeros complejos son vectores, podemos calculas su lon-
gitud o norma.
Denici on 3.1. Si z = x + iy C, entonces la norma de z se dene
como
z =
_
x
2
+y
2
.
3. FORMA POLAR DE LOS N

UMEROS COMPLEJOS 9
Como hicimos antes, denimos de manera formal el conjugado de
un n umero complejo.
Denicion 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 angulo
que abre respecto al vector (1, 0), en el sentido de las manecillas del
reloj, al cual llamaremos argumento y denimos analticamente de la
siguiente forma.
Denicion 3.3. El argumento (z) de z = x +iy C se dene como
1. arctan
_
y
x
_
si x > 0
2. + arctan
_
y
x
_
si x < 0
3.

2
si x = 0, y > 0
4.

2
si x = 0, y < 0
Denicion 3.4. Si z C tiene norma r > 0 y argumento , decimos
que
z = r(),
es la forma polar de z, donde () : R R
2
,
() = (cos(), sin()) .
Ejercicio 8. Demostrar que
1. (0) = 1
2. ( + 2) = ()
3. () = ()
4. ( +) = ()()
5. (n) = (())
n
Ejercicio 9. 1. Si z = r() C, entonces
a) z
1
= r
1
()
b) Si n es un n umero entero, z
n
= r
n
(n).
2. Si z = r(), w = s() C, entonces
a) zw = rs( +).
b)
z
w
=
r
s
( )
Esta ultima identidad se conoce como identidad de De Moivre.
10 1. N

UMEROS COMPLEJOS
Ejercicio 10. Convierta a su forma polar, cada uno de los n umeros
en el ejercicio 4 y realice las operaciones correspondientes, usando los
resultados anteriores.
Captulo 2
Espacios Vectoriales
1. Denici on y ejemplos
Resumen. Hasta ahora hemos considerado a los vectores como
elementos de un espacio
R
n
= {(x
1
, ..., x
n
|x
k
R)} ,
por ejemplo vectores en el plano R
2
= {(x, y)|x, y R} o en el espacio
R
3
= {(x, y, z)|x, y, z R} . En cada caso, tenamos una suma entre
vectores y una multiplicacion por escalares, es decir, n umero reales.
Ejemplo 1.1. Si u = (u
1
, u
2
) y v = (v
1
, v
2
) son vectores en R
2
, y
R, entonces
(u
1
, u
2
) + (v
1
, v
2
) = (u
1
+v
1
, u
2
+v
2
),
mientras que
(u
1
, u
2
) = (u
1
, u
2
).
En este caso, la suma tiene las siguientes propiedades:
1. (Cerradura) u + v = (u
1
, u
2
) + (v
1
, v
2
) = (u
1
+ v
1
, u
2
+ v
2
), es
un vector en R
2
,
2. (Asociatividad) Si w = (w
1
, w
2
) es otro vector en R
2
, entonces
(u +v) +w = ((u
1
, u
2
) + (v
1
, v
2
)) + (w
1
, w
2
)
= (u
1
, u
2
) + ((v
1
, v
2
) + (w
1
, w
2
))
= u + (v +w),
3. (Conmutatividad) u+v = (u
1
+v
1
, u
2
+v
2
) = (v
1
+u
1
, v
2
+u
2
) =
v +u
4. (Existencia de un elemento neutro) u +

0 = (u
1
, u
2
) + (0, 0) =
(u
1
, u
2
) = u, y de la misma forma

0 +u = u.
5. (Inversos aditivos) Para u = (u
1
, u
2
), denimos
u = (u
1
, u
2
),
y este elemento satisface que
u + (u) = (u) +u = 0.
La multiplicaci on por escalares satisface las siguientes propiedades
11
12 2. ESPACIOS VECTORIALES
1. u es de nuevo un vector en R
2
,
2. 1u = 1(u
1
, u
2
) = (1 u
1
, 1 u
2
) = u,
3. ()u = (u
1
, u
2
) = (u).
Finalmente, la suma de vectores y la multiplicacion por escalares
estan relacionadas por las siguiente leyes distributivas.
1. ( +)u = (( +)u
1
, ( +)u
2
) = (u
1
, u
2
) + (u
1
, u
2
) =
u +u,
2. (u + v) = (u
1
+ v
1
, u
2
+ v
2
) = ((u
1
+ v
1
), (u
2
+ v
2
)) =
(u
1
, u
2
) +(v
1
, v
2
) = u +v.
Problema 1 (). Vericar que las mismas propiedades se cumplen para
R
3
, usando la suma de vectores y multiplicacion por escalares conocida.
Estas propiedades se cumplen para muchos y muy diferentes con-
juntos, donde tenemos una operacion suma entre sus elementos y po-
demos denir una multiplicaci on por n umeros reales. De hecho, estos
conjuntos son los objetos de estudio en el algebra lineal.
Denici on 1.1. Sea V un conjunto, con una operaci on + : V V V
y una operacion : RV V. Decimos que V es un espacio vectorial
(sobre R) si para todo u, v, w V y , 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. u V,
7. 1u = u,
8. ()u = (u),
9. ( +)u = u +u,
10. (u, v) = u +v.
A los elementos del espacio vectorial V les llamamos vectores.
Observaci on. Cuando V es un espacio vectorial, con operaci on suma
+ : V V V y multiplicaci on por escalares : R V V, por
brevedad, decimos que (V, +, ) es un espacio vectorial.
Ejercicios. Para resolver los ejercicios de esta seccion puede con-
sultar [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.
2. SUBESPACIOS VECTORIALES 13
1. 0u = 0 = 0. (Note que el cero escrito a la izquierda denota el
cero como n umero, mientras que escrito a la izquierda o solo,
denota el elemento neutro del espacio vectorial.)
2. u = (1)u. Sugerencia: Verique que u + (1)u = 0.
3. Si u = 0, entonces o bien = 0 o u = 0.
4. El elemento neutro 0 es unico.
5. Para cada vector u, su inverso aditivo u es unico.
Ejercicio 12. Compruebe que los siguientes conjuntos son espacios
vectoriales (reales), con las operaciones suma y multiplicacion por es-
calar usuales.
1. {0} .
2. {(x, y) R
2
|y = mx} para m R jo.
3. {(x, y, z) R
3
|ax +by +cz = 0} para a, b, c R.
4. {(x, y, z) R
3
|(a, b, c) (x, y, z) = 0} para a, b, c R.
5. {f|f : S R} , donde S puede ser cualquier conjunto jos.
6. R
mn
, es decir, el conjunto de matrices m n con entradas
reales.
7. El espacio de polinomios con coecientes reales.
8. El espacio de polinomios con coecientes reales de grado n,
para n N jo.
9. C[a, b], el espacio de funciones continuas en el intervalo [a, b].
10. El conjunto de n umero reales positivos con las operaciones u
v := u, v y u := u

.
Problema 2. Considere la ecuacion diferencial de segundo orden ho-
mogenea
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 ecuacion diferencial es un espacio vectorial bajo las reglas
usuales para la suma de funciones y multiplicacion por escalares.
2. Subespacios vectoriales
Resumen.
Ejemplo 2.1. R
2
es un espacio vectorial con las operaciones
(u
1
, u
2
) + (v
1
, v
2
) = (u
1
+v
1
, u
2
+v
2
)
y
(u
1
, u
2
) = (u
1
, u
2
).
En la secci on anterior consideramos el subjunto
L
c
= {(u
1
, u
2
)|u
2
= cu
1
} R
2
14 2. ESPACIOS VECTORIALES
para c una pendiente ja, y vericamos que en efecto, con las mismas
operaciones es un espacio vectorial.
Decimos entonces que L
c
es un subespacio vectorial de R
2
.
Denicion 2.1. Si (V, +, ) es un espacio vectorial y W V es tambien
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 , tendramos que vericar todos loa axiomas
de espacio vectorial para (W, +, ). Sin embargo, si en el espacio V, la
suma es asociativa y conmutativa, tambien lo ser a en W. De igual ma-
nera, el elemento neutro 1 V de la multiplicacion por escalares es el
mismo en W, y se sigue cumpliendo la asociatividad de la multiplicacion
por escalares y las leyes de distribuci on.
Entonces, basta demostrar que se cumplen los restantes axiomas, a
saber:
1. Si u, v W, entonces u +v W.
2. Si R, v W, entonces v W.
3. 0 W.
4. Si u W, entonces u W.
Sin embargo, los dos ultimos incisos se siguen del segundo. En efec-
to, si escogemos = 0 y cualquier u W, entonces
0 = 0 u W.
De igual manera, para cualquier u W, si escogemos = 1, entonces
u = (1)u W.
Por ultimo, vericar los dos axiomas restantes es equivalente a ve-
ricar que para todo R, u, v W,
u +v W.
Proposicion 2.1. Si W V, entonces
W < V R, u, v W, u +v W.
Corolario 2.2. Todo W < V contiene a 0 V.
Denicion 2.2. Si W < V, pero W = {0} y W = V, entonces decimos
que W es un subespacio (vectorial) propio.
Denicion 2.3. Sean u, v
1
, ..., v
k
vectores en un espacio vectorial V.
Decimos que u es combinaci on lineal de v
1
, ..., v
k
si existen escalares

1
, ...,
k
R tales que:
u =
1
v
1
+...
k
v
k
.
2. SUBESPACIOS VECTORIALES 15
Denicion 2.4. Sea V un espacio vectorial. El subespacio generado
por un subconjunto S = {v
1
, ..., v
k
} V se dene como
gen (S) = {
1
v
k
, ...,
k
v
k
|
1
, ...,
k
R} ,
es decir, el conjunto de todas las combinaciones lineales de v
1
, ..., v
k
.
Observaci on. gen (S) < V.
Ejemplo 2.2. u = (2, 0, 2) es combinaci on lineal de v
1
= (1, 0, 1) y
v
2
= (0, 1, 1) porque u = 2v
1
v
2
.
De hecho,
gen (v
1
, v
2
) = {(a, b, a +b)|a, b R} < R
3
es el plano que contiene a estos dos vectores.
(1, 1, 1) / gen (v
1
, v
2
) , 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. Cual de los siguientes conjuntos de vectores
u = (u
1
, u
2
, u
3
)
en R
3
son subespacios de R
3
?
1. {u|u
1
0}
2. {u|u
1
+ 3u
2
= u
3
}
3. {u|u
2
= u
2
1
}
4. {u|u
1
u
2
= 0}
5. {u|a
2
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(x
2
) = f
2
(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
Ejercicio 15. Sea W el conjunto de todos los vectores (x
1
, ..., x
5
) que
satisfacen
2x
1
x
2
+
4
3
x
3
x
4
= 0
x
1
+
2
3
x
3
x
5
= 0
9x
1
3x
2
+ 6x
3
3x
4
3x
5
= 0.
Mostrar que W es subespacio vectorial de R
5
.
16 2. ESPACIOS VECTORIALES
Problema 3 (). 1. Vericar que si U, W < V, entonces UW <
V.
2. Demostrar que si U = {u
1
, ..., u
m
} y W = {w
1
, ..., w
m
} , enton-
ces
U W = gen (u
1
, ..., u
n
, w
1
, ..., w
m
) .
Problema 4 (). Sean u, v R
2
. Mostrar que
W = {u +v|, R} < R
2
.
Mostrar que si u, v no son paralelos, entonces para cualquier
w R
2
, podemos encontrar , R de manera que w = u +
v.
Problema 5 (). Sea A una matriz mn 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
R
n
.
3. Transformaciones lineales
Denici on y ejemplos.
Denicion 3.1. Sean V, W espacios vectoriales. Decimos que T : V
W es una transformacion lineal si para todos R, u, v V se cumple
1. T(u +v) = T(u) +T(v) (T abre sumas)
2. T(u) = T(u) (T saca escalares)
o de manera equivalente
T(u +v) = T(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 3.1. Sea a = [a
1
, ..., a
n
] R
n
jo y denamos T : R
n

R, T(u) = a u. Entonces, T es una transformaci on lineal.

Ejemplo 3.2. Sea A =
_
a
ij

una matriz de dimension nm, donde n

indica el n umero de columnas y m el de renglones.
Si denimos T : R
n
R
m
, T(u) = Au, entonces T es una tranfor-
maci on lineal. En otras palabras, cada matriz dene una transformaci on
lineal. Lo inverso tambien es cierto.
3. TRANSFORMACIONES LINEALES 17
Sea
e
k
=
_

_
0
.
.
.
1
.
.
.
0
_

_
el vector columna con un 1 en la kesima posici on y ceros en el resto,
y sea T : R
n
R
m
una transformacion lineal. Entonces, T(e
k
) R
m
y digamos que es de la forma
T(e
k
) =
_
_
a
1k
.
.
.
a
mk
_
_
.
Si denimos A = [a
ij
] M
mn
entonces T(e
k
) = Ae
k
, k = 1, ..., n.
Por linealidad tanto de T como de A, obtenemos que T(x) = Ax, para
todo vector x R
n
.
Ejemplo 3.3. Las siguientes transformaciones son lineales:
T : C
1
[0, 1] C
0
[0, 1],
T(f)(x) = f

(x).
T : C
0
[0, 1] R,
T(f) =
_
1
0
f(t)dt.
T : C
0
[0, 1] C
1
[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 transformacion T : R
3

R
3
es lineal y de ser as, encuentre su representacion matricial.
(1) T
_
_
x
y
z
_
_
=
_
_
x + 2y
z y
2x + 7y 3z
_
_
Solucion. La prueba de que la transformaci on 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
_
_
.
18 2. ESPACIOS VECTORIALES
Por lo tanto, la representaci on matricial de T esta dada por
[T] =
_
_
1 2 0
0 1 1
2 7 3
_
_
Operadores en R
n
. Sean T, S L(R
n
). La composici on TS, es
decir, TS(x) = T(S(x)) es de nuevo un operador y de hecho, si B = [b
ij
]
es la matriz asociada a T como en el ejemplo 3.2 y A = [A
ij
] la asociada
a S, entonces la matriz asociada a TS es C = [c
ij
] conjunto
c
ij
=
n

k
b
ik
a
kj
.
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 denido como (T + S)(u) =
T(u) +S(u), y de hecho tiene asociada la matriz
_
b
ij
+a
ij

.
Dos operadores especiales en R
n
son la transformacion cero 0(x) =
0 y la identidad Id(x) = x.
Ejercicio 16 (). Encuentre la matriz asociada a los operadores cero
e identidad.
Podemos denir la multiplicaci on de operadores por escalares de la
siguiente forma. (T)(u) = T(u). De esta manera, con la operaci on
suma entre operadores y esta multiplicacion por escalares, resulta que
L(R
n
) es un espacio vectorial.
Finalmente, si para P L(R
n
) existe Q L(R
n
), de manera que
PQ = Id, decimos que P es invertible y que Q es el operador inverso de
P. Tambien 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. Vericar que las siguientes transformaciones son linea-
les, y encontrar la representacion matricial de cada una.
1. (Proyeccion sobre el plano)
T
_
_
x
y
z
_
_
=
_
_
x
y
0
_
_
3. TRANSFORMACIONES LINEALES 19
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
_
_
Problema 6. Encuentre una expresion matematica para la transfor-
macion que rota un vector en el plano, con un angulo en el sentido
positivo (contrario a las manecillas del reloj). Indique si esta trans-
formacion es lineal y de serlo, encuentre su representacion matricial.
Sugerencia: Exprese el vector en coordenadas polares.
20 2. ESPACIOS VECTORIALES
4. N ucleo e imagen
Resumen.
Denicion 4.1. El n ucleo de una transformacion lineal T : V W,
donde V y W son espacios vectoriales, es el conjunto
ker(T) = {v V |T(v) = 0} .
La imagen de T : V W es el conjunto
Im(T) = {w W|v V, T(v) = w} .
Proposicion 4.1. ker(T) < V, Im(T) < W.
Demostraci on. Si R y u, v ker(T), entonces
T(u +v) = T(u) +T(v) (Por linealidad de T)
= 0 + 0 (Porque T(u) = T(v) = 0)
= 0
Por tanto, ker(T) < V.
Ahora, si R y w, w

Im(T), entonces Existen v, v

V tales
que T(v) = w, T(w

) = v

. Por lo cual,
w +w

= T(v) +T(v

)
= T(v +v

).
Como v +v

V, entonces w +w

W.
Ejercicio muestra 2. Encontrar un conjunto de vectores que generen
ker(T), para la tranformacion lineal T dada por (1).
Soluci on. 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
_
_
4. N

UCLEO E IMAGEN 21
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 tranformacion 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) estara generado por los vectores
u =
_
_
1
0
2
_
_
, v =
_
_
2
1
7
_
_
, w =
_
_
0
1
3
_
_
.
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.
22 2. ESPACIOS VECTORIALES
De hecho, para cualesquiera , , si escogemos una solucion de las
ecuaciones las ecuaciones
= x + 2z
= y z,
podemos escribir
_
_
x + 2y
z y
2x + 7y 3z
_
_
= xu +yv +zw = u +v.
Es decir,
Im(T) = gen (u, v) = gen
_
_
_
_
1
0
2
_
_
,
_
_
2
1
7
_
_
_
_
.
Ejercicios.
Ejercicio 18. Encuentre un conjunto de vectores, con el mnimo n ume-
ro de elementos posible, que generen ker(T) e Im(T) para cada una de
las transformaciones lineales del ejercicio 17.
5. Bases y dimension
Resumen.
Denicion 5.1. Sea V un espacio vectorial y B = {u
1
, ..., u
k
} V.
Decimos que B es unconjunto linealmente independiente si para cua-
lesquiera c
1
, ..., c
k
R,
c
1
u
1
+... +c
k
u
k
= 0 c
1
= ... = c
k
= 0,
es decir, la unica relacion lineal entre los elementos de B es la trivial.
En otro caso, decimos que B es linealmente dependiente.
Denici on 5.2. Decimos que B V es una base de V si:
1. V = gen (B) y
2. B es linealmente independiente.
Observaci on. Es decir, B es un base si cualquier v V es una combi-
naci on lineal de sus elementos, no falta informaci on, y ninguno de los
elementos de la base es combinaci on lineal de los restantes, es decir, no
sobra informacion. 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.
Proposicion 5.1. Toda base de un espacio vectorial tiene el mismo
n umero de elementos.
5. BASES Y DIMENSI

ON 23
Denicion 5.3. 1. Si B = {u
1
, ..., u
n
} es una base de V, decimos
que n es la dimension de V y escribimos dimV = n.
2. Si T : V W es una transformaci on lineal decimos que
dim(ker T) es la nulidad de T y la denotamos por nul (T) .
3. Si T : V W es una transformaci on lineal decimos que
dim(ImT) es el rango de T y la denotamos por ran (T) .
Determinar si un conjunto forma una base de R
n
puede ser bastante
laborioso. Sin embargo, las siguientes dos proposiciones, que se presen-
tan sin demostraci on, sirven como criterios avanzados para determinar
si un conjuntos es base.
Proposicion 5.2. Si n = dimV, cualquier conjunto B V linealmen-
te independiente con n elementos es una base de V.
Proposicion 5.3. B =
_
_
_
_
_
a
1,1
.
.
.
a
1,n
_
_
, ...,
_
_
a
n,1
.
.
.
a
n,n
_
_
_
_
_
es un conjunto de vec-
tores linealmente independientes en R
n
si y solo si

a
1,1
... a
1,n
.
.
.
.
.
.
a
n,1
... a
n,n

Ejercicio muestra 4. Determine si

B

=
__
1
0
_
,
_
1
1
__
es base de R
2
.
Soluci on. Sabemos que
B =
__
1
0
_
,
_
0
1
__
es una base de R
2
. Entonces dimR
2
= 2.
Pero como

1 1
0 1

= 1 = 0,
entonces
B

=
__
1
0
_
,
_
1
1
__
es un conjunto de 2 vectores linealmente independientes. Por tanto, B

tambien es una base de R

2
.
24 2. ESPACIOS VECTORIALES
Ejercicio muestra 5. Encuentre una base para ker T y otra para ImT,
para la transformacion denida en el ejercicio de muestra 1. Indique
cual es la dimension de cada espacio.
Solucion. Como ya vimos en el ejercicio de muestra 2,
ker(T) = gen
_
_
_
_
2
1
1
_
_
_
_
.
Consideremos la ecuacion
c
1
_
_
2
1
1
_
_
= 0,
es decir
_
_
2c
1
c
1
c
1
_
_
=
_
_
0
0
0
_
_
.
La unica soluci on 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
c
1
_
_
1
0
2
_
_
+c
2
_
_
2
1
7
_
_
=
_
_
0
0
0
_
_

_
_
c
1
+c
2
c
2
2c
1
+ 7c
2
_
_
=
_
_
0
0
0
_
_
c
1
= c
2
= 0.
Por tanto,
_
_
_
_
_
1
0
2
_
_
,
_
_
2
1
7
_
_
_
_
_
6. COORDENADAS Y CAMBIOS DE BASE. 25
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 transformacion lineal, tenemos ls
siguiente relaci on entre las dimensiones de V, ker T e ImT.
Proposicion 5.4 (Teorema de la dimension).
dimV = 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 = R
2
,
2. E =
__
1
0
_
,
_
1
1
__
, V = R
2
,
3. E =
_
_
_
_
_
1
0
0
_
_
,
_
_
1
1
0
_
_
,
_
_
1
1
1
_
_
_
_
_
, V = R
3
.
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 ImT,
3. nul (T) ,
4. ran (T) ,
y verique la armacion del teorema 5.4.
6. Coordenadas y cambios de base.
Coordenadas. Si E = {e
1
, ..., e
n
} es base de un espacio vectorial
V, entonces todo vector v V se puede escribir de la forma
(2) v = v
1
e
1
+... +v
n
e
n
.
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 unica.
Supongamos que podemos escribir v = c
1
e
1
+... +c
n
e
n
. Entonces
0 = v v
= (v
1
e
1
+... +v
n
e
n
) (c
1
e
1
+... +c
n
e
n
)
= (v
1
c
1
)e
1
+... + (v
n
c
n
)e
n
.
26 2. ESPACIOS VECTORIALES
Como E es linealmente independiente, entonces v
1
c
1
= ... =
v
n
c
n
= 0. Es decir,
v
1
= c
1
, ..., v
n
= c
n
.
En otras palabras, los escalares v
1
, ..., v
n
en la expresi on (2) es unica.
Para simplicar la expresi on (2) necesitamos el concepto de orden
de una base.
Denicion 6.1. Una base ordenada (e
1
, ..., e
n
) es una sucesi on de vec-
tores en V tal que {e
1
, ..., e
n
} es una base.
Dos bases ordendas (e
1
, ..., e
n
) , (f
1
, ..., f
n
) son iguales si y solo si
e
1
= f
1
, ..., e
n
= f
n
.
Observaci on. Si intercambiamos un par de elementos de una base
ordenada obtendremos una base ordenada distinta, aunque como con-
juntos sean diferentes.
Ejemplo 6.1.
__
1
0
_
,
_
0
1
__
y
__
0
1
_
,
_
1
0
__
son dos bases ordenadas distintas de R
2
.
Si consideramos E como la base ordenada (e
1
, ..., e
n
) entonces, la
expresi on (2) se puede escribir como
_
_
v
1
...
v
n
_
_
E
.
Decimos que v
1
, ..., v
n
son las cordenadas de v en la base E.
Ejemplo 6.2. Si consideramos la base ordenada
E = (
_
1
1
_
,
_
0
1
_
, )
de R
2
, entonces
_
u
v
_
=
_
u
v
_
E
.
En cambio, si consideramos
F =
__
0
1
_
,
_
1
0
__
,
6. COORDENADAS Y CAMBIOS DE BASE. 27
entonces
_
u
v
_
=
_
v
u
_
F
.
Denicion 6.2. La base
_
_
_
_
_

_
1
0
.
.
.
0
_

_
,
_

_
0
1
.
.
.
0
_

_
, ...,
_

_
0
0
.
.
.
1
_

_
_
_
_
_
de R
n
se conoce como base canonica.
Cambios de base. Supongamos que tenemos dos bases B = (e
1
, ..., e
n
)
y F = (f
1
, .., f
n
) de R
n
. Como podemos comparar las cordenadas de
un vector v R
n
en ambas bases? Digamos que sus coordenadas son
v =
_
_
v
1
.
.
.
v
n
_
_
B
=
_
_
w
1
.
.
.
w
n
_
_
F
.
Para realizar la comparacion, digamos que las coordenadas de cada
elemento de la base F en la base B son
f
k
=
_
_
f
k,1
.
.
.
f
k,n
_
_
B
.
Ahora bien
_
_
w
1
.
.
.
w
n
_
_
F
= w
1
f
1
+... +w
n
f
n
= w
1
_
_
f
1,1
.
.
.
f
1,n
_
_
B
+... +w
n
_
_
f
n,1
.
.
.
f
n,n
_
_
B
=
_
_
w
1
f
1,1
+... +w
n
f
n,1
.
.
.
w
1
f
1,n
+... +w
n
f
n,n
_
_
B
,
28 2. ESPACIOS VECTORIALES
y como las coordenadas en una base son unicas, tenemos que
_
_
v
1
.
.
.
v
n
_
_
=
_
_
w
1
f
1,1
+... +w
n
f
n,1
.
.
.
w
1
f
1,n
+... +w
n
f
n,n
_
_
=
_
_
f
1,1
... f
1,n
.
.
.
.
.
.
f
n,1
... f
n,n
_
_
_
_
w
1
.
.
.
w
n
_
_
Denici on 6.3.
P
F,B
:=
_
_
f
1,1
... f
1,n
.
.
.
.
.
.
f
n,1
... f
n,n
_
_
se conoce como matriz de paso de F a B. Tambien decimos que es la
matriz cambio de base de F a B.
As 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.
Proposicion 6.1. P
B,F
= P
1
F,B
.
Observaci on. El hecho de que P
F,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 terminos de B. Estos vectores generen todo
R
n
, que es equivalente a que la matriz P
F,B
sea invertible.
Ejercicio muestra 6. 1. Verique que
F =
_
_
_
_
1
0
0
_
_
,
_
_
0
2
0
_
_
,
_
_
1
0
1
_
_
_
_
es una base de R
3
.
2. Si denotamos por E la base estandar de R
3
, encuentre las ma-
trices de paso P
F,E
y P
E,F
.
Soluci on. Por la proposicion 5.2, basta vericar que F es un conjunto
linealmente independiente. Ahora bien, por la proposicion 5.3, basta
vericar que

1 0 1
0 2 0
0 0 1

= 0.
6. COORDENADAS Y CAMBIOS DE BASE. 29
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 canonica E y por tanto
P
F,E
= P.
Por la proposicion 6.1, sabemos que P
E,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
_
_
.
Ejercicios.
Ejercicio 21. Encuentre las matrices de paso P
F,E
y P
E,F
para los
siguientes casos.
1. E la base canonica de R
2
, F =
__
1
0
_
,
_
0
1
__
,
2. E la base canonica de R
2
, F =
__
1
0
_
,
_
1
1
__
3. E la base canonica de R
3
, F =
_
_
_
_
1
0
0
_
_
,
_
_
1
1
0
_
_
,
_
_
1
1
1
_
_
_
_
.
30 2. ESPACIOS VECTORIALES
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 = R
2
, F =
__
1
0
_
,
_
0
1
__
,
2. V = R
2
, F =
__
1
0
_
,
_
1
1
__
3. V = R
3
, F =
_
_
_
_
1
0
0
_
_
,
_
_
1
1
0
_
_
,
_
_
1
1
1
_
_
_
_
.
Captulo 3
Teora espectral
1. Introducci on
Como hemos visto, hacer c alculos que involucren matrices, por
ejemplo multiplicar una matriz por un vector, puede ser complicados
por la cantidad de operaciones involucradas. En cambio, multiplicar
por escalares es muy sencillo. Podramos encontrar alguna manera de
convertir las operanciones con matrices en operaciones con escalares?
En este captulo trataremos de responder esta pregunta.
Denicion 1.1. Sea T : R
n
R
n
una transformaci on lineal y A su
representaci on matricial en la base estandar. Si R y v R, v = 0
tales que
Av = v,
decimos que es un valor propio y v un -vector propio.
Supongamos que F = (v
1
, ..., v
n
) es una base ordenada de vectores
propios de R
n
, es decir,
Av
k
=
k
v
k
, k = 1, ...n.
Entonces, la representaci on matricial de T : R
n
R
n
en la base F
es
B =
_

1
0 . . . . . . . . . 0
0
2
. . . . . . . . . 0
.
.
.
.
.
.
.
.
. . . . . . . 0
0 0 . . .
k
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 . . . 0
n
_

_
es decir, una matriz con los valores propios en la diagonal y ceros en
otras partes.
Si expresamos un vector v R
n
en esta base, tendra la forma
v = c
1
v
1
+... +c
n
v
n
,
y aplicando la transformacion, o de manera equivalente, multiplicando
por B, obtendriamos
T(v) = c
1

1
v
1
+... +c
n

n
v
n
,
31
32 3. TEOR

IA ESPECTRAL
es decir, simplemente haramos operaciones con escalares. Por esta
raz on, es importante estudiar los valores y vectores propios asociados
a operadores en R
n
, es decir, transformaciones lineales T : R
n
R
n
.
Esta teora se conoce como espectral.
2. Valores propios
Resumen. El primer paso para desarrollar la teora espectral de
un operador es determinar sus valores propios. Antes, recordemos el
siguiente criterio para determinar si un operador es invertible.
Proposicion 2.1. Sea T : R
n
R
n
una transformacion lineal, y A
una representacion lineal en alguna base de R
n
. Las siguientes propo-
siciones son equivalentes:
1. A es invertible,
2. Av = 0 si y solo si v = 0,
3. det(A) = 0.
La misma proposici on se puede reescribir de la siguiente manera.
Proposicion 2.2. Sea T : R
n
R
n
una transformacion lineal, y M
una representacion lineal en alguna base de R
n
. 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 es un valor propio de A y v un -vector propio.
Como v = Iv, entonces
Av = v Av = Iv (A I)v = 0.
Es decir, v ker(T) aunque v = 0. Esto quiere decir que AI no es
invertible y por tanto,
det(A I) = 0.
Este es el criterio que buscabamos para localizar los valores propios.
Denicion 2.1. Si A M
nn
, entonces
p() = (1)
n
det(A I) = det(I A)
se conoce como polinomio caracterstico de A.
Observaci on. es valor propio de A si y solo si es raz de p().
2. VALORES PROPIOS 33
Ejercicio muestra 7. Encuentre los valores propios, de la transfor-
macion lineal con representacion matricial
(3) A =
_
_
3 1 1
2 2 1
2 2 0
_
_
.
Solucion. Primero determinamos el polinomio caracterstico:
p() =

3 1 1
2 2 1
2 2

=
3
5
2
+ 8 4
= ( 1)( 2)
2
.
Los valores propios de A son las raices de p() = (x 1)(x 2)
2
,
es decir,

1
= 1,
2
= 2.
Podemos vericar 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 caracterstico. En este ca-
so, WxMaxima usar a la denici on
p(x) = det (A xI) .
(%i2) charpoly(%, x), expand;
( %o2) x
3
+ 5 x
2
8 x + 4
Finalmente, factorizamos el polinomio.
(%i8) factor(%o2);
( %o8) (x 2)
2
(x 1)
Otra manera, m as directa, es encontrar directamenta las raices del
polinomio
(%i13) realroots(%o2);
( %o13) [x = 2, x = 1]
34 3. TEOR

IA ESPECTRAL
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-
gebraicas, que es el exponente que tienen asociado en el polinomio
caracterstico.
Ejercicios. Los ejercicios de esta secci on se pueden encontrar en
[1, sec. 6.3].
Ejercicio 24. Encuentre los valores propios de las siguientes matrices.
Verique sus resultados usando WxMaxima.
1.
A =
_
2 2
5 1
_
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
_
_
3. VECTORES PROPIOS 35
9.
A =
_
_
7 2 4
3 0 2
6 2 3
_
_
10.
A =
_
_
3 7 5
2 4 3
1 2 2
_
_
3. Vectores propios
Resumen.
Denicion 3.1. Si T : R
n
R
n
es una transformacion lineal y A su
representaci on matricial, en la base estandar, y un valor propio de
A, entonces cualquier vector v R
n
que satisfaga la ecuaci on
Av = v
se conoce como -vector propio.
Al conjunto de -vectores propios se le conoce como -espacio pro-
pio y se denota por E

.
Observaci on. En el caso anterior, tenemos que
E

= ker (A I) .
Ejercicio muestra 8. Encuentre el espacio propio asociado al valor
propio
1
= 2 de la matriz A denida en (3).
Solucion. Si
v =
_
_
x
y
z
_
_
E

1
,
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
_
_
.
36 3. TEOR

IA ESPECTRAL
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

2
= 1 de la matriz A denida en (3).
Solucion.
ker(A I) =
_
_
_
_
1
0
2
_
_
_
_
.
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 algebr aica. El tercer arreglo
[1, 0, 2] es un vector propio de = 1, mientras que el ultimo [1, 1, 2] es
uno asociado a = 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.
4. DIAGONALIZACI

ON 37
4. Diagonalizaci on
Resumen.
Denicion 4.1. A M
n
se dice que es diagonalizable si existe una
base de R
n
que consista de vectores propios de A.
Ejercicio muestra 9. Determine si la matriz A denida en (3) es
diagonalizable.
Solucion. Como vimos en las secciones anteriores, los valores propios
de A son
1
= 2 y
2
= 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
_
_
, tendramos a los mas una conjuto de dos vectores propios
linealmente independientes. Sin embargo, cualquier base de R
3
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.
38 3. TEOR

IA ESPECTRAL
(%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.
Porque decimos que una matriz es diagonalizable? Consideremos
una transformacion lineal T : R
2
R
2
, y una base
F = (v
1
, v
2
)
de valores propios. Como T(v
1
) =
1
v
1
, T(v
a
) =
2
v
2
y en terminos de
esta base
v
1
=
_
1
0
_
F
, v
2
=
_
0
1
_
F
,
entonces
T
__
1
0
_
F
_
=
1
_
1
0
_
F
=
_

1
0
_
F
y de manera similar
T
__
0
1
_
F
_
=
2
_
0
1
_
F
=
_
0

2
_
F
.
Entonces, la representacion matricial D de la transformaci on T en la
base F estar a formada por los dos vectores columna, que resultan de
aplicar la transformacion a cada elemento de la base, es decir,
D =
_

1
0
0
2
_
.
Este mismo razonamiento, lo podemos aplicar a cualquier tranfor-
maci on lineal T : R
n
R
n
, si podemos obtener una base de vectores
propios para su representacion matricial A (en la base estandar o de
hecho, en cualquier otra base), es decir, si A es diagonalizable.
En este caso, como podemos relacionar las representaciones matri-
ciales de T : R
n
R
n
, 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 = (R
n
, E) al espacio vectorial R
n
en la base E estandar,
mientra que V

= (R
n
, F) en la de valores propios. Considere el diagra-
ma 1, donde P denota la matriz cambio de base P
F,E
. Es claro que
AP = PD,
4. DIAGONALIZACI

ON 39
Figura 1. Diagonalizaci on
y por tanto, multiplicando por P
1
= P
E,F
por la izquierda en ambos
lados de la ecuaci on,
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 seccion 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.
Solucion. Para encontrar los vectores propios, podemos proceder co-
mo en la secci on 3. Para hacer m as ecientes los c alculos, 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
_
_
Despues, encontramos los valores propios:
(%i2) eigenvectors(A);
( %o2) [[[8, 1], [1, 2]], [[[1,
1
2
, 1]], [[1, 0, 1], [0, 1,
1
2
]]]]
40 3. TEOR

IA ESPECTRAL
La salida de la ultima instrucci on quiere decir que = 8 es un
vector propio, de multiplicidad 1 con vector propio
v
1
=
_
_
1
1/2
1
_
_
,
mientras que
1
= 1 es un vector propio, de multiplicidad 2 y por
tanto, los siguientes dos vectores
v
2
=
_
_
1
0
1
_
_
, v
3
=
_
_
0
1
1/2
_
_
son vectores propios, linealmente independientes asociados a
2
= 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.
(%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 vericar que, en efecto, la matriz resultante es diagonal, y en
su diagonal estan ordenados los valores propios de A.
5. PROYECTO FINAL: ECUACIONES DIFERENCIALES 41
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 = P
F,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.
5. Proyecto nal: Ecuaciones diferenciales
Teora. Consideremos la siguiente ecuacion diferencial
x

(t) = cx(t).
Esta ecuaci on describe un modelos donde la razon 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. interes compuesto.
De hecho, si conocemos la condici on inicial, es decir, el valor del
sistema en el tiempo t = 0, podemos encontrar una unica solucion al
problema.
Teorema 5.1. La unica solucion continuamente diferenciable a la
ecuacion diferencial
x

= cx,
con condicion incial x(0) = x
0
es
(4) x(t) = e
tc
x
0
.
Es f acil comprobar que (4) es un soluci on derivando de manera
usual; que esta sea la unica solucion 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 mas
cantidades?
Podemos pensar que existen cantidades x
1
(t), ..., x
n
(t) de manera
que la razon de cambio de cada una sea combinacion lineal de cada
una de los estados del sistema, es decir, para k = 1, ..., n:
x

k
(t) = a
k,1
x
1
(t) +... +a
k,n
x
n
(t).
42 3. TEOR

IA ESPECTRAL
Esto es una manera de generalizar el hecho de que para una sola can-
tidad, su raz on de cambio instantanea sea proporcional.
De manera matricial, podemos escribir este sistema como
_
_
x

1
(t)
.
.
.
x

n
(t)
_
_
=
_
_
a
1,1
... a
1,n
.
.
.
.
.
.
a
n,1
... a
n,n
_
_
_
_
x
1
(t)
.
.
.
x
n
(t)
_
_
.
Si denimos
_

_
x(t) =
_

_
x
1
(t)
.
.
.
x
n
(t)
_

_
x

(t) =
_

_
x

1
(t)
.
.
.
x

n
(t)
_

_
A =
_

_
a
1,1
... a
1,n
.
.
.
.
.
.
a
n,1
... a
n,n
_

_
el sistema anterior se puede reescribir como
x

(t) = Ax(t).
Note como se parece este sistema al de una sola variable. De hecho,
as como podemos denir e
a
para a R, es posible denir e
A
, donde A
es una matriz n n. Para esto, necesitamos la siguiente denici on de
la funcion exponencial.
Denicion 5.1.
e
x
=

k0
x
k
k!
Esta denici on tiene sentido para matrices porque A
k
= A A un
n umero k de veces.
Teorema 5.2. La unica solucion de la ecuacion diferencial vectorial
x

(t) = Ax(t),
para x(t) R
n
para cada t R y A M
n
, con condicion inicial
x
0
=
_
_
x
1,0
.
.
.
x
n,0
_
_
R
n
5. PROYECTO FINAL: ECUACIONES DIFERENCIALES 43
es
x(t) = e
tA
x
0
.
Sin embargo, calcular la n-esima potencia de una matriz puede ser
demasiado complicado... excepto para matrices diagonales.
Proposicion 5.3. Si
D =
_

1
0
0
2
.
.
.

n
_

_
es una matriz diagonal, entonces
D
k
=
_

k
1
0
0
k
2
.
.
.

k
n
_

_
.
Demostraci on. La demostracion se puede hacer por induccion.

Supongamos que T : R
n
R
n
es una tranformacion lineal, cuya
representaci on 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 transformaci on en
la base F, sabemos que
A = PDP
1
.
Por inducci on, no es difcil demostrar que
A
n
= PD
n
P
1
,
y por tanto, multiplicando por un escalar t R,
tA
n
= P(tD
n
)P
1
.
Antes de continuar, recordemos que por propiedades distributivas
de las matrices
R(M +N)S = RMS +RNS,
o de manera m as generalizar

(RM
k
S) = R
_

M
k
_
S.
44 3. TEOR

IA ESPECTRAL
Entonces
e
tA
=

k0
(tA)
k
k!
=

k0
(P(tD
n
)P
1
)
k
k!
= P
_

k0
(tD
n
)
k
k!
_
P
1
= Pe
tD
P
1
.
Basta entonces encontrar e
tD
. Pero como vimos, calcular las poten-
cias de D no es dicil.
e
tD
=

k0
1
k!
(tD)
k
=

k0
1
k!
_

_
(t
1
)
k
0
0 (t
2
)
k
.
.
.
(t
n
)
k
_

_
=
_

k0
1
k!
(t
1
)
k
0
0

k0
1
k!
(t
2
)
k
.
.
.

k0
1
k!
(t
n
)
k
_

_
=
_

_
e
t
1
0
0 e
t
2
.
.
.
e
tn
_

_
.
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.
5. PROYECTO FINAL: ECUACIONES DIFERENCIALES 45
Solucion. Rescribimos x = x
1
, y = x
2
y podemos escribir el sistema
de forma matricial, en la siguiente manera
_
x

1
x

2
_
=
_
1 0
1 2
_ _
x
1
x
2
_
.
Entonces
A =
_
1 0
1 2
_
.
Usando WxMaxima, podemos encontrar los valores y vectores pro-
pios.
(%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
1
= 1 es un valor propio con vector propio
_
1

1
3
_
,
mientras que
2
= 2 tambien lo es, con vector propio
_
0
1
_
.
Observaci on. Como tenemos dos vectores propios en un espacio de
dimensi on dos, basta vericar 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 vericamos que esta matriz es invertible.
(%i4) P: matrix(
[1,0],
[-1/3,1]
);
( %o4)
_
1 0

1
3
1
_
(%i5) determinant(%);
( %o5) 1
46 3. TEOR

IA ESPECTRAL
Entonces, F =
__
1

1
3
_
,
_
0
1
__
es una base de R
2
, 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
_
(%i7) D:Q.A.P;
( %o7)
_
1 0
0 2
_
Entonces, sabemos que
e
tD
=
_
e
t
0
0 e
2t
_
,
y podemos hallar e
tA
con la ecuaci on
e
tA
= Pe
tD
P
1
.
Podemos hacer los c alculos en WxMaxima de la siguiente manera
(%i8) matrix(
[%e^(-t),0],
[0,%e^(2*t)]
);
( %o8)
_
e
t
0
0 e
2 t
_
(%i9) P.%o8.Q;
( %o9)
_
e
t
0
e
2 t
3

e
t
3
e
2 t
_
Es decir,
e
tA
=
_
e
t
0
e
2 t
3

e
t
3
e
2 t
_
Las condiciones inciales se pueden escribir en forma vectorial como
_
0
3
_
,
y por tanto, nuestra soluci on sera
_
e
t
0
e
2 t
3

e
t
3
e
2 t
_ _
0
3
_
.
5. PROYECTO FINAL: ECUACIONES DIFERENCIALES 47
Realizamos los c alculos en WxMaxima de la siguiente manera. Pri-
mero introducimos el vector como si fuera una matriz de dos reglos y
una columnas
(%i10) matrix(
[0],
[3]
);
( %o10)
_
0
3
_
y posteriormente hacemos la multiplicaci on, recordando que WxMaxima
le asigno la etiqueta %o9 a nuestra matriz e
tA
, y la etiqueta %o10 a nues-
tro vector de condiciones inciales.
(%i11) %o9.%o10;
( %o11)
_
0
3 e
2 t
_
Por tanto, la solucion a nuestro sistema de ecuaciones diferenciales
es
_
x(t)
y(t)
_
=
_
0
3e
2t
_
.
Proyecto nal. Resuelva los siguientes sistema de ecuaciones dife-
renciales, como se hizo en el ejemplo anterior. Debe plantear de manera
correcta todos los pasos, indicar los calculos que hizo en WxMaxima y
escribiendo de manera clara sus conclusiones. El proyecto puede ser
elaborado por equipos de a lo mas tres personas, y debe ser entregado
en computadora el da del examen nal.
1
1.
_
x

1
= 2x
1
+x
2
x

2
= x
1
+x
2
con condiciones iniciales x
1
(0) = 1, x
2
(0) = 1.
2.
x

= Ax
con
A =
_
0 3
1 2
_
1
Para copiar el cogido que introduzca en WxMaxima, seleccione con el boton
izquierdo de su raton, el lado izquierdo del codigo, de manera que cambie a color
azul como en la gura 2 y posteriormente presione el boton derecho, y seleccione la
opcion copiar.
48 3. TEOR

IA ESPECTRAL
Figura 2. WxMaxima
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 revision con mas detalle de este tema y un repaso de
algebra lineal, puede consultar [3, captulo 3].
Bibliografa
[1] Grossman, S.;

Algebra Lineal; McGraw Hill, 5a Edicion, 1996.
[2] Homan, K., Kunze, R.; Linear Algebra; Prentice-Hall,1971.
[3] Hirsch, M.; Smale, S.; Dierential Equations, Dynamical Systems, and Linear
Algebra; Academic Press, 1974.
49