Transformaciones Lineales

[
A
Transformaciones
Lineales
-------]
Matemtica para Economistas utilizando Microsoft Excel y MATLAB.....] ]
1.1. Transformaciones lineales ] ]

1.1.1. Espacios vectoriales
Se denomina espacio vectorial V sobre un cuerpo K a un conjunto de
elementos, llamados vectores, junto con dos operaciones: adicin (ley de
composicin interna) y multiplicacin por escalares (ley de composicin
externa), tales que dos vectores cualesquiera: v1 y v2 determinan
unvocamente un vector suma v1 + v2 y cada vector v de V y cada escalar
k de K determinan un producto por escalar k . v en V, con las siguientes
propiedades:
1. (v1 + v2) + v3 = v1 + (v2 + v3)
(asociatividad)
2. v1 + v2 = v2 + v1
(conmutatividad)
3. v1 + = v1
(exist. de elem. neutro: vector nulo)
4. k . (v1 + v2) = k . v1 + k . v2
(distributividad con respecto a la suma
de vectores)
5. (k1 + k2) . v = k1 . v + k2 . v
(distributividad con respecto a la suma
de escalares)
(asociatividad)
6. (k1 . k2) . v = k1 . (k2 . v)
7. 1 . v1 = v1
(existencia de elemento neutro
multiplicativo)
Se nota (V, +, K, .)
SUBESPACIO VECTORIAL: un subconjunto no vaco W del espacio
vectorial V es un subespacio de V si para cada par de vectores w1 y w2 de
W, w1 + w2 y k . w1 (para todos los escalares k) estn contenidos en W.
Se puede verificar que todo subespacio de un espacio vectorial V es
tambin un espacio vectorial.
COMBINACIN LINEAL: se dice que un vector v V es combinacin lineal
r
de los vectores v1, v2, ..., vr (vi V) si v =
ki . vi
ki
i =1
r
El conjunto de todos los vectores de la forma
ki . vi
i =1
nmeros reales arbitrarios, es un espacio vectorial sobre
donde las ki son
DEPENDENCIA LINEAL: se dice que los vectores v1, v2 ..., vr de un espacio

vectorial V son linealmente dependientes si existen nmeros reales k1, k2,
2
[ [...... Seccin 1.1: Transformaciones lineales

r
... kr, no todos nulos, tales que
ki . vi = Si es as, por lo menos uno
i =1
de dichos vectores podr expresarse como combinacin lineal de los otros

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

r
independientes si la nica combinacin lineal
ki . vi = es aquella
i =1
para la cual k1 = k2 = ... = kr = 0

Observacin: todo subconjunto de un espacio vectorial que contiene al
vector nulo es linealmente dependiente.
GENERADORES: se dice que un conjunto de vectores v1, v2, ..., vr
engendra o genera un espacio vectorial V si cualquier vector v V puede
expresarse como combinacin lineal de los vectores dados.
BASE: una base de un espacio vectorial V es cualquier subconjunto suyo
linealmente independiente que engendra el espacio entero. La representacin de un vector en un espacio vectorial V como combinacin lineal
de los vectores de una base dada, es nica.
DIMENSIN: la dimensin de un espacio vectorial es igual al nmero de
vectores de cualquiera de sus bases, o lo que es lo mismo, al mayor nmero
de vectores L.I. en el espacio. Existen espacios que no son de dimensin
finita: por ejemplo, el espacio de todos los polinomios (de todos los grados
posibles). Tales espacios se dicen de dimensin infinita.
COORDENADAS o COMPONENTES de un vector: si el conjunto
B = {v1, v2, ..., vn} es una base del espacio vectorial V sobre K, entonces
cada vector de V puede expresarse de modo nico como C.L. de esa base,
o sea: si a V, entonces, existen y son nicos los escalares a1, a2, ..., an
3

n
tales que
a =
ai vi. Respecto de la base B, el vector a queda
i =1
caracterizado por los coeficientes de la C.L., o sea por la n-upla de elementos

de K: (a1, a2, ..., an). Los escalares ai se llaman coordenadas o componentes del
vector a V, respecto de la base B. Si se elige otra base en el espacio V
entonces el mismo vector a admite otras coordenadas o componentes.
En general, si elegimos p vectores L.I. podemos formar un espacio vectorial
de p dimensiones y los p vectores elegidos constituirn una base de dicho
espacio. Geomtricamente, lo que hacemos es seleccionar un sistema de
coordenadas.
PRODUCTO INTERIOR o INTERNO: un producto interior en un espacio
vectorial V es una funcin que a cada par de vectores v1 y v2 en V asocia un
nmero real <v1 , v2> de tal modo que se satisfagan las siguientes
propiedades:
P1) <v1, v2> = <v2, v1>
P2) <(v1 + v2) , v3> = <v1, v3> + <v2, v3>
P3) <kv1, v2> = k <v1, v2>
P4) <v1, v1> 0; <v1, v1> = 0 v1 =
Un espacio vectorial que tiene definido un producto interior se denomina
espacio vectorial con producto interior.
Si v1 y v2 son vectores de un espacio vectorial con producto interior,
entonces <v1, v2>2 <v1, v1> <v2, v2> (desigualdad de Cauchy-Schwarz).
NORMA: si V es un espacio vectorial con producto interior, entonces la
norma (o longitud) de un vector v V se define como la raz cuadrada
positiva del producto interior del vector por s mismo.
v = < v, v > La existencia de esta raz est asegurada por P4

Propiedades:
N1)
v 0,
v =0v=
N2) k . v = k v
N3) v + v
N4)
v1 + v 2
< v , v > (desigualdad de Schwarz)
v .v
(desigualdad triangular)
DISTANCIA: se denomina distancia entre dos vectores v1 y v2 de un espacio

V con producto interior a la norma de su diferencia:
d(v1, v2) = v1 v2
Propiedades:
D1) d(v1, v2) 0 ; d(v1, v2) = 0 v1 = v2
D2) d(v1, v2) = d(v2, v1)
D3) d(v1, v3) d(v1, v2) + d(v2, v3) (desigualdad triangular)
ORTOGONALIDAD: dos vectores v1 y v2 de un espacio vectorial V con
producto interior se llaman ortogonales y se nota v1v2 cuando se verifica
que su producto interior es nulo:
v1v2 <v1, v2> = 0
Propiedades:
01) v1v2 v2v1
02) v1v2 k1 v1 k2 v2 k1 , k2
03) ; v v V
h
04) si a v , a v , ..., a v a
ki vi
i =1
(si un vector a es ortogonal a un conjunto de vectores, es tambin ortogonal a

todos los vectores del subespacio generado por ese conjunto de vectores).
ESPACIO EUCLDEO: es un espacio vectorial E sobre en el cual se ha
definido un producto interior que se denomina eucldeo:
Si a = (a1, a2, ..., an) y b = (b1, b2, ..., bn) son dos vectores de En
(espacio eucldeo de dimensin n), entonces
n
<a , b> = a . bT =
ai bi
i =1
Definido este producto interior, la norma de un vector a ser:
a =
< a, a > =
i =1
mdulo y se nota
ai2 esta norma eucldea se denomina tambin
a.
n
La distancia entre los vectores a y b ser: d(a,b) =
(ai bi ) 2
i =1
VECTORES UNITARIOS o NORMALES: son aquellos cuyo mdulo es 1:
u =1
Para normalizar un vector v (obtener un vector unitario en su misma
direccin y sentido) se dividen sus componentes por su mdulo:
vn
v v1 v 2
=
,
,
,
v v v
v
u=
BASES ORTONORMALES: se denominan a las bases constituidas por

vectores ortogonales y normales (u ortonormales), es decir, vectores ai tales
que:
ai = 1
1)
i
2) a a
i
si i j
Los vectores ortogonales y no nulos de un espacio vectorial eucldeo son

L.I.; por lo tanto, un conjunto de vectores ortogonales que engendran E
constituyen una base para E. Si, adems, dichos vectores son normales o
unitarios, dicha base ser ortonormal. Todo espacio eucldeo de dimensin
finita admite una base ortonormal.
ORTONORMALIZACIN DE UNA BASE: a partir de una base cualquiera
de E, por ej.: B = {v1, v2, ..., vn} podemos obtener una base ortonormal de E
(proceso de Gram-Schmidt):
1) hallamos un vector unitario en la direccin de v1 (normalizamos v1):
1
u =
2) hallamos un vector ortogonal a u1 de la siguiente forma:

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

y3 = v3 <v3, u2> u2 <v3, u1> u1
6
5) lo normalizamos: u3 =
en general: y
h+1
h+1
=v
h+1
<v
, u> u
donde u =
i =1
VECTORES CANNICOS o VERSORES: vectores ortonormales cuyas

componentes son todas nulas salvo una, que es la unidad:
e1 = (1, 0, 0, ..., 0)
e2 = (0, 1, 0, ..., 0)
e3 = (0, 0, 1, ..., 0)
.............................
en = (0, 0, 0, ..., 1)
eh =
(a1 , a 2 ,
ai = 0 si i h
, a n ) donde
ai = 1 si i = h
Base cannica de n = {e1, e2, ..., en}

Ejemplo: supongamos que B = {(1, -2, 0, 2); (0, -1, 2, 2); (-1, 0, 1, 2)} es una
base de un subespacio de 4 y queremos obtener una base ortonormal para
dicho subespacio.
Sea v1 = (1, -2, 0, 2) v2 = (0, -1, 2, 2) v3 = (-1, 0, 1, 2)
1) hallamos un vector unitario en la direccin de v1 (normalizamos v1) y lo
llamamos u1: como
v = 1+ 4 + 4 = 3
u1=(
1 2
2
,
, 0, )
3 3
3
2) hallamos un vector ortogonal a u1 de la siguiente forma:
1 2
2
,
, 0, )> u1=
3 3
3
1 2
2
2 1
2
, 0, ) = (
, , 2, ) podemos verificar
= (0,-1,2,2) 2( ,
3 3
3
3 3
3
y2 = v2 <v2, u1> u1 = (0,-1,2,2) <(0,-1,2,2) , (
que y2 es ortogonal a u1 hallando su producto interno (<y2, u1> = 0)

3) normalizamos y2: como
y = 5
u2=(
4) hallamos un vector ortogonal a u2 y a u1:
2
1
2
2
,
,
,
)
3 5 3 5 5 3 5
y3 = v3 <v3, u2>u2 <v3, u1>u1 =
2
1
2
2
,
,
,
)>u2
3 5 3 5 5 3 5
1 2 2
<(-1,0,1,2) , ( ,
,0, )> u1 =
3 3
3
4
2
1
2
2
1 2 2
(
,
,
,
) ( ,
,0, ) =
= (-1,0,1,2)
3 3
3
5 3 5 3 5 5 3 5
= (-1,0,1,2) <(-1,0,1,2) , (
= (-1,0,1,2) (
8 4 8 8
1 2 2
4 2 3 4
,
, ,
)( ,
,0, ) = (
, , , )
15 15 5 15
3 3
3
5 5 5 5
45
3
5 4 2 3 4
=
u3 =
(
, , , )
25
3
5 5 5 5
5
1 2 2 2 1
2
2
,0, ;
,
,
,
La base ortonormal es B = ,
;
3 3 5 3 5 5 3 5
3 3
5) normalizamos y3: como |y3| =
4 5 2 5 3 5 4 5
15 , 15 , 15 , 15
Teorema: si B={u1, u2, ..., un} es una base ortonormal para un espacio con
producto interno eucldeo V entonces cualquier vector a de V puede
expresarse como a = <a , u1> u1 + <a , u2> u2 + ... + <a , un> un
Dem.: si B es una base de V, el vector a puede expresarse en forma
unvoca como a = k1 u1+ k2 u2+...+ ki ui+...+ kn un (1)
para cada vector ui de B se tiene que
<a , u1> = <(k1 u1+ k2 u2+...+ ki ui+...+ kn un) , ui>
= k1<u1, ui>+ k2<u2, ui>+...+ ki<ui, ui>+...+ kn<un, ui>
=k1 0 + k2 0 +...+ ki 1+...+ kn 0
(por producto interno de
vectores ortonormales)
<a , ui> = ki (2)
reemplazando (2) en (1) a = <a, u1> u1 + <a, u2> u2+...+ <a, un> un (3) que
es lo que se quera demostrar.
De (3) obtenemos <a , un> un = a <a , u1> u1 <a , u2> u2 ... <a , un-1> un-1
que es la frmula que se usa para hallar cada vector ortogonal a los
anteriores en el proceso de Gram-Schmidt.
8
1.1.2. Transformaciones lineales

Sean V y W espacios vectoriales sobre un mismo cuerpo K. Una aplicacin
o funcin t:VW se llama transformacin lineal de V en W si y slo si:
1) la imagen de la suma de dos vectores cualesquiera de V es igual a la
suma de sus imgenes en W: t(v1 + v2) = t(v1) + t(v2) = w1 + w2
2) la imagen del producto de cualquier escalar k de K por cualquier vector v
de V es igual al producto del escalar por la imagen de dicho vector:
t(k v) = k t(v) = k w
Estas dos condiciones se pueden resumir en una sola:
t: VW es una TL t(k1 v1 + k2 v2) = k1 t(v1) + k2 t(v2) = k1 w1+k2 w2
cualesquiera que sean k1 y k2 en K y v1 y v2 en V.
Se puede demostrar por induccin completa que si t: VW es una TL
n
entonces se verifica: t (
ki v ) = ki t(vi) =
i =1
i =1
k w
i
esto nos permite
i =1
afirmar que las transformaciones lineales preservan las combinaciones

lineales.
Ejemplo 1: la funcin f: 32 definida por f(x1, x2, x3) = (x1x3, x2x3) es
una TL, ya que se verifican las 2 condiciones:
1) f [(a1, a2, a3) + (b1, b2, b3)] = f(a1+b1, a2+b2, a3+b3) =
(1)
= (a1+b1a3b3, a2+b2a3b3)
f(a1, a2, a3) + f(b1, b2, b3) = (a1a3, a2a3) + (b1b3, b2b3) =
(2)
= (a1a3+b1b3, a2a3+b2b3)
(1) = (2)
2) f [k(a1, a2, a3)] = f(ka1, ka2, ka3) = (ka1ka3, ka2ka3)
Ejemplo 2: la funcin f: 32 / f(x1, x2, x3) = (x1x3, x2x3+1) no es una TL,
pues:
1) f [(a1, a2, a3) + (b1, b2, b3)] = f(a1+b1, a2+b2, a3+b3) =
= (a1+b1a3b3, a2+b2a3b3+1)
(1)
f(a1, a2, a3) + f(b1, b2, b3) = (a1a3, a2a3+1) + (b1b3, b2b3+1) =
(2)
= (a1a3+b1b3, a2a3+1+b2b3+1)
(1) (2)
2) f [k(a1, a2, a3)] k[f(a1, a2, a3)]
9
Nota: basta que no se cumpla una de las condiciones para que no sea TL.
Toda matriz Amxn representa una transformacin lineal del espacio eucldeo
de n dimensiones En en el espacio eucldeo de m dimensiones Em, ya que
dado cualquier vector x En, existe un vector nico y Em tal que y = Ax.
La transformacin es lineal, puesto que si x1 En, x2 En, k K:
A(x1+x2) = Ax1 + Ax2 ; A k x = k A x
IGUALDAD: se dice que dos transformaciones t1 y t2 de V en W son iguales
si para cada vector v V, t1(v) = t2(v)
SUMA: la suma de dos TL de V en W es tambin una TL:
(t1+ t2) (v) = t1(v) + t2(v) v V
La suma de dos matrices A=[aij] y B=[bij] se puede realizar slo si ambas son
de la misma dimensin A + B = [aij + bij]
PRODUCTO POR UN ESCALAR: el producto de una TL de V en W por un
escalar es tambin una TL: (k t) (v) = k t(v)
vV
El producto de una matriz Amxn por un escalar k K es la matriz
Bmxn= k A = [k aij]
COMPOSICIN DE TL: sean f:VU y
compuesta (gof):VW es tambin una TL.
g:UW dos TL. La funcin
Si el espacio vectorial V es de dimensin n: d(V)=n, d(U)=p y d(W)=m las

transformaciones lineales f y g quedan caracterizadas por las matrices Apxn y
Bmxp. La TL compuesta (gof): V W est asociada a la matriz producto B.A
de dimensin mxn
Dem:
1) (gof)(v1+v2) = g [f(v1+v2)] = g [f(v1) + f(v2)] por ser f TL
= g [f(v1)] + g [f(v2)] por ser g TL
= (gof)(v1) + (gof)(v2)
2) (gof)(kv) = g [f(kv)] = g [k f(v)] por ser f TL
10
= k g [f(v)] por ser g TL

= k (gof)(v)
TRANSFORMACIONES LINEALES ESPECIALES:
Transf. nula: una aplicacin z:VW se denomina transformacin nula si
para todo vector v V tenemos z(v) = donde es el vector nulo de W. La
matriz asociada a esta transformacin es la matriz nula.
Transf. idntica: una aplicacin i: VW se denomina idntica si para todo
vector v V tenemos y(v) = v. La matriz asociada es la matriz identidad: I
Transf. escalar: k: VW es una transformacin escalar si para todo vector
v V tenemos k(v) = kv. La matriz asociada es la matriz escalar: k I
Transf. opuesta: sea t:VW una transformacin lineal. Existe una
transformacin lineal t llamada la opuesta de t, tal que para todo vector
v V tenemos t(v) = t(v). La matriz asociada es la opuesta de la matriz
identidad: I
OPERADOR DERIVACIN: sea V el espacio vectorial de todas las
funciones reales f derivables en un intervalo abierto (a, b). La TL que
f de V en su derivada f se llama operador

derivacin y se designa por D. Entonces D:VW / D( f )= f
aplica cada funcin
OPERADOR INTEGRACIN: sea V el espacio vectorial de todas las

funciones reales continuas en un intervalo cerrado [a, b]. Si f V,
b
definamos
g ( x) = f (t ) dt si a x b Esta TL se llama operador

a
integracin.
DOMINIO: de una TL es el conjunto de elementos a los que se aplica la
transformacin. En t : VW, V es el dominio.
CODOMINIO: de una TL es el conjunto al cual pertenecen los elementos
transformados: W
RECORRIDO o CONJUNTO IMAGEN: de una TL es el conjunto de
elementos transformados o imgenes de los elementos del dominio:
11
Rt= {w/w W, w=t(v) para algn v V} Rt W; Rt es un subespacio de

W.
RANGO: de una TL se denomina a la dimensin del espacio recorrido de la
TL: r(t) = d(Rt)
NCLEO: de una TL se denomina al conjunto de elementos del dominio
cuya imagen o transformado es el vector nulo:
Nt = {v/v V, t(v)=} Nt V; Nt es un subespacio de V.
NULIDAD: de una TL se denomina a la dimensin del ncleo de la
transformacin: n(t) = d(Nt). Si t: V W es una TL d(V) = r(t) + n(t)
Si t: nm /Ax = b el ncleo de t consta de todos los vectores x que son
solucin del sistema homogneo Ax = ; el recorrido de t consta de todos
los vectores b tales que el sistema Ax = b tiene al menos una solucin.
RANGO DE UNA MATRIZ: si la matriz Amxn representa la TL t: EnEm
y = Ax la matriz A puede escribirse como una fila de vectores columna:
a1 j
a
2j
j
1
2
n
A = (a , a ,, a ) donde a =

a mj
y, entonces, y = A x = x1 a1 + x2 a2 +...+ xn an el subespacio generado por las
y es el subespacio de Em generado por las columnas de A. Por lo tanto, la
dimensin de ese subespacio es igual al mayor nmero de columnas LI de
A. De modo que el rango de la TL es igual al mayor nmero de columnas LI
de A. Como A tiene slo n columnas, dicho rango no puede ser mayor que n
(dimensin del dominio de t).
El rango de la matriz A asociada a la TL t es igual al rango de la
transformacin (dimensin de su recorrido), es decir, es igual al mayor
nmero de columnas LI de A. Se demuestra que este nmero es igual al
mayor nmero de filas LI de A y se nota r(A). Como sabemos que un
determinante es nulo si y slo si hay dependencia lineal entre sus lneas
(filas y columnas), basta encontrar el determinante de mayor orden en A que
no se anule. El orden de dicho determinante es igual al rango de A.
El rango de una matriz no se altera si se realizan con sus filas y columnas
algunas operaciones llamadas elementales:
12
1) intercambio de dos filas (o columnas)

2) multiplicacin de una fila (o columna) por un escalar k 0
3) adicin a una fila i (o columna j) del resultado de multiplicar otra
fila h (h i) (o columna l j) por un escalar k 0
Ejemplo: la TL t: 43 / t(x1, x2, x3, x4) = (2x1x4, x2+3x4, 6x14x3) puede
representarse por la matriz:
2 0 0 1
A = 0 1 0
3 aplicada a cualquier
6 0 4 0
vector x 4 (dominio de la TL) resulta un vector y 3 (codominio de la

TL): A x = y
x1
2 0 0 1 y1
x
A = 0 1 0
3 2 = y 2
x
6 0 4 0 3 y 3
x4
2
0
0
1
y1
0 x1 + 1 x 2 + 0 x3 + 3 x 4 = y 2
6
0
4
0
y 3
de modo que cualquier vector imagen y puede expresarse como CL de los
vectores columna de la matriz A. El recorrido o conjunto imagen de la TL es
el subespacio de 3 generado por los vectores columna de A. Si estos
vectores son LI constituirn una base del recorrido; si no lo son, podemos
hallar una base escalonando la matriz A:
2 0 0
2 0 0 1

0 1 0
3
una base es: B = 0 , 1 , 0 , otra es

0 0 4
F3 3F1 0 0 4 3

la base cannica de 3, ya que en este caso el recorrido es 3; el rango de
la TL es r = 3, que es tambin el rango de la matriz A
El ncleo de la TL es el conjunto de vectores del dominio (4) cuya imagen
es el vector nulo del codominio (3), o sea, la solucin del sistema
homogneo A x = :
13
x1
2 0 0 1 0
x1 = 2 x 4
0 1 0
x 2 = 0
3
x 2 = 3 x 4
3
6 0 4 0 3 0
x3 = x 4
x
4
4
1
3
1
3
x4, x4)T = k( ,3,
, 1)T
Todos los vectores de la forma ( x4, 3x4,
2
4
2
4
pertenecen al ncleo; para base podemos tomar uno cualquiera de ellos,
por ejemplo: (2, 12, 3, 4)T ; la nulidad es n(t)=1; la suma de la nulidad ms
el rango es igual a la dimensin del dominio: 4
Ejemplo econmico de TL: supongamos que los costos directos de
produccin de 3 bienes Y1, Y2, Y3, estn dados por las ecuaciones:
(1)
a11 p1 + a12 p 2 = c1
a 21 p1 + a 22 p 2 = c 2
a p + a p = c
32
2
3
31 1
o sea
A p = c
donde las pj
corresponden a los precios de los insumos Xj y forman el vector columna
p
p = 1 , las ci corresponden a los costos directos de los bienes Yi ,
p2
c1

formando el vector columna c = c 2 y las aij representan la cantidad del

c3
insumo xj necesaria para producir una unidad del bien Yi. Cada vector de
precios de 2 se transforma en un vector de costos de 3; el vector c es la
imagen del vector p; la matriz A es la matriz de la transformacin: t(p) = c
Ap=c
El sistema lineal (1) tambin puede expresarse en la forma
a11
a12 c1
p1 a 21 + p 2 a 22 = c 2 donde se ve que es consistente si y

a31
a32 c3
14
slo si c es CL de los vectores columna de la matriz A: la imagen de la TL

(recorrido) es el espacio vectorial generado por los vectores columna de A;
si son LI constituyen una base del recorrido de la TL, si no lo son, se puede
escalonar la matriz y elegir el mayor nmero de columnas LI como base del
recorrido.
Ejemplo:
p1 + p 2 = c1
2 p1 + p 2 = c 2
p + 3p = c
2
3
1
donde
1 1
A = 2 1
1 3
como los vectores
columna de A son LI forman una base del recorrido de la TL y su dimensin

es, por lo tanto, 2: r (A) = 2
El ncleo de la TL es el espacio solucin del sistema A p =
En este caso, la nica solucin posible es la trivial, por lo tanto el ncleo es
el subespacio de 2 cuyo nico elemento es el vector nulo, su dimensin
(nulidad de la TL) es 0.
MATRIZ ELEMENTAL: la que se obtiene realizando una sola operacin
elemental en la matriz identidad.
MATRICES EQUIVALENTES: se denominan las matrices que representan
la misma TL, para diferentes bases.
Sean A y B dos matrices de dimensin mxn. Se dice que B es equivalente a
A si y slo si B puede ser obtenida de A por un nmero finito de operaciones
elementales fila y columna.
O sea, una matriz B es equivalente a una matriz A si y slo si existen dos
matrices no singulares P y Q tales que B = P A Q donde P representa la
aplicacin sucesiva de matrices elementales con operaciones sobre filas y Q
representa la aplicacin sucesiva de matrices elementales con operaciones
sobre columnas.
FORMA CANNICA: una matriz Nmxn equivalente a una matriz dada A con
rango r(A) = r se dice que es la forma cannica general bajo equivalencia de
A o tambin la forma normal de A si posee las siguientes propiedades:
1) los primeros r elementos aij con i = j son iguales a 1.
2) cualquier otro elemento de la matriz es 0.
En realidad, dos matrices rectangulares de la misma dimensin son
equivalentes si y slo si tienen el mismo rango.
15
TRANSFORMACIN INVERSA: una TL t-1 de un subespacio de W en V se

dice que es la inversa de la TL t:VW si y slo si t t-1 = i: WW y t-1t = i:
VV
La matriz asociada es la matriz inversa A-1 tal que A-1A = A A-1 = I
TRANSFORMACIN NO SINGULAR o REGULAR: se denomina a
toda transformacin que admite inversa.
Sea t:VW una TL, con recorrido Rt. Entonces, se dice que t es no singular
si y slo si existe una transformacin t-1: RtV tal que t-1t = t t-1 = I donde
t-1t representa la transformacin idntica sobre V y t t-1 la transformacin
idntica sobre W.
El dominio y el recorrido de una transformacin no singular tienen la misma
dimensin: d(V) = d(Rt)
Las transformaciones idntica, escalar y elemental son no singulares o
regulares.
Una matriz cuadrada A se dice que es no singular o regular si y slo si
existe A-1 tal que A-1A = A A-1 = I.
Si una TL es no singular, tiene una TL inversa t-1 y las filas (y columnas) de
cualquier matriz A que represente a t son LI. Por lo tanto, el determinante
de A no es nulo.
Si t es singular o no regular, no tiene inversa y las filas (y columnas) de
cualquier matriz A asociada con t son LD. Por lo tanto, el determinante de A
es nulo.
Si el producto t1t2 de dos TL es la identidad, entonces ambas son no
singulares y cada una de ellas es la inversa de la otra:
t1t2 = I t1 = t2-1, t2 = t1-1
COMPOSICIN DE TL NO SINGULARES: Si las TL t1:VU y t2:UW son
ambas no singulares entonces la TL compuesta t2 t1: VW es tambin no
singular y su inversa es igual al producto de la inversa de t1 por la inversa de
t2: (t2 t1)-1 = t1-1 t2-1: WV
Si dos matrices A y B tienen inversa y son conformables para el producto:
(A B)-1 = B-1A-1
16
Si t:VW es una TL no singular (t-1)-1 = t y (k t)-1 =

Si la matriz A es no singular (A-1)-1 = A y (k A)-1 =
1 -1
t k0
k
1 -1
A k0
k
MATRIZ TRASPUESTA de la matriz A se denomina a aquella que resulta al

AT=[aji]nxm
permutar sus filas y columnas: Am = [aij]mxn
Propiedades:
T1) (A+B)T = AT+ BT
T2) (A B)T = BT AT
T3) (AT)T = A
T4) (k A)T = k AT
T5) Si A es cuadrada: |AT| = |A|
ADJUNTO o COFACTOR del elemento aij de una matriz cuadrada A se
denomina al determinante que resulta de suprimir la fila i y la columna j de
A, precedido del signo de (-1)i+j
MATRIZ ADJUNTA de una matriz cuadrada A es la traspuesta de la matriz
cuyos elementos son los cofactores o adjuntos de los elementos de A.
El producto de una matriz por su adjunta es igual al producto de su
determinante por la matriz identidad: A Adj(A)= Adj(A) A = |A| I
Si A es una matriz no singular: A-1=
1
Adj(A)
| A|
TRANSFORMACIONES ORTOGONALES: una transformacin lineal t:VV

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

ortogonal si y slo si, considerando las columnas de A como vectores, cada
columna tiene longitud o mdulo unidad y dos columnas cualesquiera son
ortogonales, es decir, si todas sus columnas son vectores ortonormales.
MATRIZ ORTOGONAL: se denomina a una matriz cuadrada si sus
columnas (o sus filas) son un conjunto de vectores ortonormales.
Tambin se define una matriz ortogonal como aquella cuya inversa es igual
a su traspuesta: A-1 = AT A es ortogonal
Estas definiciones de matriz ortogonal son equivalentes. Si consideramos la
matriz A formada por vectores columna v j:
v h v j si h j (1)
A A=I j
v = 1 ( j = 1, 2,, n) (2)
T
(1) (todos los vectores columna son ortogonales entre s)

(2) (todos los vectores columna son normales: mdulo = 1).
Dem.:
( )
( ) [v , v
v1
2
v
T
A A=I
n
v
( )
( )
] ( )
(v ) v
(v ) v
2 T
( )
(v ) v
v1 T v1
2 T 1
v v
n
2
,, v =
n T 1
v v
1 T
< v1 , v1 > < v1 , v 2 > < v1 , v n

2 1
< v ,v > < v2 ,v2 > < v2 ,vn
=
n 1
n
2
n
n
< v , v > < v , v > < v , v
igualdad que se da si y slo si
n T
(v ) v
(v ) v
( )
n
=
T
v n v n
1 T
2 T
> 1 0 0

> 0 1 0
=

> 0 0 1
< v h , v j >= 0 si h j (1)
j
j
j
< v , v >= 1 v = 1 ( j = 1, 2, , n) ( 2)
(1) (todos los vectores columna son ortogonales entre s)

(2) (todos los vectores columna son normales: mdulo = 1).
Si consideramos la matriz A formada por vectores fila vi se demuestra, de
manera similar, que:
18
v i v k si i k (1)
AA =I i
v = 1 (i = 1, 2, , n) (2)
T
(1) (todos los vectores fila son ortogonales entre s)

(2) (todos los vectores fila son normales: mdulo = 1).
Propiedad: el determinante de una matriz ortogonal vale 1 1
Dem.:
ATA= I
AT A = I = 1
AT A = 1 como AT = A
2
A = 1 A = 1
Se denomina matriz ortogonal propia a la que tiene determinante = 1
No toda matriz con determinante de mdulo 1 es ortogonal, por ejemplo:
2 0
A=
0 1 / 2
MATRICES SIMTRICAS: una matriz cuadrada A tal que es igual a su
traspuesta se denomina simtrica: AT = A
o sea aij = aji
i, j
TRAZA: de una matriz cuadrada nxn se denomina a la suma de todos los
n
elementos de su diagonal principal: tr(A) =
aii
i =1
Propiedades: si A y B son matrices cuadradas de dimensin nxn:

T1) tr (A) = tr (AT)
T2) tr (k A) = k tr(A)
T3) tr (A+B) = tr(A) + tr(B)
T4) tr (A.B) = tr (B.A)
MATRICES SEMEJANTES: si A y B son dos matrices cuadradas de
dimensin nxn se dice que B es semejante a A si y slo si existe una matriz
no singular P tal que B = P-1 A P (las propiedades de las matrices
semejantes se enuncian y demuestran despus de considerar el tema de
diagonalizacin).
19
1.2. Diagonalizacin de matrices ] ]

VECTORES y VALORES PROPIOS de una TRANSFORMACIN LINEAL:
Sea t:VV una TL en el espacio V sobre K. Entonces, un vector no nulo
x V y un escalar K son llamados respectivamente, un vector propio
( o vector caracterstico) de t y un valor propio (o valor caracterstico) de t sii
t(x) = x. Tambin reciben el nombre de autovectores y autovalores de t.
El conjunto de todos los valores propios de t se denomina espectro de t.
Ejemplo 1: t: 33 /t(x1, x2, x3) = (2x1, 2x2, 2x3)
cualquier vector no nulo de 3 es un vector propio de esta TL,
correspondiente al valor propio = 2, ya que t(x1, x2, x3) = 2(x1, x2, x3)
Ejemplo 2: t: : 33 /t(x1, x2, x3) = (x1, 3x2, 3x3)
como t(x1, 0, 0,) = (x1, 0, 0) = 1(x1, 0, 0) cualquier vector de la forma (x1, 0, 0)
donde x1 0, es vector propio correspondiente a = 1
como t(0, x2, x3) = (0, 3x2, 3x3) = 3(0, x2, x3) cualquier vector de la forma
(0, x2, x3) donde no se anulen simultneamente x2 y x3, es vector
caracterstico correspondiente a =3.
VECTORES Y VALORES PROPIOS DE UNA MATRIZ CUADRADA: un
vector no nulo x y un escalar se denominan respectivamente, un vector
propio (o caracterstico) de A y un valor propio (o caracterstico) de A sii
Ax = x. El conjunto de todos los valores propios de A se denomina
espectro de A. El radio del crculo mnimo que abarca todos los valores
propios de A recibe el nombre de radio espectral de A.
1 0 1
1

1
Ejemplo: A = 1 2 1
x = 1 es vector propio correspondiente

2 2 3
0
a =1 porque Ax1 = x1
2
x = 1 es vector propio correspondiente a =2 porque A x2 = 2 x2
2
2
20
[ [........Seccin 1.8: Resolucin utilizando Microsoft Excel
1
x = 1 es vector propio correspondiente a =3 porque A x3 = 3 x3
2
3
ECUACIN CARACTERSTICA de una matriz: si A x = x

Ax=Ix
multiplicando m. a m. por In
(A I)x =
(1)
La ecuacin (1) representa un sistema lineal homogneo que tendr

solucin distinta de la trivial sii | A I | = 0
(2)
El desarrollo del determinante del primer miembro de (2) ser un polinomio
de grado n en , que se denomina polinomio caracterstico de la matriz A:
| A I | = ()n + 1()n-1 + 2()n-2 +...+ n-1() + n = P().
La ecuacin (2), o sea, P() = 0 se denomina ecuacin caracterstica de A
y sus races o ceros: 1, 2, ..., n son las denominadas races
caractersticas o valores propios de A, tambin llamados autovalores o
races latentes de A.
Las soluciones distintas de la trivial del sistema (A i I) x = (3) sern los
vectores propios asociados al valor propio i. Los vectores propios
asociados a valores propios diferentes son linealmente independientes.
El conjunto solucin del sistema (3) se denomina espacio caracterstico de A
correspondiente a ese valor propio i.
1
1
En el ejemplo anterior: A I =
1
2
1
2
3
0
|AI| = 3 + 62 11 + 6 es el polinomio caracterstico; si lo igualamos a

0 tenemos la ecuacin caracterstica, cuyas soluciones o races son los
valores propios de A: 1=1, 2= 2, 3= 3
21
Para 1=1 tenemos el sistema
0 0 1 x1 0
x3 = 0
x3 = 0
1 1 1 x = 0
2 x + x + x = 0 x = x
2
3
2
1
2 2 2 x3 0 1
x 2
1
x = k 1 con k 0 es
de modo que cualquier vector de la forma
2

0
0
un vector propio de A correspondiente al valor propio 1=1
Para 2 = 2 tenemos el sistema
1 0 1 x1 0
x1 = x3
x1 = x3
1 0 1 x = 0
2 2 x + 2 x + x = 0 2 x = x
2
3
3
2
2 2 1 x3 0 1
x3
2
1

de modo que cualquier vector de la forma
2 x3 = k 1 con k 0 es
x3
2
un vector propio de A correspondiente al valor propio 2 = 2
Para 3 = 3 tenemos el sistema
2 0 1 x1 0
1
1 1 1 x = 0 x3 = 2 x1 k 1
2 x2 = x
2
2
2 0 x3 0

con k 0 es un
vector propio de A correspondiente al valor propio 3 = 3

Tambin se puede obtener un vector propio correspondiente a cada i
escribiendo en forma de vector columna los adjuntos de cualquier fila de la
matriz A iI (siempre que no se anulen todos) por ejemplo, para 1 = 1 no
podemos tomar la 1er. fila, pero s la 2da. o la 3ra.
Teorema: los vectores propios correspondientes a valores propios
diferentes de una matriz son linealmente independientes.
22
Demostracin: (por induccin sobre k) Sean 1, 2, ..., k valores propios

diferentes de una matriz Anxn y sean v1, v2, ..., vk los vectores propios
correspondientes.
En forma trivial se ve que el teorema se cumple para k=1
Supongamos ahora que se cumple para los k1 primeros vectores (k>1), es
decir que v1, v2, ..., vk son LI.
Consideremos la ecuacin c1 v1+ c2 v2 + ... + ck-1 vk-1 + ck vk =
(1)
premultiplicando por A resulta c1 A v1 + c2 A v2 + ... + ck-1 A vk-1 + ck A vk =

como A vi = i vi tenemos
c1 1 v1 + c2 2 v2 + ... + ck-1 k-1 vk-1 + ck k vk =
multiplicando (1) por k obtenemos
c1k v1 + c2 k v2 + ... + ck-1 k vk-1 + ck k vk =
(2)
(3)
restando (2) (3) resulta

c1(1 k) v1 + c2(2 k) v2 + ... + ck-1(k-1 k) vk-1 = (4)
como los vectores v1, v2, ..., vk-1 son LI la ecuacin (4) se verifica slo si
todos los coeficientes son nulos, es decir: ci(i k) = 0 (i=1,2,...,k1) pero
como i k (i=1,2,...,k1) entonces, debe ser ci = 0 (i=1,2,...,k1) y la
ecuacin (1) queda reducida a ck vk = como vk es vector propio no es el
vector nulo y debe ser ck = 0 de modo que los k vectores propios son LI.
1.2.1 Diagonalizacin de matrices

Se dice que una matriz Anxn es diagonalizable sii es semejante a una matriz
diagonal que tiene en su diagonal principal los valores propios de A, o
sea, si existe una matriz P no singular tal que P-1A P=
La condicin necesaria y suficiente para que una matriz Anxn sea diagonalizable
es que se puedan extraer n vectores LI del conjunto de sus vectores propios. La
matriz P (o matriz modal) se forma con n vectores propios LI (uno asociado a
cada valor propio) ordenados como vectores columna.
Si la ecuacin caracterstica de A admite n races o valores propios
diferentes, entonces hay n vectores propios LI y es diagonalizable sobre el
cuerpo de los complejos.
Ejemplo 1: en el ejemplo anterior la matriz de paso sera
23
1 2 1
P = 1
1 1
0
2 2
cuya inversa es
P 1
0 1 1 / 2
= 1 1
0
1 1 1 / 2
1 0 0
podemos verificar que P-1A P = = 0 2 0 el orden en que aparecen
0 0 3
los valores propios de depende del orden en que tomamos los vectores
propios para formar la matriz P.
3 1
13 3
Ejemplo 2: A =
= 2i
A I = 2 + 4 = 0 1
2 = 2i
Para 1 = 2i tenemos
1 x1 0
3 2i
=
x 2 = (3 2i ) x1
13
3 2i x 2 0
1
v1 =
3 2i
Para 2 = 2i tenemos
1 x1 0
3 + 2i
x 2 = (3 + 2i ) x1
=
13
3 + 2i x 2 0
1
v2 =
3 + 2i
La matriz modal puede ser
1
1
P=
3 2i 3 + 2i
1
(recordar que = i )
i
P = 4i
P 1 =
i 3 + 2i 1
4 3 + 2i 1
Si la ecuacin caracterstica admite races mltiples, la matriz puede no ser

diagonalizable.
La condicin para que una matriz Anxn sea diagonalizable es que a toda raz
i de orden de multiplicidad m corresponda un sistema (A - iI) x = de
rango (n-m) que determina m vectores caractersticos LI, es decir, que la
dimensin del espacio caracterstico correspondiente al valor propio i sea
m.
Ejemplo 3:
24
1 3 3
= 2 = 2
A = 3 5 3 A I = 3 + 12 + 16 = 0 1
3 = 4
6 6 4
si tomamos para x2 y x3 dos pares de valores no proporcionales obtenemos

dos vectores LI que constituyen la base del espacio solucin correspondiente al valor propio 2 de orden de multiplicidad 2; por ejemplo:
1
1
2
v = 0 v = 1
1
0
1
3 3 3
18
1
3
9 3 v = 18 = 18 1
para 3 = 4 A 4 I = 3
6 6 0
36
2
1 3 1
2 2 0
1
1
La matriz modal puede ser
0 1 1 P = 2 1 3 1
1 0 2
1 1 1
2 0 0
podemos verificar que P AP = = 0

2 0
0
0 4
1
Ejemplo 4:
3 9 12
3
4
A = 1
0
0
1
= 2 = 0
A I = 3 + 2 = 0 1
3 = 1
para 1 = 2 = 0 tenemos (A 0 I) = A; como el rango de esta matriz es 2 y

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

linealmente independientes de A es menor que n, la diagonalizacin es
imposible. Sin embargo, siempre es posible someter A a una transformacin
1
semejante J = V AV , donde V es una matriz no singular que reduce la

matriz A a su forma cannica de Jordn.
La forma cannica de Jordn de cualquier matriz cuadrada A es una matriz
cuadrada J de la misma dimensin que A con las siguientes propiedades:
1) los elementos de su diagonal principal son los valores propios de A,
apareciendo los valores propios mltiples en posiciones adyacentes.
2) los elementos de la diagonal arriba de la diagonal principal son cero o la
unidad. Solamente los elementos que estn a la derecha de un valor
propio que va a ser repetido pueden ser iguales a la unidad.
3) todos los dems elementos de la matriz son ceros.
1
0
por ejemplo J =
0
0
0
donde 1=2 y 3=4
1
2 1 0
En el ejemplo 3 la matriz de Jordn es J = 0

2 0
0
0 4
0 1 0
y en el ejemplo 4 J = 0 0 0
0 0 1
Si todas las races son diferentes la matriz de Jordn coincide con la matriz
diagonal .
CLCULO DE LOS VECTORES PROPIOS POR ADJUNTOS: para obtener
un vector propio vi correspondiente al valor propio i debemos resolver el
sistema (A iI) vi = (1).
26
Si llamamos Bi a la matriz (A iI) y Bi* a su adjunta resulta

|Bi| = |(A - iI)| = 0 (2) y Bi . Bi* = |Bi| I = , ya que el producto de una
matriz por su adjunta es la matriz diagonal cuyos elementos diagonales son
iguales al determinante de la matriz. Si i es raz simple de la ecuacin
caracterstica (2) el rango de Bi es (n-1); existe, entonces, por lo menos un
adjunto no nulo, por lo que el rango de la matriz Bi* ser tambin, al
menos, 1.
Pero el rango de esta matriz es, como mximo, el orden de la matriz menos
el rango de Bi: n (n1) = 1 (si el rango de la matriz Amxp es r y si la matriz
Bpxn es tal que A.B = , el rango de B no puede ser mayor que pr).
Por lo tanto, el rango de Bi* es 1; esto significa que toda columna de Bi* es
CL de las restantes (son todas proporcionales entre s).
Si llamamos ki* a una columna cualquiera k de la matriz Bi* resulta Bi. ki* =
por lo tanto ki* es solucin de la ecuacin (1) y es un vector propio
correspondiente al valor propio i, siempre que no sea el vector nulo.
En lugar de construir la matriz adjunta Bi* se puede obtener directamente una
de sus columnas calculando los adjuntos de una fila cualquiera de Bi (siempre
que no sean todos nulos) y formando con ellos el vector columna vi.
Ejemplo 1:
0 7 6
A = 1 4 0
0 2 2
1 = 1
A I = + 2 + 2 = 0 2 = 1
=2
3
3
1
0

( A I ) = 7 4
2
6
2
0
6( 4 )
(4 )(2 ) 7(2 ) 12
B* = Adj ( A I ) =
2
( 2 )
6
2
2
(4 ) + 7
27
9 9 18
3 3 6
B1* (para 1 = 1 ) =
2 2 4
cualquiera de su columnas es un
vector propio correspondiente a 1 pero tambin podramos haberlo
1 7 6
obtenido directamente de B1 = 1 3
0 tomando, por ejemplo, los
0
2 3
9

1
adjuntos de la 1 fila: v = 3

2
5
4

3
De manera similar obtenemos v = 1 y v = 2

2
1
2
Ejemplo 2: A = 0
12
8 0 6
B1 = 0 0 0
12 0 10
9 5 4
P = 3 1 2
2 2 1
0 6
1 0 A I = (1 )(2 9) = 0
0 9
1 = 1
2 = 3
= 3
3
no podemos tomar los adjuntos de la primera fila ni
los de la tercera, porque se anulan todos, pero s los de la segunda:
0
0
1
v = 8 o v = 1
0
0
1
0
6
6
B2 = 0 2
0 tomando los adjuntos de la 1 fila:
12 0 12
28
1
24
v = 0 0
1
24
2
12 0 6
B3 = 0 4 0 tomando los adjuntos de la 1 fila:
12 0 6
1
24
3
v = 0 0
2
48
La matriz modal ser
0 1 1
0 1 0
P = 1 0 0 cuya inversa es P 1 = 2 0 1
0 1 2
1 0 1
PROPIEDADES DE LAS MATRICES SEMEJANTES:

S1) A B y B C A C (transitiva)
Dem.:
A B A = P-1 B P
si premultiplicamos por P y posmultiplicamos por P-1 resulta
P A P-1 = B (1)
B C B = Q-1 C Q (2)
de (1) y (2) P A P-1 = Q-1 C Q
A = P-1 Q-1 C Q P haciendo Q . P = R R-1 = P-1 . Q-1
A = R-1 C R
Si dos matrices son semejantes:
A B tr(A) = tr(B)
S2) tienen la misma traza
-1
Dem.: A B A = P B P
tr(A) = tr(P-1 B P )
-1
= tr[(P B) P] (por propiedad asociativa de producto de matrices)
29
= tr[P(P-1 B)] (por prop. conmutativa de la traza de producto de matrices)

= tr[(P P-1)B] (por propiedad asociativa de producto de matrices)
= tr(B)
S3) tienen igual determinante A B |A| = |B|
Dem.:
A B A = P-1 B P
|A| = |P-1 B P|
-1
= |P | |B| |P| (por propiedad del determinante de producto de matrices)
= |B| |P-1| |P| (por propiedad conmutativa del producto de nmeros
reales y complejos)
= |B| |P|-1 |P| (porque |P-1| = |P|-1 )
= |B|
A B r(A) = r(B)
S4) tienen el mismo rango:
porque son matrices equivalentes (representan la misma TL)
S5) tienen igual polinomio caracterstico y, por lo tanto, iguales valores y
vectores propios: A B |A I| = |B I|
A B A = P-1 B P
A I = P-1 B P I
= P-1 B P P-1 P
-1
= P (B I) P (A I) (B I) |AI| = | B I| (prop. S3)
Dem.:
S6) si A B An = P-1 Bn P
Dem.:
A B A = P-1 B P
A2 = (P-1 B P) (P-1 B P) = P-1 B P P-1 B P = P-1 B2 P
A3 = (P-1 B2 P) (P-1 B P) = P-1 B2 P P-1 B P = P-1 B3 P
.....................
si Ak = P-1 Bk P
Ak+1= (P-1BkP) (P-1 B P) = P-1 Bk+1 P
q.q.d.
OBSERVACIONES sobre las relaciones entre los coeficientes del polinomio

caracterstico, los valores propios y los elementos de la matriz A:
Si P() = |A I| = ()n + 1 ()n-1 + 2 ()n-2 + ... + n-1 () + n
1) la suma de los valores propios de A es igual al coeficiente 1 y es igual a
la traza de A:
n
1 =
i
i =1
a
i =1
ii
= tr(A)
2) el producto de los valores propios de A es igual al coeficiente n y es

30

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

orden i de |A| que contienen en su diagonal principal elementos de la
diagonal principal de A. Hay
n
menores principales de orden i.
i
Tambin son iguales a la suma de todos los productos posibles de los

valores propios de A tomados de i en i. Hay
n
productos posibles.
i
La observacin 1) corresponde a i = 1 y la 2 a i = n
4) si la matriz A es diagonalizable el nmero de valores propios no nulos
de A es igual al rango de A.
Para probar las primeras tres observaciones con respecto a los valores
propios de A recordamos que si A es diagonalizable es semejante a una
1
0
matriz diagonal = 0
0
0
0
donde i son los valores
propios de A.
Como las matrices semejantes tienen igual polinomio caracterstico:
| I| = |A I |. Supongamos que sea de dimensin 3 x 3
0
0
1
I = 0
2
0 = (1 )( 2 )(3 ) =
0
0
3
= 3 + (1 + 2 + 3 )2 + (13 + 2 3 + 1 2 )( ) + 1 2 3
1 =
Si es una matriz 4x4
3 =
I = (1 )( 2 )(3 )( 4 ) =
31
= 4 + (1 + 2 + 3 + 4 )( ) 3 +
i
+ (1 2 + 13 + 1 4 + 2 3 + 2 4 + 3 4 )2 +
1 =
+ 1 2 3 + 1 2 4 + 13 4 + 2 3 4 ( ) + 1 2 3 4
3
4 =
De manera similar se procede para una matriz de dimensin nxn.

Si la matriz A no es diagonalizable es siempre semejante a una matriz de
Jordn y tienen el mismo polinomio caracterstico. Como la matriz de Jordn
es una matriz triangular, tambin lo es la matriz (J I) de modo que
|J I| = (1) (2) ... (n) = |AI|
Para probar las primeras tres observaciones con respecto a los elementos
de la matriz A, lo haremos considerando una matriz de dimensin 3x3; de
manera similar se procede con una matriz nxn.
a11
a12
a 21
a31
a 22
a32
A I =
+ 0
0
a12
a13
a 22
a32
a12
a13
a11
a12
a 23 = a 21
a33
a31
a 22
a32
a13
a13
a 23 +
a33
a13
a 23 +
a33
a11
a13
a 22
a32
a 23 + 0
a 33
0
a11
a12
a13
a11
a12
= a 21
a 22
a 23 + a 21
a 22
0 + a 21
a31
a32
a33
a32
a11
a 23 + a 21
a33 a 31
+ 0
0
a31
a 22
a32
a 23 = a 21
a33 a 31
a11
a13
a12
a 23 =
a33
a11
a 31
a13
a 23 + a 21
a33
a31
0
0 +
32
+ 0
a12
a 22
a13
a 23 + 0
a12
a 22
a32
a33
a32
= A+
a11
a 21
a
a12
( ) + 11
a 22
a31
0 + 0
a13
a33
a13
a 23 + 0
a33
( ) + a11 ( ) 2 +
a 22
a 23
a32
a 33
0
0 =
( ) +
+ a 22 ( ) 2 + a33 ( ) 2 + ( ) 3 = ( ) 3 + (a11 + a 22 + a33 )( ) 2 +

1 = tr ( A )
a
+ 11
a 21
a12 a11
+
a 22 a31
a13 a 22
+
a33 a32
a 23
( ) + A
a33
3
Con respecto a la cuarta observacin, si A es diagonalizable es semejante a

la matriz y, por lo tanto, tienen el mismo rango. El rango de una matriz
diagonal est dado por el nmero de elementos no nulos de su diagonal
principal.
1 1 1
Ejemplo 1: A = 0 1 1
0 2 2
1 = 0
A I = + 2 + 3 = 0 2 = 1
=3
3
3
1 = 2 2 = -3 3 = 0
1) Con valores propios: 1 = i = 0 -1+3 = 2
2 = 12+13+23
= 0(-1) + 0.3 + (-1)3 = -3
3 = i = 0 (-1) 3 = 0
2) Con elementos de la matriz: 1= tr(A) = -1+1+2 = 2
2 =
1 1 1 1 1 1
+
+
= 1 + 0 2 = 3
0 1 2 2
0 2
3 = |A| = 0
33
Ejemplo 2:
1 4 0
A = 1 2 0
0 2 1
1 = i = 1
2 = (1) (
1 = 1
3
2
A
I
2
3
2 0
1
7
2,3 = 2 2 i
7 1
7
1
+
i
i = 2 = tr(A)
2
2
2
2
7
7
7 1
7
1
1
1
+
i) + (1) (
i) + (
+
i) (
i) =
2
2
2
2
2
2
2
2
7
7
1 7 2
1
1
i+
+
i+
i =3
2
2
4 4
2
2
1 4 2 0 1 0
+
2 =
+
= 2 + 2 1 = 3
1 2
2 1 0 1
=
3 = i = 1(
7 1
7
1 7
1
+
i) (
i) = ( + ) = 2 = |A|
2
2
4 4
2
2
1
1
Ejemplo 3: A =
0
0
3
2
0
0 2
0 1
1 0
0 1
1 = 1
A I = 4 + 6 12 + 9 = 0 2 = 3
= 3
3, 4
1 = i = 4 + 3 i 3 i = 4 = tr (A)
4 = i = 3. 3 i ( 3 i) = 9=|A|
4
2 = 1.3 + 1. 3 i 1. 3 i + 3. 3 i 3. 3 i
2 =
3i
3i = 6
1 0 1 0
1
2
3 0 3 1
1 0
+
+
+
+
+
=6
1 3 0 1 2 1 2 1 0 1 0 1
34
3 = 1.3 3 i + 1.3 ( 3 i) + 3. 3 i ( 3 i) + 1. 3 i ( 3 i) = 12
0 0
3 0
3 = 1 3 0 + 1 3
0
2 1
1 + 0 1 0 + 2 1 0 = 12
2 0 1 2 0 1 0 0 1
Teorema: ninguna raz caracterstica de la matriz cuadrada A puede tener

mdulo mayor que la mxima suma de los mdulos de los elementos de
cada fila ni que la mxima suma de los mdulos de los elementos de cada
columna, o sea || min {F , C }donde denota cualquier raz caracterstica
n
de la matriz A,
F = max F i
i
C = max C j
j
Fi =
a ij
j =1
C j = aij
i =1
Dem.: si es raz caracterstica de A, entonces, existe un vector no nulo
x1 = a11 x1 + a12 x2 +
x1
x
x = a x + a x +
21 1
22 2
x = 2 tal que x=Ax o sea 2

xn = an1 x1 + an 2 x2 +
x
n
+ a1n xn
+ a2 n xn
(1)
+ ann xn
tomando mdulos m. a m. la 1 ecuacin resulta:

|x1| |a11x1| + |a12x2| + ... + |a1nxn| por desigualdad triangular
|| |x1| |a11| |x1| + |a12| |x2| + ... + |a1n| |xn| por mdulo de producto de
escalares. Operando de modo similar con las dems ecuaciones, el sistema
(1) resulta
x1 a11 x1 + a12 x 2 +
x 2 a 21 x1 + a 22 x 2 +
x n a n1 x1 + a n 2 x 2 +
+ a1n x n
+ a2n xn
+ a nn x n
35
sumando m. a m. estas desigualdades y sacando factor comn || en el 1er.

miembro y |xi| en cada columna del 2do. miembro obtenemos:
( x1 + x 2 +
+ ( a12 + a 22 +
+ x n ) ( a11 + a 21 +
+ an 2 ) x2 +
+ a n1 ) x1 +
C1
+ ( a1n + a 2 n +
C2
+ a nn ) + x n
Cn
como Cj C resulta || (|x1| + |x2| + ... + |xn|) C (|x1| + |x2| + ... + |xn|) como
x es un vector propio sus componentes no pueden ser todas nulas, de modo
que la suma de sus mdulos ser positiva; dividiendo m. a m. por dicha
suma || C
Como una matriz cuadrada A y su traspuesta AT tienen el mismo polinomio
caracterstico, y por lo tanto, iguales races, partiendo de la ecuacin
x = Atx se demuestra que || F
si C
min {F, C} que es lo que se quera demostrar.
y F
MATRIZ IDEMPOTENTE: una matriz cuadrada es idempotente sii es igual a
1 / 2 1 / 2
1 / 2 1 / 2
su cuadrado: A = A2 por ejemplo: A =
Todas sus races caractersticas son iguales a 0 a 1

MATRIZ INVOLUTIVA: una matriz cuadrada es involutiva sii su cuadrado es
la matriz identidad: A2 = I
1 0
0 1
por ejemplo: A =
Todas sus races son iguales a 1 a 1

MATRIZ NILPOTENTE: una matriz cuadrada es nilpotente sii cierta
potencia suya es la matriz nula: Ak= (k 1)
0 0
2 0
por ejemplo: A =
El menor exponente para el cual la potencia de A es nula se denomina

ndice de nilpotencia (en el ejemplo, el ndice es 2).
Todas sus races son nulas.
36
1.2.2. Diagonalizacin de matrices simtricas

Los valores propios de una matriz simtrica real son todos reales. Los
vectores propios asociados a diferentes valores propios de una matriz
simtrica son ortogonales. A cada valor propio de una matriz simtrica
corresponden tantos vectores propios LI como el orden de multiplicidad del
valor propio. Por lo tanto, toda matriz simtrica real es diagonalizable sobre
el campo de los reales con una matriz de paso (o modal) ortogonal.
Ejemplo 1:
7 2 0
A = 2 6 2 A I = 3 + 182 99 + 162 = 0
0 2 5
1 = 3
2 = 6
= 9
3
4 2 0
2
1
A 3I = 2 3 2 v 1 = 4 = 2 2
0 2 2
4
2
< v1 v 2 > = 0 v1 v 2
1 2 0
A 6 I = 2 0 2
0 2 1
4
2
v = 2 = 2 1
4
2
2
< v2 v3 > = 0 v2 v3
2 2 0
8
2
3
A 9 I = 2 3 2 v = 8 = 4 2
0 2 4
4
1
< v1 v 3 > = 0 v1 v 3
como los vectores propios son ortogonales entre s, basta normalizarlos:
u1= 1/3 v1, u2= 1/3 v2, u3= 1/3 v3 entonces podemos diagonalizar la matriz
simtrica A mediante la matriz ortogonal P
37
2
1 2
3 0 0
1
T
P = 2 1 2 de modo que = P AP = 0 6 0
3
2 2 1
0 0 9
7 2 1
Ejemplo 2: A = 2 10 2
1 2 7
1 = 2 = 6
A I = + 24 180 + 432 = 0
= 12
3
1 2 1
A 6I = 2 4 2 las soluciones del sistema A - 6I = son de
1 2 1
x1 = 2 x 2 x3 . Si x2 = x3 =1 tenemos el vector propio
la forma
3
v 1 = [1, 1, 1] . Para cada par de valores no proporcionales a los ya dados

T
tendremos un vector propio LI de v1. Como nos interesa que sean

ortogonales pedimos que su producto interno sea 0 1.x1 + 1.x2 + 1.x3 = 0;
como tambin debe ser vector propio para =6 debe ser x12 x2 + x3 = 0.
La solucin de este sistema implica
v 2 = [ 1, 0, 1]
5 2 1
A 12 I = 2 2 2
1 2 5
x1 = x3
x2 = 0
entonces puede ser
1
6
v = 12 = 6 2
1
46
3
podemos comprobar que v3 es ortogonal a v1 y a v2; para obtener una matriz

de paso ortogonal debemos normalizarlos:
38
como |v1| =
3 ; |v2| = 2 ; |v3| =
1 0 i
Ejemplo 3: A = 0 2 0
i 0 1
P=
3
1
3
1
3
0
1
2
6
2
6
1
= 2 = 0
A I = 3 + 2 2 = 0 1
3 = 2
A 0I = A es una matriz de rango 2 de modo que no pueden obtenerse 2

vectores propios LI (la nulidad es 1) y la matriz A no es diagonalizable.
Ejemplo 4:
2 4
1
A = 2 2 2
4 2 1
= 2 = 3
A I = 3 + 27 + 54 = 0 1
3 = 6
2 4
4
0
1
A + 3I = 2
1 2 x 2 = 2 x3 2 x1 v = 2 para obtener v2
4 2 4
1
0 x1 + 2 x 2 + 1 x3 = 0
x 2 = 2 x3 2 x1
ortogonal a v1 resolvemos el sistema
5

una solucin es v = 2

4
2
39
5 2 4
2
A 6 I = 2 8 2 v 3 = 1 podemos comprobar que los tres

4 2 5
2
vectores propios son ortogonales entre s, los normalizamos para obtener la
matriz de paso ortogonal:
P=
3 5
2
5
1
3 5
4
3 5
2
3
0 5 2 5
1
1
=
6 2
5
3 3 5
2
3 4 2 5
3 0 0
P T AP = 0 3 0 =
0
0 6
Teorema: los autovalores (o valores propios) de una matriz simtrica real
son todos reales.
Dem.: sea A una matriz simtrica real y P()= |AI| su polinomio
caracterstico (con coeficientes reales por ser A una matriz real).
Si existiera una raz compleja 1= + i existira su conjugada 2 = i.
Formamos la matriz B = (A1I) (A2I) = [A (+i) I] [A (iI)]
= A2 A +Ai I A i A + (2+2) I2
= A2 2A + 2 I2 + 2 I2 = (A I)2 + 2 I teniendo en cuenta que A es
simtrica se puede expresar B = (A I)T (A I) + 2 I . Como B es una
matriz singular (producto de dos matrices singulares de la forma A iI)
existe un vector x / Bx=
Si premultiplicamos esta ltima igualdad m.a m. por xT
x TB x = x T = 0
T
T
T
T 2
reemplazando: x B x = x (A I) (A I) x + x I x = 0
= [(A I) x]T [(A I) x] + 2 I x = 0
= <[(A I) x] . [(A I) x]> + 2 <x . x> = 0
como el primer trmino del 2do. m. es el cuadrado de la norma de (A I)x
es no negativo y en el segundo trmino <x . x> es el cuadrado de la norma
de x que debe ser positiva por ser x un vector propio, de modo que para que
40
se verifique la igualdad deben ser ambos trminos nulos. El segundo

trmino slo puede anularse si = 0, lo que implica que no puede haber
races complejas, en ese caso = y el producto (A I) x . (A I) x es
el vector nulo, cuya norma es cero, de modo que el primer trmino tambin
se anula.
Teorema: los autovectores (o vectores propios) de una matriz simtrica
asociados a autovalores distintos son ortogonales.
Dem.: sea la matriz simtrica A y 12 autovalores de A; sean x1 y x2
autovectores asociados a 1 y 2, respectivamente.
Se tiene que A x1 = 1 x1 y A x2 = 2 x2 (1)
por definicin de producto interior eucldeo: <Ax1. x2> = (A x1)T x2
= (x1)T AT x2 = (x1)T Ax2 = <x1.Ax2>
resulta entonces
<Ax1.x2> = <x1.Ax2>
por (1)
<1x1.x2> = <x1. 2x2>
1<x1.x2> = 2<x1.x2>
(1 2) <x1. x2> = 0
como 1 2 debe ser <x1.x2> = 0 entonces x1 y x2 son ortogonales
1.2.3. Teorema de Cayley-Hamilton

Toda matriz cuadrada satisface a su propia ecuacin caracterstica, es decir,
si Anxn tiene por ecuacin caracterstica |A I| = 0, siendo |A I| un
(1)
polinomio de grado n en : P() = c0 + c1 + c22 + ... + cn-1 n-1 + cnn
se verifica P(A) = o sea c0 I + c1 A + c2 A2 + ... + cn-1 An-1 + cn An = (2)
Dem.: llamemos M a la matriz (A I) y M a su adjunta
como M-1 =
1
1
Adj(M) =
M
| M|
| M|
ser
M = |M| M-1
premultiplicando por M
M M = |M| I
M M = P() I
(3)
pero la matriz M es una matriz cuyos elementos son polinomios de grado a
lo sumo (n1) en (los determinantes adjuntos de cada elemento de la
matriz traspuesta de M) y por lo tanto puede escribirse como un polinomio
matricial de grado (n1) en , o sea:
41
M = M0 + M1 + M2 2 + ... + Mn-2 n-2 + Mn-1 n-1

matrices
(4)
donde las Mi son
M M = (A I) M
M M = A M M
(5)
igualando (3) y (5) resulta
A M M = P() I
reemplazando M por (4) y P() por (1):
Por otro lado
A (M0 + M1 + M22 + ... + Mn-2 n-2 + Mn-1 n-1) (M0 + M1 + M22 + ... +
+Mn-2 n-2 + Mn-1 n-1) = (c0 + c1 + c2 2 + ... + cn-1 n-1 + cn n) I
efectuando las operaciones indicadas:
A M0 + (A M1 M0) + (A M2 M1) 2 + ... + (A Mn-2 Mn-3) n-2 +
+ (A Mn-1 Mn-2) n-1 Mn-1n =
=c0 I + c1 I + c2 I 2 + ... + cn-2 I n-2 + cn-1 I n-1 + cn I n
(6)
Igualando coeficientes
homlogos en (6)
A M0 = c0 I
A M1 - M0 = c1 I
A M2 - M1 = c2 I
.....................................
A Mn-2 - Mn-3 = cn-2 I
A Mn-1 - Mn-2 = cn-1 I
-Mn-1 = cn I
premultiplicados
por
I
A
A2
..........................
An-2
An-1
An
resulta
A M0 =c0 I
A2 M1 - A M0 = c1 A
A3 M2 - A2M1 = c2 A2
.............................................
An-1 Mn-2 - An-2 Mn-3 = cn-2 An-2
An Mn-1 - An-1 Mn-2 = cn-1 An-1
-An Mn-1 = cn An
sumando m. a m. las igualdades de la ltima columna obtenemos (2) q.q.d.

Otro mtodo para calcular A-1: si A es una matriz no singular no hay
valores propios nulos y, por lo tanto, c0 0. Si multiplicamos m. a m. (2) por
A-1 y despejamos: A-1 =
Ejemplo 1:
1
(c1I + c2 A + c3 A2 + ... + cn-1 An-2 + cn An-1)
c0
1 0 2
A = 1 2 0 A I = 3 + 42 6
2 0 1
42
5 0
4 4 0 8
1
1
A 1 = A 2 + 4 A I = 3 4 2 + 4 8 0 +
6
6
4 0 5 8 0 4
0
1 0
2 0 4
1
+ 0 1 0 = 1 3 2
6
0
4 0 2
0 1
Ejemplo2:
0
1 3 0
0 2
1 2
A=
A I = 4 33 + 32 12 + 5
0 0 1 3
0
1
2 1
13 15
6 15 3
27 9 18
12
10
13
1
4
6
3 9
1
+
A 1 = A3 + 3 A 2 3 A + 12 I =
+
9
3
0
5
6 12 2 3 18

2 19
8 12
9
4
3 3
0
0 12 0 0 0
1 3 3 3
3 9
0 6 3 6 0 12 0 0
1 2 1 1 1
+
+
=
0
0
3 9 0 0 12 0 5 12 21 16 6
7
7 2
4
6 3 0 3 0 0 0 12
43

Transformaciones Lineales

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Transformaciones Lineales

Uploaded by

Copyright:

Available Formats

[

Matemtica para Economistas utilizando Microsoft Excel y MATLAB.....] ]

1.1. Transformaciones lineales ] ]

de los vectores v1, v2, ..., vr (vi V) si v =

El conjunto de todos los vectores de la forma

nmeros reales arbitrarios, es un espacio vectorial sobre

donde las ki son

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

[ [...... Seccin 1.1: Transformaciones lineales

... kr, no todos nulos, tales que

ki . vi = Si es as, por lo menos uno

de dichos vectores podr expresarse como combinacin lineal de los otros

INDEPENDENCIA LINEAL: recprocamente, los vectores vi son linealmente

independientes si la nica combinacin lineal

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

Matemtica para Economistas utilizando Microsoft Excel y MATLAB.....] ]

ai vi. Respecto de la base B, el vector a queda

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

v = < v, v > La existencia de esta raz est asegurada por P4

< v , v > (desigualdad de Schwarz)

[ [...... Seccin 1.1: Transformaciones lineales

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

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

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

ai2 esta norma eucldea se denomina tambin

La distancia entre los vectores a y b ser: d(a,b) =

Matemtica para Economistas utilizando Microsoft Excel y MATLAB.....] ]

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

BASES ORTONORMALES: se denominan a las bases constituidas por

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

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

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

[ [...... Seccin 1.1: Transformaciones lineales

VECTORES CANNICOS o VERSORES: vectores ortonormales cuyas

Base cannica de n = {e1, e2, ..., en}

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

y2 = v2 <v2, u1> u1 = (0,-1,2,2) <(0,-1,2,2) , (

que y2 es ortogonal a u1 hallando su producto interno (<y2, u1> = 0)

4) hallamos un vector ortogonal a u2 y a u1:

Matemtica para Economistas utilizando Microsoft Excel y MATLAB.....] ]

y3 = v3 <v3, u2>u2 <v3, u1>u1 =

5) normalizamos y3: como |y3| =

[ [...... Seccin 1.1: Transformaciones lineales

1.1.2. Transformaciones lineales

esto nos permite

afirmar que las transformaciones lineales preservan las combinaciones

Matemtica para Economistas utilizando Microsoft Excel y MATLAB.....] ]

g:UW dos TL. La funcin

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

[ [...... Seccin 1.1: Transformaciones lineales

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

f de V en su derivada f se llama operador

aplica cada funcin

OPERADOR INTEGRACIN: sea V el espacio vectorial de todas las

g ( x) = f (t ) dt si a x b Esta TL se llama operador

Matemtica para Economistas utilizando Microsoft Excel y MATLAB.....] ]

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

[ [...... Seccin 1.1: Transformaciones lineales

1) intercambio de dos filas (o columnas)

vector x 4 (dominio de la TL) resulta un vector y 3 (codominio de la

Matemtica para Economistas utilizando Microsoft Excel y MATLAB.....] ]

corresponden a los precios de los insumos Xj y forman el vector columna

p1 a 21 + p 2 a 22 = c 2 donde se ve que es consistente si y