Trabajo Final de

lgebra Lineal
Prof. Luis Javier Vsquez Serpa

Universidad Nacional Mayor de San Marcos

Alumno

Franz Kenneth Lozano Torres

Facultad de Ingeniera Electrnica y

Elctrica

ndice
Matrices y Determinantes
Producto de Matrices

Determinante de una Matriz 6

Matrices Especiales

12

Rango de una Matriz

30

Sistema de Ecuaciones Lineales

Conclusiones

35

37

Espacios Vectoriales

38

Sub-Espacios Vectoriales

39

Conjunto Generador de un Espacio Vectorial

40

Espacio Generado por un conjunto de vectores

40

Bases y Dimensin de un Espacio Vectorial41

Suma de Espacios Vectoriales 43
Suma Directa de Espacios Vectoriales
Conclusin

44

45

Transformaciones Lineales

46

Relacin entre Transformaciones y Matrices

47

Ncleo e Imagen 48
Matriz de una Transformacin Lineal 50
Inyectividad, Sobreyectividad y Biyectividad
Conclusin

52

53

Autovalores y Autovectores 54
Diagonalizacin: Casos 54
Conclusin

68

Espacios con Producto Interno

69

Proceso de Ortogonalizacin de Gram-Schimdt

Conclusin

72

69

Matrices y Determinantes
Sea K un cuerpo ( K {Q , R ,C } , definimos el siguiente
conjunto:
Knxm = { [aij] / aij K i {1;2;3;..n} ; j {1;2;3;..n} }
. Notacin:
[aij]nxm =

a 11 a 1 m

an1 anm

Suma (adicin):
Knxm x Knxm Knxm
([aij] , [bij]) [aij] + [bij] = [aij + bij ]
Ejemplo:

[ ]
[ ]

A=

1 2
3 5

B=

[ ]
7 9
3 4

8 11
6 9

Propiedades:
Conmutativa
[aij] + [bij] = [bij] + [aij]
Asociativa
[aij] + ([bij] + [cij]) = ([aij] + [bij] )+ [cij]
2

A+B =

 Existencia del elemento neutro

[aij] + = [aij]

, =[ ij] , ij =0

Dado [aij] Knxm , existe : B= [-aij]

Tal que [aij] + B =
Producto:
Knxp x Kpxm Knxm
([aij] , [bij]) [aij] [bij] = [cij]
Donde:
p

[cij]=

a il blj
l=1

= (ai1++ aip) (b1j++ bpj)= ai1 b1j + ai2

b2j ++ aip bpj

Propiedades:
A(BC) =(AB)C ; A Knxp , B Kpxq , C Kqxm
Obs: no se cumple la conmutatividad
Obs: n=m
Knxn es llamado conjunto de matrices
cuadradas
existe neutro multiplicativo
En el conjunto Knxn , existe elemento neutro
multiplicativo:

Es decir: I =
I = []

1 0

0 1

ij = { 1 , i=j ; 0 , ij }

AI=IA
=A
A
Knxn

Obs:

Sea A R2X2, A Existe A-1?

A=

[ ]
1 0
0 0

[ ]
1 0
0 1

A.B = I

entonces B = A-1

[ ].[ ]= [ ]
1 0
0 0

x
w

y
z

tiene A-1

Producto de matrices:

x
0

y
0

entonces no

Determinante de una Matriz

Definicin.- Sea la matriz cuadrada

A=[aij ]

llamaremos determinante de la matriz

de orden n ,

A , al nmero real

que est relacionado con los elementos aij de la matriz.

Notacin.- | A|, det ( A) indican el determinante de la matriz
cuadrada A.
En general:

a11 a1 n
Si A=
a n 1 ann
n

1+j

det ( A ) = (1 )
j=1

]
a1 j det ( A 1 j ) Frmula de LaPlace

Donde: A 1 j es submatriz de

eliminando la fila 1 y la

j -sima columna.

Propiedades de las determinantes:

1. El determinante de una matriz cuadrada coincide con el
determinante de su traspuesta, es decir:

2. Si intercambiamos dos filas o dos columnas de una

matriz cuadrada, su determinante cambia de signo
aunque son iguales en valor absoluto.

3. Si multiplicamos todos los elementos de una fila o

columna de una matriz cuadrada por un nmero k, su
determinante queda multiplicado por dicho nmero.

Como generalizacin de esta propiedad, si multiplicamos

todos los elementos de una matriz cuadrada de orden n por
un nmero k, su determinante queda multiplicado por kn, es
decir: Det (k. A) = kn. Det (A).

4. El determinante del producto de dos matrices cuadradas

del mismo orden es igual al producto de los determinantes
de dichas matrices: Det (A. B) = Det (A)* Det (B).

5. Si una matriz cuadrada tiene todos los elementos de una

fila o columna nulos, su determinante es cero.

6. Si una matriz cuadrada tiene dos filas o dos columnas

iguales su determinante es cero.

7. Si una matriz cuadrada tiene dos filas o columnas

proporcionales su determinante es cero.

8. Si todos los elementos de una fila o columna de una matriz

cuadrada se descomponen en dos sumandos, entonces su
determinante es igual a la suma de dos determinantes que
tienen en dicha fila o columna el primero y el segundo
sumando respectivamente, siendo los restantes elementos
iguales a los del determinante inicial.

10

9. Si una fila o columna de una matriz cuadrada es

combinacin lineal de dos o ms de las restantes filas o
columnas, su determinante es cero.

11

10. Si a una fila o columna de una matriz cuadrada se le suma

otra paralela a ella, su determinante no vara.

11. Si a una fila o columna de una matriz cuadrada se le suma

otra paralela a ella multiplicada por un nmero, su
determinante no vara.

12

12. En una matriz A no singular (Det 0) se cumple:

Det(A) =

1
det( A)

Matrices Especiales

- Matriz Cuadrada
Una matriz de n por m elementos, es una matriz cuadrada si
el nmero de filas es igual al nmero columnas, es
decir, n = m y se dice, entonces que la matriz es de orden n:

13

Propiedades:
Toda matriz cuadrada se puede descomponer en la suma de
una matriz simtrica y una matriz antisimtrica.
Si A y B son matrices del mismo orden, entonces se
pueden sumar entre s. Los productos de matrices son vlidos
en ambos sentidos, AB y BA. Adems, surgen los conceptos
de determinante y traza solo aplicables a matrices cuadradas.
Una matriz cuadrada A de orden n es singular si
su determinante es nulo. En tal caso se dice que dicha matriz
no tiene inversa.

14

- Matriz nula
En matemticas, en particular en lgebra lineal,
una matriz cero o matriz nula es una matriz con todos sus
elementos iguales a cero. Algunos ejemplos de matrices
nulas son:

Por lo tanto, una matriz nula de orden mxn definida sobre

un anillo K asume la forma:

Una matriz cero es, al mismo tiempo, matriz

simtrica, matriz antisimtrica, matriz nilpotente y matriz
singular.

- Matriz Singular

15

Es aquella cuya determinante es 0 y por lo tanto no

tiene inversa.

- Matriz no singular
Es aquella cuya determinante es diferente de cero,
tambin es llamada matriz invertible.

- Matriz identidad
Llamamos matriz identidad a la matriz cuadrada (mismo
nmero de filas que de columnas) formada por unos en la
diagonal y ceros en las dems entradas (posiciones). La
representamos por In donde n es la dimensin de la matriz.

Propiedades:
Es el neutro del producto de matrices. Es decir, para toda
matriz A de dimensin m x n,

Es idempotente, es decir, sus potencias son ella misma

16

 Es regular y su inversa es ella misma.

Es una matriz permutacin.
Slo tiene un autovalor (valor propio), que es 1, con
multiplicidad algebraica la misma que la dimensin de la
matriz.
Notaciones habituales:

- Matriz Diagonal
Todos los elementos son nulos excepto los de la diagonal, esto
es, los elementos que tienen el mismo nmero de fila que de
columna.
Una matriz A diagonal de dimensin m x n que tiene por
elementos de la diagonal a los elementos del vector v se le
denota por

17

Propiedades:
Son un caso particular de las matrices triangulares.
La matriz traspuesta de una matriz diagonal de
dimensin m x n es la matriz diagonal de dimensin n x
m con la misma diagonal.
En las matrices cuadradas, el determinante es el
producto de los elementos de la diagonal:

con lo que son regulares si, y slo si, todos los elementos
de la diagonal son distintos de 0. En tal caso :

Potencias (para las cuadradas)

Producto de matrices diagonales: Sean las

matrices A y B diagonales de dimensiones respectivas m
18

x n y n x t, su producto es una matriz diagonal de

dimensin m x t

Los autovalores (valores propios) de las matrices

diagonales cuadradas son los elementos de la diagonal.

- Matrices Triangulares
Distinguimos dos tipos:
Triangular superior: todos los elementos por debajo de
la diagonal de la matriz son 0, es decir,

Triangular inferior: todos los elementos por arriba de

la diagonal de la matriz son 0, es decir,

Propiedades :
La matriz traspuesta de una triangular superior es
triangular inferior y viceversa.
19

 Si la matriz es cuadrada, su determinante es el producto

de los elementos de la diagonal

Por tanto, es regular si, y slo si, los elementos de la

diagonal son distintos de 0. En tal caso,

La inversa de una matriz triangular superior (inferior) es

una matriz triangular superior (inferior).
El producto de matrices triangulares superiores
(inferiores) es una matriz triangular superior (inferior).
Los autovalores (valores propios) de una matriz cuadrada
triangular son los elementos de la diagonal.
- Matriz Transpuesta

La matriz traspuesta de una matriz A de dimensin m x n es

una matriz de dimensin n x m que tiene por columnas a las
filas de A. Se denota como AT (o A' si la matriz es real).

20

Propiedades:
Traspuesta de la traspuesta

Traspuesta de la suma

Traspuesta del producto

Una matriz es igual que su traspuesta si, y slo si,

es simtrica

El determinante de una matriz regular es igual al de su

traspuesta

- Matriz Adjunta

Sea A una matriz de cuadrada de dimensin n

21

se define su matriz adjunta como

donde Ai , j es la matriz que resulta al quitar la fila i y

columna j a A.
Al elemento ad i , j se le denomina ( i , j )- cofactor (o adjunto)
de la matriz A.
Propiedades:
Adjunta de la identidad

Adjunta de la traspuesta

Adjunta del producto

Si A es de dimensin n y k un escalar

Si A es regular, su inversa es

E
22

- Matriz Simtrica (Sn)

Una matriz A cuadrada es simtrica si es igual a su
traspuesta. Es decir,

Propiedades:
La inversa de una matriz simtrica regular es simtrica.
La adjunta de una simtrica es simtrica.
La suma de simtricas es simtrica. El producto lo es si,
y slo si, tambin es conmutativo.
Los autovalores (valores propios) de una matriz
cuadrada, real y simtrica son reales.
23

 Autovectores (vectores propios) de autovalores distintos

de una matriz cuadrada y real son ortogonales.
Una matriz cuadrada y real, A, es simtrica si, y slo si,
es diagonalizable mediante una matriz de paso
ortogonal, Q. Es decir,

- Matriz Antisimtrica (ASn)

Una matriz cuadrada A es antisimtrica si es igual a la
opuesta de su adjunta, es decir

Teorema:
Sea A Rnxn existe B Sn , C ASn
Tal que A=B+C
- Matriz nilpotente: (1kn)
Ak = 0

A 0; Ak-1 0

- Matriz idempotente:
A2 = A
- Matriz involutiva:
A2 = i
- Matriz hermitiana:
At = A
24

A Cnxn

- Matriz antihermitiana
At = A

A Cnxn

Matriz ortogonal
At = A-1

- Matriz inversa

En matemticas, en particular en lgebra lineal, una matriz

cuadrada A de orden n se dice que es invertible, no
singular, no degenerada o regular si existe otra matriz
cuadrada de orden n, llamada matriz inversa de A y
representada como A1, tal que:
,
Donde In es la matriz identidad de orden n y el producto
utilizado es el producto de matrices usual.
Una matriz no invertible se dice que es singular o degenerada.
Una matriz es singular si y solo si su determinante es nulo.
Dada una matriz de 2x2 con determinante no nulo:

25

Est definida siempre y cuando

inversa de la matriz

. As por ejemplo la

Ya que
Dada una matriz de 3x3 con determinante no nulo:

Propiedades de la matriz inversa:

La inversa de una matriz, si existe, es nica.

La inversa del producto de dos matrices es el producto
de las inversas cambiando el orden:

26

 Si la matriz es invertible, tambin lo es su transpuesta, y el

inverso de su transpuesta es la transpuesta de su inversa,
es decir:

Y, evidentemente:

Una matriz es invertible si y slo si el determinante de A

es distinto de cero. Adems la inversa satisface la igualdad:

Donde
es el determinante de A y
adjuntos de A.

27

es la matriz de

Mtodo de Gauss Jordan para encontrar la

matriz inversa:
Es posible usar la eliminacin gaussiana para
encontrar inversas de matrices n n. Para ello se aumenta la
matriz dada, digamos A con una matriz identidad,
simplemente escribiendo las filas de la identidad a
continuacin de las de nuestra matriz A, por ejemplo dada:

se construira

y ahora se realizan las operaciones elementales sobre las filas

de la matriz aumentada que sean necesarias para obtener la
forma escalonada reducida de la matriz A; sumando tanto a la
segunda como a la tercera fila la primera obtenemos

28

multiplicamos la segunda fila por -1 y la intercambiamos con

la primera

ya tenemos el pivote de la primera fila que usamos para hacer

ceros debajo

ahora usamos el pivote de la segunda fila

y por ltimo cambiamos de signo la tercera fila y usamos el

pivote correspondiente

29

El proceso ha finalizado porque en la parte izquierda tenemos

la forma escalonada reducida de A y puesto que sta es
la matriz identidad, entonces A tiene inversa y su inversa es la
matriz que aparece a la derecha, en el lugar que al principio
ocupaba la identidad. Cuando la forma escalonada reducida
que aparece no es la identidad es que la matriz de partida no
tiene invers

- Matriz triangular
En lgebra lineal, una matriz triangular es un tipo especial
de matriz cuadrada cuyos elementos por encima o por debajo
de su diagonal principal son cero. Debido a que los sistemas
de ecuaciones lineales con matrices triangulares son mucho
ms fciles de resolver, las matrices triangulares son
utilizadas en anlisis numrico para resolver sistemas de
ecuaciones lineales, calcular inversas y determinantes de
matrices. El mtodo de descomposicin LU permite
descomponer cualquier matriz invertible como producto de
una matriz triangular inferior L y una superior U.

Una matriz cuadrada de orden n se dice que es triangular

superior si es de la forma:

30

Anlogamente, una matriz de la forma:

}
se dice que es una matriz triangular inferior.

Se suelen emplear las letras U y L, respectivamente, ya que U

es la inicial de "upper triangular matrix" y L de "lower
triangular matrix", los nombres que reciben estas matrices en
ingls.

31

Propiedades de las matrices triangulares:

Una matriz triangular superior e inferior siempre

diagonaliza en una base de vectores propios (matriz
diagonal).

El producto de dos matrices triangulares superiores

(inferiores) es una matriz triangular superior (inferior).

La transpuesta de una matriz triangular superior es una

matriz triangular inferior y viceversa.

El determinante de una matriz triangular es el producto

de los elementos de la diagonal.

Una matriz triangular es invertible si y solo si todos los

elementos de la diagonal son no nulos. En este caso, la
inversa de una matriz triangular superior (inferior) es otra
matriz superior (inferior).

Los valores propios de una matriz triangular son los

elementos de la diagonal principal.

Rango de una matriz:

El rango de una matriz es el nmero mximo de columnas
(filas respectivamente) que son linealmente independientes.
El rango fila y el rango columna siempre son iguales: este
nmero es llamado simplemente rango de A (prueba ms
abajo). Comnmente se expresa como rg(A).
El nmero de columnas independientes de una
matriz A de m filas y n columnas es igual a la dimensin
32

del espacio columna de A. Tambin la dimensin del espacio

fila determina el rango. El rango de A ser, por tanto, un
nmero no negativo, menor o igual que el mnimo
entre m y n:

Calculo del rango

Consideremos la matriz A = (aij):

1. El rango de la matriz A coincide con el de la matriz A'

que se obtiene suprimiendo en la matriz A todas la lneas
(filas o columnas) cuyas entradas estn slo formadas
por ceros, es decir, que sean nulas.
2. Consideremos la matriz:
A1 = (a11, a12, ..., a1N)
y supongamos que

Entonces:

33

Rango (A) Rango(A 1)

=1

3. Aadimos filas de la matriz A a la matriz A1 hasta

encontrar una matriz que cumpla:

Tal que posea un menor no nulo de la forma:

Por consiguiente,
Rango (A) rango(A 2) = 2.
Si esto no hubiese sido posible, entonces:
Rango (A) = 1.
Supongamos que rango (A) rango (A2) y que i = 2 y j =
2.
4. Aadimos filas a la matriz A2 hasta encontrar una
matriz que cumpla:

de forma que posea un menor de orden tres de la forma:

34

Entonces:
Rango (A) rango (A2) = 3.
En caso de no haber sido posible encontrar dicho menor,
entonces:
Rango (A) = rango (A2) = 2.
Suponiendo que rango (A) rango (A3) y que i = 3 y j = 3,
se procedera como en los casos anteriores, y as
sucesivamente hasta agotar todas las filas de la matriz A.

Ejemplos:
a) Sea la matriz A una matriz de orden tres. Hallar el
rango (A).

Como A es una matriz cuadrada de orden tres, como

mximo el rango (A) puede valer tres. Calcularemos
primero el determinante o determinantes de las
submatrices de orden dos de A. As pues

35

Ya que el resultado es cero, probaremos con todas las

submatrices de A hasta encontrar una cuyo determinante
no sea cero. Si no encontramos ninguna, el rango (A) = 1.

Puesto que el resultado de calcular el determinante de

esta submatriz de A no es nulo, podemos afirmar de
momento que el rango (A) = 2.
Aadimos ahora una columna y una fila ms para ver si
el rango puede ser tres:

Dado que el determinante de A no es nulo y a su vez es

de orden tres, el rango
(A) = 3.
No necesariamente para poder calcular el rango de una
matriz, sta tiene que ser cuadrada. As, en el siguiente
ejemplo:

b) Calcular el rango de la matriz B de orden 3 4.

36

Como hay una determinante de orden dos no nulo, el

rango de la matriz B es mayor o igual que 2. Calculamos
a continuacin los determinantes de orden superior:

Probamos con un segundo determinante de orden tres:

As pues, como hay un determinante de orden tres que

no es nulo, el rango (B) = 3.
Un rango mayor que 3 no se puede hallar, ya que no se puede
formar un determinante de orden
Recurdese que para poder calcular el determinante de una
matriz o de una submatriz, stas tienen que ser cuadradas.

Sistema de ecuaciones lineales:

La matriz ampliada M de un sistema de m ecuaciones
con n incgnitas es la siguiente:

37

Cada fila de M corresponde a una ecuacin del sistema y

cada columna a los coeficientes de una incgnita,
excepto la ltima, que corresponde a las constantes del
sistema.
Un sistema de ecuaciones lineales puede resolverse
trabajando con su matriz ampliada, especficamente,
reducindola a forma escalonada mediante el proceso de
Gauss.

Mtodo de Gauss
Para resolver sistemas de ecuaciones lineales, se aplica
el mtodo de Gauss. Este proceso se ilustra en el
siguiente ejemplo.
Ejemplo:
Sea el sistema,

Su matriz ampliada asociada es

38

Ahora resolvemos por el mtodo de Gauss sabiendo que

la primera columna corresponde a los coeficientes de
la x, la segunda a los de la y, la tercera a los de la z y la
cuarta a los trminos independientes:

De este modo, el sistema tiene la solucin nica

x = 2, y = -1, z = 3.

39

Conclusiones:

En la operaciones de los determinantes pudimos llegar a

la conclusin que podemos trabajar sobre la matriz al
obtener el determinante para que nuestra resolucin sea
mucho ms rpida y haciendo que el resultado de la
misma no sea alterado de alguna forma.
Las diferentes formas de resolucin nos llev a un
enfoque mucho ms amplio de la resolucin del
determinante de una matriz, ya que cada una de ellas
poda ser utilizadas en las otras, ya que en el mtodo de
cofactores se usa mucho la resolucin del determinante
de las matrices, las permutaciones cuando queremos
transformar una matriz a una triangular superior o
inferior para la resolucin del determinante por medio
del producto de la diagonal.
En el punto de las aplicaciones se pudo ver formas
mucho ms simples que podemos usar para la resolucin
de la inversa, la adjunta y sistemas de ecuaciones
lineales.

40

Espacios Vectoriales
Definicin.- Sea V un conjunto no vaco, sea K un cuerpo
en el cual estn definidas las operaciones de Suma y
Producto. Se dir que V es un Espacio Vectorial sobre K , si
est provisto de las 2 operaciones siguientes
Suma:
+:V V V

( u , v ) u+v

Y se cumplen las propiedades:

A1) Conmutativa:

u+ v=v +u ; u , v V

A2) Asociativa:

( u+ v )+ w=u + ( v +w ) ; u , v , w V

A3) Elemento Neutro: V /u+=u ; u V

A4) Dado u V ; v V /u+ v=

Notacin: v =u

Producto por escalar:

: K V V

( , u ) u

P1) Elemento Neutro: 1.u=u

P2) Distributividad: ( + ) u=u+ u
P3) Asociatividad: ( u ) =( )
41

Si en el conjunto V se cumplen las propiedades

mencionadas anteriormente, se dir que V
Vectorial.

es un Espacio

Notacin.( V ,+ , )

Espacio Vectorial.

Ejemplo:
3
3
Sea V =R . Sean u=( x1 , y 1 , z 1 ) , v=( x 2 , y 2 , z 2 ) R
3

+: R R R

( u , v ) u+v =( x 1+ x 2 , y1 + y 2 , z1 + z 2 )

( , u ) u=( x1 , y 1 , z1 )

: R R 3 R

3
Afirmacin: ( R ,+, ) es un Espacio Vectorial.

Sub-Espacios Vectoriales
Definicin.- Sea un Espacio Vectorial, y sea W V . Se
dice que W es un Sub-Espacio Vectorial de V , si W
Espacio Vectorial.

es un

Teorema:
Sea un Espacio Vectorial, y sea W V . ser un SubEspacio Vectorial, si, y slo si cumple con las siguientes
propiedades:
1. W
2. Si

u , v W u+ v W

Ejemplo:
42

2
Sea R el Espacio Vectorial. Sea Sub-Espacio
2
Vectorial de R .

W =L que pasa por el origen

W =R2
W ={ }

3
Sea R el Espacio Vectorial. Sea Sub-Espacio
3
Vectorial de R .

W =Recta L que pasa por el origen

W =Plano P que pasa por el origen

W =R3
W ={ }

Observacin:
L={P /P=u ; R }(Recta que pasa por el origen de coordenadas)
P={P /P=u + v ; , R }(Plano que pasa por el origen de coordenadas)

Nota: A { } se le conoce como Sub-Espacio Trivial de . A

todos los Sub-Espacios de que no sean { } ni , se les llama
Sub-Espacios Propios.

Conjunto Generador de un Espacio

Vectorial
Definicin.- Sea un Espacio Vectorial, se dice que el
conjunto de vectores { u1 ,u 2 , , uk } V
43

genera , si para todo

P V ; 1 , 2 , , k R , tal
k

que P= i ui . En este caso, { u1 ,u 2 , , uk } ser el conjunto generador de .

i =1

Ejemplos:
2
1) { i, j } es un conjunto generador de R ; i= (1 ; 0 ) , j=(0 ; 1) .

2) { i, j , k } es un conjunto generador de
R3 ;i=( 1; 0 ; 0 ) , j=( 0 ; 1; 0 ) , k =( 0 ; 0 ; 1 ) .

Espacio Generado por un conjunto de

vectores
Definicin.- Sean u1 ,u 2 , , un vectores de un Espacio Vectorial
, se define:

L {u 1 , u2 , ,u n }= u V /u= i ui , i R
i=1

Se dir que el Espacio generado por { u1 ,u 2 , , un } es el conjunto

de combinaciones lineales de u1 ,u 2 , , un .
Teorema:
Sean u1 ,u 2 , , un vectores de un Espacio Vectorial :

L { u1 , u2 , ,un }

es un Sub-Espacio Vectorial de .

Ejemplo:
Hallar el espacio generado por los vectores u1=( 1 ; 1; 0 ) y
u2=(1; 0 ; 1) .

Solucin:
44

Buscamos hallar , el cual es el espacio generado por { u1 ,u 2 } .

W =L { (1; 1 ; 0),(1; 0 ; 1)}={u R3 /u= 1 ( 1; 1 ; 0 ) + 2 ( 1 ; 0 ; 1 ) }
u= ( x , y , z )= 1 ( 1 ; 1 ; 0 ) + 2 ( 1 ; 0 ;1 )

u= ( x , y , z )=( 1 + 2 , 1 , 2 )

x= 1 + 2 ( 1 )
y = 1 ( 2 )
Sustituyendo (2) y (3) en (1):
z= 2 ( 3 )

x= y + z x y z=0

3
El espacio generado por u1 y u2 es: W = { ( x , y , z ) R / x y z=0 }

que viene a ser un plano en

que pasa por el origen.

Por teorema, es un Sub-Espacio Vectorial de

Espacio Propio)

R3 . (Sub-

Bases y Dimensin de un Espacio Vectorial

Definicin.- Sea un Espacio Vectorial, se dice que el
conjunto de vectores { u1 ,u 2 , , uk } V

es base del Espacio

Vectorial , si:
1.

L {u 1 , u2 , ,u k }=V

2. { u1 ,u 2 , , uk } es linealmente independiente.
Definicin.- Sea un Espacio Vectorial, cuya base

{ u1 ,u 2 , , uk } V tiene k vectores, se dice que es un Espacio

Vectorial de dimensin k .
Notacin.dim R V =k
45

Ejemplo:
Hallar una base y la dimensin del siguiente Sub-Espacio
Vectorial:
3
X ={( x , y , z ) R /2 x +3 z y=0 }

Solucin:
Sea

P=( x , y , z ) X 2 x +3 z y=0

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

y=2 x+ 3 z

P=( x , y , z )=( x ,2 x , 0 )+ ( 0,3 z , z )

P=( x , y , z )=x ( 1 ; 2 ; 0 ) + z (0 ; 3 ; 1) L {(1 ; 2; 0) ,(0 ; 3 ; 1) }

X L { ( 1 ; 2; 0 ) , ( 0 ; 3 ; 1 ) }
dimR X=2

( 1; 2 ; 0 ) , ( 0 ; 3 ;1 ) X

Como X

es un Sub-Espacio Vectorial:

( 1; 2 ; 0 )+ (0 ; 3 ; 1) X

L { ( 1 ; 2; 0 ) , ( 0 ; 3 ; 1 ) } X

Propiedades:
Sean X , Y V ; donde es un Espacio Vectorial.
1) Si

X Y L {X } L {Y }

2) L{ X } es un Sub-Espacio Vectorial.
3) Si es un Sub-Espacio de
4) Si

W V X W L { X } W

V L { W }=W

.
46

Nota: L{ X } es el menor Sub-Espacio Vectorial que contiene a

X .

Ejemplo:
2
Sean X ={ u } ,Y ={ u , v } V ; donde V =R es un Espacio Vectorial.

X Y L { X }={u / R } L { Y }={u+ v / , R }

L { X }={u / R }

es un Sub-Espacio Vectorial.

Ejemplo:
n
Sea V =R un Espacio Vectorial.

Vectores Cannicos:
e 1=( 1; 0; ; 0 ) ,e 2=( 0 ; 1 ; 0 ; ; 0 ) , , en =(0 ; 0 ; ; 1) R n
i L { e 1 , e 2 , , e n }=R

ii { e 1 , e 2 , , e n }

son Linealmente

Independientes.
Solucin:
i L { e 1 , e 2 , , e n }=R

[ ] { e1 , e2 , , e n } Rn

[ ] Sea

L {e1 , e 2 , , e n } R L { e1 , e2 , , en } R

L { e1 , e2 , , en } L { R n }=R n

x=( x 1 , x 2 , , x n ) Rn

x=( x 1 ,0, , 0 ) + ( 0, x 2 , ,0 ) ++ ( 0,0, , x n )

x L { e 1 , e 2 , , e n }

R L {e 1 , e 2 , , e n }

L { e1 , e2 , , en } =Rn

47

x=x 1 . e 1+x 2 . e2 ++ x n . en

[]

e1
ii I = e 2 ; det ( I )=1 0 { e 1 ,e 2 , ,e n }

en

son L. I .

Suma de Espacios Vectoriales

Sean X , Y Sub-Espacios Vectoriales de un Espacio Vectorial
.
La suma de los Sub-Espacios X y Y se define del siguiente
modo:
X +Y ={u+ v /u X , w Y }

Observaciones:
1) En general X +Y X Y , pues X Y
Espacio.
2) X Y X +Y
3)

no siempre es un Sub-

{YX XX +Y+Y
4) Si es un Sub-Espacio de , tal que X Y W , entonces
5)
6)

X +Y W .
X +Y es el menor Sub-Espacio que contiene a
X Y es un Sub-Espacio Vectorial.

X Y .

Suma Directa de Espacios Vectoriales

Sean X , Y

Sub-Espacios Vectoriales de un Espacio Vectorial .

Si X Y ={ } , se dice que X Y
48

es la suma directa de X y Y .

X Y ={u+v /u X , w Y }

Teorema:
Si X y Y son dos Sub-Espacios de , y la dimensin de es
finita, entonces:

dim( X+ Y )=dim X +dim Y dim(X Y )

dim( X Y )=dim X+ dim Y

Observacin:
W V dim W =dimV W =V

Si

Ejemplo:
Sea un Sub-Espacio del Espacio Vectorial

X ={( x , y , z ) R3 /x +2 y+ 3 z =0 }

Muestre un Sub-Espacio Vectorial y , tal que

X +Y =R3 X Z =R3 .
dim Y =2 dim Z=1

Solucin:

Sea

Y ={ ( x , y , z ) R /2 x+2 yz =0 }
P=( x , y , z ) Y 2 x+2 yz =0

P=( x , y , z )=( x , y , 2 x +2 y )

z=2 x+2 y

P=( x , y , z )=( x ,0,2 x )+ ( 0, y , 2 y )

P=( x , y , z )=x ( 1 ; 0 ; 2 ) + y ( 0 ;1 ; 2 ) L {(1 ; 0 ; 2) ,(0 ; 1 ; 2) }

49

Y =L {(1 ; 0 ; 2),( 0 ; 1; 2) }

dim Y =2

X +Y =R

dim X Y =1

dim( X+ Y )=dim X +dim Y dim ( X Y )=2+21=3

Z ={ t ( 1 ; 2; 3 ) /t R } =L {(1; 2 ; 3) }

dim Z=1

X Z =R 3
dim X Z =0
dim( X Z)=dim X +dim Z=2+1=3

Conclusin
Un espacio vectorial es una estructura algebraica. Muchos
conjuntos tienen esta estructura, con las operaciones usuales.
Por ejemplo, los pares ordenados de nmeros reales, las ternas,
los polinomios, los vectores libres del plano, los del espacio, las
sucesiones, las matrices, etc. Cuando se estudian los espacios
vectoriales, se obtienen conclusiones comunes a todos estos
conjuntos.

Transformaciones Lineales
Sean

V yW

dos espacios vectoriales sobre el cuerpo

Una transformacin lineal

T :V W
50

K .

es una correspondencia

que a cada vector v V

le asigna un vector T (v )W

tal que,

para cualquier u , v V y a K , se cumple la relacin

T ( au+ v)=aT (u)+T (v )

La particularidad de una transformacin lineal es que preserva

las operaciones de suma de vectores y producto de un escalar
por un vector.
a.- T (v)=T ( v )
)

(decimos que

extrae al escalar

b.- T ( v +u)=T (v )+T ( u)

(T preserva las operaciones suma
de los espacios vectoriales)
Ejemplo 1: Sea T una funcin definida por:
T ( x , y)=( x + y , x y , y )

Comprobar que T L( IR , IR ) .
Solucin
T extrae al escalar:

T ( ( x , y))=T (x , y)
(x+ y , xy , y)
( x+ y , x y , y)

T ( x , y )

T preserva la suma:
T ((x 1 , y 1)+(x 2 , y 2))
T (x 1+ x 2 , y 1+ y 2)
( x 1+ x 2+( y 1+ y 2), x 1+ x 2( y 1+ y 2), y 1+ y 2)
( x 1+ y 1 , x 1 y 1 , y 1)+( x 2+ y 2 , x 2 y 2 , y 2)
51

 T (x 1 , y 1)+T ( x 2 , y 2)

Por lo tanto :T ((x 1 , y 1)+( x 2 , y 2))=T ( x 1, y 1)+T ( x 2 , y 2) .

Relacin
matrices
Cada

entre

matriz

en

transformacin en

transformaciones

M (m, n , IR)
n

L( R , R )

,
n

transformacin lineal en

determina

R ,R
L

una

inversamente,

y
nica
cada

) se puede asociar a una

A M (m , n , IR) , nica si fijamos una base para

matriz
cada espacio.
Sea A una matriz de tamao m n. A la matriz A le
asociamos
la transformacin lineal:

n
m
TA : R R

tal que

TA(x )= Ax

x Rn

Claramente TA es lineal. En efecto:

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

De lo anterior podemos concluir que toda matriz de tamao

m n puede verse como una transformacin lineal de
Rn en Rm .
Ejemplo 2: Hallar la matriz asociada a la transformacin lineal

2
2
T: R R definida por

T ( x , y)=(5 x +4 y , 3 x2 y)

( [ ]) [

x = 5 x+ 4 y
y
3 x2 y

]
52

][ ]

5 4 x
3 2 y

5 4
As obtenemos que A= 3 2

2x 2
es la matriz R
asociada a T.

Observaciones:
(i) Una consecuencia directa de la propiedad ( b) de la
definicin
de t. l. es que T hace corresponder el cero de
V con el cero de W.
0v
T ( 0 v )=T (0 v +0 v)=T (0 v)+T ).
Luego T (0 v )=0 w . Ntese que usamos el smbolo
0v
para referirnos al cero de V y 0 w para el

En efecto,

de W.
( ii) Las propiedades ( a) y ( b) definitorias de una t. l.
, se pueden resumir en una sola como se puso al
principio:
T L(V , W )

T (v+u)=T (v )+ T (u)

v ,u V y IR .

Ncleo e Imagen
Sea T L( V, W) :
a.- El conjunto
ncleo de T.

Nuc(T )={v V /T (v)=0 w }

se

l lama

Img(T )={T ( x)/ x V } se llama imagen

b.- El conjunto
de V
bajo T, o simplemente imagen de T.

Teorema 1. Sea T L( V, W) .El Nuc ( T) y la

( T) son subespacios de V y W respectivamente.
Ejemplo 3:
53

Img

R3 R3
definido
T ( x , y , z )=( x +3 y + 4 z , 3 x+ 4 y +7 z ,2 x+ 2 y )

Sea

la

t.l.

T:

por

la

regla

a) Hallar la IMAGEN de T
b) Hallar el NUCLEO de T
Solucion:
a) La Imagen de T esta formado por vectores de la forma (r,
s, t) tal que
(r , s ,t )=( x +3 y +4 z , 3 x+ 4 y +7 z ,2 x+2 y )
x+ 3 y + 4 z=r
3 x+ 4 y +7 z=s
2 x +2 y =t

Haciendo mas sencilla la matriz aumentada:

[ ]

3 s4 r
5
1 3 4 r 1 0 1
s+3 r
3 4 7 s 0 1 1
5
2 2 0 t
0 0 0
8 s14 r +5 t
5

][ ] [ ]

T (V )={( r , s , t) R /8 s14 r+ 5 t=0 }

La Imagen de T es
geomtricamente es un plano que pasa por el origen.

b) El ncleo de T se obtiene:
( x+ 3 y + 4 z ,3 x +4 y+7 z ,2 x +2 y )=(0,0, 0)
x+ 3 y + 4 z=0
3 x+ 4 y +7 z=0
2 x +2 y =0

Haciendo ms sencilla la matriz aumentada:

][ ] [ ] [ ]

1 3 4 0 1 0 1 0
3 4 7 0 0 1 1 0
2 2 0 0
0 0 0 0

54

que

Haciendo z=t

x+ t=0 x=t

y +t=0 y=t

Entonces el vector solucin es

(x , y , z)=(t ,t , t)
t (1,1,1)
3
El nucleo de T es Nuc(T )={v=(x , y , z ) R /x =t , y =t , z=t }

Representa la ecuacin paramtrica de una recta que pasa

por el origen de coordenadas.
Teorema 2. Sea T L( V, W) y V de dimensin finita,
entonces
dim V =dim( Nuc(T ))+dim( Img(T ))

Matriz de una transformacin lineal

La matriz de T (o representacin matricial) en el par de
bases B1 y B2 se define por:

a11 a1 n
B2
[T
]
=([T
(v
1)]B
2

[T
(
vn)]B
2)=

B1
[
a m 1 a mn

Teorema 3. Sea T L(V ,W ), B 1={v 1, , vn } una base de V , y

B 2={u 1, , um}

una base de W.

B2
B1

Si A= ( aij ) m n=[ T ]
es la matriz de T en las bases B1 y B2,
entonces
[T ( x)] B 2 = [T ] BB 21 [x ]B 1 x V .
Ejemplo 4:
3
2
Considere la t.l. T : R R tal que
55

[][

x
T y = x+ y
3 xz
z

C 1={e 1, e 2, e 3 } ,

Y sean
3

R yR

]
C 2={f 1, f 2 }

las bases cannicas de

respectivamente. Adems
B 1={ ( 1,1, 2 ) t , (3, 0, 1 ) t , ( 2, 4, 3 ) t } una base de R3 y

B 2={(4, 1),(3, 1) }

base de

R2 . Encuentre las matrices:

[T ]BB 21 .

Solucin:
Resulta fcil ver que:
T

()

[( e 1)] c2= 1
3

T ( e1 )= 1 =f 1+3 f 2
3

()

( 10 )

[ ( e 2 ) ]c 2=

1
=f 1+0 f 2
0

()

T ( e2 )=

( )

[(e 3)]c 2= 0
1

T ( e1 )= 0 =0 f 1f 2
1

( )

Luego

56

[T ]CC 21

[ T ( e1 ) ]C 2 [ T (e 2) ]C 2 [ T (e 3) ]C 2= 13

1 0
0 1

C2
C1

[ T ] =

[] []

[] []

[ ][

] [] []

[][]

[] []

1
T 1 = 2 =a11 4 + a21 3
1
1
1
2

3
T 0 = 3 = a12 4 + a22 3
10
1
1
1
2
T 4 = 6 = a13 4 + a23 3
3
1
1
3

[ ][ ] [ ]
4 3 a11 = 2
1 1 a 21 1

[ ][ ] [ ]
4 3 a 12 = 3
1 1 a 22 10

[ ][ ] [ ]
4 3 a 13 = 6
1 1 a 23 3

Luego:

[[] [[ ] [[]

1
B2
[T ]B 1=( T 1
2

B2

3
T 0
1

B2

2
T 4
3

)
B2

1 27 3
2 37 6

57

Inyectividad,
Biyectividad

Sobreyectividad

Sea f : A B , una funcin del conjunto A al conjunto B.

a) Se dice que f es inyectiva si todo elemento
ms una pre imagen

zB

tiene a lo

x
x A , z=f ), o equivalentemente si:

f ( x)=f ( y )= x= y

b) f es sobreyectiva si todo elemento z B es imagen de

algn
x A , o sea, Img( f )=B . Equivalentemente, f es sobreyectiva
si la ecuacin en la variable x:
f ( x)=z tiene solucin z B
c) Cuando f es inyectiva y sobreyectiva se dice que f es
biyectiva.
3
3
Ejemplo 5: Sea T L( R , R ) definida por

T ( x , y , z )=
(x y ,x + y + z , y + z ) . Es T sobreyectiva?

Solucin:
T es sobreyectiva si T (x , y , z )=( a , b , c) tiene solucin
3

(a , b , c ) R .
T ( x , y , z )=( a , b , c)
(x y ,x + y + z , y + z)=(a , b , c )

x y=a
x + y + z=b

y + z =c

Resolviendo

el

sistema
se
tiene
que
3
(x , y , z)=(2 a+bc , a+bc ,a+ b) . Luego para cada (a, b, c) R el
sistema tiene solucin por lo tanto es sobreyectiva.

58

Verificar la inyectividad de una transformacin lineal a partir

de la definicin, aunque no es en extremo difcil, es ms difcil
si se emplea el teorema siguiente.
Teorema 4. Sea T L(V,W). Se tiene que:
T es inyectiva Nuc(T )={0}.
Teorema 5. Sea T L(V,W)
(a) Si V =Cl {v 1, , vm } entonces
Img(T )=Cl {T (v 1), ,T ( vm)}

(b) Si T es inyectiva y v 1, , vm son l.i. entonces

T ( v 1) , , T (vm) son l.i.
En particular: dimV =dim( Img(T )).

Conclusin
Se han visto de forma ms detallada y con ms exactitud los
teoremas y propiedades que hilan todos los temas propuestos
por este trabajo y se ha llegado a la conclusin de que todos
los temas estn relacionados en cierta forma ya que en varios
de estos se necesita recurrir a las propiedades que se han
visto en temas anteriores.

59

Autovalores y autovectores
Definicin de autovalor: R (o a C, aunque no lo
consideraremos) es un autovalor de una matriz A, cuadrada, n
n
n
n, si existe un vector x R ( a E ) , x 0 tal que A x = x .
A x se le llama autovector asociado al autovalor .
Tambin se utilizan los nombres valor propio y vector propio,
respectivamente, para autovalor y autovector.
Observaciones:
2
2
1. Si A x = x A x = A x = x .

n
n
A x = x

An

Por tanto, para determinar cmo acta

resulta til

conocer y x , pues el estudio de es mucho ms

sencillo.
2. Si x es un autovector asociado a , entonces k x es otro
autovector asociado a .
En efecto: si A x = x A ( k x )=k ( A x )=k ( x )= ( k x )

Diagonalizacin: Casos
Una matriz cuadrada A, de orden n, se dice que es
diagonalizable si existe una matriz invertible P, de orden n, y
1
una matriz diagonal, tal que P AP=D .

Otra manera de decirlo es: Una matriz cuadrada A es

diagonalizable si es semejante a una matriz diagonal.
Caso 1. Cuando todos
pertenecen a los reales:

los

autovalores

son

distintos

Si una matriz cuadrada A, de orden n, tiene n autovalores

reales distintos diferentes de cero, entonces el conjunto {
60

x 1 , x 2, , . , x n } es linealmente independiente. Luego, la matriz

A es diagonalizable.
Puede observarse que si { x 1 , x 2, , . , x n } son L.i

la

matriz P={ x 1 , x 2, , . , x n } es inversible. Luego puede escribise

1
que PD P = A .

Ejemplos:
1. Diagonalizacin de

3 1 0
A 1= 1 2 1
0 1 3

3 1
0
| A1 I|= 1 2 1 =0 (3)(1)( 4)=0
0
1 3

Autovalores: = 3; = 1; = 4 R
. Los tres
autovalores son simples
la matriz es diagonalizable.
Si = 3,

][ ] [ ]
x

( A1 I ) x =0 1 1 1 y = 0

y =0 x=t

x yz=0 y =0
y =0 z=t

[]

1
x 1= 0
1

Si = 1,

][ ] [ ]

2 1 0 x
0

( A1 I ) x =0 1 1 1 y = 0
0 1 2 z
0

61

2 x y=0 x=t

x + y z=0 y=2 t
y +2 z=0 z=t

[]

1
x 2= 2
1

Si = 4,

][ ] [ ]

1 1 0 x
0

I
x

=
0

=
( 1
)
1 2 1 y
0
0 1 1 z
0
x y=0 x=t
x2 y z=0 y=t

y z=0 z=t

[]

1
x 3= 1
1

La matriz

1 1 1
3 0 3
1
P= 0 2 1 P1 =
1 2 1
6
1 1 1
2 2 2

[ ]

3 0 0
P A 1 P=D= 0 1 0
0 0 4
1

2. Diagonalizacin de

3 0
2
A 2= 1 2 3
2 5 1

62

| A2 I|=

3
0
2
1
2
3 =0 (+ 6.341)( + 2.251)( 2.592)=0
2
5
1

R
Autovalores: = 6.341 ; = 2.251 ; = 2.592
Los tres autovalores son simples

la matriz es
diagonalizable.

Si = 6.341 ,

( A2 I ) x =0

][ ] [ ]

3.341
0
2
x
0
=
1
4.341 3 y
0
2
5 5.341 z
0

3.341 x +2 z=0 x=0.598 t

x+ 4.341 y3 z=0 y=0.828 t

2 x 5 y +5.341 z=0 z=t

[ ]

0.598
x 1= 0.828
1

Si = 2.251 ,

( A2 I ) x =0

][ ] [ ]

0.749
0
2
x
0
=
1
0.251 3 y
0
2
5 1.251 z
0

0.749 x +2 z=0 x=2.669 t

x+ 0.251 y 3 z =0 y=1.317 t
2 x 5 y +1.251 z=0 z=t

[ ]

2.669
x 2= 1.317
1

63

 Si = 2.592

( A2 I ) x =0

][ ] [ ]

5.592
0
2
x
0
1
4.592
3
y =0
2
5
3.592 z
0

5.592 x+ 2 z=0 x=0.357 t

x4.5923 z=0 y=0.575 t

2 x 5 y 3.592 z=0 z =t

[ ]

0.357
x 3= 0.575
1

La matriz

0.598 2.669 0.357

P= 0.828 1.317 0.575
1
1
1

3.374 0.457 0.396

P1= 0.277
0.189 0.009
0.096 0.646 0.593

P1 A 2 P=D=

6.341
0
0
0
2.251
0
0
0
2.592

Caso 2. Cuando hay autovalores repetidos (multiplicidad) y

pertenecen a los reales:
Si una matriz cuadrada A, de orden n, es diagonalizable si y
slo si todos sus autovalores son reales y diferentes de cero,
adems, la multiplicidad geometrica de cada uno coincide con
su multiplicidad algebraica.

64

La multiplicidad algebraica es la del autovalor: solucin doble,

triple de la ecuacin P ( )=| AI |=0.
La multiplicidad geometrica es la de los autovectores
respectivos: la dimension del espacio vectorial solucion del

autosistema ( A I ) x =0

Ejemplos:

3. Diagonalizacin de

4 1 1
A 3= 2 5 2
1 1 2

4
1
1
| A3 I|= 2 5 2 =0 ( 3 )2 ( 5 ) =0
1
1
2

Autovalores:

= 3; multiplicidad=2
= 5; multiplicidad=1

Si = 3,

][ ] [ ]

1 1 1 x

1 1 1 z

( A3 I ) x =0 2 2 2 y = 0

x+ yz=0 x=t x =0

2 x +2 y2 z=0 y =0 y=t
x+ yz=0 z=t z =t

[] []

1
0
x 1= 0 x 2= 1
1
1

65

R
R

Dim ( =3 )=multiplicidad=2 Si es diagonalizable

Si =5,

][ ] [ ]

1 1 1 x
0

I
x

=
0

=
( 3
)
2 0 2 y
0
1 1 3 z
0
x + y z=0 x=t

2 x 2 z=0 y=2 t
x+ y3 z=0 z=t

[]

1
x 3= 2
1

[ ]

1 0 1
1 1 1
1
1
P= 0 1 2 P = 2 0
2
2
1 1 1
1
1 1

La matriz

[ ]

3 0 0
P1 A 3 P=D= 0 3 0
0 0 5

4. Diagonalizacin de

3 1 1
A 4 = 7 5 1
6 6 2

4
1
1
| A 4I |= 2 5 2 =0 ( +2)2 (4)=0
1
1
2

66

Autovalores:

= -2; multiplicidad=2

= 4; multiplicidad=1
Si = -2,

][ ] [ ]

1 1 1 x
0

A
I
x

=
0

=
( 4
)
7 7 1 y
0
6 6 0 z
0
x + y z=0 x=t
7 x +7 yz =0 y=t

6 x +6 y =0 z=0

[]

1
x 1= 1
0

Dim ( =2 ) multiplicidad No es diagonalizabe

Si =4,

][ ] [ ]

7 1 1 x
0

( A4 I ) x =0 7 1 1 y = 0
6 6 6 z
0
7 x + yz =0 x=0
7 x + yz =0 y=t

6 x +6 y 6 z=0 z=t

[]

0
x 2= 1
1

Como la matriz A 4 tiene un maximode 2 vectores propios linealmente

independiente ,no es similar a una matriz diagonal ,o sea , A4
no es diagonalizable

67

Caso 3. Cuando hay autovalores que pertenecen a los

complejos:
Si una matriz cuadrada A, de orden n, tiene n autovalores
complejos distintos diferentes de cero, entonces el conjunto {
x 1 , x 2, , . , x n } es linealmente independiente. Luego, la matriz

A es diagonalizable.
Puede observarse que si { x 1 , x 2, , . , x n } son L.i

la

matriz P={ x 1 , x 2, , . , x n } es inversible. Luego puede escribise

1
que PD P = A .

Ejemplos:
5. Diagonalizacin de

[ ]

1 5 4
A 5= 1 1 3
3 4 1

1
5
4
| A5 I|= 1 1 3 =0
3
4
1
( 7.228)( + 2.1140.308 i)( +2.114 +0.308 i)=0

Autovalores: = 7.228 ; = 2.114 0.308 i ; =

2.114 +0.308 i

. Los autovalores son simples

la matriz es diagonalizable.
Si = 7.228 ,

( A5 I ) x =0

][ ] [ ]

6.228
5
4
x
0
1
6.228
3
y=0
3
4
6.228 z
0

68

6.228 x +5 y +4 z =0 x=1.181t

x6.228 y +3 z=0 y=0.671t

3 x+ 4 y6.228 z=0 z =t

[ ]

1.181
x 1= 0.671
1

Si = 2.114 0.308 i ,

( A5 I ) x =0

][ ] [ ]

3.114 +0.308 i
5
4
x
0
1
3.114 +0.308 i
3
y=0
3
4
3.114+ 0.308 i z
0

(3.114 +0.308 i) x+5 y + 4 z=0 x=( 0.3740.424 i) t

x+ ( 3.114+ 0.308i ) y+ 3 z =0 y=(1.059+ 0.241i)t

3 x+ 4 y +(3.114+ 0.308i)z=0 z =t

0.3740.424 i
x 2= 1.059+0.241 i
1

Si = 2.114 +0.308 i ,

( A5 I ) x =0

][ ] [ ]

3.1140.308 i
5
4
x
0
1
3.114 0.308i
3
y=0
3
4
3.1140.308 i z
0

(3.1140.308 i)x +5 y+ 4 z=0 x=(0.374+ 0.424 i) t

x+ ( 3.1140.308 i ) y +3 z=0 y =(1.0590.241 i)t

3 x+ 4 y +(3.1140.308 i) z=0 z=t

69

0.374 +0.424 i
x 3= 1.0590.241i
1

La matriz

1.181 0.3740.424 i
0.374+ 0.424 i
P= 0 0.671 1.059+ 0.241i 1.0590.241i
1
1
1

17

17

17

0.259+3.927 x 10 i 0.456+2.775 x 10 i 0.3862.775 x 10

P = 0.129+0.931 i
0.2280.433 i
0.3060.808 i
0.1290.931 i
0.228+0.433 i
0.306+ 0.808i
1

7.228
0
0
P A 5 P=D= 0
2.1140.308 i
0
0
0
2.114 +0.308 i
1

6. Diagonalizacin de

1 1 1
A 6= 1 2 1
1 1 3

1
1
1
| A6 I|= 1 2
1 =0
1
1
3
( +2)(+i (2 i+ 2 ) )( i ( 2i+ 2 ))=0

Autovalores: = 2 ; = i (2i+ 2 ) ; = i ( 2 i+ 2 ) C
Los autovalores son simples
diagonalizable.

Si = 2 ,
70

la matriz es

][ ] [ ]

1
1 1 x
0

A
I
x

=
0

=
( 6
)
1 0
1 y
0
1 1 1 z
0
x+ yz=0 x=t
x z=0 y=0

x yz=0 z =t

[]

1
x 1= 0
1

Si = i (2i+ 2 ) ,

( A6 I ) x = 0

][ ] [ ]

i ( 2 i+ 2 )
1
1
x
0
1
i (2i+ 2 )
1
y=0
0
1
1
i (2i+ 2 ) z

1
i (2 i+ 2 ) x+ yz=0 x= (12 i 2) t
3
1
x +i (2 i+ 2 ) y + z=0 y= (2 i+ 2) t
3
x y +i (2 i+ 2 ) z=0 z=t

[ ]

1
(12i 2)
3
x 2= 1
(2 i+ 2)
3
1

Si = i ( 2 i+ 2 ) ,

71

( A6 I ) x = 0

][ ] [ ]

i ( 2 i+ 2 )
1
1
x
0
1
i ( 2i+ 2 )
1
y=0
0
1
1
i ( 2i+ 2 ) z
1
i ( 2i+ 2 ) x+ y z=0 x= (1+ 2i 2)t
3
xi ( 2 i+ 2 ) y + z=0 y =

1
(2 i+ 2) t
3

x yi ( 2i+ 2 ) z=0 z=t

[ ]

1
(1+2i 2)
3
x 3= 1
(2 i+ 2)
3
1

La matriz 0

P1=

1
1
(12 i 2)
(1+2 i 2)
3
3
1
1
1
(2 i+ 2)
(2i + 2)
3
3

1
P=[ 1 ]

1
2

1
2

1
1
1
i(i+ 2)
i (2i+ 2)
(1i 2)
4
4
4
1
1
1
i(i+ 2)
i(2i+ 2)
(1+i 2)
4
4
4

2
0
0
P A 6 P=D= 0 i (2i + 2 )
0
0
0
i ( 2i + 2 )
1

72

Caso 4. Cuando hay autovalores que son iguales a cero:

7. Diagonalizacin de

2 3 5
A 7= 0 3 0
6 9 15

2
3
5
| A7 I|= 0 3 0 =0 ( 3)(17)=0
6
9
15

Autovalores: = 0; = 3; = 17 R
. Los tres
autovalores son simples
la matriz es diagonalizable.
Si = 0,

][ ] [ ]

2 3 5 x
0

A
I
x

=
0

=
( 7
)
0 3 0 y
0
6 9 15 z
0
2 x +3 y +5 z=0 x=5 t

3 y=0 y =0

6 x+ 9 y+ 15 z=0 z =2t

[]

5
x 1= 0
2

Si = 3,

][ ] [ ]

1 3 5 x
0

( A7 I ) x = 0 0 0 0 y = 0
6 9 12 z
0

x +3 y +5 z=0 x=3 t

0=0 y=14 t
6 x+ 9 y+ 12 z=0 z=9t
73

[ ]

3
x 2= 14
9

Si = 17,

( A7 I ) x = 0

][ ] [ ]

15
3
5 x
0
0 12 0 y = 0
6
9 2 z
0

15 x +3 y +5 z =0 x=t
12 y=0 y=0

6 x+ 9 y2 z=0 z=3 t

[]

1
x 3= 0
3

La matriz

[ ]

3
17

5
3
1
P= 0 14 0 P1= 0
2
9 3
2
17
0 0 0
P1 A 7 P=D= 0 3 0
0 0 17

1
14
3
14

1
17
0

5
17

Conclusin

El objetivo es determinar qu matrices son diagonalizables y,

de acuerdo a esto, hallar P y D.

Espacios con Producto Interno

Proceso de Ortogonalizacin de GramSchmidt
Teorema:
74

Sea V un espacio con producto interno y sean v1,,vn vectores

independientes cualesquiera de V. Entonces se pueden
construir vectores ortogonales c en V tales que para cada
k=1,2,,n el conjunto S={1,,k} sea una base del
subespacio generado por v1,,vk.
Demostracin:
La construccin de los vectores ortogonales 1,,k es por un
algoritmo conocido con el nombre de proceso de
ortonormalizacin de Gram Schmidt.
PRIMERO: asumimos que 1= v1.
SEGUNDO: Supongamos que, por induccin, los vectores 1,
,m (1mn) hayan sido elegidos de modo que para cada k
{1,,k} , 1km es una base ortogonal para el subespacio
de V que es generado por v1,,vk.
El siguiente vector, despus de m es:
m

v m +1 , k
k
2
k=1
k

m +1=v m +1

(1)

Vm+1

m+1
k
m

v m +1 , k
k
2
k=1
k

En (1) m+10. De ser m+1=0, se tendra que vm+1 es

combinacin lineal de 1,,m.
Adems se cumple que: m+1 , j =0, si 1jm.
Probemos:
75

m+1

m+1 , k , = v , m m+1 , k ,
m +1 j
k
j
k
j
2
2
k=1
k=1
k
k

v m+1

m +1 , k
k , j (2)
2
k=1
k

v m +1 , j

En (1) multiplicar, escalarmente, por el vector j

m

v m +1 , k
k , j
2
k=1
k

m+1 , j = v m+1 , j
0

v m +1 , k
k , j = v m+1 , j (3)
2
k=1
k

Sustituir (3) en (2): m+1 , j =

v m +1 , j v m+1 , j

Por tanto, {1,,m+1} es un conjunto ortogonal que consta de

m+1 vectores no nulos en el subespacio generado por v1,
,vm+1. Por el teorema que demuestra que los conjuntos
ortonormales son linealmente independientes, {1,,m+1} es
una base para el subespacio generado por v1,,vm+1.
De esta manera los vectores 1,,n pueden construirse unos
despus de otros de acuerdo al algoritmo dado en (1).
En particular, si se tiene 4 vectores {v1,v2,v3,v4} los vectores
ortogonales {1,2,3,4} se obtienen del siguiente modo:
76

1=v 1
2=v 2

v 2 , 1
1
2
1

3=v 3

v 3 , 1
v3 , 2
1
2
2
2
1
2

4 =v 4

v4 , 1
v4 , 2
v4 , 3
1
2
3
2
2
2
1
2
3

EJEMPLOS:
Usar el proceso de Gram Schmidt para transformar la base B del
espacio euclidiano R3 en una base ortogonal.
1.B={ ( 1,0,1 ) , ( 0,0,1 ) , (1,1,0 ) }
v 1=(1,0,1)
v 2=(0,0,1)
v 3=(1,1,0)

Solucin:
1=(1,0,1)

2=( 0,0,1 )

( 0,0,1 ) . (1,0,1 )

3=(1,1,0 )

(1,0,1)=(

( 1,0,1 )

(1,1,0 ) . ( 1,0,1 )
2

( 1,0,1 )

1
1
, 0, )
2
2

( 1,0,1 )

(1,1,0 ) . ( 0,0,1 )
1
1
( 0,0,1 )=(
,1, )
2
2
( 0,0,1 )

1
1 1
1
Luego {( 1,0,1 ) , 2 , 0, 2 , 2 ,1, 2 } es una base ortogonal de R3.

)(

77

2.B= { ( 1,0,1 ) , ( 0,1,1 ) , ( 1,0,0 ) }

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

Solucin:
1=(1,0,1)

2=( 0,1,1 )

3=( 1,0,0 )

( 0,1,1 ) . ( 1,0,1 )
2

(1,0,1 )

( 1,0,0 ) . ( 1,0,1 )
2

(1,0,1 )

(1,0,1)=(

( 1,0,1 )

1
1
, 0, )
2
2

(1,0,0 ) . ( 0,1,1 )
1
1
( 0,1,1 )=( , 0, )
2
2
( 0,1,1 )

1
1 1
1
Luego {( 1,0,1 ) , 2 , 0, 2 , 2 , 0, 2 }

)(

es una base ortogonal de

R3.

Conclusin
Este procedimiento nos ayuda inicialmente a poder hallar una
base ortogonal, pero al hallar tambin esta base nos bastara
solo el hecho de dividir cada vector entre su norma para hallar
una base ortonormal en lo que se basa principalmente, y as
hacer de una manera ms fcil la resolucin de este captulo
de Algebra Lineal.

78