UNIVERSIDAD NACIONAL

MAYOR DE SAN MARCOS

PROF: LUIS JAVIER VSQUEZ SERPA

ALUMNO: OWEN PAULO ENCO CASTAEDA
CDIGO: 15190179
CURSO: LGEBRA LINEAL
CICLO: 2015-2

2015
1

ndice
PARTE 1
Captulo 1

Matrices y determinantes
Matrices especiales
Rango de una matriz
Sistema de ecuaciones lineales
Conclusiones

3
14
28
32
34

Captulo 2

Espacios vectoriales
Sub-espacios vectoriales
Bases y Dimensin de un Espacio Vectorial
38
Suma Directa de Espacios Vectoriales
41
Conclusiones
42
Captulo 3

Transformaciones Lineales
43
Ncleo e Imagen
45
Conclusiones
49
Captulo 4

Autovalor
50
Autovector
51
Conclusiones
53
Captulo 5
Proceso de ortogonalizacin de Gram Schmidt
54
Conclusiones
56
2

35
37

PARTE 2

Casos de diagonalizacion
57

MATRICES Y DETERMINANTES
Sea K un cuerpo ( K a {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

Propiedades:

Conmutativa
[aij] + [bij] = [bij] + [aij]

Asociativa
[aij] + ([bij] + [cij]) = ([aij] + [bij] )+ [cij]

Existencia del elemento neutro

[aij] + = [aij]

, =[ ij] , ij =0

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

Tal que [aij] + B =
4

A+B =

[ ]
8 11
6 9

Producto:
Knxp x Kpxm Knxm
([aij] , [bij]) [aij] [bij] = [cij]
Dnde:
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
Obs:

A
Knxn
5

Sea A R2X2, A Existe A-1?

A=

[ ]
1 0
0 0

[ ]
1 0
0 1

entonces B = A-1

A.B = I

[ ] [ ] [ ]
1 0
0 0

x
w

y
z

Producto de matrices:

x
0

y
0

entonces no tiene A-1

Determinante:
El determinante es una funcin que le asigna a una matriz de orden n, un nico
nmero real llamado el determinante de la matriz. Si A es una matriz de
orden n, el determinante de la matriz A lo denotaremos por Det(A) o tambin
por |A| (las barras no significan valor absoluto).

Clculo de la determinante en matrices de orden inferior

El caso de matrices de orden inferior (orden 1, 2 o 3) es tan sencillo que su
determinante se calcula con sencillas reglas conocidas. Dichas reglas son
tambin deducibles del teorema de Laplace.
Una matriz de orden uno, es un caso trivial, pero lo trataremos para completar
todos los casos. Una matriz de orden uno puede ser tratada como un escalar,
pero aqu la consideraremos una matriz cuadrada de orden uno:

El valor del determinante es igual al nico trmino de la matriz:

El determinante de una matriz de orden 2:

Se calculan con la siguiente frmula:

Dada una matriz de orden 3:

El determinante de una matriz de orden 3 se calcula mediante la regla de

Sarrus:

Determinantes de orden superior

El determinante de orden n, puede desarrollarse a partir de una fila o columna,

reduciendo el problema al clculo de un determinante de orden n-1. Para ello se
toma una fila o columna cualquiera, multiplicando cada elemento por su cofactor
(es decir, el determinante de la matriz que se obtiene eliminando la fila y columna
correspondiente a dicho elemento, multiplicado por (-1) i+j donde i es el nmero de
fila y j el nmero de columna). La suma de todos los productos es igual al
determinante.
En caso de un determinante de orden 4, se obtienen directamente
determinantes de orden 3 que podrn ser calculados por la regla de Sarrus. En
cambio, en los determinantes de orden superior, como por ejemplo n = 5, al
desarrollar los elementos de una lnea, obtendremos determinantes de orden 4,
que a su vez se debern desarrollar en por el mismo mtodo, para obtener
determinantes de orden 3. Por ejemplo, para obtener con el mtodo
especificado un determinante de orden 4, se deben calcular 4 determinantes
de orden 3. En cambio, si previamente se logran tres ceros en una fila o
columna, bastara con calcular solo un determinante de orden 3 (ya que los
dems determinantes estarn multiplicados por 0, lo que los anula). Para
calcular el determinante de una matriz de 4x4 tambin se puede utilizar
directamente la regla de Villalobos, que es una extensin de la regla de Sarrus.
La cantidad de operaciones aumenta muy rpidamente. En el peor de los casos
(sin obtener ceros en filas y columnas), para un determinante de orden 4 se
debern desarrollar 4 determinantes de orden 3. En un determinante de orden
5, se obtienen 5 determinantes de orden 4 a desarrollar, dndonos 20
determinantes de orden 3. El nmero de determinantes de orden 3 que se
obtienen en el desarrollo de un determinante de orden n es igual a :

Propiedades de las determinantes:

8

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.

10

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).

11

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.

12

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.

13

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.

10. Si a una fila o columna de una matriz cuadrada se le suma otra paralela a
ella, su determinante
no vara.

14

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

Det(A) =

1
det( A)

15

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:

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.

16

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

Es aquella cuya determinante es 0 y por lo tanto no tiene inversa.

Matriz no singular
17

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

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:

18

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

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 :
19

Potencias (para las cuadradas)

Producto de matrices diagonales: Sean las matrices A y B diagonales de

dimensiones respectivas m 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,

20

Propiedades :

La matriz traspuesta de una triangular superior es triangular inferior y

viceversa.

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
21

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).

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

22

Matriz Adjunta

Sea A una matriz de cuadrada de dimensin n

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

23

Si A es regular, su inversa es

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.

Autovectores (vectores propios) de autovalores distintos de una matriz

cuadrada y real son ortogonales.
24

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: Una matriz cuadrada se puede descomponer en su parte

simtrica y antisimtrica.
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

A Cnxn

Matriz antihermitiana
25

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:

Est definida siempre y cuando

. As por ejemplo la inversa de la

matriz

Ya que

Dada una matriz de 3x3 con determinante no nulo:

26

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:

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:

27

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

es la matriz de adjuntos de

A.

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
28

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

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

29

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

correspondiente

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
inversa.

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 del espacio columna de A. Tambin la
30

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:

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:

31

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:

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).

32

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

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.

33

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:
34

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

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:

35

De este modo, el sistema tiene la solucin nica

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

Conclusiones:

En la operaciones de los determinantes pudimos llegar a la conclusin

que podemos trabajar sobre la matriz a obtener el determinante para
que nuestra resolucin sea mucho ms rpida y haciendo que el
resultado de la misma no sea alterado de ninguna manera.

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
de 2 x 2, 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.

36

ESPACIOS VECTORIALES
Definicin:
Sea

un conjunto no vaco, sea

un cuerpo en el cual estn definidas

las operaciones de Suma y Producto. Se dir que

sobre

es un Espacio Vectorial

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
37

u V ; v V /u+ v=

A4) Dado

Notacin:

v =u

Producto por escalar:

( , u ) u

: K V V

1.u=u

P1) Elemento Neutro:

( + ) u=u+ u

P2) Distributividad:

( u ) =( )

P3) Asociatividad:

Si en el conjunto

se cumplen las propiedades mencionadas

anteriormente, se dir que

es un Espacio Vectorial.

Notacin.-

( V ,+ , )

Espacio Vectorial.

Ejemplo:
Sea

V =R

u=( x1 , y 1 , z 1 ) , v=( x 2 , y 2 , z 2 ) R

. Sean

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

+: R3 R3 R3
3

: R R R
Afirmacin:

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

( R3 ,+, )

es un Espacio Vectorial.

Sub-Espacios Vectoriales

Definicin:
38

Sea un Espacio Vectorial, y sea

Espacio Vectorial de

V , si

W V . Se dice que

es un Sub-

es un Espacio Vectorial.

Teorema:
Sea un Espacio Vectorial, y sea

W V . ser un Sub-Espacio Vectorial,

si, y slo si cumple con las siguientes propiedades:

1.

u , v W u+ v W

2. Si

Ejemplo:

Sea

el Espacio Vectorial. Sea Sub-Espacio Vectorial de

W =L que pasa por el origen

W =R2
W ={ }

Sea

R3

el Espacio Vectorial. Sea Sub-Espacio Vectorial de

R3 .

W =Recta L que pasa por el origen

W =Plano P que pasa por el origen
W =R

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.

39

Conjunto Generador de un Espacio Vectorial

Definicin:
Sea un Espacio Vectorial, se dice que el conjunto de vectores

{u1 ,u 2 , , uk } V

genera , si para todo

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

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

i =1

Ejemplos:
1)
2)

{ i, j } es un conjunto generador de R2 ; i= (1 ; 0 ) , j =(0 ; 1) .

{ 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:

n

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

Se dir que el Espacio generado por

combinaciones lineales de

}
{u1 ,u 2 , , un }

es el conjunto de

u1 ,u 2 , , un .

Teorema:
Sean

u1 ,u 2 , , un

L { u1 , u2 , ,un }

vectores de un Espacio Vectorial :

es un Sub-Espacio Vectorial de .

40

Ejemplo:
Hallar el espacio generado por los vectores

u1=( 1 ; 1; 0 ) y

u2=(1; 0 ; 1) .

Solucin:
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

El espacio generado por

u1

viene a ser un plano en

u2

es:

W = {( x , y , z ) R3 / x y z=0 } que

que pasa por el origen.

Por teorema, es un Sub-Espacio Vectorial de

. (Sub-Espacio Propio)

Bases y Dimensin de un Espacio Vectorial

Bases (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.

Dimensin (Definicin):
41

{u1 ,u 2 , , uk } V

Sea un Espacio Vectorial, cuya base

se dice que es un Espacio Vectorial de dimensin

tiene

k .

Notacin.-

dim R V =k

Ejemplo:
Hallar una base y la dimensin del siguiente Sub-Espacio Vectorial:

X ={( x , y , z ) R 3 /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

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.

42

vectores,

1) Si

X Y L {X } L {Y }

L{ X } es un Sub-Espacio Vectorial.

2)

3) Si es un Sub-Espacio de
4) Si
Nota:

W V X W L { X }W

V L { W }=W

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

X .

Ejemplo:
Sean

X ={ u } ,Y ={ u , v } V ; donde V =R2

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:
Sea

V =R n 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 n

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

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

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

[ ] Sea 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 n L {e 1 , e 2 , , e n }

43

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

L { e1 , e2 , , en } =R

[]

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

XyY

se define del siguiente modo:

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

2)

X +Y X Y , pues
X Y X +Y

3)

{YX XX +Y+Y

1) En general

X Y

no siempre es un Sub-Espacio.

5)

X +Y

X Y W , entonces
es el menor Sub-Espacio que contiene a X Y .

6)

X Y

es un Sub-Espacio Vectorial.

4) Si es un Sub-Espacio de , tal que

Suma Directa de Espacios Vectoriales

Sean
Si

X ,Y

Sub-Espacios Vectoriales de un Espacio Vectorial .

X Y ={ } , se dice que

X Y

es la suma directa de

X Y ={u+v /u X , w Y }
Teorema:
44

XyY .

X +Y W .

XyY

Si

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

R3 .

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 ) R3 /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) }

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

dim Y =2

X +Y =R3
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) }
45

dim Z=1

X Z =R

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

Conclusiones:
Un espacio vectorial es una estructura algebraica. Muchos conjuntos poseen
esta misma estructura, con las operaciones usuales. Por ejemplo, los pares
ordenados de nmeros reales, las ternas, los polinomios, las matrices, etc.
Cuando se estudian los espacios vectoriales, se obtienen conclusiones
comunes a todos estos conjuntos.

46

TRANSFORMACIONES LINEALES
Sean V y W dos espacios vectoriales sobre el cuerpo K. Una transformacin
lineal T: V
W es una correspondencia que a cada vector v V le asigna un
vector T(v) e 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 T saca el 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 saca el 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)
47

 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 entre transformaciones y matrices:

Cada matriz en

L( Rn , R m)

M (m, n , IR)

determina una nica transformacin en

, e inversamente, cada transformacin lineal en

A M (m , n , IR)

se puede asociar a una matriz

base para cada espacio.

Sea A una matriz de tamao m n.
transformacin lineal:
TA:

R R

tal que

Rn , R m
L )

, nica si fijamos una

A la matriz A le asociamos la

TA(x )= Ax

x R

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

R en R

Ejemplo 2:
Hallar la matriz asociada a la transformacin lineal T:

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

( [ ]) [

x = 5 x+ 4 y
y
3 x2 y

][ ]

5 4 x
3 2 y

48

R2 R2 definida por

A= 5 4
3 2

As obtenemos que

es la matriz

R2 x 2 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
referirnos al cero de V y 0 w para el de W.
En efecto,

( ii)

0v

para

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) :

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

a) El conjunto
b) El conjunto

se l lama ncleo de T.

Img(T )={T ( x)/ x V } se llama imagen de V bajo T, o

simplemente

imagen de T.

Teorema 1
Sea T L( V, W)
El Nuc ( T) y la Img ( T) son sub-espacios de V y W respectivamente.
Ejemplo 3:

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:

49

por

la

regla

a) Hallar la IMAGEN de T
b) Hallar el NUCLEO de T
Solucin:
a) La Imagen de T est 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 ms 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

Haciendo z=t

x+ t=0 x=t
50

que

y +t=0 y=t
Entonces el vector solucin es

(x , y , z)=(t ,t , t)

t (1,1,1)
El ncleo de T es

Nuc(T )={v=(x , y , z ) R 3 / 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 ))

Definicin 1. (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

[ [T ] =([T ( v 1)]B 2 [T ( vn)]B 2)=
a m 1 a mn
B2
B1

Teorema 3

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

B 2={u 1, , um}
Si

B2

A= ( aij ) m n=[ T ] B 1
[T ( x)] B 2

una base de W.
es la matriz de T en las bases B1 y B2, entonces

[T ]BB 21 [x ] B 1 x V .

Ejemplo 4:
Considere la t.l.

T : R3 R 2

tal que
51

[][

x
T y = x+ y
3 xz
z

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

Y sean

C 2={f 1, f 2 }

las bases cannicas de

R3 y R2

respectivamente. Adems

B 1={ ( 1,1, 2 ) t , (3, 0, 1 ) t , ( 2, 4, 3 ) t } una base de

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

base de

Resulta fcil ver que:

(13)

1
=f 1+3 f 2
3

()

T ( e1 )=

()

[ ( e 2 ) ]c 2= 1
0

T ( e2 )= 1 =f 1+0 f 2
0

()

(10 )

[(e 3)]c 2=

0
=0 f 1f 2
1

( )

T ( e1 )=

Luego

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

R2 . Encuentre las matrices:

Solucin:

[( e 1)] c2=

R3

1 0
0 1

C2
C1

[ T ] =

52

C2

[T ]C 1

B2

[T ]B 1 .

[] []
[ ][
[][]

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
[T ] =( T 1
2
B2
B1

B2

3
T 0
1

B2

2
T 4
3

)
B2

1 27 3
2 37 6

Definicin 2. (Inyectividad y Sobreyectividad)

Sea f : A B, una funcin del conjunto A al conjunto B.
53

a) Se dice que f es inyectiva si todo elemento

zB

tiene a lo ms una pre

imagen

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.

Ejemplo 5:
3

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

(a , b , c ) R

T (x , y , z )=( a , b , c)

tiene solucin

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

para cada (a, b, c) R

( x , y , z)=(2 a+bc , a+bc ,a+ b) . Luego

el sistema tiene solucin por lo tanto es

sobreyectiva.
54

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

T ( v 1) , , T (vm)
En particular:

v 1, , vm son l.i. entonces

son l.i.

dimV =dim(Img(T )).

CONCLUSIONES:
Se han visto ms detallado y con ms exactitud los teoremas y propiedades
que hilan todos los temas propuestos por este trabajo y se ha se ha llegado a la
conclusin de 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.

Autovalores y Autovectores

Sea

Autovalor (valor propio):

R talque

det [ AI ] =0=det [ I A ]
55

P A ()=det [ AI ] =0

Donde:
PA : es llamado polinomio caracteristico.
Las raices del polinomio caracterisitico son llamados autovalores de A.
Ejemplo:

[ ]
4 8
7 6

A=

Halle los autovalores de A

det [ AI ] =0

A-

[ ]
4 8
6 6

I=

PA() =

[ ]
0
0

4
8
7
6

( 4 )( 6 )48=0
1=12 2=2

210 24=0

TEOREMA:
Sea A Rnxn diagonal,

A=diag [a11 , ., a nn]

Los autovalores de A son

{ a11 ,a 22 , , ann }

TEOREMA:

Sea A Rnxn triangular superior

A= [ aij ] ;

aij =0

,i>j

Los autovalores de A son

{a11 ,a 22 , , ann }

Autovector (vector propio):

Sea A Rnxn y

R autovalores de A. Un vector v Rn {} es llamado

autovector si:

56

Av =v

det [ AI ] =0

: Autovalor,

A I no invertible
Rang ( A I < n

Nu

( T A I )

{}

OBS:
Sea v Rn autovector de A asociado al autovalor

Av =v

Sea Rj
A(v) = Av

v=w

= v = (v) Aw = w

W A ()=

{v Rn / v es un autovector de A con respecto al autovalor }

W A ( )= {v Rn / Av = v} (Autoespacio asociado al autovalor )

Rnxn

TA

Rn
u

Rn
T A(u)= Au

Av = v ; v=0 (autovector de cualquier espacio)

Ejemplo:

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

]
57

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

Autovalores:

= 3; = 1; = 4

Si = 3,

][ ] [ ]

0 1 0 x
0

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

][ ] [ ]
x

1 1 z

1 1

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

58

x y=0 x=t

x2 y z=0 y=t
y z=0 z=t

[]

1
x 3= 1
1

Conclusin

Una vez concluido el captulo tenemos una idea clara de temas antes
desconocidos como son los valores propios y vectores propios y sus
distintas aplicaciones.

Estos conocimientos lo logramos mediante la realizacin de varios

ejercicios donde se explica de manera clara, adems los mismos realizan
una sntesis de los temas tratados en el presente trabajo.

De igual manera pudimos entender lo que es la Diagonalizacin de

matrices

59

PROCESO DE
ORTOGONALIZACION DE
GRAM SCHMIDT
Teorema:
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 ortonormalizacion de Gram Schmidt.
1.- Asumimos que 1= v1.
2.- 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 sub-espacio 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:
60

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
k=1
k

v m +1 , j

(2)

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
2
k=1
k

Sustituir (3) en (2):

m+1 , j =

(3)

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

Por tanto, {1,,m+1} es un

conjunto ortogonal que consta de m+1
vectores no nulos en el sub-espacio 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 sub-espacio 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:

1=v 1
2=v 2

v 2 , 1
1
2
1
61

3=v 3

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

4 =v 4

v4 , 1
v4 , 2
v4 , 3

3
1
2
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)

SOLUCION:

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 ) ( 1 1 )

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

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

es una base ortogonal de R3.

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

v 1=(1,0,1)

62

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

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

(1,0,1)=(

( 1,0,1 )

) (1

1
1
, 0, )
2
2

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

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

es una base ortogonal de R3.

CONCLUSIONES:
-

Este logaritmo 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

Parte 2:

CASOS DE DIAGONALIZACIN
63

Una matriz cuadrada A, de orden n, se dice que es diagonalizable si existe una

matriz invertible P, de orden n, y una matriz diagonal, tal que

P1 AP=D .

Otra manera de decirlo es: Una matriz cuadrada A es diagonalizable si es

semejante a una matriz diagonal.

Caso 1
Cuando todos los autovalores son distintos y pertenecen a los
reales:
Si una matriz cuadrada A, de orden n, tiene n autovalores reales 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

x 1 , x 2, , . , x n } es inversible. Luego puede escribise que

la matriz P={
1

PD P = A .

Ejemplos:

1.

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

Diagonalizacin de

3 1
0
A

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

Autovalores:

= 3; = 1; = 4

Los tres autovalores son simples

R
la matriz es diagonalizable.

Si = 3,

][ ] [ ]
x

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

64

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
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,

][ ] [ ]
x

1 1 z

1 1

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

x y=0 x=t

x2 y z=0 y=t
y z=0 z=t

[]

1
x 3= 1
1

65

La matriz

1 1 1
3 0 3
1
1
P= 0 2 1 P =
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.

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

Diagonalizacin de

3
0
2
| A2 I|= 1 2 3 =0 (+ 6.341)( + 2.251)( 2.592)=0
2
5
1

Autovalores: =

6.341 ; =

2.251 ; =

Los tres autovalores son simples

][ ] [ ]

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 ,

66

la matriz es diagonalizable.

Si = 6.341 ,

( A2 I ) x =0

2.592

( 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

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

]
67

6.341
0
0
P A 2 P=D=
0
2.251
0
0
0
2.592
1

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.
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.

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

Diagonalizacin de

| A3 I|=

4
1
1
2
2
5 2 =0 ( 3 ) ( 5 ) =0
1
1
2

Autovalores:

= 3; multiplicidad=2
= 5; multiplicidad=1
68

 Si = 3,

][ ] [ ]

1 1 1 x
0

( A3 I ) x =0 2 2 2 y = 0
1 1 1 z
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

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

Si =5,

][ ] [ ]

1 1 1 x
0
0 2 y = 0
1 1 3 z
0

( A3 I ) x =0 2

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

69

La matriz

[ ] [
[ ]

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

3 0 0
P A 3 P=D= 0 3 0
0 0 5
1

4.

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

Diagonalizacin de

| A 4I |=

4
1
1
2
2
5 2 =0 ( +2) (4)=0
1
1
2

Autovalores:
multiplicidad=1

= -2; multiplicidad=2

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

70

, = 4;

 Si =4,

][ ] [ ]

7 1 1 x

6 6 6 z

( A4 I ) x =0 7 1 1 y = 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 , A 4 no es diagonalizable .

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

x 1 , x 2, , . , x n } es inversible. Luego puede escribise que

Ejemplos:

71

la matriz P={
1

PD P = A .

5.

[ ]

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

Diagonalizacin de

| A5 I|=

1
5
4
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

C
Los autovalores son simples

la matriz es diagonalizable.

7.228 ,

Si =

( A5 I ) x =0

][ ] [ ]

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

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

2.114 0.308 i ,

Si =

( 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

72

(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

2.114+0.308 i ,

Si =

( 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

[
[

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

73

6.

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

Diagonalizacin de

| A6 I|=

1
1
1
1
2
1 =0
1
1
3

( +2)(+i (2 i+ 2 ) )( i ( 2i+ 2 ))=0

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

Si =

la matriz es diagonalizable.

2 ,

][ ] [ ]

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 ( 2 i+ 2 ) C

i (2i+ 2 ) ,

74

( 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 ) ,

( 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

75

[ ]

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

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
La matriz

P =

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

Caso 4
Cuando hay autovalores que son iguales a cero:

7.

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

Diagonalizacin de

2
3
5
| A7 I|= 0 3 0 =0 ( 3)(17)=0
6
9
15
76

Autovalores: = 0; = 3; = 17
simples

la matriz es diagonalizable.

Si = 0,

][ ] [ ]

2 3 5 x
0

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

( A7 I ) x = 0 0

x +3 y +5 z=0 x=3 t
0=0 y=14 t

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

[ ]

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
77

. Los tres autovalores son

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
1
P A 7 P=D= 0 3 0
0 0 17

78

1
14
3
14

1
17
0

5
17