Jorge Omar Morel

TRANSFORMACIONES LINEALES
lgebra Lineal y Geometra Analtica para

estudiantes de Ingeniera
Parte B.2
Jorge Omar Morel
edicin
2015
no escribir nada
nada
TRANSFORMACIONES LINEALES
lgebra lineal y Geometra analtica para
estudiantes de ingeniera
Parte B.2
Jorge Omar Morel

FACULTAD DE INGENIERA
Universidad Nacional de Misiones
(UNaM)
Morel, Jorge Omar

Transformaciones lineales : lgebra lineal y geometra analtica
para estudiantes de ingeniera. Parte B.2 2015 . 1a ed.
Ober : Jorge Omar Morel, 2015.
278 p. : il. ; 18x25 cm.
ISBN 978-987-33-8237-6
1. Matemtica. 2. Enseanza Universitaria. I. Ttulo
CDD 510.711
nada
Fecha de catalogacin: 21/07/2015
ISBN 978-987-33-8237-6
Impreso en Argentina
2015 Jorge Omar Morel.

Esta obra est licenciada bajo la Licencia Creative Commons Atribucin-NoComercial-CompartirIgual 4.0 Internacional. Para ver una copia de esta licencia, visita
http://creativecommons.org/licenses/by-nc-sa/4.0/.
Ober Misiones, 2015
Prlogo
Esta obra comprende una seleccin de contenidos de lgebra Lineal y Geometra Analtica para el primer ao de las carreras de ingeniera del pas. stos corresponden bsicamente a una visin de lo mnimo que un estudiante de
ingeniera debera equiparse en primer ao para poder aprovechar mejor los
cursos posteriores en la carrera. Y se desarrolla en 4 partes.
Parte A.1
Puntos y Vectores.
Matrices y Determinantes.
Sistemas de Ecuaciones Lineales.
Parte A.2
Rectas y Planos.
Secciones Cnicas.
Superficies Cudricas y Regladas.
Parte B.1
Espacios Vectoriales.
Combinaciones lineales y Espacio generado.
Bases y Cambios de Base.
Parte B.2
Transformaciones Lineales y Matrices Asociadas.

Autovalores y Autovectores Diagonalizacin.
Aplicaciones.
Tienes un libro que he intentado te sea de ms ayuda en este material
mantenemos un estilo coloquial, con abundante ejemplificacin y ejercicios
resueltos, mientras que el contenido mismo se presenta en forma detallada,
tratando de no resignar precisin que un libro de texto normal. La calidad
de los grficos es profesional y en colores; si hubiera algn inconveniente en
la versin impresa, puedes solicitarme (omar.morel@gmail.com) los archivos
en formato electrnico. Una de las finalidades del libro es que te habilite para
que puedas leer sin problemas un libro de texto dedicado a las matemticas o
a las ingenieras.
v
Para cada captulo existe un apndice al final, donde ahondamos en detalles

o agregamos contenidos. Espero que sirvan como incentivo para cuando hayas
alcanzado cierta madurez, o como material de re-lectura una vez aprobado
el curso. Te animo a que leas un apndice recin despus de haber ledo el
captulo al cual correspondiera.
Los contenidos que aparecen en otras asignaturas y son citadas en estos
apndices, han sido reducidos al mximo posible.
Un apndice H est dedicado a ejercitacin, y corresponde una seccin
por cada captulo. En la seccin H-7 hay un ejemplo de examen y experiencia
compartida con otros docentes.
La notacin general ha sido cuidadosamente elegida. Es probable que sta
difiera con algunos libros de texto, pero con relacin a s misma he tratado
que sea coherente entre todas sus partes.
El captulo 1 contiene una revisin de espacios vectoriales y trata de trabajar nuevamente el concepto de recta y plano desde ese punto de vista, que
mas adelante, cuando en el captulo 3 realicemos rotaciones de rectas y planos
no se haya perdido la familiaridad con aquellos conceptos. Es muy importante
que revises el material de trayectorias.
Los captulos 2 y 3 presentan el nudo de las transformaciones lineales:
cmo verificarlas, sus propiedades; y adems contienen una referencia a las
transformaciones no lineales. En particular en su apndice (A), donde hacemos los mapeos de caminos cerrados en el plano, tanto para transformaciones lineales cuanto para algunas transformaciones no lineales. El Cap.4 versa
sobre los autovalores y autovectores de las matrices cuadradas de entradas
reales, considerndolas como matrices asociadas a transformaciones lineales
en un mismo espacio.
En el captulo 5 trabajamos sobre la diagonalizacin de matrices cuadradas, para terminar con los cambios de base que dan como resultado matrices
asociadas diferentes para una misma transformacin lineal. Finalmente en el
captulo 6 se aplican los conceptos a la diagonalizacin de cnicas y cudricas.
vi
JOM - Transformaciones Lineales
Objetivos Parte B.2

1. Objetivos generales
Poner a disposicin una herramienta matemtica que permite tratar relaciones funcionales entre objetos diferentes .
Manejar conceptos de funcin entre espacios vectoriales, Aplicaciones:
Rotaciones y Traslaciones en el espacio, Conectar la teora de las matrices con la de las transformaciones lineales y afines.
Proporcionar demostraciones sencillas, manejar la notacin formal.
2. Objetivos particulares por tema
Captulo 1: Planos y rectas a la luz de los espacios vectoriales
Se trata de un repaso (revisita) a un tema que normalmente aparece 9
semanas atrs. Ponemos como recurso lo estudiado de los espacios vectoriales para integrar conceptos anteriores.
Captulo 2: Transformaciones lineales
Definimos lo que es una transformacin. Aprendemos a detectar las que
son lineales. A las lo son, las caracterizamos a travs de una matriz asociada. Esto trae como consecuencia poder utilizar el lgebra matricial.
De este modo todo lo que has estudiado de espacios vectoriales es materia prima para trabajar con este contenido.
Captulo 3: Transformaciones lineales isomtricas
Estudiamos ms detenidamente una clase de transformaciones lineales,
en las que los transformados conservan la norma es necesario definir
una distancia en el espacio vectorial. Especial tratamiento daremos a
las rotaciones en R2 y R3 . La revisin del captulo 1 funciona como referencia para la operatoria necesaria en esta unidad.
Captulo 4: Valores y vectores propios
Como las transformaciones lineales pueden caracterizarse mediante las
matrices asociadas, corresponde un estudio un poco ms detallado de las
propiedades de stas.
Bsicamente los autovalores y autovectores son propiedades fundamentales de las matrices cuadradas. Asimismo se desarrolla el concepto de
matriz similar. A pesar de que se evitan los autovalores complejos
que cobrarn importancia cuando se utilice el mismo tema para estudiar por ejemplo las ecuaciones diferenciales o a diferencia de sistemas
dinmicos, porque el enfoque privilegia las aplicaciones relacionadas
con la geometra, hay algunos esbozos por tenerlos presente.
Desarrollamos el concepto de similaridad pero que lleva a la matriz a ser
diagonal o de Jordan. Como todo concepto nuevo es necesario darle
bastante importancia, sobretodo porque se lo utiliza mucho en todas las
ramas de la ingeniera.
Captulos 5 y 6: Diagonalizacin y aplicacin al cambio de base
vii
En este caso particularizamos el contenido de la unidad anterior aplicando ese concepto a las transformaciones lineales. Es tambin una aplicacin concreta de los cambios de base que se estudiaron en el marco de
los espacios vectoriales.
La particularidad es que ahora las matrices asociadas no son nicas para
cada transformacin lineal, sino que dependen de qu bases estn involucradas en uno y otro espacio vectorial.
Respecto de la canonizacin, es una de las aplicaciones de toda la teora
anterior. Por estar relacionada con los conceptos geomtricos de las cnicas y cudricas, es un tema que cierra el proceso de estudio de la obra,
aunque hayamos dejado afuera otras posibilidades.
viii
Dedicatoria y Agradecimientos
a mis tas, Rosa y Anglica

No hacen falta consejos cuando hay Amor.
Agradecimientos :
a mi familia: por los fines de semana sin pap

a mis ex-alumnos: por los constantes aportes y
por bancarse las versiones preliminares
Agradecimientos Especiales :
al ing. Carlos Wst, por animarme y escribir la guia base
a mis alumnos, en particular Brenda Antonella Herda y Sergio Ariel Pacheco

por la revisin final de la edicin 2014, pero a todos aquellos que han
colaborado indicando las partes oscuras, o sealando inconvenientes.
ix
x
Tabla de contenidos
1. Planos y rectas mediante espacio vectorial
1-1. Repaso de espacios vectoriales . . . . . . . . . . . . . . . . . . . .
1-2. Ecuaciones de la recta . . . . . . . . . . . . . . . . . . . . . . . . .
1-3. Ecuaciones del Plano . . . . . . . . . . . . . . . . . . . . . . . . . .
1-4. Repaso de segmentos y cnicas . . . . . . . . . . . . . . . . . . . . 13

2. Transformaciones Lineales
21
2-1. Transformaciones o morfismos . . . . . . . . . . . . . . . . . . . . 22

2-2. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . 25
2-3. Matriz asociada a una transformacin lineal . . . . . . . . . . . . . 33
2-4. Matriz asociada a operaciones con Transformaciones lineales
3. Transformaciones lineales isomtricas
. . 40
45
3-1. Isometras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3-2. Rotacin en el plano . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3-3. Rotaciones en el espacio . . . . . . . . . . . . . . . . . . . . . . . . 53
4. Autovalores y Autovectores
59
4-1. Introduccin: Mapeo en el plano . . . . . . . . . . . . . . . . . . . 60

4-2. Autovalores y Autovectores . . . . . . . . . . . . . . . . . . . . . . 63
4-3. Matrices similares
. . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5. Diagonalizacin de matrices y Aplicacin al cambio de bases
83
5-1. Diagonalizacin de Matrices . . . . . . . . . . . . . . . . . . . . . . 84

5-2. Matrices simtricas . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5-3. Cambios de base en TL . . . . . . . . . . . . . . . . . . . . . . . . . 92
6. Aplicaciones
101
xi
Tabla de contenidos
Tabla de contenidos
6-1. Vector mediante su matriz de Coordenadas . . . . . . . . . . . . . 102

6-2. Secciones Cnicas y superficies cudricas . . . . . . . . . . . . . . 103
6-3. Canonizacin de Cnicas . . . . . . . . . . . . . . . . . . . . . . . . 104
6-4. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6-5. Canonizacin de cudricas . . . . . . . . . . . . . . . . . . . . . . . 119
A. Mapeos de trayectorias en el plano
129
A-1. Circunferencia y cuadrado unitarios . . . . . . . . . . . . . . . . . 129

B. Ms sobre mapeos lineales
135
B-1. Ley dada mediante del mapeo de una base
. . . . . . . . . . . . . 135
B-2. Ncleo e imagen de una TL . . . . . . . . . . . . . . . . . . . . . . 138

B-3. Relaciones entre los sistemas lineales y las transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
B-4. Traslaciones matricializadas . . . . . . . . . . . . . . . . . . . . 143
B-5. Guin de figura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
C. Ms sobre Isometras
147
C-1. Rotacin alrededor de un punto que no es el origen de coordenadas en el plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

D. Mas sobre autovalores y autovectores
155
D-1. Teorema de Cayley-Hamilton . . . . . . . . . . . . . . . . . . . . . 155

D-2. Matrices relacionadas y sus pares autovalor-autovector . . . . . . 158
D-3. Mtodo de Newton-Raphson (Races) . . . . . . . . . . . . . . . . . 163
E. Ms an sobre autovalores y autovectores
169
E-1. Aplicacin de una transformacin ms de una vez . . . . . . . . . 169

E-2. Espacios invariantes . . . . . . . . . . . . . . . . . . . . . . . . . . 171
E-3. Base ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
F. Extras sobre aplicaciones
179
F-1. Afinizacin de cudricas y cnicas . . . . . . . . . . . . . . . . . 179

F-2. Formas cuadrticas . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
F-3. Forma cannica de Jordan . . . . . . . . . . . . . . . . . . . . . . . 181
G. Transformaciones de la circunferencia
189
xii
Tabla de contenidos
Tabla de contenidos
G-1. Mapeos lineales de la circunferencia unitaria . . . . . . . . . . . . 190

H. Ejercitaciones
203
H-1. Rectas, Planos y Espacios Lineales . . . . . . . . . . . . . . . . . . 204

H-2. Transformaciones Lineales. Matriz asociada vs Ley
. . . . . . . . 206
H-3. Isometras en el Plano y el espacio . . . . . . . . . . . . . . . . . . 211

H-4. Valores y Vectores Propios de Matrices n n . . . . . . . . . . . . 215
H-5. Cambios de Base y Transformaciones Lineales . . . . . . . . . . . 218
H-6. Canonizacin de Cnicas y Cudricas
. . . . . . . . . . . . . . . . 221
H-7. Ejemplo de examen . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

H-8. Una palabra para compartir con profesores . . . . . . . . . . . . . 225
xiii
Tabla de contenidos
Tabla de contenidos
xiv
Captulo 1
Planos y rectas mediante espacio
vectorial
Resumen:
Empezamos con una revisita a estos temas

repaso de lo que hemos desarrollado en la parte
B.1; pero desde el punto de vista de los espacios
vectoriales. Es interesante ver que el espacio vectorial provee un marco donde lo aprendido hasta
ahora cabe si no perfectamente, adecuando algunos pocos aspectos.
En este libro obtendrs una visin dual; los tratamos mediante la geometra, o bien mediante los
espacios vectoriales.
Se trata de ver algunos aspectos de la geometra
analtica usando las herramientas de los espacios
vectoriales. Para ello es necesario definir operaciones en estos espacios: el plano y el espacio tridimensional.
1-1. Repaso de espacios vectoriales
Captulo 1. Planos y rectas mediante espacio vectorial
1-1. Repaso de espacios vectoriales . . . . . . . . . . . . . . . . . . . .
1-2. Ecuaciones de la recta
. . . . . . . . . . . . . . . . . . . . . . . . .
1-2.1. Matriz de coordenadas de la recta . . . . . . . . . . . . . .
1-2.2. Distancia de la recta al origen . . . . . . . . . . . . . . . .
1-3. Ecuaciones del Plano . . . . . . . . . . . . . . . . . . . . . . . . . .
1-3.1. Matriz de coordenadas del plano
. . . . . . . . . . . . . . 11
1-3.2. Distancia del plano al origen . . . . . . . . . . . . . . . . . 11

1-4. Repaso de segmentos y cnicas . . . . . . . . . . . . . . . . . . . .
13
1-4.1. Trayectorias con segmentos . . . . . . . . . . . . . . . . . 15

1-4.2. Combinaciones de arcos y segmentos . . . . . . . . . . . . 16
1-4.3. Trayectorias de arcos de cnica . . . . . . . . . . . . . . . 18
1-4.3.1. 1er mtodo . . . . . . . . . . . . . . . . . . . . . . 19
1-4.3.2. 2do mtodo . . . . . . . . . . . . . . . . . . . . . . 19
1-1.
Repaso de espacios vectoriales
Un espacio vectorial es la estructura algebraica que posee un conjunto de

vectores V , en la que se define una operacin llamada suma de vectores + ,
y otra operacin entre elementos de un cuerpo de escalares K y los vectores
de V llamado escalamiento ; adems se cumplen diez axiomas.
La estructura espacio vectorial (e.v.) se simboliza de la siguiente manera:
V = (V, +, K, )
(1.1)
El K que aparece en la estructura del espacio (1.1) es a su vez, otra estructura el cuerpo K que puedes simbolizar
K = (K, +, )
(1.2)
La suma en el cuerpo (1.2) es la suma de escalares, y es en general distinta

a la suma de vectores del espacio vectorial (1.1), as como el producto en (1.2)
es entre escalares y el producto en (1.1) se refiere al (escalamiento) producto
entre un escalar de K y un vector de V .
El conjunto V de un espacio vectorial (e.v.) puede contener diversos entes
matemticos, como ser: puntos, matrices, funciones, sucesiones, polinomios,
etctera. V es el conjunto subyacente del e.v. V = (V, +, K, ).
El cuerpo de escalares ms comn en este libro es el de los reales
K = R, y adems con la suma estndar entre reales y el producto estndar

entre reales. Cuando eso ocurre, podemos decir que el e.v. V en la (1.1) es un
espacio vectorial real y estndar. Y en ese caso abusando de la notacin
, asociar el espacio con el conjunto subyacente V = (V, +, R, ) V . En
2
1-1. Repaso de espacios vectoriales
particular, cuando decimos el espacio R2 estamos hablando del espacio

R2 = (R2 , +, R, ) donde las operaciones son las estndares.
Puedes caracterizar un espacio particular dando solamente una base de
l, es decir un conjunto de vectores matrices, funciones,. . . linealmente
independiente y generador de todo el espacio. En espacios n-dimensionales la
cantidad de vectores en cualquier base es n. En otras palabras: una base es
un conjunto. . . , pero no solamente un conjunto sino que el orden en latn
canon es muy importante, de modo que un conjunto B1 = {(1, 0) , (0, 1)} que
es igual al conjunto B2 = {(0, 1) , (1, 0)}, no representan la misma base.
Cualquier vector del espacio puede representarse por su matriz de coordenadas sobre una base especfica, y esta representacin es nica.
1
En el caso anterior
la matriz de coordenadas del vector v = (2, 3) sobre
2
3
base B1 es [v]1 =
y sobre la otra, [v]2 =

1
3
2
. Recuerda que B1 as
2
definida es la base cannica

de R2 , por lo que en este caso puedes escribir

2
.
3
simplemente [v] =
Para pasar de una representacin respecto de una base u otra vale:
[v] = [B2 ] [v]2
(1.3)
donde [B2 ] representa la matriz de transicin de la base B2 a la cannica, y sus

columnas son las matrices de coordenadas de cada uno de los vectores de la
base B2 expresadas en base cannica.
Nota la diferencia de notacin entre la base Bi y la matriz [Bi ].
Para el caso del ejemplo, la base B2 = {b2,1 , b2,2 } est compuesta por los vectores b2,1 = (0, 1) y b2,2 = (1, 0) ; por eso la matriz de transicin de esa base a la
cannica es [B2 ] =
[b2,1 ] [b2,2 ]

=

0 1
.
1 0
De esta forma puedes representar un vector en una base cualquiera B2 si

la conoces, y conoces las coordenadas del vector sobre otra base cualquiera
B1 , ya que [v] = [B2 ] [v]2 = [B1 ] [v]1 , entonces
[ v ]2 = [ B2 ]1 [ B1 ] [ v ]1
= [ B1 ]2 [ v ]1
(1.4)
Donde, lo puedes comprobar: [B1 ]2 = [B2 ]1 . La matriz de transicin [ B2 ]1 de

la base B2 a la base B1 no es otra que la matriz de coordenadas de los vectores
de la base B2 expresadas en la base B1 . Para el ejemplo que nos ocupa el de

R2 , [B2 ]1 = [b2,1 ]1 [b2,2 ]1 . El pictograma de la figura 1.1 es una ilustracin
de este hecho.
Los espacios vectoriales tambin son conocidos como espacios lineales.
1
Para simplificar la notacin usaremos solo el subndice numrico y consecuentemente en

esta obra, todas las bases las notaremos Bi .
3
v
[v]1
[v]2
[v]
B1
B2
[B1 ]2
[B1 ]
[B2 ]
C
Figura 1.1: Repaso de cambio de bases
1-2.
Ecuaciones de la recta
Podemos usar lo que sabemos de los espacios vectoriales con los temas
que ya conocemos rectas y planos, para verlos desde una nueva manera.
En este sentido te adelanto que una aplicacin del ltimo tema de este libro
se refiere al tratamiento de cudricas en una posicin general donde su eje
focal no es paralelo a ningn eje cartesiano. Este ejercicio es necesario para
darnos cuenta que las estructuras las podemos usar en cualquier contexto que
lo amerite.
Valindonos de la figura 1.2 que representa una recta en un sistema de
coordenadas cartesianas ortogonales en el espacio, comprobaremos la ecuacin paramtrica de la recta y luego deduciremos a partir de ella las otras
formas de representarla.
Z
~u
O~Q
O~
P
Z
r
P
Y
O
X
~ OP
~
~u = OQ
r = P + u
Figura 1.2: La recta, con vectores geomtricos y con EV

En la figura 1.2 (derecha) ves claramente que la ecuacin recta de la pue
des escribir como r = OP + ~
u, donde es un nmero real.

Si llamramos P = OP y r = Or , y u = OQ OP , la ecuacin anterior se
transformara en
r = P + u
(1.5)
que es la ecuacin vectorial paramtrica de la recta, donde r es un punto

4
cualquiera de la recta (un punto2 genrico de la recta), P y Q son puntos fijos3

de la recta.4 .
La (1.5) es una ecuacin paramtrica porque depende de un parmetro ;
y como todos los dems elementos (r, P, u) son vectores del espacio vectorial
real y estndar R3 en la figura 1.2, aunque sirve tambin para otros espacios5 .
Una palabrita tenemos que decir de u: este vector es un punto cuya
direccin a partir del origen, es la direccin de la recta. Recuerda que para
los espacios vectoriales del tipo R3 los vectores o elementos del espacio son
puntos. El concepto de vector geomtrico est superado.
Para pasar a las ecuaciones cartesianas paramtricas slo debemos tener
en cuenta que los vectores tendrn las siguientes coordenadas en el espacio y
base cannica o estndar, en algunos libros.
x
x1
[r] = y , [P ] = y1 ,
z
z1
u1
[u] = u2
u3
(1.6)
por lo que ingresando en la (1.5) las (1.6), tenemos
x = x1 + u1
y = y1 + u2
z = z1 + u3
(1.7)
que es la ecuacin cartesiana paramtrica de la recta

Para pasar de las ecuaciones paramtricas a las ordinarias, usamos la (1.7)
y eliminamos el parmetro . Suponiendo uj 6= 0 tenemos
x x1
y y1
z z1
=
=
u1
u2
u3
(1.8)
que se conoce como la ecuacin segmentaria de la recta, o ecuacin ordinaria de la recta en el espacio. Claramente se ve que uj son las componentes
de un punto cuya direccin al origen es paralela a la recta, y que los tres juntos no pueden ser cero.6
Pero si alguno lo fuera, por ejemplo u1 = 0, la recta se escribira
y y1
z z1
=
con x = x1
y es una recta paralela al plano YZ.
u2
u3
Si dos lo fueran,
por ejemplo u1 = u2 = 0, la ecuacin de recta se escribira

x = x1
z = z con
,
que es una recta paralela al eje Z.
y = y1
2
En realidad el vector flecha lo ponemos para beneficiarnos de la notacin y recordar

lo que hicimos en la geometra. Es el punto P quien es el vector del espacio vectorial.
3
Puedes elegir dos puntos cualesquiera diferentes P y Q que yacen en la recta r , es decir:
P 6= Q P, Q LGr , donde LGr denota el lugar geomtrico de todos los puntos que la forman
4
Escribimos vectores con letra minscula expresando que son variables, y vectores con
mayscula para dar a entender que son fijos aunque no los conozcamos.
5
Si la ecuacin la usramos en Rn con n > 3, podramos hablar de una recta en un hiperplano .
6
Equivale a escribir |u1 | + |u2 | + |u3 | =
6 0
5
1-2.1.
Matriz de coordenadas de la recta
Podemos escribir las rectas mediante la matriz de coordenadas de un

punto genrico de ellas.
Para ver esto tomemos un ejemplo en R2 , r : y = 2x + 1. Claramente el lugar
geomtrico de esta recta puede expresarse como {(x, 2x + 1)}, la matriz
de
coordenadas del vector genrico sobre base cannica de R2 es

tanto la recta misma la puedes escribir como [r] =
x
2x + 1
x
. Por
2x + 1

y la notacin es
evidente. Se trata de una recta cuya primera coordenada es libre y la segunda

depende de la primera (confirma que el grado de libertad es uno).
Veamos cmo pasar de la forma (1.8) a esta forma.
Suponiendo que u1 6= 0 en la (1.8), tenemos y = y1 +
1
z = z1 + xx
u3 con lo que
u1
r = y1 +
z1 +
x
xx1
u1
xx1
u1
xx1
u1
u2 y adems
x
u2 = m2 x + b2
u3
m3 x + b3
(1.9)
Ejemplo 1.1.
Sea la recta que contiene los puntos (1, 3, 5) y (6, 4, 2). Halla las
diferentes formas de escribirla en ecuaciones
1
6
5
Hagamos primero P = 3 , y Q = 4 , por lo que u = 1 ,
5
2
3
entonces
1 + 5
r = 3+
5 3
ecuacin vectorial paramtrica (EVP)
aunque pudiera escribirse usando cualquier otro punto fijo,
11 + 5
por ejemplo 5 + donde se hizo = 2 en la EVP anterior7
1 3
x = 1 + 5
r:
y =3+
z = 5 3
x1
5z
r:
=y3=
5
3
7
ecuacin cartesiana paramtrica (ECP)
ecuacin simtrica (ES)
De este modo probamos tambin que la EVP para una determinada recta r no es nica
6
x
que
y mediante la matriz de coordenadas (FMR) ser r = 3 + x1
5
x1
53 5
podemos expresarla como
x
1
r=
5x +
53 x +
14
5
28
5
forma matricial (FMR)
y est bin, porque si se hace x = 1 se obtiene P y si se hace x = 6 se
11
obtiene Q. Si se hiciera x = 11 se obtuviera A = 5 y de la ECP
1
sabemos que basta hacer = 2 para obtener ese punto de la recta.
Por otra parte, no nos olvidemos de la forma

1
14
3
28
r:
x, x +
, x+
5
5
5
5
lugar geomtrico (LG)
que es un calco de la forma matricial. Se trata de escribir las coordenadas

del vector genrico respecto de la base cannica.
1-2.2.
Distancia de la recta al origen
En la figura 1.3, tenemos que la normal a la recta multiplicada en forma

escalar a una paralela a la recta, forzosamente debe ser nula.
Z
u
n
P
N
Y
O
nu=0
Figura 1.3: Distancia al origen

En la figura

1.3 hemos puesto que la normal a la recta contiene al origen,
por lo que ON es la distancia buscada, y como n u n u = 0,(8 )
pero podemos escribir N = ON = k0 n, lo cual implica tambin que N u = 0,

y como N r , se debe satisfacer la EVP N = P + 0 u donde 0 es un valor
8
Nota que estamos dotando a nuestro espacio vectorial del producto escalar entre vectores. Esta es otra operacin independiente de la suma y el escalamiento. Nota que el producto
entre vectores no cierra en el espacio sino que cierra en el cuerpo de los reales.
7
particular de , como hemos visto anteriormente.

De esta manera
N u = (P + 0 u) u
= P u + 0 u u = 0
u
de la cual 0 = Puu
, donde es obvio que no se puede cancelar una u de abajo
con una u de arriba porque son vectores, de ah que
N =P
P u
u
uu
(1.10)
este es el vector ms corto del origen a la recta, la distancia ser
|N | =
1
|(u u) P (P u) u|
uu
(1.11)
Es importante darse cuenta que estamos definiendo

una nueva operacin entre los puntos del plano: el producto
P
u v = 31 ui vi ,
similar a la que antes estaba definida para los vectores
geomtricos.
Ejemplo 1.2.
p
Halla la distancia de la recta del ejemplo anterior 1.1 al origen.
1
5
Como P = 3 y u = 1 , los productos P u = 7 y u u = 35, en la
5
3
ec.1.10
2
7
1
N =P
u = P + u = 3.2
35
5
4.4
la distancia pedida es 33.6 ' 5.79655

Pero. . . podemos encontrar soluciones alternativas como:
5
v1
- buscamos un vector v = v2 que sea normal a u = 1 , por
v3
3
lo que v u = 0, que en este caso arroja 5v1 + v2 3v3 = 0, o sea que
v1
v = 5v1 + 3v3
v3
8
1-3. Ecuaciones del Plano
- una recta normal a la que tenemos est regida por v , pero contiene al
origen, y ambas contienen a N
N = P + 0 u = 0 + 1 v
de donde P = 0 u 1 v que la podemos escribir matricialmente
P =
u v
0
1

1
5
v1
1 5v1 + 3v3 0 = 3
1
5
3
v3
que en este caso deviene en el S.E.L. luego de resolverla, 0 = 15 y por

tanto arroja el mismo punto N que en la alternativa anterior.
1-3.
Ecuaciones del Plano
Refirindonos a la figura 1.4, vemos que u, v , son paralelos al plano , de

modo que cualquier combinacin lineal de stos dos a partir de P arrojar un
punto sobre el plano . Entonces llamemos el vector a aquel vector de origen
en el origen de coordenadas y extremo en el plano.
Q
u
Q
u
Y
nu=nv =0
X
Figura 1.4: Ecuacin del plano
En forma paramtrica entonces
= P + u + v
(1.12)
que es la ecuacin paramtrica del plano con parmetros y . (un plano:

dos grados de libertad, dos parmetros), que si tomramos el vector genrico
del plano = (x, y, z), y los puntos del plano P = (x1 , y1 , z1 ), Q = (x2 , y2 , z2 ) y
9
R = (x3 , y3 , z3 ), o los vectores paralelos al plano u = (u1 , u2 , u3 ) y v = (v1 , v2 , v3 )

y los introducimos en la (1.12) tendremos
x = x1 + u1 + v1
y = y1 + u2 + v2
z = z1 + u3 + v3
(1.13)
la ecuacin cartesiana paramtrica.

La ecuacin general o cartesiana ordinaria puedes deducirla de la 1.12
teniendo en cuenta que la normal al plano es n = (a, b, c) y que
P = u + v , yace en el plano , con lo que P n
por tanto n ( P ) = 0, o lo que es lo mismo
n =nP
que en forma cartesiana (a, b, c) (x, y, z) = (a, b, c) (x1 , y1 , z1 ) es
ax + by + cz = ax1 + by1 + cz1 = d
(1.14)
La pregunta es: cmo se obtiene n conociendo tres puntos no alineados

del plano?
ya que debe ser normal al plano, lo ser a v y a u simultneamente, por lo que
n = u v producto vectorial9
Ejemplo 1.3.
Halla las ecuaciones del plano que contiene al punto P = (1, 2, 3)

y es paralelo a los vectores u = (1, 3, 0) y v = (0, 1, 2)
p
la EVP del plano ser
= P + u + v = {1 + , 2 + 3 + , 3 + 2}
y la ecuacin ordinaria ser, calculando n = u v = (6, 2, 1), y
nP =5=d
de modo que la ec. gral.
: 6x 2y + z = 5
Alternativamente pudiramos reemplazado en y = 2+3+ la informacin
=x1y=
y
z3
, de donde obtuviramos lo mismo
2
No nos estaremos olvidando de la forma matricial?

9
. . . Y otra vez nos tomamos la licencia de agregar una operacin ms a nuestro espacio
vectorial real y estndar R3
10
1-3.1.
Matriz de coordenadas del plano
De la misma manera que en el caso de la recta, para un plano dado en

forma general, tenemos
: ax + by + cz = d
ax + by d
y el lugar geomtrico
c

ax + by d
:
x, y,
c
de donde, si10 c 6= 0 podemos hacer z =

puede escribirse
de donde claramente
y
:
ax + by d
c
Forma Matricial (FMP)
(1.15)
Nota que la forma matricial de la recta y del plano son muy parecidas, la nica
diferencia es que una FMR depende solamente de x por ejemplo, y la FMP
depende de por ejemplo x e y (11 ). Siempre escribiremos las ltimas variables
en funcin de las primeras.
1-3.2.
Distancia del plano al origen
Para encontrarla sabemos que podemos hallar un vector normal al plano

dado por n = u v , esto da la direccin de la normal; el punto del plano que
interseca esa direccin ser
N = k0 n
(1.16)
un mltiplo de aqul que satisface la ecuacin del plano N plano.
a
Supongamos que ya calculamos n = b , que ser inmediato si el plano
c
est dado por su ecuacin general. Entonces, que N est en el plano significa
que hay un par de parmetros y tales que
N = P + 0 u + 0 v plano
(1.17)
10
Si no fuera el
caso, por ejemplo : ax + by = d , z = z , donde si b =
6 0 tuviramos

ax d
:
x,
,z
, y si c = b = 0, tuviramos el plano : ax = d, y = y, z = z , de donde
b

d
:
, y, z
a
11
Le damos una jerarqua a las componentes de un vector, como se hace en ingeniera;

aunque matemticamente hubiese sido correcto escribir una recta dando todas sus componentes
en
n
ofuncin de z o y (como en la recta {(4, y, 2y)}, donde tenemos la otra posibilidad
z
4, , z
2
, tratemos de evitar esta ltima).
11
Por tanto tambin N P = 0 u + 0 v plano.

Como N P yace en el plano, su producto escalar por la normal es nulo
(N P ) (u v) = 0
=N nP n
de donde N n = P n, que en la ec.(1.16) tenemos N n = k0 n n y por tanto
N = k0 n =
P n
n
nn
(1.18)
entonces recuerda que n n = |n|2 y que el versor normal sera

tancia ser
|N | = |k0 n| =
P n
|ax1 + by1 + cz1 |
=
|n|
|n|
|d|
= ||
=
|n|
|n|
la dis-
(1.19)
nota que |d| es un valor absoluto y que |n| es el mdulo de n
Ejemplo 1.4.
p
Halla la distancia al origen del plano del ejemplo anterior 1.3.
6
Calculamos que : 6x 2y + z = 5, de modo que n = 2 , como P
1
pudiramos usar uno cualquiera que pertenezca al plano , no necesariamente el que originalmente nos dieron: haciendo x = 1 e y = 2, obtenemos
z = 3 que en este caso es el mismo
P que nos han dado. . . pero una forma
0
ms sencilla era hacer P = 0 por tanto
5
6
6
64+3
5
N=
2 =
2
36 + 4 + 1
41
1
1
la distancia es sencillamente el mdulo de N , o sea 5
41
en este caso
Repaso y notas
El hecho de ver la geometra utilizando las herramientas del espacio vectorial no invalida todo lo que has visto de la geometra analtica, solamente se
trata de un punto de vista nuevo. Asimismo, y como hemos dicho, hemos agregado al espacio vectorial R3 una operacin como el producto entre puntos
que se corresponde al producto escalar de dos vectores, y se define en forma anloga y una norma que se corresponde al mdulo de un vector.
12
1-4. Repaso de segmentos y cnicas
De todas maneras, tampoco hemos trabajado extensivamente los tpicos de la

geometra, sino que hemos elegido unos pocos y los hemos abordado de una
posible manera, entre muchas.
Lo importante es que podemos escribir la ecuacin de la recta o del plano
mediante una matriz.
1-4.
Repaso de segmentos y cnicas
Hemos visto que cuando trabajamos en los espacios vectoriales reales

(R, +, Rn , ) donde n 2, 3, podemos escribir la ecuacin de una recta como
r = A + ku (12 ), pero si quisiramos modelizar la ecuacin de un segmento
entre los puntos A y B , deberamos modificar la anterior a
r = A + k(B A) ;
k [0, 1]
en el esquema que sigue no se especifica el conjunto subyacente del espacio vectorial donde est la recta, a medida
que k crece desde cero (r = A) hasta uno (r = B ) tenemos
todos los sucesivos puntos intermedios.
(1.20)
En caso de que por algn motivo no quisiramos que el rango de variacin del parmetro k fuera el anterior, sino, por
r C
A
ejemplo, un nuevo k [1, 2] la expresin de la ec.(1.20) no
B
nos servir, pues haciendo k = 1 partimos de B . . . por fuera
del segmento para llegar con k = 2 a C = B A, por tanto debemos ajustar
algo. . . Qu ?. . .
Un procedimiento sencillo puede ser re-escribir la ec.(1.20) cambiando la variable,
r = A + ù;

y sabiendo que cuando
` [0, 1]
` = 0 debe darse que k = 1

entonces es inmedia` = 1 debe darse que k = 2
to que ` = k 1 de donde la ecuacin anterior ser
r = A + (k 1)u;
k [1, 2]
(1.21)
El mismo procedimiento lo puedes cambiar para reflejar cualquier otro escenario, por ejemplo:
Ejemplo 1.5.
Escribe una ecuacin para un segmento de extremos A y B , en

donde el parmetro vaya de 5 a 7.
p
12
donde r y A son un punto genrico y particular respectivamente de la recta, u es otro

elemento de ese espacio, el cual nos da la direccin de la recta, y finalmente k es el escalar,
en este caso un real cualquiera
13
` [0, 1] donde u = B A modeliza bien el segmento, pero

el intervalo del parmetro no coincide, lo que haremos es encontrar una
relacin lineal entre ` nuestra variable independiente y k .
r = A + ù;
k
7
Conocemos los puntos (` = 0 , k = 5) y (` = 1 , k =

7), de modo que es sencillo escribir la ecuacin punto-
P2
pendiente k 5 = 2`, de donde ` =
por lo que la respuesta es

5
P1
r =A+
k5
u;
2
k5
,
2
k [5, 7]
La cual puedes comprobar.
Un ejemplo en el espacio vectorial real del plano se ve en la Figura 1.5
A(1, 2) y B(4, 1) por tanto u = (3, 3)

Caso 1:
Y
2
r = (1, 2) + k(3, 3);
Tenemos que
k [0, 1] o
r = (1 + 3k, 2 3k);
k [0, 1]
Caso 2(a):
Tenemos que
k [1, 2] o
r = (1, 2) + (k 1)(3, 3);

0
-1
r = (2 + 3k, 5 3k) ;
Caso 2(b):
k [1, 2]
Tenemos que
r = (1, 2) + (k 2)(3, 3);
k [2, 3] o
r = (5 + 3k, 8 3k);
k [2, 3]
Figura 1.5: Ejemplo de parametrizacin de un segmento
Prueba
Tengamos en cuenta que no es lo mismo pasar de A a B que de
B a A y que adems podemos usar otros vectores al menos
en cuanto a la modelizacin se refiere
r = A + k(B A) ; k [0, 1], A 7 B

= B + k(A B) ; k [0, 1], B 7 A
= A + k(A B) ; k [1, 0], B 7 A
En el caso de que queramos usar un vector distinto, las cosas
pueden complicarse. . . por ejemplo en el caso anterior, use-
14
mos 2(B A)
r = A + k 2(B A) ; k [0, 0.5], A 7 B

= A + k 2(A B) ; k [0.5, 0], B 7 A
1-4.1.
Trayectorias con segmentos
En el caso de la figura de la derecha no necesariamente estamos en R2 , podramos eventualmente tomar dos parmetros
diferentes como sugiere el esquema,
C
s
r = A + k(B A) , k1 [0, 1]
s = B + k(C B) , k2 [0, 1]
lo cual consiste en una parametrizacin dbil . . .

Pero tambin podramos y ste sera el caso ms interesante modelizar
todo el camino mediante el uso de un slo parmetro, valiendo por tramos
(parametrizacin fuerte ), con lo que tendramos

r=
A + k(B A)
, k [0, 1]
B + (k 1)(C B) , k [1, 2]
(1.22)
Un ejemplo donde se ilustra lo anterior es la situacin donde la parametrizacin nos lleva a los puntos A(0, 0), B(1, 0) , C(1, 1) y vuelta a A. Una posible
modelizacin para ese camino cerrado sera
, k [0, 1]
(k, 0)
r=
(1, 1 + k)
, k [1, 2]
(3 k, 3 k) , k [2, 3]
Ejemplo
1.6.
sentido
C
A
Parametrizacin
irregular
(x, 0) ; x : 0
(1, y) ; y : 0
cuIrregular (x, y) =
(x, 1) ; x : 1
(0, y) ; y : 1
X
O
A
(k, 0)
(1, k)
La parametrizacin dbil es cuDebil (x, y) =
(1 k, 1)
(0, 1 k)
B
15
Parametriza el cuadradito unitario en el plano, en el

contrario al de las agujas del reloj. La secuencia es
(0, 0) (1, 0) (1, 1) (0, 1) (0, 0)

p
1
1
0
0
[0, 1]
[0, 1]
[0, 1]
[0, 1]
La parametrizacin irregular contiene cuatro parmetros a pesar de

que dos a dos usen la misma letra y algunos van creciendo mientras que
otros decrecen.
La desventaja de la parametrizacin dbil es que no se hace recorrer un
punto desde O a A y luego a B etc., sino que produce cuatro puntos que
se mueven simultneamente. Y entonces la verdadera parametrizacin es
(k, 0)
(1, k 1)
cu (x, y) =
(3 k, 1)
(0, 4 k)
y
[0, 1]
[1, 2]
[2, 3]
[3, 4]
Ejemplo 1.7.
Parametriza la circunferencia unitaria en el plano, en el sentido

contrario al de las agujas del reloj.
p
En este caso, la ecuacin de la circunferencia unitaria es x2 + y 2 = 1, pero
la parametrizacin puede hacerse tomando el ngulo como parmetro.
y
C
Parametrizacin
irregular

A X
fuIrregular (x, y) =
x, 1 x2
;x : 1
1

x, 1 x2
; x : 1
1
D
La parametrizacin dbil es fuDebil (x, y) = (cos , sen ),
[0, 2)
La parametrizacin irregular contiene dos parmetros a pesar de que

usen la misma letra uno decrece mientras que el otro crece.
La nica desventaja de la parametrizacin dbil es que el parmetro final
vale 2 , que sera bueno que fuera 1 en el caso de por ejemplo, media
circunferencia unitaria, en ese caso
B
Parametrizacin
( fuerte
A X
fuF uerte (x, y) =
(cos k, sen k) ; [0, 1]
(2k 3, 0)
; [1, 2]
Mientras no haya combinaciones con arcos, la parametrizacin dbil es

tan buena como la fuerte.
1-4.2.
Combinaciones de arcos y segmentos
En la Figura 1.6 vemos un ejemplo de camino cerrado A 7 B 7 C 7 A

que consta de una combinacin de arcos y segmentos para completar nuestra
experiencia. En este caso el e.v. es el plano R2 .
16
Tramo AB:
Y
2
1 + 4x x
k [1, 4]
1
g = (`, 16
`(` 8)); ` [4
0]
para ir de 4 a 8, debe ser ` = 8 k
1
g = (8 k, 16
(8 k)(k)); k [4, 8]
-1
g = (k, 1 + 4k k 2 );
Tramo CA:
k [0, 1]
Tramo BC:
g = k(1, 2) ;
finalmente
x(x 8)
16
, k [0, 1]
(k, 2k)
2
g=
(k, 1 + 4k k )
, k [1, 4]
1
(8 k, 16
(8 k)(k)) , k [4, 8]
A(0, 0) , B(1, 2) y C(4, 1)
Figura 1.6: Trayectorias con segmentos rectos y arcos

De acuerdo con lo que hicimos, siempre que podamos identificar el lugar
geomtrico (x, f (x)) que toma un tramo definido; podremos realizar la sustitucin x k y luego cambiar k para que armonice con los valores extremos que
le correspondan.
En el segundo tramo de la Figura 1.6 no tuvimos ningn problema porque
justo el tramo anterior terminaba con x = k = 1, por lo que deba empezar
tambin con el mismo valor. En cambio en el ltimo tramo no tuvimos la misma suerte: terminaba con x = 4 pero deba volver a x = 0, eso lo corregimos
haciendo la sustiticin x 8 k de modo que cuando k = 4, x = 4, y, cuando
k = 8 sea x = 0.
La tcnica implementada en el ejemplo 1.5 funciona tanto para tramos rectos cuanto para tramos curvos, donde el L.G. (x, f (x)) es ms complicado.
El caso de un arco de curva dado en forma implcita puede incorporar
dificultades adicionales. En la seccin 1-4.3 veremos ejemplos de parametrizaciones de arcos de cnicas.
Un ejemplo genrico en el e.v.r.e del plano se ve en la Figura 1.7.
f(x)
f(p)
k1
P
x|y
q
k
Q
k2
f(q)
p
p
Q0
P0
k
k1
k2 k
Figura 1.7: Emparejamiento de k (parmetro) con (variable) y o con x

Para el camino abierto P 7 Q, debemos buscar la relacin entre el parmetro que queremos k y el parmetro que tenemos x o y (ya que el L.G.
lo tenemos en forma implcita F (x, y) = 0 de donde tal vez podamos encontrar
con ms facilidad una de ellas), y lo podemos hacer de la manera siguiente:
17
Suponemos conocida la expresin del lugar geomtrico {(x, f(x))} o en su

defecto {(f(y), y)} y el tramo est definido entre P y Q
Para el primer caso nos conviene conocer la excursin de x [p, q] que hace
atravesar de P a Q; en el segundo, la excursin de y [f(p), f(q)].
Tambin debemos decidir los valores del parmetro k . El procedimiento lo
hemos resumido en el cuadro siguiente.
conocemos x
conocemos y
Proponemos los puntos P 0 (k1 , p) y Q0 (k2 , q)

de donde formaremos la recta relacin
(k k1 ) de
punto-pendiente x p = kqp
2 k1
donde
Proponemos los puntos P 0 (k1 , f(p))

Q0 (k2 , f(q)) con los que formaremos
y f(p) = f(q)f(p)
k2 k1 (k k1 ) de donde
x=p+
qp
(k k1 )
k2 k1
y = f(p) +
f(q) f(p)
(k k1 )
k2 k1
y sustituimos ese valor de y en funcin de

k en la expresin del lugar geomtrico obteniendo algo as como
y sustituimos ese valor de x en funcin de

k en la expresin del lugar geomtrico obteniendo algo as como
{(fy (k), y(k)}
{(x(k), fx (k))}
1-4.3.
Trayectorias de arcos de cnica
Si se trata de arcos de cnica, stas se pueden escribir perfectamente en

forma paramtrica y nada ms hacer la relacin entre los ngulos y nuestro
parmetro hemos usado exclusivamente k , pero puede ser cualquiera
= 90
= 120
2
=0
En este caso, no tenemos el LG en la forma explcita, y aunque igualmente podamos

resolver el problema como hicimos arriba,
una forma de sustitucin ms natural est al
alcance.
Para la ecuacin de la elipse de centro en
E(1, 1.5) y semiejes horizontal 2 y vertical 1
de la figura, la podemos modelizar como
1
(x 1)2 + (y 1.5)2 = 1
4
pero tambin como
e = (1 + 2 cos , 1.5 + sen );
[0, 2)
Los puntos que hemos dibujado son A(3, 1.5), B(1, 2.5) y C(0, 2.366), ya que nos
interesa el camino abierto A B C , en ese orden contra-reloj.
que cmo hemos encontrado esos puntos?
Simplemente tomando A : = 0 y B : 2 , y sabiendo que C : x = 0, tenemos
18
que 41 (0 1)2 + (y 1.5)2 = 1 arroja y = 23 23 . El primero de ellos es aproximadamente y = 2.366, ahora puedes calcular el ngulo: x = 0 = 1 + 2 cos en
la ecuacin parametrizada, de donde cos = 21 ; por lo que = 120 = 32 , el
cual en la ecuacin comprueba y = 1.5
Ahora tomemos dos maneras de modelizar el camino A B C
1-4.3.1.
Primer Mtodo
En este caso usaremos eABC = (1 + 2 cos , 1.5 + sen );

y en todo caso

eABC = 1 + 2 cos( 32 k) , 1.5 + sen( 23 k) ;
1-4.3.2.
[0, 23 ]
k [0, 1]
Segundo Mtodo
En este caso intentamos poner y como funcin explcita de x y contamos con

suerte porque
q la trayectoria A B C est totalmente incluida en la rama
2
, solamente debemos tener en cuenta que x vara ahora

y = 1.5 + 1 (x1)
4
de 3 a 0, en definitiva

p
eABC = x , 1.5 + 0.5 4 (x 1)2
; x:3
0
Y, mediante nuestro conocido mtodo. . .
eABC

p
2
= 3k + 3 , 1.5 + 0.5 4 (2 3k) ; k [0, 1]

p
= 3 3k , 1.5 + 0.5 3k(4 3k) ; k [0, 1]
Una de las alternativas puede resultar ms conveniente que otra o que

algn otro mtodo que no hayamos expuesto, pero que ests en condiciones
de abordar de acuerdo con el uso que luego hagamos de ella. Nos referiremos a este tpico cuando tengamos que transformar trayectorias mediante
una transformacin lineal o no lineal as que con un mtodo u otro puede
ser ms fcil re-interpretar el transformado desparametrizndolo. La desparametrizacin es tanto ms sencilla cuando una de las componentes puede
fcilmente escribirse en funcin de la otra. El grado de facilidad de esa
cuenta har que nos decantemos por alguna alternativa.
19
20
Captulo 2
Transformaciones Lineales
Resumen:
Veremos qu es una transformacin y aprenderemos a reconocer aquellas que son lineales (TL) de
las que no lo son (TNL). Tambin transformaremos
trayectorias en el plano.
Es importante que toda (TL) tiene asociada una
matriz con la que es posible transformar los elementos de un espacio escritos a travs de su matriz
de coordenadas sobre base cannica. Las facilidades del producto de matrices intervienen de modo
elegante y simplificador.
Podremos encontrar estas matrices asociadas, o
por el contrario, a partir de ellas, encontrar la ley
de la transformacin lineal. Las propiedades de las
TL y sus matrices asociadas tambin es un tema
fuerte.
21
2-1. Transformaciones o morfismos
Captulo 2. Transformaciones Lineales
2-1. Transformaciones o morfismos . . . . . . . . . . . . . . . . . . . .
22
2-2. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . .
25
2-2.1. Propiedades de la TL . . . . . . . . . . . . . . . . . . . . . 29
2-3. Matriz asociada a una transformacin lineal . . . . . . . . . . . .
33
2-3.1. Ley de la TL a partir de la matriz asociada . . . . . . . . . 39

2-4. Matriz asociada a operaciones con Transformaciones lineales .
40
2-4.1. Suma de transformaciones lineales . . . . . . . . . . . . . 40

2-4.2. Escalamiento . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2-4.3. Composicin . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2-1.
Transformaciones o morfismos
Transformacin, o aplicacin, o mapeo, o morfismo son distintos nombres

para una funcin. Hasta ahora has considerado funciones donde tanto el conjunto del dominio cuanto el del codominio son los reales, por ejemplo la funcin afn
f : R R | f (x) = 2x + 1
La cual cumple con los axiomas de existencia y unicidad. Reconocemos en la
funcin real Df = R de dominio real y real-valuada Cf = R de codominio
real y cuya ley se da a travs de un elemento del codominio f (x) Cf
, que resulta del mapeo de un elemento x Df del dominio a travs de la
funcin f .
Df = R
Cf = R
x
f (x)
f
Figura 2.1: Funciones reales, real-valuadas
Por definicin las transformaciones son funciones entre dos espacios vectoriales que tienen en comn el mismo cuerpo de escalares.
Nota que en el segundo espacio vectorial V 0 las operaciones pueden
no ser las mismas que en el espacio cuyo conjunto subyacente es el dominio
V , por eso las operaciones las escribimos . . .
Operacin
Suma
Suma
Escalamiento
Escalamiento
Conjuntos
Notacin
V V 7 V
V 0 V 0 7 V 0
K V 7 V
K V 0 7 V 0
+
+0
22
T
V = (V, +, K, )
v
DT = V
V 0 = (V 0 , +0 , K, 0 )
T (v) = v 0
K
(K, +, )
CT = V 0
Figura 2.2: Transformaciones entre dos e.v.

De esta manera la transformacin T se define como cualquier funcin
T : V V 0 | T (v) = v 0
(2.1a)
Y la vamos a desmenuzar. . . :
La transformacin T que asigna a un vector v V , una cierta imagen v 0 V 0
que es otro vector; es una funcin vectorial1 . No es necesariamente una
funcin real como la primera.
Recuerda que como v y v 0 = T (v) son elementos de sendos espacios vectoriales, es posible escribir en su lugar, sus respectivas matrices de coordenadas
respecto las bases cannicas que correspondieran, de modo que la 2.1a la podemos concebir como
T : V V 0 | T ([v]) = [v 0 ]
(2.1b)
Por otro lado todava no hemos dado una ley para individualizar la transformacin, la daremos en el ejemplo 2.1.
Ejemplo 2.1.
Individualiza los espacios involucrados, escribe la ley mediante

las matrices de coordenadas sobre las bases cannicas que correspondan,
y transforma un vector del dominio a partir de la ley de la transformacin
T ((x, y)) = (2x y , y 2x , 2x + y).
p
Evidentemente los espacios son R2 y R3 , de modo que la transformacin
puede completarse
T : V = R2 W = R3 | T ((x, y)) = (2x y , x 2y , 2x + y)

En castellano:
T asigna al vector v del plano, otro vector w del espacio; cuya primera
componente es el doble de la primera componente de v menos la segunda
componente de v . La segunda componente del transformado w es la diferencia entre la primera menos el doble de la segunda componente del
1
A partir de este punto, y hasta terminar el libro, trabajamos con espacios vectoriales
reales, con operaciones estndares, (V, +, R, ) V ,y (V 0 , +0 , R, 0 ) V 0 , a menos que
digamos lo contrario.
23
original v . La tercera componente de w es la suma del doble de la primera

componente de v ms la segunda componente de v .
El transformado del vector v1 = (3, 2) ser
T (v1 ) = (2(3) (2) , (3) 2(2) , 2(3) + (2)) = (8, 7, 4) = v10 . En la figura 2.3 se lo representa
Como v = (x, y) es el vector genrico de R2 , su matriz de coordenadas

x
respecto de { (1, 0) , (0, 1) } es [v] =
, y del mismo modo la matriz de
y
coordenadas de v 0 = (2x y , x 2y , 2x + y) respecto de la base cannica
2x y
de R3 puede escribirse [v 0 ] = y 2x ;
2x + y

2x y
x
podemos escribir la ley como T
= x 2y
y
2x + y
Podramos haberlo
escrito
tambin como

a
b

2a b
= a 2b .
2a + b
Has notado que momentneamente hemos cambiado V 0 por W ? Es solo

cuestin de notacin.
Z
Y
T (v1 )
X
-2
v1
Figura 2.3: Transformacin del ejemplo 2.1

La ltima forma en el ejemplo 2.1, T ([v]) = [v 0 ] debes usarla slo cuando ya conoces V y W , de lo contrario parecera que siempre se va a tratar de
T : Rn Rm . Recuerda que en esta forma estamos tratando con matrices de
coordenadas, lo cual hace que la identidad de los elementos de V y W pase
desapercibida. En otras palabras: lo que es una ventaja tratar diferentes elementos como si fueran una misma cosa tambin debe tomarse con cuidado
cuando las relacionamos es a travs de sus matrices de coordenadas y stas
ocultan la diferencia entre elementos. No es nada grave, pero nunca hay que
perder de vista con qu elementos se est trabajando.
24
2-2. Transformaciones lineales
Ejemplo 2.2.
Haz lo mismo para la transformacin U dada por
U ((a, b)) = 2a b + (a 2b) x + (2a + b) x2
p
Evidentemente ahora U : R2 P2 y

U
a
b

2a b
= a 2b
2a + b
En los ejemplos 2.1 y 2.2 hemos comprobado que a pesar que T y U no

tienen nada que ver, las dos leyes coinciden si se escriben las transformaciones
mediante las matrices de coordenadas en lugar de los elementos genricos !!
2-2.
Transformaciones lineales
Si una transformacin T : V V 0 cumple con(2 )
T (v1 + v2 ) = T (v1 ) T (v2 ) = v10 v20
(2.2)
T (kv) = k T (v) = k v 0
(2.3)
Se dice que es lineal.
2-2.0.2.1.
Funcional
Un Funcional es una transformacin lineal particular: el espacio codominio

es el conjunto de los reales FL : V R | FL es lineal.
2-2.0.2.2.
Operadores lineales
conocidos son por ejemplo el operador lineal Derivada y el operador lineal

Integral son transformaciones lineales donde los espacios involucrados son
espacios de funciones.
Concretando: Una transformacin o mapeo lineal es una funcin vectorial
lineal. En los cursos de anlisis clculo de varias variables generalmente
tratas con funcionales y operadores lineales como las transformadas de Laplace que transforma funciones en el tiempo t a funciones en la frecuencia s.
A lo largo de la carrera de ingeniera, y dependiendo de la orientacin que
elijas, puedes ver ms operadores transformaciones lineales.
2
Hemos vuelto a cambiar +0 por y 0 por , esperando que su lectura sea ms cmoda.
25
Una transformacin es una funcin entre los conjuntos

subyacentes de dos espacios vectoriales que comparten el cuerpo de escalares.
Una transformacin es lineal cuando cumple con los
axiomas de superposicin indicados en las ecuaciones
(2.2) y (2.3)
Desmenucemos los axiomas ((2.2) - (2.3)).

Claramente la primera suma (+) se realiza en el espacio V y la segunda suma
() indica una suma en el espacio V 0 . Como los espacios pueden ser diferentes,
las sumas se distinguen.
Lo mismo ocurre con el producto3 de K V en V , y el () producto K V 0 en
V 0.
Importante: la primera ecuacin (2.2), indica que el transformado de la
suma es la suma de los transformados, y la segunda (2.3) indica que el transformado del escalado es el escalado del transformado.
La aseveracin siguiente como veremos en las propiedades, ms
adelante es alternativa a las dos anteriores ((2.2) y (2.3)), y las puede reemplazar
T (k1 v1 + k2 v2 ) = (k1 T (v1 )) (k2 T (v2 ))

= (k1 v10 ) (k2 v20 ) ;
k1 , k2 K
(2.4)
La (2.4) va ms all, y nos dice que toda transformacin lineal (TL) preserva las combinaciones lineales.
Para muchas orientaciones de las ingenieras, este concepto de linealidad es
fundamental. En principio porque es fcilmente manejable con herramientas
matemticas modestas, y en segundo lugar porque los fenmenos linealizados
son didcticamente ms sencillos de comprender; y finalmente la evasin a
realizar cuentas no imprescindibles es una caracterstica del buen ingeniero.
Un modelo no lineal proveniente de un fenmeno natural puede linealizarse alrededor de un punto de funcionamiento y entonces lo que estamos
tratando de aprender se puede usar.
Volviendo a las (2.2) - (2.3) y (2.4): A partir de ahora las trabajaremos con
el mismo signo para las sumas, pero conscientes de su significado. Entonces
3
No confundas este signo con el producto vectorial entre vectores geomtricos de

tres dimensiones. Esta es la notacin para decir que tomamos un elemento de K y lo operamos
con un vector de V para tener como resultado un vector de V
26
la notacin queda
T (v1 + v2 ) = T (v1 ) + T (v2 ) = v10 + v20

T (k v1 ) = k T (v1 ) = k v10
En el apndice A hemos completado una serie de ejemplos de mapeos de
trayectorias en R2 que completan los ejemplos que desarrollamos en esta seccin.

Ejemplo 2.3.
Muestra que T4 dado por T4
a c
b d

= (2a b, c + d ) es
lineal.
p
Suponemos todos los espacios involucrados reales y estndares.
Para mostrar que T4 es lineal necesitaremos:
dos matrices genricas de R22 y un escalar genrico k :

v1 =
` p
m q

,
v2 =
e g
f h
(a) Verifiquemos que la transformada de la suma. . .

T4 (v1 + v2 ) = T4
`+e
m+f
p+g
q+h

+ en R22
= (2 (` + e) (m + f ) , (p + g) + (q + h))
ley T4
como cada entrada de las matrices vi son reales, recurrimos a las propiedades de los reales: distributividad, asociatividad, conmutatividad... el
transformado lo podemos escribir como
T4 (v1 + v2 ) = (2` m + 2e f , p + q + g + h)
y por propiedades de la suma estndar en R2 , podemos descomponer el
transformado en la suma de dos vectores
T4 (v1 + v2 ) = (2` m , p + q) + (2e f , g + h)

= T4 (v1 ) + T4 (v2 )
. . . es la suma de los transformados.
donde el ltimo paso es verificar que cada vector descompuesto es el
transformado de las matrices v1 y v2 respectivamente.
(b) Nos falta demostrar que la transformada del escalado. . .

T4 (k v1 ) = T4
k`
km
kp
kq

= (2k ` k m , k p + k q )
al igual que en el proceso anterior, podemos hacer
T4 (k v1 ) = k (2` m , p + q )
= k T4 (v1 )
27
ley T4
. . . es el escalado del transformado.

Y como se cumplen las dos condiciones, podemos decir que T4 es una
transformacin lineal.
Es importante que explicites claramente esta ltima afirmacin o la

negacin para responder a lo que el ejercicio pregunta, en otras palabras: el
hecho de hacer las cuentas no responde satisfactoriamente lo requerido por
la consigna del ejercicio.
Ten en cuenta que para probar la linealidad es necesario trabajar siempre
con vectores y escalares genricos, pero para probar que una transformacin
NO es lineal, bastar exponer un contraejemplo donde no se cumpla alguna
cualquiera de esas condiciones. Esto vale para las disciplinas o ramas de la
ingeniera, y es bueno que te acostumbres a ello: forma parte de la metodologa lgica de construccin del conocimiento de las ciencias exactas.
Ejemplo 2.4.
p
Prueba la no linealidad de T5 (x) = x2 + 1.
Es importante saber qu le hace la transformacin al vector: en este caso,

toma el vector, lo eleva al cuadrado y lo aumenta en una unidad. (es una
transformacin no lineal (TNL) que va de R en R)
Tomemos dos vectores, x e y y transformmoslos mediante la T5 :
T5 (x) = x2 + 1, y T5 (y) = y 2 + 1
Verifiquemos que no se cumple un axioma:
T5 (x + y) = (x + y)2 + 1
= x2 + y 2 + 2xy + 1
2
=x
+ 1} + y 2 + 1 +2xy 1
| {z
| {z }
T5 (x)
ley T5
desarrollo en R
propiedades en R
T5 (y)
6= T5 (x) + T5 (y)
no se cumple!
con lo que podemos afirmar que T5 no es lineal.

Alternativamente pudimos haber elegido un contraejemplo, por un lado
T5 (1 + 1) = 4 + 1 = 5, y por otro T5 (1) = 2, entonces
T5 (1 + 1) = 5
T5 (1) + T5 (1) = 4
T5 (1 + 1) 6= T5 (1) + T5 (1)
T5 no es lineal!
Puedes verificar que hubiese sido ms sencillo comprobar que tampoco se

cumple el otro axioma:
T5 (kx) 6= kT5 (x)

28
E incluso usar un contraejemplo para este caso.
2-2.1.
Propiedades de la TL
Las vamos a ir comprobando y luego articulando en palabras del lenguaje

corriente.
1. Cada espacio vectorial tiene su vector nulo. Como los espacios vectoriales son diferentes, puede distinguirse los vectores nulos de diferentes
espacios, por ejemplo V , y V 0 .
Luego si transformramos el vector nulo del primer espacio y aplicramos la propiedad 0 u = , y la propiedad de linealidad que acabamos de
ver...
Como4 T () = T (0 v) = 0 T (v) = 0 v 0 =
. . . tenemos que una transformacin lineal mapea siempre el vector nulo
del espacio V en el vector nulo del espacio V 0 , es decir que
Para una TL, la imagen del vector nulo; es el otro

vector nulo
2. Aplicando la propiedad de linealidad (2.2) a la combinacin lineal k1 v1 +

k2 v2 (que es un vector de V ) tenemos que
T (k1 v1 + k2 v2 ) = T (k1 v1 ) + T (k2 v2 )

y aplicando nuevamente la 2.3 al segundo miembro, tenemos
T (k1 v1 + k2 v2 ) = k1 T (v1 ) + k2 T (v2 )

claramente se v que en la TL
la transformada de la combinacin lineal es la combinacin lineal de los
transformados, es decir que
la TL preserva las combinaciones lineales
Aplicamos: propiedad de espacio V , propiedad de la transformacin lineal, un T (v)

no es otra cosa que un vector que vive en V 0 , y finalmente propiedad del espacio V 0
29
Esto se conoce en la ingeniera ms comnmente con el nombre de principio de superposicin , y es prueba de la (2.4).
3. Una recta se escribe por su ecuacin vectorial paramtrica,
r = P + u donde P es un vector del plano o del espacio, fijo y perteneciente a la recta, mientras que u es un vector paralelo a la recta y es un
escalar real, para que r sea cualquier punto de la recta (o sea un vector
desde el origen de coordenadas hasta un punto genrico de la recta).
Transformemos todos los puntos de la recta mediante una transformacin lineal tipo T : V = Rn V = Rn donde n = 2, 3 y veamos qu
sucede. . .
T (r) = T (P + u)
mapeo de la recta
= T (P ) + T (u)
aplicando linealidad
= P 0 + u0
es otra
r0
Evidentemente P 0 es un vector (fijo); y tambin u0 es otro vector del mismo espacio, por lo que r 0 = P 0 + u0 representa otra recta5 en ese
espacio vectorial. Es decir que
una TL T : Rn Rn mapea rectas en rectas.
Esto es de suma importancia6 cuando hay que mapear, por ejemplo, el

cuadrado unitario a travs de una transformacin lineal dentro de R2
en R2 : lo que se har es mapear los cuatro vrtices tres: porque ya
sabemos que el origen se transforma en el origen y luego unirlos adecuadamente de a dos por medio de una recta7 .
Para ver cmo aprovechamos estas propiedades, realicemos el siguiente
ejemplo
Ejemplo 2.5.
p
Prueba la linealidad de T5 (x) = x2 + 1.
Ya hemos probado que no es lineal (pg.28),

A menos que u0 sea el vector nulo, con lo cual la recta pierde un grado de libertad y se
mapea en un punto, como caso particular. La afirmacin ms correcta es que una TL de un
espacio en s mismo no mapea una recta en una curva.
6
Ciertamente que una transformacin lineal mapea planos en planos, como fcilmente lo
puedes verificar.
7
Puede que una recta se mapee en un punto o un plano se mapee en una recta. Discute en
qu condiciones pueden suceder tales resultados.
5
30
pero ahora sabemos que se hubiera probado suficientemente con tal de

decir que
T5 (0) = 1 6= 0
, y como no cumple con la propiedad 1,
T5 no es lineal.
Nota 1. Debes tener mucho cuidado al usar este tipo de atajos, ya que el hecho
que se cumpla una propiedad no asegura que la transformacin es lineal;
lo que se asegura es que si NO se cumple una propiedad, la transformacin
NO es lineal.
Ejemplo 2.6.
Veamos qu sucede si modificamos T5 modificando su ley de manera que ahora sea T50 (x) = x2 .
p
Evidentemente T50 (0) = 0,
pero T50 es claramente no lineal,
0
2
y lo probaremos: T5 (z) = z con lo que k T50 (z) = k, z 2 con k R, luego
T50 (k z) = (k z)2
Ley de T50
= k2 , z 2
propiedad en R
=
6=
k T50 (z)
k T50 (z)
Ley de T50
T50 no es lineal
lo cual hace que no se cumpla la condicin del producto y por tanto T50 es
no lineal.
Para un contraejemplo pudiramos usar cualquier k 6= 0, 1 especfico.
En el ejemplo que sigue, transformamos mapeamos una trayectoria, no

un vector aislado.
Ejemplo 2.7.
Usemos el hecho que una transformacin lineal mapea rectas

en rectas para mapear la trayectoria cuadrado unitario atravs de la TL:
T ((x, y)) = (2x y , x + y )

p
En este caso el cuadrado unitario (Cu ) puede escribirse de una vez como
una funcin paramtrica
AB :
(, 0)
BC : (1, 1)
Cu () =
CD : (3 , 1)
DA : (0, 4 )
,
,
,
,
01
12
23
34
31
Y
D
BX
y su mapeo es
(2, )
(3 , )
Cu0 () =
(5
2,
4 )
( 4, 4 )
01
12
23
34
,
,
,
,
C0
D0
B0
A0
Para desparametrizar la trayectoria, lo que haremos es igualar la primera

componente a x y calcular la segunda, tenemos la relacin para graficar
en forma sencilla
AB : y = x/2
BC 0 : y = 3 x
0
Cu () =
0
CD : y = 1.5 + x/2
DA : y = x
, x : 0 7 2
,x : 2
,x : 1
, x : 1 7 0
Nota que hemos podido mapear solamente los cuatro puntos (o los
tres, puesto que el mapeo del origen se conserva) y luego calcular los
segmentos mapeados
Y2
Y 20
X0
1
A = (0, 0)
B = (1, 0)
C = (1, 1)
D = (0, 1)
7
(0, 0)
7
(2, 1)
7
(1, 2)
7 (1, 1)
= A0
= B0
= C0
= D0
pero nos estamos preparando para el siguiente ejemplo. . .
En el siguiente ejemplo volvemos a transformar el cuadradito unitario, pero

para una transformacin no lineal.
presta atencin a los detalles.
Ejemplo 2.8.
En cambio cuando la transformacin no es lineal las rectas no

se transformarn en rectas, y ser necesario trabajar como en la primera
parte del ejemplo anterior. Usa la TNL: H ((x, y)) = (1 x + y, x2 x y).
p
En este caso
Cu 0

1 , 2
( 1, 1 )
=
1,
2 5 + 5
(5 , 4 )
,
,
,
,
01
12
23
34
haciendo lo mismo que en el ejemplo anterior lo des-parametrizamos . . .
Cu 0
y
=
y
= x (x 1)
= x
= 1 3x + x2
=1x
,
,
,
,
x:1
0
x : 0 7 1
x : 1 7 2
x:2
1
32
2-3. Matriz asociada a una transformacin lineal
. . . y graficamos original y mapeado para ser ms claros, en sendos sistemas de coordenadas
Y
1.5
Y1
(1, 1) 7 (1, 1)
0.5
-0.5
0.5
-0.5
1.5
-1
Con esto vemos que las lneas rectas no se mapean en lneas rectas para
una transformacin NO LINEAL.
generalmente las lneas rectas no se mapean en lneas

rectas para una transformacin NO LINEAL.
Desde luego que hay excepciones, en particular las transformaciones de traslacin, que en el espacio pueden definirse de manera general como
TT RASL ((x, y, z)) = (x + x0 , y + y0 , z + z0 )

donde cada punto del espacio se transforma en otro punto distante (x0 , y0 , z0 ).
Si lo pensamos en el plano el cuadradito unitario se ver como. . . un cuadradito unitario desplazado.
Otra figura importante para reflejar lo que una transformacin en el plano
efecta, es la circunferencia unitaria (Xu ), la que puede definirse como
Xu : (cos x , sen x) , x : 0 7 2
o mejor

, sen
Xu : cos
2
2
[0, 1)
Ms adelante en el apndice A trabajaremos con esta trayectoria.
2-3.
Matriz asociada a una transformacin lineal
Proposicin 2.1. Dada una Transformacin LINEAL L, siempre puede encontrarse una matriz [L] asociada a la transformacin L, tal que
[v 0 ] = [L] [v]
33
Este teorema afirma que:

Si tenemos una transformacin lineal, solo si es lineal hemos de poder
calcular la matriz de coordenadas del transformado v 0 de cualquier vector
v , como producto de una matriz el teorema no nos dice cmo la vamos a
encontrar por la matriz de coordenadas de v sobre las respectivas bases
cannicas.
Como consecuencia de la proposicin 2.1, distintos entes como lo son
las funciones, las matrices, los polinomios etc. los podremos transformar
por medio de sus matrices de coordenadas; ya no importa qu cosa sean: los
podemos ver como si fueran vectores columna.
En otras palabras:
si T : V V 0 es lineal, estamos habilitados para tomar

ventaja a la hora de transformar, simplemente
aplicando el lgebra matricial.
Para la prueba de esta proposicin, trabajemos primero con un ejemplo particular en el plano, luego un ejemplo genrico en el plano, y finalmente la
prueba real que debe ser genrica.
Ejemplo 2.9.
Sea la TL L ((x, y)) = (3x y , x + 2y), encuentra una [L] adecuada

de manera que [L]
x
y

=
3x y
x + 2y
p
Podemos empezar por las dimensiones que debiera tener [L], en este caso
[L] [v]21 = [w]21 , por tanto ser[L] R22 ,

a11 a12
si escribiramos [L] =
veramos que
a21 a22

[L] [v] =
a11 a12
a21 a22

x
y

=
a11 x + a12 y
a21 x + a22 y

=
3x y
x + 2y
de inmediato surge que [L] debe ser

[L] =
3 1
1
2
con lo cual hemos dado el paso para un caso particular en encontrar

la matriz asociada a una TL, como asegura la proposicin 2.1
34
En este caso no slo demostramos su existencia sino que la calculamos.

Pero sta no es la forma que lo haremos sistemticamente. Para ello
usaremos las mismas propiedades de las transformaciones lineales...
Sea la TL8 L ((x, y)) = (3x y , x + 2y), encuentra la matriz

asociada [L] a la transformacin o mapeo lineal L
Ejemplo 2.10.
p
Ahora lo haremos un poco ms genrico:
la base cannica de V (DL = R2 ) es C2 = {(1, 0) , (0, 1)} = { e1 , e2 }, y el
vector genrico v = (x, y) lo puedes escribir como (x, y) = x (1, 0)+y (0, 1),
de modo que el transformado de (x, y) mediante L ser:
L((x, y)) = L(x (1, 0) + y (0, 1))
El dominio es e.v.
= x L((1, 0)) + y L((0, 1))
linealidad de L
= x L(e1 ) + y L(e2 )
= x e01 + y e02 = v 0

= x0 , y 0
que lo podemos bautizar
que para el caso nuestro es
v 0 = (3x y , x + 2y) = x (3, 1) + y (1, 2) = x0 , y 0
si escribiramos cada vector mediante su matriz de coordenadas respecto

de la base cannica tendramos
x0
y0

=
3x y
x + 2y

y reacomodando [(x, y)] =
x0
y0

=
x
y

=x
3
1

+y
1
2

tenemos. . .
3 1
1
2

x
y

=
3x y
x + 2y
que es lo que tenamos arriba.

El procedimiento lo puedes ver en forma genrica a partir de la relacin
xe01 + ye02 = (x0 , y 0 ), escribindola en forma matricial:
[e01
e02 ]
x
y

=
x0
y0

0
x
x
0
en la cual [v] =
, [v ] =
, y entonces la primera matriz no es
y
y0
otra que la que estamos persiguiendo: [L] = [e01 e02 ].
y

A simple vista pareciera estar dems dos parntesis en L ((x, y)), pero observa: la imagen
de v se escribe L (v), y v en este caso es v = (x, y), de modo que no existe tal redundancia.
35
Es decir que la matriz [ L ] asociada a la transformacin lineal L es aquella

donde cada una de sus columnas es la matriz de coordenadas del transformado
de un elemento base del dominio, respecto de la base cannica del. . . como
es el transformado, no puede ser sino respecto de la base cannica (del)
codominio.
Prueba
Sean V y V 0 de dimensin finita dim(V ) = n, dim(V 0 ) = m. Un vector
genrico de V se puede expresar como combinacin lineal de CV la base
cannica de V
Sean CV = { e1 , e2 , , ej , , en } V y CV 0 = { c1 , c2 , , cj , , cm } V 0
las bases cannicas.
Entonces
un
elemento v V tendr la siguiente matriz de coordenadas
[v] =
v1
v2
.. respecto de CV , de modo que

.
vn
v = v1 e1 + v2 e2 + + vn en
(2.5)
La transformada de cada vector ej de la base CV L(ej ) = e0j V 0

tendr su matriz de coordenadas respecto de CV 0 como. . .
[L(ej )] =
[e0j ]
e01j
e02j
..
.
j = 1, 2, , n
(2.6)
e0mj
0
0
Mientras que un elemento
L(v) = v V tendr esta otra matriz de
v10
coordenadas [v 0 ] =
v20
0
.. respecto de CV .
.
0
vm
La transformacin de v es
v 0 = v1 e01 + v2 e02 + + vn e0n

y escrito en forma matricial
[v 0 ] = v1 [e01 ] + v2 [e02 ] + + vn [e0n ]
36
reordenando y teniendo en cuenta la (2.6)
v10

v20 e021
= .
..
.
.
.
0
vm
e0m1
e011
e012
0
e

2n

...
e0mn
0
e22
.
..
e0m2
e01n
v1
v2
..
.
vn
de donde
[L] =
[L (e1 )] [L (e2 )] [L (en )]
o sea
[L] = L ( [CV ])
(2.7)
es la matriz de las transformadas de los vectores de la base cannica de

V , expresados en la base cannica de V 0 .
De acuerdo con la (2.7), para los espacios vectoriales del tipo Rn podemos
escribir [L] = [L (In )] donde In es la matriz identidad de n n.
Claramente, la matriz [L] asociada a la TL L : V V 0 se encuentra:
1. Transformando cada uno de los vectores de la base cannica del espacio
Dominio hallando e0j j = 1, 2, , n.
2. Y calculando sus matrices de coordenadas [e0j ] sobre la base cannica
de V 0 , y ordenando stas como columnas de [L]
3. En riguroso orden
Y el producto
[L] [v] = [v 0 ]
es la matriz de coordenadas del transformado L (v), escrito sobre base cannica CV 0 , donde [v] es la matriz de coordenadas de v sobre la base cannica de
V CV y [L] es la matriz asociada a la TL L : V V 0
La figura 2.4 es un pictograma indicativo de nuestro trabajo Suponiendo que
dim(V ) = n y dim(V 0 ) = m, claramente es
[L] Kdim(V
Ejemplo
2.11.
Halla
(2x y , x + y , y x)
p
la
0 )dim(V
matriz
asociada
(2.8)
la
TL
T ((x, y))
1- Verificado est que es T lineal; de lo contrario no intentaramos encontrar la matriz, que se nos pide
2- Los transformados de los elementos de la base cannica {(1, 0) , (0, 1)}
de R2 son T ((1, 0)) = (2, 1, 1) y T ((0, 1)) = (1, 1, 1),
37
V
v
V0
v 0 = L(v)
[L]
[v]
[v]
CV
CV 0
Figura 2.4: Transformacin lineal y matrices de coordenadas

3- escritos sobre la base cannica
{(1, 0, 0) , (0, 1, 0) , (0, 0, 1)} de R3 y agrupados en una matriz...
2 1
1 0
T
= 1
1 = [T ]
0 1
1
1

2 1
2x y
x
4- lo podemos comprobar. . . 1
= x + y , con lo que
1
y
1
1
x + y

2 1
[T ] = 1
1
1
1
es la matriz pedida
No perdamos de vista que las transformaciones pueden actuar entre dos

tipos cualesquiera de espacios vectoriales, siempre que estn asociadas al
mismo cuerpo de escalares.
Ejemplo 2.12.
L:
R22
Halla la matriz asociada a la transformacin lineal

a c
P2 |L
= 2b (a b)x + (d + c)x2 .
b d
p
Recordemos que las bases cannicas son
CR22
CP2

1 0
0 0
0 1
0 0
=
,
,
,
0 0
1 0
0 0
0 1

= 1, x, x2
Las transformaciones de los vectores de la base cannica de las matrices

de dos por dos y escritas en la base de los polinomios de grado hasta dos
38
son:

0
1 0
= x 1
L
0 0
0

2
0 0
=2+x 1
L
1 0
0

0
0 1
= x2 0
L
0 0
1

0
0 0
2
=x 0
L
0 1
1
0 2 0 0
y de acuerdo con ello: [L] = 1 1 0 0 es la matriz solicitada.
0 0 1 1
y
2-3.1.
Ley de la TL a partir de la matriz asociada
Hasta ahora hemos visto que dada una TL L podemos encontrar su matriz
asociada [L], la pregunta es
Si se diera la TL a travs de dar su matriz asociada [L], seramos capaces de
encontrar la ley de la transformacin lineal?
En otras palabras: si fuera posible, estaramos dando por sentado que para
cada transformacin lineal hay una nica matriz asociada y viceversa.
La respuesta es sencilla y lo hicimos en el punto 4 del ejemplo anterior:
nada ms hay que transformar un vector genrico de V .
Ejemplo 2.13.
Encuentra la ley de la transformacin lineal sabiendo que la ma-
1 2
triz asociada es [L] = 3 4 .
5 6
p
Al ser las columnas de [L] las matrices de coordenadas de la base cannica
de V , si no conocemos V y V 0 no conocemos todo L, pero por lo menos conoceremos la estructura de la ley de L en forma de matriz de coordenadas

x + 2y
1 2
x
3 4
= 3x + 4y
y
5 6
5x + 6y

x + 2y
x
es decir que L
= 3x + 4y
y
5x + 6y
y
p
39
Si nos hubiesen dicho que V = R2 y que V 0 = P2 hubiramos podido

escribir cambiando por ejemplo x con a e y con b,

a + 2b
a
= 3a + 4b
L
b
5a + 6b
y hubiese significado que
L ( (a , b) ) = a + 2b + (3a + 4b) + (5a + 6b)2

fuera la ley solicitada.
2-4.
Matriz asociada a operaciones con Transformaciones lineales
Las transformaciones no son ms que funciones, y stas pueden sumarse,

componerse, si es posible hallar la inversa, etctera. Lo mismo podr hacerse
para las transformaciones. La pregunta es:
Cmo influye esto en la matriz
asociada?
2-4.1.
Suma de transformaciones lineales
Supongamos dos transformaciones lineales L1 : V V 0 y L2 : V V 0 ,

operando sobre los mismos dominio y codominio9 , de manera que exista la
transformacin suma, naturalmente definida como. . .
Ls : V V 0 | Ls (v) = L1 (v) + L2 (v)

El pictograma de la figura 2.5 lo aclara ms.
L2
V0
L1
L1
L2
S
S
L1 (u) = u01
L2 (u) = u02
S(u) = u0S = u01 + u02
Figura 2.5: Transformacin suma de transformaciones lineales

Probemos primero que es lineal. Si es as, por la proposicin (2.1) deber
existir la matriz asociada, que la calcularemos despus.
9
Y naturalmente, ambas transformaciones lineales sobre el mismo cuerpo, de lo contrario

no se podra siquiera considerar alguna de ellas.
40
Para probar linealidad, debemos probar que los axiomas (2.2) y (2.3) se
cumplan para la transformacin S . Necesitaremos dos vectores u y v del dominio V y sus transformados u01 , u02 y v10 , v20 a travs de L1 y L2 respectivamente,
adems de un escalar k
Prueba
Probemos la suma:
Como u y v estn en V , su suma est garantizada que est en
V de lo contrario V no sera un espacio vectorial por tanto
podemos plantear que
L1 (u + v) = (u + v)01
= u01 + v10
L2 (u + v) = (u +
v)02
u02
v20
existe en
V0
linealidad de
L1
dem para
L2
entonces la imagen de la suma a travs de S es
S(u + v) = L1 (u + v) + L2 (u + v)
=
(u01
v10 )
(u02
definicin de
v20 )
leyes de
L1 , L2
por axiomas de conmutatividad y asociatividad en el espacio

vectorial V 0
S(u + v) = (u01 + u02 ) + (v10 + v20 )
axiomas en
V0
= S(u) + S(v)
definicin de
con lo que la suma est probada.

Prueba
Probemos el producto:
De manera similar, el vector escalado k u est en V , por lo que
S(k u) = L1 (k u) + L2 (k u)
= k L1 (u) + k L2 (u)
definicin de
linealidad de
L1 , L2
por axioma distributiva del producto en la suma en el espacio

V 0 , podemos escribir
S(k u) = k (L1 (u) + L2 (u))

= k S(u)
dist.en
Definicin de
con lo que el producto tambin est probado.

Por tanto S : V V 0 | S (v) = L1 (v) + L2 (v) es lineal.
Calculemos entonces su matriz asociada [S].
41
V0
S
Por ser lineales L1 y L2 . . .
[u01 ] = [L1 ] [u] , [u02 ] = [L2 ] [u]

la suma es
[u01 ] + [u02 ] = [L1 ] [u] + [L2 ] [u]
linealidad en
= ([L1 ] + [L2 ]) [u]
L1 , L2
distr. matrices
el primer trmino no es ms que la matriz de coordenadas de la suma de las

imgenes de u
([L1 ] + [L2 ]) [u] = [S (u)] = [u0s ]

de modo que
[S] = [L1 ] + [L2 ]
2-4.2.
(2.9)
Escalamiento
Si la TL es L : V V 0 | L(v) = v 0 , la funcin escalada se define como

Lk : V V 0 | Lk (v) = kv 0 . El proceso de prueba de que s es lineal, y de cunto
vale la matriz asociada te lo dejo por ser muy similar a las pruebas anteriores.
En este caso
[Lk ] = [k L] = [Dk ] [L]

donde [Dk ] es una matriz diagonal con k en cada entrada en su diagonal.
2-4.3.
Composicin
En la composicin de aplicaciones lineales, aplicamos la primera a un elemento v de V , y obtenemos un vector de v 0 de V 0 , al cual aplicamos la segunda,
para obtener el vector v 00 que vive en el espacio V 00 . Lo anterior resulta equivalente a aplicar la funcin compuesta al vector v para obtener directamente
el vector v 00 , tal como se ve en el pictograma
V0
L1 (v) = v 0
L1
L2
V 00
L2 (v 0 ) = v 00
v
L2 L1
Figura 2.6: Composicin de transformaciones lineales
42
Recuerda que la notacin es L2 (L1 (v)) (L2 L1 )(v). Por ser lineal L1
puedes escribir [v 0 ] = [L1 ] [v], y por la misma razn [v 00 ] = [L2 ] [v 0 ] de modo que
finalmente
[v 00 ] = [L2 ] [L1 ] [v]

Existe el producto [L2 ] [L1 ]?
Claro que s. Hagamos el anlisis de compatibilidad dimensional:
[L1 ]mn [v]n1 = [v 0 ]m1
supuestos
[L2 ]qm [v 0 ]m1 = [v 00 ]q1
supuesto adems
[L2 ]qm [L1 ]mn = [L2 L1 ]qn
43
dim(V ) = n, dim(V 0 ) = m
dim(V 00 ) = q
44
Captulo 3
Transformaciones lineales
isomtricas
Resumen:
Nos centraremos en las transformaciones lineales dentro de un mismo espacio vectorial, en donde
el mdulo del vector se preserva luego de transformado.
Como los espacios vectoriales estaban desprovistos del concepto de mdulos una medida, se los
dota de esa propiedad.
Este contenido viene a echar luz sobre las
transformaciones de rotacin y reflexin aplicables
al mundo real, particularmente en la visin por
computadora.-
45
3-1. Isometras
Captulo 3. Transformaciones lineales isomtricas
3-1. Isometras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3-1.1. Propiedades de las TL Isomtricas
46
. . . . . . . . . . . . . 47
3-2. Rotacin en el plano . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
3-2.1. Rotacin seguida de rotacin . . . . . . . . . . . . . . . . . 51

3-3. Rotaciones en el espacio . . . . . . . . . . . . . . . . . . . . . . . .
3-1.
53
Isometras
Una transformacin LINEAL tal como T : V V | T (v) = v 0 es isomtrica

si se cumple que
|T (v)| = |v 0 | = |v|
donde |v| significa mdulo de v (1 ). Por ejemplo. . .

Ejemplo 3.1.
Para la TL T (x, y) = (y, x), discute si es o no isomtrica
p
Si v = (x, y), su mdulo ser
p
|v| = x2 + y 2
y su transformada ser v 0 = (y, x), cuyo mdulo es
p
0 p
v = y 2 + x2 = x2 + y 2 = |v|
Por tanto T efectivamente es una isometra.
Ejemplo 3.2.
Verifica que la matriz asociada a la transformacin isomtrica

anterior es ortogonal, es decir todas sus columnas son versores normales
entre s

0 1
La matriz asociada a la isometra anterior es [ T ] = T ([I]) =
.
1 0
Como (0, 1) (1, 0) = 0 y adems |(0, 1)| = |(1, 0)| = 1, resulta que [ T ] es
ortogonal.
Lo interesante de una matriz ortogonal es que su inversa es igual a su

traspuesta.
A1 = A>
O norma 2, que en otros libros vers como kvk2 o simplemente kvk. Para los espacios Rn
existen otras normas, como la norma 1(kvk1 ) y la norma infinito (kvk ).
1
46
3-1. Isometras
Nota que la transformacin de traslacin tambin preserva la norma (en

este caso el mdulo), pero no es una simetra porque no es lineal.
Una transformacin isomtrica preserva la norma, y su

matriz asociada es ortogonal.
3-1.1.
Propiedades de las TL Isomtricas
1. La matriz asociada a la transformacin es ortogonal.

Lo probaremos ms adelante.
2. Las nicas transformaciones posibles son
Una rotacin
Una reflexin
Una combinacin de las anteriores.
3. En una TL isomtrica T , se da
que |T (u) T (v)| = |u v|
Tomemos un vector w = u v , por ser T lineal es
T (w) = T (u) T (v)

y por ser T isomtrica es
|T (u) T (v)| = |T (w)|

= |w|
= |u v|
con lo que queda demostrado (y ya est)
Ejercicio 3.1.
Descubre mediante transformar algunos vectores, si las transformaciones lineales isomtricas encontradas son una reflexin o una rotacin. Es eso de esperar?
Que las columas de [ T ] deban ser versores es claramente entendible, porque nada ms son justamente las transformadas de la base cannica al menos para Rn y otros espacios completos conocidos, y el hecho de que por
la isometra, conservan la norma. . . pero que sean ortogonales entre s no es
trivial. Probaremos entonces la ortogonalidad. . .
2
v = v 0 donde este v 0 es el opuesto de v y no su mapeo T (v 0 ) = T (v). (en otras
palabras: el transformado del opuesto es el opuesto del transformado).
47
3-2. Rotacin en el plano
Prueba
Si T es isometra, debe darse que
|T (v)| = |v|
pero como toda isometra es lineal, puede escribirse
|[ T ] [ v ]| = |[ v ]|
2
>
como |[ v ]| = [ v ] [ v ], podemos planear. . .
>
>
[v] [v] = [v] [T ]
>
([ T ] [v])
= [ v ]> [ T ]> [ T ] [ v ]
que exige que se de la igualad
[ T ]> [ T ] = [I]
o lo que es lo mismo
[ T ]> = [ T ]1
que se cumple slo si [ T ] es ortogonal, es decir, todas sus columnas son
versores mutuamente normales.
Hemos probado la necesaria ortogonalidad de la matriz asociada a una
isometra, ahora sin la especulacin anterior sobre los vectores de la base
cannica que vala solamente para espacios conocidos.
3-2.
Rotacin en el plano
Consideremos una transformacin en el plano que rota cualquier vector,

un ngulo determinado . Como se ve en la figura 3.1
Y
v0
v
X
Figura 3.1: Transformacin de rotacin en el plano
La pregunta es:
Cmo hacemos para encontrar la ley de la rotacin?.
48
Sabemos lo que la TL hace, pero no sabemos an cmo se escribe la ley.

Daremos un paso importante: la fabricacin de la ley a partir de los conceptos que hemos aprendido hasta ahora. Primero propondremos la matriz
asociada a la transformacin lineal de rotacin llammosla R y con ella,
encontraremos la ley. Recordemos la expresin 2.7: (las columnas de [ R ] son
las coordenadas de los transformados de la base cannica del dominio, respecto de la base cannica del codominio).
Ejemplo 3.3.
Encuentra R , la matriz asociada a la TL que rota un vector del

plano un ngulo en el sentido antihorario.
p
Debemos asegurarnos que esta transformacin sea lineal, ya que de lo
contrario no intentaremos hallar una matriz asociada.
No hay nada ms que visualizar los pares v y su mapeado v 0 en distintas
posiciones para establecer que la transformacin no slo ser lineal
tambin puedes comprobar los axiomas de linealidad en forma grfica
sino que al rotar el vector su mdulo se mantiene, por lo que tambin ser
isomtrica.
Como la base cannica de R2 es C = { e1 = (1, 0), e2 = (0, 1) }, la matriz
resulta
[ R ] =
R (e1 )
R (e2 )
como siempre.
Lo que nos resta ahora es evaluar adnde se transforman los versores de
la base cannica, que con la ayuda del grfico tenemos
eY2
e02 sen
1
e01
sen

e01 = R (e1 ) = R (1, 0) = cos, sen

e02 = R (e2 ) = R (0, 1) = sen , cos
cos
e1 X
por lo que
cos()
sin()
[R ] =
sin()
(3.1)
cos()
Esta es la matriz asociada a la rotacin.
Ejemplo 3.4.
Halla la ley de la transformacin rotacin (en el plano) del ejercicio 3.3 anterior
p
49
Planteamos sencillamente el producto: [ v 0 ] = [R ] [ v ], que en este caso es

v1
[ R ] [ v ] =
v2

v1 cos() v2 sen()
= v0
=
v1 sen() + v2 cos()
cos() sin()
sin()
cos()

o sea que la ley puede expresarse
R ((x, y)) = x cos() y sin() , x sen() + y cos()
(3.2)
(es totalmente lcito reemplazar x v1 e y v2 .)
Ejemplo 3.5.
p
Rota la recta y = 2x + 3 de manera que quede horizontal
Tenemos varias posibilidades:

la ms inmediata es encontrar el ngulo a rotar eso sera usar la fuerza
bruta3 .
Mejor no calcularemos el ngulo, sino el coseno y el seno del mismo, que
es lo que necesitamos.
- Usaremos el vector director u de la ecuacin de la recta
u = (1, 2)
si la hemos de rotar en sentido contrario a las agujas del reloj nos convendra encontrar el coseno del ngulo que forma con el eje X+
(1, 0) (1, 2) = 1
= 1
de donde
1 + 4 cos()
1
cos() =
5
de manera que
sin2 () = 1 cos2 ()
= 1
1
4
2
= sin() =
5
5
5
con lo que la matriz asociada a la rotacin ser
"
[R ] =
1
5
2
5
25
1
5
El ngulo nos llevar a que la expresin del seno y del coseno casi siempre la tengamos
que aproximar, y con ello, propagar un error que podemos evitar.
50
que podemos escribir. . .
1
[R ] =
5
1 2
2
1
de manera que la recta rotada ser

r0 = [ R ] [ r ]
"
# "
#
1 2
1
=
5
2
1
2 + 3
"
#
5 6
1
=
5
3
x0
= 3
5
3
Entonces x0 puede ser cualquiera, pero que y 0 = , con lo que el vector
5
directo rotado es paralelo al eje X; lo esperado ya que la ecuacin

y + 2x = 3 nos dice que la longitud de la normal es
3
d
=
2
5
a + b2
Es importante que encuentres R en forma exacta, no con aproximaciones decimales. Es mejor que te persuadas que la aproximacin en la
calculadora es el ltimo paso y no el primero.
Tratemos de explorar nuevos mtodos para resolver los mismos problemas.

Cada uno de nosotros tiene una manera de hacer las cosas , incluida la
matemtica. La creatividad es siempre bienvenida. No nos conformemos con
reproducir las sugerencias que damos cuando resolvemos un ejemplo; por el
contrario busquemos nuevos mtodos y comparmoslos.
Rotaras la interseccin de la recta con una normal que pasa por el origen?
3-2.1.
Rotacin seguida de rotacin
Imaginemos que a un vector v lo rotamos mediante una transformacin RA

de rotacin un ngulo , el vector v 0 que se obtiene puede escribirse
[ v 0 ] = [ R ] [ v ]
(3.3)
Imaginemos ahora que a ese vector ya rotado, se lo vuelve a rotar con la RB ,

pero un ngulo , obtenindose v 00 , que podr escribirse como
[ v 00 ] = [ R ] [v 0 ]
51
(3.4)
pero por la anterior relacin tenemos que
[ v 00 ] = [ R ] [ R ] [ v ]
(3.5)
= [R+ ] [ v ]
(3.6)
y vemos que se ha hecho la composicin de las dos rotaciones y la matriz de

rotacin final es el producto de las matrices de rotacin individual. Es importante que notes el orden de la multiplicacin.
v 00

= RB RA (v)
00
[ v ] = [ R ] [ R ] [ v ]
Nota tambin la diferencia con que tratamos la transformacin y su matriz
asociada ( RB y R ) respectivamente aunque estrictamente no fuera necesario, ya que es suficiente la diferencia de notacin entre transformacin R y
matriz asociada [ R ].
Observa el pictograma de la figura 3.2, similar a la figura 2.6
V
RA
RA (v) = v 0
RB
V
RB (v 0 ) = v 00
v
RB RA
Figura 3.2: Composicin de rotaciones
Ejercicio 3.2.
Ejercicio 3.3.
Muestra que lo mismo sucede cuando se transforma v mediante una transformacin lineal cualquiera dada por la matriz
asociada [T1 ] y luego se lo transforma por otra transformacin
lineal dada por la matriz asociada [T2 ].
Muestra que, como caso particular,
[R+ ] = [ R ] [R ] = [ R ] [ R ] = [ R+ ]
sucede slo en el plano y no en el espacio Necesitas leer
una seccin ms para comparar lo que sucede en el espacio.
Recordemos del captulo anterior que si hay una composicin de transformaciones lineales T1 : V V1 cuya matriz asociada es [T1 ], con T2 : V1 V2 ,
cuya matriz asociada es [T2 ], la composicin de las dos se puede escribir como
T : V V2 | [ T ] = [T2 ] [T1 ]
(3.7)
52
3-3. Rotaciones en el espacio
. . . que por otro lado es lgico si se piensa por ejemplo en las dimensiones de
los espacios
dim (V ) = n dim (V1 ) = m y dim (V2 ) = p
las matrices de transicin debern ser de
[T1 ] Rmn , [T2 ] Rpm

de modo que [ T ] = [T2 ] [T1 ] tiene la dimensin correcta de p n y se verifica
[ v 00 ]
p1
= [ T ]pn [ v ]n1
como es necesario.
3-3.
Rotaciones en el espacio
En el espacio nos manejamos en este libro con una terna a derechas ,

donde XYZXY es la regla mnemotcnica (de acuerdo con la figura 3.3(a)) para
encontrar los productos vectoriales: I J = K, J K = I , con esta regla hemos
de deducir las rotaciones segn los ejes X, Y y Z : tomaremos los ngulos
positivos de manera que se mantenga esta convencin.
Z
Z
e2
X
X
e3
e03
v0
(a)
e2 Y
X
(b)
Figura 3.3: (a) Rotacin en el espacio (b) Alrededor del eje X

En la figura 3.4 vemos el efecto que produce sobre el vector v una rotacin
segn el eje X, pensemos en el eje X como el eje de un lpiz y saqumosle la
punta con el antiguo sacapuntas. Cualquier generatriz puede ser el vector v
y todas las otras son v rotado por una transformacin como la que estamos
estudiando. El archivo rotax.m en el apndice B-5 la reproduce.
En la figura 3.3(b) tenemos la rotacin sobre el eje X, y llamaremos RX a
la matriz asociada a esta transformacin
, y lo que haremos
La base cannica de R3 es C3 = { e1 , e2 , e3 } , , k
es rotar los tres vectores segn el ngulo X aplicando la ec.(2.7) pag.37,
con ello la matriz asociada es

1
0
0
RX = 0 cos(X ) sin(X )
0 sin(X )
cos(X )
53
(3.8)
Figura 3.4: Rotacin alrededor del eje X (vista 2)

De la misma manera obtenemos las restantes matrices asociadas a las rotaciones respectivas. El pictograma (3.5) lo ilustra.
e3
e03
e2
e02
e1
Z
Z
e1
Y
e1 X
e1
Figura 3.5: Rotacin en el espacio. Alrededor de los ejes Y(a), Z (b)
Para las rotaciones alrededor de los otros ejes tenemos. . .
RY =
cos (y ) 0 sin (y )
sin (y ) 0 cos (y )
0 1
(3.9)
cos (z ) sin (z ) 0
RZ = sin (z )
cos (z ) 0
0
0 1
(3.10)
Lo que queda por decir es que una rotacin en general va a tener un ngulo
54
tal que sea la composicin de tres rotaciones, en general
R = RZ RY RX
suponiendo que primero se rota un x , luego un y y finalmente un z , en ese
orden
Ejemplo 3.6.
Rota el plano : 2x + 3y + 4z = 1 de manera que quede paralelo a

un plano coordenado
p
El plano est en una posicin tal que no es paralelo a un eje ni a un plano.
Entonces podemos rotar el plano de modo que su traza sobre el plano
ZY quede paralelo al eje Z
Z
n
1/4
uy
1/4
1/2
1/3
1/3
uyz
Vista isomtrica y de perfil

en este caso la traza del plano sobre el plano YZ ser
3y + 4z = 1
y su direccin viene dado por el vector uyz = (0, 4, 3).
= (0, 0, 1) y uyz viene dado por el producto
El coseno del ngulo entre k
escalar
uyz = 1 |uyz | cos()

k
= 5 cos() = 3
(3.11)
(3.12)
de donde calculamos el
cos (x ) = cos() = 3/5

y por la relacin . . .
r
1
9
4
= = sin()
25
5
. . . y el signo a usar en la matriz asociada viene dado por la rotacin en

sentido horario contrario al usado en 3-2 para definir la rotacin,
4
sin (x ) = ;
5
55
cos (x ) =
3
5
Conociendo esto ya conocemos RX (por la 3.8).

Efectuamos la rotacin x al plano, por ejemplo
3
=
5
0
0 45
4
5
3
5
3
20
1 2x 3y
4

1 2
1
2
=
5 5x

5
3
5
10 x 4 y
de donde el plano rotado es ahora
0 : 5y 0 + 2x0 = 1; z R
Con lo que podemos obtener la ecuacin de la nueva posicin del plano
que, obviamente a causa de la rotacin va a ser paralelo al eje Z, por lo
que
Z
Y
1/5
1/5
1/2
1/2
u0xy
1/3
u0xy
Y
Vistas luego de la primera rotacin
u0xy = (5, 2, 0)
Adems de una traza sobre el plano XY, dada por la direccin u0xy , la cual
rotaremos nuevamente pero segn el eje Z, con un ngulo cuyo coseno
estar dado por el producto u0xy I, en forma similar a lo que ya hicimos.

uxy = 1 u0xy cos()
= 29 cos() = 5
5
cos (Z ) =
29
entonces
2
sin (Z ) =
29
con lo que la matriz asociada a la rotacin alrededor del eje Z es
RZ =
5
29
2
29
229
0 1
5
29
56
y el plano rotado es
1 2
5
0

29
5
0 1
5
29
2
29
00 =
229
haciendo la cuenta
00 =
2 29
29
5
145
29
29
x00
29
29
z 00
Con ello el plano rotado dos veces tendr la forma
00
29
, x00 , z 00 R
29
00
:y =
..que es paralelo al eje ZX, que es una posible respuesta.
y
p
Hacindolo de una sola vez. . . la matriz asociada a la transformacin pedida es entonces
R = RZ RX =
5
29
2
29
5629
5829
3
29
45
4
29
3
5
y la rotacin sucesiva del plano queda
00 =
5
29
2
29
5629
5829
3
29
45
4
29
3
5
1 2x 3y
4
efectuando la cuenta tenemos
116x 8
1
00 =
20
20 29
29(6x 25y + 3)
que no es otra cosa que
00 =
x00
29
29
z 00
donde claramente se ve que la segunda componente es constante y el
plano rotado puede escribirse
00 : y =
tal como se peda.
El grfico muestra las secuencias
57
1
29
29
Z
Y
1/4
1/ 29
1
29
Z
1/2
1/3
Y
Vistas luego de la segunda rotacin
y
p
Hay otras manera de hacerlo, una de ellas es mediante la proyeccin de la
normal:
1- proyecta la normal sobre el plano ZY, nZY (seguro es normal a uyz )
2- calcula el ngulo de nZY con el eje Z
3- calcula la RX correspondiente a dejar la proyeccin sobre el eje Z
4- rota la normal original con esa matriz y obtiene n0ZX (en el plano ZX)
5- calcula el ngulo con el eje Z de nuevo
6- y obtiene RY , de manera que n00Z (coincidente con el eje Z), luego el
plano quedara paralelo al plano XY
Las combinaciones de rotaciones pueden ser las que queramos, no necesariamente el plano debe quedar paralelo a un plano coordenado determinado.
La tcnica de rotacin de trazas de arriba no es nica: adems puedes. . .
a- rotar solo la normal y un punto, digamos P del plano. Luego volver a
armar la ecuacin del plano rotado, dado por su normal y un punto, que
es todo lo que necesitamos para definir un plano, o
b- rotar la ecuacin del plano completa mediante la matriz en la forma
compacta, por ejemplo : 2x + 3y + 4z = 1
x
y
12x3y
4
c- rotar tres puntos no alineados del plano, y luego reconstruir la ecuacin

del plano cada vez que sea necesario.
Solo hemos definido rotaciones alrededor de los ejes

coordenados.
58
Captulo 4
Autovalores y Autovectores
Resumen:
Cuando tratamos con transformaciones lineales

de un espacio en s mismo, la matriz asociada resulta cuadrada.
En este captulo intentaremos estudiar el comportamiento de ese tipo de transformaciones lineales a travs del estudio del comportamiento de la
matriz asociada cuadrada. En otras palabras: el estudio de propiedades especficas de las matrices de
n n revela conocimiento aplicable a las transformaciones lineales cuando los conjuntos subyacentes de los espacios dominio y codominio son el mismo y de dimensin n.
Este contenido es uno de los que mas has de usar
en otras asignaturas de ingeniera, vale para los
cursos de mecnica racional, como los de ecuaciones diferenciales o los de ecuaciones a diferencias,
etctera.-
59
4-1. Introduccin: Mapeo en el plano
Captulo 4. Autovalores y Autovectores
4-1. Introduccin: Mapeo en el plano . . . . . . . . . . . . . . . . . . .
60
4-2. Autovalores y Autovectores
63
. . . . . . . . . . . . . . . . . . . . . .
4-2.1. Clculo de autovalores . . . . . . . . . . . . . . . . . . . . 64

4-2.1.1. Existencia . . . . . . . . . . . . . . . . . . . . . . . 65
4-2.1.2. Multiplicidad . . . . . . . . . . . . . . . . . . . . . 65
4-2.1.3. Autovalores en matrices triangulares . . . . . . . 66
4-2.2. Clculo de autovectores
. . . . . . . . . . . . . . . . . . . 66
4-2.2.1. Autovalor y autovector de la matriz escalada . . . 68

4-2.2.2. Autovectores linealmente independientes . . . . . 69
4-2.3. Autovalores repetidos . . . . . . . . . . . . . . . . . . . . . 70
4-2.4. Matrices simtricas . . . . . . . . . . . . . . . . . . . . . . 74
4-2.4.1. Autovectores mutuamente normales . . . . . . . . 75
4-2.5. Resultados a tener en cuenta . . . . . . . . . . . . . . . . . 77
4-3. Matrices similares . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
4-3.1. Propiedad de las matrices similares . . . . . . . . . . . . . 79
4-1.
Introduccin: Mapeo en el plano
Nos centraremos en el estudio de algunas caractersticas interesantes de

las matrices cuadradas Rnn (1 ). La razn: estudiando las caractersticas de las
matrices, podemos sacar valiosas conclusiones acerca de las transformaciones lineales, ya que stas admiten matrices asociadas. Como trabajamos particularmente con matrices cuadradas, y las conclusiones que saquemos ser
vlidas para transformaciones lineales dentro de un mismo espacio vectorial.
Empecemos con un ejemplo

1 2
Ejemplo 4.1.
Para la matriz A =
, hallemos los transformados de los
2 1
vectores (2, 2), (2, 1), (1, 1), (2, 2), y (1, 1)
p
Es tedioso tener que hacer
"
1 2
2 1
"
1 2
2 1
# "
# "
#
=
2
2
1
"
#
y luego
6
"
4
5
#
es decir
Aunque el concepto matemtico es el mismo para espacios que comparten escalares complejos, el abordaje geomtrico que haremos aqu, nos permite referimos exclusivamente a
escalares reales.
60
bsicamente la misma cuenta para cada vector. Es ms sencillo hacerlo

en masa
"
1 2
#"
2 1
1 2
1 1
"
=
4 1
1 2
[A]
v1 v2 v3 v4 v5
v10 v20 v30 v40 v50
Recuerda que podemos pensar que A, est asociada por ejemplo a la

transformacin lineal A : R2 R2 | A ((x, y)) = (x + 2y , 2x + y)
Nota que estamos usando A para definir una matriz, y no el correcto [ A ].

Esta prctica de abuso de notacin en aras de la simplicidad es comn en
muchos textos de lgebra lineal.
Ejemplo 4.2.
Ahora grafiquemos cada vector con su transformado, un par por

cada grfico. . .
p
Y
v4
v30
X
v3
v40
Observa que v30 es colineal con v3 , y lo mismo sucede entre

lo mismo vale para los siguientes v1 y v5 , que en
son opuestos y el grfico de la izquierda est a una
Y6
v10
v40 y v4 .
este caso no
escala menor.
v50
2
6
v1
4
3
2
2
3
v5
1
1
Hasta ahora hemos transformado algunos vectores y comprobamos que

algunos pares vector - vector transformado son co-lineales, mientras que otros
no. Ahondemos un poco ms en la co-linealidad. . .
Es probable que los vectores co-lineales a travs de la transformacin tengan
algo ms en comn?
61
Ejemplo 4.3.
Tratemos de expresar vectores y transformados co-lineales mediante un escalamiento de los vectores de partida.
p
Podemos expresar los coeficientes como si extrayendo factor comn, ya
que ello est permitido entre las matrices
v10

v20

v30

v40

v50

6 4
=
6 5

2 4
=
3
2
5

h

= 3v1 v20

1
2 3
1 2 3

1 1 1 2 3 1

1
2 1

i

1v3 1v4 3v5
Pongamos los vectores que son co-lineales2 con sus transformados,
v0
T
T
T
T
(
(
(
(
(2, 2)
(1, 1)
(2, 2)
(1, 1)
)
)
)
)
=
=
=
=
(6, 6)
(1, 1)
(2, 2)
(3, 3)
=
=
=
=
3
1
1
3
v
(2, 2)
(1, 1)
(2, 2)
(1, 1)
y reordenando
v10 = 3v1
v50 = 3v5
v30 = v3
v40 = v4
pero tambin hay vectores que no son co-lineales con sus transformados,
por ejemplo

v2 =
2
1
v20 =
4
5
Nota que siempre ocurrir que v = (0, 0) = v 0 pero como el vector nulo
no tiene direccin o mejor, tiene cualquier direccin, es intil esperar
que su transformado conserve su direccin, por tanto no nos interesar
el caso v =
El archivo geogebra Autovalores-01.ggb3 tiene tres puntos del plano

v1 , v, v3 y sus transformados donde v puede ubicarse en cualquier lado, y los
otros pueden moverse en su direccin fija correspondiente. Los transformados
de v1 y v5 comparten una direccin se escalan por 1 (fijo); y los de v3 y v4
que comparten la otra direccin:se escalan por 3, tambin fijo.
Esos nmeros fijos por cada direccin, los llamamos con la letra griega
y decimos que son valores caractersticos o autovalores, y los vectores con
quienes los cumplen, vectores caractersticos o autovectores.
2
3
Esta idea repetimos vale slo para matrices y vectores reales.

Puedes pedrmelo por correo electrnico: omar punto morel arroba gmail punto com
62

1 2
As en los ejemplos anteriores donde A =
, v1 y v5 son vectores ca2 1
ractersticos autovectores asociados al valor caracterstico autovalor
= 3, mientras que v3 y v4 son vectores caractersticos asociados al valor
caracterstico = 1.
Ese comportamiento es comn a otras matrices cuadradas 4 . En ocasiones
el nmero es un complejo5 aunque la matriz tenga todas sus entradas reales
no vamos a extendernos a ellos en este libro.
Lo importante es que dada una matriz cuadrada cualquiera, sta tiene
indefectiblemente esos nmeros caractersticos , sean reales o complejos,
o algunos reales y otros complejos. Y lo probaremos ms delante en la subseccin 4-2.1.1
4-2.
Decamos que el nmero caracterstico tambin se llama autovalor (del

alemn Eigenvektor) o valor caracterstico de la matriz. Y los vectores asociados a esos autovalores se llaman autovector(es) (del alemn Eigenwert(en) )
o vectores caractersticos.
En un caso general se tiene que
A v = v
(4.1)
para un par autovalor-autovector ( , v). Con esto, la definicin de autovalor

y autovector queda de la siguiente manera:
Definicin 1. Para una matriz A cuadrada de dimensiones, un vector no nulo
es autovector si satisface la relacin Av = v ; en otras palabras: si l mismo
y su transformado forman un conjunto linealmente dependiente6 : { v , A v } es
LD.
Repitamos que los autovectores no pueden ser los vectores nulos.
La pregunta es:
Cmo calculamos los valores caractersticos de una matriz?
1
4
Prueba por ejemplo la matriz B = 0
0
c
y v3 = 4c y sus co-lineales.
2c
5
1
2
0
b
1
a
2 con los vectores v1 = 0 , v2 = b
0
3
0
Puedes
probar
con lo que aprendas ms adelante que los autovalores de la matriz
2
B = 1
0
1
2
0
0
0 son 1 = 2 + j , 2 = 2 j y 3 = 3
3
Esto elimina la ambigedad que supone la definicin por co-linealidad entre el autovector
y su transformado, cuando el autovalor asociado es cero. Es evidente en ese caso que transformado y autovector no son co-lineales, sino normales entre s. Con ms razn cuando A o
no fueran reales.
63
4-2.1.
Clculo de autovalores
Partamos de la definicin: Av = v . Entonces7
v Av =
Definicin
Como A es una matriz y es un escalar, debemos multiplicar por la matriz

identidad del mismo orden que A para poder escribir
(I A) v =
(4.2)
y este es un sistema de ecuaciones lineales homogneo que, por lo que hemos

estudiado anteriormente, indefectiblemente tiene solucin. Pero naturalmente, si no nos interesa la solucin trivial v = , la nica posibilidad para que
haya otras soluciones es que (I A) no sea invertible, es decir que
|I A| = 0
(4.3)
Ec. caracterstica
Con esta ecuacin hemos de calcular los autovalores, se llama ecuacin caracterstica8 de A

Ejemplo 4.4.
Halla los autovalores de la matriz A =
1 2
2 1
p
Efectuando las cuentas que dadas por la ec.(4.3)

0
1 2
|I A| =
0
2 1

1 02

=
02 1
= ( 1) ( 1) 4
= 2 2 3
= A ()
(4.4)
Y ste es lo que se conoce como el polinomio caracterstico de A

nota que la 4.4 tiene la estructura tpica de p(x) = 3 2x + x2 .
De l vamos a obtener los autovalores de A
A () = |I A|
= 2 2 3
= ( 3) ( + 1)
7
Ten en cuenta que tanto v cuanto Av yacen en el mismo espacio vectorial, ya que A es
cuadrada.
8
Algunos autores usan la forma equivalente |A I| = 0, de ese modo el polinomio resultante ser mnico para A con dimensin par y no mnico para A con dimensin impar;
mientras que en la forma que hemos optado nosotros, el polinomio resulta siempre mnico.
Un polinomio es mnico cuando el coeficiente de la variable de mayor grado es 1.
64
de donde finalmente
1 = +3
2 = 1
donde los preordenamos con los valores absolutos decrecientes.
La ecuacin caracterstica es el polinomio caracterstico igualado a cero. Sus races son los autovalores de la
matriz.
4-2.1.1.
Existencia
Tendr cualquier matriz autovalores? Cuntos?

Como ellos aparecen como raz de un determinante igualado a cero, la matriz debe ser cuadrada. Analiza el grado de los polinomios caractersticos de
estas matrices y combnala con la informacin teorema fundamental del lgebra9 de que todos los polinomios de grado n tienen n races.
El polinomio caracterstico de una matriz cuadrada de entradas reales tiene todos sus coeficientes reales, y como consecuencia, sus races podrn ser
reales o, de aparecer races complejas, lo harn de a pares conjugados.
4-2.1.2.
Multiplicidad
Es sabido que las races de un polinomio pueden repetirse. Como el polinomio caracterstico de una matriz es el que provee los autovalores, podemos
establecer que un autovalor puede repetirse, es decir: puede tener multiplicidad algebraica.
Ejemplo 4.5.

1 0
2 1
Halla los autovalores de la matrices B =
yC=
0 1
0 2
p
9
Un polinomio en una variable, no constante y con coeficientes complejos o reales, tiene

tantas races como indica su grado, contando las races con sus multiplicidades.
65
Efectuando las cuentas necesarias
B () = ( 1)2
C () = ( 2)2
Vemos que los autovalores se repiten El autovalor 1 para la matriz B

tiene multiplicidad algebraica 2
Un autovalor que no se repite, se dice que es simple (multiplicidad algebraica 1).
4-2.1.3.
Autovalores en matrices triangulares
Proposicin 4.1. Cuando la matriz es triangular, los autovalores estn en la

diagonal.
Prueba
Es evidente que si T es una matriz triangular de dimensiones genricas
la matriz I T = T tambin lo ser.
Asimismo las entradas en la diagonal de T tendrn la forma ( ti,i ),
por lo que el determinante el polinomio caracterstico de la matriz T
ser
n
Y
det(T ) = T () =
( ti,i )
i=1
cuyas races ya estn factorizadas, i = ti,i

Como consecuencia o corolario, podemos afirmar que lo mismo sucede para matrices diagonales. Ms estudios sobre autovalores los tienes en el apndice D-2.
4-2.2.
Clculo de autovectores
Para encontrar los autovectores, partamos tambin de (I A) v = luego

de haber calculado los autovalores. En la ec.(4.2) hagamos i I A = Ai y
entonces
Ai vi =
(4.5)
Debemos resolver este sistema homogneo para cada valor de i y encontrar

los autovectores vi asociados a cada autovalor.
66

Ejemplo 4.6.
Halla los autovectores de de la matriz A =

1 2
.
2 1
p
Del ejemplo anterior (4.4), los autovalores son 1 = 3 y 2 = 1. Para
calcular los autovectores,
usemos la expresin (4.2) o la (4.5), proponiendo

que 1 = 3, v1 =
v11
R2 , entonces:
v21

31 02
v11
0
=
02 31
v21
0

2 2
v11
0
=
2
2
v21
0
desarrollando la matriz de los coeficientes aumentada (para recordar)

2 2 0

2
2 0

2 2 0

0
0 0

1 1 0

0
0 0
v11 v21 = 0 v21 = v11

es decir que para el autovalor 1 = 3, hemos
obtenido una familia de

v11
. Lo notaremos de la siguiente
v11

A : 3, (x, x)
x=
6 0
autovectores asociados dada por v1 =

manera:
Si le diramos a v11 el valor 1, obtendramos

v21 = 1 y el autovector aso
1
, y lo notamos:
1

3 , (1, 1)
ciado elegido sera v1 = (1, 1) =
Verifiquemos que sea correcto. Debe cumplirse la (4.1)...
1 2
2 1

1
1

=
3
3

=3
1
1

, cierto.
Una conclusin valedera en este contexto, sera establecer que como hemos propuesto un valor especfico para la componente v11 y pudiramos
haber propuesto cualquier otro real (distinto de cero), el autovector v1
pudo haber sido otro de la misma direccin; entonces el par autovalor autovector asociado que dimos arriba en realidad es un representante de
los infinitos autovectores que yacen en esa direccin. Y ste es el subes

pacio asociado al autovalor 1 = 3, E=3 =
x, x
Procedamos de la misma manera para encontrar los autovectores asociados a 2 = 1
2 2
2 2

v12
v22
0
0
v12
v12
v2 =
67
y E=1 = { (x, x) } es el subespacio asociado. Por lo que finalmente

3, (x, x) , 1, (x, x) x 6= 0

A : 3, (1, 1) , 1, (1, 1)
A:
La ltima muestra la matriz y un autovector asociado a cada autovalor,

mientras que la primera muestra todos los autovectores asociados a cada
autovalor.
4-2.2.1.
Autovalor y autovector de la matriz escalada
Supongamos que la matriz A admite un par autovalor-autovector tal como

(, v), estudiaremos qu sucede con los autovalores y autovectores de la matriz
E = kA donde k es un escalar.
Ejemplo 4.7.
p
Si A : { (i , vi ) } cul ser el par de kA, k escalar?
Sabemos que vi es elemento de un espacio vectorial, en este libro podemos pensar el evre V = Rn donde se da que A vi = i vi
(kA) vi = k(A vi )
propiedad matrices
= k(i vi )
expresado arriba
= (ki ) vi
axioma espacio V
entonces podemos afirmar que (kA) y A comparten los autovectores, mientras que los autovalores de kA son los escalados de los de A.
El resultado anterior puede parecerte no convincente, por cuanto el determinante de la matriz escalada tiene la relacin det(kA) = k n det(A) y
det(kA) 6= k det(A) por lo que es necesario que hagamos otro ejemplo numrico para confirmarlo
Ejemplo 4.8.

4 8
Halla los autovalores y autovectores de B =
.
8 4
p
Esta matriz es 4 veces la del ejemplo 4.6 y ejemplo 4.6 B = 4A, donde

A : 3, (x, x) , 1, (x, x) , calculemos su polinomio caracterstico
de B
B=4A () = ( 4)2 64
= 2 8 48
= ( 12)( + 4) 1 = 4 3 ,
2 = 4(1)
68
con lo cual hemos confirmado la relacin entre autovalores. Ahora podemos simplemente probar si los autovectores se comparten
4 8
8 4

x
12x
=
x
12x

x
= 12
x
lo podemos hacer para el otro par a-a,
A:

3, (x, x) ,

1, (x, x) 4A : 12, (x, x) ,

4, (x, x)
lo cual puedes comprobar.
4-2.2.2.
Autovectores linealmente independientes
La cantidad de autovectores asociados a un autovalor es infinita, porque

todos los autovectores co-lineales con uno dado excepto el vector nulo,
tambin lo es. Prueba de ello es el resultado que hemos obtenido en el ejemplo 4.6, donde por ejemplo para el autovalor 3
1 2
2 1

x
x
=3
x
x
son autovectores todos los puntos de la recta y = x, con la nica excepcin

del origen. Todos ellos est en una misma direccin, tambin llamada autodireccin asociada al autovalor simple = 3
El autovalor est asociado a un subespacio de Rn volvemos a suponer que
trabajamos con autovectores reales donde todos los vectores son autovectores excepto el vector nulo. La dimensin de ese subespacio es la cantidad
de autovectores linealmente independientes (multiplicidad geomtrica).
Proposicin 4.2. Si un autovector v0 est asociado a un autovalor 0 , el par
(0 , k v0 ) tambin es un par autovalor-autovector, (siempre que k 6= 0, naturalmente).
Ejercicio 4.1.
Prueba la aseveracin anterior. Ayuda: En Av0 = 0 v0 comienza por

multiplicar todo por el escalar k .
Cuando se calculan autovectores, se exhiben los autovectores linealmente dependientes ligados a un autovalor.
69
Ejemplo 4.9.
Discute estos pares de autovalor-autovector cambiando A del

ejemplo 4.1 por la matriz identidad de la misma dimensin.
p
Las cuentas para el clculo de los
y autovectores
quedan para
autovalores

t. Puedes comprobar que como
1 0
0 1
x
x
=
, lo que est sucediendo
y
y
es que:
cualquier vector del plano por ltima vez: excepto el vector nulo es
autovector de la matriz identidad, asociado al nico autovalor = 1 que
se repite grado de multiplicidad algebraica 2. En otras palabras: tenemos una infinidad de vectores en infinitas direcciones asociados al mismo
autovalor
el subespacio asociado al autovalor 1 es E=1 = { (x, y) } y su dimensin
es 2 (su multiplicidad geomtrica es 2).
Pudiramos
encontrar

una base con dos autovectores de ese espacio:
v11 =
y
1
0
y v12 =
.
0
1
Entonces podemos decir que cada autovalor est asociado un subespacio

de autovectores10 , y que aparentemente su dimensin puede tener algo que
ver con la multiplicidad algebraica de ese autovalor.
En otras palabras: queremos saber si hay alguna relacin entre la multiplicidad algebraica (cantidad de veces que un autovalor se repite) y la multiplicidad geomtrica (dimensin del espacio asociado a ese autovalor.).
4-2.3.
Autovalores repetidos
La pregunta es:
Qu deberamos esperar hay valores caractersticos repetidos?
En el ejemplo 4.9 hemos tratado con una matriz que tena un autovalor de
multiplicidad dos, asociado a un espacio de dos dimensiones de cual pudimos exponer dos vectores linealmente independientes, esto podra hacernos
suponer que la dimensin del subespacio de autovectores asociados a un autovalor coincide con su grado de multiplicidad. Veamos si es correcto mediante
otro ejemplo.
10
Claramente no es un subespacio de autovectores, ya que le faltara justamente el vector

nulo, pero an asi es un subespacio E = { v |A v = v }
70

Ejemplo 4.10.
Halla los autovalores y autovectores de A =

1 1
.
0 1
p
Luego de hacer las cuentas o en forma evidente aplicando la proposicin
4.1 1 = 2 = 1, por lo que los autovectores saldrn de
0 1
0
0

v11
v21

=
0
0
de donde v11 es libre puede tomar cualquier nmero y v21 = 0, por lo

que

v1 =
A
1
0
{(1 , (1, 0))}
De modo que cuando quieras encontrar v2 , ste ser un escalado de v1
Ahora hemos visto un caso donde la cantidad de autovectores no co-lineales

es menor que la multiplicidad del autovalor asociado. Podemos especular, de
acuerdo con nuestra experiencia que: La cantidad q de autovectores linealmente independientes asociados a un autovalor es menor o igual a la multiplicidad m del autovalor.
Otro ejemplo con una matriz de 33 nos aclara an ms la pregunta inicial.
Ejemplo 4.11.
Halla los autovalores y autovectores de la matriz A =
7 16 8
16
7
8
8
8 5
p
Calculemos los autovalores. . .
A () = |I A|

7

16
8

=
16 7
8

8
8 + 5

7

16
8

= +9 +9
0

8
8 + 5

7 16
8

= ( + 9)
1
1
0

8 8 + 5
71
eliminemos -8 con 8
propiedad determinantes
hemos calculado una raz prontamente

16
8
A () = ( + 9)
8 + 5

= ( + 9) 2 18 243

= ( + 9) ( + 9)( 27)

7
8
+

8 +5

Esta tcnica funciona en ciertos casos de simetra. En un caso general

hubieras arribado a un polinomio caracterstico de tercer grado, y para
encontrar sus races puedes usar un algoritmo numrico, como el que aparece en la ltima parte de D-3.0.2 en la pg.166 (apndice).
En definitiva, los autovalores son
1 = 27
2 = 3 = 9
Calculemos entonces el o los autovectores asociados a 2 = 3 = 9
16
16
8
v12 v13
0 0
16 16 8 v22 v23 = 0 0
8 8 4
v32 v33
0 0
A2,3 v2,3 =
donde hemos ubicado los dos sistemas. Los renglones de la matriz de los
coeficientes son escalamientos del ltimo, por lo que
16
16
8 0
0 0 0 0
16 16 8 0 7 0 0 0 0 cuyo significado es
8 8 4 0
2 2 1 0

2v12 + 2v22 + v32 = 0 9, (v12 , v22 , 2v12 2v22 )
(4.6)
En la que hay dos grados de libertad. Como una direccin un autovector define una direccin tiene un grado de libertad; puedes extraer dos
direcciones linealmente independientes. Por ejemplo
A:

9 , (v12 , 0, 2v12 ) , 9 , (0, v22 , 2v22 )
Y puedes elegir en particular
v2 = (1, 0, 2)
v3 = (0, 1, 2)
El otro autovector asociado a = 27 , ya sabes cmo calcularlo y queda

como ejercicio.
A : {(9 , (1, 0, 2)) , (9 , (0, 1, )) , (27 , (2, 2, 1))}

9 tiene multiplicidad algebraica y geomtrica 2, mientras que 27 tiene
multiplicidad algebraica y geomtrica 1.
y
72
Ha sido otro caso donde la multiplicidad geomtrica es igual a la multiplicidad algebraica en cada caso. Lo mismo ocurre en el ejemplo siguiente
Ejemplo 4.12.
Para la matriz nula de 2 2, hallar los autovalores y autovectores

asociados
p
En este caso lo mismo que la matriz identidad podemos ver que hay
un autovalor con multiplicidad dos, 1 = 2 = 0, pero como
0 0
0 0

x
0
x
=
=0
y
0
y
lo cual significa que no importa cul direccin tome, siempre se dar que
(x, y) ser un autovector.
Pero tambin estamos poniendo en evidencia lo que en la definicin de autovector: { A v, v } es linealmente dependiente, y aunque v no pueda ser el
vector nulo, A v s lo puede ser. Este punto no es tan obvio, los estudiantes
tropiezarn aqu al principio .
Es el mismo caso que el ejemplo 4.11 anterior tambin, donde el subespacio asociado a 9 fue
G = {(x, y, 2x 2y)}
Este tema est desarrollado con ms detalle en un apndice, en la seccin
E-2, donde tratamos los espacios invariantes.
En definitiva, podemos presentar dos autovectores linealmente independientes en este caso
A : {(0 , (1, 0)) , (0 , (0, 1))}

pero no nos olvidemos de que cualquier combinacin de autovectores asociados al mismo autovalor, es tambin autovector asociado a ese autovalor.
Lo cual confirma que. . .
La cantidad de autovectores linealmente independientes asociados a un autovalor (multiplicidad geomtrica)

puede ser igual o menor que su multiplicidad algebraica.
73
Que contesta la pregunta inicial.

Cuando se pide un clculo de autovectores, se estila en general proporcionar una base de autovectores. Para los casos que hemos visto; el nmero
de autovectores en esa base puede ser igual o menor al grado de multiplicidad del autovalor repetido. En el caso de un autovalor no repetido simple:
el autovector que damos como asociado es en realidad una base de todos los
autovectores asociados del mismo subespacio de dimensin 1.
4-2.4.
Matrices simtricas
Si la matriz es simtrica si,j = sj,i , de n n, podremos encontrar la

misma cantidad de autovectores LI, no importa si los autovalores se repiten.
Proposicin 4.3. Toda matriz simtrica de entradas reales tiene todos
sus autovalores tambin reales (condicin suficiente)
. . . pero no necesaria, ya que hay matrices no simtricas con autovalores
reales (no es necesario que sea simtrica para tener autovalores reales). Veamos unos ejercicios para ver si podemos evitar la prueba formal.

Ejercicio 4.2.
Halla los autovalores de A =
0 1
2 3

y de B =
1.5 0.5
0.5 1.5
a- Son A y B simtricas? Son reales sus autovalores?

b- A cul matriz se aplica la proposicin 4.3 anterior?
No probaremos la proposicin 4.3, para un caso genrico de n, pero lo
haremos para n = 2
Prueba
Tomemos una matriz genrica y simtrica
a b
S2 =
b c
y calculemos su polinomio caracterstico
S2 (x) = x2 (a + c)x + ac b2
la resolvente es
xi =
a+c
p
(a + c)2 4(ac) + 4b2
2
lo que est dentro de la raz cuadrada puede escribirse
a2 + c2 + 2ac 4ac + 4b2 = (a c)2 + 4b2 0

con lo cual la raz es real cqd.
74

a b
El proceso de prueba establece que para la matriz
arroja autovalob a

a b
1 1
res a |b| y para la matriz
=a
arroja autovalores 0 y 2a.
b a
1 1

a b
Prueba que la matriz antisimtrica
slo presenta aub c
Ejercicio 4.3.
tovalores complejos.
Otras proposiciones tiles que damos sin prueba son:
Proposicin 4.4. Todo par de autovalores distintos entre s; de matriz simtrica, estn asociados a autovectores normales entre s.
Proposicin 4.5. Autovalores distintos de una matriz de entradas reales
cualquiera estn asociados a autovectores linealmente independientes entre
s (generalizacin de la proposicin 4.4).
Ejercicio 4.4. Verifica
la aseveracin 4.5 en el ejemplo 4.6, en donde A =
1 2
2 1
4-2.4.1.
Autovectores mutuamente normales
Segn la proposicin 4.5 autovalores distintos llevan a autovectores linealmente independientes, la pregunta ahora es Podra ser que una matriz de
n n aunque tuviera autovalores repetidos que tuviera n autovectores LI,
pudiera tener todos los autovectores normales entre s ?
La buena noticia es que s, se puede siempre que la matriz real(11 ) sea
simtrica.
Ejemplo 4.13.
Halla los autovalores y autovectores normales de la matriz A =
7 16 8
16
7
8 , si es posible.
8
8 5
p
Los autovalores ya los tenemos del ejemplo 4.11.
Tambin nos quedaremos con el autovector v2 = (1, 0, 2) que satisface la
2v12 + 2v22 + 1v32 = 0,
proponemos entonces un autovector v3 = (v1 , v2 , v3 ) tal que cumpla con
la ecuacin anterior 2v13 + 2v23 + 1v33 = 0 y que adems sea normal a v2 ,
11
Si la matriz es de entradas complejas y hermtica, tambin. A es hermtica si sus entradas

simtricas son conjugados aji = aij .
75
es decir que su producto escalar v2 v3 sea nulo,
v3 = (v13 , v23 , 2v13 2v23 )
v
13

v2 v3 =
1 0 2
v23
2 (v13 v23 )
= v13 + 2 (2v13 2v23 )
= 5v13 4v23
= 0
de donde si a v13 le diramos el valor 4, a v23 le deberamos dar 5 y v3
quedara
v3 = (4 , 5 , 2 4 2 5)
= (4, 5, 2)
El autovalor 9 est asociado con v2 = (1, 0, 2) y con v3 = (4, 5, 2).
Para encontrar otro autovector v1 normal a estos dos, podrs hacer v1 =
v2 v3 ?; en ese caso

k

1 0
2 = (10, 10, 5)

4 5 2
v1 = (10, 10, 5) (2, 2, 1)

lo que hay que comprobar ahora es que ste realmente sea autovector
asociado a = 27, y es as (no hay ms que ver el ejemplo citado)
Entonces, ya est, los tres autovectores conseguidos son normales entre
s.
Ejemplo 4.14.
Implementa otro mtodo para hallar lo mismo que el ejemplo
4.13
p
Algo ms elaborado y que funciona bastante bien cuando hay pocas componentes puede ser:
Asumamos que v2 = (1, 0, 2) ya lo hemos adoptamos como un autovector,
si hacemos v3 = (2 , v23 , 1) ya es perpendicular al anterior, lo nico que
tienes que hacer es encontrar la segunda componente, que debe cumplir
76
con 2v13 + 2v23 + 1v33 = 0,
12
o sea
0 = 2 (2) + 2v23 + 1 (1)

= 5 + 2v23
v23 =
5
2

5
v3 = 2 , , 1
2
que si lo multiplicamos por 2 tenemos13
v3 = (4 , 5 , 2)
escencialmente el mismo resultado que el anterior, como puedes ver.
Podemos verificarlo
1
4
9 36
1
4
7 16 8
16
5
0 45 = 9 0
5 =
7
8 0
2 2
18
18
2 2
8
8 5
4-2.5.
Resultados a tener en cuenta
Un par autovalor()-autovector(v ) para una matriz A es

aquel en que el conjunto { Av, v } es linealmente dependiente, y satisface la relacin A v = v .
v 6= , pero Av puede ser el vector nulo.
En esta ltima definicin ya no importa que las entradas de A sean reales o

no, como tampoco el escalar .
1. los autovalores de una matriz de entradas reales:
a) Pueden ser valores reales o complejos
b ) pueden haber dos o ms con el mismo valor multiplicidad
12
No te olvides de la condicin para los autovectores asociados al autovalor de multiplicidad

2 = 9.
13
Esto puede hacerse sin problemas porque los autovectores definen una direccin, e infinitos autovectores pueden estar definiendo una nica direccin. Por otro lado sera interesante
encontrar autoversores, y de hecho lo haremos en alguna oportunidad.
77
c) pueden tener el valor cero mltiples o no

2. Los autovectores de una matriz de entradas reales:
a) Nunca sern el vector nulo. (por definicin)
b ) Asociados a autovalores distintos, son LI
c) Asociados a un autovalor de multiplicidad m, puede ser un subespacio de dimensin m. Del cual pude extraerse una base, representativa de todos los autovectores asociados con ese autovalor.
3. Para matrices simtricas, adems...
a) Los autovalores son reales
b ) Pueden darse tantos autovectores LI como dimensin tiene la matriz
c) Siempre puede obtenerse un conjunto de todos los autovectores normales entre s
Definicin 1 (Espectro). De una matriz es el conjunto de autovalores de la
misma.
Definicin 2 (Autoespacio). Espacio vectorial asociado a un autovalor, mediante la relacin Av = v donde no se excluye al vector nulo.
1 6 2
Ejemplo: para la matriz A = 1
4
1
0
0
1
el espectro es (A) = { 1, 2 }

E=2 = (x, 12 x, 0) y E=1 = { (x, y, x + 3y) }
son los auto-espacios asociados a los respectivos autovalores.
4-3.
Matrices similares
Dos matrices cuadradas A y B son similares si existe una matriz C invertible, tal que
B = C 1 A C
(4.7)
Notaremos
BA
el signo significa similaridad y no que las entradas de A sean aproximadamente iguales a las entradas de B .
Claramente, puedes escribir tambin
B = D A D1
con tal de hacer en este caso D = C 1 . Veamos un ejemplo
78

Ejemplo 4.15.
Encuentra una matriz similar a

0 1
.
2 3
p
Nada ms debemos aplicar la 4.7 proponiendo una matriz C no singular,
de dimensiones apropiadas, por ejemplo

C=
1 2
2 1
de modo que
1
1 2
2 1
2 1
0
1
B =
0 1
2 3

1 2
2 1
Que es una de las infinitas posibles.
4-3.1.
Propiedad de las matrices similares
Proposicin 4.6. Las matrices similares comparten los valores caractersticos.
Ejemplo 4.16.
p
Verifica el teorema a partir del ejemplo anterior(4.15)
Slo tenemos que calcular los autovalores de
0 1
2 3

y de
2 1
0
1

y
verificar que sean iguales

1
A () =
2 3
= 2 3 + 2
= ( 2) ( 1)

2
1
B () =
0 1

= ( 2) ( 1)

con lo que hemos verificado el teorema, diciendo que efectivamente B y
A comparten los mismos autovalores.

y
Ahora lo probaremos.
79
Prueba
Tomemos dos matrices similares A y B , por tanto podemos escribir B =
C 1 A C , calculemos el polinomio caracterstico de B
B () = |[I B]|

= I C 1 A C

= C 1 I C C 1 A C
(4.8)
podemos extraer factor comn a la derecha . . .

B () = C 1 I C 1 A C
y tambin a la izquierda . . .

B () = C 1 [ I A ] C
(4.9)
que por propiedad de los determinantes

B () = C 1 |[ I A ]| |C|
y tambin por propiedad de los determinantes, los de |C 1 | y |C| son
recprocos, por lo que finalmente
B () = |[ I A ]|
= A ()
(4.10)
Como los polinomios caractersticos de dos matrices similares son iguales, como predice la (4.10), entonces las matrices similares compartirn
autovalores. Y con esto queda demostrado el teorema.
Proposicin 4.7. Las matrices similares tienen autovectores ligados por la

matriz C de la definicin 4.7
Prueba
Tomemos dos matrices similares A y B , donde A : (, v) es un par
autovalor-autovector; por tanto podemos escribir B = C 1 A C y de
ah que
A = CBC 1
pos-multiplicando por v asociado a , tenemos
A v = CBC 1 v = v
Efectuemos ahora la sustitucin
w = C 1 v v = Cw
80
en la ecuacin anterior. Tenemos que
A v = CBw = v = Cw
que por ser un escalar puede escribirse
CBw = Cw
y como C 1 existe,
Bw = w = C 1 v
finalmente nos dice que efectivamente, el autovector asociado al autovalor de A y B , para la matriz B = C 1 A C no es v , sino C 1 v
en otras palabras
A : { (0 , v0 ) } C 1 A C = B :
0 , C 1 v0
(4.11)
y ya est.
Proposicin 4.8. El polinomio caraterstico, el espectro, la traza suma de
los elementos de la diagonal, y el determinante permanecen invariantes entre dos matrices similares. Es decir: B = A1 CA, entonces B () = C (),
P
P
(B) = (C),
bi,i = ci,i , det(B) = det(C).
Consecuencia 4.8.1. Como corolario de la proposicin anterior, si A tiene
autovalores i .
A es invertible si 0
/ (A)
P
Tra(A) =
i (tambin las repetidas)
81
82
Captulo 5
Diagonalizacin de matrices y
Aplicacin al cambio de bases
Resumen:
En esta unidad vamos encontrar una matriz similar diagonal, mediante el clculo de los autovalores y autovectores de la matriz. Las condiciones
de existencia y el clculo son el tema de la primera
parte.
Las matrices diagonales similares a una matriz
original son tiles en diversos campos de la ingeniera, como ser: desacoplamientos de sistemas dinmicos lineales y cambios de coordenadas en general.
Luego hemos de trabajar con matrices asociadas a transformaciones lineales, donde ocurren
cambios de base. En ese momento descubriremos
que las matrices asociadas que hasta ahora eran
nicas dependen de las bases elegidas que hasta ahora eran solamente las bases cannicas.
Es interesante cuando los dos espacios coinciden.-
83
5-1. Diagonalizacin de Matrices
Captulo 5. Diagonalizacin de matrices y Aplicacin al cambio de bases
5-1. Diagonalizacin de Matrices . . . . . . . . . . . . . . . . . . . . . .
5-1.1. No unicidad de la matriz diagonal similar
84
. . . . . . . . . 86
5-1.2. Existencia de diagonal similar . . . . . . . . . . . . . . . . 86

5-1.3. Cundo es diagonalizable una matriz?
. . . . . . . . . . . 87
5-1.4. Para tener en cuenta . . . . . . . . . . . . . . . . . . . . . 89

5-2. Matrices simtricas . . . . . . . . . . . . . . . . . . . . . . . . . . .
89
5-2.1. Autovectores de una matriz simtrica . . . . . . . . . . . . 90

5-2.2. Prueba de ortogonalidad . . . . . . . . . . . . . . . . . . . 90
5-3. Cambios de base en TL . . . . . . . . . . . . . . . . . . . . . . . . .
92
5-3.1. Diagonalizacin: Forma desacoplada . . . . . . . . . . . . 97
5-1.
Diagonalizacin de Matrices
Olvidmonos por un momento de la relacin entre una matriz asociada a

una transformacin lineal y centrmonos en las matrices cuadradas en s.
La idea es encontrar, si existiera, una matriz similar diagonal. En ese caso
los autovalores de la matriz estaran todas en la diagonal de acuerdo con lo
sostenido en la proposicin 4.6.
Supongamos para hacerlo ms sencillo una matriz cuadrada A R22 con
autovalores { 1 , 2 } asociados a los autovectores { v1 , v2 } respectivamente.
Pudiramos escribir DA = C 1 AC donde DA tiene la forma
"
DA =
Por las relaciones Av1 = 1 v1 y Av2 = 2 v2 donde
"
A=
"
a11
a21
a11 a12
" #
v11
"
v12
, v1 =
, v2 =
es decir
a21 a22
v21
v22
#" # "
# "
#" # "
#
a12
v11
1 v11
a11 a12
v12
2 v12
=
,
=
o en masa
a22
v21
1 v21
a21 a22
v22
2 v22
"
a11 a12
#"
v11 v12
v21 v22
a21 a22
{z
}
| {z } |
A
"
=
1 v11 2 v12
1 v21 2 v22
84
Puedes escribir la matriz de la derecha(1 ) como
"
1 v11 2 v12
"
v11 v12
1 v21 2 v22
#"
v21 v22
0 2
{z
} | {z }
DA
En definitiva V DA = A V de donde
DA = V 1 A V
(5.1)
La cual existe siempre que exista la inversa de V . Y la inversa de V existir

siempre y cuando hayan tantos autovectores linealmente independientes como para formar una matriz de n n. V la llamaremos en ese caso matriz
diagonalizante .
Definicin 2. La matriz C que hace que la matriz similar DA = C 1 A C sea
diagonal, se llama matriz diagonalizante. El proceso para pasar de A a DA
se llama diagonalizacin de la matriz A

Ejemplo 5.1.
Diagonaliza A =
1 2
2 1

si es posible.
p
Esta es la misma matriz que hemos trabajado en muchas ocasiones, como
en los ejemplos 4.4 y 4.6, de donde
A () = ( + 1) ( 3) 1 = 3, 2 = 1

1
1
y
v1 =
,
v2 =
1
1

Armemos con ellos la matriz de los autovectores V = [v1 ] [v2 ]

V =
1 1
1
1
1
=
2
1 1
1 1
la matriz diagonal = V 1 A V ser...
1
=
2
1 1
1 1

1 2
2 1

1 1
1
1

1
1 1
3
1
=
3 1
2 1 1

3
0
=
0 1
hemos llamado = DA a la matriz diagonal similar a A
y
1
Recuerda que en el producto de matrices EC el resultado es la combinacin lineal de las

columnas de E con los escalares en las columnas de C .
85
diagonalizar es encontrar una matriz similar diagonal.

La matriz diagonalizante est formada por autovectores.
5-1.1.
No unicidad de la matriz diagonal similar
Proposicin 5.1. Una matriz no tiene en general una sola matriz diagonal
similar.
Ejercicio 5.1.
Para el ejemplo 5.1. Arma ahora la matriz V1 = [v2 ]

[v1 ]
y encuentra la nueva matriz diagonal. Es la misma? Puedes
encontrar la relacin que vincula el orden de la diagonal principal y el orden de los autovectores?
Ejercicio 5.2.
Para el ejemplo 5.1. Arma ahora la matriz V2

[k v1 ]
[h v2 ] donde k, h R0
Qu puedes afirmar respecto de la pregunta anterior?
Proposicin 5.2. La matriz diagonal DA similar a una dada matriz A, tiene en

su diagonal los autovalores de A ordenados de tal manera que se corresponda
con sus autovectores asociados
La matriz diagonal2 no es nica, menos an la matriz

diagonalizante ser nica.
5-1.2.
Existencia de diagonal similar
La pregunta es ahora
Todas las matrices cuadradas son diagonalizables ?
La respuesta la trataremos de sacar con un contraejemplo
Excepto cuando tiene un slo autovalor y est asociado a n autovectores, claro est
86

Ejemplo 5.2.
Diagonaliza la matriz A =

1
Evidentemente
0
y 1 = 2 = 1

1 1
, de ser posible.
0 1

1
= ( 1)2
1
por lo que los autovectores saldrn de

0 1
0
0
v11
v21

=
0
0
de donde v21 =cualquier nmero y v11 = 0, por lo que

v1 =
1
0
De modo que cuando se quiera encontrar v2 , ste sera colineal con v1 , y

no podramos armar la matriz C ya que al ser C un conjunto LD, no existe
la inversa de C.
Por tanto esta matriz no es diagonalizable.
Y la respuesta a la luz del ejemplo 5.2 es que no todas, porque se ha encontrado una que no es diagonalizable. Entonces la siguiente pregunta es...
5-1.3.
Cundo es diagonalizable una matriz?
Como el caso anterior se di que la matriz no pudo diagonalizarse por tener

autovalores repetidos, la pregunta es ahora
Si hay autovalores repetidos NO existir similar diagonal?
La respuesta la trataremos de sacar con otro contraejemplo
59
2
5
Diagonaliza la matriz A = 2
56 10 de ser posible
5 10
35
Ejemplo 5.3.
p
El polinomio caracterstico. . .
A () = 3 1502 + 7200 108000 = ( 30) ( 60)2

. . . tiene un autovalor con multiplicidad 2, por tanto nos interesar hallar
dos autovectores asociados a = 60
1 2 5
x
0
2t1 + 5t2
2
4 10 y = 0
t1
5 10 25
z
0
t2
87
de donde podremos exhibir dos autovectores linealmente independientes,

de la misma manera que producamos una base para un subespacio

5
2
v1 = 1 , v 2 = 0
1
0
Puedes constatar que el autovector asociado a = 30 es
1
v3 = 2
5
con lo cual podemos formar V , y puedes comprobar que
2
26 10
59
2
5
2 5 1
60 0 0
1
5 10
5 2
56 10 1 0 2 = 0 60 0
30
1
2
5
5 10 35
0 1 5
0 0 30
Con lo que hemos mostrado que a pesar de la multiplicidad, A tiene matriz
similar diagonal.
y
p
En el proceso de encontrar autovectores para = 60 pudimos hacer ms
an: exhibir autovectores normales:
2
2t1 + 5t2
y por producto escalar
tomamos v1 = 1 y v2 =
t1
0
t2
v1 v2 = 5t1 + 10t2 = 0
(5.2)
por lo que si t2 asumiera el valor 1, t1 deber asumir el valor 2, y quedan
2
1
v1 = 1 , v2 = 2
0
1
(5.3)
La matriz V ahora tiene una mejor condicin para invertirse.
Claramente la respuesta es que autovalores repetidos no garantizan la

inexistencia de la matriz diagonal similar.
Podemos decir que la matriz de dimensiones n n ser diagonalizable cuando
la matriz de los autovectores pueda invertirse, y eso se dar nicamente cuando la matriz tenga los n autovectores linealmente independientes. En otras
palabras:
Los autovectores de una matriz diagonalizable forman

una base para los espacios que relaciona la transformacin lineal a la que esta matriz est asociada.
88
5-2. Matrices simtricas
Ejercicio 5.3.
8
9
9
Diagonaliza, si es posible A = 3
2
3 .
9 9 10
Proposicin 5.3. Las matrices reales de n n diagonalizables son las que

tienen su conjunto de n autovectores Linealmente independiente
5-1.4.
Para tener en cuenta
1. Dada una matriz Ann , existen infinitas matrices similares a ella, y habrn a lo sumo n! matrices diagonales similares o ninguna.
2. Para que una matriz Ann sea diagonalizable, sus n autovectores deben
ser LI
5-2.
Matrices simtricas
Recordemos que una matriz simtrica es aquella que es igual a su traspuesta

S = S>
(5.4)
Para nuestra fortuna el resto del libro aprovecharemos las ventajas de trabajar con matrices simtricas y ellas son diagonalizables, ya que como hemos
dicho, tienen todos sus autovectores reales y linealmente independientes por
lo que
Proposicin 5.4. Toda matriz simtrica es diagonalizable
Proposicin 5.5. Para toda matriz simtrica, los autovectores asociados a
autovalores distintos son ortogonales.
Esta proposicin no la hemos probado, pero lo haremos para un caso genrico particular en 5-2.2(pg.90).
Proposicin 5.6. Toda S simtrica de entradas reales tiene matriz diagonalizante ortogonal Q
Las columnas de una matriz ortogonal son versores colectivamente ortogonales y tiene la propiedad de que Q1 = Q> , con lo que
Q1 A Q = Q> A Q = DA
(5.5)
Observacin: Todos estos conceptos los aplicaremos en unidades posteriores, ya sea considerados en las transformaciones, actuando sobre la matriz
asociada a la transformacin [ L ] mediante cambios de base; como actuando
sobre una matriz que representa una cnica o cudrica de posicin general,
para canonizarla.
89
Consecuentemente, insiste en ellos hasta tenerlos en claro. Es recomendable que trabajes ahora con los ejercicios propuestos
Para continuar, trabajaremos con una matriz simtrica para el caso 2x2
genrica, de modo que las proposiciones que probemos, conclusiones que extraigamos, etctera, se aplicarn a esta dimensin. . . pero puedes estar seguro
que son extensibles a cualquiera otra matriz simtrica de diferente dimensin.
5-2.1.
Autovectores de una matriz simtrica

a b
Tomemos la matriz S2 =
, su polinomio caracterstico es. . .
b c

x a b

S2 (x) =
b x c
= x2 (c + a)x + ac b2 = (x a)(x c) b2 = 0
donde si aplicramos la resolvente tendramos
1
x1 = (c + a) +
2
1
x2 = (c + a)
2
1p
(c a)2 + 4b2
2
1p
(c a)2 + 4b2
2
para el clculo de los autovectores resolvemos

xi a b
v1i
0
=
es decir
b
xi c v2i
0

0 R2 =(xi a)R2 +bR1
xi a b
xi a b 0
b
xi c 0
0
0 0
de donde
(xi a)v1i bv2i = 0
porque
(xi a)(xi c) b2 = S2 (xi ) = 0
b
xi a
si v1i = b, debe ser

vi =
autovector de
S2
(5.6)
son los autovectores de una matriz simtrica.

Para el caso particular a = c los autovalores seran
x2 = a b
x1 = a + b
y si calcularas los autovectores asociados, llegaras a

1
1
S2 :
a + b,
, a b,
1
1
5-2.2.
(5.7)
Prueba de ortogonalidad
Usaremos lo que hemos visto en la seccin anterior. . .

90
Prueba

Para S2 =
a b
b c
el polinomio caracterstico es S2 () = 2 (c + a) + a c b2 ,
sus autovalores son
1 =

p
1
c + a + (a b)2 + 4b2
2
por tanto sus autovectores son

p
1
c + a (a b)2 + 4b2 ,
2
v1 = (b, 1 a) y v2 = (b, 2 a)
2 =
el producto y la suma de los autovalores son:

p
p
1
2
2
2
2
c + a + (c a) + 4b
c + a (c a) + 4b
1 2 =
4

1
= (c + a)2 (c a)2 4b2
4

= a c b2
1 + 2 = (c + a)
El producto escalar de los autovectores. . .
v1 v2 = (b, 1 a)(b, 2 a) = b2 + (1 a)(2 a)

= b2 + 1 2 a1 a2 + a2
= b2 + 1 2 a(1 + 2 ) + a2
reemplazando 1 2 y 1 + 2 , que convenientemente hemos calculado
arriba. . .
v1 v2 = b2 + a c b2 a(c + a) + a2 = 0
. . . efectivamente el producto es cero, por lo que los autovectores de la
matriz simtrica de 2 2 son normales entre s, y ya est para el caso
a 6= c.
Naturalmente, para el caso a = c, est tambin probado, y ya ves que
(1, 1) y (1, 1) son normales entre s.
Esta prueba hace que las proposiciones 5.4 y 5.6 se comprueben automticamente, ya que por un lado hemos conseguido dos autovectores linealmente
independientes (normales); y por otro estamos en condiciones de armar la
matriz diagonalizante simplemente escalando los autovectores normales anteriores de manera que sean versores.
Puedes pasarte el repaso que tenemos antes de abordar la prxima seccin:
Repaso de cambio de base
Recordemos la notacin para cambios de base que hemos implementado:
Sea V un espacio vectorial de dimensin finita n, y v un elemento de ese espacio;
luego [ v ] es la matriz de coordenadas de ese vector v sobre una base cannica
de V .
Si el conjunto B1 =
1 1

b1 , b2 , , b1n V fuera linealmente independiente y ge-
91
5-3. Cambios de base en TL
nerador de V , entonces sera una base de V , y supongamos que es distinta a la

cannica.
Para hallar las coordenadas de v sobre la base B1 , tenemos la relacin
[ v ] = [ B1 ] [ v ]1
(5.8)
donde [ B1 ] representa la matriz de transicin de la base B1 a la cannica y est

formado por los vectores de la base B1 sobre base cannica, es decir
[ B1 ] =
1
b1
1
b2
1
bn
(5.9)
Un ejemplo lo aclara todo

Ejemplo Sea el espacio V = R2 , el vector v = (1, 2), y la base

B1 = (3, 1) , (2, 4) , escribe las coordenadas de v sobre base cannica y sobre
base B1 .
p
Primero verifiquemos que B1 sea base de R2

3
[ B1 ] =
1
2
4

= 14 6= 0

y lo es, porque son dos vectores de R2 y el determinante de la matriz de transicin

no es cero, luego v sobre base cannica es simplemente

[v] =
1
2
de modo que el vector v sobre base B1 es:

1
[ v ]1 = [ B1 ] [ v ]

1
3 2
1
=
1
4
2

1
8
=
14 5 1
comprobmoslo. . .
8
5
(3, 1) +
(2, 4) = (1, 2) = v
14
14
Como era de esperarse.y
5-3.
Cambios de base en TL
Sea una transformacin lineal L entre dos espacios V y V 0 .

La matriz asociada a la transformacin lineal ser [ L ] y se cumplir que. . .
[ v0 ] = [ L ] [ v ]
(5.10)
donde que v 0 V 0 y v V .
La (5.10) liga el mapeo del vector v en base cannica B1 al vector v 0 en la
otra base cannica B2 .
92
V0
L(v) = v 0
[L]
[v]
[ v0 ]
CV
CV 0
Figura 5.1: Cambio de bases (Ilustracin 1)
Supongamos disponer de una base para cada espacio, por ejemplo B1 V

y B2 V 0 . De acuerdo con lo que hemos trabajado3 . . .
[ v ] = [ B1 ] [ v ]1
(5.11)
[ v 0 ] = [ B2 ] [ v 0 ]2
(5.12)
La figura 5.2 actualiza lo que hemos propuesto
[ L1 ]2
[ v ]1
[v]
CV
[ B1 ]
B1
V0
[ v 0 ]2
B2
v0
[ v0 ]
[ B2 ]
CV 0
Figura 5.2: Cambio de bases (Ilustracin 2)
Las (5.11) y (5.10) son los cambios de base introducidos: tanto en el dominio cuanto en el codominio tenemos sendas bases B1 y B2 respectivamente,
cuyas matrices de coordenadas sobre las bases cannicas son [ B1 ] y [ B2 ]
Incorporando la (5.11) a la (5.10) tenemos
[ v0 ] = [ L ] [ v ]
= [ L ] [ B1 ] [ v ]1
= [ L1 ] [ v ]1
(5.13)
y sta representa el mapeo del vector v sobre base B1 cuya imagen est en
base cannica, y la relacin de actualizacin de [ L ] para efectuar tal cambio
es
[ L1 ] = [ L ] [ B1 ]
3
(5.14)
En el repaso, la ecuacin (1.3) pag.3 deviene en [ v ] = [ B1 ] [ v ]1 en el espacio V , y

similarmente en [ v 0 ] = [ B2 ] [ v 0 ]2 en el espacio V 0 .
93
Por otro lado, incorporando la (5.12) a la (5.10) tenemos
[ L ] [ v ] = [ v0 ]
= [ B2 ] [ v 0 ]2
[ v 0 ]2 = [ B2 ]1 [ L ] [v]
= [ L ]2 [ v ]
(5.15)
y sta representa el mapeo del vector v sobre base cannica de V , cuya imagen
est escrita como coordenadas en base B2 de V 0 ; y la relacin de actualizacin
de [ L ] para efectuar tal cambio es
[ L ]2 = [ B2 ]1 [ L ]
(5.16)
Por ltimo, incorporando la (5.12) y la (5.11) al mismo tiempo a la (5.10)

tenemos
[ v0 ] = [ L ] [ v ]
m
0
[ B2 ] [ v ]2 = [ L ] [ B1 ] [ v ]1
m
[ v ]2 = [ B2 ]1 [ L ] [ B1 ] [ v ]1
0
= [ L1 ]2 [ v ]1
(5.17)
y sta representa el mapeo del vector v sobre la base B1 cuya imagen est en
base B2 , y la relacin de actualizacin de [ L ] para efectuar tal cambio es
[ L1 ]2 = [ B2 ]1 [ L ] [ B1 ]
(5.18)
La figura 5.3 es un pictograma que brinda toda la escena que hemos trabajado y actualiza lo que hemos propuesto. Luego de los ejemplos hacemos una
descripcin de la misma.
Nota 2. Importante: Conviene recordar que la transformacin lineal L es la
misma. No ha cambiado. Lo nico que ha pasado es que ahora tenemos ms
posibilidades de expresarla matricialmente.
Ejemplo 5.4.
Para la Transformacin Lineal L, halla la matriz asociada respecto

b) de B1 y cannica
a) de ambas bases cannicas
R2
Donde L :
P2 | L (v1 , v2 ) = v2 + v1 x + (v1 v2 ) x2
y la base B1 R2 = { (2, 3), (1, 3) }.
p
Considerando que la base cannica de P2 es CP2 =
que la matriz asociada ser a)

1 , x , x2 , tenemos
0
1
[L] = 1
0
1 1
94
V0
V
CV
B1
CV 0
v0
B2
K
V0
V
[v]
[L]
[ v0 ]
[ L1 ]
[ B1 ]
[ B2 ]
[ L ]2
[ L1 ]2
[ v ]1
[ v 0 ]2
Figura 5.3: Cambio de bases (pictograma final)
y la matriz de transicin de la base B1 a la cannica es

[ B1 ] =
2 1
3 3
de modo que b )
[L1 ] = [ L ] [ B1 ]

0
1
2 1
= 1
0
3 3
1 1
3
3
= 2
1
1 2
y a la TL L la puedes representar matricialmente de dos maneras

L

L
v1
v2
v1
v2
v2
v1

v1 v2
!
1
3v1 + 3v2
= 2v1 + v2
v1 2v2
La primera es con ambas bases cannicas, y la segunda, mediante una

base particular en el dominio y la base cannica en el codominio.
y
95
Ejemplo 5.5.
5.4 considera que la base B2 P2 es
2Para el ejemplo

2
B2 = x , 1 + x , 1 + x + x2
Halla la matriz asociada a la transformacin que mapea vectores (escritos
sobre base cannica) en polinomios (escritos sobre base B2 ) .
p
Tenemos la matriz de transicin
0 1 1
[ B2 ] = 0 0 1
1 1 1
y lo que queremos averiguar es [L]2
[L]2 = [ B2 ]1 [ L ]
1
0 1
0
1
= 1 1 0 1
0
0
1 0
1 1
1 2
= 1
1
1
y la misma transformacin de siempre, tambin puede escribirse

L
v1
v2

v1 2v2
= v1 + v2
v1
2
(5.19)
Ejemplo 5.6.
Referido a los ejemplos anteriores, halla la matriz asociada que

mapea vectores de R2 (escritos sobre base B1 ) en polinomios de P2 (escritos sobre base B2 ).
p
Es casi inmediato que
[ L1 ]2 = [ B2 ]1 [ L ] [B1 ]

1
0 1
0
1
2
1
= 1 1 0 1
0
3 3
0
1 0
1 1
4 5
= 1
2
2
1 2
96
Lo cual da a entender que la TL original

L : R2 P2 | L (v1 , v2 ) = v2 + v1 x + (v1 v2 ) x2 puede escribirse como

L
v1
v2
!
1
4v1 5v2
= v1 + 2v2
2v1 + v2
2
(5.20)
L (v) = v 0 , cuando v est en la base B1 R2 y v 0 est escrito en la base

B 2 P2 .
y
Las situaciones de los tres ltimos ejemplos pueden reflejarse en la figura

5.3 y, pueden asociarse a su vez a composiciones de TL. Ten en cuenta que a la
izquierda aparece UN vector v de V nada ms que escrito sobre base cannica
[ v ] o escrito sobre base B1 [ v ]1 y otro tanto sucede a la derecha en el
codominio: aparece UN vector v 0 de V 0 tal que L (v) = v 0 , nada ms que escrito
sobre base cannica [ v 0 ] o escrito sobre base B2 [ v 0 ]2 , las flechas con
puntas abiertas representan las matrices de transicin, y las otras representan
matrices asociadas.
Una TL puede escribirse matricialmente de infinitas

maneras, la matriz asociada depender de las bases
que se tomen en el dominio y en el codominio.
Ejercicio 5.4.
Dada una TL L : R2 R2 | L (v1 , v2 ) = (3v1 + v2 , v1 2v2 ),

la base B1 = {(1, 1) , (1, 1) }, y el vector u = (2, 2),
a) Analiza los cuatro casos planteados y represntalo como en
la figura 5.3.
b) Representa el vector u y su transformado de las diferentes
formas posibles.
5-3.1.
Diagonalizacin: Forma desacoplada
Pensemos ahora en la posibilidad de que V 0 = V y que estemos usando

un slo cambio de base, por tanto B2 = B1 , de este modo la (5.18) se ha de
transformar en
[ L1 ]2 = [ B1 ]1 [ L ] [ B1 ]
(5.21)
La pregunta obligada es:
qu hubiese sucedido si en lugar de una base cualquiera B1 , usramos una
base que tuviera los autovectores de [ L ]?, o mejor
los autoversores normales de [ L ]?
97
Sencillamente [ L1 ]2 hubiese sido diagonal
[ L1 ]2 = DL = Q1 [ L ] Q
(5.22)
y lo que hemos logrado es ver a la transformacin lineal cuya matriz asociada

[ L ] en forma desacoplada4 . Qu significa esto? Un ejemplo lo aclara mejor.
Ejemplo 5.7.
p
Desacopla la TL L : R2 R2 | L (x, y) = (x + y, x y).
Puedes probar que se trata de una TL y que su matriz asociada es
1
1
1 1
[L] =
y sus autovalores y autovectores

1+ 2
1 = 2, v1 =
1

1 2
2 = 2, v2 =
1
por tanto sus autoversores ortogonales
q1 =

1+ 2
1

1 2
1

4+2 2
q2 =

42 2
de manera que la matriz Q es
Q=
4+2 2
42 2
1+
1
4+2 2
1
42 2
y la nueva matriz asociada a la misma transformacin lineal L es

[LQ ]Q =
2
0
0 2
de modo que bajo la nueva base
Q=
q
1+ 2 , 1 , q
1
4+2 2
42 2

(0. 92388 , 0. 38268) , (0. 38268 , 0. 92388)

2, 1
Nota que en este caso particular no escribimos [Q]: Sucede que sta no es una matriz
asociada a una transformacin lineal como [L], tampoco es la coleccin de vectores de una
base expresada en trminos de otra como [ B1 ] : es simplemente Q porque es una matriz de
autoversores normales de [ L ] .
98
la transformacin L se define matricialmente como

Q
2
0
0 2

[ v ]Q
(5.23)

L
v1
v2
!

2v
1
2v2 Q

=
(5.24)
nota la diferencia con la forma original

L

v1
v2

=
v1 + v2
v1 v2

(5.25)
Esta forma desacoplada mediante el uso de la base de autoversores normales Q claramente es ms simple que la original donde hemos usado
la base cannica CR2 = {(1 , 0) , (0 , 1)}.
Tratemos de mejorar la explicacin de alguna manera ms sencilla:
Supongamos

que A : V V es tal que su matriz asociada
[A] =
1 2
. Como hemos visto en los ejemplos 4.4 y 4.6
2 1
, esta matriz tiene los pares autovalor-autovector

3 , (1, 1) ,
1 , (1, 1)
de modo que si tomamos como nueva base a B1

{ (1, 1), (1, 1) }, ser
[ B1 ]

[A] [ B1 ] =
3
0
0 1

= [DA ]
1
de modo que si antes habamo hecho
1 2
2 1

v1
v2

=
v1 + 2v2
2v1 + v2
para calcular la imagen de v en la base cannica
L (v) = v 0
[A] [ v ] = [ v 0 ]
99
ahora haremos
L (v) = v 0
[DA ] [ v ]1 = [ v 0 ]1
y esto es

Comparando
3
0
0 1

v1 + 2v2
2v1 + v2
x1
x2

=

y
gundo caso,
3x1
x2
3x1
x2

1
vemos que en el se1
la primera componente del vector transformado depende slo de la primera componente del vector original, mientras que
en el primer caso
la primera componente del vector transformado depende de
la primera Y de la segunda componente del vector original.
Este es el valor de un cambio de base: hacer que las cosas se
vean ms simples; sin cambiarlas.
Con todo, no podemos garantizar que exista la representacin desacoplada,
ya que la matriz asociada a una transformacin lineal que transforma elementos de un espacio de dimensin n en elementos de otro espacio de la misma
dimensin, podra tener menos que n autovectores linealmente independientes.
Ejercicio 5.5.
Para la transformacin del ejercicio 5.4, trata de encontrar

una base B1 tal que la transformacin pueda verse desacoplada.
100
Captulo 6
Aplicaciones
Resumen:
Finalmente veremos unas aplicaciones para los

temas de esta parte del libro.
La primera es la canonizacin de ecuaciones de
segundo grado: una aplicacin geomtrica que consiste en encontrar la ubicacin de los ejes principales de cnicas o cudricas en posiciones generales respecto de un sistema de coordenadas. Intervienen los cambios de base rotacin eleccin de
un nuevo sistema de coordenadas, rotado respecto del cannico; y una posterior transformacin
no lineal de traslacin. La ecuacin referida a los
nuevos ejes son cannicas del tipo ms sencillo
posible; como los que se estudian en la parte 2.
La segunda es la presentacin de un mtodo para
resolver en forma matricial ecuaciones diferenciales ordinarias con coeficientes constantes, de cualquier orden; procedimiento que descansa en una
diagonalizacin.
101
6-1. Vector mediante su matriz de Coordenadas
Captulo 6. Aplicaciones
6-1. Vector mediante su matriz de Coordenadas . . . . . . . . . . . . .
102
6-2. Secciones Cnicas y superficies cudricas
. . . . . . . . . . . . .
103
6-3. Canonizacin de Cnicas . . . . . . . . . . . . . . . . . . . . . . . .
104
6-3.1. Rotacin de los ejes en el plano . . . . . . . . . . . . . . . 108

6-3.2. Ubicacin del sistema rotado . . . . . . . . . . . . . . . . . 111
6-3.3. Traslacin de los ejes (Plano)
. . . . . . . . . . . . . . . . 112
6-3.4. Ubicacin del sistema trasladado . . . . . . . . . . . . . . 114

6-4. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
118
6-4.1. Anlisis de algunas posibilidades . . . . . . . . . . . . . . 119

6-5. Canonizacin de cudricas . . . . . . . . . . . . . . . . . . . . . . .
119
6-5.1. Rotacin de los ejes en el espacio . . . . . . . . . . . . . . 122

6-5.2. Traslacin de los ejes en el espacio . . . . . . . . . . . . . 125
Propuesta
La razn por la que incluimos muchos ejercicios en el cuerpo de
este texto es para que una vez terminado de resolverlo puedas preguntarte qu y cmo los has hecho, y fundamentalmente: hay algo
genrico que pueda aprovechar a partir del mismo? Analizar el resultado es ms importante que resolver bien un ejercicio.
A lo largo de la carrera vers que hay otras aplicaciones incluso
ms interesante que sta, pero es pertinente por estar auto-referida
dentro de la misma asignatura con el libro 2.
6-1.
Vector mediante su matriz de Coordenadas
Pensemos en un vector del plano v = (x , y) dado por sus coordenadas

sobre una base, supongamos la cannica
x
y
[v] =

(6.1)
La traspuesta de [ v ] ser la matriz fila
[ v ]> =
x y
(6.2)
y el producto matricial ser
[v]
>
[v] =
x y
= x2 + y 2
x
y

(6.3)
un escalar !! o una matriz de 1 1.

102
6-2. Secciones Cnicas y superficies cudricas
De un modo similar vemos que si el vector v est en el espacio tridimensional y sus coordenadas sobre un sistema de referencia XY Z cannico es
x
[v] = y
z
>
La traspuesta de [ v ] ser la matriz fila [ v ] =

cial ser

[v]
>
[v] =
x y z
(6.4)
x y z
y el producto matri-
x
y = x2 + y 2 + z 2
z
(6.5)
es un escalar. . . pero tambin tiene casi todo el aspecto de la ecuacin de una

esfera as como la anterior 6.3 el de una circunferencia.
6-2.
Secciones Cnicas y superficies cudricas
De la misma manera que un polinomio de primer grado representa un plano

o una recta
F (x, y, z) = 0 ,
#F = 1
(6.6)
Por ejemplo: 2x + 4y = 3 , z = 1 representa una recta en el espacio y

2x + 4y = 3 , z = z representa un plano, un polinomio de segundo grado
F (x, y, z) = 0 ,
#F = 2
(6.7)
representa o una superficie o una figura plana.

Por ejemplo x2 + y 2 = 4 , z = z representa un cilindro recto, y x2 + y 2 = 4 , z = 3
representa una circunferencia de radio dos, en el plano { (x, y, 3) }.
La ecuacin general de segundo grado1 con dos variables es el polinomio
que representa una cnica y puede escribirse. . .
a11 x2 + 2a12 xy + a22 y 2 + b1 x + b2 y = c
(6.8)
Claramente la notacin refiere a: los trminos cuyos coeficientes son del tipo
a son trminos de segundo grado tienen doble subndice, y los que tienen
coeficiente del tipo b son trminos lineales. c es un escalar.
Nota que el trmino rectangular xy en la (6.8) tiene coeficiente par 2a12
por conveniencia nuestra. Ese trmino representa una rotacin de una cnica
respecto de los ejes coordenados XY recuerda que aparece solo cuando el eje
de simetra de la parbola (o de cualquier cnica) est rotada respecto del sistema de referencias. Adems ya sabes que los trminos lineales (b1 x) y (b2 y)
representan una traslacin de la cnica respecto del sistema de referencia.
1
Puedes ver en ejemplo 6.7 el caso de la parbola rotada a 45
103
6-3. Canonizacin de Cnicas
La ecuacin general de segundo grado con tres variables es el polinomio

que representa una cudrica de posicin general respecto de un sistema de
coordenadas
a11 x2 + a22 y 2 + a33 z 2 + 2a12 xy + 2a13 xz + 2a23 yz + b1 x + b2 y + b3 z = c
(6.9)
Nota que los trminos rectangulares xy, xz e yz tienen coeficiente 2a12 , 2a13 y
2a23 por conveniencia nuestra.
6-3.
Canonizacin de Cnicas
Expondremos nuestros objetivos y luego los pondremos en prctica.

Convengamos que el sistema original de ejes es el XY figura 6.2, nuestro sistema V , cuya base es la cannica
VXY : CR2 = { (1, 0), (0, 1) }

donde vale la ecuacin (6.8) a11 x2 + 2a12 xy + a22 y 2 + b1 x + b2 y = c ,
Mediante un cambio de base donde el nuevo sistema V 0 est rotado respecto
del anterior
VX0 0 Y 0 : B1 = { (cos , sen ), ( sen , cos ) }

Cada base est asociada a un sistema de referencias.
e2
e1
Figura 6.1: Cambio de base rotacin
Por tanto, un punto v del plano tendr una matriz de coordenadas [ v ] sobre
la base cannica y otra matriz de coordenadas [ v 0 ] = [ v ]1 sobre la base B1 . Es
decir que [ v ] y [ v 0 ] son las respectivas matrices de coordenadas de un punto
sobre la base cannica y sobre base B1 , y.

[v] =
x
y
[v ] =
x0
y0
Hemos dicho que con el cambio de base obtendramos una ecuacin
a011 (x0 )2 + a022 (y 0 )2 + b01 (x0 ) + b02 (y 0 ) = c

donde el trmino rectangular es cero: la cnica ha ocultado la rotacin. Si lo
logrramos, es porque hemos podido encontrar un nuevo sistema de referencia paralelo a los ejes principales de la cnica. Observa que c0 = c
104
Y
00
00
E
0
x
0
x0
0
y
0
y0
Figura 6.2: Canonizacin de cnicas
Luego, mediante la tcnica de completar cuadrados sera sencillo encontrar un sistema V 00 donde tenga validez la ecuacin
a0011 (x00 )2 + a0022 (x00 )2 = c00
que significar una traslacin del sistema V 00 respecto del sistema V 0 ahora
s el coeficiente c en general habr cambiado a c00 por la accin de completar
cuadrados. Entonces habramos podido encontrar un sistema de referencia
coincidente con los ejes principales de la cnica.
En esta ltima instancia decimos que la ecuacin de la cnica est canonizada. Es decir: obtenemos un sistema de referencias respecto de la cual la
cnica est en la posicin cannica con centro en el origen para el caso de
la elipse, circunferencia e hiprbola, y vrtice en el origen, para el caso de la
parbola, y por tanto la ecuacin est bien comportada .
Un concepto importante es que el lugar geomtrico de la cnica no
ha cambiado, lo que hemos cambiado nada ms es la ecuacin de la cnica
porque la estamos refiriendo en general a un sistema que ha rotado y se ha
desplazado convenientemente .
105
a11 x2 + 2a12 xy + a22 y 2 + b1 x + b2 y = c
Rotacin de Sistema de referen-
cia
a011 (x0 )2 + a022 (y 0 )2 + b01 (x0 ) + b02 (y 0 ) = c
Traslacin de Sistema de refe-
rencia
a001 (x00 )2 + a002 (y 00 )2 = c00
Hasta ac nuestro objetivo, no sabemos an cmo lo lograremos.

Volvamos a la (6.3), pag.102
Cmo haramos para que la parte
a11 x2 + 2a12 xy + a22 y 2

deviniera en
a011 x02 + a022 y 02

mediante un cambio de base?
Es evidente que ha de intervenir una matriz de cambio de base. Repitamos lo
que tenemos

[v]> [v] =
x y
x
y
= x2 + y 2
Si intercalramos la matriz identidad obtendramos . . .

>
[v]
I [v] =
x y
1 0
0 1

x
y

x
y
= x2 + y 2
. . . la idea que le sigue es inmediata

>
[v]
A [v] =
x y
a11 0
0 a22
= a11 x2 + a22 y 2
(6.10)
ahora slo nos falta el trmino rectangular . . . podemos lograrlo con la matriz
A tal que por ejemplo
x y
a11 2a12
0 a22

x
y
= a11 x2 + a12 xy + a22 y 2
Recuerda que hemos propuesto hacer un cambio de base rotacin, de manera

que el nuevo sistema de referencias slo est rotado respecto del original. Entonces los vectores de la nueva base2 deben ser normales entre s,. . . es decir:
2
Que dan la direccin de los ejes del nuevo sistema de referencia.
106
esa matriz A que hemos de usar, debe admitir autovectores normales entre s.
Una forma de asegurarnos autovectores normales y matrices diagonalizantes
con columnas ortogonales entre s es usar una matriz simtrica. La matriz
simtrica apropiada para escribir esa cuenta en forma matricial es
a11 a12
a12 a22
A=

(6.11)
de modo que
>
[v] A [ v ] =
x y
x y
a11 a12
a12 a22

a11 x + a12 y
a12 x + a22 y
x
y

= a11 x2 + 2a12 xy + a22 y 2

o sea que la primera parte de la ecuacin general de la cnica 6.8 ya est
desarrollada3 .
Para trabajar en forma matricial la otra parte de (6.8), propongamos una
matriz B tal que

B = b1 b2
(6.12)
entonces podremos escribir
B [v] =
b1 b2
x
y
= b1 x + b2 y
por lo que
c = a11 x2 + 2a12 xy + a22 y 2 + b1 x + b2 y

= [v]> A [v] + B [v]
(6.13)
(6.14)
stas dos formas de describir la ecuacin general de la cnica son las formas
escalar y matricial respectivamente.
Ejemplo 6.1.
Escribe en forma matricial la ecuacin de la cnica
7x2 6 3xy + 12 3x + 13y 2 + 12y + 292 64 3y + 64x = 16
p
3
Y se conoce tambin como forma cuadrtica , como particular forma bilineal. Estas
formas son operadores entre un espacio vectorial y un espacio vectorial real.
107
Lo que corresponde que hagamos es ordenar y elegir por inspeccin

las variables

7x2 6 3xy + 13y 2 + 12 3 + 64 x + 12 64 3 y = 16 292 = 276
en donde, y de acuerdo con lo que hemos discutido

[v] =
A=

3 3
;
13
3 3
x
y
B=
12 3 + 64
i
2 64 3
y para comprobarlo,
"
x y
# h

7 3 3
x
i x
+ 12 3 + 64 12 64 3
y
y
3 3
13
= 7x2 6 3xy + 13y 2 + 12 3x + 64x + 12y 64 3y

consecuentemente con
[v]> A [v] + B [v] = 276

quedara respondida la consigna.
6-3.1.
Rotacin de los ejes en el plano
El cambio de base que hemos de proponer es el cambio de base4 de modo

que
[v] = R [v 0 ]
(6.15)
donde [v] y [v 0 ] son el mismo punto referido al sistema original y al sistema
rotado respectivamente. Esta expresin puesta en la (6.14) ecuacin general
matricial de la cnica . . .
c = [ v ]> A [ v ] + B [ v ]
(6.16a)
>
= (R [ v 0 ]) A (R [ v 0 ]) + B (R [ v 0 ])
>
= [ v 0 ] R> A R [ v 0 ] + B R [ v 0 ]
>
= [ v0 ]
DA
[ v0 ] + B 0 [ v0 ]
(6.16b)
Recordemos la (1.3), en la pg.3. [v] = [B2 ] [v]2 donde [B2 ] es la matriz de coordenadas
de la nueva base (R ) respecto de la base cannica (sistema V ) ; y [v]2 es un vector cualquiera
([v 0 ]) referido al sistema de referencia o base B2 (sistema V 0 ).. Finalmente [v] es el mismo
vector escrito sobre la base cannica.
108
donde es evidente que quisiramos el cumplimiento de
DA = R> A R
porque de esa manera la cnica referida al nuevo sistema de ejes la nueva
base se vera sin rotacin, es decir con la misma estructura que la (6.10). Es
decir que el objetivo es un cambio de bases adecuado como para que DA sea
diagonal.
Cmo encontraremos la matriz R que diagonalice A?.
Lo que diagonaliza A es su propia matriz de autoversores ortogonales...
Y como A la hemos elegido simtrica, esto est asegurado.
De acuerdo con la (5.1) DA = V 1 A V que vale para las diagonalizaciones,
Cmo haremos para que R> = R1 ?.
Hay que considerar que R es una matriz ortogonal.
Debes hacer que los ejes roten solamente5 , vale decir que det (R ) sea igual
a 1 y no a 1.
Todo se aclara con el ejemplo
Ejemplo 6.2.
p
Realiza un cambio de base rotacin para el ejemplo 6.1 anterior.
La ecuacin anterior . . .

7x2 6 3xy + 13y 2 + 12 3 + 64 x + 12 64 3 y = 276
la puedes introducir en una calculadora adecuada y obtener su grafo. . .
Y
4
3
2
1
-7
-6
-5
-4
-3
-2
-1
y la acabamos de escribir matricialmente haciendo

A=

7
3
3
;
13
3 3
B=
12 3 + 64

12 64 3
Hemos optado por conservar que cualquier sistema de ejes (base) sea a derechas ,
por eso exiges que la nueva base est solamente rotada; de lo contrario se incorporara una
reflexin adicional, que cambiara el sentido de algn eje, lo cual te interesa evitar. Esa es la
razn por la que mantenemos que |R | = 1.
109

7
3
3
276 = [ v ]
[ v ] + 12 3 + 64
3 3
13

7 3 3
,
#
diagonalicemos A =
3 3
13
>

12 64 3 [ v ]
el polinomio caracterstico es
A () = 2 20 + 64
= ( 4) ( 16) = 0
y los autovalores son
1 = 16 ,
2 = 4
por tanto los autovectores son,

v1 =
1
3

3
v2 =
4
1

16 ,
y la matriz de rotacin
R =
3
2
1
2
3
2
1
2
como el determinante de esta matriz es 1, no intercambiemos v1 y v2 , de

ese modo
R =
1
2
de6 manera que
"
DA = 2

=
#1 "
3
16 0
0 4
# "
#
3
7 3 3 1
1
3 3
13 2 3
1
cuenta innecesaria, ya que los autovalores de A estarn en DA en el mismo

orden en que hemos formado R , y en este caso no hemos intercambiado
el orden de los autoversores.
La matriz B 0 quedar
B 0 = B R
1h
=
12 3 + 64
2
=
6
128 24
El inexperto se sorprender al calcular

1
2
i
12 64 3
b01 b02

1

3
#
3
1

=2

1
"
en lugar de 1, olvidndose que
|k [A]| = k |[A]| donde n es la dimensin de A.
110
De esta manera el sistema cambiado de coordenadas es
16(x0 )2 + 4(y 0 )2 + 128 x0 + 24 y 0 = 276

y ya est.
Con ello hemos eliminado el trmino rectangular. En trminos de nuestro

problema, hemos calculado todo lo necesario para caracterizar el sistema de
referencias rotado V 0 . El paso siguiente es explicitarlo.
6-3.2.
Ubicacin del sistema rotado
Necesitamos explicitar el sistema de referencia V 0 dado por los ejes X 0

Y 0 que han rotado respecto del sistema original V dado por los ejes X Y .
Y continuaremos hacindolo desarrollando el mismo ejemplo.
Ejemplo 6.3.
p
La discusin ahora se centrar en los nuevos ejes X 0 Y 0
Describiremos dos formas de encontrarlos:

una forma consiste en conocer aproximadamente en el caso general,
pero exacto en este caso el ngulo definido por R
1
R =
2
"
#
3
"
=
cos () sin ()
sin ()
cos ()
#
(6.17)
de ah que el ngulo de rotacin es

= tan1 3 60
(6.18)
o sea que el nuevo sistema V 0 estar rotado 60 respecto del sistema7

original V . Sin embargo este mtodo no funcionar en el espacio (con las
cudricas), por lo que es mejor...
La otra forma. Consiste directamente en aprovechar la relacin cambio
de base (revisa la primera nota al pi en la seccin 6-3.1)
v
[v]
C
[ v ]1 = [ v 0 ]
B1

[ v ] = R v 0
= R [ v ]1
7
Un error frecuente en los principiantes es atribuir el giro en sentido contrario al que

marca la relacin v = R v 0
111
que habamos impuesto y razonar as: el versor I 0 correspondiente al eje

X 0 de la base B1 , se escribe v es en particular I 0 en este momento

1
1
0

1
0;
respecto de la base de V pero se escribir respecto de la base

cannica del sistema V original como
= R
1
=
2
"

1
= R
#
"
1
0

1
0. 50000
0. 86603
y ah ubicamos el eje X 0 respecto del sistema XY (8 ).

El eje Y 0 estar correctamente ubicado a 90 a la derecha de X 0 , ya que el
cambio de base elegido fue una rotacin pura, sin reflexin.
En otras palabras: la matriz R es la matriz de las coordenadas de los vectores de la nueva base, escritos sobre la base cannica, que es el sistema
de referencias original !!.
Como conclusin diremos que la matriz de rotacin R tiene toda la informacin para trazar los nuevos ejes del sistema de referencia V 0 respecto del
sistema de referencia original V . Para que este nuevo sistema sea dextrgiro,
0 . . . el determinante de R debe ser 1 . Cuando uses la matriz
I0 J0 = K
con los autovectores en lugar de los autoversores, la restriccin se convierte
en |R | > 0, que de no cumplirse debes intercambiar un par de autovectores
y correspondientemente los autovalores asociados, o multiplicar un autovector por 1. Esto es vlido para matrices cuadradas de cualquier dimensin.
Los ejes del sistema de referencias rotado tienen las

direcciones respecto del sistema original, en las columnas de R , y sta es ortogonal: sus columnas son versores normales entre s.
6-3.3.
Traslacin de los ejes (Plano)
Una vez que tenemos rotado la ecuacin general, la ecuacin respecto del
sistema V 0 queda a011 (x0 )2 + a022 (y 0 )2 + b01 (x0 ) + b02 (y 0 ) = c, en la que agrupando y
8
Lgicamente R tiene en sus columnas los versores de los nuevos ejes rotados escritos
sobre la base original, as que esta cuenta es superflua, la mostramos con fines didcticos.
112
extrayendo factor comn tenemos

c = a011 (x0 )2 + 2b1 (x0 ) + a022 (y 0 )2 + 2b2 (y 0 )
donde
bi =
b0i
2a0i

2
2
= a011 (x0 )2 + 2b1 (x0 ) + b1 a011 b1 +

2
2
+ a022 (y 0 )2 + 2b2 (y 0 ) + b2 a022 b2
de donde
a011 x0 + b1
2
+ a022 x0 + b2
2
= c + a011 b1 + a022 b2 = c00
efectuando el cambio de coordenadas
x00 = x0 +
b01
2a011
y 00 = y 0 +
b02
2a022
(6.19)
v 00 = v 0 + v0
tenemos la ecuacin de la cnica est canonizada
2
a011 (x00 )2 + a022 (y 00 ) = c00

00 2 00 2
y
x
+
=1
00
a1
a002
donde a00i =
p
c00 /a0ii
(6.20)
El ejemplo siguiente puede servir para clarificarlo.
Ejemplo 6.4.
Continua con la canonizacin de la ecuacin del ejemplo 6.3 ante-
rior.
p
tenamos
16(x0 )2 + 4(y 0 )2 + 128 x0 + 24 y 0 = 276

o
276 = 16(x0 )2 + 128 x0 + 4(y 0 )2 + 24 y 0

= 16 (x0 )2 + 2 4x0 + 16 162

+ 4 (y 0 )2 + 2 3y 0 + 9 36
2
2
= 16 x0 + 4 + 4 y 0 + 3 292
entonces
16 x0 + 4
2
+ 4 y0 + 3
2
= 16
y finalmente, haciendo v 00 = v 0 + (4, 3)
x00
2
1 00 2
y
=1
4
es una elipse de semiejes de longitud 1 y 2 respecto de los ejes X 00 e Y 00
113
6-3.4.
Ubicacin del sistema trasladado
Seguimos desarrollando la teora con el mismo ejemplo...
Ejemplo 6.5.
Haz un bosquejo de la ubicacin del sistema V 00 respecto del
sistema V 0
p
Para encontrar el sistema V 00 trasladado en funcin del sistema V 0 lo
nico que debemos hacer es ver dnde est el origen del sistema V 00
respecto del sistema V 0 , ya que solo hay una traslacin
Y 00
Y0
x00 = x0 + 4
00
X0
y 00 = y 0 + 3
X 00
nota el sentido de v0 . De ese modo el centro de la elipse 00 o el origen de

V 00 X 00 Y 00 est en el punto (4, 3) del sistema X 0 Y 0 .
Podemos reunir entonces las dos ubicaciones de los cambios de sistema
de referencia que hemos realizado:
La rotacin R
Y
Y0
1
R =
2
X
1
3

3
1
X0
La traslacin v0
Y 00
00
Y0
X 00
x00 = x0 + 4
y 00 = y 0 + 3
X0
y finalmente el grafo de la cnica canonizada
114
Y 00
00
X 00
Ejercicio 6.1.
Verifica que si hubieses intercalado los autovalores, la ecuacin hubiera sido
1 00 2
(x ) + (y 00 )2 = 1
2
2
pero los ejes tambin se hubieran intercambiado, y el grafo
hubiese sido el mismo.
Canoniza 4x2 +
Ejercicio 6.2.
Ejercicio 6.3.
3 xy + 5y 2 + 4x = 8. Grafica
Qu representan los autoversores de la matriz de los coeficientes A ?
Ejemplo 6.6.
p
Canoniza la ecuacin 2x y = 1.

0 1
En este caso tenemos que A =
y B = [ 0 0 ], los pares autovalor1 0

autovector de A son
1, (x, x) , 1, (x, x) , de donde la matriz de

1 1
1
cambio de base rotacin es R =
2
1
1

1
0
Por tanto DA =
con lo que
0 1
x02 y 02 = 1
1
que no es ms que la hiprbola y = 2x
.
Para identificar los ejes rotados, nada ms tienes que verificar que el autovalor 1 cuyo autovector asociado es (1, 1) est marcando la direccin
del eje X 0 ha quedado ligado a la variable x0 .
115
como puedes ver, con las circunferencias de radio 1,2 y 3.
Ejemplo 6.7.
p
Canoniza la ecuacin x2 2x y + y 2 4x 12y = 4 .

1 1
y B = [ 4 12 ], los pares
1 1

autovalor-autovector de A son
2, (x, x) , 0, (x, x) , de donde la ma

1 1
triz de cambio de base rotacin es R = 1
2
1 1

2 0
Por tanto DA =
y B 0 = B R = 1 [ 8 16 ] con lo que
2
0 0
En este caso tenemos que A =
8
16
2x02 + x0 y 0
2
2
2
x02 + 2 x0
2
0
02
x + 2 2x

2
x0 + 2
d.m.m por 2 y trabajando solo con x0 . . .
= 4
8
= y 0 2 o lo que es lo mismo. . .
2
0
= 4 2y 2 completando cuadrados. . .
= 4 2y 0
x002
finalmente tenemos la parbola y 00 = .
4 2
116
Y
Y
00

2, (x, x) , 0, (x, x)

1 1
R = 12
1 1
00
como puedes ver, con las circunferencias de radio 1,2 y 3.

Tenemos an una palabra para verificar el vrtice de la parbola:
Respecto
del sistema de referencias X 0 Y 0 el vrtice es [Ve ]1
2
0
caso
, se escribir en la base cannica como [Ve ] = R[Ve ]1 , en este

X0Y 0
1
[Ve ]0 =
2
1 1
1 1

2
1
=
0
1 XY
Como puedes observar en la figura.

Intercambio de ejes
Veamos qu sucede cuando tomamos la matriz R con otro orden: en este

caso los pares autovalor-autovector de A son
0, (x, x) , 2, (x, x) , de
donde la matriz de cambio de base rotacin es R1 =

Por tanto DA1 =
0 0
0 2
y B10 = B R1 = 1 [ 16
2
1
2
1 1
1
1
8 ] con lo que
16
8
2y 02 y 0 x0 = 4
d.m.m por 2 y trabajando solo con x0 . . .
2
2
y 02 2 2y 0 = 4 2x0 2 completando cuadrados. . .

2
y 0 2 = 4 2x0
finalmente tenemos la parbola x00 =
y 002
, aparentemente distinto al re4 2
sultado al que habamos arribado anteriormente. Sin embargo falta bosquejar el nuevo sistema de referencias donde el autovalor 2, est conectado con la direccin Y 0 , (1, 1), con lo cual, tenemos la figura;
117
6-4. Resumen
X
Y
Y
00
00

0, (x, x) , 2, (x, x)

1 1
R1 = 12
1
1
donde claramente se ve que el lugar geomtrico es el mismo, pero lo que

cambia es el sistema de referencias y por tanto su ecuacin respecto de
ellas.
6-4.
Resumen
Lo que hemos hecho hasta ac son pocas acciones, pero hay que tenerlas
muy en cuenta:
1. Hemos escrito la ecuacin general de segundo grado en forma matricial
a) Para la matriz [A] hemos considerado una matriz simtrica, para
asegurarnos de que sea posible encontrar autovectores normales
entre s.
b ) Necesitamos autovectores normales entre s porque al hacer el cambio de base, esos autovectores marcarn la direccin de la nueva base, que por comodidad elegimos que solamente est rotada respecto
de la base cannica original (XY )
2. Procedemos a hacer el cambio de base [v] = [R ] [v 0 ],
a) [R ] es la matriz de transicin de la nueva base respecto de la cannica, y lleva en sus columnas los autoversores de la matriz [A]
b ) Lo que tiene importancia para nosotros es que se trata de una rotacin pura, con lo que el determinante de [R ] debe ser 1 o lo que
es lo mismo, el determinante de [V ] la matriz de autovectores debe
ser mayor que cero
c) Los autovectores asociados a cada autovalor, en el orden que se ha
formado [V ] o [R ] cuyas columnas son las de [V ] divididas por cada
mdulo decidirn cul de ellos es coeficiente de qu variable, y el
autovector respectivo decidir la direccin del nuevo eje.
118
6-5. Canonizacin de cudricas
3. Luego del cambio de base nos resta hacer una traslacin de los nuevos ejes, lo cual logramos simplemente completando cuadrados. ten en
cuenta las buenas costumbres de dejar primero polinomios mnicos,
y luego balancear correctamente la ecuacin
4. Finalmente tendremos la ecuacin general referida a un sistema de referencia X 00 Y 00 de tal manera que su origen coincida con el centro de
la elipse o de la hiprbola, o con el vrtice de la parbola.
6-4.1.
Anlisis de algunas posibilidades
Hemos visto que el cambio de base adecuado nos lleva a una matriz DA
donde se ven los autovalores de [A]. Supongamos que ellos fueran 1 y 2 .
Analicemos los casos posibles. Supondremos que c00 es el trmino independiente que queda luego de realizada la traslacin
es decir 1 (x0 x0 )2 + 2 (y 0 y0 )2 = c00
1 > 2 > 0 y c00 > 0
Tendremos entonces una elipse con eje focal Y 00

si 2 > 1 > 0, el eje focal sera X 00 .
1 > 2 > 0 y c00 < 0
No tendramos lugar geomtrico.
2 < 1 < 0 y c00 < 0
De nuevo tendremos una elipse,

podemos dividir todo por 1.
1 > 0 > 2 y c00 > 0
Tendremos una hiprbola con eje focal X 00
1 > 0 > 2 y c00 < 0
Tendremos una hiprbola con eje focal Y 00
1 > 0 > 2 y c00 = 0
Tendremos uns
par de rectas.
|1 |(x0 x0 )2 |2 |(y 0 y0 )2 = 0
(y 0 y0 ) =
|1 | 0
(x x0 )
|2 |
1 > 2 > 0 y c00 = 0
Tendremos solamente el punto (x0 , y0 )
1 > 2 = 0 y c00 = 0
Tendremos una recta { (x0 , y) }
1 > 2 = 0 y c00 > 0
Tendremos dos rectas: y = x0
c00
1
Porqu no hemos considerado 1 = 2 ?
6-5.
Canonizacin de cudricas
Repetiremos los mismos conceptos y tomaremos las misma decisiones que

las que hemos transitado en la seccin anterior. La ecuacin general de segundo grado con tres variables es el polinomio (6.5) que repetimos:
a11 x2 + a22 y 2 + a33 z 2 + 2a12 xy + 2a13 xz + 2a23 yz + b1 x + b2 y + b3 z = c

119
(6.21)
donde los trminos rectangulares xy, xz e yz tienen coeficientes par por conveniencia nuestra. Ellos representarn un cambio de base rotacin pura, en
este caso dada por una composicin de tres rotaciones alrededor de los ejes
en el espacio.
Sea el sistema V original de ejes XYZ donde vale la ecuacin (6.9), mediante un cambio de base rotacin obtendremos el sistema V 0 donde vale la
ecuacin
a011 (x0 )2 + a022 (y 0 )2 + a033 (z 0 )2 + b01 x0 + b02 y 0 + b03 z 0 = c
(6.22)
Solamente nos resta completar cuadrados para encontrar un sistema V 00 donde
tenga validez la ecuacin
2
a011 (x00 )2 + a022 (y 00 )2 + a033 (z 00 ) = c0
(6.23)
As, la ecuacin de la cudrica est canonizada, y probablemente ya puedas

escribir
(x00 )2 (y 00 )2 (z 00 )2
00 2 00 2 = 1
(a00 )2
(b )
(c )
(6.24)
con los signos que correspondan.

El lugar geomtrico de la cudrica no ha cambiado, las variables la refieren
a un sistema que ha rotado y se ha desplazado convenientemente .
La primera parte de la (6.21),
a11 x2 + a22 y 2 + a33 z 2 + 2a12 xy + 2a13 xz + 2a23 yz

la expresaremos en forma matricial, y propondremos un cambio de bases con
los autovectores de la matriz en cuestin, que como la formaremos simtrica
siempre sern tres linealmente independientes y normales entre s.
La matriz simtrica apropiada para escribir esa cuenta en forma matricial
la podemos armar mnemotcnicamente
x
y
z
a11
a12
a12
a22
a33
a11 a12 a13

completando... A = a12 a22 a23
a13 a23 a33
(6.25)
de modo que

a
a
a
x
11
12
13

>
[v] A [v] =
x y z
a12 a22 a23
y
a13 a23 a33
z

a11 x + a12 y + a13 z
=
x y z a12 x + a22 y + a23 z
a13 x + a23 y + a33 z
= a11 x2 + a22 y 2 + a33 z 2 + 2a12 xy + 2a13 xz + 2a23 yz
120
o sea que la primera parte de la ecuacin general de la cudrica (6.9) ya est

desarrollada con A.
La otra parte es muy simple, si empleramos una matriz B tal que
B=
b1 b2 b3
(6.26)
podramos hacer9
x

B [v] =
b1 b 2 b 3 y
z
= b1 x + b2 y + b3 z
por lo que
c = a11 x2 + a22 y 2 + a33 z 2 + 2a12 xy +
(6.27)
+2a13 xz + 2a23 yz + b1 x + b2 y + b3 z
= [ v ]> A [ v ] + B [ v ]
(6.28)
ambas dos representan la misma cudrica. La versin matricial se adapta a

nuestros propsitos.
Ejemplo 6.8.
Escribe en forma matricial la ecuacin de segundo grado. . .
784 = 1943x2 + 861y 2 + 2972z 2 58 3 xy + 1628xz

884 3 yz 1800 3 + 3568 2 x+

+ 1800 2096 2 3 y + 736 2 3600 3 z
p
La ecuacin ya se encuentra correctamente ordenada, entonces las matrices son
[v] =
x y z
>
1943
A = 29 3
814
29 3
861
442 3
814
442 3
2972
>
1800 3 3568 2

B = 1800 2096 2 3
736 2 3600 3
b1
>
9
Hemos podido haber propuesto B = b2 , de modo que [ v ] B = b1 x + b2 y + b3 z , pero
b3
no nos ha interesado.
121
lo cual puedes comprobar

Para responder la consigna establecemos que
[ v ]> A [ v ] + B [ v ] = 784
(6.29)
6-5.1.
Rotacin de los ejes en el espacio
El cambio de base que venimos proponiendo es
[ v ] = R [v 0 ]
(6.30)
que en este caso puede ser cualquier combinacin R = RX RY RZ ,

o RZ RY RX ,o hay 3! = 6 combinaciones posibles; que puesta en la ecuacin general vectorial y trabajando como en las (6.16a) y (6.16b)
c = [ v ]> A [ v ] + B [ v ]
>
= [v 0 ]
DA [v 0 ] + B 0 [v 0 ]
donde
DA = R> A R ,
B 0 = B R
Desde aqu todo es similar al procedimiento que hemos contemplado para las
cnicas, en particular el hecho de que la nueva base B1 son los vectores dados
por las columnas de R .
Recordemos que hay que hacer que los ejes roten solamente, vale decir que
det (R ) sea igual a 1 y no a 1. Si |R | = 1 hemos de intercambiar dos autoversores y consecuentemente sus autovalores en la matriz diagonalizada,
o hemos de multiplicar un autoversor por 1 dejando los autovalores en la
matriz diagonalizada intactos. Todo se aclara con el ejemplo siguiente.
Ejemplo 6.9.
p
Realiza el cambio de base rotacin para el ejemplo 6.8.
La ecuacin anterior ha sido
784 = 1943x2 + 861y 2 + 2972z 2 58 3 xy + 1628xz

884 3 yz 1800 3 + 3568 2 x+

+ 1800 2096 2 3 y + 736 2 3600 3 z
122
y sus matrices
29 3
861
442 3
1943
A = 29 3
814
814
442 3
2972
>
1800 3 3568 2

B = 1800 2096 2 3
736 2 3600 3
diagonalicemos A
el polinomio caracterstico es
A () = 3 57762 + 8755200 3317760000 = 0

y los autovalores son
1 = 3600
2 = 1600
3 = 576
por tanto los autovectores son,
v1 =
1
2 3
v2 =
5
3
2
3 3
v3 = 3 3
2
y la matriz de rotacin R ser

2 3 5 2
2
1
R =
2
6
36
8
4 3 2 2 2 2
como el determinante de esta matriz es 1, no intercambiemos v1 y v2 , ni v2

con v3 , de manera que, si las cuentas estn bien, no tendremos problemas
en llegar a que
3600
0
0
DA = 0
1600 0
0
0
576
(6.31)
porque no hemos intercambiado los autoversores.

Encontremos B 0
La matriz B 0 quedar
B 0 = B R

=
7200
6400
3456
Reemplacemos la ecuacin original

la ecuacin bajo el sistema de coordenadas rotado es
3600(x0 )2 + 1600(y 0 )2 + 576(z 0 )2 + 7200 x0 6400 y 0 + 3456z 0 = 784

Hemos eliminado el trmino rectangular
123
Ubiquemos el sistema V 0 respecto del sistema V

Aprovechemos la relacin

[ v ] = R v 0
m
= R [ v ]V 0 [ v ] = R [ v ]1
[ v ]V
que habamos propuesto y razonemos as:10 el versor I 0 correspondiente

al eje X 0 de la base V 0 se escribe
1
I 0 = 0 = [I]1
0 1
respecto de la base V 0 ; pero se escribir en la base V original como
1
[I] = R [I]1 = R 0
0 1
0. 43301
2 3
1
=
2 0. 25
8
4 3
0. 86603
es la primera columna de la matriz de cambio de base rotacin; y ah
ubicas el eje X 0 respecto del sistema XY Z (11 ). El eje Y 0 estar ubicado
haciendo el mismo trabajo para J 0 la segunda columna de R , y similarmente ubicas el tercer eje. La terna ser dextrgira si has tenido la
precaucin de que el determinante de R fuera 1 y no 1.
Y
Z0
X0
Y0
La figura ilustra cmo quedan los ejes del sistema de referencias rotado.
Ejemplo 6.10.
Discute la posibilidad de encontrar autovectores normales en el

espacio R3 .
10
Recordemos que es un cambio de base, no una transformacin.

lgicamente R tiene en sus columnas los versores de los nuevos ejes rotados escritos
sobre la base original, as que esta cuenta es superflua.
11
124
p
Una alternativa es encontrar dos autovectores y calcular el restante mediante producto cruz. Esto est asegurado, porque trabajamos con matrices simtricas.
3
4
1
4
2 3
4

I

v1 v2 = J

K
1
8
= 83 6
14 2
5
3
3
4
6
3
4
6
3
32 3
4
6
3
=
8
3 6 = v3
4 2
y ya est.
6-5.2.
Traslacin de los ejes en el espacio
La ecuacin general para el sistema de referencias rotado X 0 Y 0 , ser
a011 (x0 )2 + a022 (y 0 )2 + a033 (z 0 )2 + b01 x0 + b02 y 0 + b03 z 0 = c

en la que agrupando y sacando factor comn puedes escribir
2
a011 (x0 + x0 ) + a022 (y 0 + y0 ) + a033 (z 0 + z0 ) = c00
x0 =
b01
2a011
y0 =
b02
2a022
z0 =
donde
b03
2a033
c00 = c + a011 x20 + a022 y02 + a033 z02

y efectuando el cambio de coordenadas
00
0
x = x + x0
y 00 = y 0 + y0
00
z = z 0 + z0
(6.32a)
v 00 = v 0 + v0
(6.32b)
tenemos que la cnica est casi canonizada
a001 (x00 )2 + a002 (y 00 )2 + a003 (y 00 )2 = c00

125
(6.33a)
y luego dividiendo por c00 6= 0 puede no darse, y habr que estudiarlo y

acomodando, en general podrs escribir. . .
1=
(x00 )2 (y 00 )2 (z 00 )2
(a1 )2
(a2 )2 (a3 )2
(6.33b)
donde respectivamente
r
r
r
c00
c00
00
a1 = a00 , a2 = a00 , a3 = ac 00
1
Que no siempre habr de representar una cudrica con centro, porque

de existir uno o ms autovalores iguales a cero, no hubisemos tenido algn
trmino cuadrtico y con ello apareceran los paraboloides. Adems, si en la
(6.33a) se diera que c00 = 0, tendramos un cono dos signos iguales para a00i o
un punto en el espacio los tres signos iguales
El ejemplo lo pone ms claro todo en el caso c00 6= 0.
Ejemplo 6.11.
p
#
Contina con la canonizacin del ejercicio 6.9 anterior

Completemos cuadrados perfectos
784 = 3600(x0 )2 + 7200x0 + 1600(y 0 )2 6400 y 0 + 576(z 0 )2 + 3456z 0

= 3600 (x0 )2 + 2 x0 1 + 1 1 +

+ 1600 (y 0 )2 2 y 0 2 + 4 4 +

+ 576 (z 0 )2 + 2z 0 3 + 9 9
2
2
2
= 3600 x0 + 1 + 1600 y 0 2 + 576 z 0 + 3 15184
es decir:
2
+ 576 z 0 + 3
= 14400

00 2
00 2
00 2
3600(x ) + 1600 y
+ 576(z ) = 14400
3600 x0 + 1
2
+ 1600 y 0 2
2
y finalmente
(x0 + 1)2 (y 0 2)2 (z 0 + 3)2

+
+
22
32
52
= 1
#
Canonicemos
Entonces, el problema est resuelto en parte si escribiramos
x00 2 y 00 2 z 00 2
+ 2 + 2 =1
22
3
5
#
(6.34)
Ubiquemos el sistema V 00 respecto del sistema V 0
126
debemos ver dnde est el origen del sistema V 00 respecto del sistema V 0 ,
ya que solo hay una traslacin
00
0
x =x +1
y 00 = y 0 2
00
z = z0 + 3
0
0
de ese modo el
= 0
0
0 V 00
0
1
X 00 Y 00 Z 00 est en el punto 2
3
(6.35)
1
+ 2 de modo que el origen de
3 V0
V 0
del sistema X 0 Y 0 Z 0 .
V0
#
Repaso
la secuencia de cambios de coordenadas sigue este patrn
1- Dibuja el sistema de coordenadas V XY Z dextrgiro
2- Representa los ejes del Sistema V 0 X 0 Y 0 Z 0 con los ejes dados por
las columnas de R respecto del sistema V
3- Representa los ejes del sistema V 00 que es la traslacin v0 del sistema
V 0 respecto del sistema V 00
4- Dibuja el grafo de la cudrica canonizada.
X 00
Z 00
Y 00
Y
Z0
X0
Y0
En la figura de arriba, hemos trabajado hasta el paso 3, con la esperanza

en que te sea sencillo representar en l el elipsoide.
Ejercicio 6.4.
Vuelve a trabajar con el ejemplo 6.8, tomando los autovalores

en un orden diferente. Ayuda: Por esta vez, y como el ejercicio
est numricamente mal condicionado, parte de la ecuacin
aproximada
78400 = 194300x2 + 86100y 2 + 297200z 2 +

100 46xy + 162800xz 153110yz
816360x 333410y 519450z
y trabaja con decimales en la calculadora
Ejercicio 6.5.
Canoniza
(a)- 5x2 + 5y 2 + 8xy + 4xz + 4yz + 2z 2 = 1
127
1
2
(b)- dada por A =
0
2
2
0 2

3
0
0
y B = 2 1 4 0
0
5 1
0 1
6
(Ayuda: la forma cuadrtica puede tener ms variables, en este

caso puede hacer

v > = x y z q o mejor v > = x1 x2 x3 x4
Ejercicio 6.6.
En el ejercicio 6.5, tem (a), Qu hubiese sucedido en caso

que dos trminos cuadrticos fueran iguales y el otro fuera cero?
(Ayuda: analzalo teniendo en cuenta las posibilidades respecto de los autovalores que puedas encontrar en la matriz A)
Hasta ahora hemos trabajado con matrices de dimensin 2 2 y 3 3, porque el tipo de aplicacin lo requera, asimismo esas matrices eran simtricas.
Sin embargo, qu pasara si nos interesara individualizar las races de los
polinomios caractersticos de una matriz de dimensiones superiores? Y en la
carrera de ingeniera sobretodo las que estn orientadas al control de sistemas dinmicos, aparecern con seguridad.
La pregunta es:
Cmo se encuentran los autovalores para matrices de cualquier orden?
En el apndice D-3.0.2 hemos desarrollado un algoritmo basado en el mtodo de Newton para encontrar las races del polinomio caracterstico de una
matriz simtrica de 3 3, pero tambin encuentras seccin D-3 el mtodo
aludido para hacerlo en forma genrica.
128
Apndice A
Mapeos de trayectorias en el
plano
A-1.Circunferencia y cuadrado unitarios . . . . . . . . . . . . . . . . .
A-1.1. Ejemplos con transformaciones lineales
129
. . . . . . . . . . 130
A-1.2. Con transformaciones no lineales . . . . . . . . . . . . . . 133
Cuando se trata de transformaciones en el plano funciones entre conjuntos subyacentes de espacios vectoriales T : R2 R2 que comparten el mismo
cuerpo de escalares R, quisiramos no solamente conocer los transformados
de un vector, sino que de trayectorias. En este apndice ahondamos en este
detalle, aplicando transformaciones lineales y no lineales
Las trayectorias ms comunes que incluso se utilizan para reconocer el
efecto de la ley de transformacin sobre los vectores del plano son el cuadrado unitario y la circunferencia unitaria, y ser cuestin de revisar cmo
modelizamos esas trayectorias, para poder someterlas a las transformaciones
y luego identificar las trayectorias mapeadas.
A-1.
Circunferencia y cuadrado unitarios
Como hemos visto en la seccin de modelizacin de caminos en R2 , en la

(1-4), el cuadrado unitario lo puedes escribir . . .
en forma desparametrizada
(k, 0)
(1, k)
cu =
(k, 1)
(0, k)
,
,
,
,
k
k
k
k
:0
:0
:1
:1
o en forma paramtrica
1
1
0
0
(A.1)
129
(k, 0)
(1, k 1)
cu =
(3 k, 1)
(0, 4 k)
,
,
,
,
k
k
k
k
[0, 1]
[1, 2]
[2, 3]
[3, 4]
(A.2)
A-1. Circunferencia y cuadrado unitarios
Apndice A. Mapeos de trayectorias en el plano
y para la circunferencia unitaria
ou = (cos k, sen k) , k [0, 2]

(
(x, 1 x2 )
, x:1
1
=
(x, 1 x2 ) , x : 1
1
(
(1 2k, 2 k k 2 )
, k [0, 1]
=
2
(2k 3, 2 2 + 3k k ) , k [1, 2]
(A.3)
(A.4)
(A.5)
Analizando las cinco ecuaciones anteriores, las ms simples desde el punto

de vista de las cuentas para realizar la transformacin son claramente la
ec.(A.1) y la ec.(A.3) respectivamente.
En general el proceso de mapeado hallar el transformado de una
trayectoria y el proceso de parametrizacin son antagnicos: cuando uno
se facilita, el otro se complica. En general a pesar de su posible complicacin inicial, vale la pena hacerlo todo en la forma paramtrica. Con las transformaciones no lineales es particularmente difcil hacerlo, ya sea de una u
otra manera; as que en ese caso mejor es conseguirse un software como
Geogebra y trabajar en forma parametrizada.
A continuacin nos abocaremos a mapear ambas trayectorias mediante
transformaciones lineales y no lineales.
A-1.1.
Ejemplos con transformaciones lineales
Recuerda que hallar el transformado de (1, 1) segn la transformacin con

ley L1 ((a, b)) = (a + b, a b), sera
L1 ((1, 1)) = (1 + 1, 1 1) = (2, 0)

pero nos interesa calcular no con solamente un punto sino que con una trayectoria de puntos como el cuadrado unitario. Para eso necesitamos escribir
la trayectoria a transformar como si fuera un vector. . .
Forma desparametrizada
Forma parametrizada
A partir de la ec.(A.1)
A partir de la ec.(A.2)
(k, k)
(1 + k, 1 k)
L1 (cu ) =
(k + 1, k 1)
(k, k)
,0
,0
,1
,1
(k, k)
(k, 2 k)
=
(4 k, 2 k)
(4 k, k 4)
(A.6)
, k [0, 1]
, k [1, 2]
, k [2, 3]
= c0u
, k [3, 4]
(A.7)
Nota que puedes llegar a la (A.7) parametrizando la (A.6).

Nos falta la desparametrizacin total, escribiendo una coordenada en funcin de la otra.
130
Lo podemos hacer a partir de cualesquiera de las formas, as

que tomamos la primera. . .
(k, k), con k : 0
1 inmediatamente es (x, x), con x : 0
1 y en forma explcita
y=x, 0x1
Para el segundo tramo, hacemos x = 1 + k , x : 1
2e
y = 1 k , con lo que k = x 1 e y = 2 x y en forma
explcita
y =2x, 1x2
Seguimos haciendo x = k+1 , x : 2
que en y = k 1 es, explcitamente
y =x2, 2
1
1 de donde k = x1
finalmente el ltimo tramo es sencillamente

y = x , x : 1
0
En definitiva, el cuadrado unitario y su transformado se
muestran en la figura A.1
Y0
-1
(0, 0) 7 (0, 0)
(1, 0) 7 (1, 1)
(1, 1) 7 (2, 1)
(0, 1) 7 (1, 1)
X0
-1
Figura A.1: Mapeo lineal de L1 (cu )
En el caso de la misma transformacin, pero transformando

la circunferencia unitaria en lugar del cuadrado unitario, tenemos
L(ou ) = L ((cos k, sen k))

= (cos k + sen k, cos k sen k)
=
k [0, 2]
(A.8)
o0u
Y, para recuperar una ecuacin desparametrizar por lo

menos implcita, a partir de las coordenadas x = cos k + sen k ,
e y = cos k sen k , puedes elevar ambos al cuadrado
x2 = cos2 k + sen2 k + 2 sen k cos k ,
y 2 = cos2 k + sen2 k 2 sen k cos k
y sumar; finalmente llegas a la ecuacin de otra circunferencia,
x2 + y 2 = 2
131
de radio
a
2 ( ).
En general un mapeo lineal de la circunferencia unitaria nos dar elipses. Prubalo

con la transformacin lineal L2 ((a, b)) = (a + b, 2a 2b), obtendrs una elipse con ejes
1 y 2.
Y
1.5
( 12 , 12 ) 7 ( 2, 0)
Y0
1
0.5
-0.5
X0
X
0.5
1.5
-1
-1
Figura A.2: El mismo mapeo lineal de L1 (ou )
Ejemplo A.1.
p
Para la TL L2 ( (x, y) ) = (x+y, x2y), mapea el cuadradito unitario.
el cuadradito unitario se mapea en
,0
(k, k)
(k + 1, 1 2k) , 0
L2 (Cu ) =
(k + 1, k + 2) , 1
(k, 2k)
,1
, [0, 1]
(k, k)
(k, 3 2k)
, [1, 2]
1
(4 k, 1 k) , [2, 3]
0
0 (4 k, 8 2k) , [3, 4]
,x:0
1
y = x
y = 3 2x , x : 1
2
y =x3 , x:2
1
y = 2x
,x:1
0
Veamos el mapeo de la c. unitaria y su desparametrizacin :

(cos(k), sen(k)) 7 cos(k) + sen(k) , cos(k) 2 sen(k)
(
x = cos(k) + sen(k)
y = cos(k) 2 sen(k)
x y = 3 sen(k) y 2x + y = 3 cos(k)
2
o sea
de donde
(x y) + (2x + y) = 9(sen (k) + cos (k)) = 9

de donde
5x2 + 2y 2 + 2xy = 9
(A.9)
Volveremos a trabajar la elipse rotada (A.9) en el ltimo captulo. La figura

A.3 concentra los mapeos del cuadradito y de la circunferencia para la
transformacin L2 ((a, b)) = (a + b, a 2b)
132
A0
L2 Y
Y
C
B
O0
X
B0
C0
Figura A.3: Transformacin L2 sobre cu y ou
A-1.2.
Con transformaciones no lineales

Usemos el mapeo N : R2 R2 |N (a, b) = a + b, 2a b2 , ambos espacios

vectoriales reales y estndares (R2 , +, R, ).
Cuadrado unitario. En el cuadro siguiente estn las cuentas ya hechas,
de modo que no tienes ms que verificar.
Forma desparametrizada - explcita
original-mapeado
(k, 0) 7 (k, 2k)
mapeado
, k
, x
,0
y = 2x
,0
(1, k) 7 (k + 1, 2 k 2 ) , 0
(k, 1) 7 (k + 1, 2k 1) , 1
y = 1 + 2x x2 , 1
y = 2x 3
,2
2
1
(k, k 2 )
y = x2
(0, k) 7
,1
,1
Forma Parametrizada
original
7 mapeado
rango k
(k, 0)
(1, k 1)
(3 k, 1)
(0, 4 k)
7
7
7
7
k
k
k
k
(k, 2k)
(k, 1 + 2k k 2 )
(4 k, 5 2k)
(4 k, 16 8k + k 2 )
[0, 1]
[1, 2]
[2, 3]
[3, 4]
Cuadro A.1: Mapeo no lineal de N (cu )

Asimismo el mapeo luce como en la figura A.4.
En ella hemos hecho los dos mapeos: el del cuadrado y el de la circunferencia unitarios. El de la ltima, en este caso, es complicado encontrar una
versin no parametrizada de las ecuaciones que modelizan el transformado
La versin parametrizada es claramente (cos k + sen k, 2 cos k sen2 k) con
k [0, 2]. Puedes solicitarme que te enve por correo electrnico unas versiones dinmicas con Geogebra para que puedas experimentar e incluso cambiar
los mapeos, llevan el nombre G_mep-05.ggb y MapeosPlano.ggb.
133
Y0
(1, 0) 7 (1, 2)
1.5
Y0
(1, 0) 7 (1, 2)
1.5
1
0.5
X0
X
0.5
1.5
0.5
-0.5
0.5
-0.5
X0
X
1.5
-0.5
-0.5
-1
-1
Figura A.4: Mapeo no lineal N sobre ambas trayectorias

Casualmente para ambas dos ltimas transformaciones, una circulacin
contra-reloj se mapea a favor de reloj, pero esto no constituye una generalidad.
Resumen
Transformas una trayectoria de vectores, no un vector especfico. . .

En el plano, R2 R2 una trayectoria se mapea en otra trayectoria,
en general. otra posibilidad: trayectoria mapeada en un punto
El mapeado no ser trayectoria, cuando por ejemplo, la transformacin

est definida desde R2 a P2
Puedes tener modelizada la trayectoria a mapear de distintas maneras,
entre ellas en la forma paramtrica.
Cuando realizas el mapeo, obtienes el modelo matemtico de la trayectoria mapeada
Necesitas identificar cada tramo de ese modelo recin obtenido,

Para ello, generalmente basta con igualar a x la primera componente y
recalcular las otras componentes en funcin de esa x
Mediante la tcnica anterior obtenemos la relacin funcional entre variables, debes precisar el rango donde esa relacin es cierta: para ello
debes partir de qu rango tienen x y/o y
No confundas una trayectoria con la linealidad o no de la transformacin.
La trayectoria puede ser lo ms caprichosa que te imagines, y la trayectoria
mapeada tambin. En otras palabras, la trayectoria no arroja ningn juicio de
valor sobre la calidad de linealidad o no de la transformacin.
Sin embargo la teora predice que una transformacin lineal mapea rectas en
otras rectas. La excepcin est dada en el caso particular en que el vector
director de la recta original se mapea en el vector nulo.
134
Apndice B
Ms sobre mapeos lineales
B-1.Ley dada mediante del mapeo de una base . . . . . . . . . . . . .
135
B-2.Ncleo e imagen de una TL
138
. . . . . . . . . . . . . . . . . . . . . .
B-2.1. Imagen de una transformacin lineal . . . . . . . . . . . . 139

B-2.2. Ncleo de una transformacin lineal . . . . . . . . . . . . 140
B-3.Relaciones entre los sistemas lineales y las transformaciones
lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
143
B-4.Traslaciones matricializadas . . . . . . . . . . . . . . . . . . . .
143
B-5.Guin de figura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
144
En este apndice discutiremos contenidos que ayudarn a profundizar en

los mapeos lineales, y a que accedas a la idea de qu es lo que se conecta con
estos temas, posteriormente en la carrera.
B-1.
Ley dada mediante del mapeo de una base
Veamos si es posible caracterizar una transformacin lineal a partir del

conocimiento de los mapeados de una base cualquiera del dominio. Primero
mediante un ejemplo y luego formalmente.
Ejemplo B.1.
Una transformacin lineal mapea los vectores (3, 2) 7 (2, 0) y
(4, 1) 7 (1, 5). Halla la ley de transformacin.
p
Claramente todo sucede en el plano: L : R2 7 R2 . Observa que los vectores B = { v1 = (3, 2), v2 = (4, 1) } forman una base para el dominio.
La matriz asociada sera
"
[ L ] = [ L(e1 )
L(e2 ) ] =
e01
e02
e011 e012
e021 e022
donde e0i = (e01i , e02i ) es el mapeo del vector ei de la base cannica.
135
Apndice B. Ms sobre mapeos lineales
No sabemos cmo afecta la transformacin lineal L a la base cannica

eso es justamente lo que tenemos que averiguar pero s lo que L le hace
a B.
Nuestra estrategia es tratar de escribir cada vector como combinacin
lineal de la base cannica y suponer un mapeo lineal, aplicando sus propiedades:

L (3, 2) = L 3(1, 0) + 2(0, 1) = L 3e1 + 2e2
= 3e01 + 2e02 = (2, 0)

= 3 (e011 , e021 ) + 2 (e012 , e022 ) = (2, 0)
por linealidad

L (4, 1) = 4e01 + 1e02 = (2, 0)

= 4 (e011 , e021 ) + 1 (e012 , e022 ) = (1, 5)
similarmente
()
()
Las ecuaciones marcadas (*) las puedes escribir. . .
0
3e11 + 2e012 = 2
3e0 + 2e0 =
0
21
22
4e011 + 1e012 = 1
0
4e21 + 1e022 =
5
Es un sistema de cuatro incgnitas, pero est desacoplado, de manera que
A)
3e011 + 2e012 = 2
B)
4e0 + 1e0
11
12 = 1
3e021 + 2e022 = 0
4e0 + 1e0
21
22 = 5
Y como la matriz de los coeficientes es la misma para ambos casos, tambin podemos escribir
#

" 0
0
3 2 e11 e21
2 0
=
0
4 1 e0
1 5
12 e22
#
" 0

e11 e012 3 4
2 1
=
0
5
e021 e022 2 1
0
L B = B
trasponiendo1
lo cual es
desde lo cual es sencillo arribar a que la ley es L (x, y) =

Nota que no hay ningn cambio de base involucrado.

y , 2x 3y .
En la figura B.1 vers un pictograma de la situacin.

Proposicin B.1. Mediante los transformados de cualquier base conocida de
un EV, puedes encontrar la nica TL que cumpla con la ley de transformacin.
1
Ten en cuenta que (A B)> = B > A>
136
V0
V
L
B0
Figura B.1: Ley a partir del mapeo de una base

Prueba
Si L es una transformacin lineal, entonces existe la matriz asociada [ L ]
tal que L(v) = v 0 pueda calcularse a travs de las matrices de coordenadas sobre bases cannicas como: [ L ] [ v ] = [ v 0 ].
L : V V 0 | L (v) = v 0 [v 0 ] = [L] [v]

Si B es una base conocida de V , de dimensin n, podemos especular que
B = {v1 , v2 , , vn } 7 B 0 = {v10 , v20 , , vn0 }

donde:
B 0 es el conjunto de los transformados L(vi ) = vi0 de los elementos de B ,
y [ B ] = [ [ v1 ] [ v2 ] [ vn ] ] es la matriz de transicin de la base B a la
cannica.
Nota que no estamos afirmando que B 0 sea base de V 0 y la prueba te
queda como ejercicioa .
Haremos una prueba corta, basados en lo que hemos mostrado en el
ejemplo B.1 y el hecho de que [ L ] es la matriz de los transformados de
la base cannica del dominio, sobre base cannica del codominio.
Si aplicramos [ L ] que an no conocemos, pero sabemos que es
posible a cada uno los elementos de B obtendramos sus matrices de
coordenadas respecto de la base cannica de V 0 ,
[ L ] [ vi ] = [ vi0 ]
es decir, las columnas de B 0 . . .
[ L ] [ B ] = [ B0 ]
y como por propiedad de matriz de transicin de una base, siempre existe la inversa de [ B ], podemos escribir queda
[ L ] = [ B 0 ] [ B ]1
y ya est: tanto [ B ] cuanto [ B 0 ] son nicas, de modo que el producto
ser nico.
a
Ayuda: que pasara si dim (V 0 ) > n ?
137
B-2. Ncleo e imagen de una TL
Podemos afirmar entonces que:
La matriz asociada a una TL dada mediante una base

B V y sus transformados B 0 W se calcula como
[B 0 ] [B]1 .
donde [ B ] es la matriz de transicin de la base B a la cannica
CV .
Ejemplo B.2.
A travs de una cierta transformacin lineal U , la imagen de (2, 1)
es 2 + 3x x2 , y la imagen de (5, 3) es x + 2x2 . Halla la ley de U .
p
De acuerdo con el resultado de la proposicin B.1, y teniendo en cuenta
que las matrices involucradas son

[B ] =
2 5
1
3
2 0
[ B ]0 = 3 1
1 2
6 10
1
entonces la matriz asociada es [ U ] = 11
8 17 , de donde la ley
5 1
6a + 10b 8a + 17b
5a + b 2
U : R2 P2 | U (a, b) =
+
11
11
11
que es la ley solicitada.
Nota que cuando tienes el resultado de la proposicin, el clculo es elegante y sencillo, sin embargo: evita quedarte con la frmula ; sta la calculamos
como ejemplo de aplicacin de conceptos con la esperanza de mostrarte un camino que te servir cuando debas encontrar relaciones en otro contexto.
B-2.
Ncleo e imagen de una TL
Como habamos definido que la Transformacin entre ellas la transforma

lineal es una funcin entre espacios vectoriales V V 0 , podremos definir
en el codominio, la imagen I como un subconjunto de V 0 . En otras palabras:
138
la imagen es el conjunto incluido en el espacio V 0 tal que sus elementos estn

relacionados con algn elemento de V , formalmente
I (L) = {v 0 V 0 | v V v 0 = L (v)}
Y el ncleo de la TL como el conjunto del dominio que se mapea en el vector
nulo
N (L) = {u V | L (u) = V 0 }
La figura B.2 muestra el pictograma de lo que estamos hablando
L
V0
V0
Figura B.2: Ncleo (izquierda) e imagen (derecha) de una TL
B-2.1.
Imagen de una transformacin lineal
Veamos cmo calcular el conjunto imagen mediante algunos ejemplos sencillos:

1 0
Ejemplo B.3.
Para la TL en el plano, dada por [T ] =
, halla su imagen
2 0
p

1 0
x
x
la imagen del vector genrico es
=
, . . . que es el
2 0
y
2x
subespacio
I(T ) = {(x, 2x)} = {(x, y) | y = 2x}

o sea la recta y = 2x. Es decir que todo punto del plano se proyecta verticalmente sobre y = 2x, sin importar su ordenada.

Ejemplo B.4.
Para la TL en el plano, dada por [M ] =

1 3
, halla su imagen
2 4
p
Estamos tratando de ver dnde se mapean todos los vectores del plano
debido a la TL M . En este caso
1 3
2 4

x
x + 3y
=
y
2x + 4y
139
si tomas x + 3y = u, como primera componente de v 0 , su segunda componente ser 2x + 4y = x + x + 3y + y = x + y + u,

y como vemos, esta componente no est restringida, por tanto la imagen
en este caso es I(M ) = R2 , es decir, todo el plano.
El ejemplo B.4 nos permite concluir que en los casos [L] Rnn , si
det ([L]) = 0, la imagen de L es todo el espacio codominio, y an ms: la transformacin inversa quedar representada por la matriz asociada inversa.
La pregunta es Cundo sucede que la transformacin lineal tiene como
imagen todo el codominio? Estamos preguntando si la TL es sobreyectiva.
En este caso la dimensin del dominio dim(V) = n no debera ser menor
que la del codominio dim(V 0 ) = m En trminos de las dimensiones de la
matriz asociada, [ L ] Rmn tendr al menos la misma cantidad de columnas
que de filas. La condicin es necesaria, pero no suficiente.
Claramente puedes ver que el conjunto imagen de una transformacin lineal es un subespacio del espacio vectorial que acta como codominio de la
TL.
Para probar formalmente que el conjunto imagen de una transformacin
lineal es subespacio del codominio, puedes proceder de la manera que sigue:
Transforma un elemento genrico del dominio escrito como combinacin lineal
de una base. Obtendrs una combinacin lineal genrica de los transformados
de la base. . . que es la definicin del conjunto generado por el conjunto de los
transformados de la base (en V 0 ), y por tanto un subespacio de V 0 .
Qu pasara si se diera que el transformado de cualquier base del dominio
fuera base del codominio? La pregunta apunta a la sobreyectividad o no de
la TL
B-2.2.
Ncleo de una transformacin lineal
Hemos dicho que el ncleo de la TL se define como todos los vectores de V

que tienen como imagen al vector nulo de V 0 ,
N (L) = {u V | V 0 = L (u)}
en los ejemplos anteriores:

1 0
Ejemplo B.5.
Para la TL en el plano, dada por [T ] =
, halla su ncleo.
2 0
p

1 0
x
x
La imagen del vector genrico es
=
, . . . que si se la
2 0
y
2x
140

iguala al vector nulo es
x
2x

=

0
, que se satisface slo con x = 0. La
0
otra variable (y ) puede ser cualquiera, por tanto

Lo puedes comprobar. . .
N (T ) = {(0, y)}

1 0
0
0
=
2 0
y
0
Nota que el ncleo de la transformacin lineal es el espacio nulo de la

matriz asociada, ya que se obtiene del sistema [ L ] [ x ] = [ ]

Ejemplo B.6.
Dada la TL en el plano, dada por [M ] =
En este caso
1 3
2 4

x
y

=

1 3
, halla su ncleo.
2 4

0
,
0
como
tiene inversa:
matriz
1 asociada

la
1 3
x
=
2 4
y
0
existe nica solucin x = y = 0, y por tanto
0
N (M ) = {(0, 0)}
Donde el ncleo es el espacio trivial del vector nulo.

En este caso, puedes hallar la matriz asociada a la transformacin inversa
simplemente invirtiendo M .
Nota que siempre que se hable de ncleo e imagen, la notacin es de conjuntos.

Nota asimismo que el ncleo abarca a todos los vectores normales al espacio generado por las filas de la matriz asociada espacio fila. Recuerda que
la normalidad de los vectores la hemos definido mediante el producto escalar
igual a cero.
Nota adems que el ncleo nunca est vaco; [ L ] [ v ] = [ V 0 ] tiene al menos
al vector nulo del dominio como solucin: [ L ] [ V ] = [ V 0 ] ya que V V necesariamente, puesto que V es un espacio vectorial, asimismo, por propiedad de
transformaciones lineales la imagen del vector nulo del dominio es el vector
nulo del codominio. Como en el codominio tambin existe V 0 V 0 por ser ste
un espacio vectorial, concluyes que tampoco el conjunto imagen es vaco.
Tanto el ncleo kernel en ingls cuanto el conjunto imagen son a
su vez espacios vectoriales2 y si sus dimensiones o permiten puedes definir
bases para ellos.
2
Ya hemos probado que no son vacos (condicin de partida para los subespacios); por
tanto falta probar que la suma de dos elementos del ncleo tambin est en el ncleo, y que
el escalado de un elemento del ncleo vive en el ncleo. Lo mismo para la imagen.
141
Desde el punto de vista de los sistemas lineales el trmino correspondiente

para ncleo es el espacio nulo, null space en ingls
Podemos definir las dimensiones de la imagen y el ncleo
dim (I (L)) y dim (N (L))

como el rango y la nulidad de L respectivamente3
En transformaciones lineales entre espacios de dimensin finita, digamos
L : V V 0 donde dim (V ) = n < y dim (V 0 ) = m < ergo [L] es de
m n, el rango4 de [L] es numricamente el rango de la transformacin
lineal L.
Otra particularidad es que
dim (I (L)) + dim (N (L)) = dim(V )
(B.1)
rango (L) + nulidad (L) = n

Y entonces es sencillo calcular primero el ncleo. Su dimensin ser el rango,
que con la anterior calculars la nulidad. Si la nulidad no es cero, ya podemos
tener idea del conjunto imagen, que siempre es ms complicado de calcular,
aunque sabes que es el espacio columna de la matriz asociada.
Estos conceptos son importantes porque pueden establecer claramente
cundo una TL admite inversa, es decir, dada una L | L (u) = v , es importante saber si existe una U | U (v) = u, y U se conoce normalmente como
L1 . La importancia est por ejemplo en lo que en ingeniera se llama estimacin de estados: la habilidad para establecer con pocas mediciones de u y
su trasformado v , la transformacin L. Si la estructura del problema denota
que la nulidad no es cero, entonces no hay unicidad entre v y su original sin
transformar, porque la inversa no existe.
Bsicamente una transformacin lineal con nulidad cero es invertible, y
eso quiere decir que si usamos esa transformacin para codificar o encriptar
algo, podemos tener la transformacin inversa y desencriptarlo.
Ejercicio B.1.
4 1 2 3
sea la TL T : R4 R3 dada por [T ] = 2 1
1 4
6 0 9
9
a) decide si los vectores v1 = (0, 0, 6), v2 = (1, 3, 0), y
v3 = (2, 4, 1), estn en la imagen de T
b) decide si los vectores w1 = (3, 8, 2, 0), w2 = (0, 0, 0, 1), y
w3 = (0, 4, 1, 0), estn en el ncleo de T
c) halla el rango y la nulidad de T
Rango: en ingls rank significa rango, como el de la matriz. En ingls range significa
conjunto imagen y en oportunidades, codominio. Ambos vocablos se traducen ambiguamente,
como rango. En este libro no usamos la palabra rango para nombrar conjuntos.
4
Recuerda que el rango de una matriz es el nmero de columnas (o filas) linealmente
independientes de la matriz, y este rango es la dimensin del conjunto imagen de la transformacin.
142
B-3. Relaciones entre los sistemas lineales y las transformaciones lineales
Ejercicio B.2.
B-3.
Describe el ncleo de la transformacin derivada entre espadp

= p0 , p P4 , p0 P3
cios, por ejemplo P4 P3 : D(p) = dx
Relaciones entre los sistemas lineales y las transformaciones lineales
Desde que hemos probado que una transformacin lineal tiene la propiedad de que puede proponerse [ L ] [ v ] = [ v 0 ], y esta no es ms que un sistema
de ecuaciones lineales, podemos hacer comparaciones interesantes con el sistema A x = b:
Por ejemplo: el ncleo de la transformacin lineal es lo mismo que el ncleo, kernel o espacio nulo de la matriz asociada.
La imagen de una transformacin lineal es el espacio

columna de su matriz asociada, y el rango es su dimensin. Tanto el ncleo cuanto el conjunto imagen de una
TL son espacios. El ncleo es ortogonal al espacio fila
de la matriz asociada
B-4.
Es
Traslaciones matricializadas
claro
T (x, y)
=
que
una
transformacin de traslacin por ejemplo

(x + 1, y + 2) en R2 es no lineal y por tanto no podrs
hallar una matriz asociada. De todas maneras esta transformacin es muy
usada, as que vale la pena desarrollar una tcnica para matricializarla .
En otras palabras, para la transformacin no lineal (afn)
T : R2 R2 | T ((x, y)) = (x + x0 , y + y0 )
puedes encontrar una matriz asociada, y en ese aspecto parecera que puedes verla como una entre dos espacios que ya no sern R2 desde los
cuales la transformacin se ve lineal .
La idea es: hagamos que la transformada del vector v sea el vector v 0 y que
la relacin sea
v 0 = m v + v0
donde v0 es una constante y m es la matriz asociada a la parte lineal de la relacin. Parece hasta natural que hagamos un cambio de variables y escribamos
143
B-5. Guin de figura
la relacin como
"
v0
"
=
m v0
#"
v0 = m
bv
donde la relacin se ve como si fuera lineal nota (importante) que ya estamos fuera de la formalidad de los espacios vectoriales, solamente queremos
aprovechar lo que sabemos del lgebra matricial
Escribe la TNL T : R2 R2 | T ((x, y)) = (x + 1 , y + 2) en forma

matricial.
Ejemplo B.7.
p
Podemos proponer una matriz como
1 0 1
x
x+1
0 1 2 y = y + 2
0 0 1
1
1
Como si fuera una funcin que va del plano z = 1 a s mismo. La expresin
de arriba tiene todo el aspecto de
0
T [u] = [v]
donde la relacin se ve lineal aunque no lo sea.
En una entrada de apndice posterior Apndice C-1, hemos de completar este abordaje, refirindonos a una roto-traslacin.
B-5.
Guin de figura
En algn momento de tu carrera trabajars con software matemtico como

Matlab o sus contrapartes libres como Freemat, Octave, Maxima, Xcas. La
figura 3.4, en pgina 54, ha sido creada en el entorno Matlab, he aqu el guin
que la produce:
%rotaX
muestra
N = 30;
v = [1.2;1.2;0];
z = [0;0;0];
fig=figure;
for k=2:N+1
cmo dibujar una rotacion

%facetas (puedes cambiar)
a = pi/N/2; s = sin(a); c = cos(a);
R = [1 0 0;0 c -s;0 s c];
V = zeros(3,N+1);
V(:,1) = v;
%genera vectores rotados
144
B-5. Guin de figura
V(:,k) = R*V(:,k-1);
E = [z V(:,k-1:k)];
x = abs(1-0.5*(2*(k-2)/(N-1)-1)^2);
patch(E(1,:),E(2,:),E(3,:),[0 x 0],FaceAlpha,0.8, %
EdgeAlpha,0);
end
gr = .9*[1 1 1];
mr = [128 64 64]/256;
set(fig,color,gr,Name,Utilice cono Rotate3D);
set(gca,Zcolor,gr,Ycolor,gr,Xcolor,gr,XDir,%
reverse,YDir,reverse)
text(0,0,2.1,{\it{\bfZ}});
%Nombres de ejes
text(0,2.1,0,{\it{\bfY}}); text(2.1,0,0,{\it{\bfX}});
mo = [0 0 0 0 0]; mm = [0 1 1 0 0]; md = [0 0 1 1 0];
patch(2*mm,2*mo,2*md,.7*[1 1 1],FaceAlpha,0.5,EdgeAlpha,0);
patch(2*md,2*mm,2*mo,[.9 .9 .8],FaceAlpha,0.5,EdgeAlpha,0);
patch(2*mo,2*md,2*mm,.6*[1 1 1],FaceAlpha,0.5,EdgeAlpha,0);
v = [zeros(3,1) V(:,ceil(N/3))];
line(v(1,:),v(2,:),v(3,:),color,[.2 .2 1],LineWidth,2);
line(V(1,:),V(2,:),V(3,:),color,[0 .8 0]);
view(3); axis image
a = v(4); b = v(5); c = v(6); h = 1.8; p = 0.05;
line(a*(mo+1),md*b,mm*c,Color,mr)
line(a*(mo),md*b,mm*c,Color,mr)
line([0 a NaN 0 a NaN 0 a NaN],[b b NaN b b NaN 0 0 NaN],%
[0 0 NaN c c NaN c c NaN],Color,mr)
H = [h h 2 h]; P = [0 p 0 0];M = [0 0 0 0];
patch(H,P,M,k,FaceAlpha,1,EdgeAlpha,0)
patch(H,M,P,k,FaceAlpha,1,EdgeAlpha,0)
patch(P,H,M,k,FaceAlpha,1,EdgeAlpha,0)
patch(M,H,P,k,FaceAlpha,1,EdgeAlpha,0)
patch(M,P,H,k,FaceAlpha,1,EdgeAlpha,0)
patch(P,M,H,k,FaceAlpha,1,EdgeAlpha,0)
%FIN rotax.m
145
B-5. Guin de figura
146
Apndice C
Ms sobre Isometras
C-0.1. Reflexin respecto de una recta cualquiera en el plano . . 147
C-0.2. Definiciones importantes . . . . . . . . . . . . . . . . . . . 149
C-0.3. Espacios Normados . . . . . . . . . . . . . . . . . . . . . . 151
C-1.Rotacin alrededor de un punto que no es el origen de coordenadas en el plano . . . . . . . . . . . . . . . . . . . . . . . . . . . .
153
C-0.1. Reflexin respecto de una recta cualquiera

en el plano
La idea es encontrar la expresin para reflejar cualquier punto respecto de
un eje de simetra cualquiera no los casos estudiados respecto de los ejes
coordenados o respecto de la recta y = x modelizado como la recta y = mx.
Esto es estudiar una reflexin bastante genrica, aunque en el plano.
Necesitaremos recordar nuestros conocimientos para encontrar una matriz asociada a esa transformacin lineal de reflexin. Observa como ayuda la
figura C.1 que ilustra la posicin del vector v y su transformado v 0
u, dado por y = mx
2v
u
vu
v0
X
Figura C.1: Reflexin alrededor de una recta cualquiera
Nota que vu es la proyeccin de v sobre la direccin de u. Naturalmente, u
es la direccin de la recta y = mx, es decir u = (1, m). Este modelo nos sirve
147
Apndice C. Ms sobre Isometras
excepto cuando la recta se transforma en el eje Y, donde lo cambiaramos por

u = (0, 1).
Llamemos Ru a la TL que mapea un vector v en su reflexin a lo largo de la
direccin u, y [Ru ] a la matriz asociada. Matricialmente
[v 0 ] = [Ru ] [v]
claramente se ve en la figura C.1 la relacin
v 0 = 2vu v
Podemos pensar que hay dos transformaciones lineales:
la primera, Pu , que mapea v en 2vu , dos proyecciones sobre el eje u, y
la segunda,Op , que mapea v en su opuesto v , simblicamente. . .
Pu : R2 R2 | Pu (v) = 2vu
Op : R2 R2 | Op (v) = v
y. . .
000
00
[v ] = [P ] [v]
[v ] = [Q] [v]
Por lo que la matriz asociada [Ru ] debe ser1
[Ru ] = [P ] + [Q]

La matriz Q es simplemente I =

1
0
.
0 1
El problema es entonces encontrar la matriz asociada [P ] a la transformacin Pu . Como siempre, mapearemos la base cannica proyectando sobre u.
El vector proyeccin de v sobre u es colineal con u, y el mdulo es simplemente
el producto escalar de v contra un versor de u
vu =
vu u
vu
=
u
|u| |u|
uu
y aplicado al primer vector v = e1 = (1, 0)
(1, 0) (1, m)
Pu (e1 ) = 2
(1, m) =
1 + m2
2
2m
,
1 + m2 1 + m2
con lo que, y del mismo modo tenemos que
2
1 + m2
[Pu (e1 )] =
2m
2m
1 + m2
[Pu (e2 )] =
2m2
1 + m2
1 + m2
Recuerda en las secciones 2-4.1 y 2-4.2 que la transformacin suma de dos transformaciones lineales, o la de una TL escalada, es tambin lineal.
148
por lo que la matriz [P ] ser
2
[P ] =
1 + m2
"
m m2
Y la matriz buscada es
2
[Ru ] =
1 + m2
"
1
=
1 + m2
m m2
"
+
0 1
1 m2
2m
2
2m
m 1
Ejercicio C.1.
encuentra la matriz asociada a la reflexin sobre la direccin dada por y = x. (Comprueba el resultado con un ejercicio
similar ya hecho)
Ejercicio C.2.
encuentra la matriz asociada a la reflexin sobre la direccin

dada por y = 2x
C-0.2.
Definiciones importantes
Un isomorfismo es una transformacin biyectiva entre espacios de la misma dimensin. Dos conjuntos son isomorfos si se puede definir entre ellos una
transformacin uno a uno, es decir: cada elemento de un conjunto est relacionado con uno y solo un elemento del otro conjunto y viceversa.
Como lo que sucede en una transformacin inversa: si L : V V 0 | L (v) = v 0 ),
su transformacin inversa, tal que
S : V 0 V | S (L (v)) = v
Hagamos S = L1 .
V0
V
L
v
L(v) = v 0
v0
L1 (v 0 ) = v
L1 (L(v)) = v
L1
Figura C.2: Funcin inversa

En forma general, un morfismo f es una transformacin de (V, +, K, ) en
(V 0 , , K, ) tal que
f (u + v) = f (u) f (v)
f (k v) = k f (v)
149
(C.1)
para todos u, v V y para todo k K

Si f , adems de la (C.1) fuera inyectiva2 se llamar monomorfismo.
Si f adems de la C.1 es sobreyectiva3 se llamar epimorfismo.
Si f adems de la C.1 es biyectiva4 se llamar isomorfismo.
Si f es un isomorfismo en el mismo espacio (f : V V ) se llama automorfismo y esos son los casos que estudiamos en este libro, es decir que
estudiamos los automorfismos isomtricos.
Los isomorfismos no pueden darse entre espacios de diferente dimensin finita: supn que dim(V ) < dim(V 0 ), no podr ser sobreyectiva, porque cada
elemento de V estar lineal apareado a lo sumo con uno distinto de V 0 ,
es decir: la dimensin de la imagen ser como mximo la de V , luego no ser
sobreyectiva. . . por tanto tampoco biyectiva, y por ello no tendr inversa, y finalmente no ser un isomorfismo. Si supones la posibilidad dim(V ) > dim(V 0 )
no hay forma de que sea inyectiva. En otras palabras, en alguno de ellos van
a sobrar elementos .
Por eso puedes hablar de complejos y vectores posicin en el plano como
si fueran la misma cosa, porque son isomorfos: para cada complejo existe un
solo vector posicin; y viceversa, para cada vector posicin en el plano existe
un nico complejo. Has de notar que los nmeros complejos son escalares
(5 ) y los vectores del plano son vectores puede formar el espacio (R2 , +, R, )
de dimensin 2.
Los elementos vector posicin o punto del espacio 2dimensional, y los nmeros complejos vienen de estructuras diferentes; slo comparten el hecho de ser
isomorfos.
Inyectiva: un elemento de la imagen tiene una sola pre-imagen, o: distintos elementos del
dominio tienen distintas imgenes.
3
Sobreyectiva : todos los elementos del codominio tienen preimagen, o : el conjunto de las
imgenes es igual al conjunto del codominio
4
Biyectiva : si es a la vez inyectiva y sobreyectiva, o sea hay una relacin uno a uno entre
los elementos del dominio y el codominio, y por lo tanto visto desde arriba ambos conjuntos
son intercambiables
5
Aunque, como en el caso de los reales pueden pensarse como vectores haciendo
(R, +, R, ) de dimensin 1 pueden ser vectores de un espacio vectorial al formar por ejemplo
el espacio (C, +, R, ) de dimensin 2, as como el espacio (C, +, C, ) de dimensin 1
150
C-0.3.
Espacios Normados
Las isometras se refieren a espacios normados, es decir espacios vectoriales donde se puede definir una al menos una norma (concepto muy asociado a distancia). La norma de un vector v se nota kvk . Las normas las puedes
pensar como funciones que tienen condiciones adicionales que cumplir.
N1 : kvk 0
es no negativa
N2 : kvk = 0 v =
nula, solo el vector nulo
(C.2)
N3 : kk vk = |k| kvk
escalamiento
N4 : ku + vk kuk + kvk
desigualdad triangular
Muchas veces las normas estn asociadas a los productos escalares definidos
en un espacio vectorial.
Prueba
en { Rn , +, R, } el producto escalar ms comn es: u v =
i=1 ui vi , exactamente el que conoces.
El resultado es un nmero real (ley de composicin externa).
Pn
Prueba
en { Cn , +, C, } el producto escalar ms comn es: u v =
i=1 ui vi , donde v es el conjugado de v , en este caso no se

cumple la conmutatividad, sino que (u v) = (v u) .
El resultado es un nmero complejo (ley de composicin interna).
Pn
La norma ms conocida para espacios tipo Rn , es la norma 2 . . .
kvk2 =
vv
p
= hv, vi
q
= v12 + v22 + + vn2
q
= [v]> [v]
producto escalar
(C.3a)
producto interno
(C.3b)
distancia (componentes)
(C.3c)
matriz de coordenadas
(C.3d)
. . . que en el caso Rn es el mdulo al que estamos acostumbrados
kvk2 = |v|
en
Rn mdulo
(C.4)
Como ejemplo se puede tomar esta otra norma para Rn
kvk = max (|vi |)

i
(C.5)
donde vi es la i-sima componente de v . Y el vector (1, 3, 2) tiene norma infinito al nmero 3.

151
Ejercicio C.3.
Prueba que kvk = m

axi (|vi |) es realmente una norma. Esto
es pedir que se verifiquen las ( (C.2)).
Para espacios de matrices, se suele usar las mismas normas anteriores,

pero inducidas.
Por ejemplo: k[ M ]k2 es la norma dos inducida en el espacio Rmn , y se
la calcula mediante el mximo bajo la misma norma que le produce a un
vector compatible de norma dos unitaria del espacio Rn .
[ M ] [ x ] = y k[ M ]k2 = max { kyk2 }

kxk2 =1
En otras palabras: para el caso de la norma 2 y el espacio de las matrices

de 2 2 se hallan los vectores mapeados de la circunferencia unitaria, y se
escoge como medida, la del mapeado de mayor norma dos.

Ejercicio C.4.
Prueba que la norma 2 inducida para la matriz A =
1 2
2 1
es kAk2 = 3.

Ayuda: v =
cos
sen

es de norma 2 unitaria,
luego v 0 = Av , y |v 0 | =
5 + 4 sen 2
d|v 0 |
la derivada d es nula en 1 = /4 y 2 = 3/4 (debes tomar

el mximo, no el mnimo)
Ejercicio C.5.
Comprueba

que la norma infinito inducida para la matriz
A=
1 2
2 1
es kAk = 3.
Ayuda: como todas las entradas

de la matriz son positivas, el
vector ms grande es el v =
1
...
1
Es ms: puedes probar que para cualquier matriz, la norma

infinito es la mayor de las sumas de los valores absolutos de
las columnas
El boceto norma-inducida.ggb ilustra los dos ltimos problemas para diferentes matrices, si te interesa puedes pedrmelo por correo.
Para el espacio de las funciones reales y continuas en el intervalo [0, 1] la
norma ms popular es
|f (t)| dt
0
Hemos visto que a cualquier espacio vectorial se lo puede dotar de una norma.
Todas las normas definibles para un espacio vectorial son equivalentes:
kvkX = k0 kvkY
donde k0 es una constante fija
152
C-1. Rotacin alrededor de un punto que no es el origen de coordenadas en el plano
En general una isometra es un isomorfismo que conserva la norma
k T (v)kW = kv 0 kW = k0 kvkV
(C.6)
con k0 una constante (fija).
C-1.
Rotacin alrededor de un punto que no es el origen

de coordenadas en el plano
Retomando lo trabajado en (B-4) pag.143 sobre la linealizacin de una

traslacin y teniendo en mente la transformacin compuesta (ecuacin 3.7),
tratado en (ejercicio 3.2) pag.52; y para la rotacin de la segmento de la figura respecto del punto A lo cual significa trasladar la semirrecta hasta el
B 0000
B
b
A A0000
a
k
Figura C.3: Rotacin del segmento AB respecto del punto A

origen, luego rotarla un ngulo , y finalmente, volver a trasladar lo rotado en
direccin contraria.
La matriz asociada a la transformacin linealizada de traslacin
1 0 k
[ T1 ] = 0 1 h
0 0
1
traslada A al origen
suponiendo que las coordenadas relativas de B respecto de A sean (a, b), T1
0 a
traslada el segmento AB al 0B 0 = 0 b
1 1
La matriz asociada a la rotacin es
cos sen
[ T2 ] = sen
cos
0
0
0
0
1
rota B a B
Finalmente la traslacin al revs
1 0 k
[ T3 ] = 0 1 h
0 0 1
traslada el origen a
153
A0000
C-1. Rotacin alrededor de un punto que no es el origen de coordenadas en el plano
Entonces la transformacin linealizada que logra nuestro cometido es
[T ] = [T3 ] [T2 ] [T1 ]
1 0 k
cos sen 0
1 0 k
= 0 1 h sen
cos 0 0 1 h
0 0 1
0
0 1
0 0
1
cos sen k (1 cos ) + h sen

= sen
cos h (1 cos ) k sen
0
0
1
. . . aplicado [ T ] al segmento AB . . .
cos sen k (1 cos ) + h sen

k k+a
= sen
cos h (1 cos ) k sen h h + b
0
0
1
1
1
k
a cos b sen + k
=
h
a sen + b cos + h
1
1
o aplicando [ T ] a las diferencias
a
a cos b sen
[ T ] b = a sen + b cos = AB 0000
0
0
naturalmente, T (AB) y AB tienen el mismo mdulo. Concretando, la transformacin T que hace girar todas las cosas un ngulo , a partir del punto A
es
T : R2 R2 |

T (x, y) = k + (x k) cos + (h y) sen ,

h + (x h) sen + (y h) cos

x
. . . como puede comprobarse luego de hacer [ T ] y , y eliminar la tercera
1
ficticia componente.
154
Apndice D
Mas sobre autovalores y
autovectores
D-1.Teorema de Cayley-Hamilton
. . . . . . . . . . . . . . . . . . . . .
155
D-1.1. Polinomio Mnimo . . . . . . . . . . . . . . . . . . . . . . . 156

D-1.2. Prueba del teorema de Cayley-Hamilton . . . . . . . . . . 157
D-2.Matrices relacionadas y sus pares autovalor-autovector . . . . .
158
D-2.1. Escaladas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158

D-2.2. Inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
D-2.3. Producto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
D-2.4. Polinomio caracterstico de matrices de 2 2 y 3 3 . . . 161
D-2.4.1.Uso de otras variables . . . . . . . . . . . . . . . . 162
D-3.Mtodo de Newton-Raphson (Races) . . . . . . . . . . . . . . . .
163
D-3.0.2.Aplicacin a matrices simtricas de 3x3 . . . . . . 166

D-3.0.3.Aplicacin a matrices NO simtricas de 3x3
. . . 168
Tratamos algunas demostraciones interesantes, y el teorema de CayleyHamilton, muy usado en la teora de control de sistemas dinmicos.
D-1.
Teorema de Cayley-Hamilton
El TCH es fundamental, y dice que
una matriz satisface su propio polinomio caracterstico.
155
D-1. Teorema de Cayley-Hamilton
Apndice D. Mas sobre autovalores y autovectores
Podemos comprobarlo

con los ejemplos que hemos desarrollado, en particular
1 2
, cuyo polinomio caracterstico es A () = |I A| =
2 1
2 2 3, entonces el teorema se aplica a A en la forma:
cuando A =
A (A) = A2 2A 3I

2

1 2
=
2
2 1

5 4
2
=
4 5
4

0 0
=
0 0
=

1 2
2 1

4
3
2
0
3 0
0 3

0
3
la matriz nula. Lo que hemos hecho ha sido reemplazar el escalar por la

matriz A, y recordando que A0 = I es la matriz identidad.
Este resultado tiene diferentes aplicaciones en la ingeniera.
El polinomio caracterstico se dice que es anulador ya que el resultado
es la matriz nula. Pero en ocasiones no es el nico anulador. Un polinomio
anulador es el que cumple con la condicin PA (A) = .
D-1.1.
Polinomio Mnimo
El polinomio anulador de menor grado se llama polinomio mnimo y se

denota
pA () =
Este es otro resultado que tambin se usa en ingeniera. Cobrar sentido como
apndice del prximo captulo, cuando no puedas diagonalizar una matriz, y
te conformas con dejarla casi diagonal, lo que se llama la forma cannica
de Jordan.
7 16 8
Para la matriz A = 16
7
8 del ejemplo 4.11, hemos
8
8 5
Ejemplo D.1.
calculado que. . .
p
. . . el polinomio caracterstico es A () = (+9)2 (27), y el TCH asegura
156
D-1. Teorema de Cayley-Hamilton
que
A (A) = (A + 9I)2 (A 27I)

2
16 16 8
20
= 16
16
8 16
8
8
4
8

20
4 4 2
1
=
4
4
2 16
144
8
2
2
1
16 8
20
8
8 32

0 0 0
16 8
20
8 = 0 0 0
0 0 0
8 32
mientras que el polinomio mnimo es
pA (A) = (A + 9I)(A 27I) =

como lo puedes comprobar.
Aclaracin: Este es un caso donde la matriz como vers ms adelante
es diagonalizable, estamos ejemplificando nicamente la existencia del polinomio mnimo distinto al polinomio caracterstico.
Cundo puedes asegurar que el pA () = A () polinomio mnimo es tambin el caracterstico.
D-1.2.
Prueba del teorema de Cayley-Hamilton
Lo haremos para una matriz de n = 4, pero el resultado puede generalizarse para cualquier n.
Recuerda que
A (x) = x4 + a3 x3 + a2 x2 + a1 x + a0
para una raz cualquiera x = tenemos que
A () = 0
A v = v
A2 v = A A v = Av = A v = 2 v
A3 v = A A2 v = A2 v = 3 v
A4 v = A A3 v = A3 v = 4 v
Luego...
A (A) v = (A4 + a3 A3 + a2 A2 + a1 A + a0 I) v
= A4 v + a3 A3 v + a2 A2 v + a1 A v + a0 I v
157
D-2. Matrices relacionadas y sus pares autovalor-autovector
por lo visto arriba...
= 4 v + a3 3 v + a2 2 v + a1 v + a0 I v
= (4 + a3 3 + a2 2 + a1 + a0 I) v
= A () v
=0v
=
Entonces, en general
Pn
k
Si A (x) =
an = 1 es el polinomio caractek=0 ak x ,
rstico de una matriz A de n n, y es un autovalor de
A, entonces
P
A () = nk=0 ak k = 0 y adems
A (A) =
D-2.
Matrices relacionadas
autovector
D-2.1.
sus
Pn
k=0
ak Ak =
pares
autovalor-
Escaladas
Hemos de probar en forma genrica y completa la relacin entre los pares

autovalor-autovector de una matriz A y de su matriz escalada B = kA, k 6= 0.
Lema D.1. Sea A una matriz con un par autovalor- autovector , v ; el co
rrespondiente de B = kA ser k, v , provisto que k 6= 0.
Prueba
Supongamos por ahora que el par a-a para B = kA fuera (, w), entonces
debe darse que
Bw = w
158
, es decir y teniendo en cuenta que k 6= 0

= (I B) w = k I kA w
k

=k
IA w =
k
pero como para A se cumple (, v), la ltima es
k (I A) v =
recogemos naturalmente que ten en cuenta que k no es cero, ni w ni v
son el vector nulo debe ser w = v y = k, y ya est.
D-2.2.
Inversas
Lema D.2. Una matriz invertible no puede tener autovalor cero.
Prueba
Supongamos que una matriz tiene un autovalor cero, asociado a un autovector v , por propiedad de espacio vectorial el producto 0v es el vector
nulo
Av = v = 0v =
en definitiva para ese par se cumple queda
Av =
, admitamos ahora que existe la inversa de A
A1 Av = A1
propiedad producto matricial
==v
absurdo
el sostener que A en esas condiciones admite inversa, requiere el imposible de que el autovector asociado sea nulo, con lo cual A no admite
inversa, y ya est.
Lema D.3. Sea A una matriz invertible, si un par autovalor- autovector de A

es , v , el correspondiente de A1 ser 1 , v .
Prueba
Supongamos A invertible. El contra-recproco del lema anterior nos permite afirmar que 6= 0 en la lgica, p q es equivalente a su contra-
159
recproco q p entonces
1 v = 1 A1 Av
1
matriz identidad
= A v
asociatividad y
=A v
Av = v
propiedad de las matrices
la primera y la ltima escritas en el modo normal hacen
A1 v = 1 v
recogemos naturalmente que el par a-a de la inversa es (1 , v) y ya est.
D-2.3.
Producto
Hemos visto que la composicin de dos transformaciones lineales es otra

transformacin lineal, y su matriz asociada es el producto de las matrices

asociadas. Para la composicin U1 = A B(v) es [ U1 ] = [ A ] [ B ]; mientras que

para la composicin U2 = B A(v) resulta [ U2 ] = [ B ] [ A ].
Lema D.4. AB y BA comparten los autovalores.
Prueba
Supongamos que existen AB y BA, lo cual significa que ambas son cuadradas y de la misma dimensin. Supongamos que una de ellas A es
invertible. De esta manera el polinomio
|I AB| = |I A1 (AB)A|
= |I BA|
por similaridad,
A es invertible
asociatividad producto matrices
Como ambas tienen el mismo polinomio, comparten los autovectores, y

ya est.
Cuando ambas matrices son singulares no son invertibles tambin se
da que los autovalores de AB son los mismos que los de BA, pero la prueba
requiere alguna habilidad que escapa a nuestros objetivos.
En cuanto a los autovectores, si supusiramos que el producto AB posee

el par a-a , v , entonces BA posee el par a-a , A1 v . Veamos porqu:
por similaridad, suponiendo que existe A1 AB y BA comparten el autovalor ; y adems, como hemos visto en la ec.(4.11), si M v = v entonces
C 1 M C(C 1 v) = C 1 v , que en este caso M hace el rol de AB y C el rol de A:

AB : , v A1 ABA = BA : , A1 v
160
D-2.4. Polinomio caracterstico de matrices de 2

2 y 33
Necesitaremos una definicin preliminar: la traza de A es la suma de los
elementos de la diagonal, si A = (aij ),
T r (A) =
n
X

aii , por ejemplo T r
i=1
1 9
2 5

=1+5=6
dems est decir que |A| = det (A)

Matrices de 2 2
A () = 2 T r (A) + |A|
Prueba

a11 a12
Sea a matriz A =
, sabiendo que el determinante y la traza de
a21 a22
A se calculan como
|A| = a11 a22 a12 a21
Tr(A) = a11 + a22
(D.1)
(D.2)
formemos el polinomio caracterstico:

a11
a12
A () =
a21 a22
= ( a11 )( a22 ) a12 a21

= 2 (a22 + a11 ) + a11 a22 a12 a21
= 2 T r (A) + |A|
y ya est.
Matrices de 3 3 A () = 3 T r (A) 2 +
3
P
|Aii | |A|
i=1
Prueba
Recordemos que |Aij | es el determinante del menor que queda despus
de retirar la fila i y la columna
j de la matriz A.
a11 a12 a13
Sea a matriz A = a21 a22 a23 , sabiendo que el determinante y la traza
a31 a32 a33
161
de A se calculan como
|A| = a31 |A31 | a32 |A32 | + a33 |A33 |
(D.3)
Tr(A) = a11 + a22 + a33
(D.4)
|A11 | = a22 a33 a23 a32

|A22 | = a11 a33 a13 a31
|A33 | = a11 a22 a12 a21
formemos el polinomio caracterstico:

a11

a
a
12
13

A () = a21 a22
a23

a31
a32 a33

a
a
12
13
+ a32 a11 a13
= a31

a22 a23
a21 a23

a11
a12
+ ( a33 )
a21 a22
= a31 (|A|31 + a13 ) + a32 (|A|32 a23 ) +

+ ( a33 ) |A33 | (a11 + a22 ) + 2
= a31 |A|31 a13 a31 + a32 |A|32 a23 a32 +
+ |A33 | (a11 + a22 )2 + 3 a33 |A33 | + a33 (a11 + a22 ) a33 2
3
= T r(A) +
3
X
|Aii | |A|
i=1
y ya est.
D-2.4.1.
Uso de otras variables
En la carrera de ingeniera, se usa a menudo el polinomio caracterstico de

una matriz cuadrada, con una notacin diferente, por ejemplo
A (s) = s2 4s + 4
Transformada de Laplace o de Fourier
A (z) = z 4z + 4
L|F
Transformada Zeta
donde s = + j y z = R(z) + jI(z) son variables complejas. Las definiciones:
L (f (t)) =
es t f (t)dt
T. Laplace unilateral
es t f (t)dt
T. Laplace bilateral
L (f (t)) =
162
D-3. Mtodo de Newton-Raphson (Races)
La transformada de Fourier es ms estricta:
ej t f (t)dt
F (f (t)) =
T. Fourier
Ambas anteriores son para funciones de tiempo continuo. Finalmente las Zeta,
que son para funciones de tiempo discreto.
Z (f (t)) =
Z (f (t)) =
X
0
f (n T )z n
T. Zeta unilateral
f (n T )z n
T. Zeta bilateral
Las transformadas te ayudan a efectuar clculos complejos con funciones

en el tiempo mediante clculos equivalentes ms simples en la frecuencia. Es
una operacin de ida f (t o kT ) 7 F (s o z), clculo F
G, y vuelta
G(s o z) 7 g(t o kT ). Donde T es el tiempo de muestreo, kT es el tiempo
discreto y t el tiempo analgico o continuo.
D-3.
Mtodo de Newton-Raphson (Races)
Pensemos en una funcin real (dominio), real valuada (codominio) :

R 7 R, cuya ley () es conocida, y supongamos que quisiramos encontrar
sus races, es decir los valores de la variable independiente que anulan la
imagen (). ste es un problema con el que nos podemos encontrar fcilmente. . . solo piensa que ests interesado en la obtencin de los autovalores
de una matriz de 3 3 o de mayor dimensin. . . tienes un polinomio de grado
3 o mayor cmo calculas los autovalores?
En la figura D.1 aparece el fundamento del mtodo:
1. Calculamos el valor de la funcin en un punto que sospechamos est
cerca de una raz. Llamamos a ese punto 0 la semilla del algoritmo
2. Calculamos la recta tangente a la funcin en ese punto. Nos interesa la
raz de esa tangente, llammosla 1 . Bajo ciertas condiciones este valor
de la variable est ms cerca de la raz buscada, de modo que
3. Iterando varias veces nos acercaremos tanto como queramos a una raz.
En este caso diremos que el algoritmo converge a la solucin
Deduzcamos una expresin para el mtodo:
Escogemos una semilla 0 y calculamos la recta tangente: su pendiente m0
no es ms que la derivada de la funcin en ese punto, m0 = 0 (0 ), y debe
ser igual a
0 (0 ) =
(0 )
0 1
163
()
(0 )
3
0
m0
(1 )
m2 m1
Figura D.1: Ilustracin mtodo de Newton-Raphson
de donde
1 = 0
(0 )
0 (0 )
En la prxima, el valor siguiente de tendr una expresin equivalente, de

modo que en un paso genrico k + 1, la expresin ser
k+1 = k
(k )
0 (k )
(D.5)
Ilustremos el caso con un ejemplo
Para el polinomio () = 3 52 4 + 20, cuyas races son las

mismas que el representado en la figura D.1 nada ms que el polinomio
est dividido por 10, calcula las races mediante el mtodo de NewtonRaphson.
Ejemplo D.2.
p
0
2
La derivada de la funcin es d
d = () = 3 10 4, cuyos ceros
1
0
(c ) = 0 se dan en c = 3 (5 37), es decir que entre dos puntos
crticos en el intervalo [0.4283, 3.7616], debe haber una raz; utilicemos la
164
semilla 0 = 0.3 y efectuemos los clculos iterativos que indica la ec. (D.5):
(0.3)
= 3.03060921248
0 (0.3)
(3.03060921248)
= 3.03060921248 0
(3.03060921248)
(1.51846303533)
= 1.51846303533 0
(1.51846303533)
(1.99930202736)
= 1.99930202736 0
(1.99930202736)
(1.99999995946)
= 1.99999995946 0
(1.99999995946)
(2)
=2 0
=2
(2)
1 = 0.3
1
1
1
1
1
= 1.51846303533
= 1.99930202736
= 1.99999995946
=2
La raz buscada es 2.
Detalles
Cuando sucede como en este caso que la raz
es entera no hay dudas que la sucesin
:
{ 0.3, 3.0306092124, 1.5184630353, 1.9993020273, 1.9999999594, 2. }

converge y tenemos una respuesta. Si la raz no fuera
entera o la convergencia no se diese muy rpidamente
en pocas iteraciones
La forma de salir exitosamente del algoritmo es fijar
de antemano una diferencia entre sucesivos valores de
la variable, por ejemplo |k+1 k | < 0.001 y si sto se
da estaramos cometiendo errores no mayores a un
milsimo, aceptar el valor k+1 obtenido como la raz
buscada, en forma aproximada.
Puede que la sucesin no converja los valores de se

separan cada vez ms, u oscilan alrededor de un valor.
La forma de abandonar es habilitar un contador que se
incremente cada vez que |k+1 k | |k k1 |.
En ese caso puedes proceder a cambiar de semilla. Es
probable que hayas cado cerca de un mximo o un
mnimo de la funcin , con lo que su derivada en ese
punto sea muy pequea, y con ello el trmino restado de
la ec.(D.5), muy grande, con lo que te alejas de la raz,
de modo que el algoritmo no puede regresar. . . o que para una semilla, la tangente te lleve a un valor donde se
165
repite la tangente y te lleve de nuevo a la semilla.
D-3.0.2.
Aplicacin a matrices simtricas de 3x3
Usa esta tcnica para encontrar buenas semillas para el posterior clculo
de las races de un polinomio caracterstico de una matriz A R33 simtrica
mediante el mtodo de Newton-Raphson, cuando el polinomio caracterstico
est dado el la forma general. . .
A () = a0 + a1 + a2 2 + 3
= ( 1 ) ( 2 ) ( 3 )
. . . que est asegurado si procedes a calcular el polinomio caracterstico con
la expresin |I A|. Procede de la siguiente manera:
D-3.0.2.1.
Algoritmo
Semillas
p
a22 3a1
a2
B=
; 0 =
3
3
>0
P = 0 B
Q = 0 + B
() =
( 0 )3
(P )
(Q )
0,0 = 0
0,1 = P B
0,2 = Q + B
=0
=0
= ( Q )2 ( K )
= ( P )2 ( K )
0 = P B
0 = Q + B
Fin
Figura D.2: Algoritmo obtencin de semillas A = A> R33
Las semillas que calcula el algoritmo de la figura D.2 valen para calcular
recursiva y tal vez aproximadamente las races del polinomio mediante la
166
frmula de Newton-Raphson adecuado a este caso:
A (k )
A0 (k )
3 + a2 2 + a1 k + a0
= k k 2 k
3k + 2a2 k + a1
3
2 + a2 2k a0
= 2k
3k + 2a2 k + a1
k+1 = k
(D.6)
el algoritmo comienza en k = 0 con la semilla 0 .

Sin embargo cuando A simtrica es rala, podrs calcular a las races antes
de llegar al polinomio caracterstico en forma general,
Por ejemplo

1

1 2 0
2
0

A= 2 2 0
por fila 3 . . . |I A| =
2 2
0

0 0 3
0
0 3
desarrollando por la tercera fila tienes
A () = ( 3) [( 1) ( 2) 4]

= ( 3) 2 3 2
resolviendo slo la parte de segundo grado, tienes

A () = ( 3)

3+ 17

3 17
2
Este
lo podrs hacer tambin cuando la matriz A de la forma
procedimiento
a d e
A = d b f cumpla con cualquier expresin
e f c

ba=
e
f
e f

d;
cb=
e d
d e

f;
ca=
f
d
d f

e
a d e
Por ejemplo la matriz A = d a e cumple con la primera
e e c
167
de las condiciones de arriba, el polinomio caracterstico ser

x a d
e

d x a
Lnea 1 -Lnea 2 arroja
e

e e x c

x a + d (x a + d)

0

d
xa
e

e
e
xc

1
1
0

(x a + d) d x a
e
e e x c
ya tienes un factor
eliminando
e, d()

1

1
0

(x a + d) 0 x a d
e
0
2e
xc
Ese nuevo determinante, por ms complicado que se vea, ser un polinomio de grado 2, de cual calculars los otros dos
valores caractersticos.
D-3.0.3.
Aplicacin a matrices NO simtricas de 3x3
Cuando la matriz no es simtrica, no estar garantizado que
A () = a0 + a1 + a2 2 + 3
tenga tres races reales, por lo que la tcnica anterior no ha de funcionar
siempre. Lo que puedes hacer en este caso es
1. Halla un intervalo simtrico [r , r], donde seguro estn todas las races
reales:
r = 1 + max {|a0 | , |a1 | , |a2|}

2. Aplica el mtodo dado por la ecuacin (D.6) con la semilla 0 = r , ten
en cuenta que si en alguna iteracin k+1 cae fuera de [r , r], u oscila
entre dos valores, has que abandonar el algoritmo y has de empezar con
una semilla distinta, dentro del mismo intervalo.
168
Apndice E
Ms an sobre autovalores y
autovectores
E-1.Aplicacin de una transformacin ms de una vez
. . . . . . . .
169
E-1.1. Matriz asociada diagonal . . . . . . . . . . . . . . . . . . . 169

E-1.2. Movimiento de un autovector . . . . . . . . . . . . . . . 170
E-2.Espacios invariantes . . . . . . . . . . . . . . . . . . . . . . . . . . .
171
E-3.Base ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
172
E-3.1. Mtodo de Grahm-Schmidt . . . . . . . . . . . . . . . . . . 174

E-3.2. Mtodo del espacio generado
. . . . . . . . . . . . . . . . 175
E-3.3. Guin Matlab/Freemat para ortonormalizacin de bases . 176
E-1.
Aplicacin de una transformacin ms de una vez
La idea es volver aplicar una misma TL L : V V a un vector v de V .

Tomemos por ejemplo [ L ], la matriz asociada a L
[v 0 ] = [L] [v]
y luego
[v 00 ] = [L] [v 0 ]
Si lo hacemos todo de una vez, la nueva TL L2 estar asociada a la matriz
[v 00 ] = [L]2 [v]
hasta ac no hay nada nuevo, se trata de hallar la composicin L2 = L L
E-1.1.
Matriz asociada diagonal
La pregunta es:
Cmo sera la matriz asociada final si se tomara la base de autovectores de
169
E-1. Aplicacin de una transformacin ms de una vez
Apndice E. Ms an sobre autovalores y autovectores
[ L ]?
La respuesta viene luego del anlisis. . . estamos proponiendo que
L : V V | v 0 = L (v)
y entonces
[v 0 ]1 = [L1 ]1 [v]1
= Q1 [L] Q
1 0
0 2
= ..
..
.
.
0 0
[v]1 = DL [v]1

0
v1
0 v2
. .
..
. .. ..
n
vn
Claramente
[ L2 ] = Q1 LQ Q1 LQ = Q1 L2 Q
= DL DL = DL2
(
di,i = i
= (di,j ) donde
di,i = 0
Es una matriz diagonal con los autovalores al cuadrado en la diagonal.
E-1.2.
Movimiento de un autovector
Si (, v) fuera un par autovalor-autovector de [ L ] con el cuerpo de los

reales, entonces
Lv = v
L2 v = Lv = 2 v
Ln v = n v
La interpretacin en el campo de los reales, es que si el autovalor fuera cero

o uno, los sucesivos mapeos lo dejan invariante. Si fuera de valor absoluto
menor a 1, las sucesivas transformaciones lo acercaran al vector nulo, y el
rastro yacera en la lnea generada por { v }.
De la misma manera, si el autovalor fuera de valor absoluto mayor que 1, sucesivas transformaciones lo alejaran del origen, sobre la misma recta. Dems
est decir que cuando el autovalor es negativo, las sucesivas transformaciones
lo harn oscilar acercndose || < 1 o alejndose || > 1 del centro.
Esta podra usarse como una prueba grfica aproximada para encontrar un autovector. Lo ponemos en prctica en el archivo geogebra
mapeo15veces.ggb, el cual est disponible por correo electrnico.
Puedes generar algo parecido valindote de la capacidad de planilla de clculo
de Geogebra: En A1 .. B2 define la matriz asociada, luego selecciona los cuatro
170
E-2. Espacios invariantes
nmeros, haz clic derecho y elige Crea Matriz. Renombra la matriz creada a
L. Define un nuevo punto en la vista grfica, llmalo v. Vuelve a la planilla, en
C1 escribe =L*v, en C2 escribe =L*C1. Selecciona C2. Copia esto hasta C20,
para tener 21 puntos.
Por otro lado, si se utilizara un vector NO Autovector para hacer el experimento, el resultado no ser una lnea recta: cada vez que se mapee sucesivamente ese vector, no conservar la direccin. Puedes encontrar una transformacin lineal que bajo este experimento describa una espiral?, es decir, algo
como la figura
E-2.
Me puedes pedir el archivo espiral.ggb.
Espacios invariantes
Dada una TL L : V V , con dim (V ) = n finita, un conjunto de autovectores Ei = { v1 , v2 , , vk } todos asociados a un mismo autovalor i , es generador
de un subespacio.
Si el conjunto contiene el mximo nmero de autovectores linealmente independientes asociados al mismo autovalor, el espacio generado se denota Ei de
V ...
Ei = {u | L (u) = i u}, tales espacios se denominan subespacios invariantes y
son muy utilizados en la teora de control de sistemas fsicos dinmicos que
pueden describirse por ecuaciones diferenciales ordinarias, con nombres y
conceptos especficos.
Prueba
Sea A la matriz asociada a la transformacin lineal L. Y sean cada uno
de los autovectores v1 , v2 , , vk asociados a un autovalor i . Todos los
vj cumplen con la relacin
A vj = i vj
j = 1, 2, , k n
Considera adems el conjunto Ei de las combinaciones lineales de Ei =

{ v1 , v2 , , vk }, lo podemos escribir
(
Ei =
u|u=
k
X
)
j vj
j=1
Este es justamente el subespacio generado por Ei , es decir Ei = gen(Ei ),

veamos si este conjunto es cerrado, es decir si cualquier vector de ese
171
E-3. Base ortonormal
conjunto cumple A u = i u
Au =A
k
X
j vj
la definicin de
j=1
k
X
A (j vj )
A es cte., propiedad sumatorio
j (A vj )
escalamiento en matrices
j=1
k
X
j=1
k
X
j i vj
par autovalor-autovector
j=1
= i
k
X
j vj
i es constante en sumatorio
j=1
= i u
donde hemos probado que cualquier combinacin lineal de los autovectores de un mismo autovalor tambin es autovector del mismo autovalor,
y todos ellos forman un subespacio Ei de dim (Ei ) k nada hemos
dicho acerca de la dependencia o independencia de los autovectores
v1 , v2 , , vk , entonces esta prueba vale tambin para el caso de una
base de autovectores asociados a un solo autovalor.
Formalmente un subespacio invariante se da en las transformaciones lineales de un espacio en s mismo T : V V donde la imagen de un subespacio es
otro subespacio.
E-3.
Base ortonormal
Ya habamos dicho que si todos los autovectores en las columnas de una

matriz de nn son linealmente independientes (LI), stos pueden considerarse
una base de un espacio de dimensin n.
An cuando no se trate de matrices asociadas sino simplemente de bases,
el problema es el mismo: encontrar una base del mismo espacio en la que
todos los vectores son unitarios y normales entre s.
Formalmente : B = { v1 , v2 , , vn }
BN = { u1 , u2 , , un } | gen(BN ) = gen(B) ; ui uj = 0 i 6= j
En otras palabras, estamos tratando de encontrar una matriz de diagonalizacin ortogonal.
Este concepto no est solamente ligado a los espacios euclidianos, pero
nosotros nos limitamos a ellos.
172
Ejemplo E.1.
Encuentra una base ortonormal para el espacio generado por
B1 = { v1 , v2 }, siendo los vectores v1 = (2, 1, 0, 0) y v2 = (1, 1, 0, 0).
p
Es evidente que B1 no es ortonormal, ya que |v2 | > 1, y adems v1 v2 6= 0.
Este es un caso para poner en prctica la idea, porque puedes resolverlo
sin necesidad de teora alguna: construye el subespacio generado por B1 ,
el cual es S = {(x, y, 0, 0)} de donde obtienes BN 1 = {(1, 0, 0, 0) , (0, 1, 0, 0)}
por inspeccin.
Para desarrollar la idea, daremos dos mtodos para encontrar una base
BN = {u1 , u2 } que sea ortonormal.
1- Mtodo uno
1- a. Construyamos el espacio generado por B1
1- b. Tomemos un vector con la mayor cantidad de ceros
1- c. Propongamos otro vector del espacio, que adems sea normal a todos
los anteriores
1- d. Repitamos 1-c hasta agotar la cantidad de vectores normales necesarios
1- e. Dividamos cada vector encontrado por su mdulo y presentemos la
base
No es necesario decir que este mtodo en este caso lleva a la base encontrada en primer trmino.
2 - Mtodo dos.
Tomamos directamente el primer vector u1 = v1 y formamos u2 = v2 k1 u1 , de manera que como u1 y u2 deben ser normales el
producto escalar(1 )
u1 u2 = u1 v2 k1 u1 u1 = 0 k1 =
en este caso
k1 =
u1 v2
u1 u1
(2, 1, 0, 0)(1, 1, 0, 0)
5
=
(2, 1, 0, 0)(2, 1, 0, 0)
3
de donde
5
3
(1, 1, 0, 0) (2, 1, 0, 0)
5
5
= (1, 2, 0, 0)
u2 =
de modo que la base ortonormal es
BN 1 = { (0.4, 0.2, 0, 0), (0.2, 0.4, 0, 0) }

despus de cambiar cada vector ui por su versor correspondiente.
Esto parece tedioso, pero es el mtodo ms directo que garantiza la obtencin de la base ortonormal.
1
recuerda la distributividad del producto escalar en la suma: a (b + c) = a b + a c.
173
E-3.1.
Mtodo de Grahm-Schmidt
Para encontrar una base ortonormal BN = {

u1 , u2 , , un } a partir de una
base B = {v1 , v2 , , vn } haremos lo siguiente :
Mtodo de Grahm-Schmidt
1.
tomar
u1 = v1
2.
para k : 2 . . . n
uk = vk
3.
para todo k
uk =
uk
|uk |
k1
X
ui vk
i=1
ui ui
ui
Prueba
La demostracin es sencilla, supondremos tener la base de n vectores vi ,
y haremos los clculos que nos dice el mtodo
2a) u2 = v2
u1 v2
u1 , luego el producto escalar es(a )
u1 u1
u1 u2 = u1 v2
b) u3 = v3
u1 v2
u1
u1 = 0
u1
u1

u1 v3
u2 v3
u1
u2 y los productos escalares
u1 u1
u2 u2
u1 u3 = u1 v3
u2 v3
u1 v3
:0
u1 u1
u1
u
2

u1 u1
u2 u2
=0
u2 u3 = u2 v3
u1 v3
: 0 u2 v3 u u
u2
u
2
2
1

u1 u1
u2 u2
=0
porque ya habamos probado que u1 u2 = u2 u1 = 0
c) repetimos lo anterior, hasta agotar los vectores. Siempre se dar
que
uk ur = vk ur

u1 vk
u2 vk
u3 vk
u1 ur
u2 ur
u3 ur
u1 v1
u2 u2
u3 u3
uk1 vk
uk1 ur

uk1 uk1
donde todos los productos ur um6=r = 0, m { 1, 2, , k 1 } por

haberse probado en las etapas anteriores, y el producto ur ur se
cancela para probar que vk ur = 0 y consecuentemente normales.
174
3Despus de esta cuenta, todos los vectores u tornan versores

y ya est.
a
Ten en cuenta que
u1 v2
u1 u1
es un escalar
Si ordenas de otro modo la base de partida, posiblemente obtendrs una base

ortonormal distinta.
E-3.2.
Mtodo del espacio generado
Este mtodo es intuitivo, pero descansa mucho en la forma de expresar los

subespacios que hemos visto en el libro anterior. La aplicacin la entenders
mejor a partir de la comparativa, en el ejemplo siguiente.
Ejemplo E.2.
p
Ortonormaliza la base B = {(1, 0, 0, 1) , (1, 1, 0, 1) , (2, 3, 1, 1)}
Usando el mtodo GS:
u1 = (1, 0, 0, 1)
2
(1.0, 0, 1) = (0, 1, 0, 0)
2
u2 =
(1, 1, 0, 1)
u3 =
3
6
2
(2, 3, 1, 1) (1, 0, 0, 1) (0, 1, 0, 0)
2
2
2
= (1, 0, 2, 1)
con lo que la base pedida es

BN =
1
1
, 0, 0,
2
2

1
2 1
, (0, 1, 0, 0) , , 0, ,
6
6 6
y
p
no descartemos el mtodo del espacio generado
S = {(x, y, z, z + x)}
de donde podemos extraer dos vectores ralos normales entre s (la dimensin es tres), como si se tratara de la base cannica y actuemos sobre un
tercero.
v1 = (0, 1, 0, 0) v2 = (1, 0, 0, 1) v3 = (x, y, z, z + x)

(ya que v1 v2 = 0), busquemos u3 tal que
u1 v3 = 0
y=0
v2 v3 = 0
z + 2x = 0
175
por lo que
u3 = (1, 0, 2, 1)
con lo que

BN =

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

1
2 1
, , 0, ,
6
6 6
las bases halladas no sern en general las mismas, como en este caso; que
fueron obtenidas de esa manera slo con fines didcticos
Para que veas lo sencillo que es programar el mtodo de las combinaciones

lineales (Grahm - Schmidt, GS) y el esencialmente intuitivo del espacio generado, puedes ver los guiones scripts Matlab/Octave gram y su subordinada
baseort.
E-3.3. Guin Matlab/Freemat para ortonormalizacin de bases

function B = gram(A)
%
GRAM Ortonormalizacin
de
bases.
%
uso: BaseNormalizada = gram(Base)
%
Base: matriz cuyas columnas son
%
los vectores de la base
A = baseort(A);
%llama a la funcin de abajo...
B=A;
for k=1:size(A,2) %... y calcula autoversores
B(:,k) = A(:,k)/norm(A(:,k));
end
%FIN de gram.m
function B = baseort(A)
%
BASEORT Ortogonalizacin
de
bases.
%
uso: BaseOrtogonal = baseort(Base)
%
Base: matriz cuyas columnas son
%
los vectores de la base
m = cell(3,1);
m{1}= sprintf(\t argumento: matriz Base a Nomalizar);
m{3}= sprintf(\t A No es linealmente independiente);
if nargin~=1,error(m{1});end
[f,c]= size(A);G = A.*A;g=det(G);
176
m{2}= sprintf(\t%g vectores en R^%g !,c,f);

if c>f
error(sprintf(m{2}));
elseif g==0
error(sprintf(m{3}));
end
N = size(A,2);
u = A(:,1);v = A(:,2);W= u;
B = zeros(f,c); B(:,1) = u;
U = G(1,1);V = G(1,2);
for k =
v =
u =
W =
end
%FIN de
2:N
A(:,k);V=W.*v;
v - W*(V./U);B(:,k)=u;
B(:,1:k);U=[U;u.*u];
baseort.m
177
178
Apndice F
Extras sobre aplicaciones
F-1. Afinizacin de cudricas y cnicas . . . . . . . . . . . . . . . . .
179
F-2. Formas cuadrticas . . . . . . . . . . . . . . . . . . . . . . . . . . .
180
F-3. Forma cannica de Jordan . . . . . . . . . . . . . . . . . . . . . . .
181
F-3.1. Clculo de la forma cannica de Jordan . . . . . . . . . . . 182

F-3.2. Potencia de una matriz con forma cannica de Jordan
. . 186
F-3.2.1. Potencia de un bloque de Jordan cuando el autovalor es cero . . . . . . . . . . . . . . . . . . . . . 187
F-1.
Afinizacin de cudricas y cnicas
La ecuacin matricial de la cudrica, por ser ms general, es
v > Av + Bv = c
pero la pudes escribir
v > Av + 2Kv = c,
2K = B
de modo que con el cambio de variables

w=
1
v
puedes escibir
w>
w = 0
>
A
ew = 0
w> A
la cual puedes comprobar sencillamente efectuando los clculos. En otras palabras: hemos descripto un cudrica o cnica poniendo toda la informacin en
una sola matriz.
179
F-2. Formas cuadrticas
Apndice F. Extras sobre aplicaciones
Ejemplo F.1.
Procede a encontrar la forma afinizada para la ecuacin de la

cnica de posicin general, que aparece en el ejemplo 6.1, de pg.107.
p
En ese caso

[v] =
B =
x
y
"

,
A=
12 3 + 64
#
3 3
3 3
13

12 64 3
c = 276
escribiramos la matriz central y las variables como
276
6 3 + 32 6 32 3

e = 6 3 + 32
A
7
3 3
6 32 3
3 3
13
w=
x
y
. . . que tiene la ventaja de ser simtrica.

La respuesta solicitado es
276
6 3 + 32 6 32 3

1 x y
7
3 3
6 3 + 32
6 32 3
3 3
13

1

x = 0

y
es equivalente de
7x2 6 3xy + 13y 2 + (12 3 + 64)x + (12 64 3)y + 276 = 0.
F-2.
Formas cuadrticas
Toda funcin vectorial F (v) = F (x1 , x2 , , xn ) que pueda expresarse como F (v) = v > Av matricialmente o F (v) = Av v matricial
y producto
escalar, es una forma cuadrtica de orden n, donde v =
x1
x2
.. . Las que
.
xn
hemos visto anteriormente fueron los casos

de segundo y tercer orden, o sea
v=
x
y
en el caso de las cnicas, y v =

y en el caso de las cudricas.
z
Todos los monomios con coeficiente no cero de una forma cuadrtica tienen
el mismo grado total polinomio homogneo.
180
F-3. Forma cannica de Jordan
Por ejemplo: a1 x2 + a2 y 2 + a12 xy lo es,

pero la funcin polinomial a0 + a1 x + a2 x2 no lo es, porque los
monomios tienen grado total 0, 1 y 2 respectivamente.
Una forma cuadrtica F (v) es positiva definida si F (v) > 0 para toda v 6= ,
y F (v) = 0 para v = . Y se puede demostrar que la matriz asociada a la forma
cuadrtica tiene todos sus autovalores mayores que cero, esto es i > 0, i =
1, 2, n. Aplicado a nuestros problemas: expresan circunferencias, elipses,
esferas y elipsoides, de acuerdo con el orden.
Una forma cuadrtica F (v) es positiva semidefinida si F (v) 0 para toda
v 6= , y F (v) = 0 para v = . Y se puede demostrar que la matriz asociada a
la forma cuadrtica tiene todos sus autovalores no menores que cero, esto es
i 0, i = 1, 2, n.
Una forma cuadrtica F (v) es negativa definida si F (v) < 0 para toda
v 6= , y F (v) = 0 para v = . Y se puede demostrar que la matriz asociada
a la forma cuadrtica tiene todos sus autovalores menores que cero, esto es
i < 0, i = 1, 2, n
Una forma cuadrtica F (v) es negativa semidefinida si F (v) 0 para toda
v 6= , y F (v) = 0 para v = . Y se puede demostrar que los autovalores de la
matriz asociada son todos no mayores que cero, esto es i 0, i = 1, 2, n
Y por ltimo, una forma cuadrtica F (v) es no definida si no es alguna de
las anteriores
Las formas cuadrticas no definidas expresan por ejemplo parbolas o paraboliodes, o degeneraciones. Las formas no definidas expresan hiprbolas.
Nuevamente, estos conceptos aparecen en el estudio de sistemas dinmicos
de ingeniera, para estimar la estabilidad de los mismos.
F-3.
Forma cannica de Jordan
Qu suceda cuando no podas diagonalizar una matriz?

simplemente la dejbamos all.
Sin embargo esas matrices an pueden llevarse a una forma la foma de
Jordan casi diagonal, donde todava es fcil calcular el cuadrado, el cubo,
etc. de la matriz, y adems tiene otras propiedades.
En uno de los ejemplos hemos visto que la matriz

A=
2 1
0 2
no se pudo diagonalizar porque hay un solo autovector linealmente independiente ligado al autovalor 2 de multiplicidad 2. Pues bien, A est justamente
expresada en la forma de Jordan.
181
La forma de Jordan est compuesta de bloques diagonales como el anterior,

en los que los autovalores repetidos tienen un slo autovector LI,
Por ejemplo
2 1 0
A= 0 2 0
0 0 3

2 1
tiene un bloque elemental de Jordan de 2do orden

0 2

y un bloque diagonalizable de Jordan de 1er orden 3 .
La matriz
2 1
0 2
A=
0 0
0 0
0
0
3
0
0
0
0
3
tiene tres bloques de Jordan, uno de segundo orden con autovalor 2 y dos de primer orden, con autovalor repetido 3.
En cambio la
2 1
0 2
A=
0 0
0 0
0
0
3
0
0
0
1
3
tiene dos bloques de Jordan de segundo orden.

Un ejemplo final :
2
0
A=
0
0
1
2
0
0
0
1
2
0
0
0
0
3
tiene dos bloques de Jordan, uno de tercer orden y otro de

primer orden
Recuerda lo que es el polinomio caracterstico A () y el polinomio
mnimo pA (). El orden del polinomio mnimo es el orden del mayor bloque
de Jordan asociado a los autovalores.
F-3.1.
Clculo de la forma cannica de Jordan
Para hallar la matriz que diagonalice a la forma de Jordan puedes proceder de la manera siguiente:
Para cada autovalor i , con multiplicidad m:
1. Hallas la estructura de la matriz de Jordan equivalente. Es decir, cuntos
bloques y de qu grado.
a) Halla rk = rango (i I A)k para k { 0, 1, , m }

182
b ) Halla dp = rp+1 2rp + rp1 para p { 1, 2, , m }

Habrn dp bloques de Jordan con grado p. Con ello produces una matriz
Ji con los bloques de Jordan.
2. Calculas los autovectores asociados. (i I A)vi,0 = i vi,0
3. Calculas los autovectores generalizados asociados
(i I A)vi,k+1 = vi,k con k { 0, 1, , m 1 }
Los ejemplo lo aclaran un poco:

Ejemplo F.2.
Si no puedes diagonalizar la matriz A =

3 1
, trata de pa1 1
sarla a la forma de Jordan
p
El polinomio caracterstico y mnimo de esta matriz es A () = (2)2 ,
con lo que su valor propio es = 2, de multiplicidad algebraica m = 2. El
proceso del clculo de los autovectores arroja solamente un representante
multiplicidad geomtrica g = 1 de v = (a, a), o v1,0 = (1, 1), por lo
que no admite diagonalizacin.
Como la matriz es de 2 2, habr un bloque de Jordan de orden 2, con el
autovalor 2.
Lo podramos haber calculado mediante

r0 = rango (i I A)0 = 2

r1 = rango (i I A)1 = 1

r2 = rango (i I A)2 = 0
d1 = r2 2r1 + r0 = 0
d2 = r3 2r2 + r1 = 1
r>2 = 0

Un bloque de orden 2, es decir J =

2 1
.
0 2
. . . pero cmo lo calculamos?

En otras palabras
Cmo construimos una matriz diagonalizante ?
Sabemos que Av1,0 = 1 v1,0 tenemos un solo autovector linealmente independiente y para formar la matriz similar
J = V 1 A V
necesitamos dos.
En un caso ms general en esta dimensin, puedes escribir
J =A V

[ v1,0
v1,1 ]
1 1
= A [ v1,0
0 1
v1,1 ]
[ 1 v1,0
v1,0 + 1 v1,1 ] = [ Av1,0

183
Av1,1 ]
Las entradas de estas matrices deben ser iguales, Av1,0 = 1 v1,0 , la cual
representa el par autovalor-autovector (1 , v1,0 ), en el caso del ejemplo:
(2, (x, 0)), usamos (1, 0) y
Av1,1 = v1,0 + 1 v1,1

que representar el clculo del autovector generalizado. v1,1 lo puedes
escribir:
(1 I A)v1,1 = v1,0
En ese caso, v1,1 = (x, 1 x), utilizamos v1,1 = (1, 0) el autovector as
calculado recibe el nombre de autovector generalizado asociado al autovalor 2. Con lo cual la diagonalizante o mejor: matriz de paso es

V =
1 1
1 0
Y las cuentas dan
0 1
1
1

3 1
1 1

1 1
1 0

=
2 1
0 2
como podrs comprobar.
Ejemplo F.3.
4
1
1
Repite para el caso donde B = 2
1 1 .
2 1
1
p
El nico autovalor es x = 2, con multiplicidad 3: B (x) = (x 2)3 y el
polinomio mnimo es pB (x) = (x 2)2 , anticipando que hay dos bloques de
Jordan, como la matriz es de 3 3, no puede ser sino un bloque de orden
dos y otro de orden 1.

r0 = rango (i I B)0 = 3

r1 = rango (i I B)1 = 1

r2 = rango (i I B)2 = 0
d1 = r2 2r1 + r0 = 1
d2 = r3 2r2 + r1 = 1
Calculemos entonces los autovectores y los autovectores generalizados:
(2I B)v = v = (a, b, 2a b)

de donde podemos extraer dos autovectores linealmente independientes.
Sin embargo no lo hagamos an, sino hasta:
(2IB )v1,1 = v
2 1 1
a
2
1
1
b
2
1
1 2a + b
184
Si para reducir, nos quedramos con la segunda fila, los valores de a

y de b deben ser opuestos, de lo contrario el sistema sera incompatible, por ello tomamos el primer vector v1,0 = (1, 1, 1) con lo que
v1,1 = (x, y, 1 2x y), podemos extraerlo de tal manera que no pertenezca a { (a, b, 2a b) }. . . puede ser v1,1 = (0, 0, 1), el tercero es un
autovector no colineal con el primero: v2,0 = (1, 0, 2)
1
0
1
Entonces la matriz de paso ser 1
0
0 y as:
1 1 2
1
1
0
1
4
1
1
1
0
1
2 1 0
1
0
0 2
1 1 1
0
0 = 0 2 0
1 1 2
2 1
1
1 1 2
0 0 2
como puedes comprobar.
Ejemplo F.4.
3
0 1
Repite para el caso donde F = 1
4
7 .
0 1 1
p
Otra vez, tenemos que F (x) = (x 2)3 = pF (x) de modo que habr un
solo bloque de Jordan.
El autovector asociado es v1 = (x, 3x, x), es decir, si tomramos v1 =
(1, 3, 1), necesitaramos dos autovectores generalizados:
0
a
1
1
0
1
(2I F )w1 = v1 1 2 7 b0 = 3
0
1
3
c0
1
arroja w1 = (a0 , 2 3a0 , a0 1), que con a0 = 1 formamos w1 = (1, 1, 0), y
00
1
0
1
a
1
(2I F )w2 = w1 1 2 7 b00 = 1
0
1
3
c00
0
arroja w1 = (a00 , 3 3a00 , a00 1), que con a00 = 1 formamos w2 = (1, 0, 0)
por tanto la matriz de paso ser V
2 1
equivalente a F ser J =
0 2
0 0
y
1
1 1
= 3 1 0 , y la matriz de Jordan
1
0 0
0
1
2
Esto tambin lo usars en la bsqueda de soluciones para sistemas dinmicos lineales en funcin de una matriz fcil de multiplicarse por si misma.
185
Como ejemplos seguidamente aparece la matriz, su cuadrado,

su cubo, y su ensima potencia
2 1
0 2
A=
0 0
0 0
8 12
0 8
A3 =
0 0
0 0
0
0
3
0
0
0
1
3
4 4
0 4
A2 =
0 0
0 0
n
2 n 2n1
0
2n
An =
0
0
0
0
0 0
0 0
27 27
0 27
0
0
9
0
0
0
6
9
0
0
0
0
n
3 n 3n1
0
3n
F-3.2. Potencia de una matriz con forma cannica

de Jordan
Podemos decir que una matriz con forma cannica de Jordan contiene p
bloques de Jordan. La suma de cada bloque por la multiplicidad del autovalor
es n para una matriz de n n,
J1
Por ejemplo A =
J2
J3
con J1 : bloque de orden 3, con autovalor 5, J2 : bloque de orden 1, con autovalor 5 y J1 : bloque de orden 2, con autovalor
4, sera una matriz A R66
Cuando se eleva la matriz A a la potencia k > 1, los bloques permanecen
independientes, y puedes calcular cada entrada dentro del bloque J` de orden
`, mediante
J`k = jì,i+m

k km
,0 m k
=
m i
0 , otro m

k
k!
donde
=
y m { 0, 1, , ` };
m
m! (k m)!
y claramente m < p, donde p es el orden del bloque J` .
J1
Sea por ejemplo A =

J2
5 1 0
, donde J1 = 0 5 1, es
J3
0 0 5
decir que en el bloque J1 la multiplicidad del autovalor 5 es 3
186
y su multiplicidad geomtrica es 1
2
5 1 0
J12 = 0 5 1
0 0 5
2
0

2
521
1

2 20
5
0
520
2
1
0
1
5
2
5
1
522
2
2 21
2
1
=
5
15 25
1
0
2 20
5
0
2
0
0
15

2
25 10 1
= 0 25 10
0 0 25
F-3.2.1. Potencia de un bloque de Jordan cuando el autovalor

es cero
Un bloque de Jordan de orden p es p-nilpotente cuando su autovalor es
cero.
p
Como concecuencia de lo anterior, J0 es tal que
j0i,i+m

k km
0
,0 m k
1 ,m = k
=
=
m
0 , otro m
0
, otro m
Cuando k = p, el 1 aparece recin para m = p, pero m debe ser menor que p.
Sea por ejemplo A = J0,4
0
0
=
0
0
1
0
0
0
0
1
0
0
0
0
, expondremos abajo
1
0
las potencias crecientes del cuadrado, el cubo y la cuarta

potencia
0
A2 =
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
A3 =
0
0
187
0
0
0
0
0
0
0
0
1
0
0
0
0
A4 =
0
0
0
0
0
0
0
0
0
0
0
0
0
0
188
Apndice G
Transformaciones de la
circunferencia
G-1.Mapeos lineales de la circunferencia unitaria . . . . . . . . . . .
190
G-1.1. Caso 1: det(L) 6= 0, Elipse . . . . . . . . . . . . . . . . . . . 192

G-1.1.1.Matriz asociada con autovalores complejos . . . . 192
G-1.1.2.Matriz asociada con autovalores reales . . . . . . 193
G-1.2. Caso 2: det(L) = 0, Segmentos . . . . . . . . . . . . . . . . 195
G-1.2.1.Proyecciones (escaladas) . . . . . . . . . . . . . . 195
G-1.2.2.ejemplo . . . . . . . . . . . . . . . . . . . . . . . . 201
Supongamos la transformacin lineal L (x, y) = (x, x + y)

y que quisiramos estudiar cmo se mapea la circunferencia
unitaria mediante la TL L
La
unitaria la puedes parametrizar como
circunferencia

cos
sen
[0; 2), y desparametrizada es x2 + y 2 = 1.
El mapeado entonces queda:
1 0
1 1

cos
sen

=
cos
sen + cos
es decir que x0 = cos y adems y 0 = sen + cos, de donde
x02 = cos2
y 02 = (sen + cos)2 = 1 + 2 sen cos
x0 y 0 = cos2 + sen cos
de donde obtenemos la ecuacin desparametrizada de la imagen de x2 + y 2 = 1 a travs de L
2x02 2x0 y 0 + y 02 = 1
189
(G.1)
G-1. Mapeos lineales de la circunferencia unitaria
Apndice G. Transformaciones de la circunferencia
tenemos
elipse:
las
herramientas
para
graficar
los !pares
autovalorautovector
son
!)
3+ 5
, (2, 1 5) ,
2
3 5
, (2, 1 + 5)
2
0
Ya
esa
(
X0
La (G.1) est referida al sistema XY . Respecto del sistema
X 0 Y 0 su ecuacin es
x02
2
3+ 5
y 02
2
3 5
=1
(G.1)
La tcnica para desparametrizar parece ser simple, pero porque la matriz

asociada a la transformacin L usada como ejemplo es muy simple. En casos
mas genereales...
G-1.
Mapeos lineales de la circunferencia unitaria
Supongamos tener una transformacin lineal en el plano, la cual puede

escribirse en forma genrica como L (x, y) = mx + ny, px + qy y queremos
saber cmo se mapea la circunferencia unitaria mediante esa ley lineal.

La matriz asociada a esa transformacin lineal es
m n
p q
La circunferencia unitaria se
modeliza
como u = (x, y) = (cos , sen) y
el transformado ser entonces
m n
p q
cos
sen
m cos + n sen
, es
p cos + q sen
decir
L(u) = m cos + n sen , p cos + q sen
(G.2)
o sea...
x0 = m cos + n sen
y 0 = p cos + q sen
190
de donde excluyendo las transformaciones de proyecciones y otras
x02 = m2 cos2 + n2 sen2 + 2mn sen cos

02
(G.3)
y = p cos + q sen + 2pq sen cos
(G.4)
0 0
(G.5)
x y = mp cos + nq sen + (mq + np) sen cos
Desparametrizar la ec.(G.2) es muy complicado cuando uno no tiene las

herramientas adecuadas. Nosotros, despus de canonizar una ecuacin de segundo grado s tenemos las herramientas adecuadas:
a11 x02 + a22 y 02 + 2a12 x0 y 0 = c
(G.6)
permite el tratamiento convencional con autovectores para llegar a una ecuacin sobre ejes rotados, del tipo cannico.
Podemos re-escribir las ecuaciones (G.3)...(G.5) con una notacin de vectores...
x02 = (m2 , n2 , 2mn)

y 02 = (p2 , q 2 , 2pq)
x0 y 0 = (mp , nq , mq + np)
donde la primera componente est multiplicada por un coseno cuadrado de
alfa, la segunda componente se multiplica por un seno cuadrado de alfa, y la
tercera componente por el producto seno-coseno de alfa.
Aprovechando que c cos2 +c sen2 = c, podemos formar una combinacin
lineal de modo que se elimine la tercera componente.
Entonces la ec.(G.6) queda
a11 (m2 , n2 , 2mn) + a22 (p2 , q 2 , 2pq) + 2a12 (mp , nq , mq + np) = (c, c, 0)
(G.7)
Y esto arroja el sistema lineal

m2 p2
2mp
a11
c
2
2
n
a22 = c
q
2nq
2mn 2pq 2mq + 2np
a12
0
(G.8)
M S =C
Y si (G.8) tuviera solucin, ya podramos caracterizar la (G.6), y por tanto
proceder a la identificacin de la cnica resultante mediante el procedimiento
de canonizacin donde no existe la traslacin del sistema de referencias.

a11 a12 x
w Aw = c x y
=c
a12 a22 y
|
191
G-1.1.
Caso 1: det(L) 6= 0, Elipse
Supongamos que los autovalores y autovectores que arroja la (G.6) con

la solucin de (G.8) son [ 1 (v1 ) , 2 (v2 ) ] donde los autovectores son linealmente independientes; y que la matriz diagonalizante de A a usar es
[ V ] = [ v1 v2 ]. En ese caso la (G.6) deviene en

00 00 1 0 x00
= c = 1 x002 + 2 y 002
x y
0 2 y 00
canonizando queda
x002
c
1
y 002
c
2
=1
(G.9)
En el caso que los signos de los autovalores y el de c sean iguales(1 ), la (G.9)

quedar como
x002 y 002
+ 2 =1
a21
a2
donde ai =
c
i
(G.10)
y la ecuacin (G.10) ser una elipse. Si adems 1 = 2 ,
tendremos una circunferencia.

Vamos a dar dos ejemplos donde se utilice esta herramienta. El primero con una transformacin de rotacin y escalamiento, y el segundo con una
transformacin un poco ms compleja.
G-1.1.1.
Matriz asociada con autovalores complejos

Ejemplo G.1.
Sea la transformacin lineal de R2 R2 | L1 (x, y) = (2x y , x +
2y), encuentra la transformada (el mapeo) de la circunferencia unitaria.
p

2 1
m n
En este caso la matriz asociada es [ L ] =
=
. En la
1
2
p q
ec.(G.8) tenemos que

4 1
4
a11
c
1 4 4 a22 = c
4 4
6
a12
0
(G.8)
al resolverla tenemos que a11 = c/5, a22 = c/5, a12 = 0, con lo que haciendo
c = 5 tenemos
L1 (u) : x02 + y 02 = 5
1
Si existen y no son cero, sern del mismo signo
192
es decir, una circunferencia de radio
5.
P0
Y
P
X
G-1.1.2.
Matriz asociada con autovalores reales

Ejemplo G.2.
Sea la transformacin lineal de R2 R2 | L2 (x, y) = (2x + y , x
3y), encuentra la transformada (el mapeo) de la circunferencia unitaria.
p

m n
2
1
=
. En la
p q
1 3

4
1
4
a11
c
1
9 6 a22 = c
4 6 10
a12
0
(G.8)
al resolverla tenemos que a11 = 2c/49, a22 = 3c/133, a12 = c/49, con lo
que haciendo c = 49 tenemos
L2 (u) : 10x02 + 5y 02 + 2x0 y 0 = 49

la cual tenemos que canonizar:

la matriz de coeficientes es [ A ] =
tores
h
son
15 29
2
: 2, 5
10 1
1 5

, cuyos autovalores y autovec-

i
29 , 15+2 29 : 5 + 29, 2
es decir,
15 29 002 15 + 29 002
x +
y = 49
2
2
aproximadamente
x002
y 002
+
=1
3.19262 2.19262
una elipse de semieje focal aproximadamente 3.19 sobre el eje dado por la
direccin aproximada (1, 5.19), por aproximadamente 2.19 en la direccin
193
normal (5.19, 1).
Y
P
X
P0
Este es un caso donde los autovectores de la matriz asociada a la transformacin lineal [ L ] y los autovectores de la matriz de coeficientes [ A ] son
numricamente iguales2 , y no ser normalmente as...
Sea la transformacin lineal de R2 R2 | L3 (x, y) = (2x , x 3y),

encuentra la transformada (el mapeo) de la circunferencia unitaria.
Ejemplo G.3.
2
0
1 3

=
m 0
p q

. En la

4
1
4
a11
c
0
9
0 a22 = c
0 6 12
a12
0
(G.8)
al resolverla tenemos que a11 = 5c/18, a22 = 2c/18, a12 = c/18, con lo que
haciendo c = 18 tenemos
L3 (u) : 5x02 + 2y 02 2x0 y 0 = 18

la cual tenemos que canonizar:

la matriz de coeficientes es [ A ] =
5 1
1
2

, cuyos autovalores y auto-
vectores son
2
Recordemos que los ejes principales son los autovectores de la matriz de los coeficientes.
194
7 13
2

i
: 2, 3 13 , 7+2 13 : 3 + 13, 2
es decir,
15 29 002 15 + 29 002
x +
y = 18
2
2
aproximadamente
y 002
x002
+
=1
1.842402 3.256622
Y
P
X
P0
una elipse de semieje focal aproximadamente 3.26 sobre el eje dado por la
direccin aproximada (3.30, 1), por aproximadamente 1.84 en la direccin
normal (1, 3.30).
La pregunta es entonces
Cundo se da que los autovectores de [L] y de [A] coinciden?
G-1.2.
G-1.2.1.
Caso 2: det(L) = 0, Segmentos

Proyecciones (escaladas)
Lgicamente habr casos en que el procedimiento no ser vlido hasta el

final: por ejemplo...
Ejemplo G.4.
Mapea la circunferencia unitaria por la transformacin de proyeccin sobre el eje X
195
En este caso la matriz asociada es
1 0
0 0

=

m n
, con lo cual, en la
p q

c
a11
1 0 0
0 0 0 a22 = c
0
a12
0 0 0
(G.8)
, la cual, como no es invertible, no tiene solucin.

Pero evidentemente
1 0
0 0

cos
cos
=
0
sen
y como [0; 2), tenemos que cos : 1

1 con lo cual el lugar geomtrico es un segmento.
En el caso ms general de proyeccin seguida de escalamiento k ,
k 0
0 0

cos
k cos
=
sen
0
tendremos que la circunferencia unitaria se mapea en el segmento
(x, y) = (1, 0) ,
[|k|, |k|]
Y
P
, k=2
P0
La proyeccin general, sobre la recta y = mx y un posterior

escalamiento cubre el caso anterior, pero no el de la proyeccin sobre el
eje Y . Ambas las estudiaremos:
Ejemplo G.5.
Mapea la circunferencia unitaria por la transformacin de proyeccin sobre la recta y = mx
p
A partir de la figura siguiente y teniendo en cuenta que la matriz asociada
no es ms que los mapeos de la base cannica
196
e2
y = mx
ei v
como v = (1, m) y e0i =

v,
vv
tenemos que:
e02
e01 =
e02 =
e01
e1
1
1+m2
m
1+m2
(1, m),
(1, m).
1
En este caso la matriz asociada a la proyeccin pura es
1 + m2
1 m
m m2

,
con lo cual en un caso similar tendramos

k
1 m
m m2

cos
cos + m sen
=k
sen
m(cos + m sen )
donde claramente puede desparametrizarse como y 0 = m x0 .
P0
Y
, k = 2, m = 2
X
La pregunta es:
Cundo se produce la excursin mxima?
Ejemplo G.6.
Mapea la circunferencia unitaria por la transformacin de proyeccin sobre el eje Y
p
197
1
En este caso la matriz asociada a la proyeccin pura es
1 + m2

0 0
,
0 1
con lo cual en un caso similar tendramos
0 0
0 k

0
cos
=k
k sen
sen
que arroja el segmento (x, y) = k(0, 1) ,
k [1, 1]
La pregunta es ahora:
Las proyecciones y posterior expansin o compresin

son las nicas transformaciones que mapean una circunferencia en un segmento?
Puedes averiguar en qu condiciones de [L] no es posible resolver la (G.8)?
Anexo al apndice
En forma genrica...
La solucin depende del determinante
Respecto de los determinantes de L y M puede verificarse3 que
det(M ) = 2 det(L)3 = 2 (m q n p)3

de donde es inmediato que det(L) = 0 det(M ) = 0 y como consecuencia
(G.8) tendr una solucin solamente cuando det(L) 6= 0.
3
Est dems decir que det3 [ L ] = det(L)3
198
Y con ello de la inversa de M

La solucin de la (G.8) es S = M 1 C , despus de algunas cuentas es

2
a11
q + p2
c
a22 =
n2 + m2
2
det (L)
n q m p
a12
Tenemos la ecuacin de la elipse

Por tanto si hacemos c = (m q n p)2 podemos escribir directamente
(q 2 + p2 )x02 2(n q + m p)x0 y 0 + (n2 + m2 )y 02 = 1

como la ecuacin de la elipse a canonizar.
Y con el cambio de base

La matriz

q 2 + p2
n q m p
a11 a12
[A] =
=
n q m p n2 + m2
a12 a22

es la que contiene los autovectores y autovalores que definen los parmetros

de la elipse.
Podemos probar que
det ([ A ]) = det2 ([ L ])
y si
k=
q
(a22 a11 )2 + 4a212
entonces:
1 =
a22 + a11 k
,
2
2 =
v1 = (2a12 , a22 a11 k) ,
a22 + a11 + k
2
v2 = (2a12 , a22 a11 + k)
de donde puede probarse claramente que v1 v2 ya que el producto escalar

es nulo.
Obtenemos los semiejes y sus direcciones

En la ecuacin de la elipse girada tenemos:
1 x2 + 2 y 2 = 1,
x : v1 ,
199
y : v2
de modo que
x2
1
2
1
y2
1
2
2
=1
Como a22 + a11 = m2 + n2 + p2 + q 2 > 0 y como k =

resulta que siempre es 1 6 2 , lo cual implica que
p
(a22 a11 )2 + 4a212 > 0
1
1
2 > 2 y entonces
1
tenemos que el semieje mayor es 1 salvo el caso en que fueran iguales,

1
caso que devendr en una circunferencia
La direccin principal entonces est dada por v1 y la elipse podr escribirse
como
x2 y 2
+ 2 = 1,
a2
b
r
semieje mayor : a =
2
a22 + a11 k
XY : {v1 , v2 }
r
2
semieje menor : b =
a22 + a11 + k
...Salvo algo inesperado

Cualquier matriz de entradas reales4 puede escribirse como producto
de tres matrices como se ver abajo
Descomposicin SVD
[ L ] = [ U ] [ S ] [ V ]|
El procedimiento usual para calcularlas es
1. Calculamos L L| y sus autovalores no nulos ordenados de mayor a me
nor: 1 > 2 > 0. Los valores singulares son i = i
2. Calculamos una matriz de autoversores normales asociados a esos autovalores [ U ] = [ u1 , u2 , , un ]
3. Calculamos una matriz de autoversores norma les5 [ V ] donde cada columa vi = i1 L| ui
4. La matriz [ S ] es diagonal y carga los valores singulares de mayor a
menor.
Maxima
load(lapack)$ [S,U,VT]:dgesvd (L, true, true);
Freemat
[u,s,v]=svd(L)
Si es una matriz de entradas complejas vale [ L ] = [ U ] [ S ] [ V ] el traspuesto conjugado.

En nuestro caso adems L es cuadrada.
5
Para nuestro caso V | = S 1 U | L
200
El orden de todas las columnas lo definen los autovalores de [ L| L ], que

entran en [ S ] de mayor a menor.
|
Comoquiera que sea, [ S ] u puede verse como [ U ] [ S ] ([ V ] XY ) donde ya

se ve que si XY carga con los vectores normales que definen la circunferencia
|
unitaria, ([ V ] XY ) puede verse como una rotacin y posible reflexin de
esos ejes mientras que la circunferencia sigue inmutable.
|
Luego [ S ] ([ V ] XY ) puede verse como una segunda transformacin que

distorsiona los ejes de la circunferencia y la vuelve una elipse.
|
Finalmente [ U ] [ S ] ([ V ] XY ) puede verse como otra transformacin que

rota y posiblemente haga una reflexin de esa elipse anterior
G-1.2.2.
ejemplo
Repetimos el ejemplo G.3
Sea la transformacin lineal de R2 R2 | L3 (x, y) = (2x , x 3y),

encuentra la transformada (el mapeo) de la circunferencia unitaria.
Ejemplo G.7.
2
0
1 3

=
m 0
p q

. En este
caso
[ LL| ] =
n
o
, (7 13, (3, 2 13)), (7 + 13, (3, 2 + 13))
4 2
2 10
De donde
#
" p
7 + 13 p 0
[S ] =
0
7 13
2
2
2
2
4+(3 13)
4+(3+ 13)
[U ] =
3+
13
3
13
4+(3+ 13)2
3.25662 0
0
1.84240
0.28978
0.95709
0.95709 0.28978
4+(3 13)2
sta es una matriz de reflexin alrededor del eje X seguida de una rotacin 73.15, con lo que sera mejor que la transforme en rotacin pura
cambiando el sentido del segundo vector6 de esa manera
[U ] =
4+(3+ 13)2
3+ 13
4+(3+ 13)2
4+(3 13)2
13
4+(3 13)2
3+
0.28978 0.95709
0.95709
0.28978
[ U ] ser una reflexin alrededor del eje X seguidauna rotacin pura de

73.15. Entonces
[V ]
6

ya que
a
b
b a

1
0
0
1

=
a b
b
a

(G.11)
201
0.47186 0.88167
0.88167 0.47186
unClase.tex calls ../libros/algebra/M8/mapeo-circunit
[ V | ] ser una reflexin alrededor del eje X seguida de una rotacin de

61.84
Y
e2Y
e1 X
e02
V
e01
primera parte: Reflexin (X) y Rotacin producida por V |
[S ] [V |] =
1.53666 2.87128
1.62444 0.86935
X
e02
X
e002
e01
e001
segunda parte:
Expansin producida por S
e000
1
X
e002
X
e002
U
U
e001
e001
tercera parte:
Rotacin producida por U , -73.15
e000
2
una elipse de semieje focal 3.26 sobre el eje dado por la direccin
(3.30, 1), por 1.84 en la direccin normal (1, 3.30).
202
Apndice H
Ejercitaciones
Resumen:
La estructura de cada uno de los Trabajos Prcticos incluye los Objetivos y Recomendaciones. Mejor es que los resuelvas a todos. En un principio
podras trabajar de la manera siguiente: asegrate de calcular todos los ejercicios numricos, y luego intenta con los ejercicios conceptuales. Como un
repaso trata de resolver nuevamente los ejercicios
numricos tratando de aplicar los conceptos. Esta
es una tcnica que garantiza resultados de excelencia en la comprensin de los temas. Para laboratorios disponibles, solictalos a la direccin de correoe, mailto:omar.morel@gmail.com.
203
H-1. Rectas, Planos y Espacios Lineales
Apndice H. Ejercitaciones
H-1.
H-1.Rectas, Planos y Espacios Lineales . . . . . . . . . . . . . . . . . .
204
H-2.Transformaciones Lineales. Matriz asociada vs Ley . . . . . . . .
206
H-3.Isometras en el Plano y el espacio . . . . . . . . . . . . . . . . . .
211
H-4.Valores y Vectores Propios de Matrices n n . . . . . . . . . . . .
215
H-5.Cambios de Base y Transformaciones Lineales . . . . . . . . . . .
218
H-6.Canonizacin de Cnicas y Cudricas . . . . . . . . . . . . . . . .
221
H-7.Ejemplo de examen . . . . . . . . . . . . . . . . . . . . . . . . . . .
223
H-8.Una palabra para compartir con profesores
225
. . . . . . . . . . . .
Rectas, Planos y Espacios Lineales
Objetivo:
Este es un prctico que combina elementos que a esta
altura del curso, se deben conocer. Sin embargo hay
algunos ejercicios que piden una demostracin, en estos
casos lo que se espera es que se piense detenidamente
en el mismo, se plantee una propuesta para resolverlo y
que se haga la consulta pertinente. Estos temas ya estn
fuera de evaluacin; se ponen aqu simplemente como una
ayuda de modo que el alumno sepa en qu momento re-leer
algunos temas de los mdulos anteriores para aprovechar
mejor los contenidos actuales.-
1. Modifica la ecuacin vectorial paramtrica de una recta en el plano para

que puedas representar la ecuacin cartesiana paramtrica de una recta
en el plano.
2. Expresa la ecuacin de la recta anterior en la forma compacta (forma
matricial) mediante un vector genrico donde la/s variable/s libres aparecen en primer lugar.
3. La expresin
|d|
= pg.12, describe tambin la distancia de una
|n|
recta al origen en el plano?Cmo, o debes modificarla?

4. Referido al ejercicio anterior, demuestra que en el caso de una recta en
el plano puede usarse para la distancia al origen, la expresin
N=

donde si u =
u1
u2

u =
u2
u1
P u
u
u2

.
Ayuda : Bosqueja todo en un grfico, analiza que u u

seguramente
debers lidiar con un SEL de 2x2
204
H-1. Rectas, Planos y Espacios Lineales
5. Especifica si las expresiones son Verdaderas o Falsas

a) Para A = { u | u R2 }, A es
1) el Espacio vectorial generado por u
2) una recta en el espacio
3) una recta en el plano
b ) Si u R3 , entonces dim ({u}) = 2
c) r = P + r u
y s = Q + s v son coincidentes si u = k1 v = k2 P Q
d ) r = P + P Q , [0, 1] implica que r es :

1) el segmento P Q
2) la recta dada por P y Q
6. Escribe
matricial
la recta
en forma

a-
1
2
3
1
b-
x1
= y 2; z = 0
2
1
3
d- 2 + 1
1
2
c-
y = 5x 4
7. Escribe
matricial
elplanoen forma

a-
1
3
3
2 + 1 1
5
0
2
b-
2x + 3y z = 6
c-
y = 5x 4
d-
dado por 3 puntos :
e-
z=2
(1, 2, 3) , (4, 3, 0) , (0, 0, 1)
205
H-2.
Transformaciones Lineales. Matriz asociada vs Ley
Objetivo:
Este es un prctico que en donde se fijan la habilidad
para detectar cules transformaciones entre espacios
son lineales y cuales no, para hallar la ligadura
entre las matrices asociadas a las transformaciones
lineales y stas, y la habilidad para aplicar las pocas
propiedades para describir una transformacin lineal
de diferentes maneras cuando se la define ya sea por la
definicin de la ley, por su matriz asociada o por un
conjunto de vectores de los cuales se conoce lo que la
transformacin lineal les hace.-
1. Dada la transformacin T1 ((x, y)) = (2x y , x + y )

a- Identifica V y W

b- Halla los vectores transformados de v1 = (2, 3) , [v2 ] =
1
1
c- Representa grficamente los vectores v1 , v2 y sus transformados w1 y

w2 (o v10 , v20 ) respectivamente
2. A- Repite el ejercicio anterior para las transformaciones y los vectores
que figuran abajo. Representa slo en casos del plano
Transformacin
v1 =
[v2 ] =
a-
b-
T2 ((x, y)) =
= (2x y , x + y , y x)
1
1
1
1
(2, 3)
.
T3 ((x, y)) = (2x y )

.
(2, 3)

c-
e-
T4
a c
b d

= (2a b, c + d )
T5 (x) = x2 + 1
.
1 3
2 4
1
1
3
4
[1]

f-
(2, 3)
T6 ((x, y)) = (2x + 1 , y)

.
1
1
B- Prueba la linealidad o n de T1 ...T6

3. Prueba que para cualquier transformacin lineal L (v) = w
a- L (0 v) = 0 w
b- L (v) = w
c- L (av + bu) = aw + bL (u)
206
4. Prueba que
L (u + v) = L (u) + L (v)
reemplaza a
L (u + v) = L (u) + L (v)
L (k v) = k L (v)
slo para las transformaciones lineales

5. Probar la linealidad de T : F R | T (f ) =
R1
f (x) dx
(Se necesita haber cursado el mdulo M71 )

6. Prueba la no linealidad de todas las transformaciones del ejercicio 2, de
nuevo pero con contraejemplos
7. Para T6 , T7 ((x, y)) = (1 x + y, x2 x y) y T1 , mapea el cuadrado unitario.
Para el caso no lineal, toma una aproximacin de diez puntos intermedios
para cada lado del cuadrado.
8. Para ambos casos, caracteriza el cuadrado unitario como una funcin
paramtrica por trozos, y su transformado de la misma manera y con el
mismo parmetro.
9. Respecto del ejercicio anterior, suponiendo que las transformaciones son
R2 R2 , establece si una trasformacin donde se sufra una traslacin
es lineal o no.Y una rotacin ?
10. Analiza el significado geomtrico que se le puede atribuir a las siguientes
transformaciones en el plano.
Ayuda: Puedes mapear el cuadrado unitario o varios vectores, la idea es
que hagas varias transformaciones para que te des cuenta qu es lo que
la ley hace. Si puedes analizarlo sin hacer los dibujitos, has logrado un
paso muy importante: la abstraccin.
ab-

Ta
x
y

x
y

=
0
0

Tb
e-
x
y

x
y

y
x
0
y
f-

Te

=
2x
y

Tf
Que F = C(0 ,1) sea el conjunto de las funciones continuas en el intervalo (0, 1) , de lo
contrario puede que deba referirse a otro tipo de integral distinta a la de Riemman que se
maneja en M7.
207
c-
d-

Tc
x
y

x
y

=
x
0

Td
g-
x
y

x
y

x
y
2x
2y
h-

Tg

=
x
2y

Th
11. Cmo escribiras una transformacin que a un vector del plano le corresponda un polinomio de grado hasta 3 en la que el trmino independiente
se corresponde con la segunda componente del vector, el coeficiente del
trmino lineal es la suma de las componentes, el trmino cuadrtico es
cero, y el coeficiente del trmino cbico es la primera componente del
vector. Llama a esta transformacin T8 .
Por favor, no contines sin resolver este ejercicio
12. Respecto de los ejercicios anteriores, Son T7 y T8 lineales ?
13. Demuestra que una TL de R3 R3 mapea planos en planos. Discute
algn caso en particular donde esto no se diera.
14. Halla las matrices asociadas a todas las transformaciones lineales definidas hasta ahora, intersate especialmente por las Ta a la Th
15. De qu dimensin debe ser la matriz asociada a una TL que mapea
elementos de un espacio de dimensin 10 a un espacio de dimensin 12?
16. En cada caso
A- determina [T ], la matriz asociada a la TL T y
B- verifica
con el elemento cuyas coordenadas sobre base cannica es
[v] = 1
1

x
T y =
z
a-
casos a-b-c-d-
b-
x
2y
3z
c-
x+y
6y z
3x + 2y + 4z
d-
x+y
6y z

[x + y]
17. Grafica
del cubo unitario en los siguientes casos
eltransformado
T
y =
z
a-
casos a-b-c-d-
b-
x
2y
3z
c-
x+y
6y z
3x + 2y + 4z
d-
x
x+y
0
x+y
0
y+z
208
0 1 1 0 0 0 1 1
para el cubo unitario utiluza la matriz 0 0 1 1 1 0 0 1
0 0 0 0 1 1 1 1
18. Aplica la transformacin Tc definida abajo a las siguientes rectas y grafica la recta y su respectivo transformado

Tc
x
y

=
a-
x
y
b-
x
2x
2+
1+
c
d-
2 + 3
2

y = 3 2x
19. Aplica la transformacin T definida abajo a los siguientes planos y grafica

el plano y su respectivo transformado
x
2x
T y = y
z
y+z
a-
b-
c-
3 + 2
1 3 + 2
2+
y
0.5 x y
x + 2y z = 4
20. Halla una TL que mapee

(a) la recta y = x 1 en la recta
y = 2x +1 y luego

(b) la misma recta
x
2x + 1
en la recta
x
3x
(c) Halla las matrices asociadas T1 y T2 respectivamente

(d) Verifica que la transformacin dada por la matriz T3 = T2 T1 mapea la
recta y = x 1 directamente en la recta y = 3 x
21. Halla las leyes de las TL que se dan mediante sus matrices asociadas
abc-

[Ti ] =
1 4
4
3
0 1 1
2 4
0
0 0
3
0 1 1
0 0
3
sabiendo que todas son transformaciones de Rn Rm

22. Halla las leyes de las TL que se dan mediante el mapeo de un conjunto
de vectores Ti ({A}) = {B}
ba-
A = {(1, 2) , (3, 1)}
A = {(0, 2, 0) , (1, 4, 0) , (1, 0, 3)}
B = {(2, 1) , (1, 3)}
B = {(2, 1) , (1, 3) , (1, 2)}

sabiendo que ambas son transformaciones de Rn Rm
23. Si se sabe que Ui es una TL, halla la imagen de los vectores que faltan
209
U1 ((1, 2)) = (1, 0, 2)
a-
b-
U1 ((2, 1)) = (0, 2, 1)

Ui ((3, 1)) =
Ui ((3, 3)) =
U2 ((1, 2)) = 1
U2 ((2, 1)) = 3
,
Ui ((0, 4)) =
Ui ((6, 6)) =
El cuadrado
unitario
24. Halla, si existe, la TL que verifique...

a- f ((1, 0, 0)) = 0 , f ((1, 1, 0)) = 0 , f ((0, 1, 2)) = 1
b- f ((1, 0)) = (2, 1) , f ((1, 1)) = (1, 4) , f ((3, 1)) = (0, 2)
... o cambia una slo una por caso imagen para que s se verifique.
25. Demuestra que el mapeo lineal de un subespacio es otro subespacio.
(muy importante)
26. Muestra que el mapeo de una base en un espacio, no es en general una
base en el otro espacio
27. Cules seran las condiciones para que lo anterior, s se cumpla?
210
H-3. Isometras en el Plano y el espacio
H-3.
Isometras en el Plano y el espacio
Objetivo:
Este es un prctico que en donde se fijan la habilidad
para detectar cules transformaciones entre espacios
son isomtricas y cuales no; para distinguir que sus
matrices asociadas son ortogonales, con aplicaciones
a la geometra plana, donde se incorporan relaciones
trigonomtricas conocidas en la parte A.2.Una vez terminado el ejercicio debes preguntarte qu
has hecho, cmo lo has hecho y porqu. Pregntate
tambin si haba otras maneras alternativas de hacerlo
y cul hubiese sido el procedimiento ms sencillo y
cul hubiera sido el que involucra menos cuentas y ms
razonamiento; y fundamentalmente: Hay algo genrico o
particular que puedas aprovechar a partir del ejercicio
que acabas de resolver?
Analizar el resultado es ms importante que resolver
bin el ejercicio.
1. Verifica
si las TL Ti: R2 R2 dadas de la forma

x
y
Ti
a-
?
??
=
c-
1
5
x + 2y
2x + 4y
b-
son o no isomtricas
d-
x cos 30 y sin 30
y cos 30 + x sin 30
2. Verifica que si las anteriores transformaciones lineales son isomtricas,

sus respectivas matrices asociadas son ortogonales
3. Demuestra que si la matriz asociada [G] a una una TL G : V V es
ortogonal, si dos elementos del dominio son perpendiculares entre s,
tambin sus imgenes sern perpendiculares entre s.
4. Referido al ejercicio anterior: Demuestra tambin que la imagen de una
base ortonormal, es otra base ortonormal.
5. Halla, a partir del ejercicio 1, tres composiciones de transformaciones
lineales posibles, y comprueba la relacin existente entre las matrices
211
asociadas. Es esto una constante para las transformaciones lineales o

slo para las isomtricas?. Justifica.

6. Demuestra que la rotacin
sin
cos
cos
sin

es una isometra tomando
los mdulos del vector v y de su transformado v 0 , y verificando que sean

iguales.

Qu puedes decir de
cos
sin
cos
?
sin
7. Halla
el ngulo
"
# de la rotacin en grados dada por
2
2
2
2
22
2
2
por inspeccin.
Grafica el vector (4, 3) y su transformado

8. Halla
el ngulo

de la rotacin en grados dada por
0. 8 0. 6
0. 6 0. 8
hallando por ejemplo el ngulo entre (4, 3) y su transfor-
mado, o directamente por inspeccin y uso de las relaciones trigonomtricas inversas.

Ayuda : recuerda el producto escalar (4, 3) T ((4, 3)) y luego grafica para
encontrar el signo del ngulo.
9. Rota el punto de coordenadas (3, 4), un ngulo de 45. Verifica grficamente. Verifica que es una isometra mediante la inspeccin de su matriz
asociada.
10. Determina la matriz asociada a la rotacin que lleve el punto (3, 4) hasta
su simtrico respecto de la recta y = x. Verifcalo grficamente.
11. Determina la matriz asociada a la reflexin que lleve el punto (3, 4) hasta
su simtrico respecto de la recta y = x. Verifcalo grficamente.
12. Compara y discute los dos resultados anteriores; particularmente en lo
que se refiere a qu cosa hace cada una de ellas y porqu son distintas.
(slo coincidirn al mapear un vector colineal con (3, 4) )
Verifica la afirmacin anterior transformando el vector (4, 3)
13. Determina las matrices asociadas a las rotaciones que llevan un punto
del plano hasta su simtrico respecto de la recta y = x. Verfica grficamente.
Nota: Para cada punto del plano, hay una matriz de rotacin.
14. Rota la recta y = 2x un ngulo de 60 contrareloj mediante una TL. Verifcalo grficamente.
Comprubalo tambin analticamente que usando
tan ( + 60 ) =
tan () + tan (60 )

1 tan () tan (60 )
212
y haciendo tan () = m = 2 la pendiente de la recta rotada 60 contrareloj, ser

0
2+ 3
= tan ( + 60 ) =
12 3
1. 5146
15. Repite el ejercicio anterior con la recta y = 3x + 3 un ngulo de 30 a

reloj.
16. Rota la recta y =
1
x + 1 un ngulo tal que quede paralela
2
a) al eje de abscisas.
b ) al eje de ordenadas.
c) a la recta y = 3x + 1
17. Rota el vector (3, 4) un ngulo de 30o y luego al transformado, un ngulo
de 45 . Comprueba que la matriz asociada es igual a una trasnformacin
de rotacin de 15 . Es decir que el producto de las matrices asociadas.
R30+45 = R15
18. Verifica si es importante el orden de las matrices anteriores. Ten en cuenta que se est rotando siempre respecto de un mismo eje normal al plano
que contiene al origen.
19. Prueba que la matriz de rotacin R+ = R R (donde ambas son rotaciones en el plano o rotaciones en el espacio alrededor de un mismo
eje)
20. Rota el vector (3, 4) un ngulo de 30o y luego aplcale la transformacin
T ((x, y)) = (x y , 2x + y)
a) Calcula la matriz asociada a la transformacin que hace esas dos
cosas a la vez.
b ) Comprueba que es igual al producto ordenado de las matrices asociadas.
c) Verifica si es importante el orden de las matrices anteriores.
21. Respecto de los ejercicios anteriores (desde 17). Ests en condiciones de
articular verbalmente lo que ocurre en el plano y dos rotaciones; y en el
plano y dos transformaciones que no son ambas rotaciones.
22. Rota el plano x + y + z = 1 un ngulo de 30 alrededor del eje X y luego un
angulo de 60 alrededor del eje Z. Halla la ecuacin general del plano
resultante.
23. Repite el ejercicio anterior pero para el plano
x y z
+ + = 1.
3 4 5
24. Rota el mismo plano anterior de tal manera que quede paralelo
213
a) al eje X.
b ) a uno de los planos coordenados.
Analiza grficamente los resultados.

25. Analiza si en el espacio R3 la matriz asociada a la composicin de dos
rotaciones puede expresarse por el producto de las matrices asociadas
a cada rotacin sin importar el orden. Verbalizarlo como en el caso del
plano. Ten en cuenta el resultado del ej.21.
214
H-4. Valores y Vectores Propios de Matrices n n
H-4.
Valores y Vectores Propios de Matrices n n
Objetivo:
Este es un prctico que en donde se enfatiza sobre las
caractersticas de una matriz cuadrada, que van a tener
suma importancia en la descripcin de transformaciones
lineales o afines. Se calculan los autovalores y
autovectores de las matrices cuadradas.
Una vez terminado el ejercicio debes preguntarte --y
responderte lo ms detalladamanete posible-- qu has
hecho, y cmo, y fundamentalmente: hay algo genrico o
particular que pueda aprovechar a partir del ejercicio
que acabo de resolver? Analizar el resultado es ms
importante que resolver bien el ejercicio.
1. Cuntos autovalores tendr una matriz cuadrada Ann ? Disctelo a la

luz del polinomio caracterstico y el teorema fundamental del lgebra
que establece cuntas races tiene un polinomio segn fuere su orden.
2. Prueba que las matrices simtricas tienen autovalores reales. Hazlo para
un caso
un caso general de matriz de 2 2 simtrica como
particular:

S=
a b
b a
3. Comprueba que las matrices del tipo, ai,i = k , aj,i = ai,j

como S =
a b
b
a
b
0 0
o S2 = 0
a c
0 c a
tienen autovalores complejos.

4. Prueba que si una matriz es triangular, sus autovalores estn en la diagonal principal. Para tener un mtodo puedes empezar con una matriz
triangular genrica de 2 2,
luego una de 3 3, y luego anmate
a por ejemplo
U =
a11 a12 a1(n1) a1n

0
a22 a2(n1) a2n
0
0
a3(n1) a3n
..
.
..
.
..
..
.
..
.
ann
5. Calcula la familia de autovectores asociados a cada autovalor, de las siguientes matrices

215
A=
1 4
4
1
1 4
4
2
1 0
4 2
A=
2 1 0
2 1 0
2
1
0
0 2 0 1 2 0 1
2 1
0 0 3
0 0 3
0 1
3
6. Calcula los autovalores y autovectores de las siguientes matrices
A=
a 4
4
a
a 4
4
b
+1 1
1 +1
A=

a a 0
a a 0
a
0 0
a a 0 a
a 0 1
b 0
0 0 a
0
0 b
d 1 c
7. Repite para
A=
4 5 2
2
3
0
10 10
7
0
1 0
0
0 1
2 5 4
1
0
0
8 7 4
20 20 11
A=
4 2 10
5 3 10
2 0 7
0 0
2
1 8 20
1 0 5 0 7 20
0 1
4
0 4 11
8. Puedes establecer una propiedad acerca de los autovalores y autovectores para las matrices traspuestas?
Comprueba que puede sacarse tres, dos, y slo un autovector de las siguientes respectivas matrices
A=
1 0 0
1 1 0
0 1 0 0 1 0
0 0 1
0 0 1
1 1 0
0 1 1
0 0 1
9. Escoge una matriz ortogonal G R33 ; halla sus autovalores y autovectores. Luego efecta el producto escalar de los autovectores asociados
a autovalores diferentes. Informa lo que observas. Forma la matriz de
los autoversores y verifica si es ortogonal o no. Trata de explicrtelo
conectando el tema de Autovalores y Autovectores con el tema de Transformaciones lineales Isomtricas.

10. Obtiene dos matrices similares distintas, para la la matriz A =
1 0
4 2
11. Respecto del ejercicio anterior, halla los autovalores y autovectores de

las tres matrices similares
12. Discute el resultado anterior
216

13. Obtiene los autovalores y autovectores de A =
1 0
4 2
y de B = 4A, y de C = kA donde k 6= 0, k R
14. Discute los resultados anteriores.
15. Si la matriz [T ] tiene un par ( , v) discute cmo encontrar el par ( , w)
asociados a
a) la matriz inversa de [T ] . Discute la validez del resultado.
b ) la matriz traspuesta de [T ] . Este par se asocia al autovector por
izquierda de [T ]
c) sobre la base anterior, la matriz [B] = [T ]> [T ]
d ) asociado a la matriz similar [B] = [M ] [T ] [M ]1 si [M ] es de la misma
dimensin de [T ] y adems invertible
16. Establece el valor de verdad de las proposiciones y justifica, para dos
matrices de n n, una diagonal y otra triangular superior
a) si tienen la misma diagonal , son similares.
b ) si los elementos de la diagonal de una pueden encontrarse tambin
en la diagonal de la otra, pero en orden diferente, son similares.
c) Sobre esa base; verifcalo con las siguientes matrices, y en caso de
que no puedas verificar algo, establece claramente porqu.
A1 =
A3 =
1
0
0
0
0
0
2
0
0
0
0
0
3
0
0
0
0
0
3
0
0
0
0
0
0
A2 =
3
0
0
0
0
0
1
0
0
0
0
2
1
0
0
0
1
0
0
0
0
1
0
0
2
A4 =
217
1
0
0
0
0
3
0
1
4
0
0
2
0
0
0
0
1
0
2
0
1
2 0
1 1 1
3
2 1
0
3 0
0
0 0
0
0
0
1
0
0
0
0
3
0
0
0
0
0
2
H-5. Cambios de Base y Transformaciones Lineales
H-5.
Cambios de Base y Transformaciones Lineales
Objetivo:
Este es un prctico que combina cambios de base
aplicados a las diversas formas de escribir una TL a
travs de una matriz asociada. Descubrimos que la matriz
asociada que vimos en la seccin H-2 no eran nicas y
dependen de las bases adotadas en cada espacio. Existe
mucho inters en desacoplar una TL, que quiere decir
verla desde un punto de vista tal que sea muy simple
entenderla, porque las componentes del transformado solo
dependen del correspondiente original.-
7 16 8
1. Dada la matriz A = 16
7
8 Halla [] de modo que [] tenga
8
8 5
su diagonal
a- ordenada de mayor a menor.
b- ordenada de esta manera {9 , 27 , 9} .
2. Si los autovectores de una matriz de 2 2 son v1 y v2 , Prueba que la

matriz v3 v4 , formada por los vectores
v3 = k1 v1 ,
v4 = k2 v2
donde k1 , k2 ambos son distintos de cero, tambin es diagonalizante.

3. Prueba que si se intercambian los autovectores en una matriz diagonalizante, la matriz obtenida sigue siendo diagonalizante.
4. Con los dos ltimos ejercicios en mente establece cuntas matrices diagonales podr tener una matriz de nn y cuntas matrices diagonalizantes podr tener. No te olvides que no todas las matrices son similares
a una matriz diagonal

5. Diagonaliza la matriz de 2 2 simtrica genrica como S =
a b
b a
6. Diagonaliza si es posible las siguientes matrices
1 4
4
1
1 0
4 2
a)
e)
b)
0
0
2
f) 1
0

1 0
1
4
2 0 c)
4
2
0 3
1
0
2 1
1
3
2 1 0
d) 1 2 0
0 0 3
Haz las comparaciones del caso

218
7. Dada una TL
T : R2 R2 | T ((v1 , v2 )) = (3v1 + v2 , v1 2v2 )

la base B1 = {(1, 1) , (1, 1) } , y el vector u = (2, 2)
a) Calcula las matrices asociadas a la TL T, en los cuatro casos
([T ] , [T1 ] , [T ]1 , [T1 ]1 )
y representa esas relaciones en un pictograma.
b ) Representa el vector u y su transformado de las diferentes formas
posibles.
c) Agrega una base ms y determina todas las nuevas matrices posibles.
d ) Atribuye un valor de verdad a la expresin : la cantidad de matrices
asociadas a una sola transformacin lineal es infinita, porque las
posibles bases en uno y otro espacio son infinitas.
8. Para la transformacin anterior, trata de encontrar una base B3 tal que
la transformacin pueda verse desacoplada. Calcula la matriz asociada
sobre esa base en los dos espacios...
...Era posible prever con certeza la respuesta anterior con la informacin de cualquiera de las matrices asociadas calculadas en el punto (a)
del ejercicio anterior? Justificar.
9. Para la transformacin
lineal dada por
[T ]
a
b
2a
2b que mapea
a+b
un espacio vectorial de polinomios en grado hasta 1 a vectores en R3 ,

y dada una base B1 = {2 , 4x}
y el polinomio u (x) = 1 + 2x
Determina matricialmente. . .
a) La matriz [T ] asociada a la TL T
b ) el polinomio u (x) transformado comprueba mediante la ley
c) el polinomio en la base B1 .
d ) la matriz [T1 ] asociada a la TL T
e) comprueba el clculo anterior, verificando que [T (u)] = [T1 ] [u]1 ,
[T (u)] lo has obtenido en el punto 9b
f ) se podr calcular [T ]1 ? porqu?
g) prueba
que en realidad T : P1 S , siendo S el subespacio

x, y,
x+y
2
3
10. Prueba que
para la TL
U : P1 Q R , con
[U ]
a
b
a+b
= a b , la matriz asociada [UA ]B es la identidad ,
2a
219
siempre que las bases sean las estndares, en este caso
A = {1, x} , B = {(1, 1, 2) , (1, 1, 0)}

11. Para el ejercicio anterior Ej.9 , toma una base
B2 = {(1, 1, 1) , (1, 1, 1) , (0, 1, 1) } . Determina
1- La matriz [T ]2 asociada a la TL T
2-La matriz [T1 ]2 asociada a la TL T
12. Para los ejercicios anteriores 11 y 9:
1- mapea los vectores de la base cannica de P1 expresadas en base cannica de R3 y ponlos en orden en la matriz [G1 ]
2- expresa las imgenes halladas en el tem anterior sobre la base B2 de
R3 y ponlos en orden en la matriz [G2 ]
3- Compara [G1 ] con la matriz asociada a la TL original, Compara [G2 ]
con la matriz [T ]2
4- Mapea los vectores de la base B1 de P1 , y escrbelos sobre la base cannica de R3 . Arma con ellos la matriz [G]
5- expresa las imgenes halladas en el tem anterior sobre la base B2 de
R3 y ponlos en orden en la matriz G4
6- Compara G3 con la matriz [T1 ], Compara G4 con la matriz [T1 ]2
Extrae conclusiones sobre definiciones alternativas de las matrices asociadas.
13. Considerando la matriz [T ] asociada a una TL T : R3 R3 ,
a b 0
[T ] = b a 0 donde b 6= a 6= 0 .
0 0 a
a) Diagonaliza la matriz asociada haciendo un cambio de base adecuado y verifica los resultados mapeando el vector dado por [u] =
1
1 . (debes encontrar una base nueva)
1
b ) Cambia la transformacin lineal debido al cambio de base o es la
misma transformacin lineal vista desde otra perspectiva ?
c) En qu te parece que se mejora con una forma respecto de la otra?
14. Sea T : R2 R2 la reflexin de v sobre la direccin u dada por y = x .
1- Encuentra la matriz asociada [T ] a la TL T
2- Encuentra una representacin diagonal para [ T ]
15. Sea U : R3 R3 la proyeccin de v
sobre el plano : x + 2y z = 0
1- Encuentra la matriz asociada [U ] a la TL U
2- Encuentra una representacin diagonal para [ U ]
220
H-6.
Canonizacin de Cnicas y Cudricas
Objetivo:
Este es un prctico en donde se aplican los conceptos
adquiridos a la gemometra de las ecuaciones de las
figuras cnicas y las superficies cudricas.
Se aprovecha las caractersticas de las matrices
simtricas para resolver elegantemente el problema de
la rotacin de la cnica o cudrica respecto de los ejes
cuando la ecuacin admite el trmino rectangular xy --o
los trminos xy, xz, yz para las cudricas-Se completa esto con una traslacin, que no es una
transformacin lineal, pero en este contexto puede
aplicarse conjuntamente.-
1. Escribe
(a)(b)(c)-
en forma matricial
4x2 + 3y 2 + 8xy + 2x = 4
6y 2 + 5xy 3y + 2x = 1
y 2 + x2 = 4
2. En el ejemplo 6.1 tenamos que para la ecuacin
7x2 6 3xy + 13y 2 + 12 3x + 64x + 12y 64 3y = 276

se poda escribir

7
3
3
x
276 =
+
x y
y
3 3
13

x

+ 12 3 + 64 12 64 3
y
y los autovalores eran
1 = 16 ,
2 = 4
Verifica que si se toman al revs los autovalores la ecuacin canonizada

hubiese quedado de otra manera, pero los ejes se hubieran cambiado
tambin y la figura hubiese sido la misma.
3. Canoniza y Grafica
(a)- 4x2 + 3y 2 + 8xy + 2x = 4
(b)- 6y 2 + 5xy 3y + 2x = 1
(c)- y 2 + x2 = 4
(d)- x2 + y 2 + xy + x + y = 1
(e)- 4x2 2y 2 + 4 xy + 2 = 0
(f)- 2x2 + 8y 2 + 8 xy 4x + 2y = 0

(g)-
dada por A =
1 2
2 3

yB=
221
2 1
4. Canoniza
1- 5x2 + 5y 2 + 8xy + 4xz + 4yz + 2z 2 = 1
2- x2 2xy + y 2 2 xz 2yz + z 2 + 2 = 0
2
3- x2 2xy + y 2
z +2zx+y =0
2 xz 2yz +
4- dada por A =
5- dada por A =
1
2
0
1
2
0
2
2
3
0
2
3
0
0
0
0 yB
5
0 2
0
0
5 1
1
6
2 1 4

y B = 2 1 4 0
Ayuda: la forma cuadrtica puede tener ms variables, en este caso pue

de hacer v > = x y z q , o mejor v > = x1 x2 x3 x4
5. Qu representan los autoversores de la matriz de los coeficientes A?
6. Qu pasa con la cudrica si dos autovalores coinciden?
7. Qu pasa con la cudrica si los tres autovalores coinciden?
8. Qu problemas se generarn en esos casos para encontrar autoversores
ortogonales?
9. Qu pasa si dos trminos rectangulares son iguales a cero y el otro no
es cero?
10. Qu pasa si dos trminos cuadrticos son iguales y el otro es cero?
222
H-7. Ejemplo de examen
H-7.
Ejemplo de examen
1. Para el sistema lineal homogneneo escrito en forma matricial A X = ,

donde (importante) A Rpq y el conjunto S = { x | A x = } Rq .
Completa los espacios en blanco
a) x R 0 , y R 0 , lo cual
define:
X V; V =

0
0
0
, +, R, ; V ; V = R , +, R,
b ) Completa, justifica o comenta lo que se hace en cada paso

u, v S, a R
Au=Av =
A (u + v) = A u + A v
toma dos soluciones y un escalar

propiedad distributivavava
=+
de las matrices
por ser u y v dos solucionesnesnes

axioma 3 en EVRE: Rn Rp Rq
=
u+v S
verdadero falso
A (a u) = A (aI u) = A (Da u)
convierte todo en matriz, Da es diagonal
= (ADa ) u = (Da A) u
A y Da conmutan
= Da (A u)
de nuevo asociatividad
= (aIA) u = a Au = a (Au)
= a
reconvierte para volver el escalar

porque resulta que por 1, u es solucin
propiedad de espacio en Rn Rp Rq
=
au S
verdadero falso
como conclusin:
2. Para el conjunto { (3, 3, 2, 6), (1, 1, 1, 3) }, encuentra: el espacio generado y la base cannica del mismo.
3. Halla las matrices asociadas a las transformaciones lineales dadas mediante su accin sobre el cuadrado unitario
Y
A0
0
a) O
B0
C0 X
0
b) O
223
C0
A0
Y
C
AX
B0
3X
H-7. Ejemplo de examen
4. Sean las transformaciones lineales
L3 : R3 7 R2 | L3 (x, y, z) = (x + z, 2x 3y) y
L4 : R2 7 R3 | L4 (x, y) = (x, y, y x)
a) Halla la matriz asociada [ L ] de la composicin entre L3 y L4 , si es
L : R2 7 R2 .
b ) Transforma el cuadrado unitario mediante L, y grafica.
c) Halla los espacios asociados a los autovalores de [L]
d ) Halla la base B1 de R2 para que [ L1 ]1 se vea desacoplada.
224
H-8. Una palabra para compartir con profesores
H-8.
Una palabra para compartir con profesores
Si el tema de que el EV es una estructura algebraica no es sencillo de incorporar en primer ao de nuestras facultades de ingeniera y el estudiante tiende a pensar en el EV como un conjunto nada ms; el peligro es que
las transformaciones lineales entre espacios vectoriales ingresen a su modelo
mental como una simple extensin de las funciones entre conjuntos. En otras
palabras: la consideracin de las propiedades de esos conjuntos y el hecho
de que estn conectados dentro de estructuras que comparten el cuerpo de
escalares quedara excluida o al menos muy debilitada.
La interpretacin de cualquier algoritmo que usen los estudiantes para resolver sistemas lineales es crucial. Prcticamente ningn concepto puede quedar claro me refiero a que se incluya la parte saber cmo sin este requisito, as que resulta primordial asegurarse al principio de que este tema est
muy bien aprehendido.
La excesiva mecanizacin de procedimientos es un rasgo propio de estos
temas, pensemos en espacios generados, en la determinacin de que un
conjunto de vectores es o no linealmente dependiente, en el clculo de autovectores y as hasta las canonizaciones de cnica y cudrica son sencillas de
resolver con dos o tres tcnicas o procedimientos y el docente debe estar
muy atento para evitar caer en ellas, y para evitar que los estudiantes an
ms propensos justamente por estar expuestos a temas bastante abstractos y
en el proceso del aprendizaje, a tomar este atajo lo hagan.
Hay una cuestin no menor: la naturaleza se rige es general por leyes no
lineales. Lo lineal es una abstraccin que nos permite teorizar bajo supuestos que a estas alturas de la carrera los alumnos no advierten. Por eso es
sumamente conveniente aunque ms no sea tratar tangencialmente las transformaciones no lineales.
Resumir que un si un vector es colineal con su transformado es un autovector es quedarse con el concepto de que los espacios vectoriales solamente
se dan bajo los cuerpos reales, amn de que tampoco es correcto cuando est
asociado a un valor propio cero. Los autovectores de inters en la ingeniera
por ejemplo en el control de sistemas, los sistemas se controlan para que
tengan autovectores complejos en cierta parte del semiplano izquierdo del
plano complejo (si se trata de sistemas dinmicos de tiempo continuo) o que
queden confinados a una regin de diseo dentro del crculo unitario (en el
caso de sistemas de tiempo discreto, digitales o modelos de tiempo continuo
discretizados).
Existen excelentes oportunidades para combinar lo que el alumno est
aprendiendo de los cursos de clculo y aventurarse a mostrar aplicaciones
en otras asignaturas posteriores ecuaciones versus funciones, funciones de
varias variables, esfuerzos en vigas, etctera.
Hay ciertos inconvenientes a la hora de entender que la transformacin de
225
H-8. Una palabra para compartir con profesores
rotacin no tiene nada que ver con la rotacin de coordenadas (cambio de

base) con la que se juega para encontrar los ejes principales de cnicas y
cudricas.
Asimismo hay una idea generalizada de que las matrices que admiten diagonalizacin deben ser regulares, y una gran dificultad para encontrar pares
autovalorautovector a partir de matrices genricas por ejemplo, los de la
traspuesta, los de la escalada, etctera
226
Elementos en color(B.2)
Cap.1
Planos y rectas mediante espacio vectorial

Tramo AB:
B
2
g = (k, 1 + 4k k 2 );
k [1, 4]
Tramo CA:
1
`(` 8)); ` [4
0]
g = (`, 16
para ir de 4 a 8, debe ser ` = 8 k
1
g = (8 k, 16
(8 k)(k)); k [4, 8]
-1
k [0, 1]
Tramo BC:
g = k(1, 2) ;
1 + 4x x2
finalmente
x(x 8)
16
, k [0, 1]
(k, 2k)
g=
(k, 1 + 4k k 2 )
, k [1, 4]
1
(8 k, 16
(8 k)(k)) , k [4, 8]
A(0, 0) , B(1, 2) y C(4, 1)
Sec. 1-4.2Fig.1.6, pg.17 Trayectorias con segmentos rectos y arcos
Cap.2
Transformaciones Lineales
T
V = (V, +, K, )
v
DT = V
V 0 = (V 0 , +0 , K, 0 )
T (v) = v 0
K
(K, +, )
CT = V 0
Sec. 2-1Fig.2.2, pg.23 Transformaciones entre dos e.v.

Una transformacin es una funcin entre los conjuntos subyacentes de
dos espacios vectoriales que comparten el cuerpo de escalares.
Una transformacin es lineal cuando cumple con los axiomas de superposicin indicados en las ecuaciones (2.2) y (2.3)
pg.
25
Propiedades de las Transf. Lineales

1
Para una TL, la imagen del vector nulo; es el otro vector nulo
la TL preserva las combinaciones lineales
una TL T : Rn Rn mapea rectas en rectas.
Sec. 2-2.1, pg. 29
Matriz asociada a una TL

si T : V V 0 es lineal, estamos habilitados para tomar ventaja a la hora
de transformar, simplemente aplicando el lgebra matricial.
V
v
V0
v 0 = L(v)
[L]
[v]
[v]
CV
CV 0
Sec. 2-3Fig.2.4, pg.38 Transformacin lineal y matrices de coordenadas
Z
Z
Z
e3
e03
v0
e2
(a)
e2
(b)
Sec. 3-3Fig.3.3, pg.53 (a) Rotacin en el espacio (b) Alrededor del eje X
B.2 Color
2
Z
n
1/4
uy
1/4
1/2
1/3
1/3
uyz
Vista isomtrica y de perfil
Z
Y
1/5
1/5
1/2
u0xy
1/2
1/3
u0xy
Y
Vistas luego de la primera rotacin
Z
Y
1/4
1/ 29
1
29
Z
1/2
1/3
Y
Vistas luego de la segunda rotacin
Figuras referidas al ejemplo 3.6, pg. 55
Solo hemos definido rotaciones alrededor de los ejes coordenados.
2015 Jorge Omar Morel.

Esta obra est licenciada bajo la Licencia Creative Commons Atribucin-NoComercial-CompartirIgual 4.0 Internacional. Para ver una copia de esta licencia, visita
http://creativecommons.org/licenses/by-nc-sa/4.0/.
B.2 Color
Cap.4
Y
v4
v30
v3
v40
Y
v10
v50
5
4
3
2
6
v1
2
3
v5
Figuras referidas al Ejemplo 4.2, pg 61
La cantidad de autovectores linealmente independientes asociados a un

autovalor (multiplicidad geomtrica) puede ser igual o menor que su multiplicidad algebraica
Sec. 4-2.1.1, Pg.
65
Un par autovalor()-autovector(v ) para una matriz A es aquel en que el

conjunto { Av, v } es linealmente dependiente, y satisface la relacin A
v = v.
v 6= , pero Av puede ser el vector nulo.
Sec. 4-2.5, Pg. 77
Cap.5 Diagonalizacin de matrices y Aplicacin al cambio

de bases
B.2 Color
4
diagonalizar es encontrar una matriz similar diagonal. La matriz diagonalizante est formada por autovectores.
La matriz diagonal no es nica, menos an la matriz diagonalizante

ser nica.
Los autovectores de una matriz diagonalizable forman una base para los espacios que relaciona la transformacin lineal a la que esta
matriz est asociada.
V0
L(v) = v 0
[L]
[v]
[ v0 ]
CV
CV 0
Sec. 5-3Fig.5.1, pg.93 Cambio de bases (Ilustracin 1)
CV
[ L1 ]2
[ v ]1
[v]
[ B1 ]
V0
B1
v0
[ v 0 ]2
B2
[ v0 ]
[ B2 ]
CV 0
Sec. 5-3Fig.5.2, pg.93 Cambio de bases (Ilustracin 2)
V0
V
CV
B1
CV 0
v0
B2
K
V0
V
[v]
[L]
[ v0 ]
[ L1 ]
[ B1 ]
[ B2 ]
[ L ]2
[ L1 ]2
[ v ]1
[ v 0 ]2
Sec. 5-3Fig.5.3, pg.95 Cambio de bases (pictograma final)
B.2 Color
Una TL puede escribirse matricialmente de infinitas maneras, la matriz

asociada depender de las bases que se tomen en el dominio y en el
codominio.
Cap.VI
Canonizacin
Cnicas
Y
00
00
E
0
x
0
x0
0
y
0
y0
Sec. 6-3Fig.6.2, pg.105 Canonizacin de cnicas
[ v ]1 = [ v 0 ]
[v]
C
B1
Sec. 6-3.2. Figura del ejemplo 6.3, pg.111
Los ejes del sistema de referencias rotado tienen las direcciones respecto del sistema original, en las columnas de R , y sta es ortogonal: sus
columnas son versores normales entre s.
B.2 Color
6
Y 00
00
X 00
Figuras del ejemplo 6.5, pg.114 (3 y 4 de 4)
Y 00
00
Y0
x00 = x0 + 4
0
y 00 = y 0 + 3
X 00
X0
Apx.A
Mapeos de trayectorias en el plano
A-1.2
Con transformaciones no lineales (Ejemplo)
Y0
(1, 0) 7 (1, 2)
1.5
Y0
(1, 0) 7 (1, 2)
1.5
1
0.5
0.5
1.5
0.5
X0
X
-0.5
X0
0.5
-0.5
1.5
-0.5
-0.5
-1
-1
Sec. A-1.2Fig.A.4, pg.134 Mapeo no lineal N sobre ambas trayectorias

B.2 Color
Apx.C
Ms sobre Isometras
C-0.1
en el plano
Reflexin respecto de una recta cualquiera
u, dado por y = mx
2v
u
vu
v0
X
Sec. C-0.1Fig.C.1, pg.147 Reflexin alrededor de una recta cualquiera
Los elementos vector posicin o punto del espacio 2-dimensional, y los

nmeros complejos vienen de estructuras diferentes; slo comparten el
hecho de ser isomorfos.
Mas sobre autovalores y autovectores

D-3
Mtodo de Newton-Raphson (Races)

()
(0 )
3
0
m0
(1 )
m2
m1
Sec. D-3Fig.D.1, pg.164 Ilustracin mtodo de Newton-Raphson
B.2 Color
8
nada
nada

Jorge Omar Morel - 2015 - Transformaciones Lineales B

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Jorge Omar Morel - 2015 - Transformaciones Lineales B

Transféré par

Droits d'auteur :

Formats disponibles

TRANSFORMACIONES LINEALES

lgebra Lineal y Geometra Analtica para

Jorge Omar Morel

Morel, Jorge Omar

2015 Jorge Omar Morel.

Ober Misiones, 2015

Transformaciones Lineales y Matrices Asociadas.

Para cada captulo existe un apndice al final, donde ahondamos en detalles

Objetivos Parte B.2

a mis tas, Rosa y Anglica

a mi familia: por los fines de semana sin pap

al ing. Carlos Wst, por animarme y escribir la guia base

a mis alumnos, en particular Brenda Antonella Herda y Sergio Ariel Pacheco

1. Planos y rectas mediante espacio vectorial

1-1. Repaso de espacios vectoriales . . . . . . . . . . . . . . . . . . . .

1-2. Ecuaciones de la recta . . . . . . . . . . . . . . . . . . . . . . . . .

1-3. Ecuaciones del Plano . . . . . . . . . . . . . . . . . . . . . . . . . .

1-4. Repaso de segmentos y cnicas . . . . . . . . . . . . . . . . . . . . 13

2-1. Transformaciones o morfismos . . . . . . . . . . . . . . . . . . . . 22

4-1. Introduccin: Mapeo en el plano . . . . . . . . . . . . . . . . . . . 60

5. Diagonalizacin de matrices y Aplicacin al cambio de bases

5-1. Diagonalizacin de Matrices . . . . . . . . . . . . . . . . . . . . . . 84

6-1. Vector mediante su matriz de Coordenadas . . . . . . . . . . . . . 102

A-1. Circunferencia y cuadrado unitarios . . . . . . . . . . . . . . . . . 129

B-1. Ley dada mediante del mapeo de una base

B-2. Ncleo e imagen de una TL . . . . . . . . . . . . . . . . . . . . . . 138

C-1. Rotacin alrededor de un punto que no es el origen de coordenadas en el plano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

D-1. Teorema de Cayley-Hamilton . . . . . . . . . . . . . . . . . . . . . 155

E-1. Aplicacin de una transformacin ms de una vez . . . . . . . . . 169

F-1. Afinizacin de cudricas y cnicas . . . . . . . . . . . . . . . . . 179

G-1. Mapeos lineales de la circunferencia unitaria . . . . . . . . . . . . 190

H-1. Rectas, Planos y Espacios Lineales . . . . . . . . . . . . . . . . . . 204

H-3. Isometras en el Plano y el espacio . . . . . . . . . . . . . . . . . . 211

H-7. Ejemplo de examen . . . . . . . . . . . . . . . . . . . . . . . . . . . 223

Empezamos con una revisita a estos temas

1-1. Repaso de espacios vectoriales

Captulo 1. Planos y rectas mediante espacio vectorial

1-1. Repaso de espacios vectoriales . . . . . . . . . . . . . . . . . . . .

1-2. Ecuaciones de la recta

1-2.1. Matriz de coordenadas de la recta . . . . . . . . . . . . . .

1-2.2. Distancia de la recta al origen . . . . . . . . . . . . . . . .

1-3. Ecuaciones del Plano . . . . . . . . . . . . . . . . . . . . . . . . . .

1-3.1. Matriz de coordenadas del plano

1-3.2. Distancia del plano al origen . . . . . . . . . . . . . . . . . 11

1-4.1. Trayectorias con segmentos . . . . . . . . . . . . . . . . . 15

Repaso de espacios vectoriales

Un espacio vectorial es la estructura algebraica que posee un conjunto de

La suma en el cuerpo (1.2) es la suma de escalares, y es en general distinta

K = R, y adems con la suma estndar entre reales y el producto estndar

1-1. Repaso de espacios vectoriales

Captulo 1. Planos y rectas mediante espacio vectorial

particular, cuando decimos el espacio R2 estamos hablando del espacio

y sobre la otra, [v]2 =

definida es la base cannica

Para pasar de una representacin respecto de una base u otra vale:

[v] = [B2 ] [v]2

donde [B2 ] representa la matriz de transicin de la base B2 a la cannica, y sus

De esta forma puedes representar un vector en una base cualquiera B2 si

Donde, lo puedes comprobar: [B1 ]2 = [B2 ]1 . La matriz de transicin [ B2 ]1 de

Para simplificar la notacin usaremos solo el subndice numrico y consecuentemente en

1-2. Ecuaciones de la recta

Captulo 1. Planos y rectas mediante espacio vectorial

Figura 1.1: Repaso de cambio de bases

definida es la base cannica