Proyecto Compilando Conocimiento

Algebra Lineal

Transformaciones Lineales

Transformaciones Lineales

Autor:
Rosas Hernandez Oscar Andres
ndice general

1. Transformaciones Lineales 3
1.1. Definicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2. Kernel e Imagen 7
2.1. Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2. Imgen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3. Propiedades de Ambas . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4. Ejemplos de Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5. Ejemplos de Imgen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

3. Tipos de Transformaciones 14
3.1. Transformacin Inyectiva . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2. Transformacin Suprayectiva . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3. Isomorfismo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.4. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4.1. Biyectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.4.2. Inyectiva y Suprayectiva . . . . . . . . . . . . . . . . . . . . . . 17
3.5. Ejemplos de Inyectivas / Suprayectivas . . . . . . . . . . . . . . . . . . 19
3.6. Ejemplos de Isomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . 21

4. Matriz Asociada 23
4.1. Encontrar T usando una Base . . . . . . . . . . . . . . . . . . . . . . . 24

1
ndice general ndice general

4.1.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2. Matriz Asociada a Base Cannica . . . . . . . . . . . . . . . . . . . . . 27
4.2.1. Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.3. Matriz Asociada a Sistemas de C. . . . . . . . . . . . . . . . . . . . . . 29
4.4. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.5. Matriz Semejante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5. Valores y Vectores Propios 34

5.1. Valor Caracterstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.1.1. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

Compilando Conocimiento 2 Ve al ndice

Captulo 1

Transformaciones Lineales

3
Captulo 1. Transformaciones Lineales 1.1. Definicin

1.1. Definicin
Sea V y W dos espacios vectoriales. Una Transformacin Lineal de V a W es una
funcin que asocia a cada vector que pertenezca al espacio V a un nico vector que
pertenece a W , es decir con matemticas:

v V w W | T (v) = w

Pero adems para considerarlo una Transformacin Lineal se tiene que cumplir que
para 2 vectores cuales quiera en el espacio V y para cualquier escalar que pertenezca al
campo K (o dicho con matemticas formales: v1 , v2 V y K ) las dos siguientes
proposiciones siempre son verdaderas:

T (v1 + v2 ) = T (v1 ) + T (v2 )

T (v1 ) = T (v1 )

1.2. Propiedades
Combinacin Lineal

Pero si somos lo suficientemente inteligentes o tenemos internet podemos saber que la

siguiente proposicion es totalmente equivalente a lo que tenemos arriba.
v1 , v2 V y , K se cumple que:

T (v1 + v2 ) = T (v1 ) + T (v2 ) (1.1)

El Vector Cero se Preserva

Una Transformacin Lineal debe llevar al 0V de V al 0W de W

Su demostracin es muy sencilla, pues:

T (0V ) = T (v1 v1 ) = T (v1 ) T (v1 ) = 0W

Operador Lineal

Decimos que T (alguna transformacin lineal) es un operador lineal en V si y solo si

su dominio y su contradominio son el mismo.

Compilando Conocimiento 4 Ve al ndice

Captulo 1. Transformaciones Lineales 1.3. Ejemplos

1.3. Ejemplos
Ejemplo 1:

Sea R3 R2 tal que:

x  
xz
T y =

y+z
z

Probemos que esta T es una Transformacin Lineal:

Probemos la primera propiedad como:


T v1 + v2 =

x1 x2 x 1 + x2
= T y 1 + y 2 = T y 1 + y 2
z1 z2 z1 + z2
   
(x1 + x2 ) (z1 + z2 ) x1 + x2 z1 z2
= =
(y1 + y2 ) + (z1 + z2 ) y1 + y2 + z1 + z2
     
(x1 z1 ) + (x2 z2 ) x1 z1 x2 z2
= = +
(y1 + z1 ) + (y2 + z2 ) y1 + z1 y2 + z2

x1 x2
= T y1 + T y2
z1 z2
= T (v1 ) + T (v2 )

Probemos la segunda propiedad:

T (v1 ) =

x x
=T y
= T y

z z

    x
x z xz
= = = T y

y + z y+z
z
= T (v1 )

Por lo tanto las 2 propiedades se cumplen as que si que es una transformacin lineal.

Oscar Andrs Rosas 5 Ve al ndice

Captulo 1. Transformaciones Lineales 1.3. Ejemplos

Ejemplo 2:

Ve que falla con el siguiente intento de Transformacin Lineal:

Sea R2 [x] R3 [x] tal que:



T a0 + a1 x + a2 x 2 = 3 + a0 x + a1 x 2 + a2 x 3

Esta muere de una manera muy estpida, pues no lleva el cero vector al nuevo cero
vector XD.

Compilando Conocimiento 6 Ve al ndice

Captulo 2

Kernel e Imagen

7
Captulo 2. Kernel e Imagen 2.1. Kernel

2.1. Kernel
El Kernel de una Transformacin Lineal o Ncleo es el conjunto de todos los vectores
originales (osea v V ) tales que al momento de aplicarles la transformacin estos son
llevados al origen (osea 0w )
O dicho con el bello lenguaje de matemticas:

Kernel(T ) = {v V | T (v) = 0w } (2.1)

Recuerda que un Kernel siempre siempre sera un Subespacio Vectorial y solemos llamar
a su dimensin la Nulidad.
Podemos decir que el Kernel es el espacio solucin del Sistema Homogneo.

{x K m | Ax = 0m1 }

2.2. Imgen
Tambien tenemos a la hermana perdida del Kernel, la llamamos la Imgen, la cual la
definimos as:
La Imgen de una Transformacin Lineal es el conjunto de todos los vectores nuevos
(osea w W ) que podemos crear desde los vectores originales (osea v V ) usando
la Transformacin Lineal.
O dicho con el bello lenguaje de matemticas:

Imagen(T ) = {w W | v V, T (v) = w} (2.2)

Recuerda que una Imagen siempre siempre sera un Espacio Vectorial y solemos llamar
a su dimensin Rango.
Podemos decir que el Imagen es el conjunto de terminos independientes para los cuales
hay solucin.

{b K m | x K m , Ax = b}

Compilando Conocimiento 8 Ve al ndice

Captulo 2. Kernel e Imagen 2.3. Propiedades de Ambas

2.3. Propiedades de Ambas

Podemos hablar de que ambas paracen ser como hermanas perdidas, veamos que pro-
piedades tenemos:

Encontrar la Dimensin de V

Estas deacuerdo que todos los vectores que pertenecen a V o bien son llevados al cero
vector o a un vector cualquiera, as que tiene sentido hablar de que:
La Suma de la Nulidad con el Rango te da la dimensin de V

dim(V ) = dim(Kernel) + dim(Imagen) (2.3)

Oscar Andrs Rosas 9 Ve al ndice

Captulo 2. Kernel e Imagen 2.4. Ejemplos de Kernel

2.4. Ejemplos de Kernel

Ejemplo 1

Encuentra
el Kernel de la siguiente Transformacin Lineal: T : R3 R2 [x] tal que:

T a b c = (a + b) + (a c)x + (2a + b c)x2
Lo que nos estan pidiendo es:

Kernel(T ) = { a b c R3 | T a b c = 0 + 0x + 0x2 }

Veamos que para hacerlo solo basta con que cumplan que:

a+b=0
ac=0
2a + b + c = 0

Podemos hacer Gauss - Jordan:

1 1 0 1 1 0 1 1 0
1 0 1 1 0 1 1 0 1
2 1 1 1 0 1 0 0 0

Por lo tanto podemos ver que:

a+b=0 b = a
ac=0 c=a

Por lo tanto podemos ver que:

Kernel(T ) = {(a, b, c) R3 | b = a, c = a}

Finalmente aplicamos la transformacin con estas propiedades y tenemos que:

Kernel(T ) = {(a, a, a) R3 | a R}

Y si te das cuenta estas ya describiendo un espacio vectorial que esta definido como:

Kernel(T ) = {(1, 1, 1)| R}

Sera tal vez una linea, pero no deja de ser espacio vectorial, cuyo vector base es:

Kernel(T ) =< (1, 1, 1) >

Compilando Conocimiento 10 Ve al ndice

Captulo 2. Kernel e Imagen 2.4. Ejemplos de Kernel

Ejemplo 2
2

el Kernel de la siguiente Transformacin Lineal: T : R R1 [x] tal que:
Encuentra
T a b = (a b) + (a + b)x
Lo que nos estan pidiendo es:

Kernel(T ) = { a b R2 |



T a b = 0 + 0x}

Veamos que para hacerlo solo basta con que cumplan que:

ab=0
a+b=0

Podemos verlo como matriz y comparar su determinante:

 
1 1
1 1  = 1 + 1 = 2 6= 0
 

Y como vemos que su determinante no es cero eso quiere decir que el sistema
homogeneo asociado tiene una nica solucin.
La trivial, es decir solo lleva al cero vector al cero vector.

As: Kernel(T ) =< { 0 0 } >
Esto sigue siendo un espacio vectorial, es un punto, un espacio de 0 dimensiones, y por
lo tanto la dimensin de este espacio vectorial es 0.

Oscar Andrs Rosas 11 Ve al ndice

Captulo 2. Kernel e Imagen 2.5. Ejemplos de Imgen

2.5. Ejemplos de Imgen

Ejemplo 1

Encuentra la Imagen de la siguiente Transformacin Lineal: T : R3 R2 [x] tal que:

T (a, b, c) = (a + b) + (a c)x + (2a + b c)x2
Lo que nos estan pidiendo es:

Imagen(T ) = {a0 +a1 x+a2 x2 R2 [x]| (a, b, c) R3 , T (a, b, c) = a0 +a1 x+a2 x2 }

Es decir, lo que se nos esta pidiendo es que:

a + b = a0
a c = a1
2a + b + c = a2

Y pos preguntas para que valores de a0 , a1 , a2 tiene solucin el sistema que planteamos
all arriba.
Es decir lo que tenemos que hacer es ver las soluciones de este sistema de ecuaciones,
podemos hacer Gauss - Jordan:

1 1 0 a0 1 1 0 a1
1 0 1 a1 U sando:GaussJordan 1 0 1 a0 a1
2 1 1 a2 0 0 0 a2 a1 a0

Por lo tanto podemos ver que:

a2 a1 a0 = 0 a2 = a1 + a0

Y ya solo sustituyendo tenemos que:

Imagen(T ) = {a0 + a1 x + (a0 + a1 )x2 R2 [x]| a2 = a0 + a1 , | a0 , a1 R}

= {a0 (1 + x2 ) + a1 (x + x2 ) R2 [x]| a0 , a1 R}

Y si te das cuenta estas ya describiendo un espacio vectorial que esta definido como:

Imagen(T ) = {(1 + x2 ) + (x + x2 )| , R}

Y cuyos vectores base son:

Imagen(T ) =< (1 + x2 ), (x + x2 ) >

Compilando Conocimiento 12 Ve al ndice

Captulo 2. Kernel e Imagen 2.5. Ejemplos de Imgen

Ejemplo 2
2

la Imgen de la siguiente Transformacin Lineal: T : R R1 [x] tal que:
Encuentra
T a b = (a b) + (a + b)x
Lo que nos estan pidiendo es:

Imagen(T ) = {a0 + a1 x R1 [x]| (a, b) R2 , T (a, b) = a0 + a1 x}

Es decir, lo que se nos esta pidiendo es que:

a b = a0
a + b = a1

Podemos verlo como matriz y comparar su determinante:

 
1 1
1 1  6= 0
 

Y como vemos que su determinante no es cero eso quiere decir que el sistema
asociado tiene soluciones infinitas.


As: Imagen(T ) =< { 1, x } >
Esto sigue siendo un espacio vectorial, un espacio de 2 dimensiones, y por lo tanto la
dimensin de este espacio vectorial es 2.

Oscar Andrs Rosas 13 Ve al ndice

Captulo 3

Tipos de Transformaciones

14
Captulo 3. Tipos de Transformaciones 3.1. Transformacin Inyectiva

3.1. Transformacin Inyectiva

Recuerda que el hecho de una funcin f (x) sea inyectiva si es que para cualquiera x1 , x2
en las que pase que f (x1 ) = f (x2 ) , esto implica que x1 = x2 .
T es inyectiva si y solo si Kernel(T ) = {0v }
Es my til recordar que si T es una transformacin inyectiva, entonces un conjunto de
vectores independientes en V , al momento de aplicarles la transformacin lineal nos
genera un conjunto de vectores en W que son linealmente independientes.
Tambin una interesante forma de saber si una transformacin es inyectiva es recordar
que:
Si tienes un conjunto de de vectores base de V , al momento de crear la transformacin
lineal este conjunto de vectores se vuelven linealmente dependientes, entonces no es
una transformacin inyectiva.

3.2. Transformacin Suprayectiva

Recuerda que el hecho de que una funcin f (x) sea suprayectiva es que para cualquier
y podemos encontrar a alguna x tal que f (x) = y. Esto tambien lo podemos ver si es
que Imagen(f ) = y
T es suprayectiva si y solo si Imagen(T ) = W
Tambin otra forma de verlo es que las Transformaciones Suprayectivas son aquellas en
las que si tienes una base en V al momento de aplicarles la transformacin obtendrs
una base en W .

Oscar Andrs Rosas 15 Ve al ndice

Captulo 3. Tipos de Transformaciones 3.3. Isomorfismo

3.3. Isomorfismo
Sea T : V W una transformacin lineal.
Decimos que dos espacios vectoriales V y W son isomorfos si y solo si es que existe
una transformacin lineal (T ) biyectiva (es decir, que es inyectiva y suprayectiva) entre
estos espacios.
Hablemos mas de esta definicin.
El hecho de que dos espacios sean isomorfos nos dice que existe al menos una
transformacin lineal biyectiva, pero no nos dice que cualquier T que tomemos ser
biyectiva.
Decimos tambin que si encontramos dicha T que es biyectiva entre dos espacios iso-
morfos la solemos llamar un isoformismo.

Equivalencia

Podemos ademas saber que el hecho de que 2 espacios seas isomorfos (digamos que lo
dibujamo como
=) es una relacin de equivalencia. Esto quiere decir que:

V
=V

(V
= W ), entonces (W
= V)
(V
= W ) y (W
= U ), entonces (V
= U)

Se Conservan Propiedades

Cualquier propiedad que tuviera un conjunto de vectores en V se mantiene en su

imagen, es decir se mantienen despus de que le apliquemos la transformacin lineal
isomorfica, si eran linealmente independientes, lo segirn siendo, si eran un subespacio,
lo seguiran siendo y as.

Compilando Conocimiento 16 Ve al ndice

Captulo 3. Tipos de Transformaciones 3.4. Propiedades

3.4. Propiedades

3.4.1. Biyectivas
Recuerda que decimos que una transformacin lineal es biyectiva si es inyectiva y
suprayectiva.

Composicin de Transformaciones Lineales

Sea T 1 : V W y T 2 : W U transformaciones lineales, entonces T 2 T 1 : V U

es una Transformacin Lineal.

Inversa de una Transformada

Si T : V W es biyectiva,entonces T 1 : W V tambin es una Transformacin

Lineal.

3.4.2. Inyectiva y Suprayectiva

Encontrarlas usando Dimensin

Sea T : V W , entonces:

Si dim(V ) > dim(W ), T no es inyectiva.

Si dim(V ) < dim(W ), T no es suprayectiva.

Si sabemos que dim(V ) = dim(W )

Si sabemos que dim(V ) = dim(W ) Entonces los siguientes enunciados son equivalentes:

T es inyectiva

T es suprayectiva

T es biyectiva

Es decir, si tenemos esta gran informacin acerca de las dimensiones entonces basta
con encontrar si la transformacin es inyectiva o suprayectiva y sabiendo eso tendremos
toda la informacin.

Oscar Andrs Rosas 17 Ve al ndice

Captulo 3. Tipos de Transformaciones 3.4. Propiedades

Tambin es importante ver su determinante, pues es una buena forma, si su determiante

es diferente de cero, entonces es biyectiva, con todo lo que ya sabemos que conlleva
eso.

Compilando Conocimiento 18 Ve al ndice

Captulo 3. Tipos de Transformaciones
3.5. Ejemplos de Inyectivas / Suprayectivas

3.5. Ejemplos de Inyectivas / Suprayectivas

Ejemplo 1
Verificar si las siguiente transformacin lineal si es Inyectiva o Suprayectiva:
 
2 a
T : R R2 [x] tal que: T = (a b) + (a)x + (a + b)x2
b

Inyectiva b Lo que podemos ver es que el Kernel de la transformacin

  linealsolo

a 0
tendr al 0v , veamos que esto es lo que pasa comprobando que tiene que ser .
b 0
 
a
Supn un vector Kernel
b
   
a 0
Para que T = entonces a = 0 (porque es lo nico que multiplica a x) y ahora
b 0
sabemos que b tambin pues (a + b)x2 = 0x2
Por lo tanto si que el Kernel solo tiene al 0v y por lo tanto esta transformada si que es
Inyectiva.

Suprayectiva
Para que fuera suprayectiva, una base de R2 tras ser transformada debera ser un capaz
de generar a R2 [x] pero propongamos a la base cannica de R2 y esta no puede ser
base para R2 [x] pues necesito mnimo 3 vectores para generar a R2 [x].
Por lo tanto no es Suprayectiva.
Y por esto mismo, tampoco es biyectiva.

Oscar Andrs Rosas 19 Ve al ndice

Captulo 3. Tipos de Transformaciones
3.5. Ejemplos de Inyectivas / Suprayectivas

Ejemplo 2
Verificar si las siguiente transformacin lineal si es Inyectiva o Suprayectiva:

  ab+c
a b
T : M22 (R) R3 tal que T = dc
c d
a + b c

Inyectiva
Podemos verlo usando la contrapositiva de una proposin ms famosa, basicamente es
que si tienes un conjunto de de vectores base que al aplicarles la transformacin lineal
estos se vuelven un conjunto dependientes, entonces no es inyectiva, y eso lo podemos
ver con la base canonica:

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

0 0 0 0 1 0 0 1
1 1 1 0

Ya que estos vectores no son linealmente independientes (digo son 4 vectores en un

espacio de dimensin 3)
Por lo tanto no es inyectiva.

Suprayectiva
Para que fuera supreyectiva, una base de R2 tras ser transformada debera ser un capaz
de generar a R3 pero propongamos a la base canonica y ya vimos que esto no lo hace.
Por lo tanto no es Suprayectiva :(

Compilando Conocimiento 20 Ve al ndice

Captulo 3. Tipos de Transformaciones 3.6. Ejemplos de Isomorfismos

3.6. Ejemplos de Isomorfismos

Ejemplo 1
Verificar si las siguiente transformacin lineal si es un isomorfo:
T : R3 R2 [x] tal que:

a
T b = (a + b) + (a + c)x + (b + c)x2
c

Inyectiva
Podemos ver que el Kernel solo contiene el cero vector, todo lo que hay que hacer es que
hay que ver el que cualquier elemento del Kernel tiene que ser aquel con a = b = c = 0
para verlo basta ve la matriz:

1 1 0 a 0
1 0 1 b = 0
0 1 1 c 0

Y vemos que su determiante no es cero (es 2 :p) por lo tanto el sistema homogneo
solo tiene la solucin trivial, es decir, donde todo es cero.
Por lo tanto es Inyectiva.

Suprayectiva
Lo que nos piden es ver la solucin a:

1 1 0 a a0
1 0 1 b = a1
0 1 1 c a2

Y vemos que esto si que genera a R2 [x], pues ambos espacios tienen la misma dimensin
y ya probamos que es una transformacin lineal.
Por lo tanto es Inyectiva.
Por lo tanto si que es Isomorfismo.

Oscar Andrs Rosas 21 Ve al ndice

Captulo 3. Tipos de Transformaciones 3.6. Ejemplos de Isomorfismos

Ejemplo 2
Verificar si las siguiente transformacin lineal si es un isomorfismo:
T : R3 R2 [x] tal que:

a
T b = (a + b 2c) + (a 2b + c)x + (2a + b + c)x2
c

Inyectiva
Podemos intentar ver que el Kernel solo contiene el cero vector, todo lo que hay que
hacer es que hay que ver el que cualquier elemento del Kernel tiene que ser aquel con
a = b = c = 0 para verlo basta ve la matriz:

1 1 2 a 0
1 2 1 b = 0
2 1 1 c 0

Y vemos que su determiante es cero por lo tanto el sistema homogeneo NO solo tiene
la solucin trivial, es decir, donde todo es cero.
Por lo tanto es NO Inyectiva.
Por lo tanto NO es Isomorfismo.

Compilando Conocimiento 22 Ve al ndice

Captulo 4

Matriz Asociada

23
Captulo 4. Matriz Asociada 4.1. Encontrar T usando una Base

4.1. Encontrar T usando una Base

Resulta que podemos describir completamente a una transformacin lineal (T : V
W ) solo sabiendo que le hace a un conjunto de vectores (B V ) de una base (< B >=
V ).
Si lo piensas esto es bastante obvio, pues puedes describir cualquier vector como una
combinacin lineal de los vectores de la base, as que podemos ya saber que es lo que
le hace a un vector cualquiera.
De hecho usaremos esa idea para encontrar a nuestra T .

Compilando Conocimiento 24 Ve al ndice

Captulo 4. Matriz Asociada 4.1. Encontrar T usando una Base

4.1.1. Ejemplos

Ejemplo 1
Sea T : R3 R2 [x] tal que:

1
T 1 = 3 x + 3x2
0

1
T 0 = 2 + 2x + x2
1

0
T 1 = 1 x

1

Bueno, creo que esta de ms decir que estos 3 vectores son una base, as que veamos
como describir cualquier vector en esta base:

a 1 1 0 1 + 2
b = 1 1 + 2 0 + 3 1 = 1 + 3
c 0 1 1 2 + 3

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

Luego, basta con saber cuanto vale cada escalar de esta manera, usando Gauss-Jordan:

        
1 1 0 a 1 1 0   a  1 1 0   a 
      
1
 0 1  b  0 1 1 a + b 0 1 1 a b
0 1 1  c  0 1 1   c  0 1 1   c 
        
1 0 1   b  1 0 1   b  1 0 0  a+bc 
       2 
0
 1 1  a b  0 1 1  a b  0 1 0  ab+c2


0 0 2  a + b + c 0 0 1   a+b+c  0 0 1  a+b+c 
2 2

Oscar Andrs Rosas 25 Ve al ndice

Captulo 4. Matriz Asociada 4.1. Encontrar T usando una Base

Y con esta importante informacin ya tenemos la informacin que queremos mira:

a+bc
1 =
2
ab+c
2 =
2
a + b + c
3 =
2

Ahora, queramos todo esto, porque as ya podemos resolver esto:

a 1 1 0 1 1 1
T b = T 1 1 + 2 0 + 3 1
= 1 T 1 + 2 T 1 + 3 T 1

c 0 1 1 0 0 0

Y lo mas genial es que ya sabemos todo lo que vale eso, as que vamos a sustituir:
a+bc ab+c a+b+c
2
(3 x + 3x2 ) + 2
(2 + 2x + x2 ) + 2
(1 x)
Y si hicieramos el algebra veremos que los podemos reordenar como:
(3b 3c) + (a 2b + c)x + (2a + b c)x2
Y bingo, ya la tenemos :)

Compilando Conocimiento 26 Ve al ndice

Captulo 4. Matriz Asociada 4.2. Matriz Asociada a Base Cannica

4.2. Matriz Asociada a Base Cannica

La base cannica es muy bonita, de verdad, veamos primero que es lo que digo cuando
digo Matriz Asociada:
Sea T : V W una transformacin lineal.
Y llamemos v1 , v2 , a los vectores canonicos de V , entonces decimos que A es la
matriz asociada a la T , donde A cumple que:

[T ] = [T (v1 )] [T (v2 )] [T (vn )]

Oscar Andrs Rosas 27 Ve al ndice

Captulo 4. Matriz Asociada 4.2. Matriz Asociada a Base Cannica

4.2.1. Ejemplos

Ejemplo 1
Encontremos la matriz asociada a la transformacin:
T : R2 R1 [x] tal que: T a b = (a b) + (a + b)x

Esto creo es de lo ms sencillo que podemosa hacer, mira:

[T ] = [T (v1 )] [T (v2 )] [T (vn )]
    
1 0
[T ] = [T ] [T ]
0 1


[T ] = [1 + x] [1 + x]
   
 1  1
[T ] =    
x x
 
1 1
[T ] =
1 1

Ejemplo 2
Encontremos la matriz asociada a la transformacin:

a  
3 2 2x y
T : R R tal que: T b =
x+z
c
Esto creo es de lo ms sencillo que podemosa hacer, mira:

[T ] = [T (v1 )] [T (v2 )] [T (vn )]

1 0 0
[T ] = [T 0] [T 1] [T 0]
0 0 1
     
2 1 0
[T ] = [ ] [ ] [ ]
1 0 1
 
2 1 0
[T ] =
1 0 1

Compilando Conocimiento 28 Ve al ndice

Captulo 4. Matriz Asociada 4.3. Matriz Asociada a Sistemas de C.

4.3. Matriz Asociada a Sistemas de C.

Sea T : V W una transformacin lineal.
Decimos que la matriz asociada a la T respecto a las Bases B1 (V ) y a B2 (W )
Donde:


[T ]B1 (V )B2 (W ) = [T (v1 )]B2 (W ) [T (v2 )]B2 (W ) [T (vn )]B2 (W )

Oscar Andrs Rosas 29 Ve al ndice

Captulo 4. Matriz Asociada 4.4. Propiedades

4.4. Propiedades
Veamos que necesitamos primero para empezar:

Sea las Transformaciones Lineales

T 1, T 2, T 3 : W V

Sea la Transformacin Lineal T 4 : V U

Sean B1 , B2 , B3 bases de V

Sean B4 , B5 , B6 bases de W

Sean B7 bases de U

Ahora si, con todo listo veamos:

[T 1 + T 2 ]B1 B4 = [T 1 ]B1 B4 + [T 2 ]B1 B4

[ T 1 ]B1 B4 = [T 1 ]B1 B4

[T 4 T 1 ]B7 B1 = [T 4 ]B7 B1 [T 1 ]B1 B7

[T 1 ]B2 B5 = C B5 [T 1 ]B1 B4 C B1
B4 B2

Esto es muy abstracto, as que lo mejor es mostrar un ejemplo:

Compilando Conocimiento 30 Ve al ndice

Captulo 4. Matriz Asociada 4.4. Propiedades

Ejemplo
 
2 2x y z
Tengamos una T : R R que la podemos ver como:
x y 3z
Tengamos dos Bases, digamos:

B1 La Base cannica:

1 0 0
0 , 1 , 0
0 0 1

B2 La Base cannica:
   
1 0
, ,
0 1

Entonces tenemos que:

1 0 0
[T ]B1 (R3 )B2 (R2 ) = T (0 T (1 T (0


0 B2 (R2 ))
0 B2 (R2 ))
1 B2 (R2 ))
      !
2 1 1
=
1 B2 (R2 ) 1 B2 (R2 ) 3 B2 (R2 )
 
2 1 1
=
1 1 3

Oscar Andrs Rosas 31 Ve al ndice

Captulo 4. Matriz Asociada 4.4. Propiedades

Ejemplo
   
2 2 x x + 2y
Tengamos una T : R R que la podemos ver como: T =
y y
Tengamos dos Bases, digamos:

B1 Una base fea como:

   
1 1
, ,
0 1

B2 Otra base fea:

   
1 1
, ,
1 1

B3 Ahora si la cannica:
   
1 0
, ,
0 1

Entonces tenemos que si quisieramos encontrar [T ] solo habra que factorizar las in-
cognitas:

      !
1 0
[T ]B3 (R2 )B3 (R2 ) = T( T(
0 B3 (R2 )) 1 B3 (R2 ))
    !
1 0
=
0 B2 (R2 ) 1 B2 (R2 )
 
1 0
=
0 1

Compilando Conocimiento 32 Ve al ndice

Captulo 4. Matriz Asociada 4.5. Matriz Semejante

4.5. Matriz Semejante

Sea A, B y P Mnn (K).
Decimos que A es semejante a B si existe una P invertible tal que se cumpla que:

B = P 1 AP (4.1)

Es ms, esta semejanza es una relacin de equivalencia.

Podemos descubrir que A es semejante a B si y solo si A y B son matrices asociadas
a transformaciones lineales del estilo T : K n K n con la misma base en el dominio
que el contradominio.

Oscar Andrs Rosas 33 Ve al ndice

Captulo 5

Valores y Vectores Propios

34
Captulo 5. Valores y Vectores Propios 5.1. Valor Caracterstico

5.1. Valor Caracterstico

Veamos que pasa si K = C y sea A Mnn (K). Decimos que v K n con v 6= 0n1 es
un vector propio de A si existe un K tal que :

Av = v (5.1)

Adems decimos que es un valor propio de A.

Sea A Mnn (K) y sea un valor caracteristico que ya conocemos entonces podemos
definir al subespacio asociado a , como:

E = {v K n |Av = v} (5.2)

Tambien podemos ver que para encontrar los valores caracteristicos, gracias a la defi-
nicin basta con que saquemos el determinante de esta expresin:

|A In | (5.3)

Y veamos para cuales valores de el determinante da 0.

Oscar Andrs Rosas 35 Ve al ndice

Captulo 5. Valores y Vectores Propios 5.1. Valor Caracterstico

5.1.1. Propiedades
Sea A Mnn (K) y sea , 1 , 2 un valores caractersticos de A.
Sea v1 y v2 vectores caractersticos asociados a 1 y 2 respectivamente.
Entonces tenemos que:

E es un subespacio vectorial de k n

Si 1 6= 2 , entonces E1 1 E2 = {0v }

Si 1 6= 2 , entonces v1 y v2 son linealmente independientes.

Compilando Conocimiento 36 Ve al ndice

Captulo 5. Valores y Vectores Propios 5.1. Valor Caracterstico

Ejemplo

Encuentra si v es un vector propio de A, dados:

4 4 2 1
A = 0 2 1 y sea v = 61

2
3 2 1 3
Y vemos que lo es, pues:

4 4 2 1 6 1
0 2 1 1 = 1 = 6 1
6 6
2 2
3 2 1 3
4 3

Oscar Andrs Rosas 37 Ve al ndice

Captulo 5. Valores y Vectores Propios 5.1. Valor Caracterstico

Ejemplo

Encuentra el espacio generador por el valor caracterstico = 2 donde:

 
10 18
A= .
6 11
As que empecemos:

E = {v K n |Av = v}
E2 = {v K 2 |Av = (2)v}
 
x
E2 = { 1 K 2 |Av = (2)v}
x2
 
x
E2 = { 1 K 2 |Av = (2)v}
x2
   
x1 2 10 18
E2 = { K | v = (2)v}
x2 6 11
      
x1 10 18 x1 x
E2 = { K | 2
= (2) 1 }
x2 6 11 x2 x2
       
x 10x1 18x2 x1 2x1 0
E2 = { 1 K 2 | = }
x2 6x1 11x2 2x2 0
     
x1 2 12x1 18x2 0
E2 = { K | = }
x2 6x1 0x2 0

Ahora aplicas Gauss-Jordan, donde partimos de a :

 
12 18
6 9

Donde ahora tenemos que llegamos a:

1 32
 

0 0

Por lo tanto son cualquier vector que cumpla que: x1 32 x2 = 0, es decir que x1 = 3
2
3 
x
Por lo tanto podemos reescribir nuestro vector como: 2 2
x2
3
Que si te das cuenta los los vectores que se generan con esta base: {x2 < 2 >}
1

Compilando Conocimiento 38 Ve al ndice

Captulo 5. Valores y Vectores Propios 5.1. Valor Caracterstico

Ejemplo

Encuentra los vectores caracteristicos de A, donde:

 
10 18
A= .
6 11
As que empecemos:

|A In | = 0
   
 10 18 1 0 

 6 11 =0
0 1 
 
 10 18 
 =0
 6 11 
(10 )(11 ) 6(18) = 0
2 + 2 = 0

Por lo tanto encontramos que 1 = 2 y 2 = 1

Oscar Andrs Rosas 39 Ve al ndice