Capítulo 1: ESPACIOS VECTORIALES

Sistemas y Ecuaciones Diferenciales Lineales FMM312

Departamento de Matemáticas

Universidad Andrés Bello

Campus Santiago

Primer Semestre 2017

Departamento de Matemáticas (UNAB) FMM312 2017-I 1 / 79

Cuerpo
Denición 1
Sea K un conjunto y sean + : K × K → K, · : K × K → K dos operaciones binarias
internas. Decimos que el conjunto K provisto de las dos operaciones anteriores -lo que se
simboliza (K, +, ·)- es un Cuerpo (o campo) si:
1 + es asociativa, es decir ∀x, y, z ∈ K, x + (y + z) = (x + y) + z .
2 + es conmutativa, es decir ∀x, y ∈ K, x + y = y + x.
3 Existe un elemento neutro 0 ∈ K para +, es decir x + 0 = 0 + x = x, ∀x ∈ K.
4 ∀x ∈ K, existe un inverso aditivo −x ∈ K tal que x + (−x) = 0.
5 · es asociativa, es decir ∀x, y, z ∈ K, x · (y · z) = (x · y) + ·z .
6 Existe un elemento neutro 1 ∈ K para ·, es decir x · 1 = 1 · x = x, ∀x ∈ K.
7 ∀x ∈ K, x 6= 0, existe un inverso multiplicativo x−1 ∈ K tal que x · x−1 = 1.
8 · es distributiva con respecto a +: ∀x, y, z ∈ K, x · (y + z) = x · y + x · z , y
(x + y) · z = x · z + y · z .
Decimos que (K, +, ·) es un cuerpo conmutativo si, además de las condiciones anteriores,
se verica que · es conmutativa, es decir:
9 ∀x, y ∈ K, x · y = y · x.
Departamento de Matemáticas (UNAB) FMM312 2017-I 2 / 79
 Ejemplos
Las siguientes estructuras son cuerpos:

Q con la suma + y producto · usuales.

R con la suma + y producto · usuales.

C con la suma + y producto · que se denen mediante las fórmulas

(a + bi) + (c + di) = (a + c) + (b + d)i

(a + bi) · (c + di) = (ac − bd) + (ad + bc)i

Los inversos aditivo y multiplicativo de x = a + bi son

a −b
−x = −a + (−b)i y x−1 = + 2 i,
a2 + b2 a + b2
respectivamente. Notar que el inverso multiplicativo no está denido si a2 +
2
b = 0, lo que únicamente ocurre para el número 0 = 0 + 0i.
En este curso, trabajaremos casi siempre con K = R y en algunos ejemplos, con C.

Departamento de Matemáticas (UNAB) FMM312 2017-I 3 / 79

Espacio vectorial

Denición 2
Sea K un cuerpo y V un conjunto. Denimos las siguientes operaciones:
Una suma (operación binaria interna) + : V × V → V , (x, y) 7→ x + y
Un producto por escalar (operación binaria externa) · : K × V → V , (α, x) 7→ α · x
Diremos que (V, +, ·) es un espacio vectorial sobre K (o espacio lineal), si se verican las
ocho propiedades siguientes ∀x, y, z ∈ V y ∀α, β ∈ K:
1 x + (y + z) = (x + y) + z (+ es asociativa)
2 x+y =y+x (+ es conmutativa)
3 ∃θ ∈ V : x + θ = x (θ es el vector nulo de V )
4 ∃ − x ∈ V : x + (−x) = θ (−x es el simétrico de x)
5 α · (β · z) = (α · β) · z (· es asociativo)
6 α · (x + y) = α · x + α · y (distributividad de · c/r a + de V )
7 (α + β) · x = α · x + β · x (distributividad de · c/r a + de K)
8 Para la unidad 1 de K: 1 · x = x

Departamento de Matemáticas (UNAB) FMM312 2017-I 4 / 79

Espacio vectorial

Observaciones
1 Los elementos de V se llaman vectores, mientras que los de K se llaman
escalares.
2 Un espacio vectorial con escalares en R se dice que es un espacio vectorial
real (EVR).Un espacio vectorial con escalares en C se dice que es un espacio
vectorial complejo (EVC).
Adoptaremos el convenio siguiente: cuando se diga que V es un espacio vecto-
rial, sin indicar el cuerpo donde se toman los escalares, se entenderá que dicho
cuerpo es R y que el espacio vectorial es real.
3 Todo espacio vectorial es no vacío, como consecuencia de la propiedad 3.
4 V = {θ}, es el espacio vectorial trivial.

Departamento de Matemáticas (UNAB) FMM312 2017-I 5 / 79

Ejemplos de espacios vectoriales
1. Sean K un cuerpo y sea n ∈ N.
K es un espacio vectorial sobre sí mismo. Se obtiene así que R y C son espacios
vectoriales sobre sí mismos: R es un EVR y C es un EVC.
C es un e.v. sobre R. Sin embargo, R no es un e.v. sobre C.
En general, Kn es un e.v. sobre K.
2. Espacio de polinomios: Sea K un cuerpo y n ∈ N. Denimos el conjunto:

V := {p ∈ P(K) : p(x) = a0 + a1 x + · · · + an xn , ∀x ∈ K} = Pn (K)

con las operaciones siguientes:

Suma: + : V ×V →V

p, q, ∈ V, p(x) = a0 + a1 x + · · · + an xn , q(x) = b0 + b1 x + · · · + bn xn ,
(p + q)(x) = (a0 + b0 ) + (a1 + b1 )x + · · · + (an + bn )xn , ∀x ∈ K

Producto por escalar: + : K × V →V

α ∈ K, p ∈ V, (α · p)(x) = (α · a0 ) + (α · a1 )x + · · · + (α · an )xn , ∀x ∈ K

Entonces (V, +, ·) es un espacio vectorial sobre K.

Departamento de Matemáticas (UNAB) FMM312 2017-I 6 / 79
 3. Espacios de funciones: Sea K un cuerpo e I⊆R un intervalo. Denimos los
conjuntos:

F (I) := {f : I → R/f es función}

con las operaciones siguientes:

Suma: + : F × F →F

f, g ∈ F , (f + g)(x) = f (x) + g(x), ∀x ∈ I

Producto por escalar: + : K × F →F

α ∈ K, f ∈ F , (α · f )(x) = α · (f (x)), ∀x ∈ I

Entonces (F , +, ·) es un espacio vectorial sobre K.

4. Si en el ejemplo anterior cambiamos el conjunto F por:

C (I) := {f : I → R/f es continua en I}

tenemos que C con las operaciones denidas anteriormente es un espacio vec-

torial sobre K.

Departamento de Matemáticas (UNAB) FMM312 2017-I 7 / 79

 5. Espacios de matrices: Sean m, n ∈ N y K un cuerpo. Denimos los conjuntos:

V := Mm×n (K)

con las operaciones siguientes:

Suma: + : V ×V →V

A = (aij ) , B = (bij ) ∈ V : (A + B) := (aij + bij )

Producto por escalar: + : K × V →V

α ∈ K, A = (aij ) ∈ V : (α · A) := (α · aij )

Entonces (V, +, ·) es un espacio vectorial sobre K.

Departamento de Matemáticas (UNAB) FMM312 2017-I 8 / 79

 6. Espacio de soluciones de un sistema homogéneo: Sean K un cuerpo, m, n ∈ N
y A := (aij ) ∈ Mm×n (K). Denimos los conjuntos:

V := x = (x1 , . . . , xn )t ∈ Kn : Ax = θ


con las operaciones siguientes:

Suma: + : V ×V →V

(x1 , . . . , xn )t + (y1 , . . . , yn )t := (x1 + y1 , . . . , xn + yn )t

Producto por escalar: + : K × V →V

α · (x1 , . . . , xn )t := (α · x1 , . . . , α · xn )t

Entonces (V, +, ·) es un espacio vectorial sobre K.

Departamento de Matemáticas (UNAB) FMM312 2017-I 9 / 79

Espacios vectoriales

Denición 3
Para x, y ∈ V denimos la diferencia y la igualdad por:

x − y := x + (−y), x = y ⇐⇒ x − y = θ

Teorema 1 (Propiedades de un espacio vectorial)

En un espacio vectorial V sobre un cuerpo K, se verican:
1 Sean x, y, z ∈ V tales que x+y = x+z . Entonces y = z (Ley de cancelación).
2 El vector nulo θ (neutro para la suma) es único;
3 Para cada x∈V, el simétrico de x, −x, es único;
4 ∀α ∈ K, α · θ = θ;
5 ∀x ∈ V, 0 · x = θ;
6 ∀x ∈ V, ∀α ∈ K, (−α) · x = −(α · x);
7 Para α∈K y x ∈ V , α · x = θ ⇐⇒ α = 0 ∨ x = θ

Departamento de Matemáticas (UNAB) FMM312 2017-I 10 / 79

Subespacios vectoriales

Denición 4
Sea V un K-espacio vectorial y S ⊆ V . Se dice que S es un subespacio vectorial
de V , si S es un espacio vectorial con las mismas operaciones denidas en V . Esto
lo denotamos S 6 V .

El siguiente resultado nos da una manera de probar que un subconjunto de un

espacio vectorial es subespacio, mediante sólo 3 propiedades en vez de probar las 8
propiedades de subespacio.

Teorema 2 (Caracterización de subespacios vectoriales)

Sea V un K-espacio vectorial y S ⊆V. Entonces S6V si y sólo si:
1 S 6= ∅ (lo usual es probar que θ ∈ S ).
2 ∀ x, y ∈ S : x + y ∈ S (S es cerrado para la suma)
3 ∀ λ ∈ K, ∀x ∈ S : λ · x ∈ S (S es cerrado para el prod. por escalar)

Departamento de Matemáticas (UNAB) FMM312 2017-I 11 / 79

 Ejemplos
1 El conjunto de las matrices cuadradas de orden 2 de la forma

 
x −x
A=
y z

con x, y, z ∈ R, es un subespacio vectorial de M2×2 (R).

2 El conjunto de las soluciones de un sistema lineal homogéneo Ax = θ, con
A ∈ Mm×n (K), es un subespacio vectorial de Kn .
3 Sean a, b y c tres números reales. Entonces
U = {(x, y, z) ∈ R3 : ax + by + cz = 0}
V = {~v ∈ R3 : ~v = t · ~r, t ∈ R, ~t ∈ R3 }
son subespacios de R3 .
4 {A ∈ M2×2 (R) : A = At } es un subespacio de M2×2 (R).
t
5 {A ∈ M2×2 (R) : A = −A } es un subespacio de M2×2 (R).
6 Los conjuntos U = {p ∈ P3 (R) : p(5) = 0} y V = {p ∈ P3 (R) : p ∈ U ∧
p0 (5) = 0} P3 (R).
son subespacios vectoriales de

Departamento de Matemáticas (UNAB) FMM312 2017-I 12 / 79

Combinación lineal

Denición 5
Sean V un espacio vectorial sobre R y sea A = {x1 , x2 , . . . , xn } ⊆ V . Decimos
que un vector x∈V es combinación lineal de los vectores de A (y lo abreviamos
CL), si existen escalares α1 , α2 , . . . , αn ∈ R tales que:

n
X
x = α1 x1 + α2 x2 + . . . + αn xn = αi xi
i=1

Departamento de Matemáticas (UNAB) FMM312 2017-I 13 / 79

Combinación lineal

Ejemplos
1 El vector nulo, en cualquier espacio vectorial V , es CL de cualquier conjunto de
vectores de V . En efecto, basta hacer αi = 0 en la denición.
2 Sea V = R3 y consideremos los vectores x1 = (1, 0, 1), x2 = (−1, 1, 0), x3 =
(0, 0, 1), x4 = (1, 2, 3). En particular, para el vector ( 52 , −2, 12 ) se tiene que:

( 52 , −2, 21 ) = 12 x1 − 2x2 + 0x3 + 0x4

−7
( 25 , −2, 21 ) = 0x1 + 3
x2 + 0x3 + 61 x4

lo que muestra que pueden haber varias maneras de escribir un vector de R3 dado,
como una CL de estos vectores.
3 Sea V = P2 (R) el espacio de los polinomios de coecientes reales y grado a lo más
2. Dados los vectores p(x) = (x − 1)2 , q(x) = 21 x + 1, r(x) = 5, se tiene que:
2
x2 − 2x + 3 = 1 · p(x) + 0 · q(x) + r(x)
5
En este caso, esta CL es única; más adelante explicaremos por qué.

Departamento de Matemáticas (UNAB) FMM312 2017-I 14 / 79

Combinación lineal

Ejemplos
4. Sea V = M2 (R) y consideremos los vectores
0 14
     
1 0 0 −4
A1 = ; A2 = ; A3 =
0 2 8 0 − 12 0
 
2 −10
Entonces, la matriz A = puede escribirse de innitas maneras como CL
20 4
de A1 , A2 y A3 (encontrar algunas!).
5. Recordemos que los vectores x e y se dicen paralelos si existe k ∈ R tal que x = ky .
De esta denición, se deduce que dos vectores paralelos siempre forman una CL uno
del otro, y que si un vector es CL (sólo) de otro, ambos son paralelos.

Departamento de Matemáticas (UNAB) FMM312 2017-I 15 / 79

Dependencia e independencia lineal
Denición 6
Sean V un espacio vectorial sobre R y sea A = {x1 , x2 , . . . , xk } ⊆ V . Decimos que
A es un conjunto linealmente dependiente (y lo abreviamos LD), si existen escalares
α1 , α2 , . . . , αk ∈ R, no todos nulos, tales que:

α1 x1 + α2 x2 + . . . + αk xk = 0

Si A no es LD (es decir, necesariamente todos los escalares anteriores son nulos),

decimos que A es linealmente independiente (LI). Notar que, si A es LI:

α1 x1 + α2 x2 + . . . + αk xk = 0 ⇒ α1 = α2 = . . . = αk = 0

Observación
Se deduce de la denición anterior que si un grupo de vectores es LD, entonces existe
al menos uno de ellos que es CL de los demás. Por ejemplo, si v1 = (1, 0, 0), v2 =
(0, 1, 0), v3 = (0, 2, 0), el conjunto A = {v1 , v2 , v3 } es LD pues 0v1 +2v2 −1v3 = 0,
de donde v3 = 0v1 + 2v2 . Pero que el conjunto sea LD, no implica que todo vector
del conjunto sea CL de los restantes (v1 , por ejemplo).

Departamento de Matemáticas (UNAB) FMM312 2017-I 16 / 79

Dependencia e independencia lineal

Ejemplos
1 Consideremos los siguientes subconjuntos de V = R3 :

A1 = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}

A2 = {(0, 0, 1), (0, 1, 1), (1, 1, 1)}
A3 = {(1, −1, 0), (0, −1, 1), (−1, 0, 1)}

Entonces A3 es LD en V, mientras que A1 y A2 son LI en V.

2 Consideremos los siguientes subconjuntos de V = P2 (R):

A1 = {3x2 − 2x, x2 + 1, −3x + 2, x2 − 1}

A2 = {3x2 − 2x, x2 + 1, −3x + 2}
A3 = {1, x, x2 }

Entonces A1 es LD en V, mientras que A2 y A3 son LI en V.

Departamento de Matemáticas (UNAB) FMM312 2017-I 17 / 79

Dependencia e independencia lineal

Propiedades
Sea V un espacio vectorial y A⊆V.
Si A es LI en V, entonces todo subconjunto de A es LI en V.
Si A es LD en V, entonces todo conjunto que contiene a A es LD en V.
Si θ ∈ A, entonces A es LD en V.
Si A = {x}, con x ∈ V − {θ}, entonces A es LI en V.

Departamento de Matemáticas (UNAB) FMM312 2017-I 18 / 79

Dependencia e independencia lineal

Teorema 3
Sea V un espacio vectorial y A ⊆ V, con A nito. Entonces, son equivalentes las
proposiciones siguientes (en el sentido que el cumplirse una, implica que las otras
dos también se cumplen):
1 A es LI.
2 La única CL de los vectores de A, cuyo resultado es el vector nulo θ, es aquella
con todos los escalares iguales a cero.
3 Ningún vector de A es CL de los demás.

y de manera análoga, son equivalentes:

1 A es LD.
2 Existe alguna CL de los vectores de A, cuyo resultado es el vector nulo θ, tal
que no todos los escalares son cero.
3 Algún vector de A es CL de los demás.

Departamento de Matemáticas (UNAB) FMM312 2017-I 19 / 79

Subespacio generado

Denición 7
Sea V un espacio vectorial sobre K y sea A = {v1 , v2 , . . . , vk } ⊆ V . Sea S el
conjunto formado por todas las CL de los k elementos de A, es decir:
( k
)
X
S= v∈V:v= αi vi , αi ∈ K, i = 1, . . . , k
i=1

Se tiene que S 6 V . S se llama el subespacio generado por A, lo cual denota-

mos por S = hAi = h{v1 , v2 , . . . , vk }i, o bien por S = span A. A se dice que
es un conjunto generador de S , y los elementos de A se llaman generadores de
S.
Un espacio vectorial que posee un conjunto nito de generadores se dice que
es un espacio vectorial nito dimensional o de dimensión nita.

Departamento de Matemáticas (UNAB) FMM312 2017-I 20 / 79

Subespacio generado

Ejemplos
1 Sean V = R3 y los vectores v1 = (0, 1, 2), v2 = (−1, 3, −1) y v3 = (2, − 11
2 , 3).
Entonces h{v1 , v2 , v3 }i es un plano que pasa por el origen.
2 Sea V = M2 (R) y consideremos los vectores

     
1 0 0 1 0 0
A1 = ; A2 = ; A3 =
0 0 1 0 0 1

Entonces, S = h{A1 , A2 , A3 }i = {A ∈ V : A = At }
3 Sean V = P3 (R) y los vectores p(x) = x y q(x) = x3 . Entonces

S = h{p, q}i = {p ∈ V : p(−x) = −p(x)}

Departamento de Matemáticas (UNAB) FMM312 2017-I 21 / 79

Subespacio generado

Recordemos que si un conjunto de vectores A = {v1 , v2 , . . . , vm } ⊆ V es LD, al

menos uno de sus vectores i ∈ {1, . . . , m}, es CL de los demás. Es decir,
vi , con
dicho vector vi pertenece al subespacio generado por {v1 , . . . , vi−1 , vi+1 , . . . , vm }.
Esto lo formalizamos en el siguiente:

Lema 1 (de dependencia lineal)

Sean V un espacio vectorial y A = {v1 , v2 , . . . , vm } ⊆ V LD en V y tal que v1 6= θ.
Entonces existe i ∈ {2, 3, . . . , m} tal que
i. vi ∈ hA − {vi }i = h{v1 , v2 , . . . , vi−1 , vi+1 , . . . , vm }i.
ii. h{v1 , v2 , . . . , vi−1 , vi , . . . , vm }i = h{v1 , v2 , . . . , vm }i

Teorema 4
En un espacio vectorial de dimensión nita, un conjunto LI nunca tiene más
elementos que un conjunto cualquiera de generadores.

Todo subespacio de un espacio de dimensión nita, es de dimensión nita.

Departamento de Matemáticas (UNAB) FMM312 2017-I 22 / 79

Base

Denición 8
Sea V un espacio vectorial. Un subconjunto ordenado B = {v1 , v2 , . . . , vn } de
vectores de V se dice una base de V si B es un conjunto generador de V y es LI.
La base más simple de V suele llamarse base canónica de V .

Ejemplos
El conjunto B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)} es una base de R3 y es su base
3
canónica. Este conjunto, sin embargo, no es la única base de R . Por ejemplo,
{(1, 1, 0), (4, 3, 1), (6, −1, 2)} es también base de R3 .
Del mismo modo, B = {(1, 0), (0, 1)} es la base canónica de R2 . Otra base
∗
distinta a la canónica es B = {(1, 2), (3, −1)}.

El conjunto B = {1, x, x2 , x3 } es la base canónica de P3 (R).

La base canónica de M2 (R) es el conjunto B = {A1 , A2 , A3 , A4 }, donde
       
1 0 0 1 0 0 0 0
A1 = ; A2 = ; A3 = A4 =
0 0 0 0 1 0 0 1

Departamento de Matemáticas (UNAB) FMM312 2017-I 23 / 79

Base

Teorema 5
Sea V un espacio vectorial sobre K. Son equivalentes:

B = {v1 , v2 , . . . , vn } es base de V.
Todo vector de V se escribe de manera única como CL de los vectores de B.
Es decir, dado v ∈ V , existen únicos α1 , α2 , . . . , αn ∈ K tales que:

α1 v1 + α2 v2 + . . . + αn vn = v

Departamento de Matemáticas (UNAB) FMM312 2017-I 24 / 79

Base

Denición 9
Llamamos dimensión del espacio vectorial V, denotado por dim V , al número de
vectores de una base cualquiera de V. Se dene además, para el subespacio trivial
{θ}, dim{θ} = 0.

Ejemplos
1 R2 tiene dimensión 2 y R3 tiene dimensión 3. Esto lo denotamos dim(R2 ) = 2
3 n
y dim(R ) = 3. En general, dim(R ) = n.
2 dim(P3 (R)) = 4. En general, dim(Pn (R)) = n + 1.
3 dim(M2 (R)) = 4.
4 dim(M2×3 (R)) = 6. En general, si m, n ∈ N, dim(Mm×n (R)) = mn.

Departamento de Matemáticas (UNAB) FMM312 2017-I 25 / 79

Base

Propiedades sobre bases y dimensión

1 Todo espacio vectorial de dimensión nita posee una base.
2 Dos bases cualesquiera de un espacio vectorial, siempre tienen el mismo número
de vectores (la misma dimensión).
3 Todo conjunto de generadores puede transformarse en una base, eliminando
vectores LD en el conjunto.
4 Todo conjunto LI puede transformarse en una base, agregando vectores LI en
el conjunto.
5 En un espacio vectorial de dimensión nita n:
todo subconjunto LI de n vectores es una base,
ningún conjunto de menos de n vectores puede ser generador del espacio, y
todo subconjunto de más de n vectores es LD.
6 Si U 6 V , entonces dim(U ) ≤ dim(V ). Si U 6 V y dim(U ) = dim(V ),
entonces U =V.

Departamento de Matemáticas (UNAB) FMM312 2017-I 26 / 79

Base

Ilustremos las propiedades anteriores con algunos

Ejemplos
1 Las bases B = {(1, 0), (0, 1)} como B ∗ = {(1, 2), (3, −1)} de R2 tienen
ambas 2 vectores.
2 Ninguna base de R2 puede tener ni más ni menos de 2 vectores. Por ejemplo,
ni {(1, 2)} ni {(1, 2), (3, −1), (1, 0)} son bases de R2
3 {(1, 2), (3, −1), (1, 0)} es LD, pero si eliminamos un vector LD de los demás
del conjunto, obtenemos una base de R2 .
4 {(1, 2)} no genera a R2 , pero si agregamos un vector LI con (1, 2), obtenemos
2
una base de R .

Departamento de Matemáticas (UNAB) FMM312 2017-I 27 / 79

Base
Técnica de exclusión en Rn
Si tenemos un conjunto de vectores {v1 , v2 , . . . , vk } ⊂ Rn con k ≥ n, podemos
hallar una base del subespacio generado por ellos mediante la siguiente técnica:
1 Formar con v1 , v2 , . . . , vk una matriz cuyas columnas sean dichos vectores.
2 Escalonar la matriz.
3 Seleccionar aquellos vectores asociados a las columnas en las cuales se pudo
lograr un pivote (elemento no nulo en la posición de la diagonal principal).
Estos vectores serán la base del subespacio en cuestión. Los restantes vectores
se eliminan.

Ejemplos
Usar la técnica de exclusión para hallar una base del subespacio generado por:
1 los vectores de R3 : {(1, −3, 1), (2, −6, 2), (2, 1, −4), (−1, 10, −7)}.
2 los vectores de R5 :
{(1, −1, 0, 2, 1), (2, 1, −2, 0, 0), (0, −3, 2, 4, 2),
(3, 3, −4, −2, −1) (2, 4, 1, 0, 1), (5, 7, −3, −2, 0)}
Departamento de Matemáticas (UNAB) FMM312 2017-I 28 / 79
Unión, intersección y suma de subespacios

Teorema 6
Sea V un espacio vectorial. Dados dos subespacios vectoriales S 6 V, T 6 V, se
tiene que
(S ∩ T ) 6 V
y si denimos
S + T = {v ∈ V : v = s + t, s ∈ S, t ∈ T }
se tiene que
(S + T ) 6 V
S∩T y S+T se llaman, respectivamente, subespacio intersección y subespacio
suma.

Departamento de Matemáticas (UNAB) FMM312 2017-I 29 / 79

Unión, intersección y suma de subespacios

Ejemplos
1 Sean U = {p ∈ P3 (R) : p(0) = p0 (0) = 0}, V = {p ∈ P3 (R) : p(x) =
p(−x), ∀x ∈ R}. Entonces:

U ∩ V = {bx2 : b ∈ R}

2 Sean:

U = {(x, y) ∈ R2 : y = 2x}
V = {(x, y) ∈ R2 : x = 2y}

Entonces U ∩ V = {θ} y U + V = R2 .

Departamento de Matemáticas (UNAB) FMM312 2017-I 30 / 79

Unión, intersección y suma de subespacios

Observación
La unión de subespacios no siempre es un subespacio. Por ejemplo, sean U y V
como en el ejemplo 2 anterior. Se tiene que, en particular con u = (1, 2) ∈ U y
v = (2, 1) ∈ V , el vector u + v = (3, 3) ∈
/ U ∪V, y así, U ∪V no es cerrado para
la suma.

Proposición 7
Sea V un espacio vectorial, S6V y T 6V. Entonces:

(S ∪ T ) 6 V ⇔ S ⊆ T ∨ T ⊆ S

Teorema 8 (Grassmann)
Sea V un espacio vectorial nito dimensional, y sean S 6V, T 6V. Entonces:

dim(S + T ) = dim S + dim T − dim(S ∩ T )

Departamento de Matemáticas (UNAB) FMM312 2017-I 31 / 79

Suma directa

Denición 10
Sea V un espacio vectorial, S6V y T 6 V. Si S ∩ T = {θ}, decimos que V es
suma directa de S y T, lo que denotamos:

V =S⊕T

Ejemplo
Anteriormente vimos que si:

U = {(x, y) ∈ R2 : y = 2x}
V = {(x, y) ∈ R2 : x = 2y}

entonces U ∩ V = {θ}. Es decir, R2 = U ⊕ V

Departamento de Matemáticas (UNAB) FMM312 2017-I 32 / 79

Suma directa

Proposición 9
Si V = S ⊕ T , entonces todo elemento de V se descompone de manera única como
suma de un elemento de S con otro de T .

Ejemplo
Sabemos que R2 = U ⊕ V , donde

U = {(x, y) ∈ R2 : y = 2x}
V = {(x, y) ∈ R2 : x = 2y}

Notemos que
   
7 14 2 1
(3, 5) = , + ,
3 3 3 3
| {z } | {z }
∈U ∈V

y que esta descomposición como suma de un elemento de U con otro de V, por el

teorema anterior, es única.

Departamento de Matemáticas (UNAB) FMM312 2017-I 33 / 79

Suma directa

Observación
Si V = S ⊕ T, el teorema de Grassmann nos permite plantear la igualdad:

dim(S + T ) = dim S + dim T

Ejemplo
En el ejemplo anterior, vemos que dim U = dim V = 1. Como R2 = U ⊕ V , vemos
que dim(U + V ) = 1 + 1 = 2.

Departamento de Matemáticas (UNAB) FMM312 2017-I 34 / 79

Transformaciones lineales

Denición 11
Sean U, V T : U → V una
espacios vectoriales, y aplicación (función) entre U y
V. Decimos que T es una transformación lineal (o aplicación lineal) entre U yV,
si dados u, v ∈ U y α ∈ K:

T (αu + v) = αT (u) + T (v)

lo que equivale a tener las dos condiciones siguientes:

i) T (u + v) = T (u) + T (v)
ii) T (αu) = αT (u)

Departamento de Matemáticas (UNAB) FMM312 2017-I 35 / 79

Transformaciones lineales

Ejemplos
1 Sea V = C ([0, 1]) espacio de las funciones f : [0, 1] → R continuas en [0, 1]. La
Z 1
aplicación T : V → R denida por T (f ) = f (x) dx es una transformación
0
lineal, ya que del cálculo integral sabemos que, dadas f, g ∈ V y α ∈ R:
Z 1 Z 1 Z 1
(f (x) + g(x)) dx = f (x) dx + g(x) dx
0 0 0
Z 1 Z 1
αf (x) dx = α f (x) dx
0 0

por lo que T cumple i) y ii) de la denición 11.

2 Sea T : P2 (R) → R denida por T (p(x)) = p00 (x) es una transformación
lineal.
3 Sea V un espacio vectorial y k ∈ R − {0}. La aplicación H : V → V denida
por H(v) = kv, ∀v ∈ V , es una transformación lineal, llamada homotecia de
razón k . Cuando k = 1, hablamos de la aplicación identidad.

Departamento de Matemáticas (UNAB) FMM312 2017-I 36 / 79

Transformaciones lineales

Ejemplos
4 Sea T : R2 → R3 denida por T (x, y) = (x − y, 2x, x + y). T es una trans-
formación lineal.
5 Sea V un espacio vectorial. La aplicación T : V → R denida por T (v) =
θV , ∀v ∈ V es una transformación lineal, conocida como la aplicación lineal
nula.
6 La aplicación T : Rn → R denida por T (x1 , x2 , . . . , xn ) = xi donde xi es
la coordenada i-ésima del vector (x1 , x2 , . . . , xn ) es una transformación lineal,
conocida como la proyección de la i-ésima componente.
7 T : R2 → R2 denida por T (x, y) = (x+y, x+1) NO es una TL. En efecto, no
cumple la primera condición de TL, lo que es vericable mediante el ejemplo
siguiente: sean u = (1, 1), v = (3, 2). Luego, T (1, 1) = (2, 2), T (3, 2) =
(5, 4), y así
T (1, 1) + T (3, 2) = (2, 2) + (5, 4) = (7, 6)
Pero u + v = (4, 3), y T (4, 3) = (7, 5) 6= (7, 6), por lo que T no es lineal.

Departamento de Matemáticas (UNAB) FMM312 2017-I 37 / 79

Transformaciones lineales

Propiedades de una TL
1 Para cualquier T: V → W lineal, T (−x) = −T (x), lo cual es directo del
punto ii) de la denición de TL.
2 Para cualquier T: V →W lineal, T (θV ) = θW . En efecto, para todo x∈V:

T (θV ) = T (x + (−x))
= T (x) + T (−x) (pues T es lineal)

= T (x) − T (x) (por el ítem anterior)

= θW

3 Si T: V →W es TL, entonces λT también lo es.

4 SiT1 : V → W y T2 : V → W son ambas TL, entonces la transformación
suma T1 + T2 también es TL.
5 Si T1 : V → W y T2 : W → Z son ambas TL, entonces T2 ◦ T1 : V → Z , la
transformación compuesta de T1 y T2 , también es TL.

Departamento de Matemáticas (UNAB) FMM312 2017-I 38 / 79

Transformaciones lineales

Denición 12
Sean V, W espacios vectoriales, T: V →W una T.L. Denimos:

el Kernel (o Núcleo) de T, como el conjunto de vectores de V cuya imagen

por T es θW . Es decir:

ker T = {v ∈ V : T (v) = θW }

El kernel de T es un subespacio de V.
la Nulidad de T, como N (T ) = dim(ker T ).
la Imagen de T, como el conjunto de vectores de W que son imagen por T de
algún vector en V.

Im T = {w ∈ W : T (v) = W, para algún v ∈V}

La imagen de T es un subespacio de W.
el Rango de T, como R(T ) = dim(Im T ).

Departamento de Matemáticas (UNAB) FMM312 2017-I 39 / 79

Transformaciones lineales
Ejemplos
1 Sea T : R2 → R2 denida por T (x, y) = (−2x, −2y). Para esta TL:
ker T = {(x, y) ∈ R2 : T (x, y) = (0, 0)}
= {(0, 0)}

y así, N (T ) = 0.
2 Sea T : P2 (R) → R tal que T (p(x)) = p(1/3). Para esta TL:
 
a b
ker T = p(x) := ax2 + bx + c ∈ P2 (R) :
+ +c=0
9 3
 
a b
= p(x) := ax2 + bx + c ∈ P2 (R) : c = − −
9 3
 
1 1
= p(x) := a(x2 − ) + b(x − ) ∈ P2 (R
9 3
 
2 1 1
= x − , x−
9 3

y como el conjunto generador es LI, N (T ) = 2.

Departamento de Matemáticas (UNAB) FMM312 2017-I 40 / 79
 Ejemplos
3 Sea T : R3 → R2 denida por T (x, y, z) = (x − 2y, y + 3z). Para esta TL:
Im T = {(a, b) ∈ R2 : ∃ (a, b, c) ∈ R3 con T (x, y, z) = (a, b)}
= {(x, y) ∈ R2 : ∃ (a, b, c) ∈ R3 con (x − 2y, y + 3z) = (a, b)}
= R2

ya que el sistema (x − 2y, y + 3z) = (a, b) tiene por matriz de coecientes:

 
1 −2 0
0 1 3

cuyo rango es 2, lo que signica que las dos primeras columnas de la matriz generan
a Im T , y como ellas son LI, necesariamente Im T = R2 .
4 Sea T : P2 (R) → R tal que T (p(x)) = p(1/3). Para esta TL:
Im T = y ∈ R : ∃p(x) := ax2 + bx + c ∈ P2 (R) con T (p(x)) = y

 
a b
= y ∈ R : ∃p(x) := ax2 + bx + c ∈ P2 (R) con + + c = y = R
9 3

a b
ya que la ecuación + + c = y admite innitas soluciones.
9 3
Departamento de Matemáticas (UNAB) FMM312 2017-I 41 / 79
Bases y Transformaciones lineales

Sea V un espacio vectorial y {v1 , v2 , . . . , vn } una base de V . Si v ∈ V , tenemos

que v = α1 v1 + α2 v2 + . . . + αn vn , con ai ∈ K, ∀i = 1, . . . , n. Si T : V → W es
una TL, por la linealidad de T tenemos que:

T (v) = T (α1 v1 + α2 v2 + . . . + αn vn )
= T (α1 v1 ) + T (α2 v2 ) + . . . + T (αn vn )
= α1 T (v1 ) + α2 T (v2 ) + . . . + αn T (vn )

lo que muestra que T (v) siempre se puede escribir como CL de las imágenes por T
de una base de V. Esto se resume en el siguiente:

Teorema 10
Sea {v1 , v2 , . . . , vn } una base del espacio vectorial V y sea T : V → W una Trans-
formación Lineal. Entonces el conjunto {T (v1 ), T (v2 ), . . . , T (vn )} genera a Im T .
Además, si {T (v1 ), T (v2 ), . . . , T (vn )} es LI, entonces dicho conjunto es una base
de Im T .

Departamento de Matemáticas (UNAB) FMM312 2017-I 42 / 79

Bases y Transformaciones lineales
Ejemplo
Sea T : R2 → M3 (R) la TL denida por:

 
x x 0
T (x, y) = −x x y 
0 y x−y

Considerando la base canónica {(1, 0), (0, 1)} de R2 , el teorema anterior nos dice
que {T (1, 0), T (0, 1)} genera a Im T . Tenemos que:

   
1 1 0 0 0 0
T (1, 0) = −1 1 0 , T (0, 1) = 0 0 0
0 0 1 0 1 −1
* 1 1 0 0 0 
0 +

y así, Im T = −1 1 0 , 0 0 0 . El conjunto es además LI
0 0 1 0 1 −1
 
(evidente pues cada matriz no es múltiplo de la otra), por lo que es una base de
Im T .
Departamento de Matemáticas (UNAB) FMM312 2017-I 43 / 79
Bases y Transformaciones lineales

Teorema 11 (de las dimensiones)

Sea T: V →W una Transformación Lineal. Entonces:

dim(V ) = dim(ker T ) + dim(Im T ) = N (T ) + R(T )

Ejemplo
1 Para la transformación T : P2 (R) → R donde T (p(x)) = p(1/3), vimos que
dim(ker T ) = 2 y que dim(Im T ) = 1. Así, dim(ker T )+dim(Im T ) = 2+1 =
3 y como dim(P2 (R)) = 3, se verica el teorema.
2 Recordemos que para T : R2 → R2 denida por T (x, y) = (−2x, −2y), se
2
tiene que N (T ) = dim(ker T ) = 0 (pues ker T = {(0, 0)}). Como dim R = 2,
el teorema de las dimensiones nos dice que R(T ) = dim(Im T ) = 2, y como
Im T 6 R2 , se tiene necesariamente que Im T = R2 .

Departamento de Matemáticas (UNAB) FMM312 2017-I 44 / 79

Bases y Transformaciones lineales

El siguiente teorema nos dice que podemos caracterizar una TL T :V →W (en

el sentido de encontrar la fórmula que la dene) conociendo cómo actúa sobre los
vectores de una base de V.
Teorema 12
Sea {v1 , v2 , . . . , vn } una base (ordenada) del espacio vectorial V , {w1 , w2 , . . . , wn }
un subconjunto cualquiera del espacio vectorial W , y sea T : V → W una Transfor-
mación Lineal. Entonces, existe una única transformación lineal tal que T (vi ) = wi ,
para todo i = 1, . . . , n.

El siguiente ejemplo muestra el proceso general para construir esta TL.

Departamento de Matemáticas (UNAB) FMM312 2017-I 45 / 79

Bases y Transformaciones lineales
Ejemplo
Considerando la base B = {(1, 2), (0, −1)} de R2 , y el subconjunto de R3
{(−1, 1, 0), (0, −3, 1)}, queremos encontrar una TL T : R2 → R3 tal que T (1, 2) =
(−1, 1, 0) y T (0, −1) = (0, −3, 1). Primero, expresamos un vector cualquiera (x, y) ∈ R2
como CL de los elementos de B :
(x, y) = α(1, 2) + β(0, −1) = (α, 2α − β)

y resolviendo para α y β , se obtiene que α = x, β = 2x − y . Por lo tanto:

(x, y) = x(1, 2) + (2x − y)(0, −1)

y al aplicar T a esta igualdad:

T (x, y) = T (x(1, 2) + (2x − y)(0, −1))
= xT (1, 2) + (2x − y)T (0, −1)
= x(−1, 1, 0) + (2x − y)(0, −3, 1)
= (−x, −5x + 3y, 2x − y)

y así, obtenemos la denición de T para (x, y) ∈ R2 .

Departamento de Matemáticas (UNAB) FMM312 2017-I 46 / 79
Isomorsmos

Denición 13
Sean V, W espacios vectoriales, T: V →W una T.L. Decimos que T es:

sobreyectiva, si Im T = W .
inyectiva, si ker T = {θV }.
biyectiva, si T T es
es inyectiva y sobreyectiva. En este caso, diremos que
un isomorsmo de V en W,
V y W son isomorfos, lo que denotamos
y que
V ∼
= W . Si T es un isomorsmo y V = W , se dice que T es un automorsmo.
Además, si T : V → W tal que T (v) = w, es un isomorsmo, existe la transforma-
ción inversa T −1 : W → V , con T −1 (w) = v .

Ejemplos
T : R2 → R2 T (x, y) = (−2x, −2y), es un automorsmo.
denida por
 
2 x 0
T : R → V 6 M2 (R) denida por T (x, y) = , es un isomorsmo.
0 y
Aquí V es el subespacio de las matrices de M2 (R) diagonales.

Departamento de Matemáticas (UNAB) FMM312 2017-I 47 / 79

Coordenadas de un vector
Denición 14
V
Sea un espacio vectorial y B = {v1 , v2 , . . . , vn } una base (ordenada) de V. Si
v∈V es tal que
v = α1 v1 + α2 v2 + . . . + αn vn
llamamos a los escalares α1 , . . . , αn las coordenadas de v en la base B, y con ellas
podemos formar el vector:

α1
 α2 
[v]B =  . 
 
 .. 
αn
llamado el vector de coordenadas de v con respecto a la base B.

Observación
Notar que la posición de estas componentes en el vector coordenado depende del
orden en que están los vectores de la base. Por lo tanto, si el orden de la base
cambia, cambia el vector coordenado.

Departamento de Matemáticas (UNAB) FMM312 2017-I 48 / 79

Coordenadas de un vector
Ejemplos
1 Para R2 , dos posibles bases son B1 = {(1, 0), (0, 1)} y B2 = {(1, 2), (3, −1)}. Con
estas bases, tenemos que (por ejemplo) v = (13, −4) se escribe como:
(13, −4) = 13(1, 0) − 4(0, 1)
3 30
= (1, 2) − (3, −1)
7 7
por lo que
3
  !
13 7
[v]B1 = , [v]B2 =
−4 − 30
7

Notar que, para (x, y) ∈ R2 :

 x + 4y 
 
x 7 
[(x, y)]B1 = , [(x, y)]B2 = 

y 2x − y

7
En este último caso, las coordenadas del vector se obtienen de escribir (x, y) =
α(1, 2) + β(3, −1) y resolver para α y β .
Departamento de Matemáticas (UNAB) FMM312 2017-I 49 / 79
Coordenadas de un vector

Ejemplos
2 En P2 (R) tenemos las bases B1 = {1, x, x2 } y B2 = {1 − x, 1 − x − x2 , 2}.
2
Con estas bases, el polinomio p(x) = x + 2x + 1 tiene coordenadas:

   
1 −1
[p(x)]B1 = 2 , [p(x)]B2 =  −1 
3
1 2

En general, dado p(x) = ax2 + bx + c ∈ P2 (R), se tiene que:

   
c a−b
[p(x)]B1 =  b  , [p(x)]B2 =  −a 
b+c
a 2
 
a
Notar que si B1 = {x2 , x, 1}, entonces [p(x)]B1 =  b .
c

Departamento de Matemáticas (UNAB) FMM312 2017-I 50 / 79

Coordenadas de un vector

Ejemplos
3 Una base de R3 es B = {(1, 1, 1), (1, 2, 0), (1, 0, 1)}. Sea v = (1, 2, −2) ∈ R3 .
Para encontrar las coordenadas de este vector en la base B , planteamos la
igualdad:
(1, 2, −2) = α(1, 1, 1) + β(1, 2, 0) + γ(1, 0, 1)
que se transforma en el sistema cuya matriz ampliada y la matriz resultante al
escalonar (usando método de Gauss-Jordan) son:

   
1 1 1 1 1 0 0 −4
1 2 0 2 → 0 1 0 3
1 0 1 −2 0 0 1 2

de donde deducimos que:

 
−4
[v]B =  3
2

Departamento de Matemáticas (UNAB) FMM312 2017-I 51 / 79

Matriz asociada a una Transformación Lineal

Sea T : V → W una TL, con B1 = {v1 , v2 , . . . , vn } y B2 = {w1 , w2 , . . . , wm }

bases de V y W respectivamente. Como T (vi ) ∈ W , para todo i = 1, . . . , n,
podemos escribir

T (v1 ) = α11 w1 + α21 w2 + . . . + αm1 wm

T (v2 ) = α12 w1 + α22 w2 + . . . + αm2 wm
... = ...........................
T (vn ) = α1n w1 + α2n w2 + . . . + αmn wm

lo cual puede escribirse como un sistema de ecuaciones, en notación matricial:

    
T (v1 ) α11 α21 ... αm1 w1
 T (v2 )   α12 α22 ... αm2   w2 
 ..  =  ..
    
. .  . 
. .  . 
 .   . . ... . .
T (vn ) α1n α2n . . . αmn wm

Departamento de Matemáticas (UNAB) FMM312 2017-I 52 / 79

Matriz asociada a una Transformación Lineal

Denición 15
Llamamos Matriz asociada a T con respecto a las bases B1 y B2 , a la matriz denotada
por [T ]B1 B2 (o también [T ]B
B1 ) que corresponde a:
2

 T  
α11 α21 ... αm1 α11 α12 ... α1n
 α12 α22 ... αm2   α21 α22 ... α2n 
[T ]B1 B2 :=  . .. ..  =  .. .. .. 
   
 .. . ... .   . . ... . 
α1n α2n ... αmn αm1 αm2 ... αmn

cuya columna j-ésima tiene las coordenadas de T (vj ) con respecto a la base W . Esta
matriz es de orden m × n, donde m = dim W y n = dim V .

Teorema 13
Si T : V → W es TL, y B1 y B2 son bases de V y W respectivamente, se tiene que, para
todo u ∈ U :
[T ]B1 B2 [v]B1 = [T (v)]B2
Además, si T : V → V es automorsmo (biyectiva), entonces ([T ]B1 )−1 = [T −1 ]B1 .

Departamento de Matemáticas (UNAB) FMM312 2017-I 53 / 79

Matriz asociada a una Transformación Lineal

Ejemplos
1 Sea T : R3 → R2 denida por T (x, y, z) = (2x − y, y + z). Consideremos las
3 2
bases B1 = {(1, 1, 1), (1, 1, 0), (1, 1, 0)} y B2 = {(2, 0), (0, 1)} de R y R ,
respectivamente. Tenemos que:

1
T (1, 1, 1) = (1, 2) = (2, 0) + 2(0, 1)
2
1
T (1, 1, 0) = (1, 1) = (2, 0) + 1(0, 1)
2
T (1, 0, 0) = (2, 0) = 1(2, 0) + 0(0, 1)

por lo que la matriz asociada a esta TL con respecto a las bases B1 y B2 es:

1 1
 
1
[T ]B1 B2 = 2
 2 
2 1 0

Departamento de Matemáticas (UNAB) FMM312 2017-I 54 / 79

Matriz asociada a una Transformación Lineal

Ejemplos
2 Sea T : R4 → R3 denida por

T (x, y, z, t) = (x − 2y + 2t, x + z − t, 4x − 2y + 3z − t)

Consideremos las bases canónicas de R4 y R3 , respectivamente. Tenemos que:

T (1, 0, 0, 0) = (1, 1, 4) = 1(1, 0, 0) + 1(0, 1, 0) + 4(0, 0, 1)

T (0, 1, 0, 0) = (−2, 0, −2) = −2(1, 0, 0) + 0(0, 1, 0) − 2(0, 0, 1)
T (0, 0, 1, 0) = (0,1, 3) = 0(1, 0, 0) + 1(0, 1, 0) + 3(0, 0, 1)
T (0, 0, 0, 1) = (2, −1, −1) = 2(1, 0, 0) − 1(0, 1, 0) − 1(0, 0, 1)

por lo que la matriz asociada a esta TL con respecto a las bases B1 y B2 es:

 
1 −2 0 2
[T ]B1 B2 = 1 0 1 −1
4 −2 3 −1

Departamento de Matemáticas (UNAB) FMM312 2017-I 55 / 79

Matriz asociada a una Transformación Lineal

El siguiente resultado nos dice que podemos caracterizar una TL T : V → W (en el

sentido de encontrar la fórmula que la dene) conociendo una base B1 de V , una
base B2 de W y la matriz [T ]B1 B2 .

Proposición 14
Sean B1 = {v1 , v2 , . . . , vn }, B2 = {w1 , w2 , . . . , wm } bases (ordenadas) de los
espacios vectorialesV y W respectivamente, y sea A ∈ Mm×n (R) una matriz de
orden m × n. Entonces, existe una única transformación lineal T tal que [T ]B1 B2 =
A. Es decir, toda matriz de orden m × n dene una única TL de un espacio de
dimensión n en otro de dimensión m.

Departamento de Matemáticas (UNAB) FMM312 2017-I 56 / 79

Matriz asociada a una Transformación Lineal

Ejemplo
Queremos encontrar una TL T : R2 → R3 tal que la matriz asociada a esta TL con
respecto a las bases canónicas de ambos espacios sea:
−1
 
2
0
 −2 

1
 
3
2
Para ello, tomamos cada columna de esta matriz como el vector coordenado en R3 de las
imágenes por T de los vectores de la base canónica de R2 . Así:
T (1, 0) = 2(1, 0, 0) + 0(0, 1, 0) + 3(0, 0, 1) = (2, 0, 3)
1 1
T (0, 1) = −1(1, 0, 0) − 2(0, 1, 0) + (0, 0, 1) = (−1, −2, )
2 2
Luego, usando el teorema 12, podemos construir la TL buscada, que en este caso es:
1
T (x, y) = (2x − y, −2y, 3x + y)
2
Departamento de Matemáticas (UNAB) FMM312 2017-I 57 / 79
Matriz de cambio de base
Veremos ahora el caso de una matriz asociada a una TL particular: la TL iden-
tidad. Sea I : V → V denida por I(v) = v , para todo v ∈ V , y sean B1 =
{v1 , v2 , . . . , vn } y B2 = {v10 , v20 , . . . , vn0 } dos bases de V . Como I(vi ) = vi , para
todo i = 1, . . . , n, podemos escribir

v1 = α11 v10 + α21 v20 + . . . + αn1 vn0

v2 = α12 v10 + α22 v20 + . . . + αn2 vn0
... = ...........................
vn = α1n v10 + α2n v20 + . . . + αnn vm
0

lo cual puede escribirse como un sistema de ecuaciones, en notación matricial:

    0 
v1 α11 α21 ... αm1 v1
 v2   α12 α22 ... αm2   v20 
 ..  =  ..
    
. .  . 
. .  . 
.  . . ... . .
vn α1n α2n . . . αmn vn0

Departamento de Matemáticas (UNAB) FMM312 2017-I 58 / 79

Matriz de cambio de base

Denición 16
Llamamos Matriz de cambio de B1 a B2 , a la matriz

 T  
α11 α21 ... αm1 α11 α12 ... α1n
 α12 α22 ... αm2   α21 α22 ... α2n 
[I]B1 B2 :=  . .  =  .
   
. . . 
 .. .
. ... . 
.  .. .
. ... . 
.
α1n α2n ... αmn αn1 αn2 ... αnn

cuya columna j-ésima tiene las coordenadas de T (vj ) con respecto a la base W.
Esta matriz es de orden n × n.

Departamento de Matemáticas (UNAB) FMM312 2017-I 59 / 79

Matriz de cambio de base

El siguiente teorema dice cómo esta matriz nos permite pasar de una base a otra,
y es análogo al teorema 13

Teorema 15
SiB y B0 son bases del espacio vectorial V, se cumple entonces que para todo
v ∈V:
[I]BB 0 [v]B = [v]B 0
Además, de la igualdad anterior se tiene que

[I]B 0 B [v]B 0 = [v]B

por lo que ([I]BB 0 )−1 = [I]B 0 B .

Departamento de Matemáticas (UNAB) FMM312 2017-I 60 / 79

Matriz asociada a una Transformación Lineal

Ejemplos
Dadas las bases B1 = {(1, 0), (0, 1)} y B2 = {(1, 3), (−1, 2)} de R2 , tenemos que:
2 3
(1, 0) = (1, 3) − (−1, 2)
5 5
1 1
(0, 1) = (1, 3) + (−1, 2)
5 5
por lo que la matriz que nos permite pasar de B1 a B2 (escribiendo los vectores de
B1 como CL de los de B2 ) es:

2 1
 

[I]B1 B2 = 5 5

3 1
−
5 5

Departamento de Matemáticas (UNAB) FMM312 2017-I 61 / 79

Matriz asociada a una Transformación Lineal

Ejemplos
Para el ejemplo anterior, notemos que dado v = (2, 5), se tiene:

 
2
[v]B1 =
5
y que
2 1   9
   

[v]B2
 5
= 5 2 =  5
3 1 5  1
− −
5 5 5
resultado que puede compararse con el cálculo usual de las coordenadas de v en la
base B2 .

Departamento de Matemáticas (UNAB) FMM312 2017-I 62 / 79

Matriz asociada a una Transformación Lineal

El siguiente teorema relaciona la matriz asociada a una TL T: V → W con las

matrices de cambio de base para dos bases distintas de cada uno de los espacios V
y W.

Teorema 16
Sea T: V → W una TL, B1 , B10 dos bases de V, y B2 , B20 dos bases de W.
Entonces, se tiene que:
1 [T ]B1 B20 = [I]B2 B20 [T ]B1 B2
2 [T ]B10 B2 = [T ]B1 B2 [I]B10 B1
3 [T ]B10 B20 = [I]B2 B20 [T ]B1 B2 [I]B1 B10
y en particular, cuando T: V →V, se tienen las igualdades:
4 [T ]B1 B1 = [I]B1 B2 [T ]B2 B2 [I]B2 B1 = [I]B1 B2 [T ]B2 B1
5 [T ]B2 B2 = [I]B2 B1 [T ]B1 B1 [I]B1 B2 = [I]B2 B1 [T ]B1 B2

Departamento de Matemáticas (UNAB) FMM312 2017-I 63 / 79

Matriz asociada a una Transformación Lineal

Ejercicio
En R3 consideremos las bases

B1 = {(1, 1, −1), (0, 2, −1), (1, 0, 1)}

B2 = {(1, 2, 1), (1, 3, 2), (2, 1, 3)}

y sea T : R3 → R3 una TL tal que

 
5 2 −2
[T ]B1 B2 = −3 −1 1
1 4 −3

Calcular [T ]B1 B1 .

Departamento de Matemáticas (UNAB) FMM312 2017-I 64 / 79

Valores y vectores propios

Denición 17
Sea T: V →V una TL, con V un espacio vectorial sobreK. Decimos que un escalar
λ (real o complejo) es un valor propio de T (también llamado valor característico,
autovalor o eigenvalor), si existe un vector v 6= θ tal que

T (v) = λv

Todo vector v ∈ Cn − {θ} que verique esta propiedad se llama vector propio de
T asociado a λ (también llamado vector característico, autovector o eigenvector).

Departamento de Matemáticas (UNAB) FMM312 2017-I 65 / 79

Valores y vectores propios

Ejemplos
Sea T : R2 → R2 denida por T (x, y) = (4x + 2y, 3x + 3y). Si queremos hallar los
valores propios de esta TL, debemos hallar λ que verican la igualdad T (x, y) =
λ(x, y). Luego:

T (x, y) = λ(x, y) ⇒ (4x + 2y, 3x + 3y) = (λx, λy)

⇒ 4x + 2y = λx, 3x + 3y = λy
⇒ (4 − λ)x + 2y = 0, 3x + (3 − λ)y = 0

Estas ecuaciones forman un sistema homogéneo cuya matriz de coecientes es:

λ
1 − λ3
     
4−λ 2 1 1− 3 1
99K 99K
3 3−λ 4−λ 2 0 (λ − 1)(λ − 6)

y como queremos vectores no nulos, necesariamente el sistema debe tener innitas

soluciones, para lo cual λ1 = 1 o λ2 = 6. Estos son los valores propios de T.

Departamento de Matemáticas (UNAB) FMM312 2017-I 66 / 79

Valores y vectores propios

Ejemplos
Para hallar los vectores propios asociados a cada valor propio, reemplazamos en el
sistema anterior cada valor de λ por separado y resolvemos los respectivos sistemas.
Así, para λ1 = 1 se obtiene el sistema cuya matriz de coecientes es:

     
4−1 2 3 2 3 2
99K 99K
3 3−1 3 2 0 0

lo que implica que si (x, y) es vector propio de T, entonces debe ser de la forma
(t, 32 t) con t ∈ R. Es decir, los vectores propios asociados a λ1 están en h{(1, 23 }i.
De manera análoga se prueba que para λ2 = 6, los vectores propios asociados a λ1
están en h{(1, 1}i.

Departamento de Matemáticas (UNAB) FMM312 2017-I 67 / 79

Valores y vectores propios

Observación
Notar que:

T (v) = λv ⇒ T (v) − λv = 0
⇒ (T − λI)(v) = 0
⇒ v ∈ ker(T − λI)

Es decir, los vectores propios de T asociados al valor propio λ se determinan hallando

el núcleo de la TL T − λI , donde I denota a la transformación identidad.

Departamento de Matemáticas (UNAB) FMM312 2017-I 68 / 79

Valores y vectores propios de una matriz

Como toda TL puede ser representada por una matriz, los conceptos de valores y
vectores propios se estudian en profundidad para matrices.

Denición 18
Sea A una matriz cuadrada de orden n. Decimos que un escalar λ (real o complejo)
es un valor propio de A, si existe un vector v 6= θ tal que Av = λv . Todo vector
v ∈ Cn − {θ} que verique esta igualdad se llama vector propio de A asociado a λ.
El conjunto de todos los valores propios de una matriz A se llama espectro de A.

Departamento de Matemáticas (UNAB) FMM312 2017-I 69 / 79

Valores y vectores propios
Notar que la ecuación Av = λv implica que Av − λIv = θ, o equivalentemente

(A − λI)v = θ

lo que corresponde a un sistema lineal homogéneo. Como buscamos vectores v no

nulos que veriquen este sistema, debemos pedir que tenga innitas soluciones (de
lo contrario, la única solución seráa aquella en que v = θ). Esto se logra pidiendo
que
det(A − λI) = 0
De lo anterior, tenemos la siguiente

Denición 19
Un valor propio de A es todo valor de λ (real o complejo) que hace que el sistema
(A − λI)v = θ tenga al menos una solución no trivial v, lo que equivale a la
condición
det(A − λI) = 0
Dado un valor propio λ, toda solución no trivial de este sistema recibe el nombre
de vector propio de A asociado a λ.
Departamento de Matemáticas (UNAB) FMM312 2017-I 70 / 79
Polinomio característico

El cálculo del determinante det(A − λI) muestra que éste resulta ser un polinomio
de grado n en la variable λ, es decir

det(A − λI) = p(λ)

Por lo tanto, el cálculo de los valores propios de A se reduce a encontrar las raíces
de este polinomio p(r).

Denición 20
El determinante det(A − λI) recibe el nombre de polinomio característico de A, y
la ecuación det(A − λI) = 0 se llama ecuación característica de A.

Departamento de Matemáticas (UNAB) FMM312 2017-I 71 / 79

 Ejemplo
 
2 −3
Para hallar los valores propios de la matriz A= , debemos obtener:
1 −2
 
2 − λ −3 
det(A − λI) = 
1 −2 − λ
= λ2 − 1
= (λ − 1)(λ + 1)

Así, p(λ) = λ2 − 1 y sus raíces λ1 = 1, λ2 = −1 son los valores propios de A.

Departamento de Matemáticas (UNAB) FMM312 2017-I 72 / 79

Valores y vectores propios de una matriz

Ejemplos
Hallar los valores y vectores propios de las matrices:

   
1 2 −1 3 −5
2 C=
1 B = 1 0 1 1 −1
4 −4 5

Departamento de Matemáticas (UNAB) FMM312 2017-I 73 / 79

Valores y vectores propios de una matriz
Algunos resultados sobre valores y vectores propios
1 Una matriz de orden n tiene siempre n valores propios (incluyendo repetidos).
2 Vectores propios asociados a valores propios distintos son LI.
3 El conjunto {0} ∪ {v : Av = λv} := Eλ es un subespacio de Kn y se denomina espacio
propio de A correspondiente al valor propio λ. Notar que, aunque el vector 0 no es vector
propio, se incluye en el conjunto para que pueda ser subespacio.
4 Se llama radio espectral de una matriz al mayor valor absoluto de sus valores propios. Se
denota por ρ(A).
5 Los valores propios de una matriz diagonal o triangular (superior o inferior) son todos los
componentes de su diagonal principal.
6 Para un valor propio λ, llamamos multiplicidad algebraica al número de veces que λ aparece
como raíz del polinomio característico, y multiplicidad geométrica de λ a la dimensión de su
espacio propio asociado. En general, la multiplicidad geométrica de un valor propio nunca
es mayor que su multiplicidad algebraica.
7 Una matriz de orden n tendrá n vectores propios LI si y sólo si, las multiplicidades algebraica
y geométrica de sus valores propios son iguales. Se deduce de este hecho que si todos los
valores propios de una matriz son distintos, esta matriz tendrá n vectores propios LI.
8 Teorema de Cayley-Hamilton: Toda matriz satisface su propio polinomio característico
(considerando que An es la matriz obtenida al multiplicar n matrices A sucesivamente).

Departamento de Matemáticas (UNAB) FMM312 2017-I 74 / 79

Valores y vectores propios de una matriz

En general, cuando buscamos los valores y vectores propios de una matriz A de

orden n, tenemos 3 casos:

A tiene n valores propios distintos. En este caso, siempre es posible encontrar

n vectores propios LI.
A tiene menos de n valores propios distintos, pero es simétrica. En este caso,
también es posible encontrar n vectores propios LI. Además, los valores propios
de A serán todos reales.

A tiene menos de n valores propios distintos y no es simétrica. En este caso,

no es posible hallar n vectores propios LI.

Ejemplo
Hallar los valores propios y vectores propios de las matrices

   
1 3 3 2 4 3
A = 3 5 3 ; B = −4 −6 −3
3 3 1 3 3 1

Departamento de Matemáticas (UNAB) FMM312 2017-I 75 / 79

Diagonalización

Denición 21
Sean A y B matrices de orden n. Decimos que A y B son similares (o semejantes)
si existe una matriz P de ordenn, invertible y que verica:

P −1 AP = B, o equivalentemente AP = P B o A = P BP −1

Ejemplo
     
0 −1 2 −3 2 1
B = es semejante a A = , ya que existe P = , la cual es
1 1 1 −1 1 1
 
1 −1
invertible pues P −1 = . Vemos que:
−1 2
 
1 −1
AP = = PB
1 0

lo que muestra que A y B son semejantes.

Departamento de Matemáticas (UNAB) FMM312 2017-I 76 / 79

Diagonalización

Denición 22
Sea A una matriz de orden n. Decimos que A es diagonalizable si es semejante a
una matriz diagonal, es decir:
A = P DP −1
donde D es una matriz diagonal.

Ejemplo
   
7 2 5 0
A= es diagonalizable porque es semejante a D = . Para demostrarlo,
−4 1 0 3
   
1 1 2 1
basta tomar P = , y como P =
−1
, se llega a que P DP −1 = A.
−1 −2 −1 −1

Surge la pregunta en general ¾qué debe cumplir una matriz A para ser diagonali-
zable?

Departamento de Matemáticas (UNAB) FMM312 2017-I 77 / 79

Diagonalización

Teorema 17
Sea A una matriz de orden n. Se tiene que
A diagonalizable ⇔ A tiene n vectores propios LI

En general, la matriz D diagonal semejante a A es la matriz que contiene a todos los

valores propios de A en su diagonal principal, y la matriz P se construye tomando como
su columna i-ésima un vector propio asociado al valor propio de la columna i-ésima de D.
Luego, se obtiene P −1 invirtiendo P .

Departamento de Matemáticas (UNAB) FMM312 2017-I 78 / 79

Diagonalización
Ejemplos
 
2 4 3
1 B = −4 −6 −3 no es diagonalizable porque no tiene 3 vectores propios LI.
3 3 1
 
1 1 0
2 A = 0 2 1 tiene por valores propios son λ1 = 1, λ2 = 2 y λ3 = 3. Así
0 0 3
     
1 1 1 1 0 0 2 −2 1
−1 1
P = 0 1 2 ; D = 0 2 0 , P = 0 2 −2
2
0 0 2 0 0 3 0 0 1

Luego, es fácil ver que A = P DP −1 , es decir, A es diagonalizable.

 
2 3
3 A= es diagonalizable porque tiene dos valores propios λ = 3 y λ = −7.
3 −6
Luego    
3 0 3 −1
D= ; P =
0 −7 1 3
Ejercicio: obtener P −1 y ver que se cumple A = P DP −1 .
Departamento de Matemáticas (UNAB) FMM312 2017-I 79 / 79