Universidad Autónoma de Santo Domingo

Facultad de Ciencias
Escuela de Matemáticas
Maestría en Matemática Para Educadores
Algebra Lineal
Prof.: Genaro Viñas

Notas de Clases

Transformaciones Lineales

Contenido
1. Transformación Lineal. Definición y ejemplos
2. Representación matricial de una transformación lineal
3. Núcleo e Imagen de una transformación lineal
4. Operador Lineal
5. Transformación lineal inyectiva
6. Transformación lineal sobreyectiva
7. Transformación lineal biyectiva (isomorfismo)
8. Composición de transformaciones lineales
9. Transformación lineal Invertible
10. Representaciones matriciales de una transformación lineal
10.1. Vector de coordenadas respecto de una base
10.2. Matriz de transición o de cambio de base
10.3. Representaciones matriciales de operadores lineales
10.4. Matrices similares o semejantes
10.5. Representaciones matriciales de transformaciones lineales
Transformaciones Lineales:
1. Definición y ejemplos:
Definición :
Sean E y F dos espacios vectoriales sobre un campo K. La función T : E → F se llama
transformación lineal de E en F si se cumplen las siguientes propiedades:
1) T (u + v) = T (u ) + T (v); u , v  E
2) T ( u ) =  T (u ); u  E    K

Ejemplos :
1) T : R → R; T ( x) = ax siendo a un escalar (La recta y = 0 se transforma en la recta, que pasa
por el origen, y = ax)

Toda línea recta que pasa por el origen, que representa la gráfica de una función de la forma
y = T ( x) = ax donde a es una constante, es una transformación lineal de R en R . Si x1 , x2  R

para cada escalar   R tenemos:

1) T ( x1 + x2 ) =  ( x1 + x2 ) =  x1 +  x2 = T ( x1 ) + T ( x2 )

2) T ( x1 ) = a ( x1 ) =  ( ax1 ) = T ( x1 )

 x − 2y 
 x 
2) T : R → R ; T   = x + y  (El plano XY se transforma en el plano 4 x + 5 y − 3z = 0)
2 3

 y   3x − y 
 

3) Si E es un espacio vectorial, enonces es obvio que I : E → E definido por I (u ) = u

u  E ,es una transformación lineal de E en sí mismo. A I se le llama operador identidad
del espacio E.

 x  x  
4 a) T : R 2 → R 2 ; T   =   
 y −y 
 x   − x   (transformación de reflexión respecto al eje x, al eje y
b) T : R 2 → R 2 ; T   =   
 y   y   y al origen espectivamente)

 x   −x  
c) T : R → R ; T   =  
2 2

 y   − y  

Página 1 Prof: Genaro Viñas

5) T : E → F ; T (u) = 0F (transformación nula)

a b 
6) T : M 2 → P2 ; T   = (a + b) x 2 + (b − c) x + (2a + d − c)
c d 

7) T : C[0,1] → C1[0,1] ; T ( f ( x)) = f ( x)

8) T : C[0,1] → R; T ( f ( x)) =  f ( x)dx

1

Teorema 1 :
Sean E y F dos espacios vectoriales y ( E , F ) = {T : E → F / T es una transformación
lineal}, entonces ( E , F ) es un Espacio Vectorial con las operaciones usuales de suma de
funciones y multiplicación de un escalar por una función.

Demostración :
Toda transformación lineal es una función, esto garantiza que ( E , F ) es un subconjunto
del conjunto de todas las funciones. Como el conjunto de todas las funciones constituye un
espacio vectorial con la suma y multiplicación por escalar usuales, demostraremos que
( E , F ) es un subepacio de este.

Sean T1 , T2  ( E, F )   ,   R entonces:

1) (T1 + T2 )( u + v ) = T1 ( u + v ) + T2 ( u + v ) 2) (T1 + T2 )( u ) = T1 ( u ) + T2 ( u )

= T1 ( u ) + T1 ( v ) + T2 ( u ) + T2 ( v ) =  T1 ( u ) + T2 ( u )

= T1 ( u ) + T2 ( u ) + T1 ( v ) + T2 ( v ) =  (T1 ( u ) + T2 ( u ) )

= (T1 + T2 )( u ) + (T1 + T2 )( v ) =  (T1 + T2 )( u )

3) (  T1 )( u + v ) =  T1 ( u + v ) 4) (  T1 )( u ) =  T1 ( u )

=  (T1 ( u + v ) ) =  (T1 ( u ) )

=  (T1 ( u ) + T1 ( v ) ) =  ( T1 ( u ) )

=  T1 ( u ) +  T1 ( v ) =  (  T1 ( u ) )

= (  T1 )( u ) + (  T1 )( v ) =  (  T1 )( u )

1 y 2 prueban que T1 + T2 es lineal, 3 y 4 prueban que  T1 es lineal, así queda que demostrado
que ( E , F ) es un subespacio del espacio de funciones y por ende un espacio vectorial.

Página 2 Prof: Genaro Viñas

Teorema 2: (Propiedades básicas de las T. L.)
Sean E y F dos espacios vectoriales y T  ( E , F ), entonces: u , v  E   ,   R
1) T (0 E ) = 0 F
2) T ( u +  v) = T (u ) +  T (v)
3) T (−u ) = −T (u )
4) T (u − v) = T (u ) − T (v)

Demostración

1) T (0 E ) = T ( 0  0 E ) = 0 T ( 0 E ) = 0  ( 0 F ) = 0 F
2) T ( u +  v) = T ( u ) + T (  v) =  T (u ) +  T (v)
3) T (−u ) = T (−1  u ) = −1  T (u ) = −T (u )
4) T (u − v) = T (u + (−v)) = T (u ) + T (−v) = T (u ) + (−T (v)) = T (u ) − T (v)

Teorema 3 :
Sea E un espacio de dimensión finita n con base B = u1 , u2 , ..., un ,. Sean w1 , w2 , ..., wn
vectores de F . Supongamos que T1 , T2  ( E , F ), tales que T1 (ui ) = T2 (ui ) = wi
para i = 1, 2,..., n. Entonces para todo vector u de E se cumple que T1 (u ) = T2 (u ); es decir, T1 = T2

A partir de este teorema se puede concluir que, si E es un espacio de dimensión finita, para
determinar una transformación T: E→ F sólo necesitamos conocer el efecto que tiene T sobre
los vectores de la base en E.

Ejemplo

 1  −3 
1     2   x
Sea T : R → R tal que T   = 2 , T   = 1 .
2 3
Calcular T  
 2   −2   3   −1   y
   

1   2   x
El conjunto   ,    constituye una base para R 2 y podemos expresar cualquier vector  
 2   3    y
x 1   2
de R 2 con la combinación lineal,   = a1   + a2   .
 y  2 3

Página 3 Prof: Genaro Viñas

 a1 + 2a2 = x
Para determinar los valores de a1 y a2 establecemos el sistema lineal
2a1 + 3a2 = y
1 2 : x  1 0 : 2 y − 3 x 
cuya matriz ampliada es     0 1 : 2x − y  .
 2 3 : y   
x
La solución es a1 = 2 y − 3x y a2 = 2 x − y , entonces cualquier vector   de R 2 se puede
 y

x 1   2 1   2
escribir   = a1   + a2   = (2 y − 3x)   + (2 x − y )   .
 y  2 3  2 3

x 1   2 1   2
Ahora podemos calcular: T   = a1T   + a2T   = (2 y − 3x)T   + (2 x − y )T  
 y  2 3  2 3

1   −3   2 y − 3x   3 y − 6 x   5 y − 9 x 
= (2 y − 3x)  2  + (2 x − y)  1  =  4 y − 6 x  +  2 x − y  =  3 y − 4 x 
 −2   −1   6 x − 4 y   y − 2 x   4 x − 3 y 
         

 5 y − 9x 
x  
Por lo que la regla de transformación es T   = 3 y − 4 x
 
 y  
 4x − 3y 

2. Representación Matricial de una T. L.

2.1. Transformación matricial y representación matricial de T  (R ,R ) :

n m

Sean A  M m  n y TA : R n → R m definida para cada u  R n por TA (u ) = Au . Entonces T es

lineal ya que u, v  R n y   R se cumple que:

TA (u + v) = A(u + v) = Au + Av = TA (u) + TA (v)

TA ( u) = A( u) =  Au = TA (u)

Ejemplo

1 2 
Sea A =  2 −1  M 3x 2 y TA : R 2 → R3 definida por
0 3 
 

Página 4 Prof: Genaro Viñas

  x + 2y
x  x  1 2   x   
T   = A   =  2 −1   =  2 x − y  es una transformación lineal.
 y  y   0 3   y   
 3y 
Como hemos probado, toda transformación matricial TA es lineal. Recíprocamente, de acuerdo
con el siguiente teorema, si T : R n → R m es una transformación lineal existe una matriz
A  M m  n tal que T = TA .

Teorema 4 :
Sean B1 = e1 , e2 ,..., en  y B2 =  f1 , f 2 ,..., f m  las bases canónicas para R n y R m respectivamente y

T ( R , R ). Entonces existe una matriz

n m
A  M mn tal que T = TA , siendo A la matriz cuyas
columnas son los vectores T (ei ).

Demostración :
Sea B1 = e1 , e2 ,..., en  y B2 =  f1 , f 2 ,..., f m  las bases canónicas para R n y R m respectivamente.
Entonces u = ( x1 , x2 ,..., xn )  R n se verifica que: u = x1e1 + x2e2 + ... + en xn y
 x1 
x 
T (u ) = T ( x1e1 + x2e2 + ... + xnen ) = x1T (e1 ) + x2T (e2 ) + ... + xnT (en ) = T (e1 ) T (e2 ) ... T (en )   2 
 
 xn 
Si hacemos A  M mn cuyas columnas son los vectores T (ei ); i = 1, 2, ..., n obtenemos
 x1 
x 
T (u ) = T (e1 ) T (e2 ) ... T (en )   2  = Au.
 
 xn 

Definición :(matriz de transformación)

Sean T  ( R , R ) , B = e , e ,..., e  y B =  f , f ,..., f  las bases canónicas para R
n m
1 1 2 n 2 1 2 m
n
y Rm

respectivamente. A la matriz A  M mxn cuyas columnas son los vectores T (ei ), i = 1, 2,..., n,
se denomina matriz de transformación o representación matricial de T correspondiente a
la transformación T relativa a las bases canónicas para R n y R m .

Observación: Si utilizamos otras bases se obtendrá una matriz diferente.

Página 5 Prof: Genaro Viñas

Ejemplo
x   1
   x − 2y   4
y
Sea T : R 4 → R3 tal que T   =  y + z  y u =   . Determine la representación
 z   2 x − 4w  −2
 w    
   0
matricial de T y T (u ) . Luego compruebe que T (u ) = Au .

1   0  0  0
 0  1  1   −2   0  0  0  0 
    
Las columnas de A son T   = 0 , T   = 1 , T   = 1  y T = 0 
0   0  
   0     −4 
1 0
   2    0
 0  0  0 1 
1 −2 0 0 
O sea que A =  0 1 1 0 
 2 0 0 − 4
 
1  1  1 
4   1 − 2(4)   −7  4   1 − 2 0 0   4   1 − 8 + 0 + 0   −7 
T   =  4 − 2  =  2  → A  =  0 1 1 0    =  0 + 4 − 2 + 0  =  2 
 −2   2(1) − 4(0)   2   −2   2 0 0 − 4   −2   2 + 0 + 0 + 0   2 
0      0    0     
     
Queda comprobado que T (u ) = Au .

3. Núcleo e Imagen de una T. L.

Definición (núcleo deuna T . L.) :
Sea T  ( E , F ), se define el núcleo o kernel de T como: Ker (T ) = u  E / T (u ) = 0 F 
Es decir, el núcleo de T está formado por todos los vectores de E tales que al aplicarles T se
obtiene el vector cero de F .
Ker (T ) no es vacío ya que por lo menos contiene a 0 E porque T (0 E ) = 0 F

Teorema 5 :
Si T  ( E , F ),entonces el núcleo o kernel es un subespacio de E.

Demostración :
Si u, v  Ker (T ),entonces T (u ) = T (v) = 0 F.Como T (u + v) = T (u) + T (v) = 0 F + 0 F = 0 F
se concluye que u + v  Ker (T ).

Si u  Ker (T ),entonces T (u ) = 0 F . Como T ( u ) = T (u) =  0 F = 0 F se concluye que

 u  Ker (T ).

Página 6 Prof: Genaro Viñas

Definición (Imagen de una T.L.) :
Sea T  ( E , F ) y S un subconjunto no vacío de E.
1) Al conjunto: T ( S ) = T (u ) / u  S  = w  F / u  S  T (u ) = w se le llama la imagen de S
bajo T .

2) En particular a T ( E ) se le llama la imagen de T .

Im(T ) = T ( E )= w  F / u  E  T (u ) = w

Ejemplo
 x   2x 
Sean T : R2 → R2 tal que T   = 
   
y y , S = ( x, y )  R 2
/ x 2 + y 2 = 1

S es la circunferencia con centro en el origen y radio 1. Vamos a determinar geométricamente

en qué se transforma el conjunto S bajo T; es decir, T (S). Para ello podemos bosquejar el plano
R 2 y una copia de éste donde, para mejor comprensión, se ha elegido la letra u en el eje de las
abscisas y la letra v para el eje de las ordenadas en lugar de x y y, respectivamente, del plano
original, para graficar la imagen de S bajo la transformación T, como se ilustra en las gráficas
(a) y (b).
2
 x   2x   u  u u
Si T   =   =   tenemos que u = 2 x  x = y v = y    + v2 = x2 + y 2 = 1
 y  y  v  2 2
2
u
Luego + v 2 = 1 representa una elipse y se concluye que cada punto de la circunferencia
4
2
x
x + y = 1 se transforma en un punto de la elipse
2 2
+ y 2 = 1 como se puede ver en la
4
siguiente gráfica.

Página 7 Prof: Genaro Viñas

Teorema 6 :
Sea T  ( E , F ),entonces:
1) Si S es un subespacio de E , entonces T ( S ) es un subespacio de F .
2) T ( E ) es un subespacio de F .
3) Si S = gen u1 , u2 ,..., un  , entonces T ( S ) = gen T (u1 ), T (u2 ),..., T (un )

Demostración en la página 429 del libro de texto.

Teorema 7 : (teorema de la dimensión)

Sea T  ( E , F ) y dim( E ) = n,entonces: dim ( Im(T ) ) + dim ( Ker (T ) ) = n

Demostración en la página 431 del libro de texto.

Definición (Rango de una T. L.) :

Si E tiene dimensión finita y T  ( E , F ),entonces a la dimensión del subespacio de F
T ( E ) = Im(T ) se le llama rango de la transformación T y se denota por Rang (T ).
Es decir: Rang (T ) = dim (T ( E ) ) = dim ( Im(T ) )

Definición (Nulidad de una T. L.) :

Si E tiene dimensión finita y T  ( E , F ),entonces a la dimensión del subespacio de E
denominado Ker (T ) se le llama nulidad de la transformación T y se denota por Nul (T ).
Es decir: Nul (T ) = dim ( Ker (T ) )

Ejemplos:
1) Núcleo, imagen, nulidad y rango de la transformación cero
Sean E y F espacios vectoriales de dimensiones finitas n y m respectivamente y sea
T  ( E, F ) tal que T(u) = 0F para todo u en E (la transformación nula o cero), entonces

ker (T ) = E , Im (T ) = 0F , Rang (T ) = 0 y Nul (T ) = n

2) Núcleo, imagen, rango y nulidad de la transformación identidad

Sean E un espacio vectorial de dimensión finita n y sea T  ( E, E ) tal que T(u) = u para

Página 8 Prof: Genaro Viñas

 todo u en E (la transformación identidad), entonces
ker (T ) = 0E , Im (T ) = E, Rang (T ) = n y Nul (T ) = 0

 x 
x 
3) Determine núcleo, imagen, nulidad y rango de T : R → R talque T   = y − x  .
2 3

 y   2x + y 
 

Un vector u = ( x, y) de R 2 está en el Ker (T ) si T (u ) = 0 R 3 .

 x   0  x =0
x  
Entonces, T   = y − x  =  0  , eso equivale a resolver el sistema − x + y = 0
 y   2x + y   0  2 x + y = 0
   
que tiene como solución x = y = 0 , por lo que ker (T ) = 0,0 .

Un vector w = (a, b, c) w = ( a, b, c ) de R 3 está en Im(T) si T(u) = w para algún vector u de R 2 .

 x  a  x =a
x  
Esto es T   = y − x  =  b  = w lo que nos conduce al sistema lineal − x + y = b que
 y   2x + y   c  
     2x + y = c
tiene solución solo si c − 3a − b = 0  c = 3a + b .

 a  1   0
Es decir, los vectores de Im(T) tienen la forma:  b  = a  0  + b 1  , por lo que
     
 3a + b  3 1 
1   0  
 
Im(T ) = ( a, b, c )  R / c = 3a + b = gen  0  ; 1   ,
3
Rang(T) = 2 y Nul(T) = 0
  
 3  1   

 a − 2b 
2
(
4) Sea T : P2 → R tal que T a + bx + cx 2 =  )  . Determine núcleo, imagen,
 a + b − 3c 
nulidad y rango de T.

Procediendo como en el ejemplo anterior definamos u = f ( x) = a + bx + cx 2  P2 tal que

a − 2b   0 
T ( f ( x) ) = 0 R 2 . Entonces T ( a + bx + cx 2 ) =   = 0.
 a + b − 3c   
a − 2b = 0
Esto equivale a resolver el sistema 
a + b − 3c = 0

Página 9 Prof: Genaro Viñas

  a = 2r

Este sistema tiene infinitas soluciones de la forma b = r siendo r  R .
c = r
Entonces un vector u = f ( x)  P2 va a pertenecer al Ket (T ) si es de la forma

f ( x) = 2r + rx + rx 2 , siendo r  R . Entonces, como 2r + rx + rx 2 = r ( 2 + x + x 2 ) significa

  
que ker(T ) = a + bx + cx 2 / a = 2r , b = r  c = r , r  R = gen 2 + x + x 2 . 
Para determinar Im(T) definimos un vector w = ( d , e ) de R 2 , aplicamos la transformación e
a − 2b   d 
igualamos a w. Esto es: T ( a + bx + cx 2 ) =   =  .
 a + b − 3c   e 

a − 2b = d
Establecemos el sistema  que tiene solución sin importar los valores de d , e
a + b − 3c = e
por lo que Im(T) = R 2 , Rang(T) = 2 y Nul(T) = 1

Teorema 8 :
Sea T  ( R n , R m ) y AT la representacion matricial de T relativa a las bases canónicas de R n y R m ,
entonces:
1) La imagen de T es el espacio columna de AT .
Im(T ) = T ( E ) = Ec ( AT )
2) El rango de T es el rango de AT .
Ran(T ) = Rang ( AT )
3) El núcleo de T es el espacio nulo de AT .
Ker (T ) = Enu ( AT )
4) La nulidad de T es la nulidad de AT .
Nul (T ) = Nul ( AT ) = dim ( Enu ( AT ) )

Ejemplo

De los ejemplos anteriores, el número 3 es de R 2 a R3 y podemos aplicar el teorema, veamos:

Página 10 Prof: Genaro Viñas

  x 
x 
T : R → R tal que T   = y − x  . Calculamos AT respecto a las bases canónicas de
2 3

 y   2x + y 
 
2 3
R y R respectivamente.

 1 0 1 0 
 
AT = −1 1 que es equivalente a la matriz escalonada AT  0 1 
   
 2 1  0 0 

Al observar la forma escalonada nos damos cuenta de que el sistema homogéneo asociado a AT

tiene solución única x = y = 0 , lo que nos indica que Ker (T ) = ( 0,0 ) .

Además, Im(T ) = T ( E ) = E c ( AT ) = gen (1, −1, 2); (0,1,1) y se puede comprobar que es igual al

resultado obtenido anteriormente Im(T ) = gen (1, 0,3) ; ( 0,1,1) .

Ran(T ) = Rang ( AT ) = 2 y Nul (T ) = Nul ( AT ) = dim ( Enu ( AT ) ) = 0

4. Operador Lineal
Definición :
Sea T  ( E , E );es decir, T es una transformación lineal de un espacio E en sí mismo, entonces
se dice que T es un operador lineal en el espacio E.

Ejemplo

Para el caso particular de E = R (luego generalizaremos para cualquier espacio E)

n

x x− y 
Sea el operador lineal T  ( R 2 , R 2 ), tal que T   =   , T se puede representar con la
 y   x + 2y 
   
1 −1
transformación matricial TA donde A =  .
1 2 

1 −1  3   −2 
Observe que para u = ( 3,5 ) , T (u ) = TAu =     =  
1 2   5  13 

Página 11 Prof: Genaro Viñas

5. Transformación Lineal Inyectiva
Definición :
Sea T  ( E , F ), se dice que Tes inyectiva si para todo par de vectores u, v  E , T (u ) = T (v)
implica que u = v. Esto significa que vectores diferentes de E tienen imágenes diferentes.

Teorema 9 :
Sea T  ( E , F ), Tes inyectiva si y solo si Ker (T ) = 0E 

Demostración :
Supongamos que T es inyectiva
Si u  Ker (T )  T (u ) = 0 F , como T (u ) = 0 F = T (0 E )  u = 0 E , por lo que Ker (T ) = 0 E 

Supongamos que Ker (T ) = 0 E .

Si u, v  E y T (u ) = T (v), entonces T (u ) − T (v) = T (u − v) = 0 F lo que implica que
u − v  Ker (T ) = 0 E  , por lo que u = v

6. Transformación Lineal Sobreyectiva.

Definición :
Sea T  ( E , F ), se dice que Tes sobreyectiva si todo vector w  F es imagen de por lo menos
un vector de E. Es decir, si w  F , existe u  E , tal que T (u ) = w
En otras palabras Tes sobreyectiva si Im(T ) = T ( E ) = F

7. Transformación Lineal Biyectiva.

Definición :
Sea T  ( E , F ), se dice que T es biyectiva si es inyectiva y sobreyectiva a la vez.

Si T es biyectiva entonces T es un isomorfismo

Dos espacios E y F se dicen isomorfos (E  F) si se puede definir un isomorfismo

T: E→F o T: F→E

Página 12 Prof: Genaro Viñas

Teorema 10 :
Sean E , F y G espacios vectoriales, entonces:
1) E  E
2) E  F  F  E
3) E  F  F  G  E  G

Teorema 11:
Si T  ( E , F ) siendo E y F de dimensión finita y dim ( E ) = dim( F ), entonces:
1) Si T es inyectiva, T es sobreyectiva
2) Si T es sobreyectiva, T es inyectiva

Teorema 12 :
Si T  ( E , F ) siendo E y F de dimensión finita, entonces:
1) Si dim( E )  dim( F ), T no es inyectiva
2) Si dim( E )  dim( F ), T no es sobreyectiva

De los teoremas 11 y 12 se puede concluir que para que T  ( E, F ) sea un isomorfismo debe
ocurrir que dim( E ) = dim( F ). Además, si E y F son espacios isomorfos y uno de ellos es de
dimensión finita n, entonces la dimensión del otro también es n. Cualquier par de espacios
vectoriales que tienen la misma dimensión (finita) son isomorfos.

Cualquier espacio E de dimensión n es isomorfo con R n .

Ejemplos

1) Pn  R n+1
2) M mxn  R mn
3) P3  R 4  M 2

8. Composición de T. L.
Definición :
Sean T  ( E , F ) y T   ( F , G ) transformaciones lineales, se define la composición de T  y T
denotada por T  T : E → G como (T  T ) (u ) = T  (T (u ) ) para todo u  E

Página 13 Prof: Genaro Viñas

Gráficamente la composición de transformaciones lineales se puede ver así:
E G

Ejemplo
a
Sean T : R 2 → P2 tal que T   = 2a + (b − a ) x + 3bx 2 y T  : P2 → R 3 tal que
b 
 a+c 
 
T  ( a + bx + cx 2 ) =  2b − c  , determinar (T  T ) (u ) : R 2 → R 3 .
a −b + c
 

 2a + 3b   2a + 3b 
   
(T  T ) (u ) = T  (T (u ) ) = T  ( 2a + (b − a) x + 3bx 2 ) =  2(b − a) − 3b  =  −2a − b 
 2a − (b − a) + 3b   3a + 2b 
   

9. Transformación Lineal Invertible

Definición:
Sea T : E → F una transformación lineal. Se dice que T es
invertible si existe una transformación lineal T : F → E , tal que:
1) T T : E → E = Id E (IdE es la transformación identidad en E

2) T T : F → F = Id F (IdF es la transformación identidad en F)

En este caso se dice que T es la inversa de T y se escribe T  = T −1 .

Página 14 Prof: Genaro Viñas

Ejemplo

 x   x − 3y 
Sean T : R 2 → R 2 tal que T   =   y T : R 2 → R 2 tal que
 y   −2 x + 7 y 
 x   7x + 3y 
T   =  . Determine si T  T son inversas.
  
y 2x + y  

Debemos comprobar si T T  : R 2 → R 2 = Id R2 y T  T : R 2 → R 2 = Id R2

Calculamos

 x   x   7 x + 3 y   7 x + 3 y ) − 3(2 x + y ) 
( T T)   = T  T    = T  = 
 y   y   2 x + y   −2(7 x + 3 y ) + 7(2 x + y ) 
 7x + 3y − 6x − 3y   x 
=  =   = Id R2
 −14 x − 6 y + 14 x + 7 y   y 

x   x   x − 3 y   7( x − 3 y ) + 3(−2 x + 7 y ) 
( T T )   = T  T    = T   =  
 y   y  −2 x + 7 y   2( x − 3 y ) − 2 x + 7 y
 7 x − 21y − 6 x + 21y   x 
= = = Id R2
 2 x − 6 y − 2 x + 7 y   y 
   

Como T T  = T  T = Id R2 podemos concluir que T  T son inversas.

Teorema 13:
La transformación lineal T : E → F es invertible, si y solo si, T es un isomorfismo.

Procedimiento para determinar la inversa T −1 de una transformación T si esta existe.

Vamos a ilustrar con un ejemplo el procedimiento para hallar T −1 , si existe.

Ejemplos:

x  x−z 
1) Sea T : R 3 → R 3 tal que T  y  =  2 x − y  , determine T −1 si existe.
   
 z   −x + 2 y − 2z 
   

Página 15 Prof: Genaro Viñas

Lo primero que debemos determinar es si T es un isomorfismo, pues de no serlo T no sería
invertible. Como E = F = R3 basta con probar una de las dos condiciones, si T es inyectiva o si
es sobreyectiva.

 
Probemos si T es inyectiva determinando si Ker (T ) = 0 R3 . Para ello resolvemos el sistema:
x − z =0  1 0 − 1  1 0 0 
2x − y = 0   2 − 1 0    0 1 0 
−x + 2 y − 2z = 0  −1 2 − 2   0 0 1
   

 
La solución del sistema es x = y = z = 0 lo que significa que Ker (T ) = 0 R3 , que T es un
isomorfismo y es invertible. Procedemos ahora a determinar T −1

a x  x−z  a a  x 

 b  R 3  =  b  y T −1  b  =  y  .
Definimos un vector tal que T  y  =  2 x − y
           
c   z   − x + 2 y − 2z   c  c   z 
           
A partir de esto establecemos el sistema:

x − z =a  1 0 − 1 : a  1 0 0 : c + 2b − 2a 
2x − y = b   2 − 1 0 : b    0 1 0 : 2c + 3b − 4a 
−x + 2 y − 2z = c  −1 2 − 2 : c   0 0 1 : c + 2b − 3a 
   

 x = c + 2b − 2a

La solución de este sistema es  y = 2c + 3b − 4a .
 z = c + 2b − 3a

x  c + 2b − 2a   a 
 
Entonces sustituyendo los valores de x, y, z se obtiene T y = T  2c + 3b − 4a  =  b 
     
z   c + 2b − 3a   c 
     

Si aplicamos T −1 a ambos lados de la igualdad anterior obtenemos:

  c + 2b − 2a   a  a   c + 2b − 2a 
     
T −1  T  2c + 3b − 4a   = T −1  b  . Esto implica que T −1  b  =  2c + 3b − 4a  .
  c + 2b − 3a   c   c   c + 2b − 3a 
        

Página 16 Prof: Genaro Viñas

  x   z + 2 y − 2x 
Haciendo el intercambio de variables concluimos que T −1  y  =  2 z + 3 y − 4 x  es la inversa
   
 z   z + 2 y − 3x 
   
x  x−z 
   
de T y =
   2x − y 
 z   −x + 2 y − 2z 
   

Comprobemos este resultado para un caso particular. Siendo u = (1, 3,2 ) determine T(u) y

luego compruebe que T −1 (T(u)) = u.

1   1− 2   −1   −1
  
T (u ) = T  3  =  2(1) − 3  =  2 − 3  =  −1
    
 2   −1 + 2(3) − 2(2)   −1 + 6 − 4   1 
       

 −1  1 + 2(−1) − 2(−1)  1 − 2 + 2  1 

T (T (u ) ) = T  −1 =  2(1) + 3(−1) − 4(−1)  =  2 − 3 + 4  =  3  = u
−1 −1

 1  1 + 2(−1) − 3(−1)   1 − 2 + 3   2 
       

Queda comprobado que T −1 (T (u ) ) = u , esto ocurre porque T −1 es la inversa de T.

 a−c 
2) Sea T : P2 → R tal que T ( a + bx + cx ) =  b + 2c  , determine T −1 si existe.
3 2

 3a + b 
 
Lo primero que debemos determinar es si T es un isomorfismo, pues de no serlo T no sería
invertible. Basta con probar una de las dos condiciones, si T es inyectiva o si es sobreyectiva.

 
Probemos si T es inyectiva determinando si Ker (T ) = 0 P2 . Para ello resolvemos el sistema:

a − c =0 

b + 2c = 0   Por simple inspección podemos observar que la solución del sistema es
3a + b = 0 

a = b = c = 0 lo que significa que Ker (T ) = 0 P2  , que T es un isomorfismo y es invertible.

Página 17 Prof: Genaro Viñas

Procedemos ahora a determinar T −1

d  a −c  d 
 
Definimos un vector e  R 3 tal que T ( a + bx + cx 2 ) =  2b + c  =  e  R 3 y
     
f  3a + b   f 
     
d 
T −1  e  = a + bx + cx 2 .
f
 
A partir de esto establecemos el sistema:

1 0 − 1 : d  1 0 0 : 
2 f −e − d
a−c =d
 
5

2b + c = e   0 2 1 : e    0 1 0 : 3 d + 3e − f
5 
3a + b = f  3 1 0 : f   2 f −e −6 d 
  0 0 1 : 5 

 2f −e−d
a = 5

 3d + 3e − f
La solución de este sistema es b = .
 5
 2 f − e − 6d
 c =
 5
Entonces sustituyendo los valores de a, b, c se obtiene
d 
T ( a + bx + cx 2 ) = T ( 2 f −e − d
5
+ 3d +35e− f x + 2 f −5e−6 d x 2 ) =  e 
f
 
Si aplicamos T −1 a ambos lados de la igualdad anterior obtenemos:

d 
( (
T −1 T 2 f −e − d
5
+ 3d +35e− f x + 2 f −5e−6 d x 2 )) = T −1  e  .
f
 

d 
 
Esto implica que T −1 e =
  ( 2 f −e − d
5
+ 3d +35e− f x + 2 f −5e−6 d x 2 . )
f
 

Página 18 Prof: Genaro Viñas

Haciendo el intercambio de variables concluimos que
a
 2c − b − a 3a + 3b − c 2c − b − 6a 2  es la
T −1 : R3 → P2 ; T −1  b  =  + x+ x 
c   5 5 5 
 
a −c  d 
transformación inversa de T : P2 → R ; T ( a + bx + cx ) =  2b + c  =  e  R 3 .
3 2
   
 3a + b   f 
   
Comprobemos este resultado para un caso particular. Siendo u = f ( x) = 3 − 5 x + 2 x 2
determine T(u) y luego compruebe que T −1 (T(u)) = u.

 3− 2   1 
T (u ) = T ( f ( x) ) = T ( 3 − 5 x + 2 x ) =  2(−5) + 2  =  −8 
2

 3(3) − 5   4 
   

1 
2(4) − (−8) − 1 3(1) + 3(−8) − 4 2(4) − (−8) − 6(1) 2
T (T (u ) ) = T  −8  =
−1 −1
+ x+ x
4  5 5 5
 
8 + 8 − 1 3 − 24 − 4 8 + 8 − 6 2 15 −25 10
= + x+ x = + x + x2 = 3 − 5x + 2 x2 = u
5 5 5 5 5 5
Queda comprobado que T −1 (T (u ) ) = u , esto ocurre porque T −1 es la inversa de T.

10. Representaciones Matriciales de Transformaciones Lineales

10.1. Vector de coordenadas de un vector u en E con respecto a una base B

Definición:
Sea B = {u1 , u2 ,..., un } una base ordenada para un espacio vectorial E de dimensión n, entonces
cada vector v  E se puede expresar de forma única como v = 1u1 +  2u2 + ... +  nun , donde

(1 ,  2 ,...,  n ) de R se le llama vector de

n
1 ,  2 ,...,  n son escalares. Entonces al vector
coordenadas de u con respecto a la base ordenada B y se denota u  B = (1 , 2 ,..., n ) .

Si cambiamos el orden de los vectores de la base B el vector de coordenadas u  B puede

cambiar.

Página 19 Prof: Genaro Viñas

Ejemplos:
1) Sea B = u1 = (1, 1) ; u2 = (1, 2 ) una base ordenada para R 2 , el vector de coordenadas de

u = ( 3,1) es u B = ( 3,1)  B = ( 5, − 2 ) ya que u = 5u1 − 2u2 = 5 (1, 1) − 2 (1, 2 ) = ( 5, 5 ) − ( 2, 4 ) = ( 3,1) .

 
2) Sea B = f1 ( x) = x 2 − x + 1; f 2 ( x) = x + 3; f 3 ( x) = 2 x 2 + 5 una base ordenada para P2 ,

determinar el vector de coordenadas de u = f ( x) = f ( x) = 2 x 2 − 6 x + 5

Solución:

u B =  f ( x)B = ( 2 x 2 − 6 x + 5) B = (1,  2 ,  3 ) tal que f ( x) = 1 f1 ( x) +  2 f 2 ( x) + 3 f3 ( x).

Esta combinación lineal nos lleva al sistema lineal

1 + 2 3 = 2   1 0 2 : 2  1 0 0 : 12   1 = 12
 
−1 +  2 = −6   A / B =  −1 1 0 : −6   0 1 0 : 6     2 = 6
1 + 3 2 + 5 3 = 5  1 3 5 : 5  0 0 1 : − 5   3 = −5

Por tanto f ( x) = 12 f1 ( x) + 6 f 2 ( x) − 5 f3 ( x) y u B =  f ( x)B = (1 ,  2 ,  3 ) = (12, 6, − 5) .

Teorema 14: (Propiedades)

Sean E un espacio vectorial de dimensión finita n y B una base ordenada para E. Entonces:
1) u + v  B = u  B + v  B . Es decir, el vector de coordenadas de la suma de vectores es igual
a la suma de los vectores de coordenadas.

2)  v  B =  v  B . Siendo  un escalar.

3) u  B = v  B  u = v

4) u  B = 0R  u = 0E
n

5) u1 , u2 ,..., uk son L.I. en E  u1  B , u2  B ,..., uk  B son L.I. en R n

6) v = (1 , 2 ,..., n )  R n existe un único u  E tal que u  B = v y viceversa.

Página 20 Prof: Genaro Viñas

Lema 14.1:

1) Sea A  M mxn una matriz tal que Ax = 0 R n para todo x  R n . Entonces A es la matriz
cero o matriz nula de orden m x n.

2) Sea A  M mxn una matriz tal que Ax = x para todo x  R n . Entonces A = I n (la matriz
identidad de orden n).

10.2. Matriz de Transición o de Cambio de Base

Teorema 15:

Sean B1 = {u1 , u2 ,..., un } y B2 = {v1 , v2 , ..., vn } bases ordenadas para un espacio vectorial E de
dimensión n y aij  R escalares tales que:

v1 = a11u1 + a21u2 + ... + an1un  a11 a12 ... a1n 

v2 = a12u1 + a22u2 + ... + an 2un  a a ... a 
y sea P =  21 22 2n 
.
 
vn = a1nu1 + a2 nu2 + ... + annun  
 an1 an 2 ... ann 

Es decir, las columnas de P son vi  B

1

Entonces la matriz P es invertible y para toda u  E se tiene:

u  B = P u  B
1 2

u  B = P −1 u  B
2 1

Demostración:

Si B1 = {u1 , u2 ,..., un } y B2 = {v1 , v2 , ..., vn } son bases ordenadas para E todo vector u de E se
puede expresar como

u = b1v1 + b1v2 + ... + b1vn , siendo u  B = ( b1 , b2 ,..., bn ) . (1)

2

Además, tenemos que

Página 21 Prof: Genaro Viñas

 v1 = a11u1 + a21u2 + ... + an1un  v1 B = ( a11, a21,..., an1 )
1


v2 = a12u1 + a22u2 + ... + an 2un  v2 B = ( a12 , a22 ,..., an 2 )
 (2)  1


vn = a1nu1 + a2 nu2 + ... + annun 
 vn B = ( a1n , a2n ,..., ann )
1

Entonces sustituyendo (2) en (1) obtenemos:

u = b1v1 + b1v2 + ... + b1vn

u = b1 ( a11u1 + a21u2 + ... + an1un ) + b2 ( a12u1 + a22u2 + ... + an 2un ) + ... + bn ( a1nu1 + a2 nu2 + ... + annun )

Multiplicando y sacando factor común u1 , u2 , ..., un se obtiene:

u = ( b1a11 + b2 a12 + ... + bn a1n ) u1 + ( b1a21 + b2a22 + ... + bn a2 n ) u2 + ... + ( b1an1 + b2an 2 + ... + bnann ) un

 b1a11 + b2 a12 + ... + bn a1n   a11 a12 ... a1n   b1 

   
 b1a21 + b2 a22 + ... + bn a2 n   a21 a22 ... a2 n   b2 
Lo que implica que u  = = = P u  B
B1      2

    
 b1an1 + b2 an 2 + ... + bn ann   an1 an 2 ... ann   bn 

La matriz P es invertible ya que sus columnas, de acuerdo al teorema 14 (5), son vectores
linealmente independientes. Entonces:

u  B = P u  B  P −1 u  B = P −1P u  B  P −1 u  B = I u  B  P −1 u  B = u  B

1 2 1 2 1 2 1 2

Definición: (matriz de cambio de base o de transición)

1) La matriz P del teorema anterior se le llama matriz de cambio de base o matriz de

transición de la base B2 a la base B1 .

2) La matriz Q = P −1 del teorema anterior se le llama matriz de cambio de base o matriz

de transición de la base B1 a la base B2 .

Página 22 Prof: Genaro Viñas

Ejemplos:

1) Sean B1 y B2 bases para R 3 tales que B1 = {u1 = (1,0,0), u2 = (0,1,0), u3 = (0,0,1)} y

B2 = {v1 = (1,1,0), v2 = (1,2,1), v3 = (3, −1,2)} . Determine la matriz P de cambio de base de la

base B2 a la base B1 y la matriz Q = P −1 de la base B1 a la base B2 . Además, para

u1 = (2, −3,1) compruebe que u  B = P u  B y u  B = Q u  B

1 2 2 1

Como las columnas de P son los vectores de coordenadas de cada vector de la base B2

respecto de la base B1 y la base B1 es la canónica, entonces vi  B = vi y

1

1 1 3 
P = 1 2 −1 es la matriz de cambio de base de la base B2 a la base B1 .
 
0 1 2 

5 1
−
7   5 1 −7 
6 6 6
 1 
Q = P −1 =  − 1 1 2
 = 6  −2 2 4  es la matriz de cambio de base de la base B1 a la
3 3 3
1 −
1 1   1 −1 1 
6 6 6 
base B2 .

u  B = (2, −3,1) u  B = ( 0, −1,1)

1 2

1 1 3   0   2 
P u  B = 1 2 −1  −1 =  −3  = u  B
 
0 1 2   1   1 
2 1

 5 1 −7   2   0   0
Q u  B
1
=  −2 2    1   
4   −3  =  −6  =  −1 = u  B
6 6   
 1 −1 1   1 
1 2

 6 1

2) Sean B1 y B2 bases para P1 B1 = { f1 ( x) = 1 + x; f 2 ( x) = 2 + 3x} y

tales que
B2 = {g1 ( x) = 1 − 2 x; g2 ( x) = x} . Determine la matriz de cambio P de base de la base B2 a la
base B1 y la matriz Q = P −1 de la base B1 a la base B2 . Además, para f ( x) = 5 − 3x
compruebe que  f  = P  f  y  f  = Q  f 
B B 1 B 2 B 2 1

Página 23 Prof: Genaro Viñas

Para determinar P hallamos  g1  B y  g 2  B para ello resolvemos simultáneamente los
1 1

1 2 : 1 0 1 0 7 −2
sistemas cuya matriz ampliada es: A / B =    0 1 −3 1  .
1 3 : −2 1   

 7 −2 1 2
Esto significa que P =   y Q = P −1 =  
 −3 1  3 7 

 f  = ( 21, − 8 )  f  = ( 5, 7 )
B1 B2

 7 −2  5   21 
P  f  =     =   =  f  B1 y
B2
 −3 1   7   −8 

1 2  21   5 
Q  f  =    −8  =  7  =  f  B2
B1
 3 7    

10.3. Representaciones matriciales de operadores lineales:

Generalizaremos el concepto que vimos anteriormente (en el apartado 2) de representación
matricial de T  ( R , R ) a operadores lineales en cualquier espacio vectorial E.
n m

Definición:

Sean T : E → E de un operador lineal en el espacio E, B = {u1 , u2 ,..., un } una base ordenada

T ( u1 ) = a11u1 + a21u2 + ... + an1un


T ( u2 ) = a12u1 + a22u2 + ... + an 2un

para E y aij  R tales que:  ,


T ( un ) = a1nu1 + a2 nu2 + ... + annun

 a11 a12 ... a1n 
 a a ... a 
a la matriz denotada y definida como T B =  21 22 2n 
se le llama la representación
 
 
 an1 an 2 ... ann 
matricial del operador T relativa a la base B

Página 24 Prof: Genaro Viñas

Teorema 16:

Sean T : E → E un operador lineal en el espacio E, B = {u1 , u2 ,..., un } una base ordenada para

E y T B la representación matricial de T. Entonces T (u ) B = T B u B , u  E .

Ejemplo:

Sea T : P3 → P3 tal que T ( f ( x)) = f ( x) y B = {1, x, x , x } la base canónica y ordenada de P3

2 3

y f ( x) = 2 + 4 x − 5 x 2 + x3 . Determine:

1) La representación matricial de T (T  )

B

T (1) = 0 = 0 + 0 x + 0 x 2 + 0 x3  T (1) B = ( 0,0,0,0 ) 


 0 1 0 0
T ( x) = 1 = 1 + 0 x + 0 x + 0 x  T (1) B = (1,0,0,0 )
2 3
0 0
 0
 T B = 
2
 3
T ( x 2 ) = 2 x = 0 + 2 x + 0 x 2 + 0 x 3  T (1) B = ( 0, 2,0,0 )  
0 0 0

 0 0 0 0
T ( x3 ) = 3x 2 = 0 + 0 x + 3x 2 + 0 x 3  T (1) B = ( 0,0,3,0 ) 

2) El vector de coordenada de f ( x ) en la base B.

 f ( x)B = 2 + 4 x − 5x 2 + x3  B = ( 2,4, −5,1)

( )
3) T ( f ( x) ) = T 2 + 4 x − 5 x 2 + x3 = 4 − 10 x + 3x 2

4) El vector de coordenada de T ( f ( x) ) en la base B.

T ( f ( x) ) B = 4 − 10 x + 3x 2  = ( 4, −10,3,0 )

B

5) Confirme que T ( f ( x)) B = T B  f ( x) B .

0 1 0 0  2   4 
0 0   4   −10 
T B  f ( x)B =
0
0
0
2
0
=
3  −5   3  
= T ( f ( x) )  B
    
0 0 0 0  1   0 

Teorema 17:

Sean T : E → E de un operador lineal en el espacio E, B = {u1 , u2 ,..., un} una base ordenada
para E, entonces la representación matricial T B de T es única.

Página 25 Prof: Genaro Viñas

Demostración:
Supongamos que T es un operador lineal en un espacio E, de dimensión finita n. T B es la

representación matricial de T relativa a una base B. Supongamos, además, que A es una matriz
cuadrada de orden n tal que T (u ) B = Au B , u  E . Entonces

T (u )B = T B u B = Au B
 T B u B − Au B = 0 Rn 

 u  R
n

 (T B − A) u B = 0 Rn 

 T B − A = 0M n

 T B = A. Por lo tanto T B es única.

Teorema 18:

Sean E un espacio vectorial; B1 y B2 bases ordenadas para E, T un operador lineal en E, y

T B , T B las respectivas representaciones matriciales de T relativas a las bases B1 y B2 . Si
1 2

P es la matriz de cambio de base de B2 a B1 , entonces T B = P −1 T B P.

2 1

Demostración:

Como ya vimos antes (teorema 15) u  B = P u  B y u  B = P −1 u  B para todo u  E.
1 2 2 1

Entonces tenemos:

T (u )B = T B u B = P −1 T (u ) B 
2 2 2 1 

(
= P −1 T B u  B
1 1
) 

= P (T 
−1
B1
P u  B
2
) 
 u  E

(
= P −1 T B
1
) ( P u  ) B2



= (P −1
T B P ) u  
1 B2 

Página 26 Prof: Genaro Viñas

Por la unicidad de la representación matricial (teorema 17) se concluye que

T B2
= P −1 T B P.
1

Ejemplo:

x  x− y 
   
Sea el operador lineal T : R 3 → R 3 , tal que T  y  =  y + 2 z  y B1 = {u1 = (1,0,2),
z  x + y − z
   
u2 = (0,1, −2)  u3 = (1, −1,3)} y B2 = {v1 = (1,2,3), v2 = (2,3,4)  v3 = (1, −1,1)} bases
ordenadas para R3. Determinar:

1) La representación matricial de T respecto a la base B1 (T  ) .

B1

T (u1 ) = T (1,0,2) = (1,4, −1)  T (u1 ) = ( 6, − 1, −5 )

 B1
 6 −2 5 
T (u2 ) = T (0,1, −2) = (−1, −3,3)   T (u2 ) B = ( −2, − 2, 1)  T B =  −1 −2 2 

1 1  
T (u3 ) = T (1, −1,3) = (2, 5, −3)  T (u3 )B1 = ( 5, 2, − 3)
 −5 1 −3

−1
2) La matriz de cambio de base de B2 a B1 , ( P) y P

 6 8 −2   3 −12 10 
P =  −3 −3 2  P = −1 8 −6 
1−1
  4 
 −5 −6 3   3 −4 6 

3) La representación matricial de T respecto a la base B2 (T  ) .

B2

 3 −12 10   6 −2 5   6 8 −2  −9 −10 −21

= P −1 T B P =  −1 8 −6   −1 −2 2   −3 −3 2  =  11 14 15 
1 1
T B2 1
4    4 
 3 −4 6   −5 1 −3  −5 −6 3   −17 −22 −1 

Página 27 Prof: Genaro Viñas

4) La representación matricial de T respecto a la base B2 (T  ) y confirmar que es igual a la
B2

obtenida en (3)
 9 11 17  1
T (v1 ) = T (1,2,3) = (−1,8,0)  T (v1 )B =  − , , −  = 4 ( −9, 11, − 17 )
 4 4 4
2

  5 7 11 

T (v2 ) = T (2,3,4) = (−1,11,1)   T (v2 ) B =  − , , −  = 1 ( −10,14, − 22 )
  4
  2 2 2
2


 
T (v3 ) = T (1, −1,1) = (2,1, −1)  T (v ) =  − 21 , 15 , − 1  = 1 ( −21,15, − 1)
3 B2   4
 4 4 4

 −9 −10 −21
1
Por tanto T B = 11 14 15 
2
4 
 −17 −22 −1 

10.4. Matrices Similares o Semejantes:

Definición:
Si A y B son matrices cuadradas de orden n, se dice que A es semejante o similar a B si existe
una matriz invertible C del mismo orden tal que: B = C −1 AC .

Para denotar que A es semejante a B escribiremos A B.

Si A y B son semejantes o similares entonces al multiplicar C por la izquierda en ambos lados

obtenemos CB = CC −1 AC esto es equivalente a CB = AC . Esta es otra forma de ver la
semejanza de dos matrices.

Ejemplo:

 1 1 1 1 −1  2 − 1
Sean A =   = 1 =  −1 1  .
2 
, C y C
 −2 4    

Haciendo B = C −1 AC podemos obtener una matriz semejante a A. Esto es:

Página 28 Prof: Genaro Viñas

  2 − 1  1 1  1 1   2 + 2 2 − 4  1 1   4 − 2  1 1 
B = C −1 AC =    = =
 −1 1   −2 4  1 2   −1 − 2 −1 + 4  1 2   −3 3 1 2 
.
 4 − 2 4 − 4  2 0
= =
 −3 + 3 − 3 + 6  0 3 

2 0  1 1
Entonces podemos afirmar que B =  =
3   −2 4  son matrices semejantes.
y A
0  

Además, podemos comprobar que CB = AC

 2 − 1  4 − 2   8 − 5 − 4 + 3 3 − 1
CB =   5 − 3 =  −4 + 5 2 − 3 = 1 − 1 .
 −1 1      

 2 1   2 − 1  4 − 1 − 2 + 1 3 − 1
AC =    −1 1  = 0 + 1 0 − 1  = 1 − 1
 0 − 1     

Teorema 19: (propiedades de las matrices semejantes)

Sean A , B, C, D  M n , entonces

1) A A

2) A B  B A

3) A B y B D A D

4) Si A B entonces det( A) = det( B)

5) Si A B entonces A es invertible si y solo si B es invertible.

Por el teorema 18 se puede afirmar que dos representaciones cualesquiera de un operador lineal
T : E → E son semejantes o similares.

Por el inciso 4 del teorema 19 se deduce que cualquier par de representaciones matriciales
relativas a bases diferentes de un operador lineal en un espacio E tienen el mismo
determinante, pues son matrices semejantes.

Página 29 Prof: Genaro Viñas

Definición: (determinante de un operador lineal)

Si E es un espacio de dimensión finita y T es un operador lineal en E, se define el

determinante de T, det (T), como el determinante de cualquier representación matricial de T.

Si una representación matricial de un operador lineal es invertible todas las demás también lo
son por ser todas matrices semejantes o similares.

Ejemplo:

En un ejemplo anterior encontramos para el operador lineal T : R3 → R3 , tal que

x  x− y 
   
T  y  =  y + 2 z  y B1 = {u1 = (1,0,2), u2 = (0,1, −2)  u3 = (1, −1,3)}
z  x + y − z
   
y B2 = {v1 = (1,2,3), v2 = (2,3,4)  v2 = (1, −1,1)} obtuvimos:

 6 −2 5   −9 −10 −21
=  −1 −2 2 
1
T B  
y T B = 11 14 15 
1 2
4 
 −5 1 −3  −17 −22 −1 

Confirmar que det T B = det T B

1 2

 6 −2 5 
det T B = det  −1 −2 2  = 36 + 20 − 5 − 50 + 6 − 12 = −5
1  
 −5 1 −3

  −9 −10 −21    −9 −10 −21 

1   
11 14 15   = det   11 14 15  
1
det T B = det 
   
 4  −17 −22 −1   64   −17 −22 −1  
2

    
 −9 −10 −21
= det  11 14 15  = (126 + 2550 + 5082 − 4998 − 110 − 2970)
1 1
64   64
 −17 −22 −1 

1
= (−320) = −5
64

Página 30 Prof: Genaro Viñas

Teorema 20:
Sea E es un espacio de dimensión finita n y T : E → E un operador lineal en E, entonces T es
inyectivo y por tanto biyectivo si y solo si cualquier representación matricial de T es una matriz
invertible ( det(T )  0 ). En tal caso, si T B es la representación matricial de T relativa a la base

B, T B
−1
es la representación matricial del operador lineal inverso T −1 relativa a la misma

base.

10.5. Representaciones Matriciales de Transformaciones Lineales

Así como se pueden determinar representaciones matriciales para operadores lineales, también
se pueden hallar transformaciones lineales en general y el procedimiento para tal fin es
análogo al que realizamos anteriormente.

Definición:
Sean E y F espacios vectoriales de dimensiones finitas; B1 = {u1 , u2 ,..., un } y

B2 = {v1, v2 ,..., vm} bases para dichos espacios; T  ( E, F ) y aij  R tales que:

T ( u1 ) = a11v1 + a21v2 + ... + an1vn


T ( u2 ) = a12v1 + a22v2 + ... + an 2vn

 ,


T ( un ) = a1nv1 + a2 nv2 + ... + annvn


Se define la representación matricial de T relativa a las bases B1 y B2 como

 a11 a12 ... a1n 

 a a ... a 
T BB
2

1
=  21 22

2n 
=  T ( u1 )  B
  2
T ( u2 )  B
2
T ( un )  B 
2 

 
 an1 an 2 ... ann 

Note que las columnas de T B son los vectores de coordenadas de T ( ui ) ; i = 1,2,..., n

2 B
1

respecto a la base B2 .

Página 31 Prof: Genaro Viñas

Teorema 21:

Sean E, B1 , B2 y T como en la definición anterior, entonces T (u ) B = T B u B , u  E.

2 B
2 1 1

Ejemplo:
 3x + y 
x 
Sea T : R → R tal que T   = x − 3 y  . Sean B1 = ( 1, 2 ) ; ( 3, −1) y
2 3

 y  x + y 
 
B2 = ( 1, 0, − 1) ; ( 0,2,1) ; ( 2,5,0 ) bases para R 2 y R3 respectivamente. Hallar T B12 .
B

Compruebe que se cumple el teorema para u = ( −1, 2 ) .

 5 8 
 1    3  
Hallamos T   = −5 ; T = 6
 2  3   −1  2 
   
Determinamos las coordenadas de cada vector resultado de la transformación en la base B2 .
Esto nos conduce a dos sistemas de ecuaciones que podemos resolver de manera simultánea
puesto la matriz de coeficientes es la misma para ambos.

 1 0 2 : 5 : 8
Esto produce la matriz aumentada siguiente  0 2 5 : −5 : 6 
 
 −1 1 0 : 3 : 2 
1 0 0 : 47 : 36 
 
Su forma escalonada reducida es 0 1 0 : 50 : 38 
0 0 1 : −21 : −14 

 47 36 
Esto nos indica que T B1 =  50 38 
B2

 
 −21 − 14 

Ahora comprobamos que para u = ( −1, 2 ) se cumple que T (u ) B2 = T BB u 

2

1 B1

 −1 
 −1  
Calculemos T   = −7 y para obtener T (u )B planteamos el sistema que tiene como
 2  1 2

 

Página 32 Prof: Genaro Viñas

  1 0 2 :− 1 
matriz aumentada  0 2 5 : −7 
 
 −1 1 0 : 1

1 0 0 :13  13 
 
Su forma escalonada reducida es 0 1 0 :14 , entonces T (u ) B = 14 .
 
    2

0 0 1 : − 7   −7 

Para obtener u B planteamos el sistema que tiene como matriz aumentada 12 3 : −1 
− 1 : 2 
y
1

 5   5
1 0 7 
su forma escalonada reducida es   , entonces  u B =  74  .
0 1 − 4 
1
− 
   7
 7

Luego calculamos T (u ) B = T B2 u B :

B
2 1 1

 47 36   5 
T (v ) B = T B1  v B =  50 38   74 
B2

  −
  7 
2 1

 −21 − 14
 47  5  + 36  − 4    235 − 144   91 
 7  7 
 7 7
  7
  13 
=  50 75  + 38 − 74   =  250 −
152
 =  98
 =  14 
    
  105 56   49   
7 7 7

 −21 7  −14 − 7    − 7 + 7   − 7   −7 
5  4
     

Teorema 22: (representación matricial y cambio de base)

Sean E, F espacios vectoriales de dimensiones finitas; B1 y B1 bases para E; B2 y B2 bases

para F y T  ( E, F ) . Sean P la matriz de cambio de base de B1 a B1 y Q la matriz de


cambio de base de B2 a B2 , entonces T BB 2

1
= Q −1 T B2 P.
B
1

Página 33 Prof: Genaro Viñas

Demostración:
El hecho de que P sea la matriz de cambio de base de B1 a B1 implica que u B = P u B . El
1 1

hecho de que Q sea la matriz de cambio de base de B2 a B2 implica que v B = Q v B y
2 2

además vB = Q −1
vB .
2 2

Recordemos además que si B1 y B2 son respectivas bases para E y F, entonces para todo
u  E se verifica que T (u )B = T B u B . Si partimos de Q−1 T B P u B obtenemos:
2
B2
1 1
( B2
1
) 1

(Q −1
T B
B2
1
) 1
(
P u B = Q −1 T B2 P u B
B
1
) 1

(
= Q −1 T B2 u B
B
1
) 1

(
= Q −1 T B2 u B
B
1 1
)
= Q −1 T (u )B
2

= T (u )B
2

(Q −1
T B
B2
1
) 1 2 1
B
P u B = T (u )B  Q −1 T B2 P = T B2 como consecuencia de T (u )B = T B2 u B
B
1 2
B
1 1

Ejemplo:
x
   x − y + 2z 
Sea T : R → R ; T  y  = 
3 2
 . Sean B1 y B2 las bases canónicas de R 3 y R 2
 z   2x + 3y − z 
 
respectivamente y B1 = ( 1, 0, − 1) ; ( 0,2,1) ; ( 2,5,0 ) , B2 = (1, 1) ; ( 2,5) .

Entonces tenemos que:

1   0  0
       −      2  1   0 
T  0  =   = 1  + 2   ; T 1  =   = −1  + 3  ; T  0  =   = 2   − 1 
1 1 0 1 1 0
 0   2   0  1   0  3   0  1  1   −1  0  1 
     

1 −1 2 
. T B2 = 
B

1
 2 3 −1
Por otro lado, como

Página 34 Prof: Genaro Viñas

 1  1   0   0   0  1   0   0  2  1   0   0 
 0  = 1 0  + 0 1  − 1 0  ;  2  = 0  0  + 2 1  + 1 0  ;  5  = 2  0  + 5 1  + 0 0 
                       
 −1  0   0  1  1   0   0  1   0  0   0  1 
                       

 1  1   0   2 1   0 
1 = 1 0  + 11  ;  5  = 2  0  + 5 1  se obtiene que:
           

 1 0 2  5 2
 − 
1 2  1  5 −2 
P =  0 2 5  ;
3 3
Q= ; Q −1 =  =  
 −1 1 0  1 5   − 1 1  3  −1 1 
 3 3 
 1 0 2
B2 1  5 −2 1 −1 2   0 2 5  = 1  −11 −10 −53
T  =Q −1
T B
B2
P= 
B1 1
3  −1 1   2 3 −1   3  4 5 22 
 −1 1 0 

Página 35 Prof: Genaro Viñas