Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Lineal
(Unidad 1,2 y 3)
Sofía Avila Becerril
(soavbec@gmail.com )
Borrador 1
1 Grupos y Campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1 Operación Binaria 7
1.1.1 Ejemplos de Operaciones Binarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Grupos 9
1.3 Campos 10
2 Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Espacios Vectoriales 13
2.1.1 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Transformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1 Definición de transformación. Dominio y co-dominio 41
3.2 Transformaciones Lineales 43
3.2.1 Los subespacios núcleo y recorrido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Matriz asociada a una transformación 51
3.3.1 Matriz asociada a una transformación referida a bases estándar . . . . . . . . . . . 51
3.3.2 Matriz asociada a una transformación referida a bases no-estándar . . . . . . . . 53
3.4 Operaciones con transformaciones 56
3.4.1 Suma y multiplicación por un escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.4.2 Composición de transformaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.4.3 Transformación inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.5 Valores y vectores propios 60
3.5.1 Obtención de valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
List of Figures
3.1 Superposición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Ejemplos de funciones no-lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Ejemplos de funciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1. Grupos y Campos
Hasta ahora se ha trabajado con diferentes clases de conjuntos: números reales, números complejos,
matrices, polinomios, etc. y dentro de cada conjunto se pueden efectuar operaciones. Sin embargo,
no todas las operaciones se comportan igual.
3+4 = 7
Las operaciones binarias no se restringen a las usuales, sino admiten la existencia o la creación de
nuevas operaciones. Para esto, basta con especificar una regla que le asigne a cada par ordenado de
elementos en un conjunto S, un único elemento y se puede usar cualquier símbolo.
8 Chapter 1. Grupos y Campos
a △ b = 2a + 3b
la cual dice que “al doble del primer número se le debe agregar el triple del segundo1 ”. De manera
que la operación △ aplicada a la pareja (1,5) queda dada por
1 △ 5 = 2(1) + 3(5)
= 17
1 3 5 = 1 + 2(5) = 11
Ejemplo 4 — Conjunto de cardinalidad finita. Sea el conjunto G = {α,β ,γ} tal que ∣G∣ = 3. Se
define la operación ◻ ∶ G × G → G con regla dada por la siguiente tabla:
◻ α β γ
α α β γ
β β β α
γ α β γ
γ ◻ β =β
Ejemplo 5 — Final 5 dic 2017. Considere el conjunto de los números reales R y las operaciones
binarias ⋆, ○ definidas como
a⋆b = a+b+1
a ○ b = a + b + ab; ∀a,b ∈ R
x ⋆ (3 ○ y) = 3
x⋆4 = 0
A un conjunto donde están definidas una o varias operaciones binarias se le suele llamar sistema
algebraico. Es posible que conjuntos de diferente naturaleza y diferentes operaciones tengan el
mismo comportamiento algebraico, es decir, que obedezcan a las mismas leyes. En tal caso ambos
poseen la misma estructura algebraica.
1
Note que se dice “primero” y “segundo” porque la operación se aplica a la pareja ordenada (a, b)
1.2 Grupos 9
1.2 Grupos
Definición 1.2.1 — Grupo. Sea A un conjunto no-vacío y sea ⋆ una operación binaria definida
en A. Se dice que el sistema (A,⋆) tiene estructura de grupo si se cumplen los siguientes axiomas:
1. Cerradura: La operación de dos elementos en A es un elemento en A
a ⋆ b ∈ A; ∀a,b ∈ A
(a ⋆ b) ⋆ c = a ⋆ (b ⋆ c) ∀ a,b,c ∈ A
3. Idéntico: Existe un único elemento e ∈ A llamado idéntico del grupo, tal que
a ⋆ e = e ⋆ a = a; ∀a∈A
a ⋆ â = â ⋆ a = e
∎
Cuando la operación es la adición, entonces el grupo puede ser llamado grupo aditivo .
Definición 1.2.2 — Grupo Abeliano. Un grupo (A,⋆) se dice ser abeliano o conmutativo si la
operación ⋆ es tal que el resultado es el mismo para cualquier orden de los operandos, es decir si
a⋆b = b⋆a
∎
Ejemplo 6 Determine si los conjuntos dados en los Ejemplos 3 y 4, con su operación binaria, son
grupos abelianos
Cuando se tiene un conjunto ∣S∣ de cardinalidad finita ∣S∣ = n, la propiedad asociativa es
exhaustiva, en el sentido de que hay que mostrar que la propiedad se cumple para todas las posibles
combinaciones (permutaciones) que son ∣S∣ elementos tomados de 3 en 3, es decir
P = ∣S∣3
Tarea:([2]) Sea el conjunto de los números reales y la operación , ∶ R × R → R dada por la regla:
x,y = x + y + 3; ∀x,y ∈ R
Determinar si el sistema (R,,) tiene estructura de grupo
Ejemplo 7 Sea el sistema algebraico
a 0
S = {[ ], a,b,c ∈ R}
b c
y la operación binaria ⊗ definida por
a 0 m 0 a+m 0
[ ]⊗[ ]=[ ]
b c n r bn c + r
10 Chapter 1. Grupos y Campos
a ⋆ b = a + b − 4.
Asumiendo que el sistema (Z,⋆) tiene estructura de grupo. Determine el elemento inverso de 5.
1.3 Campos
Definición 1.3.1 — Campo. [1, Definición 4.4] Considere el conjunto C de todos los números
complejos con su adición y multiplicación (definidas para C). Sea K un subconjunto de C, se
dice que K es un campo si:
1. (K,+) es un grupo abeliano
2. K es cerrado respecto a la multiplicación, es decir, si x1 y x2 están en K, entonces
x1 x1 ∈ K
3. El elemento 1 pertenece a K
4. Para cada elemento no-cero x ∈ K, el elemento x−1 (tal que xx−1 = 1) también está en K
∎
Primero note que C por sí mismo es un campo y que R también lo es. ¿Qué otros subconjuntos
de C son un campo?
2. Espacios Vectoriales
Un plano P2 es una colección de puntos y líneas sujetos a algunas restricciones y nos referimos
a él como espacio geométrico. En este momento, ese conjunto no tiene asociado ningún sistema
coordenado ni una álgebra. Es decir, no pueden ser sumados o multiplicados.
Vamos a recordar la noción de vector geométrico. Sea un punto arbitrario 0̄ fijo, llamado origen,
un vector geométrico es un segmento de línea dirigido que inicia en 0 y termina en un punto P de P2 .
Cada vector geométrico v tiene una magnitud ∣v∣ y una dirección, de tal forma que:
• Dos vectores geométricos son iguales si tienen la misma magnitud y la misma dirección.
• El vector geométrico 0̄ es un segmento de línea sin magnitud
v̄1 + v̄2
α v̄1 ; α ∈R
Puede mostrarse que el conjunto P2 de vectores geométricos tiene estructura de grupo abeliano.
En particular, la asociatividad se muestra geométricamente en la Figura 2.3
Ahora bien, de una suposición elemental de geometría analítica, se sabe que dado el plano
geométrico, un origen y especificados dos ejes coordenados, un par de números reales
(x,y)
especifica un punto en el plano.
2.1 Espacios Vectoriales 13
R2 = {(a,b); a,b ∈ R}
Así, podemos considerar al conjunto de todas las parejas ordenadas de números reales R2 y
dotarlo de una operación binaria adición dada por:
El conjunto R2 con la operación de suma definida por (2.1) tiene estructura de grupo abeliano.
α v̄ ∈ V; ∀α ∈ K y v̄ ∈ V
1v̄ = v̄
A los elementos de V se le llaman vectores y los elementos de K son llamados escalares. Así, si
K = R, el espacio se dice ser un espacio vectorial real y si K = C, el espacio se dice ser un espacio
vectorial complejo.
Ejemplo 9 Ver ejercicios página 126 del libro de Godínez y Herrera [3]
1. 0ū = 0̄
2. (−1)ū = −ū
3. α 0̄ = 0̄
Para demostrar estas propiedades basta con aplicar los 10 axiomas que definen a los espacios
vectoriales.
2.1 Espacios Vectoriales 15
2.1.1 Subespacios
Una vez que se han establecido las condiciones bajo las cuales un conjunto no-vacío con su operación
binaria suma y su operación multiplicación por un escalar, forma un espacio vectorial, la pregunta
que surge es:
Y la respuesta intuitiva debería ser no. Tome por ejemplo el espacio vectorial de los números
reales sobre el campo real y como subconjunto a los números naturales, los números naturales no
son un grupo porque no contienen al cero ni a los inversos aditivos, por lo tanto no es un espacio
16 Chapter 2. Espacios Vectoriales
Cabe mencionar que W hereda las operaciones de adición y multiplicación por un escalar
definidas en V. Asimismo, la definición anterior implícitamente indica que no todo subconjunto de
un E.V. es un E.V., el siguiente teorema da las condiciones necesarias para que el subconjunto sea
subespacio:
Teorema 2 Sea V un espacio vectorial sobre un campo K y sea W un subconjunto de V, entonces
W es un subespacio si se cumplen las siguientes condiciones:
1. El idéntico 0̄ es un elemento de W.
2. Si w̄1 y w¯2 son elementos de W, entonces
w̄1 + w̄2 ∈ W
3. Si w̄1 ∈ W y α ∈ K, entonces
α w̄1 ∈ W
La prueba de este teorema puede encontrarse en [4]. Sin embargo, para dar una idea, si la
pregunta es ¿Cómo el Teorema 2 garantiza que los inversos están en W?, basta con observar lo
siguiente:
1. Si V es un E.V., por el Teorema 1 se cumple que
(−1)ū = −ū
(−1)w̄ = −w̄ ∈ W
W = {(x,y);y = mx, x ∈ R}
Ejemplo 11 Ejemplos de subconjuntos de R2 que no son subespacios son todas las líneas rectas
que no pasan por el origen tipo:
W = {(x,y);y = mx + b, x ∈ R}
con m y b constantes.
Un conjunto de vectores que puede resultar de interés es el que surge de la intersección de dos
subespacios arbitrarios W1 y W2 sobre un campo K.
2.2 Espacio Vectorial de Funciones 17
La prueba del teorema anterior requiere de la satisfacción de las condiciones de subespacio dadas
en el Teorema 2 y puede consultarse en [1].
Ejemplo 12 — Ejemplos de subespacios. Ejercicio 30 pág. 169 en [3].
W = {(x,y,z)∣x − y − z = 0; x,y,z ∈ R}
es un subespacio de R3 .
Así como cualquier línea recta que pasa por el origen es un subespacio de R2 , cualquier línea
y plano que contengan al origen son subespacios de R3 . Gráficamente es fácil imaginar que si se
tiene un plano y se suman dos vectores en el plano el resultado es otro vector en el plano y que si se
multiplica a un vector en el plano por un escalar, el resultado es otro vector en el plano. La Figura
ilustra el comentario anterior.
Ejemplo 14 — Ejemplos de subespacios. Ejercicio 2 pág. 115 en [1].
con la suma entre polinomios y la multiplicación por un escalar usuales, se puede demostrar que el
conjunto Pn es un espacio vectorial real. Observe que en realidad Pn es un conjunto de funciones
polinomiales de x.
En un principio, el hecho de que exista un espacio vectorial formado por funciones polinomiales
de x puede resultar bastante extraño. Este espacio cuyos elementos son funciones parece distante de
la primitiva noción de espacio geométrico y sus vectores (las funciones) también parecen lejanas del
concepto de vectores geométricos. Sin embargo, el espacio vectorial de funciones es el más utilizado
en el análisis de sistemas físicos y su estudio permite unificar diversos fenómenos [1].
Sistemas hidráulicos
Figure 2.6: La suma de dos flujos genera Figure 2.7: Un flujo puede ser amplificado
otro flujo por medio de una bomba
Sistemas mecánicos
Sistemas eléctricos
Figure 2.10: La suma de dos corrientes Figure 2.11: Una corriente puede ser
genera otra corriente amplificada por un transformador eléctrico.
Así, si asumimos que el flujo volumétrico, la fuerza y la corriente son variables que cambian
con el tiempo, entonces podemos representarlas por una función. Para tratar de generalizar nos
concentraremos en el conjunto de todas las funciones reales de variable real, es decir, aquellas cuyo
dominio, el tiempo, son los reales positivos y cuyo co-dominio son los números reales F ∶ R+ ↦ R.
20 Chapter 2. Espacios Vectoriales
Bajo estas condiciones, se puede demostrar que el conjunto F es un espacio vectorial sobre el campo
de los reales. El elemento idéntico aditivo es la función f (x) = 0 para todo x en el intervalo.
R Cabe mencionar, que si se requiere trabajar con funciones definidas en un intervalo abierto finito,
denotadas como F(a,b) para a < x < b, o bien en un intervalo infinito, escritas como F(−∞,∞),
el espacio vectorial correspondiente y sus operaciones se definen de manera análoga.
esto es cierto si y sólo si ( f + g)′ (x) existe y también es una función continua, es decir si
( f + g)′ (x) ∈ C0 .
2.4 Combinación Lineal 21
por lo que la función ( f + g)′ (x) existe y es la suma de dos funciones continuas, por lo
tanto, también es continua, ( f + g)′ (x) ∈ C0 .
– La pregunta de la cerradura en la multiplicación por un escalar es:
(α f )′ (x) = α f ′ (x),
Ejemplo 15 — Ejemplos de subespacios de Funciones. Ejercicios (a)-(g) página 114 del libro
[1]
Note que en la definición anterior sólo están involucradas las operaciones de suma entre vectores
y multiplicación por escalares, como en las cerraduras.
La Figura 2.12 muestra cómo es que el vector ē es combinación lineal de los vectores v̄ y ū, con
los escalares d = 1.5 y o = 2, es decir,
ē = 1.5v̄ + 2ū
22 Chapter 2. Espacios Vectoriales
R En algún sentido, se puede decir que el vector ē no es nuevo porque es generado al combinar a
ū y v̄.
Así, podemos decir que el vector v̄ = (5,−1) es combinación lineal de los vectores w̄1 = (4,2) y
w̄2 = (1,−3) porque
(5,−1) = 1(4,2) + 2(1,−3)
Evidentemente, el concepto aplica para cualquier espacio vectorial.
Ejemplo 16 Considere el E.V. P2 y el subconjunto formado por S = {x2 + 2x + 1,x2 + 2,x2 + x}.
Determine si el vector 2x2 + x + 5 es combinación lineal de los vectores en S
Solución. La pregunta de la combinación lineal se puede expresar de la siguiente forma:
¿Existen escalares α1 ,α2 ,α3 tales que
2x2 + x + 5 = α1 (x2 + 2x + 1) + α2 (x2 + 2) + α3 (x2 + x) (2.5)
es cierto? Si la respuesta es afirmativa, entonces 2x2 + x + 5 sí es combinación lineal de S. Para esto,
desarrollando el lado derecho de (2.5) se tiene que
2x2 + x + 5 = (α1 + α2 + α3 )x2 + (2α1 + α3 )x + (α1 + α2 )
2.5 Dependencia e Independencia Lineal 23
α1 + α2 + α3 = 2
2α1 + α3 = 1
α1 + α2 = 5
Existen diferentes métodos para darle solución al sistema de ecuaciones, por ejemplo por Gauss.
Así,
⎛1 1 1 2⎞ ⎛1 1 1 2⎞
⎜2 0 3 1⎟ ∼ ⎜0 1 −1 3 ⎟
⎝1 1 0 5⎠ ⎝0 0 1 −1⎠
R Observe que para resolver el problema también se pudo haber hecho el isomorfismo entre P2 y
R3 . En ese caso, el sistema de ecuaciones al que se hubiera llegado sería el mismo.
es dependiente porque al menos se sabe que el vector 2x2 + x + 5 se puede formar a partir de la
combinación de los primeros tres. Esta intuición se formaliza en la siguiente definición:
Definición 2.5.1 Sea V un espacio vectorial sobre un campo K y sea S = {v̄1 ,..., v̄n } un
subconjunto finito de vectores de V. El conjunto S se dice ser Linealmente Dependiente (L.D.)
si existen escalares α1 ,...,αn ∈ K, no todos cero, tal que se satisface la siguiente ecuación de
dependencia lineal:
α1 v̄1 + α2 v̄2 + ... + αn v̄n = 0̄ (2.6)
Definición 2.5.2 Sea V un espacio vectorial sobre un campo K y sea S = {v̄1 ,..., v̄n } un
subconjunto finito de vectores de V. El conjunto S se dice ser Linealmente Independiente
(L.I.) si la única solución a la ecuación de dependencia lineal (2.6) es la trivial, es decir
α1 = α2 = ⋯ = αn = 0
Solución. Es un ejemplo muy simple porque “a simple ojo” puede verse que si se multiplica al
vector (1,3) por el escalar α = 2 entonces se obtiene a (2,6). En otras palabras, (2,6) es combinación
lineal de (1,3), por lo que el conjunto debe ser L.D. Para corroborar esta intuición, se puede escribir
la ecuación de dependencia lineal para el conjunto S, con lo que se tiene:
que también es
α1 + 2α2 = 0
3α1 + 6α2 = 0
1 2 1 2
( )∼( )
3 6 0 0
por lo que la solución al sistema es α1 = −2α2 , con α2 ∈ R. Entonces, ¿el conjunto S es L.D. ó L.I.?
Como la ecuación de dependencia lineal admite muchas soluciones, entonces el conjunto es L.D.
La prueba formal de este teorema puede encontrarse en [4], Teoremas IX.2.4 y IX.2.5.
Observe el siguiente ejemplo:
Ejemplo 18 Determine si el conjunto S = {(1,2,−5),(1,0,2),(2,2,−3)} es linealmente dependiente
o linealmente independiente.
Antes de escribir la ecuación de dependencia lineal trate de adelantarse a la respuesta, observando
al conjunto el vector (2,2,−3) es la suma de los dos primeros, por lo tanto, el conjunto debe ser L.D.
Ahora bien, forme una matriz donde cada renglón es un vector del conjunto, es decir:
v̄1 ⎛ 1 2 -5 ⎞
v̄2 ⎜ 1 0 2 ⎟
v̄3 ⎝ 2 2 −3 ⎠
para esta matriz haremos operaciones elementales con sus renglones, esto significa: sumas entre los
vectores y multiplicaciones por escalares, por lo que en realidad lo que se haría son combinaciones
2.6 Generadores y Bases de Espacios Vectoriales 25
v̄1 ⎛ 1 2 −5 ⎞
∼ v̄1 (−1)+v̄2 ⎜ 0 −2 7 ⎟
v̄1 +v̄2 −v̄3 ⎝ 0 0 0 ⎠
S1 = {(1,2,−5),(1,0,2),(2,2,−3)}
S2 = {(1,2,−5),(0,−2,7)}
El lector se preguntará ¿en qué sentido S1 y S2 son equivalentes? Son equivalentes en el sentido
de que generan al mismo espacio vectorial. En la siguiente sección se presenta el concepto de
generador, pero antes de seguir con este concepto, permita enunciar los pasos para determinar la
dependencia o independencia lineal de un conjunto por el método del ejemplo.
1. Dado un conjunto S de vectores en un espacio vectorial V utilice un isomorfismo f ∶ V → Rn
para expresar al conjunto como vectores en Rn .
2. Forme una matriz donde cada renglón sea un vector del conjunto S.
3. Realice operaciones elementales con los renglones (equivalente a hacer combinaciones lineales
de los vectores).
4. Si después de reducir la matriz aparece el “vector cero” entonces el conjunto es Linealmente
Dependiente. Si la matriz puede escalonarse sin que ningún renglón se haga cero, entonces el
conjunto es Linealmente Independiente.
Ejemplo 19 Determine si el conjunto A = {(2 − i,−1 − 4i),(4 − i,1 − 6i),(i,3 + 2i),(1,1 − i)} es
linealmente dependiente o linealmente independiente.
Tarea: Determine el(los) valor(es) de k que hacen que el conjunto S = {(k−1,k+1),(k+1,k−1)}
sea linealmente independiente.
Esta expresión,puede interpretarse como que “la suma de vectores, multiplicados por escalares,
genera un vector”, de hecho, si los escalares α1 ,α2 ,...,αn ∈ R “barren” a todos los reales, no sólo
se genera a un vector, sino a infinitos. Esto da pie a hablar de conjuntos generadores y de espacios
generados.
Definición 2.6.1 Sea S un subconjunto de vectores en un E.V. V. El conjunto de todos los
vectores en V que son combinaciones lineales de los vectores en S es llamado conjunto generado
por S.
La definición anterior dice que el conjunto S es un generador del E.V. W si cualquier vector en
W es combinación lineal de los vectores en S.
El siguiente teorema dice que si se combinan linealmente a un conjunto de vectores, entonces la
combinación es un subespacio. Esto debería hacer mucho sentido porque la forma de combinarlos es
por medio de sumas y multiplicaciones por escalares, por lo que se van a satisfacer las cerraduras;
más aún, puede verificarse que se genera al “cero” haciendo los escalares cero.
Teorema 5 Sea {v̄1 ,..., v̄n } un conjunto finito de vectores en un espacio vectorial V sobre un campo
K. Entonces el conjunto W generado por {v̄1 ,..., v̄n } es un subespacio de V.
G = {(1,2,3),(1,1,1)}
Una vez determinado que el conjunto G tiene dos vectores L.I. y que por lo tanto deben generar un
plano, determine ¿cuál es el plano generado? Y la respuesta debe ser: la combinación lineal de los
vectores en G
Espacio generado: Opción 1. Se sabe que deben generar un subespacio de R3 ,
⎛1 1 x⎞ ⎛1 1 x ⎞ ⎛1 1 x ⎞
⎜2 1 y⎟ ∼ ⎜0 −1 −2x + y⎟ ∼ ⎜0 1 2x − y ⎟
⎝3 1 z⎠ ⎝0 −2 −3x + z⎠ ⎝0 0 4x − 2y − 3x + z⎠
⇒ x − 2y + z = 0
W = {(2y − z,y,z);y,z ∈ R}
Espacio generado: Opción 2. También se pudo haber encontrado primero un conjunto equivalente
a G = {(1,2,3),(1,1,1)}. Sin embargo, hay que tener en mente que, dado que G es L.I., G no se
podrá reducir a tener menos de dos vectores. Así pues,
1 2 3 0 1 2 0 1 2
( )∼( )∼( )
1 1 1 1 1 1 1 0 −1
por lo que z = 2y − x, que es la misma restricción obtenida por la primer opción, es decir, el espacio
generado es
W = {(x,y,2y − x);x,y ∈ R}
W = {(x,y,2y − x);x,y ∈ R}
28 Chapter 2. Espacios Vectoriales
Intuitivamente se sabe que es un E.V. de dimensión dos. Es decir, debe proponerse un conjunto
que al menos tenga dos vectores que vivan en W y sean L.I. Para obtener estos vectores de valores a
los escalares de x = 1,y = 0 y luego x = 0,y = 1
Si x = 1,y = 0 ⇒ (1,0,−1)
Si x = 0,y = 1 ⇒ (0,1,2)
Conclusiones:
1. Los generadores no son únicos.
2. Los generadores pueden ser L.D. por lo tanto, pueden tener diferente número de
elementos.
Así como hay infinitos generadores para un mismo espacio, existen infinitas bases, pero como se
le pide a la base ser L.I. entonces todas las bases tienen el mismo número de elementos, entonces se
define la dimensión de un E.V. como el número de elementos que tiene su base.
dim{W} = 2
Ejemplo 25 Determine dos bases del espacio vectorial real P2 = {ax2 + bx + c;a,b,c ∈ R}
Intuitivamente se sabe que dim{P2 } = 3, por lo que sus bases deben tener 3 vectores que vivan
en P2 y que sean L.I. Dando valores a los escalares1 de unos y ceros, se tiene que
B = {x2 ,x,1}
⎛1 0 0⎞
B = {x ,x,1} ⇒ ⎜0 1 0⎟
2
⎝0 0 1⎠
puesto que la matriz ya no puede reducirse más. Ahora bien, ¿qué otra base diferente podemos
proponer? cualquier conjunto de tres polinomios en P2 linealmente independiente es una base de P2 ,
por lo que sólo hay que tener cuidado en que sean L.I.2 Por ejemplo:
⎛1 0 1⎞
• B2 = {x + 1,x,1} ⇒ ⎜0 1 0⎟
2
⎝0 0 1⎠
⎛5 0 0⎞
• B3 = {5x2 ,x,8} ⇒ ⎜0 1 0⎟
⎝0 0 8⎠
⎛1 0 1⎞ ⎛1 0 1 ⎞ ⎛1 0 1 ⎞ ⎛1 0 1⎞ ⎛1 0 0⎞
• B4 = {x +1,x +2x,x+8} ⇒ ⎜1 2 0⎟ ∼ ⎜0 2 −1⎟ ∼ ⎜0 0 −17⎟ ∼ ⎜0 0 1⎟ ∼ ⎜0 0 1⎟
2 2
⎝0 1 8⎠ ⎝0 1 8 ⎠ ⎝0 1 8 ⎠ ⎝0 1 8⎠ ⎝0 1 0⎠
Es más o menos evidente que B2 y B3 son bases de P2 en cambio, “aventurarse” a proponer así a B4
implicaría tener la seguridad de que son 3 vectores L.I.
Ejemplo 26 Obtenga una base del E.V. de matrices de 2 × 2 dado por:
a b
M2 = {[ ]; a,b,c,d ∈ R}
c d
1
ver Ejemplo 23
2
Significa que cuando pongamos sus renglones en una matriz y se hagan operaciones elementales NO aparezca el
vector cero
30 Chapter 2. Espacios Vectoriales
a b
N = {[ ]; a,b ∈ R}
0 −a
Teorema 6 Si S = {v̄1 ,..., v̄n } es una base del espacio vectorial V, entonces todo conjunto que
contenga a más de n vectores de V es linealmente dependiente.
B = {v̄1 , v̄2 }
v̄ = 2v̄1 + 1.5v̄2
De geometría analítica podríamos decir que las coordenadas del vector v̄ son los escalares 2 para x
y 1.5 para y. Sin embargo, la elección de los ejes coordenados es arbitraria y como ya vimos B no es
la única base de R2 , hay infinitas, otra es la que se muestra en rojo en la Figura 2.13
A = {w̄1 , w̄2 }
v̄ = α w̄1 + β w̄2
En este caso decimos que las coordenadas de v̄ respecto a la base A son los escalares α y vβ . Esto
permite introducir el concepto de vector de coordenadas.
2.7 Coordenadas de Vectores 31
Figure 2.13: El vector v̄ en el plano no cambia, lo que cambian son los ejes coordenados formados
por dos bases B = {v̄1 , v̄2 } y A = {w̄1 , w̄2 }.
Teorema 7 Sea B = {v̄1 ,..., v̄n } una base de un espacio vectorial V sobre K y sea v̄ un vector
arbitrario de V , entonces el vector v̄ puede representarse como:
Definición 2.7.1 Sea B = {v̄1 ,..., v̄n } una base de V y sea v̄ un vector arbitrario de V, entonces,
la única n-ada ordenada de elementos en el campo
⎡α1 ⎤
⎢ ⎥
⎢α ⎥
⎢ ⎥
[v̄]B = ⎢ 2 ⎥
⎢ ⋮ ⎥
⎢ ⎥
⎢αn ⎥
⎣ ⎦
tales que
v̄ = α1 v̄1 + ... + αn v̄n
es llamada vector de coordenadas del vector v̄ respecto a la base B y se denota como [v̄]B .
32 Chapter 2. Espacios Vectoriales
Ejemplo 29 Sean A = {x,1} y B = {2,3 + x} dos bases del espacio vectorial P1 . Encontrar (a)el
vector de coordenadas de r̄ = −2x + 5 respecto a la base A y (b)el vector de coordenadas de r̄ respecto
−3
a la base B. (c)Si [m̄]B = [ ], determine quién es el vector m̄.
2
Solución (a). Lo que se pide primero son los escalares tales que, multiplicados por la base A y
sumados dan como resultado el vector r̄, es decir:
Sin embargo, puede verse claramente que si α = −2 y β = 5, entonces la igualdad anterior se cumple,
por lo que puede concluirse que las coordenadas de r̄ respecto a la base A son:
−2
[r̄]A = [ ]
5
Solución (b). Ahora se piden los escalares tales que, multiplicados por la base B y sumados dan
como resultado el vector r̄, es decir:
−2x + 5 = α(2) + β (3 + x)
= β x + 2α + 3β
⇒β = −2
2α + 3β = 5;
5
⇒α =
2
donde se ha usado la igualdad de polinomios. Por lo tanto, las coordenadas de r̄ respecto a la base B
son:
5
[r̄]B = [ 2 ]
−2
−3
Solución (c). Ahora como tenemos las coordenadas [m̄]B = [ ] y la base B = {2,3 + x} es posible
2
encontrar a m̄ como
m̄ = −3(2) + 2(3 + x) ⇒ m̄ = x
Así, en la Figura 2.15, se representan a las articulaciones por medio de cilindros si el movimiento
es rotacional y como cubos si es un movimiento lineal5 . Ahora bien, para el análisis se asocia a
cada articulación un sistema de coordenadas. En este caso, es de interés la posición del efector final
respecto al sistema de coordenadas de cada una de las articulaciones.
El objetivo es entonces tener una herramienta matemática que permita establecer un cambio de
base (o cambio de coordenadas) entre dos vectores. Esta herramienta es la llamada matriz de cambio
de base o matriz de transición.
La Ecuación (2.11b) muestra al vector v̄ como combinación lineal de los vectores de la base B, por
lo que de esta ecuación puede inferirse que
k1 α1 + k2 β1
[v̄]B = [ ] (2.12)
k1 α2 + k2 β2
Note que [v̄]B también puede escribirse como la multiplicación:
α1 β1 k1
[v̄]B = [ ] [ ] = MBA [v̄]A (2.13)
α2 β2 k2
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ±
MA [v̄]A
B
2.8 Matriz de transición 35
es decir, la relación entre las coordenadas del vector v̄ respecto a la base B con las coordenadas de v̄
respecto a la base A está dada por una matriz MBA llamada matriz de transición de la base A a la base
B que como puede verse en (2.13) se forma por columnas y a su vez, cada columna es un vector de
coordenadas6 , es decir:
MBA = [[ā1 ]B ⋮[ā2 ]B ] (2.14)
En general, se tiene lo siguiente
Definición 2.8.1 Sea V un espacio vectorial de dimensión n sobre un campo K y sean
dos bases de V y sea [āi ]B ∈ Rn el vector de coordenadas de āi respecto a la base B entonces, se
define a la matriz de transición de la base A a la base B como
y es tal que
[v̄]B = MBA [v]A (2.16)
A = { (6,3) ,(10,2)}
² ´¹¹ ¹ ¸¹¹ ¹ ¹ ¶
ā1 ā2
Para encontrar las coordenadas, es necesario buscar los escalares que cumplan con la siguiente
combinación lineal:
por lo que
2α1 = 6 ⇒ α1 = 3
−α2 = 3 ⇒ α2 = −3
2β1 = 10 ⇒ β1 = 5
−β2 = 2 ⇒ β2 = −2
Entonces,
3 5
[ā1 ]B = [(6,3)]B = [ ] y [ā2 ]B = [(10,2)]B = [ ]
−3 −2
Finalmente, sustituyendo en MBA se tiene que
6 5
MBA = [ ]
3 −2
Obtener las matrices de transición de la base A a la base B (MBA ) y la matriz de transición de la base
B a la base A (MAB ).
2x − y = 0 (2.19a)
−x + 2y = 3 (2.19b)
2 −1 x 0
[ ][ ] = [ ] (2.20)
−1 2 y 3
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
A
Caso: Dibujo por renglones. Se toman uno por uno los renglones de la matriz de coeficientes,
es decir, las ecuaciones (2.19a)-(2.19b), y se dibujan todos los puntos que satisface cada ecuación
como se muestra en la Figura 2.17
donde puede verse que el punto I(x,y) que satisface ambas ecuaciones es I(1,2), por lo que la
solución al sistema de ecuaciones es
x=1
y=2
38 Chapter 2. Espacios Vectoriales
Caso: Dibujo por columnas. Ahora pensemos en las columnas de la matriz A y en cómo estas
columnas están relacionadas con la ecuación:
2 −1 x 0
[ ][ ] = [ ] (2.21)
−1 2 y 3
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
A
R Recuerde que la multiplicación de una matriz por un vector puede realizarse de la siguiente
forma:
1 2 5 1 2
[ ][ ] = 5[ ] + 3[ ]
3 4 3 3 4
5 6
= [ ]+[ ]
15 12
11
=[ ]
27
¿Existen escalares x y y tal que el vector (0,3) puede escribirse como combinación lineal del
conjunto {(2,−1),(−1,2)}?
Y la respuesta sería:
Note que con esto hemos convertido el problema de la solución de un sistema de ecuaciones en
un problema de álgebra lineal7 . Y se llama dibujo por columnas porque si la matriz es de 2 × 2 o
de 3 × 3 podemos representar a sus columnas como vectores de R2 o de R3 y ¡dibujarlas!
En general, lo anterior puede expresarse como
Teorema 8 Considere un sistema de n ecuaciones con n incógnitas representado por:
7
De hecho, en sus orígenes, el álgebra lineal se encargaba sólo de estudiar las propiedades de sistemas de ecuaciones
lineales.
2.9 Espacio renglón y espacio columna 39
Definición 2.9.1 Considere una matriz A ∈ Rn×m . Note que las columnas de A forman un
subconjunto de Rn y que los renglones de A forman un subconjunto de Rm .
• Al espacio vectorial generado por la combinación lineal de las columnas de A se le conoce
como espacio columna y usualmente se le denota como Lc (A).
• Al espacio vectorial generado por la combinación lineal de los renglones de A se le conoce
como espacio renglón y usualmente se le denota como Lr (A).
2x − y = 0 (2.24a)
−4x + 2y = 3 (2.24b)
tiene solución.
Solución: En este caso, el sistema de ecuaciones en su forma matricial puede ser escrito como
2 −1 x 0
[ ][ ] = [ ]
−4 2 y 3
G = {(2,−4),(−1,2)}
Observe que este generador es linealmente dependiente porque (2,4) = −2(−1,2). Por lo que una
base del espacio columna es
B = {(1,−2)}
y su espacio generado (espacio columna) es
Lc = {(a,−2a)}
Como el vector (0,3) no cumple con la restricción del espacio Lc , entonces el sistema no tiene
solución.
3. Transformaciones Lineales
El concepto de transformación es una generalización del de función, sólo que en este caso, en lugar
de mapear a los elementos de conjuntos, las transformaciones mapean espacios vectoriales. De
hecho, una función es un caso particular de una transformación del espacio vectorial de los números
reales a los números reales. Muchos de los conceptos vistos en funciones se abordarán en este
capítulo por lo que es de esperarse que para el lector no sean conceptos completamente nuevos
dos espacios vectoriales y una regla de correspondencia para definirla. Así, son ejemplos de
transformaciones:
1. T ∶ R → R dada por
T (x) = 2x + 1
2. T ∶ R → R dada por
T (x) = sen(x) + ex
Observe que estas dos transformaciones en realidad son las funciones reales que vimos en
Cálculo I. Dominio: R, Codominio: R, por lo que toman un real x y lo transforman en otro
real siguiendo la regla de correspondencia.
3. T ∶ R2 → R dada por
T (x,y) = 5x + 3y
² ´¹¹ ¹ ¸¹ ¹ ¹ ¶
pareja real
Dominio: R2 , Co-dominio: R. Toma una pareja ordenada y regresa un número real que es
cinco veces la primer coordenada más tres veces la segunda. Por ejemplo, si quisiera aplicarle
la regla a la pareja (4,−1), tendría
4. T ∶ R2 → R2 dada por
T (a,b) = (−a + 3b,b)
Dominio: R2 , Co-dominio: R2 . Toma una pareja ordenada y regresa una pareja ordenada. Por
ejemplo, si quisiera aplicarle la regla a la pareja (4,−1), tendría
5. T ∶ R3 → R4 dada por
T (a,b,c) = (a + b,a,a + 5b,6c)
´¹¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
R3 R4
1. T1 ∶ R3 → R2 dada por
T (a,b,c) = (−a + 4b,b2 − c)
T (−1,−1,−1) =?
2. T2 ∶ M2 → R2 dada por
a b
T[ ] = (a + 2b − c,−a + 2c)
c d
1 2
T[ ] =?
−5 0
3. T3 ∶ R3 → M2 dada por
x x
T (x,y,z) = [ ]
y + z 3z
T (−2,1,5) =?
4. T4 ∶ P2 → R3 dada por
T (ax2 + bx + c) = (a,b,c)
T (5x2 + 3) =?
5. T5 ∶ P2 → R3 dada por
T (ax2 + bx + c) = (1,a,a)
T (5x2 + 3) =?
R En este momento, la regla de correspondencia puede ser tan arbitraria como se desee, por
ejemplo:
T (a,b) = (sen(a) + eb ,−1))
Todas las familias felices se parecen unas a otras, pero cada familia infeliz lo es a su manera.
[del libro “Ana Karenina” de León Tolstói]
Todas las transformaciones lineales se parecen unas a otras, pero cada transformación
no-lineal es no-lineal a su manera.
44 Chapter 3. Transformaciones Lineales
donde a la Eq. 3.1 se le conoce como el principio de superposición y a Eq. 3.2 como el principio
de homogeneidad.
Antes de pasar a las transformaciones tomemos un poco de intuición estudiando las funciones.
El hecho de que una función o una transformación cumplan el principio de superposición no es tan
evidente. Observe que
f (x) = x2
no lo cumple porque
La pregunta es entonces, ¿Cómo son las funciones lineales? En el caso de las funciones,
f ∶ R → R, para que sean lineales deben ser de la forma:
f (x1 + x2 ) = 3(x1 + x2 ) =
= 3x1 + 3x2 = f (x1 ) + f (x2 )
f (αx) = 3(αx)
= α3x = 3 f (x)
Una vez que obtuvimos un poco de intuición con las funciones, generalicemos las cosas. En el
siguiente ejemplo se pide mostrar si cada una de las siguientes transformaciones cumplen con el
principio de superposición y de homogeneidad (3.1) y (3.2), ambas son necesarias, por lo que con
una que no cumpla, la transformación sería no-lineal.
3.2 Transformaciones Lineales 47
T (a,b,c) = (a + b,a)
Encuentre el núcleo de T .
Solución: Aunque no son necesarios estos pasos, para sistematizar la obtención del núcleo se
recomienda:
1. Identifique al dominio de la transformación y al idéntico del co-dominio:
• Dominio: R3
• Idéntico del codominio: 0̄ = (0,0)
2. Reescriba la definición de núcleo dada por (3.5) para el ejemplo particular,
3. Identifique la restricción dada por la ecuación anterior donde se pide igualar a cero la regla
de correspondencia, es decir,
N(T ) = {(0,0,0)}
T (0,0,1750) = (0,0)
a b
T[ ] = (a + b,c)
c d
Encuentre el núcleo de T .
ū + v̄ ∈ N(T )?
Si y sólo si
T (ū + v̄) = 0̄
pero como T es lineal, por superposición:
α ū ∈ N(T )?
Si y sólo si
T (α ū) = 0̄
pero como T es lineal, por homogeneidad:
T (α ū) = αT (ū) = α 0̄ = 0̄
Sea T ∶ V → W una transformación lineal y B = {v̄1 , v̄2 ,..., v̄n } una base de V, un generador del
subespacio recorrido T (v) es
G = {T (v̄1 ),T (v̄2 ),...,T (v̄n )},
de manera que para obtener el recorrido se puede hacer lo siguiente:
1. Encuentre una base del dominio
2. Encuentre la imagen de cada elemento de la base del dominio.
3. Forme el generador y a partir de él determine los linealmente independientes (la base).
4. La combinación lineal de los elementos de la base nos da el recorrido.
Ejemplo 38 Sea la transformación lineal T ∶ R3 → R2 con regla de correspondencia:
T (x,y,z) = (x,y + z)
obtener su recorrido y la dimensión del núcleo.
Solución. El recorrido debe ser un subespacio de R2
• Sea la base del dominio
BR3 = {(1,0,0),(0,1,0),(0,0,1)}
• Imágenes del dominio
T (1,0,0) = (1,0),
T (0,1,0) = (0,1),
T (0,0,1) = (0,1)
• Generador:
G = {(1,0),(0,1),(0,1)}
que se observa es L.D.
• Una base, a partir del generador es
B = {(1,0),(0,1)}
• El espacio generado, es decir el recorrido es
T (v) = a(1,0) + b(0,1) = (a,b),
o sea que el recorrido es todo R2
T (v) = R2
• Como la dimensión de T (v) es dos y el dominio es R3 ,
dim{R3 } = dim{N(T )} + dim{T (v)}
3 = dim{N(T )} + 2
por lo que dim{N(T )} = 1.
Ejemplo 39 Resolver los ejercicios 12 y 13 del libro de [3], página 199 del pdf.
3.3 Matriz asociada a una transformación 51
T ∶ R4 → R2
No es necesario, pero para facilitar la exposición, se hará diferencia entre dos tipos de matrices,
cuando las bases son estándar1 (también llamadas canónicas) y cuando no.
A = {(1,0,0,...,0),(0,1,0,...,0),...,(0,0,0,...,1)} (3.6)
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
v̄1 v̄2 v̄n
B = {(1,0,0,...,0),(0,1,0,...,0),...,(0,0,0,...,1)} (3.7)
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
w̄1 w̄2 w̄m
y sea
T ∶ Rn → Rm
1
Es decir, aquellas bases formadas por unos y ceros, como la î, jˆ, k̂.
52 Chapter 3. Transformaciones Lineales
R Observe que a la pregunta: ¿De cuánto por cuánto es la dimensión de la matriz asociada a la
transformación? La respuesta debe ser: De la dimensión del co-dominio por la del dominio.
T (1,0,0) = (2,0)
T (0,1,0) = (1,1)
T (0,0,1) = (0,−1)
2 1 0
M(T ) = [ ]
0 1 −1
a + 2b 0
T (ax2 + bx + c) = [ ]
0 3a − c
A = {x2 ,x,1}
1 0 0 0
B = {[ ],[ ]}
0 0 0 1
54 Chapter 3. Transformaciones Lineales
3. Multiplicar la matriz dada por las coordenadas obtenidas en el punto anterior. El resultado
será un vector de m × 1:
⎡ a ⎤
1 2 0 ⎢⎢ ⎥⎥ a + 2b
MBA (T )[v̄]A =[ ]⎢ b ⎥ = [ ]
⎢
3 0 −1 ⎢ ⎥ ⎥ 3a − c
c
⎣ ⎦
4. Como [T (v̄)]B = MBA [v̄]A , el vector obtenido son las coordenadas de la regla de correspondencia:
a + 2b
[T (v̄)]B = [ ]
3a − c
5. Ahora el problema es, dado el vector de coordenadas de la regla y la base a la que está referido,
encontrar la regla, por lo que se debe hacer la combinación lineal para encontrar la regla:
a + 2b α
[T (v̄)]B = [ ]=[ ]
3a − c β
1 0 0 0 a + 2b 0
⇒ (a + 2b)[ ] + (3a − c)[ ]=[ ]
0 0 0 1 0 3a − c
a 0
Ejemplo 44 Considere a los espacios vectoriales R2 y D = {[ ],a,b ∈ R} y la transformación
0 b
lineal T ∶ R2 → D con regla de correspondencia
a+b 0
T (a,b) = [ ]
0 2a − b
R Observe la similitud de (3.13) con la definición de suma de funciones. Así como la suma de
funciones es una nueva función, la suma de transformaciones es una nueva transformación.
S(a,b,c) = (a − b + c,2c),
T (a,b,c) = (b,−5a − 2c).
Determine:
1. La regla de correspondencia de S + T
2. (S + T )(1,2,3)
Solución:
3.4 Operaciones con transformaciones 57
• Observe primero que las transformaciones sí pueden ser sumadas pues ambas van de R3 a R2 .
• Obtener la regla de correspondencia de la suma es tan simple como sumar las reglas:
(S + T )(a,b,c) = (a − b + c,2c) + (b,−5a − 2c)
= (a + c,−5a)
• Obtener la imagen que se pide implica aplicar la regla, es decir:
(S + T )(1,2,3) = (1 + 3,−5(1)) = (4,−5)
αT ∶ V → W
R Aunque la diferencia parece sutil, note que el lado izquierdo de (3.10) es una nueva transformación
obtenida a partir de T (ū).
R Observe que para que S ○ T pueda efectuarse es necesario que el dominio de S esté contenido
en el recorrido de T . Por lo anterior es muy importante reconocer el dominio y el co-dominio
de ambas transformaciones.
Ejemplo 47 Ejercicio: Realizar los ejercicios 24 y 25 del libro de Godinez et al. [3]
3.4 Operaciones con transformaciones 59
Ahora bien, el siguiente teorema nos dice cómo obtener la transformación inversa.
Teorema 14 Sea T ∶ V → W una transformación lineal biyectiva y sea T −1 ∶ W → V su inversa,
entonces:
• La matriz asociada a T , MBA (T ) es no-singular, es decir, det(MBA (T )) ≠ 0.
• MBA (T −1 ) = (MBA (T ))−1
∎
60 Chapter 3. Transformaciones Lineales
3
Si no me creen a mí, tal vez a Ironman sí (t=20s)... https://www.youtube.com/watch?v=5h3G4vKCiFE
3.5 Valores y vectores propios 61
⎡ z(t) ⎤
⎢ ⎥
x̄(t) = ⎢⎢ dz(t) ⎥⎥
⎢ ⎥
⎣ dt ⎦
Obtener un modelo (lineal) significaría encontrar a una matriz A, en este caso de 2 × 2, que relacione
la derivada del vector x̄(t) con el mismo vector x̄(t), es decir:
d x̄(t)
= Ax̄(t) (3.15)
dt
En un curso de ecuaciones diferenciales (siguiente semestre) el interés está en aprender métodos
que resuelvan la ecuación diferencial, es decir, que nos digan de todas las funciones que existen
cuáles son las x(t) que satisfacen (3.15). Sin embargo, los valores propios de la matriz A indican
cualitativamente cómo será el comportamiento del vector x(t). Para detalles e ilustrar lo anterior por
favor refiérase a la Práctica en MATLAB titulada: Sistemas dinámicos.
Dada una matriz asociada a T , la obtención de los valores y vectores propios se puede hacer de
una manera muy sistemática, los pasos se exponen a continuación.
62 Chapter 3. Transformaciones Lineales
Procedimiento
Sea M ∈ Rn×n una matriz4 asociada a un operador T , entonces
1. Un valor propio de M es un escalar λ ∈ K tal que
det(λ In − M) = 0 (3.18)
(λ In − M)v̄ = 0̄ (3.19)
Así, dado un operador primero hay que obtener una matriz asociada, que será de n × n. Luego sacar
el determinante dado en la Ecuación (3.18) e igualarlo a cero. Las raíces de ese polinomio serán los
valores propios. Así, si la matriz es de n × n entonces tendrá siempre n valores propios (que podrían
ser repetidos). Ahora fíjese en la Ecuación (3.19), como M es conocida, entonces para cada λ hay
que encontrar el v̄ que le corresponde. Resolviendo (3.19) para v̄ da los vectores propios.
Ejemplo 49 Encuentre los valores y los vectores propios de la matriz M, donde
2 −12
M=[ ]
1 −5
4
Para facilitar la visualización se omitirá la notación, pero se debe tener en cuenta que al escribir M, en realidad nos
referimos a MAA (T )
References
[1] Donald Bentley and Kenneth Cooke. Linear Algebra with Differential Equations, volume 1.
Holt, Rinehart and Winston, INC., 1973.
[3] Gondínez Hector and Abel Herrera. Álgebra lineal: Teoría y ejercicios. Facultad de Ingeniería,
UNAM, 2011.
[4] E Solar and L Speziale. Apuntes de álgebra lineal. Facultad de Ingeniería, UNAM, México,
860p, 1985.
[5] Gilbert Strang. Introduction to linear algebra, volume 3. Wellesley-Cambridge Press Wellesley,
MA, 1993.