Apuntes - 4. Álgebra Lineal en PDF

BIOMATEMÁTICAS
4. Álgebra lineal
Carlos Calvo Tapia

Unidad de Biomatemática
Facultad de Ciencias Biológicas
Universidad Complutense de Madrid
2022/2023
Objetivo
En la mayoría de los procesos biológicos intervienen dos o más variables que interactúan entre sí,
lo que conduce a sistemas de ecuaciones diferenciales de dos o más incógnitas.
En el tema 5 estudiaremos las herramientas necesarias para calcular las soluciones de un

sistema de dos EDOs lineales. No será difícil generalizar estos resultados para resolver sistemas
de tres o más ecuaciones.
Para establecer las bases de la teoría necesaria para resolver analíticamente sistemas de
ecuaciones diferenciales lineales, tenemos que familiarizarnos antes con los espacios
vectoriales. Al final de este tema trabajaremos esencialmente con matrices cuadradas:
aprenderemos a calcular sus autovalores y autovectores asociados.
2 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

Espacio vectorial
Llamamos espacio vectorial a cualquier conjunto no vacío E ≠ ∅ sobre el que se definen una
operación interna, la suma vectorial
+: E×E → E
(x, y) ↦ x+y
y otra externa, el producto por un escalar

⋅: 𝕂×E → E
(λ, x) ↦ λx
con 𝕂 ∈ {ℝ, ℂ}. Estas operaciones han de verificar las siguientes propiedades:
Propiedades de la suma vectorial:
conmutativa: x + y = y + x ∀x, y ∈ E
asociativa: x + (y + z) = (x + y) + z ∀x, y, z ∈ E
elemento neutro: ∃0 ∈ E tal que x + 0 = x ∀x ∈ E

elemento opuesto: ∀x ∈ E ∃ − x ∈ E tal que x + (−x) = 0

Espacio vectorial
Propiedades del producto por un escalar:
asociativa: (λβ) x = λ (βx) ∀λ, β ∈ 𝕂, ∀x ∈ E
distributiva:
respecto de la suma de escalares: (λ + β) x = λx + βx ∀λ, β ∈ 𝕂, ∀x ∈ E
respecto de la suma de vectores: λ (x + y) = λx + λy ∀λ, β ∈ 𝕂, ∀x ∈ E
elemento neutro: ∃1 ∈ 𝕂 tal que 1x = x ∀x ∈ E
Además:
Si 𝕂 = ℝ, el espacio vectorial diremos que es real.
Si 𝕂 = ℂ, el espacio vectorial diremos que es complejo.
A los elementos de un espacio vectorial E los llamamos vectores y, por regla general, especifi-
camos su naturaleza vectorial superponiendo flechas a la notación habitual. Por ejemplo, x ⃗ ∈ E.
La definición de espacio vectorial abarca estructuras matemáticas de muy diversa naturaleza.

Los espacios vectoriales más evidentes son {0} (espacio vectorial trivial), ℝn y ℂn (n ∈ ℕ).
Subespacio vectorial
Un subconjunto S ⊂ E que contiene a su elemento neutro S ∋ 0 es subespacio vectorial de E cuando
la suma vectorial + y el producto por escalares ⋅ definidos para E son operaciones cerradas en S:
+: S×S → S ⋅: 𝕂×S → S
(x, y) ↦ x+y (λ, x) ↦ λx
En otras palabras, S es subespacio vectorial de E cuando 0 ∈ S ⊂ E y se verifican conjuntamente:

la suma de dos elementos de S es elemento de S:
∀ x1, x2 ∈ S, x1 + x2 ∈ S
el producto de un elemento de S por un escalar de 𝕂 es elemento de S:
∀ λ ∈ 𝕂, ∀ x ∈ S, λx ∈ S
Por ejemplo, si consideramos como espacio vectorial real el plano E = ℝ2, cualquier recta que pasa
por el origen,
S = {(x, y) ∈ ℝ2 : ax + by = 0, a, b ∈ ℝ} ⊂ ℝ2
es un subespacio vectorial de ℝ2.

Ejemplos de espacios y subespacios vectoriales
El conjunto
ℙ2(ℝ) = {ax 2 + bx + c : a, b, c ∈ ℝ}
de todos los polinomios reales de grado menor o igual que 2 es un espacio vectorial real.
Es importante que la condición de grado sea menor o igual.

Si definiésemos ℙ*2 (ℝ) como el conjunto de todos los polinomios reales de grado igual a 2, este
conjunto no sería espacio vectorial, ya que carecería de elemento neutro: 0 ∉ ℙ*2 (ℝ).
Ni si quiera incluyéndolo, el conjunto E = ℙ*2 (ℝ) ∪ {0} alcanzaría la categoría de espacio vectorial,
ya que la operación + : E × E → E no sería cerrada en E : y es que la suma de dos polinomios de
grado 2 no necesariamente da un polinomio de grado 2 . Por ejemplo, −x 2 + x , x 2 + 1 ∈ E , pero su
suma x + 1 ∉ E.
En general, el conjunto ℙn(ℝ) = {an x n + ⋯ + a1x + a0 : a0, …, an ∈ ℝ} de polinomios con coeficientes

reales de grado menor o igual que n ∈ ℕ es un espacio vectorial real.
El conjunto de los números reales ℝ = ℙ0(ℝ) ⊂ ℙn(ℝ) es subespacio vectorial real de cualquier ℙn(ℝ).
En general, para cualquier m ∈ ℕ con m ≤ n, ℙm(ℝ) es subespacio vectorial de ℙn(ℝ).
Ejemplos de espacios y subespacios vectoriales
El conjunto
{(c d) }
a b
ℳ2(ℝ) = : a, b, c, d ∈ ℝ
de todas las matrices cuadradas 2 × 2 con coeficientes reales es un espacio vectorial real.
En general, para cualesquiera valores n, m ∈ ℕ, el conjunto ℳn×m (ℝ) de matrices de dimensión n × m
con coeficientes reales es un espacio vectorial real. Del mismo modo, ℳn×m (ℂ) es un espacio
vectorial real o complejo (según definamos la operación ⋅ tomando 𝕂 = ℝ o 𝕂 = ℂ).
Ahora, si considerásemos ℳn×m (ℤ) ⊂ ℳn×m(ℝ) , este conjunto no tendría categoría de subespacio
vectorial, ya que la operación ⋅ no es cerrada en ℳn×m (ℤ) . Basta con multiplicar cualquier matriz
entera M ≠ 0 por el escalar 2 ∈ 𝕂 para que el producto 2M ∉ ℳn×m (ℤ) quede fuera de ℳn×m (ℤ).
El subconjunto
{(b c) }
a b
𝒮2 (ℝ) = : a, b, c ∈ ℝ ⊂ ℳ2 (ℝ)
de matrices cuadradas 2 × 2, simétricas y con coeficientes reales, es subespacio vectorial de ℳ2(ℝ).

Ya que: (1) la matriz nula es simétrica; (2) la suma de matrices simétricas es una matriz simétrica; y (3)
el producto de cualquier matriz simétrica por un escalar es una matriz simétrica.
Dependencia e independencia lineal
Dados r ∈ ℕ vectores x 1⃗ , x 2⃗ , …, x r⃗ ∈ E de un espacio vectorial E , una combinación lineal de to-
dos ellos es otro vector
r
u ⃗= ck x k⃗ = c1 x 1⃗ + c2 x 2⃗ + … + cr x r⃗ ∈ E,
∑
k=1
con c1, c2, …cr ∈ 𝕂 escalares cualesquiera. Si ci = 0 ∀i ∈ {1,…, r} , la combinación se dice que es
trivial. Naturalmente, las combinaciones triviales siempre dan lugar al elemento neutro 0 .⃗
Decimos que un conjunto de vectores { x 1⃗ , …, x r⃗ } ⊂ E es:
linealmente dependiente cuando el vector nulo 0 ⃗ ∈ E puede expresarse como combinación

lineal no trivial de todos ellos: Formalmente:
∃c1, …, cr ∈ 𝕂 con ci ≠ 0 para algún i ∈ {1,…, r}, tales que c1 x 1⃗ + ⋯ + cr x r⃗ = 0 ⃗
linealmente independiente cuando la única combinación lineal de todos ellos que genera el
vector nulo es la trivial, es decir:
c1 x 1⃗ + ⋯ + cr x r⃗ = 0 ⃗ ⇒ c1 = ⋯ = cr = 0.

n
Dependencia e independencia lineal en ℝ
Es fácil concluir que en el espacio vectorial E = ℝ2 dos vectores x 1⃗ y x 2⃗ son linealmente dependientes
si y sólo si sus coordenadas son proporcionales. Por ejemplo:
(2) (6)
Los vectores x 1⃗ = , x 2⃗ =
1 3
son linealmente dependientes, ya que tomando c1 = 3 y c2 = − 1:
(2) (6) (6) (6) (0)

c1 x 1⃗ + c2 x 2⃗ = 3 = 0 .⃗
1 3 3 3 0
−1 = − =
(5) (6)
Sin embargo, los vectores x 1⃗ = , x 2⃗ =
1 2
son linealmente independientes:
(5) (6) (5c1 − 6c2) (5 −6) (c2)

c1 x 1⃗ + c2 x 2⃗ = c1
1
− c2
2
=
c1 − 2c2
=
1 −2 c1
= 0 ⃗⇔c =0=c.
1 2
En general, cuando existe α ∈ 𝕂 tal que x 2⃗ = α x 1⃗ , basta tomar c1 = α, c2 = − 1 ≠ 0 para que

c1 x 1⃗ + c2 x 2⃗ = α x 1⃗ − x 2⃗ = x 2⃗ − x 2⃗ = 0 .⃗
Desde una perspectiva algebraica, en general para saber si n vectores del espacio ℝn son lineal-
mente independientes bastará comprobar que el determinante de la matriz que forman es no nulo:
{ x 1, …, x n} son linealmente independientes en ℝ ⇔ det A ≠ 0, donde A = ( x 1⃗ , …, x n⃗ ) ∈ ℳn(ℝ)
⃗ ⃗ n

Sistema de generadores, base y coordenadas
Un conjunto de n ∈ ℕ vectores { x 1⃗ , …, x n⃗ } ⊂ E constituye un sistema de generadores de E si cualquier
vector del espacio puede expresarse como combinación lineal de los n vectores del sistema. Formal-
mente:
n
∀ x ⃗ ∈ E, ∃c1, …, cn ∈ 𝕂 tales que x ⃗ = ck x k⃗ = c1 x 1⃗ + ⋯ + cn x n⃗ .
∑
k=1
Si además estos n vectores son linealmente independientes, el sistema de generadores se convierte

en una base del espacio vectorial.
Sea ℬ = { x 1⃗ , …, x n⃗ } una base del espacio vectorial E . Dado cualquier vector x ⃗ ∈ E , existen n únicos
escalares
c1, …, cn ∈ 𝕂
que verifican
n
x⃗= ck x k⃗ = c1 x 1⃗ + ⋯ + cn x n⃗ .
∑
k=1
Los coeficientes (c1, …, cn) constituyen lo que denominamos coordenadas de x ⃗ respecto de ℬ.

Base canónica
Dado n ∈ ℕ , cualquier sistema de n vectores x 1⃗ , x 2⃗ , …, x n⃗ ∈ ℝn linealmente independientes constituye una
base del espacio vectorial E = ℝn. Decimos que la dimensión del espacio es n, ya que cualquier otro vector
x ⃗ ∈ ℝn podrá escribirse como una combinación lineal única de los n vectores básicos. En general, la
dimensión de un espacio es la cantidad de vectores que contiene cualquiera de sus bases.
De todas las bases posibles de ℝn, la más simple es la formada por los llamados vectores canónicos:
1 0 0
e 1⃗ = ⋯
0 , e ⃗ = 1 , …, e ⃗ = 0 .
⋯
2 n ⋯
0 0 1
La llamamos base canónica de ℝn:

ℬc = { e 1⃗ , e 2⃗ , …, e n⃗ }.
Por ejemplo, en ℝ2 cuando representamos un vector bidimensional x ⃗ ∈ ℝ2 como una dupla de

coordenadas x ⃗ = (c1, c2) , lo que estamos realmente expresando es x ⃗ a través de sus coordenadas
T
respecto de la base canónica ℬc:
( 2) (0) (1)
c1
x ⃗ = c = c1 = c1 e 1⃗ + c2 e 2⃗ .
1 0
+ c2

Ejemplos de bases en espacios vectoriales
Retomando los ejemplos considerados anteriormente:
La base canónica del espacio vectorial ℳ2(ℝ), es la formada por:
{(0 0) (0 0) (1 0) (0 1)}
= { E 1⃗ , E 2⃗ , E 3⃗ , E 4⃗ },
1 0 0 1 0 0 0 0
ℬc = , , ,
ya que cualquier otra matriz M ∈ ℳ2(ℝ) podemos escribirla como combinación lineal de estas cuatro:
(c d)
= a E 1⃗ + b E 2⃗ + c E 3⃗ + d E 4⃗ .
a b
M=
Estamos por tanto ante un espacio vectorial de dimensión 4. Es evidente su analogía con ℝ4.
Consideremos ahora el subespacio vectorial 𝒮2(ℝ) ⊂ ℳ2(ℝ) . Teniendo en cuenta que la diagonal
secundaria de cualquier matriz 2 × 2 simétrica está formada por un mismo valor duplicado, bastará tomar
{(0 0) (1 0) (0 1)}
= { E 1⃗ , E 2⃗ + E 3⃗ , E 4⃗ }
1 0 0 1 0 0
ℬ= , ,
como base del subespacio. Así, podemos decir que 𝒮2(ℝ) es un subespacio de dimensión 3 , dentro del
espacio vectorial ℳ2(ℝ), de dimensión 4.
Ejemplos de bases en espacios vectoriales
La base canónica del espacio vectorial ℙ2(ℝ) es la formada por los monomios x 2, x y 1:
ℬc = {x 2, x, 1} = { v 1⃗ , v 2⃗ , v 3⃗ },
ya que cualquier polinomio p(x) ∈ ℙ2(ℝ) podemos expresarlo como combinación lineal de ellos tres:
p(x) = ax 2 + bx + c = a v 1⃗ + b v 2⃗ + c v 3⃗ .
3 3
Estamos por tanto ante un espacio vectorial de dimensión 3. Es evidente su analogía con ℝ : ℙ2(ℝ) ≃ ℝ .
En general, podemos definir la base canónica del espacio (n + 1)− dimensional ℙn(ℝ) ≃ ℝn+1, como:
ℬc = {x n, …, x, 1} = { v 1⃗ , …, v n⃗ , v n+1
⃗ },
La dimensión de un espacio vectorial podría incluso ser infinita. Si consideramos el espacio vectorial de
todos los polinomios con coeficientes reales (sin restricción sobre el grado),
ℙ(ℝ) = {an x n + ⋯ + a1x1 + a0 : n ∈ ℕ, an, …, a1, a0 ∈ ℝ},
es evidente que para construir su base debemos considerar un monomio canónico para cada posible
grado n ∈ ℕ, de modo que ahora la base canónica será una sucesión infinita de monomios básicos:
{x }k=0 = {…, x 3, x 2, x, 1}
k ∞
ℬc =

Cambio de base
Hay que tener en cuenta que un mismo vector x ⃗ ∈ E admite diferentes representaciones: una para
cada base del espacio. Por ejemplo, en el espacio vectorial ℝ2 el vector x ⃗ cuya representación en la
base canónica ℬc viene dada por la dupla (1,3)T , en una segunda base ℬ = { u 1⃗ , u 2⃗ } puede
corresponder a la dupla (−1,2)T y en una tercera base ℬ′ = { v 1⃗ , v 2⃗ } , a la dupla (−2,1)T . Es más sencillo
interpretar este resultado de manera gráfica:
x ⃗ = (1,3) = e 1⃗ + 3 e 2⃗ x ⃗ = (−1,2) = − u 1⃗ + 2 u 2⃗ x ⃗ = (−2,1) = − 2 v 1⃗ + v 2⃗
u 2⃗
e 2⃗ u 1⃗ v 2⃗
e 1⃗ v 1⃗
Observamos que el vector x ⃗ (representado como una flecha azul) es el mismo en los tres casos.
Simplemente cambian sus coordenadas cuando cambiamos el sistema de referencia, o sea, la base.
Aplicación lineal
Toda aplicación definida entre dos espacios vectoriales E1 y E2 con coordenadas en 𝕂 ∈ {ℝ, ℂ},
f : E1 → E2,
recibe el nombre de aplicación lineal siempre que preserve las propiedades de las dos operaciones + y ⋅
definidas en sendos espacios. Es decir:
1. La imagen de la suma vectorial (en E1) es la suma vectorial (en E2) de las imágenes:
∀ x ,⃗ y ⃗ ∈ E1, f ( x ⃗ + y )⃗ = f ( x )⃗ + f ( y )⃗ ∈ E2
2. La imagen del producto (en E1) de un vector por un escalar es igual al producto (en E2) de la imagen
del vector por el mismo escalar:
∀λ ∈ 𝕂, ∀ x ⃗ ∈ E1, f (λ x )⃗ = λ f ( x )⃗ ∈ E2
Las matrices constituyen precisamente la herramienta matemática que nos permite operar con vecto-
res. La transformación de un vector x ⃗ ∈ E1 en otro f ( x )⃗ ∈ E2 se consigue (1) estableciendo
coordenadas en ambos espacios y (2) operando con matrices de dimensiones apropiadas. Así,
cualquier transformación lineal f : E1 → E2 entre espacios de dimensión finita puede expresarse como
f ( x )⃗ = A x ⃗
donde A ∈ ℳn×m(𝕂), siendo m ∈ ℕ la dimensión de E1 y n ∈ ℕ la dimensión de E2.
Endomorfismo
Cuando una aplicación lineal se define de un espacio vectorial E en sí mismo,
f : E → E,
la transformación lineal recibe el nombre de endomorfismo.
Un endomorfismo definido sobre cualquier espacio vectorial de dimensión finita puede expresarse
analíticamente como el producto de las coordenadas de un vector por una matriz cuadrada
A ∈ ℳn(𝕂) de orden n ∈ ℕ, siendo n la dimensión del espacio E:
f ( x )⃗ = A x ⃗
Geométricamente, cuando tomamos las coordenadas x ⃗ ∈ 𝕂n de cualquier vector de E , el cual

modificamos simplemente girándolo y/o estirándolo o encogiéndolo, obtenemos las coordenadas
de un nuevo vector f ( x )⃗ ∈ 𝕂n que seguirá viviendo en el mismo espacio de partida.
Esta transformación es precisamente lo que hemos definido como endomorfismo, y las

operaciones combinadas de giro y/o estiramiento o encogimiento se consiguen matemática-
mente multiplicando el vector de partida por una matriz apropiada, cuadrada y de orden n.

Endomorfismo: interpretación geométrica
Los endomorfismos de interpretación geométrica más
sencilla son los asociados a matrices diagonales.
Consideremos por ejemplo la matriz
(0 −2) (0 −1)
2 0 1 0
A= =2 x = (1,2) = e 1⃗ + 2 e 2⃗
⃗ T
actuando sobre los vectores de ℝ2 expresados en base

f ( y )⃗ = (6, 2)
T
e 2⃗
canónica. El endomorfismo asociado a esta matriz,
2 2
f: ℝ → ℝ
,
x⃗ ↦ Ax⃗ e 1⃗
y ⃗ = (3, − 1)
puede expresarse, coordenada a coordenada, como T
(0 −1) (x2) (−x2)

x1 x1
f ( x )⃗ = f (x1, x2) = 2
1 0
= 2 .
Luego el efecto geométrico de A ∈ ℳ2(ℝ) es: (1) some-

ter a cada vector x ⃗ ∈ ℝ2 a una simetría respecto del
f ( x )⃗ = (2, − 4) = 2 e 1⃗ − 4 e 2⃗
T
eje de abscisas, (2) aumentar su módulo al doble.

Matriz inversa
Llegados a este punto conviene hablar de la matriz inversa. Dada una matriz cuadrada M ∈ ℳn(𝕂), su
matriz inversa M −1 ∈ ℳn(𝕂) no es más que aquélla que se encarga de deshacer la transformación
geométrica llevada a cabo por M.
Es decir, si M es la matriz asociada al endomorfismo f : E → E, siendo E un espacio vectorial sobre 𝕂,

M −1 será la matriz asociada al endomorfismo inverso f −1 : E → E , que lo definimos analíticamente
como aquél que cumple
f ∘ f −1 ( x )⃗ = f −1 ∘ f ( x )⃗ = x ,⃗ ∀ x ⃗ ∈ E.
En otras palabras, la aplicación conjunta de f y f −1 , ya sea calculando primero f −1 y luego f o

viceversa, actúa sobre cualquier vector del espacio E dejándolo inalterado. Por eso las matrices
MM −1 ∈ ℳn(𝕂) y M −1M ∈ ℳn(𝕂) , que son las matrices asociadas a los endomorfismos f ∘ f −1 y f −1 ∘ f ,
respectivamente, han de tener el mismo efecto que tendría In, esto es, la matriz identidad de orden n:
1 0 ⋯ 0
MM −1 = M −1M = 0 1 ⋯ 0 = In
⋯ ⋯ ⋯ ⋯
0 0 ⋯ 1

Matriz inversa: interpretación geométrica
Volviendo al ejemplo anterior, consideremos ahora la

matriz inversa de la matriz diagonal A,
2 (0 −1)
−1 1 1 0
A = ,
( x ) = (1,2) = e 1⃗ + 2 e 2⃗
⃗
−1 T
f
2
actuando sobre los vectores de ℝ expresados en base
y ⃗ = (6, 2)
T
canónica. El endomorfismo asociado a esta matriz,
f −1 : ℝ2 → ℝ2
,
e 2⃗
x⃗ ↦ A −1 x ⃗
e 1⃗
puede expresarse, coordenada a coordenada, como
( y )⃗ = (3, − 1)
−1 T
f
(x1, x2) = (0 −1) (x2) = (−x2).
1 1 0 x1 1 x1
( x )⃗ = f
−1 −1
f
2 2
Ahora el efecto geométrico de A −1 ∈ ℳ2(ℝ) es: (1)
someter a cada vector x ⃗ ∈ ℝ2 a una simetría respecto
del eje de abscisas, (2) disminuir su módulo a la mitad. x ⃗ = (2, − 4)T = 2 e 1⃗ − 4 e 2⃗

Subespacio invariante, autovector y autovalor
Dado un endomorfismo f : E → E , un subespacio vectorial S ⊂ E decimos que es invariante por f si la imagen
de todo vector x ⃗ ∈ S cae dentro de S. Formalmente, definiendo f (S) = {f ( x )⃗ ∈ E : x ⃗ ∈ S} ⊂ E:
S ⊂ E es subespacio invariante por f ⇔ f (S) ⊂ S

Retomando el endomorfismo f : ℝ2 → ℝ2 asociado a la matriz diagonal
A anterior, para esta transformación encontramos dos subespacios S1 S2
invariantes, que son precisamente los ejes de coordenadas:
S1 = { x ⃗ = (x1, x2) : x2 = 0}, S2 = { x ⃗ = (x1, x2) : x1 = 0}

T T
⃗ T
v 2 = (0, 2) ∈ S2
Basta comprobar que:
v 1⃗ = (2,0)T ∈ S1
1. si x ⃗ ∈ S1, entonces x ⃗ = (x1, 0) y f ( x )⃗ = A x ⃗ = (2x1, 0) = 2 x ⃗ ∈ S1
T T
2. si x ⃗ ∈ S2, entonces x ⃗ = (0, x2) y f ( x )⃗ = A x ⃗ = (0, − 2x2) = − 2 x ⃗ ∈ S2 f ( v 1⃗ ) = (4, 0) ∈ S1

T T T
Cuando, como en este caso, existen además λ ∈ 𝕂 y v ⃗ ∈ S tales que

f ( v )⃗ = A v ⃗ = λ v ,⃗
diremos que el vector v ⃗ ≠ 0 ⃗ es un autovector asociado a la matriz A y f ( v 2⃗ ) = (0, − 4) ∈ S2T
que el escalar λ ∈ 𝕂 es el autovalor asociado al autovector v ⃗ . En este

ejemplo, λ1 = 2 es autovalor de v 1⃗ y λ2 = − 2 es autovalor de v 2⃗ .
Base de autovectores
Consideremos ahora el endomorfismo f : E → E
asociado a la matriz no diagonal
1}
y ⃗ = (−5, 5)
T
3x
5 ( 3 4)
1 −4 3
{x2 =
A= ,
S1 =
actuando sobre los vectores de ℝ2 expresados en
base canónica.
En general, se puede comprobar que A representa

f ( y )⃗ = (7, 1) T
una simetría respecto a la recta por el origen de
pendiente 3 (línea naranja). e 2⃗
De manera análoga al ejemplo de la matriz diago-
f ( x )⃗ = (−5,0)
T e 1⃗
S2 =
nal, los dos subespacios invariantes de este endo- {x1 =
− 3x
2}
morfismo serán el propio eje de simetría
S1 = {(x1, x2) ∈ ℝ2 : x2 = 3x1}

T
x ⃗ = (4, − 3) T
y el subespacio ortogonal a dicho eje (línea verde):
S2 = {(x1, x2) ∈ ℝ2 : x1 = − 3x2} = S1⊥.

T

Diagonalización
En concreto, al tratarse de una simetría pura:
(1,3 T
S1 S2
1. si x ⃗ ∈ S1, entonces f ( x )⃗ = A x ⃗ = x ⃗ ∈ S1
)
2. si x ⃗ ∈ S2, entonces f ( x )⃗ = A x ⃗ = − x ⃗ ∈ S2 v 2⃗ =
v 1⃗ =
(− 3
,1) T
Sean v 1⃗ y v 2⃗ dos autovectores de S1 y S2, respectiva-
mente. Podemos escoger, por ejemplo:
⃗ T
v 1 = (1, 3) , ⃗ T
v 2 = (−3, 1) .
De los ítems 1 y 2 concluimos además que λ1 = 1 es
ℝ2 en base canónica
autovalor de v 1⃗ y λ2 = − 1 es autovalor de v 2⃗ .
f( x c⃗ ) = A x c⃗
Si usásemos ℬa = { v 1⃗ , v 2⃗ } como base de ℝ2 en lugar v 2⃗ = (0,1)T
de la base canónica ℬc = { e 1⃗ , e 2⃗ } , la matriz asocia-
da a la simetría f adoptaría forma diagonal:
v 1⃗ = (1,0)T
2
ℝ en
(0 −1)
1 0 base de
J= .
autovectores
Los elementos de la diagonal de esta nueva matriz f( x a⃗ ) = J x a⃗
son precisamente λ1 = 1 y λ2 = − 1 : los autovalores de
v 1⃗ y v 2⃗ , respectivamente.
Diremos que A es diagonalizable y que J es su forma canónica de Jordan.
Polinomio característico. Cálculo de autovalores
Dada una matriz A ∈ ℳn(𝕂) cuadrada, de orden n ∈ ℕ con coeficientes en 𝕂 ∈ {ℝ, ℂ}:
Definimos el polinomio característico asociado a A como
pA(λ) = det (A − λIn) ∈ ℙn(𝕂).
Se trata de un polinomio de grado n en la variable λ . Por el Teorema Fundamental del Álgebra, sabemos
que pA(λ) tiene n raíces complejas, que denotaremos: λ1, …, λn ∈ ℂ ⊃ 𝕂.
Decimos que v ⃗ ∈ 𝕂n∖{ 0 }⃗ es autovector asociado a la matriz A si existe un escalar λ ∈ 𝕂 tal que
A v ⃗ = λ v .⃗
El escalar λ ∈ 𝕂 es el autovalor asociado a v ⃗ ∈ 𝕂n∖{ 0 }⃗ .
Para calcular los autovectores de la matriz A comenzaremos buscando primero los autovalores asociados:
A v ⃗ = λ v ⃗ ⇔ A v ⃗ − λ v ⃗ = 0 ⃗ ⇔ A v ⃗ − λIn v ⃗ = 0 ⃗ ⇔ (A − λIn) v ⃗ = 0 .⃗
De la propia definición se desprende que para que v ⃗ ∈ 𝕂n∖{ 0 }⃗ sea autovector de A necesitamos que v ⃗
sea solución no trivial del sistema lineal homogéneo (A − λIn) x ⃗ = 0 ,⃗ para algún valor de λ ∈ 𝕂.
Por otra parte, sabemos que un sistema lineal homogéneo tiene soluciones no triviales (distintas de x ⃗ = 0 ⃗)
cuando el rango de la matriz asociada al sistema no es el máximo posible, esto es, cuando rg(A − λIn) < n.
Por tanto, v ⃗ será autovector de A si existe algún valor λ ∈ 𝕂 tal que det(A − λIn) = 0. Y como det(A − λIn) = pA(λ),
los autovalores asociados a la matriz A serán precisamente las raíces en 𝕂 del polinomio característico.
Cálculo de autovectores. Matriz diagonalizable.
Supongamos que una matriz A ∈ ℳn(𝕂) tiene k ≤ n autovalores distintos: λ1, …, λk ∈ 𝕂.
Llamamos multiplicidad algebraica del autovalor λi ∈ 𝕂 a la multiplicidad ma(λi) ∈ {1,…, n} que tiene λi como
raíz que es del polinomio característico pA(λ). Es el número de veces que λi anula a pA.
Llamamos espacio propio asociado a λi al subespacio vectorial Si ⊂ 𝕂n generado por el conjunto de las
infinitas soluciones del sistema lineal homogéneo (A − λi In) x ⃗ = 0 .⃗ Formalmente:
⃗ .
Si = { x ⃗ ∈ 𝕂n : (A − λIn) x ⃗ = 0 }
Todos los vectores no nulos del subespacio Si serán los autovectores de la matriz A asociados al autovalor λi.
La dimensión de Si diremos que es la multiplicidad geométrica del autovalor λi ∈ 𝕂:
mg(λi) = dim(Si) = n − rg(A − λi In) ∈ {1,…, ma(λi)}
Para cada espacio propio Si construiremos una base ℬi = { v 1⃗ , …, v m⃗ g(λi)} formada por autovectores de λi.
Diremos que A es diagonalizable en 𝕂 cuando (1) todas las raíces de pA(λ) se encuentren en 𝕂 y (2) la
multiplicidad algebraica de cada uno de los autovalores de A coincida con su multiplicidad geométrica.
k
∑
A ∈ ℳn(𝕂) es diagonalizable en 𝕂 ⟺ ∃λ1, …, λk ∈ 𝕂 (λi ≠ λj ∀i ≠ j) t.q. pA(λi) = 0 y ma(λi) = mg(λi) ∀i ∈ {1,…, k} y ma(λi) = n
i=1
Si A es diagonalizable en ℝ, entonces es también diagonalizable en ℂ; pero podría serlo en ℂ y no en ℝ, o no

serlo ni en ℂ ni en ℝ.
Forma canónica de Jordan y matriz de cambio de base
Si A es diagonalizable en 𝕂 , su forma canónica de Jordan es una matriz diagonal J ∈ ℳn(𝕂) . En concreto,
aquélla cuya diagonal está formada por el conjunto de autovalores de A , cada uno repetido tantas veces
como indica su correspondiente multiplicidad (algebraica o geométrica: ambas coinciden).
La unión de las bases construidas para los subespacios Sλ constituirá a su vez una base del espacio total 𝕂n:
ℬa = { v 1⃗ , …, v n⃗ }.
Se trata de una base formada por autovectores. El efecto de A actuando sobre los vectores del espacio
expresados en base canónica es equivalente al efecto de la matriz diagonal J actuando sobre los vectores
del espacio expresados en esta nueva base de autovectores.
La matriz P = ( v 1⃗ , …, v n⃗ ) ∈ ℳn(𝕂) cuyas columnas coinciden con las coordenadas canónicas de los n auto-
vectores incluidos en ℬa representa la matriz de cambio de base. De modo que si un vector tiene por coor-
denadas (c1, …, cn)T = x c⃗ en base canónica ℬc , sus coordenadas (a1, …, an)T = x a⃗ en la base ℬa de autovec-
tores podrán obtenerse a partir de las primeras conforme a la relación x c⃗ = P x a⃗ . Es evidente que P es inverti-
ble; de no serlo, v 1⃗ , …, v n⃗ serían linealmente dependientes y no formarían base. Análogamente: x a⃗ = P −1 x c⃗ .
De los dos puntos anteriores, concluimos que si J es la forma canónica de Jordan de la matriz cuadrada A,
A = PJP −1 .
Cuando existe una relación de este tipo entre dos matrices cuadradas A y J, decimos que son semejantes.
Ejemplo 1. Matriz 2 × 2 diagonalizable en ℝ (y en ℂ)
Ejemplo 1. Calcular los autovalores y autovectores de
(4 −3)
1 3
A= ∈ ℳ2(ℝ).
1. Calculamos el polinomio característico asociado a A:
1−λ 3
pA(λ) = det(A − λI2) = = (1 − λ)(−3 − λ) − 4 ⋅ 3 = − 3 + (3 − 1)λ + λ 2 − 12 = λ 2 + 2λ − 15
4 −3 − λ
Se trata de un polinomio de grado 2 en la variable λ.
2. Los autovalores de A serán las raíces de pA(λ):
−2 ± 22 − 4 ⋅ 1 ⋅ (−15) −2 ±
{
4 + 60
}
2
pA(λ) = 0 ⇔ λ + 2λ − 15 = 0 ⇔ λ ∈ ⇔λ∈ = {−1 ± 4} ⇔ λ ∈ {−5, 3} ⊂ ℝ
2⋅1 2
Los autovalores de A son, por tanto: λ1 = − 5, λ2 = 3. Como son raíces simples de pA, sus multiplicidades algebraicas
son iguales a 1 en ambos casos: ma(λ1) = 1 = ma(λ2).

3. Ahora, para cada autovalor, vamos a calcular su correspondiente espacio propio:
(4 2) ( 2) (0)
⃗ ⃗
(i) λ1 = − 5: resolvemos el sistema homogéneo (A − λ1I2) x ⃗ = 0 ⇔ (A + 5I2) x ⃗ = 0 ⇔
6 3 x1
=
0
⇔ x2 = − 2x1:
x
⃗ = {(x1, x2) ∈ ℝ2 : x2 = − 2x1}.

S1 = { x ⃗ ∈ ℝ : A x ⃗ = λ1 x }
2 T
( 4 −6) (x2) (0)

⃗ ⃗
(ii) λ2 = 3: resolvemos el sistema homogéneo (A − λ2I2) x ⃗ = 0 ⇔ (A − 3I2) x ⃗ = 0 ⇔
−2 3 x1
=
0
⇔ x =
2
x :
2 1
3
{ 3 }
2
S2 = { x ⃗ ∈ ℝ : A x ⃗ = λ2 x }
⃗ = (x1, x2) ∈ ℝ : x2 = x1 .
2 T 2
Nota: en el ejercicio 3 del Seminario 4 lo que se pide, aunque dicho de otro modo, es encontrar precisamente
cualquier autovector de la matriz A asociado a su autovalor λ2 = 3; es decir, cualquier vector no nulo de S2.
4. Todos los vectores de S1 (recta de ℝ2 por el origen de pendiente −2 ) son autovectores asociados a λ1 = − 5 ,
mientras que todos los vectores de S2 (recta de ℝ2 por el origen de pendiente 2/3), son autovectores asociados
a λ2 = 3 . En concreto podemos tomar, por ejemplo, como base de S1 , ℬ1 = {(1, − 2)T} , y como base de S2 ,
ℬ2 = {(3, 2)T}. Denotando v 1⃗ = (1, − 2)T y v 2⃗ = (3,2)T, una base de ℝ2 formada por autovectores de A será:
ℬa = { v 1⃗ , v 2⃗ } = {(1, − 2)T , (3, 2)T}.

5. Como la dimensión de ambos subespacios propios S1 y S2 es también igual a 1, mg(λ1) = 1 = mg(λ2), las multiplici-
dades algebraica y geométrica de ambos autovalores coinciden (ver punto 2),
mg(λ1) = 1 = ma(λ1), mg(λ2) = 1 = ma(λ2),
y como ambos autovalores son reales, A es diagonalizable en ℝ.
6. Para construir su forma canónica de Jordan disponemos, a lo largo de la diagonal principal de una matriz 2 × 2
inicialmente nula, el conjunto de todos los autovalores de A:
( 0 λ2) ( 0 3)
λ1 0 −5 0
J= =
La transformación que sufren los vectores de ℝ2 cuando multiplicamos sus coordenadas en la base ℬa por la
matriz J es la misma que sufren cuando multiplicamos sus coordenadas canónicas por la matriz A.
7. Por último, las matrices de paso P y P −1 que permiten traducir coordenadas entre las bases ℬc y ℬa son:
(−2 2) 8 (2 1 )
1 3 −1 1 2 −3
P= , P =
Para construir P basta colocar por columnas las coordenadas canónicas de v 1⃗ y v 2⃗ , en el mismo orden que se
haya escogido para la base (ver punto 4): P = ( v 1⃗ , v 2⃗ ). Se puede comprobar, multiplicando, que A = PJP −1.
Ejemplo 2. Matriz 2 × 2 diagonalizable en ℂ pero no en ℝ
(5 3)
−3 −2
A= ∈ ℳ2(ℝ) ⊂ ℳ2(ℂ).
1. Calculamos el polinomio característico asociado a A:
−3 − λ −2
pA(λ) = det(A − λI2) = = − (3 + λ)(3 − λ) − 5 ⋅ (−2) = − (9 − λ 2) + 10 = λ 2 + 1
5 3−λ
Se trata de un polinomio de grado 2 en la variable λ.
pA(λ) = 0 ⇔ λ 2 + 1 = 0 ⇔ λ 2 = − 1 ⇔ λ ∈ {± i} ⊂ ℂ∖ℝ.
Por tanto, A no tiene autovalores reales, de modo que no será diagonalizable en ℝ . Los únicos autovalores de A
son complejos: λ1 = i, λ2 = − i. Se trata de dos raíces simples de pA, luego sus multiplicidades algebraicas son iguales
a 1 en ambos casos: ma(λ1) = 1 = ma(λ2).
En estos casos, trataremos A como la matriz asociada al endomorfismo f : E → E, donde E ≃ ℂ2 es el espacio com-
plejo definido sobre 𝕂 = ℂ, cuya base canónica es ℬc = {(1, 0) , (0, 1) } ⊂ ℂ2.
T T

3. Para cada autovalor, vamos a calcular su correspondiente espacio propio:
( 5 3 − i) ( 2) (0)
(i) resolvemos (A − λ1I2) x ⃗ = 0 ⃗ ⇔ (A − iI2) x ⃗ = 0 ⃗ ⇔
−3 − i −2 x1 0 3 + i
x = ⇔ − (3 + i)x1 − 2x2 = 0 ⇔ x2 = − x1:
2
{ }
3+i
S1 = { x ⃗ ∈ ℂ : A x ⃗ = λ1 x }
⃗ = (x1, x2) ∈ ℂ : x2 = −
2 T 2
x1 .
2
( 5 3 + i) (x2) (0)
(ii) resolvemos (A − λ2I2) x ⃗ = 0 ⃗ ⇔ (A + iI2) x ⃗ = 0 ⃗ ⇔
−3 + i −2 x1 0 −3 + i
= ⇔ (−3 + i)x1 − 2x2 = 0 ⇔ x2 = x1:
2
{ }
3−i
S2 = { x ⃗ ∈ ℂ : A x ⃗ = λ2 x }
⃗ = (x1, x2) ∈ ℂ : x2 =
2 T 2
x1 .
2
4. Todos los vectores de S1 (recta de ℂ2 por el origen de pendiente −(3 + i)/2) son autovectores asociados a λ1 = i,
mientras que todos los vectores de S2 (recta de ℂ2 por el origen de pendiente (3 − i)/2 ), son autovectores
asociados a λ2 = − i . En concreto podemos tomar, por ejemplo, como base de S1 , ℬ1 = {(−2, 3 + i)T} , y como
base de S2, ℬ2 = {(−2, 3 − i)T}. Denotando v 1⃗ = (−2, 3 + i)T y v 2⃗ = (−2, 3 − i)T, una base de ℂ2 formada por auto-
vectores de la matriz A será:
ℬa = { v 1⃗ , v 2⃗ } = {(−2, 3 + i)T , (−2, 3 − i)T}.

5. Como la dimensión de ambos subespacios propios S1 y S2 es también igual a 1, mg(λ1) = 1 = mg(λ2), las multiplici-
dades algebraica y geométrica de ambos autovalores coinciden (ver ítem 2),
ma(λ1) = 1 = mg(λ1), ma(λ2) = 1 = mg(λ2),
y como ambos autovalores son complejos, A es diagonalizable en ℂ, pese a no serlo en ℝ.
6. Para construir su forma canónica de Jordan disponemos, a lo largo de la diagonal principal de una matriz 2 × 2
inicialmente nula, el conjunto de todos los autovalores de A:
( 0 λ2) (0 −i)
λ1 0 i 0
J= =
La transformación que sufren los vectores de ℂ2 cuando multiplicamos sus coordenadas en la base ℬa por la
matriz J es la misma que sufren cuando multiplicamos sus coordenadas en la base ℬc por la matriz A.
7. Por último, las matrices de paso P y P −1 que permiten traducir coordenadas entre las bases ℬc y ℬa son:
(3 + i 3 − i) 4 (1 − 3i −2i)
−2 −2 −1 1 1 + 3i 2i
P= , P =−
Para construir P basta colocar por columnas las coordenadas canónicas de v 1⃗ y v 2⃗ , en el mismo orden que se
haya escogido para la base (ver punto 4): P = ( v 1⃗ , v 2⃗ ). Se puede comprobar, multiplicando, que A = PJP −1.
Matrices de orden n ≤ 3 no diagonalizables
Anteriormente ya hemos caracterizado en general las matrices A ∈ ℳn(𝕂) no diagonalizables en 𝕂 como
aquéllas que: (1) o bien tienen algún autovalor fuera de 𝕂 , (2) o bien tienen algún autovalor λ ∈ 𝕂 cuyas
multiplicidades algebraica y geométrica no coinciden.
Cuando una matriz A ∈ ℳn(𝕂) no es diagonalizable en ℝ pero sí en ℂ, tomaremos como forma canónica de
Jordan la matriz diagonal compleja J ∈ ℳn(ℂ). Tal y como hemos hecho en el ejemplo 2.
Nos preguntamos entonces, ¿cómo debe ser una matriz 2 × 2 o 3 × 3 para ser no diagonalizable en ℂ?:
Teniendo en cuenta que cuando 𝕂 = ℂ la situación (1) no puede darse, ya que todas las raíces de pA(λ) van
a estar contenidas en ℂ ⊃ ℝ , la única razón por la cual una matriz no es diagonalizable en ℂ (y por tanto,
tampoco lo será en ℝ) es que ocurra la restricción (2).
Además, es fácil concluir que si pA(λ) tiene n raíces simples, entonces A es diagonalizable. Ya que en ese
caso A tendrá n autovalores λ1, …, λn ∈ ℂ con multiplicidad algebraica ma (λi) = 1 ∀i ∈ {1,…, n} y multiplicidad
geométrica 1 ≤ mg(λ) ≤ ma(λ) = 1. Luego mg (λi) = 1 = ma(λi) ∀i ∈ {1,…, n} y por tanto A será diagonalizable.
Por último, sabemos que si pA(λ) tiene una raíz no real λ1 = a + bi , con a, b ∈ ℝ, b ≠ 0 , entonces el valor
complejo conjugado λ2 = a − bi ≠ λ1 también es raíz de pA(λ) . Si n ∈ {2, 3} , el polinomio característico podrá
tener a lo sumo una raíz más (en caso de que n = 3), que en todo caso sería real: λ3 ∈ ℝ. En este escenario,
los n autovalores de A serían n raíces simples de pA(λ) y, por el punto anterior, A sería diagonalizable.
Forma canónica de Jordan de matrices no diagonalizables
De todo lo anterior concluimos que una matriz A de orden n ∈ {2, 3} es no diagonalizable en ℂ si y solo si existe
alguna raíz real múltiple λ ∈ ℝ de pA(λ) tal que mg(λ) < ma(λ).
Cuando A sea no diagonalizable nos interesará tomar como forma canónica de Jordan J ∈ ℳn (𝕂) una matriz
lo más diagonal posible (diagonal por bloques), que construiremos de acuerdo al siguiente esquema:
Si n = 2 y pA(λ) = (λ − λ1) tiene una única raíz

2
Si n = 3 y pA(λ) = (λ − λ1) tiene una raíz
3
λ1 ∈ ℝ doble, tal que mg(λ1) = 1 < 2 = ma(λ1): λ1 ∈ ℝ triple tal que mg(λ1) = 2 < 3 = ma(λ1):
( 0 λ1)
λ1 1 λ1 1 0
J=
J = 0 λ1 0
0 0 λ1
Si n = 3, λ1 ≠ λ2 y pA(λ) = (λ − λ1) (λ − λ2) tiene una Si n = 3 y pA(λ) = (λ − λ1) tiene una raíz
2 3
raíz λ2 ∈ ℝ doble tal que mg(λ2) = 1 < 2 = ma(λ2): λ1 ∈ ℝ triple tal que mg(λ1) = 1 < 3 = ma(λ1):
λ1 0 0 λ1 1 0
J = 0 λ2 1 J = 0 λ1 1
0 0 λ2 0 0 λ1

Matrices de orden n ≤ 3 no diagonalizables
Cuando A sea no diagonalizable, el sistema generador ℬa formado por la unión de las bases de los espacios
propios asociados a A no será suficiente para generar todo el espacio 𝕂n , ya que por cada autovalor λi que
no cumpla la igualdad ma(λi) = mg(λi) se perderán tantas dimensiones como indique ma(λ) − mg(λ) > 0 . De este
modo, ℬa no contendrá n autovectores, sino alguno menos, en total: m = n −
∑ ( ma(λi) − mg(λi)).
i
En estos casos deberemos añadir a dicho sistema otros (n − m) vectores linealmente independientes para
construir una base ℬ̂ a de 𝕂n que complemente el sistema de m autovectores. Para ello:
Buscaremos una matriz cuadrada e invertible P ∈ ℳn(𝕂) que verifique A = PJP −1 . Lo haremos resolviendo el
sistema equivalente:
AP = PJ.
Para ello, será conveniente usar la notación P = ( v 1⃗ , …, v n⃗ ), donde v j⃗ ∈ 𝕂n es el vector cuyas coordenadas
se corresponden con la j-ésima columna de P.
Elegida la matriz de paso P , la base ℬ̂ a = { v 1⃗ , …, v n⃗ } formada por los n vectores cuyas coordenadas sean
las n columnas de P será la equivalente a ℬa en el caso diagonalizable. En total, m < n de estas columnas
serán realmente autovectores de A; los (n − m) restantes no tendrán tal categoría.

Ejemplo 3. Matriz 2 × 2 no diagonalizable
(−1 −4)
−2 1
A= ∈ ℳ2(ℝ).
1. Calculamos el polinomio característico asociado a A, de grado 2 en la variable λ:

−2 − λ 1
pA(λ) = det(A − λI2) = = (2 + λ)(4 + λ) − 1 ⋅ (−1) = λ 2 + 6λ + 9 = (λ + 3)2
−1 −4 − λ
pA(λ) = 0 ⇔ (λ + 3)2 = 0 ⇔ λ + 3 = 0 ⇔ λ = − 3 ∈ ℝ.
Por tanto, A tiene un único autovalor doble, λ1 = − 3 , real y de multiplicidad algebraica ma(λ1) = 2 . Podemos
considerar A como la matriz asociada al endomorfismo f : E → E , donde E ≃ ℝ2 es el espacio real (definido
sobre 𝕂 = ℝ), cuya base canónica es ℬc = {(1, 0)T , (0, 1)T} ⊂ ℝ2.
3. Para el único autovalor de A, vamos a calcular el espacio propio asociado:
(−1 −1) ( 2) (0)

⃗ ⃗
(i) resolvemos (A − λ1I2) x ⃗ = 0 ⇔ (A + 3I2) x ⃗ = 0 ⇔
1 1 x1
=
0
⇔ x1 + x2 = 0 ⇔ x2 = − x1:
x
⃗ = {(x1, x2) ∈ ℝ2 : x2 = − x1}.

S1 = { x ⃗ ∈ ℝ : A x ⃗ = λ1 x }
2 T

4. Todos los vectores de S1 (recta de ℝ2 por el origen de pendiente −1) son autovectores asociados a λ1 = − 3. En
concreto podemos tomar, por ejemplo, como base de S1 , ℬ1 = {(1, − 1)T} . Denotando v 1⃗ = (1, − 1)T , es obvio
que ℬa = ℬ1 = { v 1⃗ } no puede constituir una base de ℝ2 . Necesitaremos completar ℬa con algún vector v 2⃗
apropiado, linealmente independiente de v 1⃗ . Este vector complementario lo decidiremos más adelante. Así,
ℬ̂ a = { v 1⃗ , v 2⃗ } = {(1, − 1)T , v 2⃗ }
constituirá una base del plano ℝ2 , formada por m < n autovectores de A . En este caso, hemos perdido una
dimensión:
m = n − (ma(λ1) − mg(λ1)) = 2 − (2 − 1) = 1.
5. Al ser la dimensión de S1 igual a 1, las multiplicidades algebraica y geométrica de λ1 difieren (ver punto 2):
mg(λ1) = 1 ≠ 2 = ma(λ1).
Por tanto, A es no diagonalizable. Y seguirá no siéndolo aunque cambiemos el espacio vectorial ℝ2 por ℂ2.
6. Como forma canónica de Jordan, de acuerdo al esquema dado, construiremos la matriz diagonal por bloques
( 0 λ1) ( 0 −3)
λ1 1 −3 1
J= = .

7. Por último, sólo queda encontrar una matriz invertible P = ( v 1⃗ , v 2⃗ ) ∈ ℳ2(ℝ) , cuyas columnas v 1⃗ , v 2⃗ ∈ ℝ2
formarán la base que dejamos a medias en el punto 4. La idea, al igual que en el caso diagonalizable, es que
el efecto de J sobre los vectores expresados en la nueva base ℬ̂ a sea el mismo que el de A actuando sobre los
vectores expresados en la base canónica ℬc. Para ello, necesitaremos que A = PJP −1 ⇔ AP = PJ:
( 0 −3)
A ( v 1⃗ , v 2⃗ ) = ( v 1⃗ , v 2⃗ ) ⇔ (A v 1⃗ , A v 2⃗ ) = (−3 v 1⃗ , v 1⃗ − 3 v 2⃗ ).
−3 1
Igualando columna a columna:
(i) Columna 1: A v 1⃗ = − 3 v 1⃗ . Hemos llegado precisamente a la definición de autovector asociado a λ1 = − 3 . El

autovector v 1⃗ = (1, − 1)T ∈ S1 seleccionado en el punto 4 obviamente cumple esta condición.
(−1 −1) (v22) (−1)

v21
(ii) Columna 2: A v 2⃗ = v 1⃗ − 3 v 2⃗ ⇔ (A + 3I2) v 2⃗ = v 1⃗ ⇔ ⃗
1 1 1 2
= ⇔ v21 + v22 = 1 . Cualquier v 2 ∈ ℝ
cuyas coordenadas sumen 1 complementará adecuadamente a v 1⃗ . Escojamos, por ejemplo, v 2⃗ = (1, 0)T.
Así,
(−1 0) (1 1 )
1 1 −1 0 −1
P= , P =
y puede comprobarse, multiplicando, que A = PJP −1.

7 −12 −2
(−2 0 −2)
A = 3 −4 0 ∈ ℳ3(ℝ).

7 − λ −12 −2
3 2
pA(λ) = det(A − λI3) = 3 −4 − λ 0 = − λ + λ + 2λ = − (λ + 1) λ (λ − 2)
−2 0 −2 − λ
pA(λ) = 0 ⇔ λ ∈ {−1, 0, 2} ⊂ ℝ.
Por tanto, A tiene n = 3 autovalores reales distintos, λ1 = − 1 , λ2 = 0 y λ3 = 2 , todos con multiplicidad algebraica
ma(λi) = 1, ∀i ∈ {1,2,3}. Sabemos por tanto de antemano que A va a ser diagonalizable en ℝ (y en ℂ).
3. Para cada autovalor de A, vamos a calcular el correspondiente espacio propio asociado:
8 −12 −2 x1 0
(0) {−2x1 − x3 = 0 {x3
x2 = x1
(i) resolvemos (A − λ1I3) x ⃗ = 0 ⃗ ⇔ (A + I3) x ⃗ = 0 ⃗ ⇔ 3 −3 0
(−2 0 −1) x
3x1 − 3x2 = 0
x2 = 0 ⇔ ⇔
= −2x1
3
S1 = { x ∈ ℝ : A x = λ1 x } = {(x1, x2 x3) ∈ ℝ : x2 = x1, x3 = − 2x1} → recta del espacio de base ℬ1 = {(1,1, − 2) }.

⃗ ⃗ ⃗
3 T 3 T

7 −12 −2 x1 0 3
(0) {−2x1 − 2x3 = 0

(ii) resolvemos (A − λ2I3) x ⃗ = 0 ⃗ ⇔ (A − 0 ⋅ I3) x ⃗ = 0 ⃗ ⇔ 3 −4 0
(−2 0 −2) x
3x1 − 4x2 = 0 x2 = x1
x2 = 0 ⇔ ⇔ 4
3 x3 = −x1
{ }
3
⃗ = (x1, x2 x3) ∈ ℝ : x2 = x1, x3 = − x1 → recta del espacio de base ℬ2 = {(4, 3, − 4)T}.
S2 = { x ⃗ ∈ ℝ : A x ⃗ = λ2 x }
3 T 3
4
1
5 −12 −2 x1 0 x2 = x1
(0) {−2x1 − 4x3 = 0

(iii) resolvemos (A − λ3I3) x ⃗ = 0 ⃗ ⇔ (A − 2I3) x ⃗ = 0 ⃗ ⇔ 3 −6 0
3x1 − 6x2 = 0 2
x2 = 0 ⇔ ⇔
x3 1
−2 0 −4 x3 = − x1
2
{ 2 }
1 1
⃗ = (x1, x2, x3) ∈ ℝ : x2 = x1, x3 = − x1 → recta del espacio de base ℬ3 = {(2, 1, − 1)T}.
S3 = { x ⃗ ∈ ℝ : A x ⃗ = λ3 x }
3 T 3
2
4. Denotando v 1⃗ , v 2⃗ y v 3⃗ a los vectores básicos incluidos en las bases ℬ1, ℬ2 y ℬ3, respectivamente, una base de ℝ3
formada por autovectores de la matriz A será:
ℬa = { v 1⃗ , v 2⃗ , v 3⃗ } = {(1, 1, − 2)T , (4, 3, − 4)T , (2, 1, − 1)T}.

5. Como la dimensión de los tres subespacios propios S1 , S2 y S3 es igual a 1 , mg(λi) = 1 ∀i ∈ {1,2,3} y por tanto las
multiplicidades algebraica y geométrica han de coincidir en los tres casos, ma(λi) = 1 = mg(λi) ∀i ∈ {1,2,3} , y
queda así comprobado lo que ya habíamos adelantado: que A es diagonalizable en ℝ.
6. Construimos su forma canónica de Jordan disponiendo los tres autovalores a lo largo de la diagonal principal:
λ1 0 0 −1 0 0
( 0 0 2)
J = 0 λ2 0 = 0 0 0
0 0 λ3
7. Por último, las matrices de paso P y P −1 que permiten traducir coordenadas entre las bases ℬc a ℬa son:
1 4 2 1 −4 −2
(−2 −4 −1) ( 2 −4 −1)
P= 1 3 1 , P −1 = −1 3 1
Para construir P simplemente colocamos por columnas las coordenadas canónicas de v 1⃗ , v 2⃗ y v 3⃗ , en el

mismo orden que establecimos para la base: P = ( v 1⃗ , v 2⃗ , v 3⃗ ) . Como en el caso de 2 dimensiones, se puede
comprobar, multiplicando, que A = PJP −1.
−1 2 −2
( 2 −2 3 )
A = 2 −1 2 ∈ ℳ3(ℝ).

−1 − λ 2 −2
3 2 2
pA(λ) = det(A − λI3) = 2 −1 − λ 2 = − λ + λ + λ − 1 = − (λ + 1) (λ − 1)
2 −2 3−λ
pA(λ) = 0 ⇔ λ ∈ {−1, 1} ⊂ ℝ.
Por tanto, A tiene 2 autovalores reales distintos, λ1 = − 1 y λ2 = 1 , el primero con multiplicidad algebraica
ma(λ1) = 1 y el segundo con multiplicidad algebraica ma(λ2) = 2.
0 2 −2 x1 0
(0) {2x1 + 2x3 = 0 { 1
⃗ ⃗
( ) x
2x − 2x = 0 x = x3
⃗ ⃗
(i) resolvemos (A − λ1I3) x = 0 ⇔ (A + I3) x = 0 ⇔ 2 0 2 x2 = 0 ⇔
2 3
⇔ x
2
= −x3
2 −2 4 3
S1 = { x ∈ ℝ : A x = λ1 x } = {(x1, x2) ∈ ℝ : x2 = x3, x1 = − x3} → recta del espacio de base ℬ1 = {(−1, 1, 1) }.

⃗ ⃗ ⃗
3 T 3 T

−2 2 −2 x1 0
(ii) resolvemos (A − λ2I3) x ⃗ = 0 ⃗ ⇔ (A − I3) x ⃗ = 0 ⃗ ⇔ 2 −2 2
( 2 −2 2 ) x (0)
x2 = 0 ⇔ {2x1 − 2x2 + 2x3 = 0 ⇔ {x3 = x2 − x1
3
S2 = { x ∈ ℝ : A x = λ2 x } = {(x1, x2 x3) ∈ ℝ : x3 = x2 − x1} → plano del espacio de base ℬ2 = {(1, 0, − 1) , (0, 1, 1) }.

⃗ ⃗ ⃗
3 T 3 T T
⃗ T
⃗ T
⃗ T
4. Denotando v 1 = (−1, 1, 1) al vector básico incluido en ℬ1, y v 2 = (1, 0, − 1) y v 3 = (0, 1 1) a los vectores básicos
incluidos en ℬ2, una base de ℝ3 formada por autovectores de la matriz A será precisamente:
ℬa = { v 1, v 2, v 3} = {(−1, 1, 1) , (1, 0, − 1) , (0, 1, 1) }.

⃗ ⃗ ⃗ T T T
Pese a tener un autovalor λ2 de multiplicidad algebraica 2, a diferencia del ejemplo anterior, no hemos perdido
ninguna dimensión a la hora de formar ℬa , ya que el subespacio propio asociado a λ2 es un plano, de
dimensión igualmente 2. Por eso la base ℬa es base de todo ℝ3, formada exclusivamente por autovectores.
5. Como la dimensión de S1 es igual a 1 y la de S2 es igual a 2, las multiplicidades geométricas de λ1 y λ2 coinciden

con sus respectivas multiplicidades algebraicas:
mg(λ1) = 1 = ma(λ1), mg(λ2) = 2 = ma(λ2).
Por tanto A es diagonalizable en ℝ.

6. Construimos su forma canónica de Jordan repartiendo los dos autovalores a lo largo de la diagonal principal;
λ2 aparecerá por partida doble, al ser su multiplicidades algebraica y geométrica igual a 2:
λ1 0 0 −1 0 0
( 0 0 1)
J = 0 λ2 0 = 0 1 0
0 0 λ2
7. Por último, las matrices de paso P y P −1 que permiten llevar a cabo los cambios de coordenadas entre las
bases ℬc y ℬa son:
−1 1 0 −1 1 −1
( ) (1 0 1)
P= 1 0 1 , P −1 = 0 1 −1
1 −1 1
Para construir P , como antes, colocamos por columnas las coordenadas canónicas de v 1⃗ , v 2⃗ y v 3⃗ , en el
mismo orden que establecimos para la nueva base de autovectores: P = ( v 1⃗ , v 2⃗ , v 3⃗ ) . Como siempre, se
puede comprobar, multiplicando, que A = PJP −1.

2 1 0
(0 2 4 )
A = 0 1 −1 ∈ ℳ3(ℝ).

2−λ 1 0
3 2 2
pA(λ) = det(A − λI3) = 0 1 − λ −1 = − λ + 7λ − 16λ + 12 = − (λ − 2) (λ − 3)
0 2 4−λ
pA(λ) = 0 ⇔ λ ∈ {2, 3} ⊂ ℝ.
Por tanto, A tiene 2 autovalores reales distintos, λ1 = 2 y λ2 = 3, el primero con multiplicidad algebraica ma(λ1) = 2
y el segundo con multiplicidad algebraica ma(λ2) = 1.
0 1 0 x1 0
{ {
⃗ ⃗
(0 2 ) ( )
x = 0 x = 0
⃗ ⃗
(i) resolvemos (A − λ1I3) x = 0 ⇔ (A − 2I3) x = 0 ⇔ 0 −1 −1 x2 = 0 ⇔
2
⇔
2
x −x2 − x 3 = 0 x3 = 0
2 3 0
S1 = { x ∈ ℝ : A x = λ1 x } = {(x1, x2) ∈ ℝ : x2 = 0, x3 = 0} → recta del espacio de base ℬ1 = {(1, 0, 0) }.

⃗ ⃗ ⃗
3 T 3 T

−1 1 0 x1 0
{ {
x1 = x2
(ii) resolvemos (A − λ2I3) x ⃗ = 0 ⃗ ⇔ (A − 3I3) x ⃗ = 0 ⃗ ⇔ 0 −2 −1
(0 ) ( )
−x 1 + x 2 = 0
x2 = 0 ⇔ ⇔
x 2x2 + x3 = 0 x3 = −2x2
2 1 3 0
S2 = { x ∈ ℝ : A x = λ2 x } = {(x1, x2 x3) ∈ ℝ : x1 = x2, x3 = − 2x2} → recta del espacio de base ℬ2 = {(1, 1, − 2) }.

⃗ ⃗ ⃗
3 T 3 T
4. Denotando v 1⃗ = (1, 0, 0) al vector básico incluido en ℬ1 y v 3⃗ = (1, 1, − 2) al vector básico incluido en ℬ2 , es

T T
obvio que ℬa = ℬ1 ∪ ℬ2 = { v 1⃗ , v 3⃗ } no puede constituir una base de ℝ3. Necesitaremos completar ℬa con algún
vector v 2⃗ apropiado, linealmente independiente de v 1⃗ y v 3⃗ . Este vector complementario lo decidiremos más
adelante. Así,
ℬ̂ a = { v 1⃗ , v 2⃗ , v 3⃗ } = {(1, 0, 0)T , v 2⃗ , (1, 1, − 2)T}
constituirá una base del espacio ℝ3, formada por m autovectores de A, con m < n verificando:
m = n − (ma(λ1) − mg(λ1)) − (ma(λ2) − mg(λ2)) = 3 − (2 − 1) − (1 − 1) = 3 − 1 − 0 = 2.
5. Como la dimensión de S1 es igual a 1, las multiplicidades algebraica y geométrica de λ1 difieren:
mg(λ1) = 1 ≠ 2 = ma(λ1), mg(λ2) = 1 = ma(λ2).
Luego A es matriz no diagonalizable, ni en ℝ ni en ℂ.

6. Como forma canónica de Jordan de A , de acuerdo al esquema establecido para matrices no

diagonalizables, construiremos la matriz diagonal por bloques
λ1 1 0 2 1 0
(0 0 3)
J = 0 λ1 0 = 0 2 0 .
0 0 λ2
7. Por último, sólo queda encontrar una matriz invertible P = ( v 1⃗ , v 2⃗ , v 3⃗ ) ∈ ℳ2(ℝ) , cuyas columnas v 1⃗ , v 2⃗ , v 3⃗ ∈ ℝ3
formarán la base ℬ̂ a (aún incompleta) del punto 4. El objetivo, de nuevo, es que el efecto de J sobre los
vectores expresados en la nueva base ℬ̂ sea el mismo que el de A actuando sobre los vectores expresados
a
en la base canónica ℬc. Por ello, necesitaremos que A = PJP −1 ⇔ AP = PJ:
2 1 0
(0 0 3)
A ( v 1⃗ , v 2⃗ , v 3⃗ ) = ( v 1⃗ , v 2⃗ , v 3⃗ ) 0 2 0 ⇔ (A v 1⃗ , A v 2⃗ , A v 3⃗ ) = (2 v 1⃗ , v 1⃗ + 2 v 2⃗ , 3 v 3⃗ ).
Igualando la matriz de la izquierda a la de la derecha, columna a columna:
(i) Columna 1: A v 1⃗ = 2 v 1⃗ . Llegamos precisamente a la definición de autovector asociado a λ1 = 2 . El auto-

vector v 1⃗ = (1, 0, 0)T ∈ S1 seleccionado en el punto 4 obviamente cumple esta condición.

0 1 0 v21 1
(0 2 ) ( ) {−v22 − v23 = 0 {v23 = − 1
v22 = 1 v22 = 1
(i) Columna 2: A v 2⃗ = v 1⃗ + 2 v 2⃗ ⇒ (A − 2I2) v 2⃗ = v 1⃗ ⇒ 0 −1 −1 v22 = 0 ⇒ ⇒ . Po-
2 v23 0
demos escoger, por ejemplo, v 2⃗ = (0, 1, − 1)T.
(ii) Columna 3: A v 3⃗ = 3 v 3⃗ . Ahora llegamos a la definición de autovector asociado al autovalor λ2 = 3 . El

autovector v 3⃗ = (1, 1, − 2)T ∈ S2 seleccionado en el punto 4 obviamente cumple esta condición.
Así,
1 0 1 1 1 1
(0 −1 −2) (0 −1 −1)
P= 0 1 1 , P −1 = 0 2 1

1 2 0
(0 0 1)
A = 0 1 2 ∈ ℳ3(ℝ).

1−λ 2 0
3
pA(λ) = det(A − λI3) = 0 1−λ 2 = − (λ − 1) .
0 0 1−λ
pA(λ) = 0 ⇔ λ = 1 ∈ ℝ.
Por tanto, A tiene 1 único autovalor λ1 = 1, real y con multiplicidad algebraica ma(λ1) = 3.
0 2 0 x1 0
(0) {2x3 = 0
(i) resolvemos (A − λ1I3) x ⃗ = 0 ⃗ ⇔ (A − I3) x ⃗ = 0 ⃗ ⇔ 0 0 2
(0 0 0) x
2x2 = 0
x2 = 0 ⇔
3
S1 = { x ∈ ℝ : A x = λ1 x } = {(x1, x2) ∈ ℝ : x2 = 0, x3 = 0} → recta del espacio de base ℬ1 = {(1, 0, 0) }.

⃗ ⃗ ⃗
3 T 3 T

4. Denotando v 1 = (1, 0, 0) al vector básico incluido en ℬ1 , es obvio que ℬa = ℬ1 = { v 1⃗ } no puede constituir una
⃗ T
base de ℝ3. Necesitaremos completar ℬa con 2 vectores v 2⃗ y v 3⃗ apropiados, linealmente independientes entre
sí y con el anterior, v 1⃗ . Estos vectores complementarios los decidiremos más adelante. De momento,
ℬ̂ a = { v 1⃗ , v 2⃗ , v 3⃗ } = {(1, 0, 0)T , v 2⃗ , v 3⃗ }
constituirá una base del espacio ℝ3, formada por m autovectores de A, con m < n verificando, como siempre:
m = n − (ma(λ1) − mg(λ1)) = 3 − (3 − 1) = 3 − 2 = 1.

mg(λ1) = 1 ≠ 3 = ma(λ1).
Luego A es matriz no diagonalizable, tanto en ℝ como en ℂ. Este déficit nos ha hecho perder dos dimensiones:
n − m = 2.
6. Como forma canónica de Jordan de A, de acuerdo al esquema establecido para matrices no diagonalizables,
construiremos la matriz diagonal por bloques
λ1 1 0 1 1 0
(0 0 1)
J = 0 λ1 1 = 0 1 1 .
0 0 λ1
7. Por último, sólo queda encontrar una matriz invertible P = ( v 1⃗ , v 2⃗ , v 3⃗ ) ∈ ℳ2(ℝ) , cuyas columnas v 1⃗ , v 2⃗ , v 3⃗ ∈ ℝ3
formarán la base ℬ̂ (aún incompleta) del punto 4. Como en el ejemplo 6, necesitamos: A = PJP −1 ⇔ AP = PJ:
a
1 1 0
(0 0 1)
A ( v 1⃗ , v 2⃗ , v 3⃗ ) = ( v 1⃗ , v 2⃗ , v 3⃗ ) 0 1 1 ⇔ (A v 1⃗ , A v 2⃗ , A v 3⃗ ) = ( v 1⃗ , v 1⃗ + v 2⃗ , v 2⃗ + v 3⃗ ):
(i) C1: A v 1⃗ = v 1⃗ . Es la definición de autovector asociado a λ1 = 1: v 1⃗ = (1, 0, 0)T ∈ S1 (elegido en el punto 4) nos vale.
0 2 0 v21 1 1
(0) {2v23 = 0
2 ⇒ v 2⃗ . Por ej., v 2⃗ = (0, , 0)
T
(0 0 0) v
2v22 = 1 v22 = 1
(ii) C2: A v 2⃗ = v 1⃗ + v 2⃗ ⇒ (A − I2) v 2⃗ = v 1⃗ ⇒ 0 0 2 v22 = 0 ⇒ ⇒
2
23 2v23 = 0
0 2 0 v31 0 2v32 = 0 v32 = 0

( 4)
T
(0 0 0) v ( 0 )
1
(iii) C3: A v 3⃗ = v 2⃗ + v 3⃗ ⇒ (A − I2) v 3⃗ = v 2⃗ ⇒ 0 0 2 v32 = 1/2 ⇒ 1 ⇒ 1 . Por ej., v 3⃗ = 0, 0, .
2v33 = v33 =
33 2 4
Así, colocando cada v j⃗ básico en la j-ésima columna de la matriz de cambio de base P ∀j ∈ {1,2,3}, obtenemos:
1 0 0 1 0 0
(0 0 1/4) (0 0 4)
P = 0 1/2 0 , P −1 = 0 2 0

2 0 1
(0 0 2)
A = 0 2 1 ∈ ℳ3(ℝ).

2−λ 1 0
3
pA(λ) = det(A − λI3) = 0 2−λ 1 = − (λ − 2) .
0 0 2−λ
pA(λ) = 0 ⇔ λ = 2 ∈ ℝ.
Por tanto, A tiene 1 único autovalor λ1 = 2, real y con multiplicidad algebraica ma(λ1) = 3.
0 0 1 x1 0
(i) resolvemos (A − λ1I3) x ⃗ = 0 ⃗ ⇔ (A − 2I3) x ⃗ = 0 ⃗ ⇔ 0 0 1
(0 0 0) x (0)
x2 = 0 ⇔ {x3 = 0
3
S1 = { x ∈ ℝ : A x = λ1 x } = {(x1, x2) ∈ ℝ : x3 = 0} → plano del espacio de base ℬ1 = {(1, 0, 0) , (0, 1, 0) }.

⃗ ⃗ ⃗
3 T 3 T T

4. En este caso la matriz A será no diagonalizable, aun teniendo asociado un espacio propio de dimensión mayor
que 1. Cuando esto sucede hay que tener cuidado con la elección de los vectores básicos del espacio propio
asociado, ya que podrían no verificar las condiciones que se impondrán en el paso 7 para la construcción de P.
Por esta razón, en estos casos decidiremos ℬa = { v 1⃗ , v 2⃗ } más adelante. De momento, escogeremos dos auto-
vectores genéricos que, en este ejemplo, por pertenecer a S1 serán de la forma v 1⃗ = (α, β, 0) y v 2⃗ = (γ, δ, 0)T, con
T
α, β, γ, δ ∈ ℝ verificando αδ − βδ ≠ 0 (de este modo v 1⃗ y v 2⃗ serán linealmente independientes). De nuevo, es obvio

que ℬa no podrá en ningún caso constituir una base de ℝ3. La complementaremos con un vector v 3⃗ apropiado
que decidiremos también en el punto 7. Así, la base
ℬ̂ a = { v 1⃗ , v 2⃗ , v 3⃗ } = {(α, β, 0)T , (γ, δ, 0)T , v 3⃗ }
sí constituirá una base del espacio ℝ3, formada por m autovectores de A, con m < n verificando:
m = n − (ma(λ1) − mg(λ1)) = 3 − (3 − 2) = 3 − 1 = 2.

mg(λ1) = 2 ≠ 3 = ma(λ1).
Como ya habíamos anticipado, A es matriz no diagonalizable, y lo será tanto en ℝ como en ℂ . En este caso
hemos perdido una dimensión: n − m = 1.
6. Como forma canónica de Jordan de A, de acuerdo al esquema establecido para matrices no diagonalizables,
construiremos la matriz diagonal por bloques
λ1 0 0 2 0 0
(0 0 2)
J = 0 λ1 1 = 0 2 1 .
0 0 λ1
Tal y como estamos construyendo la base ℬ̂ a, es importante que el valor 1 de J lo coloquemos abajo y no arriba,
ya que de lo contrario, deberíamos reordenar la base ℬ̂ y colocar el vector complementario en la segunda
a
posición, y los dos autovectores en la primera y la tercera.
7. Por último, sólo queda encontrar la matriz invertible P = ( v 1⃗ , v 2⃗ , v 3⃗ ) ∈ ℳ2(ℝ) tal que A = PJP −1 ⇔ AP = PJ:
2 0 0
(0 0 2)
A ( v 1⃗ , v 2⃗ , v 3⃗ ) = ( v 1⃗ , v 2⃗ , v 3⃗ ) 0 2 1 ⇔ (A v 1⃗ , A v 2⃗ , A v 3⃗ ) = (2 v 1⃗ , 2 v 2⃗ , v 2⃗ + 2 v 3⃗ ):
(i) C1: A v 1⃗ = 2 v 1⃗ . Es la definición de autovector asociado a λ1 = 2: cualquier v 1⃗ = (α, β, 0) ∈ S1 nos vale, ∀α, β ∈ ℝ.
T
(ii) C2: A v 2⃗ = 2 v 2⃗ . Del mismo modo, cualquier autovector v 2⃗ = (γ, δ, 0) ∈ S1 cumplirá la condición, ∀γ, δ ∈ ℝ.
T
0 0 1 v31 γ
(0) {v33 = δ
v33 = γ
(0 0 0) v
(iii) C3: A v 3⃗ = v 2⃗ + 2 v 3⃗ ⇒ (A − 2I2) v 3⃗ = v 2⃗ ⇒ 0 0 1 v32 = δ ⇒ . Luego necesitamos v33 = α = β ≠ 0.
33
Eligiendo, por ejemplo, v33 = γ = δ = 1 , obtenemos v 2⃗ = (1, 1, 0)T . Así definido v 2⃗ , podemos tomar v 3⃗ = (0, 0, 1)T
como vector complementario para formar parte de ℬ . Respecto a v ⃗ = (α, β, 0) , bastará con que no sea pro-
T
̂
a 1
porcional a v 2⃗ para que entre los tres formen una base de todo el espacio ℝ3. Podemos escoger, por ejemplo,
v 1⃗ = (1, 0, 0)T.
Finalmente, la base de ℝ3 formada por m = 2 autovectores asociados a la matriz A queda de la forma
ℬ̂ a = { v 1⃗ , v 2⃗ , v 3⃗ } = {(α, β, 0)T , (γ, δ, 0)T , v 3⃗ } = {(1, 0, 0)T , (1, 1, 0)T , (0, 0, 1)T}.
Como curiosidad, puede observarse que la base ℬ1 = {(1, 0, 0)T , (0, 1, 0)T} arbitrariamente elegida en el punto 3
no habría sido compatible con ningún v 3⃗ complementario. De aquí la importancia de lo advertido en el punto
4 como peculiaridad de este caso excéntrico.
Colocando los vectores básicos por columnas, formamos las matrices de cambio de base P y P −1,
1 1 0 1 −1 0
(0 0 1) (0 0 1)
P= 0 1 0 , P −1 = 0 1 0 ,
que deberán verificar, como en todos los demás casos, que A = PJP −1.

Apuntes - 4. Álgebra Lineal en PDF

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes - 4. Álgebra Lineal en PDF

Cargado por

Copyright:

Formatos disponibles

BIOMATEMÁTICAS

Carlos Calvo Tapia

En el tema 5 estudiaremos las herramientas necesarias para calcular las soluciones de un

2 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

y otra externa, el producto por un escalar

elemento neutro: ∃0 ∈ E tal que x + 0 = x ∀x ∈ E

3 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

La definición de espacio vectorial abarca estructuras matemáticas de muy diversa naturaleza.

En otras palabras, S es subespacio vectorial de E cuando 0 ∈ S ⊂ E y se verifican conjuntamente:

es un subespacio vectorial de ℝ2.

Es importante que la condición de grado sea menor o igual.

En general, el conjunto ℙn(ℝ) = {an x n + ⋯ + a1x + a0 : a0, …, an ∈ ℝ} de polinomios con coeficientes

de matrices cuadradas 2 × 2, simétricas y con coeficientes reales, es subespacio vectorial de ℳ2(ℝ).

linealmente dependiente cuando el vector nulo 0 ⃗ ∈ E puede expresarse como combinación

8 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

(2) (6) (6) (6) (0)

(5) (6) (5c1 − 6c2) (5 −6) (c2)

En general, cuando existe α ∈ 𝕂 tal que x 2⃗ = α x 1⃗ , basta tomar c1 = α, c2 = − 1 ≠ 0 para que

9 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

Si además estos n vectores son linealmente independientes, el sistema de generadores se convierte

Los coeficientes (c1, …, cn) constituyen lo que denominamos coordenadas de x ⃗ respecto de ℬ.

La llamamos base canónica de ℝn:

Por ejemplo, en ℝ2 cuando representamos un vector bidimensional x ⃗ ∈ ℝ2 como una dupla de

respecto de la base canónica ℬc:

11 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

La base canónica del espacio vectorial ℳ2(ℝ), es la formada por:

13 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

x ⃗ = (1,3) = e 1⃗ + 3 e 2⃗ x ⃗ = (−1,2) = − u 1⃗ + 2 u 2⃗ x ⃗ = (−2,1) = − 2 v 1⃗ + v 2⃗

Geométricamente, cuando tomamos las coordenadas x ⃗ ∈ 𝕂n de cualquier vector de E , el cual

Esta transformación es precisamente lo que hemos definido como endomorfismo, y las

16 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

actuando sobre los vectores de ℝ2 expresados en base

(0 −1) (x2) (−x2)

Luego el efecto geométrico de A ∈ ℳ2(ℝ) es: (1) some-

17 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

Es decir, si M es la matriz asociada al endomorfismo f : E → E, siendo E un espacio vectorial sobre 𝕂,

En otras palabras, la aplicación conjunta de f y f −1 , ya sea calculando primero f −1 y luego f o

18 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

Volviendo al ejemplo anterior, consideremos ahora la

19 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

S ⊂ E es subespacio invariante por f ⇔ f (S) ⊂ S

S1 = { x ⃗ = (x1, x2) : x2 = 0}, S2 = { x ⃗ = (x1, x2) : x1 = 0}

2. si x ⃗ ∈ S2, entonces x ⃗ = (0, x2) y f ( x )⃗ = A x ⃗ = (0, − 2x2) = − 2 x ⃗ ∈ S2 f ( v 1⃗ ) = (4, 0) ∈ S1

Cuando, como en este caso, existen además λ ∈ 𝕂 y v ⃗ ∈ S tales que

diremos que el vector v ⃗ ≠ 0 ⃗ es un autovector asociado a la matriz A y f ( v 2⃗ ) = (0, − 4) ∈ S2T

que el escalar λ ∈ 𝕂 es el autovalor asociado al autovector v ⃗ . En este

En general, se puede comprobar que A representa

S1 = {(x1, x2) ∈ ℝ2 : x2 = 3x1}

S2 = {(x1, x2) ∈ ℝ2 : x1 = − 3x2} = S1⊥.

21 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

Si A es diagonalizable en ℝ, entonces es también diagonalizable en ℂ; pero podría serlo en ℂ y no en ℝ, o no

1. Calculamos el polinomio característico asociado a A:

Se trata de un polinomio de grado 2 en la variable λ.

2. Los autovalores de A serán las raíces de pA(λ):

26 Carlos Calvo Tapia· Unidad de Biomatemática· Facultad de Ciencias Biológicas· UCM

⃗ = {(x1, x2) ∈ ℝ2 : x2 = − 2x1}.

( 4 −6) (x2) (0)

ℬa = { v 1⃗ , v 2⃗ } = {(1, − 2)T , (3, 2)T}.

mg(λ1) = 1 = ma(λ1), mg(λ2) = 1 = ma(λ2),

y como ambos autovalores son reales, A es diagonalizable en ℝ.

1. Calculamos el polinomio característico asociado a A:

Se trata de un polinomio de grado 2 en la variable λ.