Este es el segundo volumen de la serie:

• Álgebra Lineal I: Espacios Vectoriales

• Álgebra Lineal II: Aplicaciones Lineales

En este segundo cuadernillo de la serie se empieza estableciendo algunos concep-

tos básicos y parte de la notación que se utilizará en todo el cuadernillo. El primer
tema establece las definiciones y resultados básicos sobre aplicaciones lineales. El
segundo tema trata la diagonalización de endomorfismos. Finalizamos con una
colección de ejercicios resueltos que amplian el conjunto de ejemplos que se pre-
sentan junto con el desarrollo de la materia.
Por limitaciones de espacio no incluimos demostraciones de los resultados que
aparecen en este cuadernillo. Recomendamos al lector interesado en dichas de-
mostraciones la lectura de alguno de los libros enumerados en la bibliografı́a.

v
Índice

1 Preliminares 1
1.1 Aplicaciones entre conjuntos . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Raices de polinomios y su multiplicidad . . . . . . . . . . . . . . . . . 3

2 Aplicaciones Lineales 5
2.1 Definición de aplicación lineal . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Matriz asociada a una aplicación lineal . . . . . . . . . . . . . . . . . 7
2.3 Núcleo e imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Operaciones con aplicaciones lineales . . . . . . . . . . . . . . . . . . 11
2.5 Matriz de cambio de coordenadas . . . . . . . . . . . . . . . . . . . . 13
2.6 Matrices equivalentes y semejantes . . . . . . . . . . . . . . . . . . . 14
2.7 Interpretación vectorial de un sistema de ecuaciones lineales . . . . . 17

3 Diagonalización 19
3.1 Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Valores y vectores propios de un endomorfismo . . . . . . . . . . . . . 20
3.3 Valores y vectores propios de una matriz
cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4 Polinomio caracterı́stico . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Multiplicidad de un valor propio . . . . . . . . . . . . . . . . . . . . . 24
3.6 Diagonalización de endomorfismos y matrices cuadradas . . . . . . . 26

4 Ejercicios Resueltos 29

vi
 1

Preliminares

1.1 Aplicaciones entre conjuntos

Sean A, B y C conjuntos no vacı́os.

Definición 1.1.1. Una aplicación f : A → B es una correspondencia que a cada

elemento de A le asocia un único elemento de B. El conjunto A recibe el nombre
de dominio de la aplicación f y el conjunto B el de rango de f .

Dado a ∈ A se denota por f (a) al elemento imagen de a en B mediante la

aplicación f . La imagen de f es el conjunto

Im(f ) = f (A) = {f (a) | a ∈ A}.

El conjunto imagen inversa de un elemento b ∈ B es el conjunto

f −1 (b) = {a ∈ A | f (a) = b}.

Se llama aplicación identidad en A a la aplicación idA : A → A definida por

idA (a) = a para todo a ∈ A.

Definición 1.1.2. Dadas dos aplicaciones f : A → B y g : B → C se llama

composición de f con g a la aplicación g ◦ f : A → C definida por (g ◦ f )(a) =
g(f (a)) para todo a ∈ A.
 2

Definición 1.1.3. Dada una aplicación f : A → B se dice que f es:

1. Inyectiva si dados dos elementos distintos de A sus imágenes mediante f son

distintas. Esto es

∀a1 , a2 ∈ A, a1 6= a2 ⇒ f (a1 ) 6= f (a2 ).

Equivalentemente,

si ∃a1 , a2 ∈ A tales que f (a1 ) = f (a2 ) ⇒ a1 = a2 .

2. Sobreyectiva si todo elemento de B es imagen mediante f de un elemento

de A. Es decir, f (A) = B,

∀b ∈ B, ∃a ∈ A tal que f (a) = b.

3. Biyectiva si es inyectiva y sobreyectiva.

Definición 1.1.4. Dada un aplicación f : A → B biyectiva se llama aplicación

inversa de f a la aplicación f −1 : B → A definida como sigue:

∀b ∈ B, f −1 (b) = a si f (a) = b con a ∈ A.

Se verifica que f −1 ◦ f = idA y que f ◦ f −1 = idB .

1.2 Matrices

Sea K un cuerpo, se denota por Mm×n (K) al conjunto de las matrices de tamaño
m × n (m filas y n columnas) y elementos en K.
Se denota por In a la matriz identidad de tamaño n × n de Mn×n (K),
 
 1 0 ... 0 
 
 0 1 ... 0 
 
In =  . . ..  .
 .. .. . . . . 
 
 
0 0 ... 1
 3

Dada A ∈ Mn×n (K), si det(A) 6= 0 existe la matriz inversa A−1 de A y verifica

AA−1 = A−1 A = In .

Si A = (aij ) con i, j = 1, . . . , n, es decir

 
 a11 a12 · · · a1n 
 
 a21 a22 · · · a2n 
 
A= . .. .. ,
 .. .. 
 . . . 
 
an1 an2 · · · ann

se denota por Aij a la submatriz de A que resulta de eliminar la fila i y la columna

j de A. Entonces A−1 = (cij ), i, j = 1, . . . , n donde

(−1)i+j
cij = det(Aji ).
det(A)

1.3 Raices de polinomios y su multiplicidad

Sea K[x] el conjunto de los polinomios en x con coeficientes en el cuerpo K.

Definición 1.3.1. Sea p(x) un polinomio de K[x]. Un escalar λ ∈ K es una raiz

de p(x) si p(λ) = 0.

Equivalentemente, λ es una raiz de p(x) si y sólo si (x − λ) divide a p(x), es

decir, existe un polinomio q(x) ∈ K[x] tal que

p(x) = (x − λ)q(x).

Definición 1.3.2. Sea λ una raiz del polinomio p(x). Se llama multiplicidad de
λ al mayor número natural m tal que (x − λ)m divide a p(x), es decir

p(x) = (x − λ)m q(x), q(x) ∈ K[x].

 4

Si K = C entonces todo polinomio de grado mayor o igual que uno tiene todas
sus raices en C. Se dice que C es algebraicamente cerrado. Sin embargo, R no es
algebraicamente cerrado, existen polinomios en R[x] que no tienen raices en R. Por
ejemplo, x2 + 1 tiene coeficientes reales pero sólo tiene raices complejas.

Proposición 1.3.3. Sea p(x) ∈ K[x] un polinomio de grado n cuyas raices en K

son λ1 , . . . , λp con multiplicidades m1 , . . . , mp respectivamente. Entonces:

1. Existe q(x) ∈ K[x] tal que p(x) = (x − λ1 )m1 · · · (x − λp )mp q(x) y ası́ m1 +
· · · + mp ≤ n.

2. Si K = C todas las raices de p(x) son complejas y por tanto

p(x) = (x − λ1 )m1 · · · (x − λp )mp con m1 + · · · + mp = n.

 5

Aplicaciones Lineales

Sean V y W espacios vectoriales sobre el cuerpo K.

2.1 Definición de aplicación lineal

Definición 2.1.1. Una aplicación f : V → W es una aplicación lineal (u homo-

morfismo) si verifica

∀u, v ∈ V , f (u + v) = f (u) + f (v),

∀λ ∈ K, f (λu) = λf (u).

Esta condición es equivalente a

∀u, v ∈ V , ∀λ, µ ∈ K, f (λu + µv) = λf (u) + µf (v).

Una aplicación lineal f : V → W en la que W = V recibe el nombre de endo-

morfismo.

Ejemplo 2.1.2. La aplicación f : R3 −→ R3 definida por

f (x, y, z) = (2x − y + 4z, 3x − z, 6x + y)

es lineal.
 6

También es lineal toda aplicación f : Rn → Rm definida por

n
X n
X n
X
f (x1 , . . . , xn ) = ( ai xi , b i xi , . . . , li xi ),
i=1 i=1 i=1

con ai , bi , . . . , li ∈ R, i = 1, . . . , n.

Proposición 2.1.3. Sea f : V → W una aplicación lineal. Dado un conjunto

{u1 , . . . , um } de vectores de V se verifican las siguientes afirmaciones:
P Pm
1. Dados λ1 , . . . , λm ∈ K entonces f ( mi=1 λi ui ) = i=1 λi f (ui ). En particular

f (0V ) = 0W y f (−u) = −f (u), ∀u ∈ V .

2. Si {u1 , . . . , um } es linealmente dependiente entonces {f (u1 ), . . . , f (um )} es li-

nealmente dependiente.

3. Si {f (u1 ), . . . , f (um )} es linealmente independiente entonces {u1 , . . . , um } es

linealmente independiente. El recı́proco no es cierto, en general, la indepen-
dencia lineal de vectores no es una propiedad que se conserve mediante apli-
caciones lineales, véase el ejemplo 2.1.4,(1).

4. Si U es un subespacio vectorial de V con base {u1 , . . . , um } entonces f (U ) =

hf (u1 ), . . . , f (um )i. Esto es {f (u1 ), . . . , f (um )} es sistema generador de f (U )
pero puede no ser una base de f (U ), véase el ejemplo 2.1.4,(2).

Ejemplos 2.1.4. Se considera la aplicación lineal f : R3 → R2 definida por

f (x, y, z) = (x, y).

1. Los vectores v1 = (1, 0, 0) y v2 = (0, 1, 0) son linealmente independientes y

también lo son sus imágenes f (v1 ) = (1, 0) y f (v2 ) = (0, 1). Sin embargo, los
vectores u1 = (1, 0, 1) y u2 = (2, 0, 0) son linealmente independientes pero sus
imágenes f (u1 ) = (1, 0) y f (u2 ) = (2, 0) son linealmente dependientes.

2. Dado el subespacio U = hu1 = (1, 0, 1), u2 = (2, 0, 0)i con dimU = 2 de R3 se

tiene que f (U ) = hf (u1 ), f (u2 )i = h(1, 0)i y por tanto dimf (U ) = 1.
 7

2.2 Matriz asociada a una aplicación lineal

Proposición 2.2.1. Sea B = {v1 , . . . , vn } es una base de V y {w1 , . . . , wn } un

conjunto de vectores de W . Entonces existe una única aplicación lineal f : V → W
tal que
f (v1 ) = w1 , . . . , f (vn ) = wn .

Ejemplo 2.2.2. Sea f : R3 → M2×2 una aplicación lineal de la que se sabe que:
   
3 1 1 −1
f (1, 0, 0) =   , f (0, 1, 0) =  ,
2 4 −5 5
 
2 −2
f (0, 0, 1) =  .
−3 4
Por la proposición anterior, existe una única aplicación lineal que cumple estas
condiciones. Dicha aplicación está definida por:

f (x, y, z) = xf (1, 0, 0) + yf (0, 1, 0) + zf (0, 0, 1) =

 
3x + y + 2z x − y − 2z
= .
2x − 5y − 3z 4x + 5y + 4z

Definición 2.2.3. Sea BV = {v1 , . . . , vn } una base de V y sean (x1 , . . . , xn ) las

coordenadas de un vector de V en la base BV . Sea BW = {w1 , . . . , wm } una base de
W y sean (y1 , . . . , ym ) las coordenadas de un vector de W en la base BW .
Supongamos que f : V → W es una aplicación lineal tal que
m
X
f (vj ) = aij wi = a1j w1 + a2j w2 + . . . + amj wm ,
i=1

esto es, las coordenadas de f (vj ) en la base BW son (a1j , . . . , amj ). La expresión
 8

matricial de f en las bases BV de V y BW de W es

    
 y1   a11 a12 . . . a1n   x1 
    
 y2   a21 a22 . . . a2n   x2 
    
 . =  ..  .
 ..   ...  
. 
   
    
ym am1 am2 . . . amn xn

Se dice que A = (aij ) es la matriz de la aplicación lineal f respecto de las

bases BV de V y BW de W y se denota por Mf (BV , BW ).

Si f : V → V es un endomorfismo se denota por Mf (BV ) a la matriz Mf (BV , BV ).

Ejemplo 2.2.4. Sea f : R3 →R2 la aplicación lineal que verifica

f (1, 1, 1) = (2, 2), f (0, 1, 1) = (1, 1), f (0, 0, 3) = (0, 3).

Se obtiene a continucación la expresión matricial de f en las bases canónicas B3 de

R3 y B2 de R2 . Para ello se calculan las imágenes de los vectores de la base B3 .

f (1, 0, 0) = f (1, 1, 1) − f (0, 1, 1) = (2, 2) − (1, 1) = (1, 1),

1
f (0, 1, 0) = f (0, 1, 1) − f (0, 0, 3) = (1, 1) − (0, 1) = (1, 0),
3
1
f (0, 0, 1) = f (0, 0, 3) = (0, 1).
3

Las columnas de Mf (B3 , B2 ) son las coordenadas en la base B2 de dichas imágenes.

Por tanto, la expresión matricial es
 
    x1
y1 1 1 0  
 =  
 x2  .
y2 1 0 1  
x3

Ası́ f (x1 , x2 , x3 ) = (x1 + x2 , x1 + x3 ) para todo (x1 , x2 , x3 ) ∈ R3 .

 9

2.3 Núcleo e imagen

Proposición 2.3.1. Sea f : V −→ W una aplicación lineal. Se tiene que:

1. El conjunto imagen Im(f ) = {f (v) | v ∈ V } es un subespacio vectorial de W ,

que se llama imagen de la aplicación lineal f .

2. Si {v1 , . . . , vn } es un sistema generador de V entonces {f (v1 ), . . . , f (vn )} es

un sistema generador de Im(f ). Se llama rango de f a la dimensión de Im(f )

rango(f ) = dim(Im(f )).

3. Se define el núcleo de la aplicación lineal f como el conjunto de vectores de

V cuya imagen mediante f es 0W ,

Ker(f ) = {v ∈ V |f (v) = 0W }.

Se tiene que Ker(f ) es un subespacio vectorial de V y que Ker(f ) = f −1 (0W ).

Proposición 2.3.2. Sea f : V → W una aplicación lineal. Si V es un espacio

vectorial finitamente generado, se verifica que:

dim(Ker(f )) + dim(Im(f )) = dimV.

Proposición 2.3.3. Es condición necesaria y suficiente para que una aplicación

lineal f : V → W sea inyectiva que

Ker(f ) = {0V }.

Proposición 2.3.4. Sea f : V → W una aplicación lineal.

1. Si V es finitamente generado, entonces f es inyectiva si y sólo si dimV =

dim(f (V )).
 10

2. Sea B = {v1 , . . . , vn } una base de V , entonces f es inyectiva si y sólo si

f (B) = {f (v1 ), . . . , f (vn )} es una base de Im(f ) si y sólo si f (B) es lineal-
mente independiente.

Definición 2.3.5. Se llama isomorfismo a una aplicación f : V → W que es lineal

y biyectiva. En dicho caso, los espacios vectoriales V y W se dicen isomorfos.

Proposición 2.3.6. 1. Una aplicación lineal f : V → W es biyectiva si y sólo

si
Im(f ) = W y Ker(f ) = {0V }.

2. Un endomorfismo f : V → V es biyectivo si y sólo si f es inyectiva o so-

breyectiva.

Ejemplo 2.3.7. Sea h : R3 → R2 la aplicación lineal definida por h(x1 , x2 , x3 ) =

(2x1 + 2x2 − 3x3 , 3x1 + x2 − 2x3 ). Se obtienen a continuación las ecuaciones carte-
sianas de Ker(h) y una base de Im(h) en las bases canónicas B3 de R3 y B2 de
R2 .
La matriz asociada a h es
 
2 2 −3
Mh (B3 , B2 ) =  .
3 1 −2

Un vector (x1 , x2 , x3 ) de R3 pertenece a Ker(h) si verifica

   
 x  0
2 2 −3 1   
   x2  =  0 
  

3 1 −2    
x3 0

ó equivalentemente

 2x1 + 2x2 − 3x3 = 0
Ecuaciones cartesianas de Ker(h)
 3x + x − 2x = 0,
1 2 3
 11

Se tiene que Im(h) = hh(1, 0, 0), h(0, 1, 0), h(0, 0, 1)i = h(2, 3), (2, 1), (−3, −2)i =
h(2, 3), (2, 1)i. Por tanto {(2, 3), (2, 1)} es una base de Im(h).

Teorema 2.3.8. Supongamos que dimV = n, entonces V es isomorfo a K n .

Ejemplo 2.3.9. Sea V un espacio vectorial sobre R con dimV = 3. Sea B =

{u1 , u2 , u3 } una base de V y sea B3 = {e1 , e2 , e3 } la base canónica de R3 . La
aplicación lineal f : V → R3 que queda determinada por f (u1 ) = e1 , f (u2 ) = e2 y
f (u3 ) = e3 es un isomorfismo. Por lo tanto V y R3 son isomorfos.

2.4 Operaciones con aplicaciones lineales

Sean BV y BW bases de V y W respectivamente. Dadas dos aplicaciones lineales

f : V → W , g : V → W y un escalar λ ∈ K, definimos las aplicaciones lineales:

1. Suma f + g : V → W dada por (f + g)(v) = f (v) + g(v) para todo v ∈ V .

2. Producto por un escalar λf : V → W dada por (λf )(v) = λf (v) para todo
v ∈V.

Se verifica que

Mf +g (BV , BW ) = Mf (BV , BW ) + Mg (BV , BW ),

Mλf (BV , BW ) = λMf (BV , BW ).

Sea U un espacio vectorial sobre el cuerpo K y BU una base de U . Dadas

dos aplicaciones lineales f : V → W y g : W → U entonces la composición
g ◦ f : V → U es una aplicación lineal con matriz asociada

Mg◦f (BV , BU ) = Mg (BW , BU )Mf (BV , BW ).

Si V es finitamente generado, una aplicación lineal f : V → W es un isomorfismo

si y sólo si
dimV = dim(Im(f )) = dimW.
 12

Por tanto, si dimV = n la matriz Mf (BV , BW ) es cuadrada de tamaño n × n y

rango(Mf (BV , BW )) = rango(Im(f )) = dim(Im(f )) = n,

entonces Mf (BV , BW ) tiene determinante distinto de cero y por tanto es una matriz
invertible.
La aplicación inversa f −1 : W → V es también un isomorfismo cuya matriz
asociada es
Mf −1 (BW , BV ) = (Mf (BV , BW ))−1 .

Ejemplo 2.4.1. Se consideran las aplicaciones lineales f, g : R3 → R3 ,

f (x, y, z) = (4x − y, z + x, x), g(x, y, z) = (y, 2z + 3x, z).

Se obtienen a continuación las matrices asociadas a f − 2g, f ◦ g, g ◦ f respecto de

la base canónica B de R3 .
   
4 −1 0 0 1 0
   
   
Mf (B) =  1 0 1  , Mg (B) =  3 0 2 ,
   
1 0 0 0 0 1
 
4 −3 0
 
 
Mf −2g (B) = Mf (B) − 2Mg (B) =  −5 0 −3  ,
 
1 0 −2
 
−3 4 −2
 
 
Mf ◦g (B) = Mf (B)Mg (B) =  0 1 1  ,
 
0 1 0
 
1 0 1
 
 
Mg◦f (B) = Mg (B)Mf (B) =  14 −3 0  .
 
1 0 0
 13

Lo que demuestra que la composición de aplicaciones lineales en general no es con-

mutativa.
Además f y g son aplicaciones lineales invertibles ya que det(Mf (B)) 6= 0 y
det(Mg (B)) 6= 0. Las aplicaciones lineales inversas f −1 , g −1 : R3 → R3 tienen
matrices asociadas
   
0 0 1 0 0 −2/3
   
   
Mf −1 (B) =  −1 0 4  , Mg−1 (B) =  1 0 0 .
   
0 1 −1 0 0 1

2.5 Matriz de cambio de coordenadas

Supongamos que dimV = n. Sean B = {v1 , . . . , vn } y B 0 = {v10 , . . . , vn0 } bases de

V . Dado un vector v ∈ V , llamamos (x1 , . . . , xn )B a sus coordenadas en la base B
y (x01 , . . . , x0n )B 0 a sus coordenadas en la base B 0 .
Supongamos que las coordenadas de los vectores de la base B 0 en la base B son
conocidas, es decir

v10 = a11 v1 + a21 v2 + · · · + an1 vn ,

v20 = a12 v1 + a22 v2 + · · · + an2 vn ,

..
.

v10 = a1n v1 + a2n v2 + · · · + ann vn .

Entonces, se verifica que

    
 x1   a11 a12 . . . a1n   x01 
    
 x2   a21 a22 . . . a2n   x02 
    
 . = .. .. . . .  ..  .
 ..   . . . ..   . 
    
    
0
xn an1 an2 . . . ann xn
 14

La matriz (aij ) es la matriz de cambio de coordenadas de B 0 a B: la matriz

que por columnas tiene las coordenas de los vectores de la base B 0 en la base B. Se
denota por M (B 0 , B).
La matriz de cambio de coordenadas de B a B 0 denotada por M (B, B 0 ) verifica

M (B, B 0 ) = M (B 0 , B)−1

y ası́    −1  
 x01   a11 a12 . . . a1n   x1 
     
 x02   a21 a22 . . . a2n   x2 
     
 .. = .. .. . . ..   ..  .
 .   . . . .   . 
     
     
x0n an1 an2 . . . ann xn

Observación 2.5.1. La matriz M (B 0 , B) es la matriz asociada a un isomorfismo

de K n en K n .

Ejemplo 2.5.2. Sea B la base canónica de R3 y consideremos también la base B 0 =

{(1, 3, 0), (1, 0, 2), (0, 4, −2)} de R3 . Entonces, la matriz de cambio de coordenadas
de B 0 a B es  
1 1 0
 
0  
M (B , B) =  3 0 4 .
 
0 2 −2
Sea v un vector de coordenadas (1, 1, 2)B 0 , sus coordenadas en la base B son (2, 11, −2)B
y se obtienen como sigue:
    
2 1 1 0 1
    
    
 11  =  3 0 4  1 .
    
−2 0 2 −2 2

2.6 Matrices equivalentes y semejantes

Se supone que dimV = n y dimW = m.

 15

Proposición 2.6.1. Sea f : V → W una aplicación lineal. Dadas dos bases BV y

BV0 de V , y dos bases BW y BW
0
de W . Se tiene que

Mf (BV0 , BW
0 0
) = M (BW , BW )Mf (BV , BW )M (BV0 , BV ).

Definición 2.6.2. Dos matrices A, A0 ∈ Mm×n (K) son equivalentes si existen

matrices invertibles P ∈ Mn×n (K) y Q ∈ Mm×m (K) tales que

A0 = Q−1 AP.

Equivalentemente, A y A0 son matrices asociadas a la misma aplicación lineal f :

K n → K m en bases distintas.

Ejemplo 2.6.3. Sea f : R3 → R2 una aplicación lineal con matriz asociada en las
bases canónicas B3 de R3 y B2 de R2
 
3 0 −2
Mf (B3 , B2 ) =  .
−1 4 5

Se consideran las bases B30 = {(1, 3, 0), (1, 0, 2), (0, 4, −2)} de R3 y B20 = {(2, 1), (4, 3)}
de R2 . Se calcula a continuación Mf (B30 , B20 ).
Para ello se utiliza la proposición 2.6.1. Tenemos que

Mf (B30 , B20 ) = M (B2 , B20 )Mf (B3 , B2 )M (B30 , B3 ),

esto es
 
 −1   1 1 0
2 4 3 0 −2 
Mf (B30 , B20 ) =    
 3 0 4


1 3 −1 4 5  
0 2 −2
 
−35/2 −39/2 −6
= .
19/2 19/2 4
 16

Proposición 2.6.4. Sea f : V → V un endomorfismo. Dadas dos bases BV y BV0

de V . Se tiene que

Mf (BV0 ) = M (BV , BV0 )Mf (BV )M (BV0 , BV ).

Definición 2.6.5. Dos matrices A, A0 ∈ Mn×n (K) son semejantes si existe una
matriz invertible P ∈ Mn×n (K) tal que

A0 = P −1 AP.

Equivalentemente, A y A0 son matrices asociadas al mismo endomorfismo f : K n →

K n en bases distintas.

Ejemplo 2.6.6. Sea f : R3 → R3 un endomorfismo con matriz asociada en la base

canónica B de R3  
2 0 1
 
 
Mf (B) =  0 1 1 .
 
−1 1 3
Se considera la base B 0 = {(1, 1, 0), (1, 0, 1), (0, 1, 1)} de R3 . Se calcula a conti-
nuación Mf (B 0 ).
Para ello se utiliza la proposición 2.6.4. Se tiene que

Mf (B 0 ) = M (B 0 , B)−1 Mf (B)M (B 0 , B),

esto es
   
1/2 1/2 −1/2 2 0 1 1 1 0
   
0    
Mf (B ) =  1/2 −1/2 1/2   0 1 1  1 0 1 
   
−1/2 1/2 1/2 −1 1 3 0 1 1
 
3/2 1 −1/2
 
 
=  1/2 2 3/2  .
 
−1/2 0 5/2
 17

2.7 Interpretación vectorial de un sistema de ecua-

ciones lineales

Dado un sistema de ecuaciones lineales en las variables x1 , x2 , . . . , xn



 a11 x1 + a12 x2 + · · · + a1n xn = b1





 a21 x1 + a22 x2 + · · · + a2n xn = b2
 ..

 .




 am1 x1 + am2 x2 + · · · + amn xn = bm

donde m ≥ 1, aij , bi ∈ K, i = 1, . . . , m, j = 1, . . . , n cuya expresión matricial es

AX = b
     
 a11 a12 · · · a1n   x1   b1 
     
 a21 a22 · · · a2n   x2   b2 
     
A= . .. .. , X =  . , b =  ..  ,
 .. ...   ..  
 . .     . 

     
am1 am2 · · · amn xn bm

con A ∈ Mm×n (K) y b ∈ Mm×1 (K), una solución (s1 , . . . , sn ) del sistema verifica
       
 a11   a12   a1n   b1 
       
 a21   a22   a2n   b2 
       
s1  .  + s2  .  + · · · + sn  .  =  .  .
 ..   ..   ..   .. 
       
       
am1 am2 amn bm

Es decir (s1 , . . . , sn ) es combinación lineal de los vectores columna de la matriz de

coeficientes.
Sea f : K n → K m la aplicación lineal con matriz asociada A en las bases
canónicas de K n y K m . Se tiene que:

1. (b1 , . . . , bm ) ∈ Im(f ) ⇔ AX = b tiene solución.

 18

2. Sea S = (s1 , . . . , sn ) ∈ K n una solución particular de AX = b. El conjunto de

soluciones de AX = b es igual al conjunto de vectores originales de (b1 , . . . , bm )

f −1 (b1 , . . . , bm ) = S + Ker(f )

siendo Ker(f ) el conjunto de soluciones del sistema homogéneo AX = 0.

Ejemplo 2.7.1. Sea f : R4 → R2 la aplicación lineal cuya matriz asociada en las

bases canónicas de R4 y R2 es
 
2 0 −1 2
A= .
1 −3 2 1

Los vectores originales de v = (1, −1) ∈ R2 son los vectores del conjunto f −1 (v), es
decir, las soluciones de
 
x1 
 
   
2 0 −1 2  x  1
 

2 
= ,

1 −3 2 1  x3  −1
 
x4

esto es
(0, −1/3, −1, 0) + h(3, 5, 6, 0), (0, 5, 6, 3)i

siendo (0, −1/3, −1, 0) un vector de f −1 (v) y Ker(f ) = h(3, 5, 6, 0), (0, 5, 6, 3)i.
 19

Diagonalización

3.1 Motivación

La matriz cuadrada  
1 3 3
 
 
A =  −3 −5 −3 
 
3 3 1
es semejante a la matriz diagonal
 
1 0 0
 
 
D =  0 −2 0 
 
0 0 −2

ya que
 
1 −1 −1
 
−1  
D=P AP siendo P =  −1 1 0 .
 
1 0 1
Sea V un espacio vectorial sobre el cuerpo K. Si f : V → V es un endomor-
fismo cuya matriz asociada D en cierta base de V es diagonal, muchos problemas
relacionados con f se simplifican notablemente. Algunos ejemplos son: clasificar f ;
obtener sus subespacios invariantes; calcular f n , n ∈ N. Dada una matriz cuadrada
 20

A (que es la matriz asociada a un endomorfismo) en este capı́tulo se estudia cómo

obtener una matriz semejante D que sea diagonal.

3.2 Valores y vectores propios de un endomor-

fismo

Sea V un espacio vectorial no nulo sobre el cuerpo K y f : V → V un endomorfismo.

Definición 3.2.1. Se dice que un escalar λ ∈ K es un valor propio ( autovalor)

de f si existe un vector v ∈ V no nulo tal que

f (v) = λv.

Definición 3.2.2. Si λ es un valor propio de f , un vector v ∈ V que verifica

f (v) = λv se llama vector propio ( autovector) de f asociado a λ.

Ejemplo 3.2.3. Sea f : R3 → R3 el endomorfismo definido por

f (x, y, z) = (x + 3y + 3z, −3x − 5y − 3z, 3x + 3y + z).

Entonces, λ = −2 es valor propio de f ya que existe un vector no nulo v = (−1, 1, 0)

tal que f (v) = −2v. Por tanto v es un vector propio de f asociado a λ = −2.

Proposición 3.2.4. El conjunto de todos los vectores propios de f asociados a un

mismo valor propio λ de f

Vλ = {v ∈ V | f (v) = λv}

es un subespacio vectorial de V que recibe el nombre de subespacio propio de f

asociado a λ.

Sea id : V → V la aplicación identidad en V .

 21

Observaciones 3.2.5. 1. Vλ = Ker(f − λid).

2. λ ∈ K es valor propio de f ⇔ el endomorfismo f − λid no es inyectivo.

3. En particular, λ = 0 es valor propio de f ⇔ f no es inyectiva ⇔ Ker(f ) =

V0 6= {0V }.

4. Existen endomorfismos que no tienen valores propios y por tanto tampoco

tienen vectores propios (véase el ejemplo 3.2.6).

Ejemplo 3.2.6. Veamos que el endomorfismo f : R2 → R2 definido por f (x, y) =

(−y, x) no tiene valores propios reales. Si λ ∈ R fuese un valor propio tendrı́amos
f (x, y) = λ(x, y) = (−y, x) para algún (x, y) 6= (0, 0), y ası́ λx = −y, λy = x de
donde (λ2 + 1)y = 0, lo que sólo es posible si λ2 = −1, por lo tanto λ no es valor
propio.

Proposición 3.2.7. Sean λ1 , . . . , λp valores propios distintos del endomorfismo f .

1. Sea vi es un vector propio no nulo de f asociado a λi , i = 1, . . . , p entonces

{v1 , . . . , vp } es linealmente independiente.

2. Vλ1 + · · · + Vλp es suma directa.

Observación 3.2.8. Si dimV = n el endomorfismo f no puede tener más de n

valores propios distintos ya que en caso contrario tendrı́a más de n vectores propios
linealmente independientes.

3.3 Valores y vectores propios de una matriz

cuadrada

Sea A una matriz cuadrada n × n cuyos elementos pertenecen a K, es decir A ∈

Mn×n (K).
 22

Definición 3.3.1. Se dice que un escalar λ ∈ K es un valor propio ( autovalor)

de A si existe un vector columna X ∈ Mn×1 (K) no nulo tal que

AX = λX.

Definición 3.3.2. Si λ es un valor propio de A, un vector columna X ∈ Mn×1 (K)

que verifica AX = λX se llama vector propio ( autovector) de A asociado a λ.

Sea In la matriz identidad de tamaño n × n.

Observaciones 3.3.3. Supongamos que dimV = n y sea B una base de V . Sea

f : V → V el endomorfismo cuya matriz asociada en la base B es A. Se tiene que:

1. λ es un valor propio de f ⇔ λ es un valor propio de A ⇔ det(A − λIn ) = 0.

2. Sea v ∈ V con vector columna de coordenadas X en la base B, es decir X ∈

Mn×1 (K). Entonces, v es vector propio de f ⇔ X es vector propio de A ⇔
(A − λIn )X = 0.

3. dimVλ = n − rango(A − λIn ).

Ejemplo 3.3.4. Sea f : R3 → R3 el endomorfismo definido por

f (x, y, z) = (3x, x + 2y, 4x + 2z).

Sea B la base canónica de R3 . La matriz asociada a f en la base B es

 
3 0 0
 
 
A = Mf (B) =  1 2 0 .
 
4 0 2

Como rango(A − 3I3 ) = 2 el sistema (A − 3I3 )X = 0, es decir

    
3−3 0 0 x1 0
    
    
 1 2−3 0   x2  =  0 
    
4 0 2−3 x3 0
 23

tiene solución no nula. Por tanto, λ = 3 es valor propio de f y A. El subespacio

propio de V3 tiene dimV3 = 1 y ecuaciones cartesianas

 x1 + x2 = 0
Ecuaciones cartesianas de V3 .
 4x − x = 0
1 3

Ası́ V3 = {(a, a, 4a) | a ∈ R}.

Por otra parte, rango(A − 2I3 ) = 1, es decir λ = 2 es un valor propio de f y A,
dimV2 = 2. Resolviendo (A − 2I3 )X = 0, es decir
    
3−2 0 0 x1 0
    
    
 1 2−2 0   x2  =  0 
    
4 0 2−2 x3 0

se tiene que V2 = {(0, a, b) | a, b ∈ R} y que la ecuación cartesiana de V2 es x1 = 0.

3.4 Polinomio caracterı́stico

Definición 3.4.1. Sea A ∈ Mn×n (K). El polinomio caracterı́stico de A es

det(A − λIn ) y su ecuación caracterı́stica es

det(A − λIn ) = 0.

Proposición 3.4.2. Sean A y A0 matrices en Mn×n (K). Si A y A0 son semejantes

entonces tienen el mismo polinomio caracterı́stico.

Sea V un espacio vectorial no nulo sobre el cuerpo K y f : V → V un endomor-

fismo.

Observaciones 3.4.3. 1. De la proposición 3.4.2 se tiene que todas las matri-

ces asocidas a f en las distintas bases de V tienen el mismo polinomio carac-
terı́stico.
 24

2. El recı́proco de la proposición 3.4.2 no es cierto. Véase el ejemplo 3.4.5,(2).

Definición 3.4.4. Se llama polinomio caracterı́stico de f al polinomio caracterı́stico

de cualquiera de sus matrices asociadas. Análogamente sucede con la ecuación ca-
racterı́stica.

Ejemplos 3.4.5. 1. Calculemos el polinomio caracterı́stico del endomorfismo f

de R5 definido por

f (x1 , x2 , x3 , x4 , x5 ) = (−x2 , x1 + x3 , 2x3 − x4 , 2x4 + 6x5 , 3x5 ).

Sea B la base canónica de R5 y A = Mf (B), entonces

¯ ¯
¯ ¯
¯ 0 − λ −1 0 0 0 ¯¯
¯
¯ ¯
¯ 1 0 − λ 1 0 0 ¯
¯ ¯
¯ ¯
¯
det(A − λI5 ) = ¯ 0 0 2 − λ −1 0 ¯¯ =
¯ ¯
¯ ¯
¯ 0 0 0 2 − λ 6 ¯
¯ ¯
¯ ¯
¯ 0 0 0 0 3−λ ¯
¯ ¯
¯ ¯
¯ 0 − λ −1 ¯
2¯
=(3 − λ)(2 − λ) ¯ ¯ = (3 − λ)(2 − λ)2 (λ2 + 1).
¯
¯ 1 0−λ ¯

2. Las siguientes matrices tienen el mismo polinomio caracterı́stico (2 − λ)4 pero

no son semejantes:
   
 2 1 0 0   2 1 0 0 
   
 0 2 1 0   0 2 0 0 
   
 ,  .
 0 0 2 0   0 0 2 1 
   
   
0 0 0 2 0 0 0 2

3.5 Multiplicidad de un valor propio

Sea V un espacio vectorial no nulo sobre el cuerpo K y f : V → V un endomorfismo.

Sea A ∈ Mn×n (K).
 25

Definición 3.5.1. Sea λ un valor propio de f (o A). Se llama multiplicidad de

λ a su multiplicidad como raiz de la ecuación caracterı́stica de f (o A).

Teorema 3.5.2. Sea λ un valor propio de f (o A) con multiplicidad m. Entonces

1 ≤ dimVλ ≤ m.

Observaciones 3.5.3. 1. Sea λ un valor propio de f (o A) con multiplicidad

m. Si m = 1 entonces dimVλ = 1

2. Si A, A0 ∈ Mn×n (K) son matrices semejantes entonces tienen los mismos

valores propios, con las mismas multiplicidades y las mismas dimensiones de
sus subespacios propios.

Proposición 3.5.4. Supongamos que dimV = n. Sean λ1 , . . . λp los valores propios

distintos de f (o A), m1 , . . . , mp sus multiplicidades y d1 , . . . , dp las dimensiones de
los subespacios propios correspondientes. Entonces el número máximo de vectores
propios linealmente independientes de f (o A) es d1 + · · · + dp . Además,

p ≤ d1 + · · · + dp ≤ m1 + · · · + mp ≤ n.

Observaciones 3.5.5. Con la notación de la proposición 3.5.4.

1. Si K = C entonces m1 + · · · + mp = n. Todas las raices del polinomio carac-

terı́stico pertenecen a K.

2. Si K = R, el polinomio caracterı́stico puede que no tenga todas sus raices

reales en cuyo caso m1 + · · · + mp < n. Aun más, podrı́a carecer de raices
reales y en dicho caso no tendrı́a valores propios.
 26

Ejemplo 3.5.6. Obtenemos a continuación los valores propios de la matriz A junto

con sus multiplicidades y las dimensiones de los subespacios propios,
 
1 2 10
 
 
A= 2 1 10  .
 
−1 −1 −6

El polinomio caracterı́stico es det(A − λI3 ) = λ3 + 4λ2 + 5λ + 2 = (λ + 2)(λ + 1)2 .

Por tanto tenemos valores propios λ1 = −2 con multiplicidad m1 = 1 y λ2 = −1
con multiplicidad m2 = 2. Las dimensiones son

d1 = dimVλ1 = 3 − rango(A − λ1 I3 ) = 1,

d2 = dimVλ2 = 3 − rango(A − λ2 I3 ) = 2.

3.6 Diagonalización de endomorfismos y matrices

cuadradas

Sea V un espacio vectorial no nulo sobre el cuerpo K y f : V → V un endomorfismo.

Sea A ∈ Mn×n (K).

Definición 3.6.1. Se dice que f es diagonalizable si existe una base B 0 de V en

la que la matriz asociada a f , Mf (B 0 ) es diagonal. Ası́, diagonalizar f significa
hallar la base B 0 .

Definición 3.6.2. Se dice que A es diagonalizable si existe una matriz diagonal

D semejante a A. Esto es, si existe D y una matriz invertible P ∈ Mn×n (K) tal
que D = P −1 AP . Ası́, diagonalizar A significa hallar D y P .

Observaciones 3.6.3. 1. Supongamos que A es la matriz asociada a f en cierta

base B. Entonces:

f es diagonalizable ⇔ A es diagonalizable.
 27

2. Si D = P −1 AP es la diagonalización de A entonces

(a) D = Mf (B 0 ) es la matriz asociada a f en cierta base B 0 de V formada

por vectores propios.

(b) P = M (B 0 , B) es la matriz de cambio de coordenadas de B 0 a B.

Proposición 3.6.4. Un endomorfismo f es diagonalizable si y sólo si existe una

base de V formada por vectores propios de f

Teorema 3.6.5. Supongamos que dimV = n. Sean λ1 , . . . , λp los valores propios

distintos de f (o A), m1 , . . . , mp sus multiplicidades y d1 , . . . , dp las dimensiones de
los subespacios propios correspondientes. Las condiciones necesarias y suficientes
para que exista una base de V formada por vectores propios son:

1. El polinomio caracterı́stico de f tiene todas sus raices λ1 , . . . , λp en K, es decir

m1 + . . . + mp = n.

2. La multiplicidad de cada valor propio es igual a la dimensión de su subespacio

propio, esto es
mi = di , i = 1, . . . , p.

Corolario 3.6.6. Supongamos que f es diagonalizable. Sean λ1 , . . . , λp los valores

propios de f con multiplicidades m1 , . . . , mp respectivamente. Sea Bi una base del
subespacio propio Vλi que tiene mi = di elementos, i = 1, . . . , p. Entonces:

1. B 0 = B1 ∪ · · · ∪ Bp es una base de V formada por vectores propios de f .

2. La matriz asociada a f en la base B 0 es diagonal y su diagonal principal es

λ1 , .m.1., λ1 , λ2 , .m.2., λ2 , . . . , λp , .m.p., λp

 28

Ejemplo 3.6.7. 1. Sea f : R3 → R3 el endomorfismo definido por

f (x, y, z) = (x + 2y + 10z, 2x + y + 10z, −x − y − 6z)

cuya matriz asociada en la base canónica B de R3 es la matriz A del ejemplo

3.5.6 cuyos valores propios son λ1 = −2 y λ2 = −1. Una base de Vλ1 es
Bλ1 = {(−2, −2, 1)} y de Vλ2 es Bλ2 = {(−5, 0, 1), (−1, 1, 0)}. Por tanto una
base de R3 formada por vectores propios de f es

B 0 = Bλ1 ∪ Bλ2 = {(−2, −2, 1), (−5, 0, 1), (−1, 1, 0)}.

Además,
 
−2 0 0
 
 
D = P −1 AP = Mf (B 0 ) =  0 −1 0 
 
0 0 −1
siendo  
−2 −5 −1
 
 
P =  −2 0 1 .
 
1 1 0

2. El endomorfismo f del ejemplo 3.4.5,(1) no es diagonalizable ya que su poli-

nomio caracterı́stico tiene raices que no son reales.
 29

Ejercicios Resueltos

1. Sea h : R3 → R3 la aplicación lineal definida por

h(a, b, c) = (a + b − c, 3a + 2b − 2c, 8a − b).

Hallar la matriz asociada a h en la base de R3 , B = {(1, 1, 1), (0, 1, 1), (0, 0, 1)}.

Solución

Calculamos la imagen de los vectores de la base B,

h(1, 1, 1) =(1, 3, 7),

h(0, 1, 1) =(0, 0, −1),

h(0, 0, 1) =(−1, −2, −1).

Obtenemos las coordenadas de dichas imágenes en la base B,

(1, 3, 7) = α1 (1, 1, 1) + α2 (0, 1, 1) + α3 (0, 0, 1)

de donde 

 α =1

 1
α1 + α2 = 3




α1 + α2 + α3 = 7.
 30

Ası́ las coordenadas de h(1, 1, 1) en la base B son (1, 2, 4)B . Análogamente

obtenemos que las coordenadas de h(0, 1, 1) en la base B son (0, 0, −1)B y las
coordenadas de h(0, 0, 1) en la base B son (0, 1, −1)B . Por tanto
 
1 0 0
 
 
Mh (B) =  2 0 1 .
 
4 −1 −1

2. Dadas las bases de R3

B1 = {(1, 0, 1), (0, 1, 1), (1, 1, 0)}, B2 = {(1, 2, 1), (1, 1, 1), (0, 0, 1)}.

Se pide:

i) Hallar la matriz de cambio de coordenadas de B1 a B2 .

ii) Hallar la matriz de cambio de coordenadas de B2 a B1 .

Solución

Para obtener la matriz de cambio de coordenadas de B1 a B2 calculamos las

coordenadas de los vectores de la base B1 en la base B2 . Las coordenadas de
(1, 1, 1) son (α1 , α2 , α3 ) ∈ R3 que verifican

(1, 0, 1) = α1 (1, 2, 1) + α2 (1, 1, 1) + α3 (0, 0, 1)}.

Resolviendo el sistema de ecuaciones lineales



 α + α2 = 1

 1
2α1 + α2 = 0




α1 + α2 + α3 = 1
se obtiene: (α1 , α2 , α3 ) = (−1, 2, 0)B2 .

Resolviendo 

 α + α2 = 0

 1
2α1 + α2 = 1




α1 + α2 + α3 = 1
 31

obtenemos las coordenadas (1, −1, 1)B2 de (0, 1, 1).

Resolviendo 

 α + α2 = 1

 1
2α1 + α2 = 1




α1 + α2 + α3 = 0
obtenemos las coordenadas (0, 1, −1)B2 de (0, 1, 1).

La matriz de cambio de coordenadas de B1 a B2 es

 
−1 1 0
 
 
M (B1 , B2 ) =  2 −1 1 .
 
0 1 −1

La matriz de cambio de coordenadas de B2 a B1 es

 
0 1/2 1/2
 
 
M (B2 , B1 ) = M (B1 , B2 )−1 =  1 1/2 1/2 .
 
1 1/2 −1/2

3. Sea h : M2×2 (R) → M2×3 (R) definida por

   
a b a+b d b+c
h = .
c d 2c a+c b+d

Hallar la matriz asociada a h es las siguientes bases de M2×2 (R) y M2×3 (R):

       
 1 1 0 1 0 0 1 0 
0
BM =  , , , 
2×2
 0 0 1 0 1 1 0 0 
       
 1 1 0 0 1 1 0 0 1 0 0 0
0
BM =  , , , ,
2×3
 0 0 0 0 0 0 1 0 0 1 1 0
   
0 0 0 1 0 0 
 , 
0 1 1 0 0 0 
 32

Solución

La matriz asociada a h en las bases canónicas BM2×2 de M2×2 (R) y BM2×3 de

M2×3 (R) es  
1 1 0 0
 
 
 0 0 0 1 
 
 
 0 1 1 0 
 
Mf (BM2×2 , BM2×3 ) =  .
 0 0 2 0 
 
 
 
 1 0 1 0 
 
0 1 0 1
Utilizando la relación de equivalencia

0 0 0
Mf (BM 2×2
, BM 2×3
) = M (BM 2×2
, BM2×2 )−1 Mf (BM2×2 , BM2×3 )M (BM
0
2×3
, BM2×3 )

siendo  
 1 0 0 1 
 
 1 1 0 0 
0  
M (BM2×2 , BM2×2 ) =  
 0 1 1 
0 

 
0 0 1 0
y  
1 0 0 0 0 1
 
 
 1 1 0 0 0 0 
 
 
 0 1 1 0 0 0 
0  
M (BM2×3 , BM2×3 ) =  ,
 0 0 1 1 0 0 
 
 
 
 0 0 0 1 1 0 
 
0 0 0 0 1 0
 33

se tiene que
 
−1 0 2 −1
 
 
 1 0 −1 1 
 
 
 0 2 2 −1 
0 0  
Mf (BM2×2 , BM2×3 ) =  .
 0 0 0 1 
 
 
 
 1 1 1 0 
 
3 1 −2 2

4. Dado m ∈ R, sea hm : R3 → R3 un endomorfismo cuya expresión matricial en

la base canónica B de R3 es
    
y 1 m 1 x
 1    1 
    
 y2  =  2m 2 1   x2  .
    
y3 1 1 2m x3

(a) Calcular los valores de m para los cuales hm es automorfismo (endomor-

fismo biyectivo).

(b) Para aquellos valores de m para los cuales hm no sea automorfismo deter-
minar las ecuaciones paramétricas de Ker(hm ) y la dimensión de Im(hm ).

Solución

(a) La proposición 2.3.6,(2) nos permite afirmar que hm es biyectiva si y sólo

si hm es sobreyectiva si y sólo si

dim(Im(hm )) = dimR3 = rango(Mhm (B)).

Para que rango(Mhm (B)) = 3 el determinante de Mhm (B) tiene que ser
no nulo.
¯ ¯
¯ ¯
¯ 1 m 1 ¯
¯ ¯
¯ ¯
¯ 2m 2 1 ¯ = 7m − 3 − 4m3 = −(m − 1)(2m + 3)(2m − 1).
¯ ¯
¯ ¯
¯ 1 1 2m ¯
 34

Por tanto hm es automorfismo para m distinto de 1, −3/2 y 1/2.

(b) Sea m = 1, para obtener las ecuaciones paramétricas del núcleo resolve-
mos la ecuación matricial
    
1 1 1 x1 0
    
    
 2 2 1   x2  =  0  .
    
1 1 2 x3 0

Ecuaciones paramétricas de Ker(h1 ) : (x1 , x2 , x3 ) = (−a, a, 0).

Por tanto dim(Ker(h1 )) = 1 y

dim(Im(h1 )) = dimR3 − dim(Ker(h1 )) = 3 − 1 = 2.

Sea m = −3/2, para obtener las ecuaciones paramétricas del núcleo re-
solvemos la ecuación matricial
    
1 −3/2 1 x 0
  1   
    
 −3 2 1   x2  =  0  .
    
1 1 −3 x3 0

Ecuaciones paramétricas de Ker(h−3/2 ) : (x1 , x2 , x3 ) = (a, 8a/7, 5a/7).

Por tanto dim(Ker(h−3/2 )) = 1 y

dim(Im(h−3/2 )) = dimR3 − dim(Ker(h−3/2 )) = 3 − 1 = 2.

Sea m = 1/2, para obtener las ecuaciones paramétricas del núcleo re-
solvemos la ecuación matricial
    
1 1/2 1 x1 0
    
    
 1 2 1   x2  =  0 .
    
1 1 1 x3 0

Ecuaciones paramétricas de Ker(h1/2 ) : (x1 , x2 , x3 ) = (−a, 0, a).

 35

Ası́ dim(Ker(h1/2 )) = 1 y

dim(Im(h1/2 )) = dimR3 − dim(Ker(h1/2 )) = 3 − 1 = 2.

5. Calcular los valores de a ∈ R para que el vector w = (1, a, −a, 0) pertenezca

a la imagen de la aplicación lineal h : R3 → R4 que tiene por matriz asociada
respecto a las bases canónicas
 
 2 2 2 
 
 0 2 0 
 
A= .
 −1 1 0 
 
 
1 −1 −1

Para los valores de a obtenidos, calcular el conjunto de los vectores originales

de w.

Solución

El rango de A es tres y por tanto los vectores columna de A son una base de
Im(h). Para que w pertenezca a Im(h) el sistema con expresión matricial
   
 2 2 2  
 1 
  x1  
 0 2 0    a 
    
   x2  =  
 −1 1 
0     
  −a 
  x3  
1 −1 −1 0

debe ser compatible. Para ello el rango de la matriz ampliada ha de ser 3, es

decir ¯ ¯
¯ ¯
¯ 2 2 2 1 ¯
¯ ¯
¯ ¯
¯ 0 2 0 a ¯
¯ ¯
¯ ¯ = −12a + 2 = 0.
¯ −1 1 0 −a ¯
¯ ¯
¯ ¯
¯ ¯
¯ 1 −1 −1 0 ¯
 36

Podemos concluir que si a = 1/6 entonces w ∈ Im(h). El conjunto de vectores

originales de w es el conjunto de soluciones de la ecuación matricial anterior
y es igual a
1 1 1
h−1 (w) = {( , , )}.
4 12 6

6. Probar que λ ∈ K es valor propio de A ∈ Mn×n (K) si y sólo si λ − m ∈ K es

valor propio de A − mIn .

Solución

λ ∈ K es valor propio de A ∈ Mn×n (K) ⇔ existe un vector columna X ∈

Mn×1 (K) no nulo tal que AX = λX ⇔ existe un vector columna X ∈
Mn×1 (K) no nulo tal que (A − mIn )X = AX − mX = λX − mX = (λ − m)X
⇔ λ − m ∈ K es valor propio de A − mIn .

7. Probar que si λ ∈ K es valor propio de A ∈ Mn×n (K), entonces λm es valor

propio de Am .

Solución

λ ∈ K es valor propio de A ∈ Mn×n (K) ⇔ existe un vector columna X ∈

Mn×1 (K) no nulo tal que AX = λX ⇒ existe un vector columna X ∈
Mn×1 (K) no nulo tal que

Am X = Am−1 AX = Am−1 λX = λAm−2 AX = λ2 Am−3 AX = · · · =

= λm−1 AX = λm X

⇒ λm es valor propio de Am .

8. Sea V un espacio vectorial sobre el cuerpo K y f : V → V un endomorfismo.

Sean λ1 y λ2 valores propios de f distintos. Probar que Vλ1 ∩ Vλ2 = {0V }.

Solución
 37

Sea v ∈ Vλ1 ∩ Vλ2 . Entonces f (v) = λ1 v = λ2 v y por tanto (λ1 − λ2 )v = 0V .

Como λ1 6= λ2 se tiene que v = 0V .

9. Sea f : R4 −→ R4 un endomorfismo definido por

f (x1 , x2 , x3 , x4 ) = (x1 + ax2 , ax2 , ax3 + x4 , −x3 − ax4 ), a ∈ R.

¿Es f diagonalizable para algún valor de a?

Solución

La matriz asociada a f en la base canónica de R4 es

 
 1 a 0 0 
 
 0 a 0 0 
 
A= ,
 0 0 a 1 
 
 
0 0 −1 −a

y su polinomio caracterı́stico es

det(A − λI4 ) = (λ − 1)(λ − a)(λ2 − a2 + 1).

√ √
Los valores propios de f son 1,a, a2 − 1 y − a2 − 1. Para que todos los
valores propios de f sean reales es necesario que a2 − 1 ≥ 0, es decir | a |≥ 1.

Se estudia a continuación para qué valores de a las multiplicidades de los

valores propios y las dimensiones de sus respectivos subespacios propios coin-
√
ciden. Si | a |≥ 1 y a ∈
/ {±1, ± 2} tenemos cuatro valores propios distintos y
√
por tanto f es diagonalizable. Veamos qué sucede cuando a ∈ {±1, ± 2}.

Si a = 1, los valores propios son λ1 = 0 con multiplicidad m1 = 2 y λ2 = 1

con multiplicidad m2 = 2. Además,

d1 = dimVλ1 = 4 − rango(A − λ1 I4 ) = 4 − 3 = 1
 38

siendo  
 1 1 0 0 
 
 0 1 0 0 
 
A − λ1 I4 =  .
 0 0 1 1 
 
 
0 0 −1 −1
Por tanto d1 6= m1 y f no es diagonalizable para a = 1. Análogamente
se demuestra que f no es diagonalizable para a = −1 ya que tiene valores
propios λ1 = 0 con multiplicidad m1 = 2, λ2 = 1 con multiplicidad m2 = 1 y
λ3 = −1 con multiplicidad m3 = 1, pero d1 = 1 6= m1 .
√ √
Si a = 2, los valores propios son λ1 = 1 con multiplicidad m1 = 2, λ2 = 2
con multiplicidad m2 = 1 y λ3 = −1 con multiplicidad m3 = 1. Además,

d1 = dimVλ1 = 4 − rango(A − λ1 I4 ) = 4 − 2 = 2

siendo  
√
 0 2 0 0 
 √ 
 0 2−1 0 0 
 
A − λ1 I4 =  √ .
 0 0 2−1 1 
 
 √ 
0 0 −1 − 2−1
Por tanto d1 = m1 = 2, d2 = m2 = 1 y d3 = m3 = 1. En efecto, f es diago-
√
nalizable para a = 2. Análogamente se demuestra que f es diagonalizable
√
para a = − 2.

Podemos concluir que f es diagonalizable cuando a verifica | a |> 1.

10. Sea h : R3 → R3 un endomorfismo tal que

Ker(h) = {(x, y, z) ∈ R3 | x − y + z = 0}

y h(1, 1, 1) = (0, 3, 1). Hallar los valores propios de h. ¿Es h un endomorfismo

diagonalizable? En caso afirmativo, hallar una base de cada subespacio propio.
 39

Solución

Una base de Ker(h) es {(1, 1, 0), (−1, 0, 1)} y como

¯ ¯
¯ ¯
¯ 1 1 0 ¯
¯ ¯
¯ ¯
¯ −1 0 1 ¯ 6= 0
¯ ¯
¯ ¯
¯ 1 1 1 ¯

tenemos la base B 0 = {(1, 1, 0), (−1, 0, 1), (1, 1, 1)} de R3 . Las coordenadas de
h(1, 1, 1) en la base B 0 son (5, 3, −2)B 0 y ası́
 
0 0 5
 
 
Mh (B 0 ) =  0 0 3 .
 
0 0 −2

Los valores propios de h son λ1 = 0 con multiplicidad m1 = 2 y λ2 = −2 con

multiplicidad m2 = 1.

El subespacio propio asociado al valor propio λ1 = 0 es Ker(h), que tiene

dimensión d1 = 2 y ası́ d1 = m1 . Como m2 = 1, se tiene además que d2 = m2 .
Concluimos que h es diagonalizable.

Conocemos una base de Vλ1 = Ker(h), obtenemos a continuación una base de

Vλ2 . El subespacio propio asociado a λ2 = −2 tiene por ecuaciones cartesianas
en la base B 0 
 2y1 + 5y3 = 0
.
 2y + 3y = 0
2 3

Las ecuaciones paramétricas de Vλ2 en la base B 0 son

(y1 , y2 , y3 ) = (5a, 3a, −2a), ∀a ∈ R.

El vector v = (0, 3, 1) tiene coordenadas (5, 3, −2)B 0 y por tanto {v} es una
base de Vλ2 .
 40

11. Sea h : R3 → R3 un endomorfismo con matriz asociada A = Mh (B) en la base

canónica B de R3 . Sea f : R3 → R3 un endomorfismo con Mf (B) = A − I3 .
Se sabe que:

(a) Una base del núcleo de f está formada por los vectores u = (1, 1, 0) y
v = (1, 0, 1).

(b) h(0, 2, 1) = (1, 1, 0).

Determinar los valores propios de h y una base de cada subespacio propio de

h.

Solución

Obsérvese que f = h − idR3 . Como

¯ ¯
¯ ¯
¯ 1 1 0 ¯
¯ ¯
¯ ¯
¯ 1 0 1 ¯=6 0,
¯ ¯
¯ ¯
¯ 0 2 1 ¯

tenemos una base B 0 = {(1, 1, 0), (1, 0, 1), (0, 2, 1)} de R3 .

Por otra parte

f (0, 2, 1) = h(0, 2, 1) − idR3 (0, 2, 1) = (1, 1, 0) − (0, 2, 1) = (1, −1, −1)

cuyas coordenadas son (1, 0, −1)B 0 en la base B 0 . Por tanto

 
0 0 1
 
0  
Mf (B ) =  0 0 0 
 
0 0 −1

cuyo polinomio caracterı́stico es λ2 (−1 − λ). Ası́, los valores propios de f son
µ1 = 0 con multiplicidad m1 = 2 y µ2 = −1 con multiplicidad m2 = 1. El
ejercicio 6 nos permite afirmar que los valores propios de h = f + idR3 son
 41

λ1 = µ1 + 1 = 1 con multiplicidad m1 = 2 y λ2 = µ2 + 1 = 0 con multiplicidad

m2 = 1.

Además, tenemos que Vµi = Vλi , i = 1, 2 ya que

Vµi = {v ∈ R3 | f (v) = µi v} = {v ∈ R3 | (f +idR3 )(v) = (µi +1)v = λi v} = Vλi .

Como Vµ1 = Ker(h) la base de Vλ1 es BVλ1 = {u, v}.

Las coordenadas (y1 , y2 , y3 ) de los vectores de Vµ2 en la base B 0 verifican

    
1 0 1 y 0
  1   
    
 0 1 0   y2  =  0 .
    
0 0 0 y3 0

Las ecuaciones cartesianas de Vµ2 son y1 = 0 y y2 = 0 y ası́ una base de

Vµ2 es BVλ2 = {w} siendo w el vector de coordenadas (0, 0, 1)B 0 por tanto
w = (0, 2, 1).

12. Se considera el endomorfismo ha : V → V cuya matriz asociada en la base B de

 
a 1 1
 
 
V es A =  1 a 1  . Estudiar para qué valores de a ∈ R el endomorfismo
 
1 1 a
ha es diagonalizable.

Solución

El polinomio caracterı́stico de ha es det(A − λI3 ) = λ3 − 3λ2 a + 3λa2 − 3λ −

a3 + 3a − 2 y las soluciones de la ecuación caracterı́stica son λ1 = a + 2 con
multiplicidad m1 = 1 y λ2 = a − 1 con multiplicidad m2 = 2. Como
 
−2 1 1
 
 
rango(A − (a + 2)I3 ) = rango  1 −2 1 =2
 
1 1 −2
 42

y
 
1 1 1
 
 
rango(A − (a − 1)I3 ) = rango  1 1 1 =1
 
1 1 1
se tiene que d1 = 3 − 2 = 1 y d2 = 3 − 1 = 2. Por tanto ha es diagonalizable
para todo valor de a.
 43

Bibliografı́a

[1] J. de Burgos, Álgebra Lineal y Geometrı́a Cartesiana. McGraw-Hill, 1999.

[2] M. Castellet, I. Llerena, Álgebra Lineal y Geometrı́a. Ed. Reverté, 1994.

[3] D.C. Lay, Linear Algebra and Its Applications, 3a edición. Addison Wesley,
2003.

[4] J.L. Pinilla, Lecciones de Álgebra Lineal. Varicop, 1970.