Tema 4 Algebra

Aplicaciones Lineales
Diagonalización de endomorfismos
Tema 4: Aplicaciones lineales
Pablo Cordero, Ángel Mora
Departamento de Matemática Aplicada

E.T.S. de Ingenierı́a de Telecomunicación
Universidad de Málaga
P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Aplicaciones lineales. Definición y propiedades
Núcleo e Imagen
Aplicaciones Lineales Aplicaciones Lineales y Matrices
Diagonalización de endomorfismos Espacios vectoriales isomorfos
Operaciones con aplicaciones lineales
Cambio de base
Resumen
1 Aplicaciones Lineales
Núcleo e Imagen
Aplicaciones Lineales y Matrices
Espacios vectoriales isomorfos
Cambio de base
2 Diagonalización de endomorfismos
Aplicaciones de la diagonalización

Núcleo e Imagen
Cambio de base
Aplicaciones lineales
Definición
Sean V y E dos espacios vectoriales sobre el mismo cuerpo K y f : V → E una
aplicación. Decimos que f es una aplicación lineal si
f (x + y) = f (x) + f (y) y f (λx) = λf (x), para todo λ ∈ K, x, y ∈ V .
o, equivalentemente, si
f (λx + µy) = λf (x) + µf (y), para todo λ, µ ∈ K y todo x, y ∈ V .
Ejercicio
Estudiar si las siguientes funciones son aplicaciones lineales:
1 f : R2 → R3 con f (x, y ) = (x − y , 0, 2x + 5y ).
2 g : R2 → R3 con g (x, y ) = (x − y + 1, 0, 2x + 5y ).
3 h : P3 (R) → P3 (R) con h(a0 + a1 x + a2 x 2 + a3 x 3 ) = a1 x + 2a2 x 2 + 3a3 x 3 .

Núcleo e Imagen
Cambio de base
Aplicaciones lineales
Proposición
Sea f : V → E una aplicación lineal.
1 f (0) = 0
2 Para todo x ∈ V se satisface f (−x) = −f (x)
3 Si U = h{x1 , . . . , xn }i ⊆ V entonces f (U) = h{f (x1 ), . . . , f (xn )}i ⊆ E .

Núcleo e Imagen
Cambio de base
Resumen
Núcleo e Imagen
Cambio de base

Núcleo e Imagen
Cambio de base
Núcleo e imagen de una aplicación lineal

Definición
Sea f : V → E una aplicación lineal. Definimos el núcleo de f como
Ker(f ) = f −1 ({0}) = {x ∈ V | f (x) = 0}
y la imagen de f com el conjunto de vectores de E que son imágenes bajo f de

vectores de V , es decir,
Im(f ) = f (V ) = {f (v) ∈ E | v ∈ V }
Teorema
Dada una aplicación lineal f : V → E , se tiene que:
1 Ker(f ) es un subespacio vectorial de V .
2 Im(f ) es un subespacio vectorial de E .

Núcleo e Imagen
Cambio de base
Nucleo e imagen
Ejemplo
Dada la aplicación lineal f : R3 → R2 con f (x, y , z) = (x + 2y + z, x − z) tenemos que:
Ker(f ) = {(x, y , z) ∈ R3 | f (x, y , z) = (0, 0)}

= {(x, y , z) ∈ R3 | (x + 2y + z, x − z) = (0, 0)}
= {(x, y , z) ∈ R3 | x + 2y + z = 0, x − z = 0}
x + 2y + z = 0,
Resolvemos:
x −z =0

1 2 1 0 1 0 −1 0
∼ ··· ∼
1 0 −1 0 0 1 1 0
Ker(f ) = {(λ, −λ, λ) ∈ R3 | λ ∈ R} = h(1, −1, 1)i
Im(f ) = {f (x, y , z) | (x, y , z) ∈ R3 } = {(x + 2y + z, x − z) | x, y , z ∈ R}

= {x(1, 1) + y (2, 0) + z(1, −1) | x, y , z ∈ R} = h(1, 1), (2, 0), (1, −1)i=R2
Núcleo e Imagen
Cambio de base
Nucleo e imagen
Teorema
Sea f : V → E una aplicación lineal. Si {v1 , v2 , . . . , vn } es un sistema generador
de V , entonces {f (v1 ), f (v2 ), . . . , f (vn )} es un sistema generador de Im(f ).
Teorema

dim V = dim Ker(f ) + dim Im(f )
Teorema
1 f es inyectiva si y sólo si Ker(f ) = {0}
2 f es sobreyectiva si y sólo si Im(f ) = E

Núcleo e Imagen
Cambio de base
Ejercicio
Calcula los núcleos e imágenes de las siguientes aplicaciones lineales y analiza si
son inyectivas y/o sobreyectivas.
1 f1 : R3 → R3 , f1 (x, y , z) = (z, x + y , −z)
3 2
2 f2 : R → R , f2 (x, y , z) = (x + y , 0)
2 2
3 f3 : R → R , f3 (x, y ) = (y , x)
4 f4 : R3 → R2 , f4 (x, y , z) = (y , z)

Núcleo e Imagen
Cambio de base
Resumen
Núcleo e Imagen
Cambio de base

Núcleo e Imagen
Cambio de base

Una aplicación lineal viene determinada por las imágenes de los vectores de una base.
Sea f : V → E una aplicación lineal, B1 = {e1 , . . . , en } una base de V , B2 = {u1 , . . . , un } una base de E y
f (e1 ) = (a11 , a12 , . . . , a1m ) resp. de B2
f (e2 ) = (a21 , a22 , . . . , a2m ) resp. de B2
.
.
.
f (en ) = (an1 , an2 , . . . , anm ) resp. de B2
Si x = (x1 , x2 , . . . , xn ) en B1 , entonces f (x) tiene como representación en B2 la siguiente
 a a21 ... an1   x 

11 1
   
 a12 a22 ... an2   x2 
   
   
 · 
 . . . .   . 
 . . . .   . 
 . . . .   . 
   
a1m a2m ... anm xn
Denotaremos a esta matriz por M(f , B1 , B2 ).

Núcleo e Imagen
Cambio de base
Ejercicios
1 Calcular la matriz asociada a la a.l. f : R3 → R2 ,
f (a, b, c) = (a + b, a − c) en los siguientes casos:
1 Cuando las bases de los e.v. son canónicas.
2 Respecto a las bases B = {(1, 1, 1), (0, 2, 1), (1, 3, 0)} y
B 0 = {(0, 1), (−1, 2)}
2 Hallar el núcleo y la imagen de la a.l. f : R4 → R3 tal que:
f (1, 0, 0, 0) = (1, −1, 2) ; f (0, 0, 1, 0) = (4, −1, 5)

f (0, 1, 0, 0) = (2, 1, 1) ; f (0, 0, 0, 1) = (−1, −5, 4)
3 Calcular la matriz asociada a la siguiente a.l.:
f : P2 (R) → P1 (R), f (a2 x 2 + a1 x + a0 ) = 2a2 x + a1
respecto de las bases B = {1, x, x 2 } y B0 = {1, x} de P2 (R) y P1 (R)

respectivamente.

Núcleo e Imagen
Cambio de base
Sean V y E dos espacios vectoriales sobre el mismo cuerpo, con dim(V ) = n y

dim(E ) = m.
Sea f : V → E una aplicación lineal y sea M la matriz asociada a f respecto de
cualesquiera bases de V y E .
Teorema
1 dim(Im(f )) = rg(M). Lo llamamos rango de f .
2 dim(Ker(f )) = n − rg(M).
Observa que la matriz M tiene tamaño m × n (m filas y n columnas)
Corolario
1 f es sobreyectiva si y sólo si rg(M) = m.
2 f es inyectiva si y sólo si rg(M) = n.
3 f es biyectiva si y sólo si M es cuadrada y regular.

Núcleo e Imagen
Cambio de base
Resumen
Núcleo e Imagen
Cambio de base

Núcleo e Imagen
Cambio de base

Definición
Llamamos isomorfismo a cualquier aplicación lineal biyectiva y decimos que dos
espacios vectoriales V y E son isomorfos si existe un isomorfismo f : V → E .
Lo denotamos por V ∼
= E.
Teorema
Si V es un espacio vectorial sobre K de dimensión n, entonces
V ∼
=K
n
Corolario
Sean V y E dos espacios vectoriales sobre K.
V ∼
=E si y sólo si dim(V ) = dim(E )

Núcleo e Imagen
Cambio de base
Resumen
Núcleo e Imagen
Cambio de base

Núcleo e Imagen
Cambio de base
Teorema
Sean V y E dos espacios vectoriales de dimensión finita sobre un mismo cuerpo
y sean B1 y B2 bases de V y E respectivamente.
Si f , g : V → E son ap. lineales, A = M(f , B1 , B2 ) y C = M(g , B1 , B2 )
entonces:
f + g es una aplicación lineal y A + C = M(f + g , B1 , B2 )
λf es una aplicación lineal (para todo escalar λ) y λA = M(λf , B1 , B2 )

Núcleo e Imagen
Cambio de base
Teorema
Sean V1 , V2 y V3 espacios vectoriales de dimensión finita sobre un mismo
cuerpo y sean B1 , B2 y B3 bases de V1 , V2 y V3 respectivamente.
Si f : V1 → V2 y g : V2 → V3 son ap. lineales, A = M(f , B1 , B2 ) y
C = M(g , B2 , B3 ) entonces:
g ◦ f es una aplicación lineal y C · A = M(g ◦ f , B1 , B3 )

Núcleo e Imagen
Cambio de base
Resumen
Núcleo e Imagen
Cambio de base

Núcleo e Imagen
Cambio de base
Cambio de base con aplicaciones lineales

Sea V un espacio vectorial de dimensión finita y B1 y B2 dos bases. Si P es la
matriz del cambio de base de B1 a B2 se tiene que
P = M(IV , B1 , B2 )
y, como consecuencia de ello, se tiene el siguiente resultado:
Teorema
Sea f : V1 → V2 una aplicación lineal entre espacios vectoriales de dimensión
finita sobre una mismo cuerpo. Si:
B1 y B10 son bases de V1 y P la matriz de cambio de base de B10 a B1 .
B2 y B20 son bases de V2 y Q la matriz de cambio de base de B20 a B2 .
A = M(f , B1 , B2 ) y A0 = M(f , B10 , B20 )
entonces A0 = Q −1 AP

Núcleo e Imagen
Cambio de base

Teorema
Sea f : V → W una a.l.. Consideremos B1 y B10 dos bases de V1 , y B2 y B20 dos
bases de V2 , la matriz P de cambio de base de B10 a B1 y la matriz Q de B20 a
B2 .
Entonces, A0 = Q −1 AP, siendo A0 = M(f , B10 , B20 ) y A = M(f , B2 , B2 ).
f
V E
A
hB1 i hB2 i
IdV 1 Q 1 IdE
P P Q
0 1
A =Q AP
hB10 i hB20 i
f
<latexit sha1_base64="(null)">(null)</latexit>
V E

Núcleo e Imagen
Cambio de base

Corolario
Sea f : V → V una aplicación lineal (endomorfismo). Si:
B y B 0 son bases de V y P la matriz de cambio de base de B 0 a B.
A = M(f , B) y A0 = M(f , B 0 )
entonces A0 = P −1 AP
f
V V
A
hBi hBi
IdV P 1 P 1 IdV
P P
A0 =P 1
AP
hB 0 i hB 0 i
f
<latexit sha1_base64="(null)">(null)</latexit>
V V

Núcleo e Imagen
Cambio de base
Ejercicio
Dada la aplicación lineal f : R3 → R2 ,
f (x, y , z) = (x + 2y − z, 2x − y + 3z)
la base canónica de R3 , B3 , la base canónica de R2 , B2 y las bases:
B30 = {(1, 0, 1), (1, 1, 0), (0, 1, 1)}; B20 = {(1, 3), (2, −1)}
Calcular M(f , B30 , B20 ) a partir de la matriz M(f , B3 , B2 ).

Definición
Un endomorfismo f : V → V es diagonalizable si existe una base B de V tal
que M(f , B, B) sea una matriz diagonal.
Definición
Dos matrices A y A0 de tamaño n × n se dicen semejantes si existe una matriz
n × n regular P tal que A0 = P −1 AP.
Una matriz cuadrada A es diagonalizable si existe una matriz diagonal D que
es semejante a ella.
Teorema
Sea f : V → V un endomorfismo, B una base de V y A = M(f , B, B).
f es diagonalizable si y sólo si M es diagonalizable.

Recuerda que, si f : V → V es un endomorfismo y B = {e1 , . . . , en } es una
base de V tal que
 
f (e1 ) = (a11 , . . . , an1 )B a11 . . . a1n
..  . .. .. 
. , entonces M(f , B, B) =  .. . . 
f (e1 ) = (a1n , . . . , ann )B an1 . . . ann
Si queremos que sea una matriz diagonal, deben existir escalares λ1 , . . . , λn

tales que f (e1 ) = λ1 e1 , . . . , f (en ) = λn en .
Definición
Sea f : V → V un endomorfismo. Un vector v 6= 0 se llama autovector o
vector propio de f si existe λ ∈ K tal que f (v) = λv. A este valor λ se le
llama autovalor o valor propio de f asociado a v.

Diagonalización de matrices simétricas
Ejemplos
Consideremos la aplicación lineal f : R3 → R3 dada por
f (x, y , z) = (3x − y , −x + 3y , 2z).
1 Calcula la matriz de f en la base canónica.
2 Comprueba que (1, 1, 0), (1, −1, 0) y (1, 1, 1) son vectores propios de f .
3 Calcula la matriz de f en la base B = {(1, 1, 0), (1, −1, 0), (1, 1, 1)}.
Teorema
Un endomorfismo f : V → V es diagonalizable si y solo si existe en V una base
formada por autovectores de f .

Cálculo de autovalores
Sea f : V → V un endomorfismo, B una base de V y A = M(f , B, B).
Dado un vector x ∈ V , si X es la representación matricial de x en B, entonces
f (x) = λx ⇐⇒ AX = λX
⇐⇒ AX − λX = 0
⇐⇒ AX − λIX = 0
⇐⇒ (A − λI )X = 0
Este sistema siempre es compatible (la solución trivial X = 0 siempre se tiene)

pero buscamos vectores x 6= 0 y, para ello, este sistema debe ser compatible
indeterminado:
λ es un autovalor ⇐⇒ |A − λI | = 0.

Polinomio caracterı́stico
Por tanto, los autovalores son las soluciones de la ecuación |A − λI | = 0.
Definición
Sea A ∈ Mn (K).
Llamamos polinomio caracterı́stico de A a |A − λI |.
Llamamos ecuación caracterı́stica de A a |A − λI | = 0.
Es fácil comprobar que el polinomio caracterı́stico es de grado n.
Proposición
Sea A ∈ Mn (K). Si |A − λI | = a0 + a1 λ + . . . an−1 λn−1 + an λn , entonces
a0 = |A| an−1 = (−1)n−1 tr(A) y an = (−1)n
RECUERDA: Se dice que r es raı́z de un polinomio p(λ) si p(r ) = 0 y que r

tiene multiplicidad α si existe un polinomio q(λ) tal que p(λ) = (λ − r )α q(λ) y
q(r ) 6= 0.
Multiplicidades
Para cada autovalor r , el sistema (A − r I )X = 0 será compatible
indeterminado.
El conjunto de soluciones estará formado por los vectores propios asociados a r .
Proposición
Sea f : V → V un endomorfismo y r un autovalor. Er = {v ∈ V | f (v) = r v}
es un subespacio de V , al que llamamos subespacio propio de f asociado a r .
Además,
1 ≤ dim(Er ) ≤ α
donde α es la multiplicidad de r en el polinomio |A − λI |.
Definición
Sea f : V → V un endomorfismo y r un autovalor de f . Llamamos:
1 Multiplicidad algebraica de r , ma (r ), a la multiplicidad de r en |A − λI |.
2 Multiplicidad geométrica de r , mg (r ), a la dimensión de Er .
Si ma (r ) = 1 entonces mg (r ) = 1.
Endomorfismos diagonalizables
Ejercicios
Calcula los autovalores y sus subespacios propios asociados para:
1 f : R2 → R2 con f (x, y ) = (3x + 2y , 2x)
2 f : R3 → R3 con f (x, y , z) = (2x + y , −x + z, x + 3y + z)
3 f : R3 → R3 con f (x, y , z) = (x, −8x + 4y − 6z, 8x + y + 9z)
Teorema
Sea f : V → V un endomorfismo. Si λ1 , λ2 , . . . , λm son autovalores distintos de
f , v1 ∈ Eλ1 , v2 ∈ Eλ2 ,. . . vm ∈ Eλm , entonces los autovectores {v1 , v2 , . . . , vm }
son linealmente independientes.
Corollary
Sea V un e.v. de dimensión n sobre K y f : V → V un endomorfismo.
Si f tiene n autovalores distintos, entonces es diagonalizable.
Endomorfismos diagonalizables
Observaciones:
El teorema anterior no implica que un endomorfismo con autovalores
multiples no pueda ser diagonalizable.
En R, si λ1 , λ2 , . . . , λp son los autovalores distintos de f entonces:
ma (λ1 ) + ma (λ2 ) + . . . + ma (λp ) ≤ n
En C, ma (λ1 ) + ma (λ2 ) + . . . + ma (λp ) = n.

Para todo autovalor λ, 1 ≤ dim(Eλ ) ≤ ma (λ).
Teorema
Sea V un e.v. de dimensión n definido sobre un cuerpo K, f : V → V un
endomorfismo y λ1 , λ2 , . . . , λp ∈ K los autovalores distintos de f .
f es diagonalizable si y sólo si se verifican las dos siguientes condiciones:
1 ma (λ1 ) + ma (λ2 ) + . . . + ma (λp ) = n
2 ma (λi ) = mg (λi ) para todo i ∈ {1, . . . , p}.
Resumen
Núcleo e Imagen
Cambio de base

Teorema (de Cayley-Hamilton)

Toda matriz cuadrada en C es raı́z de su polinomio caracterı́stico.
Si el polinomio caracterı́stico o el polinomio mı́nimo de A es

an x n + · · · + a1 x + a0 entonces an An + · · · + a1 A + a0 In = 0n En consecuencia,
an−1 An−1 + · · · + a1 A + a0 In
An = −
an
y, si a0 6= 0 (obsérvese que, en el polinomio caracterı́stico, a0 = |A|) entonces
an An−1 + · · · + a1 In
A−1 = −
a0

 
λ1 0 ... 0
 
 0 λ2 ... 0 
 
Por otro lado, si A es diagonalizable con D = P −1 AP = 
 
 .. .. ..  se
.. 
 . . . . 
 
 
0 0 ... λn
tiene que
λm
 
1 0 ... 0

λm


 0 2 ... 0 

−1 −1 −1 −1 −1  −
Am = (PDP )m = PDP = PD m P

PDP .m. . PDP =P .. .. .. .. P
.
 

 . . . 

λm
 
0 0 ... n

 1
0 ... 0

λ1
1
 
 0 ... 0 
 λ2 
−1 −1 −1 −1 −1 −1 −1   −1
A = (PDP ) = (P ) D P =P
 .. .. .. P
.. 
 . . . . 
 
 1

0 0 ... λn

Exponencial de una matriz
∞
X 1 i
eA = A
i=0
i!
−1
En el caso en que la matriz se pueda diagonalizar como A = PDP tenemos que
e λ1
 
0 ... 0
 

 0 e λ2 ... 0 

−1  −1
e A = Pe D P

=P . . .. . P

 .. .. . .. 

 
 
0 0 ... e λn

Tema 4 Algebra

Cargado por

Información del documento

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

Tema 4 Algebra

Cargado por

Copyright:

Formatos disponibles

Aplicaciones Lineales

Tema 4: Aplicaciones lineales

Pablo Cordero, Ángel Mora

Departamento de Matemática Aplicada

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Núcleo e imagen de una aplicación lineal

Ker(f ) = f −1 ({0}) = {x ∈ V | f (x) = 0}

y la imagen de f com el conjunto de vectores de E que son imágenes bajo f de

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Ker(f ) = {(x, y , z) ∈ R3 | f (x, y , z) = (0, 0)}

Ker(f ) = {(λ, −λ, λ) ∈ R3 | λ ∈ R} = h(1, −1, 1)i

Im(f ) = {f (x, y , z) | (x, y , z) ∈ R3 } = {(x + 2y + z, x − z) | x, y , z ∈ R}

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Aplicaciones Lineales y Matrices

f (e1 ) = (a11 , a12 , . . . , a1m ) resp. de B2

f (e2 ) = (a21 , a22 , . . . , a2m ) resp. de B2

f (en ) = (an1 , an2 , . . . , anm ) resp. de B2

Si x = (x1 , x2 , . . . , xn ) en B1 , entonces f (x) tiene como representación en B2 la siguiente

 a a21 ... an1   x 

Denotaremos a esta matriz por M(f , B1 , B2 ).

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

f (1, 0, 0, 0) = (1, −1, 2) ; f (0, 0, 1, 0) = (4, −1, 5)

f : P2 (R) → P1 (R), f (a2 x 2 + a1 x + a0 ) = 2a2 x + a1

respecto de las bases B = {1, x, x 2 } y B0 = {1, x} de P2 (R) y P1 (R)

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Sean V y E dos espacios vectoriales sobre el mismo cuerpo, con dim(V ) = n y

Observa que la matriz M tiene tamaño m × n (m filas y n columnas)

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Espacios vectoriales isomorfos

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Operaciones con aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Operaciones con aplicaciones lineales

g ◦ f es una aplicación lineal y C · A = M(g ◦ f , B1 , B3 )

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Cambio de base con aplicaciones lineales

y, como consecuencia de ello, se tiene el siguiente resultado:

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Cambio de base con aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Cambio de base con aplicaciones lineales

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

la base canónica de R3 , B3 , la base canónica de R2 , B2 y las bases:

Calcular M(f , B30 , B20 ) a partir de la matriz M(f , B3 , B2 ).

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

f es diagonalizable si y sólo si M es diagonalizable.

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Si queremos que sea una matriz diagonal, deben existir escalares λ1 , . . . , λn

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Diagonalización de matrices simétricas

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Este sistema siempre es compatible (la solución trivial X = 0 siempre se tiene)

P. Cordero, A. Mora Tema 4: Aplicaciones lineales

Es fácil comprobar que el polinomio caracterı́stico es de grado n.

a0 = |A| an−1 = (−1)n−1 tr(A) y an = (−1)n