Resumen GAL 2

Luka Míguez
BASADO EN LAS NOTAS DEL CURSO (LIBRO ROJO)

0. Núcleo e imagen de una T.L. / Teorema de las dimensiones

Sea T : V → W lineal y V, W espacios vectoriales de dim = n. Entonces:

ker (T) = { v ∈ V : T(v) = 0 }, y

Im(T) = { w ∈ W : ∃v ∈ V ∕ T(v) = w }.

Se dice que T es inyectiva si su núcleo es 0.

Además, según el teorema de las dimensiones, si dim V = n, entonces

dim ker(T) + dim Im (T) = n.

1. Matriz asociada

b b
Si T : V → W es lineal y A = { v 1 , v 2 ,..., v n } ⏪⏫ V, B ⏪⏫ W, se define la matriz asociada
como

coordB T(v1 ) ... coordB T(vn )

B ( T) A = ⋮ ⋮ ⋮ .
⋮ ⋮ ⋮

y caracteriza por completo la transformación lineal.

Propiedades:

1. B (𝛼T) A = 𝛼 B (T) A

2. B (T + S) A = B (T) A + B (S) A

3. coord B T(v) = B (T) A ⋅ coord A (v)

4. C (T ◦ S) A = C (T) B ⋅ B (S) A

2. Matriz de cambio de base

Sea V un espacio vectorial y A base de V. Entonces la matriz B (Id) A se llama matriz de
cambio de base de A a B.
coordB (v1 a ) ... coordB (vn a )
B (Id) A = ⋮ ⋮ ⋮
⋮ ⋮ ⋮
b
Si V y W son espacios vectoriales sobre 𝚱 y A 1 , A 2 ⏪⏫ V,
b
B1 , B2 ⏪⏫ W, T : V → W lineal, entonces B' (T) A ' = B' (Id W ) B ⋅ B (T)A ⋅ A (IdV )A ' .

3. Matrices semejantes

Dos matrices M y N ∈ M n × n , son semejantes si ∃P ∈ M n × n / N = P -1 ⋅ M ⋅ P, y

además son semejantes si y solo si son matrices asociadas a un mismo operador.

4. Valores y Vectores Propios

Sea T : V → V un operador y B base de V. Un vector no nulo v ∈ V es vector propio de T

asociado al valor propio 𝜆 ⇔ T(v) = 𝜆v. El subespacio propio asociado a 𝜆,
S𝜆 = { v ∈ V : T(v) = 𝜆v }, se puede calcular como ker (T - 𝜆Id), es decir, como

x1 0
x 0
(A - 𝜆Id) 2 =
⋮ ⋮
xn 0

donde A es la matriz asociada a T en la base B. Por otro lado, 𝜆 es valor propio de

T ⇔ det(A - 𝜆Id) = 0.

Dos matrices semejantes tienen los mismos valores propios, pero dos matrices con los
mismos valores propios no necesariamente son semejantes.

La suma de subespacios propios U y W asociados a valores propios distintos es una suma

directa ⊕ , es decir, su intersección es 0 (y la dimensión de la suma es la suma de
dimensiones de cada subespacio, además de que cada vector de U ⊕ W puede expresarse
como u ∈ U + w ∈ W).
5. Polinomio Característico

El polinomio característico de A ∈ M n × n en 𝜆, se llama 𝜒 A = det (A - 𝜆Id). Sus (ඞ)

raíces cuando 𝜒 A = 0 se denominan raíces características. Dos matrices semejantes tienen
los mismos valores propios, con la misma multiplicidad (definida en 7), como raíces de 𝜒 A .

6. Transformaciones / Matrices diagonalizables

Recordar: Una matriz es diagonal si solamente tiene elementos ≠ 0 en la diagonal principal.

Una matriz se llama diagonalizable si es semejante a una matriz diagonal, y una T.L.,
b
T : V → V, es diagonalizable si ∃B ⏪⏫ V : B (T) B es diagonal.

b
Teorema: T : V → V es diagonalizable ⇔ ∃B ⏪⏫ V hecha de vectores propios de T.
La forma diagonal de una matriz o T.L. es única a menos del orden de los vectores propios.

𝜆1 0 ... 0
0 𝜆2 0 ⋮
⋮ ⋮ ⋱ 0
0 ... 0 𝜆n

No diagonalizable ⇒ no tiene valores/vectores propios.

Teorema: Si T : V → V es lineal con valores propios 𝜆 1 , 𝜆 2 , ..., 𝜆 n asociados a sus

respectivos vectores propios v 1 , v 2 , ..., v n , entonces el conjunto { v 1 , v 2 , ..., v n } es L.I.

Como consecuencia, si T : V → V / dim V = n tiene n valores propios distintos, entonces T

es diagonalizable, pero no el recíproco. Por último, A ∈ M n × n es diagonalizable ⇔ la suma
de dimensiones de los subespacios propios es n.

7. Multiplicidades algebraica y geométrica

La multiplicidad algebraica de un valor propio 𝜆, denotada ma(𝜆), es la multiplicidad de 𝜆

como raíz del polinomio característico (por ejemplo, si 𝜆 es raíz doble, entonces ma(𝜆) = 2).
La multiplicidad geométrica (denotada mg(𝜆)) se define como la dimensión del subespacio
propio S 𝜆 . Estas dos multiplicidades cumplen que 1 ≤ mg(𝜆) ≤ ma(𝜆) ≤ n.

Además, un operador T es diagonalizable

⇔ 𝜆1 , ..., 𝜆n ∈ 𝚱 ∧ ma(𝜆i ) = mg(𝜆i ) ∀i ∈ { 1, ..., n }.

8. Teorema de Gerschgorin

Sea A = (a i j ) ∈ M n × n (C). A la suma i ≠ j Σ|a i j | se le denomina r i , y representa la suma de

todos los valores absolutos de la fila i-ésima de la matriz, excepto el elemento de la diagonal
principal. Sea C i el disco tal que C i = { z ∈ C : |z - a i i | ≤ r i }. Este es un disco de radio r i y
centro a i i , es decir, hay un círculo centrado en cada 'punto' del plano complejo que sea un
elemento de la diagonal principal de A.

Entonces:

(a) Todo valor propio 𝜆 pertenece a ∪ i C i .

(b) Si hay una unión de n C i , C 1 ∪ C 2 ∪ ... ∪ C n , disjunta de los demás discos, entonces en
esa unión hay exactamente n valores propios contados con multiplicidad algebraica. (Como
caso especial, todo disco que esté disjunto de todos los demás tiene exactamente 1 valor
propio).

9. Subbloques y Bloques de Jordan

Se le denomina subbloque de Jordan (de valor propio 𝜆 y tamaño k) a una matriz k × k de

esta forma:

𝜆 0 ⋯ 0
sJ k (𝜆) =
1 𝜆 ⋯ ⋮
⋮ ⋱ ⋱ 0
0 ⋯ 1 𝜆

O sea, con solamente 𝜆s en la diagonal principal, todo unos en la diagonal inferior a la

principal, y 0 en todo el resto. Por otro lado, un bloque de Jordan de valor propio 𝜆 es una
matriz cuadrada de esta forma:
 sJ k 1 (𝜆)

sJ k 2 (𝜆)
J(𝜆) =

sJ k n (𝜆)

con ceros en todos lados menos en los subbloques de Jordan, y estos últimos colocados de
forma tal que k 1 ≤ k 2 ≤ ... ≤ k n , o sea que cuanto más "abajo" esté un subbloque más
grande va a ser comparado a los otros.

Teorema - forma canónica de Jordan: Sea V un e.v. tal que dim V = n y sobre el cuerpo 𝚱.
m m m
Sea T un operador tal que 𝜒 T (𝜆) = (-1) n ⋅ (𝜆 - 𝜆 1 ) 1 ⋅ (𝜆 - 𝜆 2 ) 2 ⋅ ... ⋅ (𝜆 - 𝜆 q ) q ,
𝜆i ∈ 𝚱, e i ∈ { 1, 2, ..., q }. (El -1 elevado a n es para que algunos términos puedan tener
signo de menos y otros no, dependiendo de n, que como no aparece en ningún otro lado
puede ser cualquiera).
b
Entonces ∃B ⏪⏫ V :

J(𝜆 1 )

J(𝜆 2 )
B ( T) B =

J(𝜆 q )

con cada bloque de Jordan de valor propio 𝜆 i teniendo tamaño m i . Esta matriz se llama
forma canónica de Jordan o simplemente forma de Jordan.

Esta base B puede no ser única, pero la matriz asociada B (T) B sí lo es, a menos del orden
de los subbloques de Jordan.
Importante: La forma canónica de Jordan de M no diagonalizable sería de la forma
M = P -1 ⋅ J ⋅ P, o sea que M sería semejante a una matriz de Jordan.

La cantidad de subbloques de Jordan de un valor propio 𝜆 coincide siempre con la

multiplicidad geométrica de 𝜆.

10. Subespacios Invariantes

Un subespacio W del operador T : V → V es invariante si y solo si T(W) ⊂ W. Por ejemplo,

∀T : V → V, el núcleo de T es invariante, porque 0V siempre está en el núcleo, así que
ker (T)

Teorema: Si dim V = n, T : V → V es lineal, y W es un s.e.v. invariante, entonces se tiene

b
que ∃B ⏪⏫ V :

A B
B ( T) B = .
0 C

Y, si V = U ⊕ W con U y W invariantes, entonces existe una base de V tal que:

A 0
B ( T) B = .
0 C

11. Producto interno

Si V es un espacio vectorial sobre 𝚱. Entonces una función de dos variables, ⟨ , ⟩, es un

producto interno si cumple que:

1. ⟨u + v, w⟩ = ⟨u, w⟩ + ⟨v, w⟩.

2. ⟨au, v⟩ = a⟨u, v⟩.
3. ⟨u, v⟩ = ⏨⏨⏨
⟨ v, u ⟩
4. ⟨u, u⟩ ∈ R, ⟨u, u⟩ ≥ 0. ⟨u, u⟩ = 0 ⇔ u = 0 V

para todo u, v, w ∈ V, a ∈ 𝚱. Además, si se cumplen las 4 propiedades, se cumple también

que:

I. ⟨u, v + w⟩ = ⟨u, v⟩ + ⟨u, w⟩

II. ⟨u, av⟩ = ⏨
a ⟨ u , v⟩
III. ⟨v, 0 V ⟩ = ⟨0 V , v⟩ = 0.

Si ⟨v, w⟩ = 0, es decir que v ⟂ w, se dice que v y w son ortogonales, y un conjunto de

vectores ortogonales dos a dos se llama conjunto ortogonal. Por último, si todo v en el
conjunto cumple ||v|| = 1 (la norma, definida en 12., es 1), es un conjunto ortonormal. Se
puede "convertir" un conjunto ortogonal S en uno ortonormal (siempre y cuando 0 V ∉ S)
v
definiendo otro conjunto N = , v ∈ S . Si un conjunto ortogonal no tiene al vector 0,
||v||
entonces siempre es linealmente independiente.

12. Norma

Se dice que la norma de un vector v ∈ V, denotada ||v||, es una función de V a R que

cumple que

1. ||𝜆v|| = |𝜆| ⋅ ||v||

2. ||v + w|| ≤ ||v|| + ||w|| (desigualdad triangular).
3. ||v|| ≥ 0, y ||v|| = 0 ⇔ v = 0 V .

para todo v ∈ V, 𝜆 ∈ 𝚱. Todo espacio vectorial que tenga producto interno posee una
norma inducida: ||v|| = ⟨v, v⟩. Con esta norma se cumple la desigualdad de Cauchy-
Schwarz:
|⟨v, u⟩| = ||v|| ⋅ ||u||.

|⟨v, u⟩|
Y por otro lado, si V es real, la desigualdad de Cauchy-Schwarz asegura que está
|v|| ⋅ ||u||
siempre entre -1 y 1. Se define cos 𝛼 (con 𝛼 el ángulo entre v y u) como
|⟨v, u⟩|
cos 𝛼 = .
|v|| ⋅ ||u||

Ejemplos de cada sección:

0. Núcleo e imagen de una T.L. / Teo. Dimensiones

Sea T : R 3 → R 3 / T (x, y, z) = (2x + z, z + y, 2x - z)
Entonces ker T = { v ∈ V : T(v) = 0 }.
ker T = {(x, y, z) ∈ R 3 / (2x + z, z + y, 2x - z) = (0, 0, 0), por lo que

2x + z = 0
y + z = 0 → 2x + z - 2x + z = 0, z = 0 ; x = 0 ; y = 0. Es una t.l. inyectiva.
2x - z = 0

Por otra parte, Im T se puede encontrar buscando el espacio generado por cada columna
de, en este caso, la matriz asociada ampliada (colocando el transformado de cada vector de
la canónica por columnas, y una última columna con un vector genérico (x, y, z)).
2 0 1 x
0 1 1 y
2 0 -1 z
2 0 1
Así que Im T = 0 , 1 , 1 . Verifica el teorema de las dimensiones porque
2 0 -1
dim(ker T) = 0, dim(Im T) = 3, y dim V = dim R 3 = 3.

1. Matriz asociada

Sea T : R 3 → R 2 / T(x, y, z) = (x + z, -y), y sean

b b
B3 = {(1, 1, 0), (1, 0, 1), (0, 1, 1)} ⏪⏫ R 3 , B2 ⏪⏫ R 2 (B2 canónica).
Entonces, para armar la matriz asociada, se ponen las coordenadas en la base de llegada
del transformado de cada uno de los vectores de la base de salida:

coordB2 T(1, 1, 0) coordB2 T(1, 0, 1) coordB2 T(0, 1, 1) 1 2 1

B 2 ( T) B 3 = = .
⋮ ⋮ ⋮ -1 0 -1

2. Matriz de cambio de base

Con el mismo ejemplo de la parte 1., para pasar de la base

B = {(1, 0, 0), (1, 1, 0), (0, 2, -3)} a la base B3 se puede hacer la matriz de cambio de
base pasando cada vector de B a B 3 (mediante un sistema) y haciendo la matriz asociada a
la t.l. identidad:

coordB3 (v1 B ) coordB3 (v2 B ) coordB3 (v3 B ) 1

2 1 5
2
B3 (Id) B = = 0
1 -5
⋮ ⋮ ⋮ 2 2
⋮ ⋮ ⋮ -1
2 0 -1
2

3. Matrices semejantes

Las matrices A y B son semejantes:

4 1 1 3
A= ∼ =B
0 1 0 4

Esto es porque ∃P ∈ M 2 × 2 : B = P -1 ⋅ A ⋅ P, y se puede darse cuenta porque A y B tienen

los mismos valores y vectores propios con sus multiplicidades iguales:

4-𝜆 1
𝜆 es valor propio de A ⇔ det(A - 𝜆Id) = = 0 ⇒ valores propios 4 y 1,
0 1-𝜆
ma(4) = ma(1) = 1. Además, mg(4) = mg(1) = 1. En B pasa que
1-𝜆 3
= 0 ⇒ valores propios 4 y 1, con multiplicidad algebraica 1, y sus
0 4-𝜆
multiplicidades geométricas coinciden también.

4. Valores y Vectores Propios

T : P2 [x](R) → P2 [x](R) / T a + bx + cx 2 = - a + bx - cx 2 , C = 1, x, x 2

-1 - 𝜆 0 0
Valores propios: det(A - 𝜆Id) = 0 ⇒ det( C (T) C - 𝜆Id) = 0 1-𝜆 0 =0
0 0 -1 - 𝜆
⇒ 𝜆 = 1 / 𝜆 = - 1.

Vectores propios: T(p) = 1p ⇒ p = 0 + bx + 0x 2 ; T(p) = - 1p ⇒ a + 0x + cx 2 .

Subespacios propios:
 -1 + 1 0 0 a 0
S-1 = ker(A - 𝜆Id) = 0 1+1 0 ⋅ b = 0 ⇒ S-1 = a + bx + cx 2 : b = 0
0 0 -1 + 1 c 0

-1 - 1 0 0 a 0
S1 = ker(A - 1 ⋅ Id) = 0 1-1 0 ⋅ b = 0 ⇒ S1 = a + bx + cx 2 : a = 0, c = 0
0 0 -1 - 1 c 0

5, 6, 7. Polinomio Característico, Transformaciones / Matrices diagonalizables y

Multiplicidad.

2 -5 0
(Libro rojo) Demostrar que A = 0 7 0 es diagonalizable.
0 -5 2
Para demostrarlo calculamos 𝜒 A = det (A - 𝜆Id) = (2 - 𝜆) 2 (7 - 𝜆), y vemos que las
raíces son 2 (doble, multiplicidad 2) y 7, con multiplicidad 1. Entonces se puede ver
(calculando los subespacios) que la forma general de un vector ∈ S 2 es (a, 0, c), y para uno
∈ S7 es (𝛼, -𝛼, 𝛼).

Por lo tanto, se puede crear una base de vectores propios: {(1, 0, 0) , (0, 0, 1) , (1, -1, 1)}
por ejemplo, y como ∃ una base de vectores propios de A, entonces éste es diagonalizable.

8. Teorema de Gerschgorin

1 1 0 -4
-2 10 0 1
Sea M = . ¿Podemos asegurar que hay algún valor propio entre (5,0) y
2 0 -1 2
3 1 0 6
(10,0)?

Para esto aplicamos el teorema de Gerschgorin y vemos si hay algún círculo disjunto a los
demás entre las dos cotas. Calculamos los C i :

C1 = {z ∈ C : |z - 1| ≤ 1 + 0 + 4 = 5 }
C2 = {z ∈ C : |z - 10| ≤ 2 + 3 + 2 = 3 }
C3 = {z ∈ C : |z + 1| ≤ 2 + 0 + 2 = 4 }
C4 = {z ∈ C : |z - 6| ≤ 3 + 1 + 0 = 4 }.
El gráfico quedaría como en esta imagen:

-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Como entre los puntos (5,0) y (10,0) no hay ningún disco disjunto, ni ninguna unión disjunta
al resto de los discos, no podemos asegurar que haya algún valor propio en ese intervalo, ya
que los valores propios pueden estar en cualquier parte de la unión. (Por ejemplo: podrían
estar todos los valores propios en el "tercer" círculo).

9. Subbloques y Bloques de Jordan

Un ejemplo de subbloque de Jordan con valor propio 𝜋 y tamaño 4 sería:

𝜋 0 0 0
1 𝜋 0 0
sJ 4 (𝜋) =
0 1 𝜋 0
0 0 1 𝜋
Mientras que un bloque de Jordan podría ser:

9 0 0 0 0
1 9 0 0 0
J 5 ( 9) = 0 0 9 0 0 .
0 0 1 9 0
0 0 0 1 9
Por otra parte, por el teorema de la forma canónica de Jordan, en el caso de una t.l. con
matriz asociada, por ejemplo,
4 0 0
B ( T ) B = 0 4 -1
0 1 2

cuyo polinomio característico se factoriza por completo, sabemos que es semejante a una
matriz de Jordan ("casi diagonal"). En este caso sería
4 0 0 0 0 1 3 1 0 0 0 1
-1
0 4 -1 = P ⋅ J ⋅ P = 0 1 -1 ⋅ 0 3 0 ⋅ 1 1 0 .
0 1 2 1 0 0 0 0 4 1 0 0

11, 12. Producto interno y Norma.

n
n
Ejemplo de producto interno en R : el producto escalar, R → R : ⟨u, v⟩ = n n ∑ ui ⋅ vi .
i=1
n
Ejemplo de norma en C n : || (z 1 , ..., z n ) || 2 = ∑ |z i | 2 .
i=1