Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Indice
3. Transformaciones lineales 2
3.1. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.1.4. Isomorfismos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.2. Matriz de una transformacion lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.2.1. Matriz asociada a una transformacion lineal y matriz de cambio de base . . . . . . 2
3.2.2. Valores y vectores propios de una transformacion lineal . . . . . . . . . . . . . . . 6
3.2.3. Diagonalizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1
Transformaciones lineales
3. Transformaciones lineales
3.1. Transformaciones lineales
3.1.1.
3.1.2.
3.1.3.
3.1.4. Isomorfismos
Hasta esta parte del curso hemos usado indistintamente vectores y matrices; de hecho, hemos utilizado
las mismas operaciones para unos y para otras, por ejemplo, para espacios vectoriales R
3
y M
3,1
las
operaciones utilizadas son las mismas, por lo que podramos considerarlos esencialmente lo mismo. De
hecho isomorfo es una palabra griega que signica de la misma forma (iso=igual, morfos=forma).
_
`
Denicion de isomorsmo
Una transformacion lineal T : V W en la que existe un elemento de W para cada elemento
de V y tanto el espacio vectorial V como el espacio vectorial W son de dimension n, entonces
la transformacion es un isomorsmo.
Teorema 6.9 (Espacios isomorfos y dimension)
Dos espacios vectoriales V y W son isomorfos si y solo si tienen la misma dimension.
Ejemplo:
Los siguientes espacios vectoriales son isomorfos entre s:
a) R
4
= espacio de 4 dimensiones
b) M
4,1
= espacio de todas las matrices de 4 1
c) M
2,2
= espacio de todas las matrices de 2 2
d) p
3
= espacio de todos los polinomios de grado menor o igual a 3
e) V = {(x
1
, x
2
, x
3
, x
4
, 0) : x
i
es un n umero real} (subespacio de R
5
)
En este ejemplo se establece que los elementos de los espacios vectoriales enumerados se comportan
de la misma forma que los vectores, a un cuando son entidades matematicas distintas.
3.2. Matriz asociada a una transformacion lineal
3.2.1. Matriz asociada a una transformacion lineal y matriz de cambio de base
Matriz asociada a una transformacion lineal
Una transformacion puede representarse al menos de dos maneras:
T(x
1
, x
2
, x
3
) = (2x
1
+ x
2
x
3
, x
1
+ 3x
2
2x
3
, 3x
2
+ 4x
3
) (1)
o
2
_
2 1 1
1 3 2
0 3 4
_
_
_
_
x
1
x
2
x
3
_
_
(2)
La segunda representacion es mejor que la primera al menos por tres razones: Es mas facil de escribir,
mas facil de leer y se adapta mejor para utilizarse en tareas de computo. Ademas, ofrece ventajas teoricas
y en esta parte del curso veremos que una transformacion lineal con espacios vectoriales de dimension
nita siempre es posible la representacion matricial.
La clave para representar una transformacion lineal T : V W por medio de una matriz es determinar
como act ua T sobre una base de V .
Recordemos que la base estandar de R
n
, escrita en notacion de columna, esta denida por:
B = { e
1
, e
2
, . . . , e
n
} =
_
_
_
_
1
0
.
.
.
0
_
_
,
_
_
0
1
.
.
.
0
_
_
, ,
_
_
0
0
.
.
.
1
_
_
_
_
(3)
Teorema 6.10 (matriz estandar de una transformacion lineal)
Sea T : R
n
R
m
una transformacion lineal tal que:
T( e
1
) =
_
_
a
11
a
21
.
.
.
a
m1
_
_
, T( e
2
) =
_
_
a
12
a
22
.
.
.
a
m2
_
_
, , T( e
n
) =
_
_
a
1n
a
2n
.
.
.
a
mn
_
_
.
Entonces la matriz de m n cuyas n columnas corresponden a T( e
i
),
A =
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
es tal que T(v) = Av para toda v en R
n
. A se denomina matriz estandar para T.
Ejemplo:
Determine la matriz estandar de la transformacion lineal T : R
3
R
2
denida por:
T(x, y, z) = (x 2y, 2x + y). (4)
3
_
1
0
0
_
_
_
_
_
_
_
=
_
1
2
_
.
De la misma manera, procedemos con los vectores base restantes y obtenemos:
T( e
2
) = T
_
_
_
_
_
_
_
0
1
0
_
_
_
_
_
_
_
=
_
2
1
_
.
y
T( e
3
) = T
_
_
_
_
_
_
_
0
0
1
_
_
_
_
_
_
_
=
_
0
0
_
.
Aplicando el teorema 6.10, tenemos que las columnas de A constan de T( e
1
), T( e
2
) y T( e
3
), entonces:
A = [T( e
1
) : T( e
2
) : T( e
3
)] =
_
1 2 0
2 1 0
_
. (5)
NOTA: Veamos que por simple inspeccion (con un poco de practica) podemos escribir la matriz de
transformacion escribiendo en cada renglon los coecientes de cada componente de la transformacion: en
nuestro ejemplo, en la matriz (5), el primer renglon corresponde al primer componente de la transforma-
cion y como no tiene zeta le correspondio un cero; en la ecuacion (4): 1x 2y + 0z y en la matriz (5):
1 2 0.
Ejemplo: 2: Por simple inspeccion escribir la matriz de la transformacion dada por:
T(x
1
, x
2
, x
3
) = (x
1
2x
2
+ 5x
3
, 2x
1
+ 3x
3
, 4x
1
+ x
2
2x
3
)
Solucion:
A =
_
_
1 2 5
2 0 3
4 1 2
_
_
4
b
1
,
b
1
, . . . ,
b
1
) y B
= (
1
,
b
1
, . . . ,
b
1
) dos
bases ordenadas para V . Nuestro trabajo en esta parte del curso es encontrar una matriz C que transforme
el vector columna v
b
del vector v V , en el vector columna v
b
, esto es, debe cumplirse que:
Cv
b
= v
b
(6)
Y para ello enunciamos el siguiente teorema:
Teorema (matriz de cambio de base)
Sean B = (
b
1
,
b
1
, . . . ,
b
1
) y B
= (
1
,
b
1
, . . . ,
b
1
) bases ordenadas para el espacio vec-
torial V . La matriz C de cambio de base respecto a las bases B, B
que satisface la
ecuacion (6) se halla reduciendo la matriz aumentada:
_
b
1
,
b
1
, . . . ,
b
1
|
b
1
,
b
1
, . . . ,
b
1
_
a [I|C].
Esta matriz C es invertible y su inversa es la matriz de cambio de base respecto a
B
, B
Ejemplo: 1:
Considerar la base ordenada B = [(1, 1, 0), (1, 0, 1), (0, 1, 1)] para R
3
. Hallar la matriz de cambio de
base respecto a las bases E, B, donde E es la base ordenada canonica para R
3
.
Solucion:
Recordemos que la base canonica para R
3
es:
E =
_
_
1 0 0
0 1 0
0 0 1
_
_
Aplicando el teorema, ya con B escrita en forma matricial, tenemos:
_
_
1 1 0 1 0 0
1 0 1 0 1 0
0 1 1 0 0 1
_
_
a la cual hay que aplicarle la reduccion de Gauss-Jordan, para obtener ( Tarea 1
en la libreta, realizar la reduccion Gauss-Jordan que menciona este ejemplo. Cuenta para calicacion ):
_
_
1 0 0
1
2
1
2
1
2
0 1 0
1
2
1
2
1
2
0 0 1
1
2
1
2
1
2
_
_
5
_
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
_
_
Ejemplo: 2:
Sea el vector denido en la base canonica en R
3
:
_
_
2
2
4
_
_
Usando la matriz de cambio de base del ejercicio anterior, encontrar las coordenadas de dicho vector
respecto a B.
Solucion:
Sabemos que C v
E
=
v
B
, as que multiplicamos Tarea 2
en la libreta, realizar la multiplicaci on indicada en este ejemplo. Cuenta para calicacion :
_
_
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
_
_
_
_
2
2
4
_
_
=
_
_
2
4
0
_
_
As que con respecto a la base B, el vector tiene coordenadas:
_
_
2
4
0
_
_
Signicado de este ejemplo: Ya debemos saber que la mencionada base canonica no es otra
cosa que los ejes coordenados x, y y z (del sistema cartesiano), as que las coordenadas del vector son
las distancias perpendiculares del nal del vector hacia cada uno de los ejes. La nueva base signica
que se ha denido un nuevo sistema cartesiano llamado B y las nuevas coordenadas (el resultado del
segundo ejemplo) son las distancias perpendiculares del nal del mismo vector pero ahora con respecto a
los nuevos ejes. En cursos mas adelantados se vera algo parecido que se llamara rotacion de ejes.
3.2.2. Valores y vectores propios de una transformacion lineal
En la literatura generalmente se maneja el nombre de eigenvalor para el valor propio y eigenvector
para el vector propio, esto debido a que en aleman eigenwert signica, precisamente, valor propio.
Si consideramos a una matriz A de n n, nuestro interes se centra en descubrir si existen vectores
x R
n
tales que sean m ultiplos escalares precisamente del vector x, esto es, que cumplan que:
6
0 (9)
La cantidad entre parentesis de la ecuacion 8 se llama ecuacion caracterstica de A y cuando se desarrolla
en forma de polinomio, este se llama polinomio caracterstico, esto es:
|I A| = c
n
n
+ c
n1
n1
+ + c
1
1
+ c
0
(10)
La determinacion de los eigenvalores y de los eigenvectores es uno de los principales problemas que se
solucionan en ingeniera. A continuacion veremos ejemplos para determinarlos.
Ejemplo: Encontrar los eigenvalores y los eigenvectores de la matriz:
7
_
2 12
1 5
_
=
_
0
0
_
+
_
2 12
1 5
_
=
_
2 12
1 + 5
_
y procedemos a encontrar el determinante:
det
_
2 12
1 + 5
_
= ( 2)( + 5) (1)(12)
=
2
+ 3 10 + 12
=
2
+ 3 + 2
= ( + 1)( + 2) (12)
Entonces las races del polinomio caracterstico (12) son los eigenvalores de la matriz (11):
1
= 1 (13)
2
= 2 (14)
Segunda parte: encontrar los eigenvectores
Para ello aplicamos la reduccion Gauss-Jordan para resolver dos veces el sistema lineal homogeneo
dado por (I A)v =
0, primero para
1
= 1 y despues para
2
= 2.
Para
1
= 1, la matriz de coecientes es:
(1)I A =
_
1 2 12
1 1 + 5
_
=
_
3 12
1 4
_
y al aplicarle la reduccion de Gauss-Jordan, tenemos:
_
1 4
0 0
_
8
= P
1
AP
Ejemplo: Las matrices
A =
_
2 2
1 3
_
y A
=
_
3 2
1 2
_
9
= P
1
AP con
P =
_
1 1
0 1
_
( Tarea 3 en la libreta, realizar la comprobacion haciendo la multiplicaci on P
1
AP )
Diagonalizacion
Recordemos que una matriz cuadrada diagonal es aquella cuya diagonal principal esta formada por
valores diferentes de cero y las zonas triangulares por encima y por abajo de la diagonal principal estan
formadas por ceros
1
_
`
_
1 3 0
3 1 0
0 0 2
_
_
es diagonizable con P:
P =
_
_
1 1 0
1 1 0
0 0 1
_
_
Solucion:
Debe demostrarse que las matrices cumplen que:
P
1
AP =
_
_
4 0 0
0 2 0
0 0 2
_
_
( Tarea 4 en la libreta, encontrar P
1
y realizar la multiplicacion P
1
AP )
Ejemplo: 2:
Demostrar que la matriz
1
Como en las matrices identidad I, pero ahora en la diagonal pueden estar valores diferentes de 1
10
_
1 1 1
1 3 1
3 1 1
_
_
es diagonalizable y determinar una matriz P que cumpla que P
1
AP sea diagonal.
Solucion:
Primero debemos encontrar la matriz P, Esto se logra encontrando los eigenvalores y los eigenvectores
de A.
El polinomio caracterstico de A es:
|I A| =
_
_
1 1 1
1 3 1
3 1 + 1
_
_
= ( 2)( + 2)( 3)
( Tarea 5 en la libreta, Realizar las operaciones indicadas para llegar al resultado mostrado )
Por lo tanto los eigenvalores son
1
= 2,
2
= 2 y
3
= 3. Usando los eigenvalores, podemos
encontrar los eigenvectores, y son, respectivamente
2
:
_
_
1
0
1
_
_
,
_
_
1
1
4
_
_
y
_
_
1
1
1
_
_
y seran las columnas de la matriz P:
P =
_
_
1 1 1
0 1 1
1 4 1
_
_
La inversa de P es:
P
1
=
_
_
1 1 0
1
5
0
1
5
1
5
1
1
5
_
_
( Tarea 6 en la libreta, Realizar las operaciones indicadas para encontrar P
1
)
2
AVISO: quien me entregue en hojas blancas correctamente encontrados los eigenvectores tendra DOS PUNTOS extra
en el ultimo parcial. Pueden consultar la pagina 440 del libro, pero necesito todos los calculos
11
_
2 0 0
0 2 0
0 0 3
_
_
( Tarea 7 en la libreta, Realizar la multiplicacion P
1
AP )
FIN de las notas
12