Ejercicios Resueltos Trasnformaciones Lineales Algebra Lineal
Ejercicios Resueltos Trasnformaciones Lineales Algebra Lineal
Ejercicios Resueltos Trasnformaciones Lineales Algebra Lineal
TRANSFORMACIONES LINEALES
τA (x + y) = τA (x) + τA (y)
.c
a1
álgebra lineal:
at
M
w.
ww
T (x + y) = T (x) + T (y)
T (αx) = αT (x)
Ejemplo 4.1.2 Como vimos antes, si A ∈ Mm×n (F) , entonces τA : Fn → Fm es una transfor-
mación lineal. Consideremos algunas matrices en M2 (R):
1 0
1. Reflexión respecto al eje x: Sea A = . Entonces τA : R2 → R2 está definida por
0 −1
x x
τA = . Geométricamente, τA toma un vector de R2 y lo refleja respecto al
y −y
eje x.
1 0
2. Proyección sobre el eje x: Si P = , entonces τP : R2 → R2 está definida por
0 0
x x
τP = . Esto es, τP toma un vector de R2 y lo proyecta sobre el eje x.
y 0
3. Rotación: sea 0 ≤ θ ≤ 2π y consideremos la matriz
m
cosθ −senθ
o
U= .
.c
senθ cosθ
a1
ic
x
Si ∈ R2 entonces x = rcosα y y = rsenα. Así,
at
y
em
x cosθ −senθ rcosα rcos (θ + α)
U = =
at
Ejemplo 4.1.3 Las siguientes funciones son ejemplos de transformaciones lineales entre espa-
cios vectoriales:
1. Sea D el subespacio de F (R, R) formado por las funciones f : R → R que tienen derivadas
de todos los órdenes y D : D → D definida por D (f ) = f ′ . Para cualesquiera f, g ∈
F (R, R) y α ∈ R tenemos que
D (f + g) = (f + g)′ = f ′ + g ′ = D (f ) + D (g)
D (αf ) = (αf )′ = αf ′ = αD (f )
Si f, g ∈ S y α ∈ R, entonces
Zb Zb
I (f + g) = (f + g) (x) dx = [f (x) + g (x)] dx
a a
Zb Zb
= f (x) dx + g (x) dx = I (f ) + I (g)
a a
y
Zb Zb Zb
I (αf ) = (αf ) (x) dx = αf (x) dx = α f (x) dx = αI (f )
a a a
Luego sumando el inverso aditivo de T (0) a ambos lados de la relación anterior obtenemos
M
T (0) = 0.
w.
establece que una transformación lineal T ∈ L (V, W ) queda completamente determinada por
los valores que toma en una base de V .
T está bien definida por el hecho de que cada vector de V tiene una representación única como
combinación lineal de vectores de la base. La linealidad de T es clara por la forma que la
86 juan rada
definimos. Para ver la unicidad, supongamos que S ∈ L (V, W ) satisface S (vi ) = wi para todo
i. Entonces ! !
Xn Xn n
X n
X
S αi vi = αi S (vi ) = αi T (vi ) = T αi vi
i=1 i=1 i=1 i=1
Entonces
a1
ic
x x x x x x
y z z y y 0
at
ST =S = y TS =T =
z 0 0 z 0 0
em
at
T r T s = T s T r = T r+s .
En el próximo resultado presentamos una lista de propiedades básicas que satisface la com-
posición de transformaciones lineales. Suponemos que los espacios de partida y de llegada son
los adecuados.
1. (RS) T = R (ST ) ;
2. R (S + T ) = RS + RT ;
3. (R + S) T = RT + ST ;
EJERCICIOS
em
1 2 0 1
F = yF = .
2 3 1 4
at
M
x x
Encuentre una expresión explícita para F , donde ∈ R2 .
w.
y y
ww
8. Sea V el espacio de los números complejos considerado como espacio vectorial sobre R.
Encuentre una transformación lineal de V en V pero que no sea lineal cuando considere a
V como espacio vectorial sobre C.
Transformaciones lineales 89
Una propiedad importante de las transformaciones lineales es que envía subespacios en sub-
w.
espacios.
ww
T (U) = {T (u) : u ∈ U}
es un subespacio de W .
y
αT (x) = T (αx) ∈ T (U)
T (x + y) = T (x) + T (y) = 0 + 0 = 0
y
T (αx) = αT (x) = α0 = 0
porque x, y ∈ ker (T ). En consecuencia, x + y y αx ∈ ker (T ).
= {x ∈ Fn : Ax = 0}
em
y
at
M
= {Ax : x ∈ Fn }
ww
Esto es, ker (τA ) y Im (τA ) coincide con lo que llamamos en secciones anteriores el núcleo
y la imagen de A. Para calcular estos subespacios usamos las técnicas estudiadas en el
capítulo 1.
2. Sea D el subespacio de F (R, R) formado por las funciones f : R → R que tienen derivadas
de todos los órdenes y D : D → D definida por D (f ) = f ′ . Entonces
ker (D) = {f ∈ D : D (f ) = 0}
= {f ∈ D : f ′ = 0}
= {f ∈ D : f es constante}
Para decidir si una transformación lineal es inyectiva basta con revisar el núcleo.
Teorema 4.2.5 Sea T ∈ L (V, W ). Entonces T es inyectiva si, y sólo si, ker (T ) = {0} .
Transformaciones lineales 91
T (0) = 0 = T (x) .
T (x − y) = 0
Faltaría ver que dim [Im (T )] = r. Para eso demostramos que T (v1 ) , . . . , T (vr ) es una base de
ic
α1 , . . . , αk , β1 , . . . , βr tales que
em
x = α1 w1 + · · · + αk wk + β1 v1 + · · · + βr vr
at
y = T (x) = T (α1 w1 + · · · + αk wk + β1 v1 + · · · + βr vr )
= α1 T (w1 ) + · · · + αk T (wk ) + β1 T (v1 ) + · · · + βr T (vr )
= β1 T (v1 ) + · · · + βr T (vr )
Esto demuestra que T (v1 ) , . . . , T (vr ) generan a Im (T ). Por otro lado, si γ1 , . . . , γr son escalares
tales que
γ1 T (v1 ) + · · · + γr T (vr ) = 0
entonces
0 = γ1 T (v1 ) + · · · + γr T (vr ) = T (γ1 v1 + · · · + γr vr )
En particular, γ1 v1 + · · · + γr vr ∈ ker (T ) y así, existen escalares ζ1 , . . . , ζk tales que
γ1 v1 + · · · + γr vr = ζ1 w1 + · · · + ζk wk
o equivalentemente,
ζ1 w1 + · · · + ζk wk − γ1 v1 − · · · − γr vr = 0
92 juan rada
Corolario 4.2.7 Sean V y W espacios de dimensión finita tales que dim (V ) = dim (W ) y
T ∈ L (V, W ). Entonces T es inyectiva si, y sólo si, T es sobreyectiva.
EJERCICIOS
em
x x − y + 2z
at
z −x − 2y + 2z
w.
ker (T ) y Im (T ).
ww
7. Sea T : V → W una transformación lineal. Demuestre que si dim (V ) > dim (W ) , entonces
T no es inyectiva.
8. Sea V el subespacio de F (R, R) formado por las funciones que tienen derivadas de todos
los órdenes y sea D n : V → V el operador derivada n-ésima. ¿Cuál es el núcleo de D n ?
4.3. Isomorfismos
a1
ic
V ∼= W.
at
Dos espacios isomorfos son esencialmente los mismos, lo único que cambia es la naturaleza
M
de sus elementos.
w.
ww
F× {0} = {(x, 0) : x ∈ F}
−1
1. (T −1 ) = T;
em
Demostración. Demostramos 2.
w.
ww
(ST ) T −1 S −1 = S T T −1 S −1 = SIV S −1 = IW
T −1 S −1 (ST ) = T −1 S −1 S T = T −1 IV T = IU
Luego (T S)−1 = (S −1 T −1 ).
Los conceptos de independencia, generación y bases pasan a través del isomorfismo de un
espacio a otro.
r
! r
X X
m
o
w = T (v) = T γixi = γiT (xi )
.c
a1
i=1 i=1
ic
Esto demuestra que T (X) genera a W . Recíprocamente, supongamos que T (X) genera a W y
at
sea x ∈ V. Entonces !
em
Xr r
X
T (x) = ζi T (xi ) = T ζi xi
at
i=1 i=1
M
r
P
para ciertos xi ∈ X y escalares ζi ∈ F. Se deduce por la inyectividad de T que x = ζi xi . Así,
w.
ww
i=1
X genera a V.
3. Es consecuencia inmediata de las partes 1 y 2.
EJERCICIOS
x 2x + y
1. Sea S ∈ L (R ) definida por S
2
= . Demuestre que S es invertible.
y 3x − 5y
x 3x
2. Sea T ∈ L (R3 ) definida por T y = x−y . ¿Es T invertible? De serlo,
z 2x + y + z
encuentre T .
−1
T UT U −1 es un isomorfismo de L (V ) en L (W ) .
Mw.
ww
para todo v ∈ V .
[T (v)]C = B [v]B
para todo v ∈ V . En particular, Aei = A [vi ]B = B [vi ]B = Bei para todo i = 1, . . . , n, lo cual
indica que A y B tienen todas las columnas iguales.
at
x x+y
T =
em
y 2x − 5y
at
1 0
Vamos a calcular la matriz [T ]BB donde B = , . Para esto calculamos
M
1 2
w.
ww
1 2 1 5 0
T = =2 + −
1 −3 1 2 2
Ejemplo 4.4.4 Sea V = {p (x) ∈ F [x] : grado de p (x) ≤ 2}. Consideremos las bases
B = 1, x − 1, x2 − x
y
B′ = 3, x, x2 − 1
98 juan rada
a S + T es
em
[(S + T ) (vi )]C = [S (vi ) + T (vi )]C = [S (vi )]C + [T (vi )]C
y la columna i de la matriz asociada a αS es
at
M
Luego [S + T ]BC = [S]BC + [T ]BC y [αS]BC = α [S]BC . Esto demuestra que la función definida
por T [T ]BC es lineal. Además, es biyectiva. En efecto, supongamos que B = {v1 , . . . , vn } y
C = {w1 , . . . , wm }. Si T ∈ L (V, W ) y [T ]BC = 0, entonces, por (4.1), [T (v)]C = 0 para todo
v ∈ V . Esto implica que T = 0 y, por lo tanto, la función es inyectiva. Para ver la sobreyectividad
sea M ∈ Mm×n (F) y supongamos que Mei = (x1i , . . . , xmi )⊤ para cada i = 1, . . . , n. Definamos
Q : V → W por Q (vi ) = xi1 w1 + · · · + xim wm y extendamos linealmente a todo V . Entonces
Q ∈ L (V, W ) y [Qvi ]C = Mei para todo i = 1, . . . , n. Por lo tanto, [Q]BC = M. Esto termina la
demostración.
La matriz asociada a una composición de transformaciones lineales es el producto de las
matrices asociadas a cada una de las transformaciones lineales.
Teorema 4.4.6 Sea T ∈ L (V, W ) y S ∈ L (W, Z). Supongamos que B, C y D son bases de
V, W y Z respectivamente. Entonces
gamos que B,B′ son bases ordenadas de V y C,C ′ son bases ordenadas de W . Sea P la matriz
cambio de base de B a B′ y Q la matriz cambio de base de C a C ′ . Entonces
ic
at
[T ]B′ C ′ = Q [T ]BC P −1
em
Q [T ]BC P −1 [v]B′ = Q [T ]BC [v]B = Q [T (v)]C
Mw.
= [T (v)]C ′
ww
[T ]B′ = P [T ]B P −1
La relación de semejanza es una relación de equivalencia sobre el espacio Mn (F) (ver ejercicio
at
12) y, por lo tanto, divide a Mn (F) en clases de equivalencia disjuntas. Se concluye del corolario
em
anterior que las matrices asociadas a un operador lineal con respecto a bases diferentes son
matrices semejantes. El recíproco también es cierto, es decir, si A, B ∈ Mn (F) son semejantes,
at
entonces A, B son matrices asociadas a un operador lineal T ∈ L (V ) con respecto a dos bases
M
Teorema 4.4.11 Supongamos que A, B ∈ Mn (F) son semejantes. Entonces existen bases B y
B′ de un espacio vectorial V de dimensión finita y T ∈ L (V ) tales que [T ]B = A y [T ]B′ = B.
[T ]B′ = P [T ]B P −1 = Q−1 AQ = B
para todo i y, en consecuencia, Q−1 [v] B = [v]B′ para todo v ∈ V . Como P es única tal que
P [v]B = [v]B′
EJERCICIOS
x 0
1. Sea T : C → C el operador lineal definido por T
2 2
= . Considere la base
y y
i 2
B= , de C2 y E la base canónica de C2 . Calcule [T ]BE , [T ]EB , [T ]EE y
1 −i
[T ]BB .
m
x
o
x+z
.c
y =
2y − x
z
ic
−1 1 1
at
1 1 0
respectivamente. Calcule [T ]BE ′ y [T ]EE ′ .
at
M
2 3 1
A= 3 0 2
−1 2 1
5. Demuestre que dim Im (T ) = rgo (A) y dim ker (T ) = nul (A), donde T ∈ L (V ) y A =
[T ]BB para una base arbitraria B de V .
1 1 1
1 1
7. Sea B = 1 , 1 , 0 una base ordenada de R3 y C = ,
1 −1
1 0 0
una base ordenada de R2 . Considere la aplicación lineal T : R3 −→ R2 definida por
x
x − 3z
T y =
2x + y
z
Encuentre:
0 1 3 5
a1
ic
[T ]B = Q−1 [T ]E Q
M
w.
x 2y + z
9. Sea S ∈ L (R3 ) definida por S y = x − 4y y considere las bases de R3
z 3x
1 0 0 1 1 1
E=
0 , 1 , 0 yB= 1 , 1 , 0
0 0 1 1 0 0
[T ]B = Q−1 [T ]E Q
10. Considere las bases B = {1, i} y C = {1 + i, 1 + 2i} del espacio vectorial C sobre R.
definidos sobre un espacio vectorial V . Teniendo en cuenta que un operador lineal tiene distintas
representaciones matriciales, es natural elegir una base de V de forma que la representación
ic
resulte lo más simple posible. Las matrices diagonales son bastante sencillas.
at
em
Definición 4.5.1 Una matriz D ∈ Mn (F) es diagonal si cumple [D]ij = 0 para todo i 6= j.
at
Es decir, todos los elementos fuera de la diagonal son 0. Si los elementos sobre la diagonal
M
D = diag (λ1 , . . . , λn )
Presentamos en este capítulo criterios para decidir cuando existe una base B de V tal que [T ]B
es una matriz diagonal.
Definición 4.5.2 Sea V un espacio vectorial. Un operador lineal T ∈ L (V ) es diagonalizable
si existe una base B de V tal que [T ]B es una matriz diagonal.
Ejemplo 4.5.3 Consideremos el operador lineal T ∈ L (R2 ) definido por
x 6x − y
T =
y 3x + 2y
1 1
Entonces B = , es una base de R2 . Además,
3 1
1 3 1 1
T = =3 +0
3 9 3 1
104 juan rada
y
1 5 1 1
T = =0 +5
1 5 3 1
Por lo tanto,
3 0
[T ]B =
0 5
y así, T es diagonalizable.
D = [T ]C = P [T ]B P −1 = P AP −1
Definición 4.5.6 Decimos que la matriz A ∈ Mn (F) es diagonalizable si existe una matriz
diagonal D tal que A es semejante a D.
Ax = λx
1. λ es un autovalor de A; om
.c
2. det (λI − A) = 0.
a1
ic
de A si, y sólo si, (λI − A) x = 0 para 0 6= x ∈ Fn si, y sólo si, λI − A no es invertible si, y sólo
si, det (λI − A) = 0.
em
Este resultado nos proporciona un método para encontrar los autovalores y autovectores
at
de una matriz. Si tratamos a λ como una variable, entonces det (λI − A) es un polinomio en
M
λ y los autovalores de A son las raíces de la ecuación polinómica det (λI − A) = 0. Después
w.
de encontrar los autovalores de A encontramos los autovectores como la solución no trivial del
ww
Definición 4.5.10 El polinomio pA = pA (x) = det (xI − A) ∈ F [x] se llama polinomio ca-
racterístico de A.
El hecho de que los autovalores de una matriz A se obtienen como raíces de pA (x) nos indica
que hay diferencias cuando tomamos F = R o F = C
0 1
Ejemplo 4.5.11 Consideremos la matriz B = ∈ M2 (R). Entonces el polinomio
−1 0
característico de B es
x −1
pB = det = x2 + 1 ∈ R [x]
1 x
Este polinomio no tiene raíces sobre R y, por lo tanto, B no tiene autovalores.
106 juan rada
0 1
Ejemplo 4.5.12 Consideremos la matriz B = ∈ M2 (C). Entonces el polinomio
−1 0
característico de B es
x −1
pB = det = x2 + 1 = (x + i) (x − i)
1 x
En este ejemplo notamos que los autovalores de B son {−i, i}. El autoespacio asociado al
1
autovalor λ = −i es el subespacio generado por el vector . El autoespacio asociado a
−i
1
λ = i es el subespacio generado por el vector .
i
El próximo resultado muestra que matrices semejantes tienen el mismo polinomio caracte-
rístico.
pA = det (xI − A) = det P −1 (xI − A) P = det (xI − B) = pB
ic
at
Concluimos esta sección con un importante resultado sobre la independencia lineal de au-
at
tovectores.
M
w.
xs+1 = α1 x1 + · · · + αs xs (4.2)
donde no todos los αi ∈ F son ceros. Multiplicando ambos lados por A obtenemos
λs+1 xs+1 = α1 λ1 x1 + · · · + αs λs xs
Transformaciones lineales 107
Se deduce de la primera parte que todos los xi son cero y, por lo tanto, x = 0.
Ahora supongamos que Bi = {xi,1 , . . . , xi,ti } y consideremos una combinación lineal
om
.c
a1
Esto es una contradicción. Por lo tanto, yi = 0 para todo i y así, αi,t = 0 para todo 1 ≤ i ≤ k
w.
EJERCICIOS
2 3
1. Encuentre el polinomio característico de la matriz A = ∈ M2 (R), los auto-
−1 1
2 3
valores y los autoespacios correspondientes. ¿Qué ocurre si considera a A = ∈
−1 1
M2 (C)?
2. Sea A ∈ Mn (F) una matriz triangular. Demuestre que los autovalores de A son los
elementos de la diagonal de A.
−9 4 4
3. Encuentre el polinomio característico de la matriz A = −8 3 4 ∈ M2 (R), los
−16 8 7
autovalores y los autoespacios correspondientes.
108 juan rada
de A−1 .
w.
ww
11. Suponga que λ es un autovalor de la matriz A con autovector asociado v. Demuestre que
para todo entero n > 0, λn es un autovalor de An con autovector asociado v.
T x = λx
4.6. Diagonalización
En esta sección establecemos la conexión entre la teoría de autovalores y el problema de
diagonalización.
Teorema 4.6.1 La matriz A ∈ Mn (F) es diagonalizable si, y sólo si, existe una base de Fn
formada por autovectores de A.
D = diag (λ1 , . . . , λn ) .
Por el teorema 3.4.13, las columnas de P∗1 , . . . , P∗n de P forman una base de Fn . Por otra parte,
un cálculo simple demuestra que
j = 1, . . . , n
ic
Damos a continuación un criterio útil para decidir cuando una matriz A ∈ Mn (F) es dia-
at
Definición 4.6.2 Sea A ∈ Mn (F). La dimensión del autoespacio ker (λI − A) asociado a un
autovalor λ de A se llama la multiplicidad geométrica de λ y la denotamos por mgA (λ).
Teorema 4.6.4 Sea A ∈ Mn (F) y λ0 un autovalor de A. Entonces mgA (λ0 ) ≤ maA (λ0 ).
Demostración. Supongamos que mgA (λ0 ) = r y sea Q1 , . . . , Qr una base de ker (λ0 I − A).
Extendamos hasta una base
Q1 , . . . , Qr , Qr+1 , . . . , Qn
de Fn y consideremos la matriz invertible Q que tiene a Qj como columna j, para j = 1, . . . , n.
Entonces
Q−1 AQ ∗j = Q−1 AQ∗j = Q−1 AQj = Q−1 λ0 Qj = λ0 ej
para todo j = 1, . . . , r. Por lo tanto
−1 λ0 Ir B
Q AQ =
0 C
para ciertas B ∈ Mr,n−r (F) y C ∈ Mn−r (F). Se concluye del teorema 4.5.13 que
(x − λ0 ) Ir −B
pA = pQ−1 AQ = det
0 xIn−r − C mo
.c
a1
Desarrollando este determinante por las primeras m columnas obtenemos que pA = (x − λ0 )r |xIn−r − C|
lo cual demuestra que
ic
Ahora estamos en condiciones de presentar un criterio para decidir cuando una matriz es
at
diagonalizable.
M
w.
Teorema 4.6.5 Sea A ∈ Mn (F) tal que pA se expresa como producto de factores lineales.
ww
Entonces A es diagonalizable si, y sólo si, mgA (λ) = maA (λ) para todo λ ∈ σ (A) .
Calculemos ahora las multiplicidades geométricas de los autovalores de A. Usando las técnicas
a1
3 −1 −1 1 0 −1
at
5I − A = −2 2 −2 ∼ 0 1 −2 (4.4)
em
f
−1 −1 3 0 0 0
at
−1 −1 −1 1 1 1
w.
ww
1I − A = −2 −2 −2 ∼ 0 0 0 (4.5)
f
−1 −1 −1 0 0 0
y así, rgo (I − A) = 1 lo cual implica mgA (1) = 2. El teorema 4.6.5 nos garantiza que A
es diagonalizable. Para encontrar la matriz P invertible tal que P −1 AP es diagonal debemos
construir bases de los autoespacios ker (5I − A) y ker (I − A) . De la relación (4.4) obtenemos
que
y − 2z = 0
x−z = 0
Luego la solución
del
sistema
(5I−
homogéneo A) X = 0 viene dada por los vectores de la
x 1 1
forma 2x = x 2 . Es decir, 2 es una base de ker (5I − A). Por otra parte,
x 1 1
se deduce de la relación (4.5) que
x+y+z = 0
112 juan rada
0 1
Luego el conjunto 1 , 0 forma una base de ker (I − A). La matriz invertible
−1 −1
P que buscamos es
1 0 1
P = 2 1 0
1 −1 −1
En efecto,
0
a1
0 −1 0
em
3I − B = 0 0 −1
0 0 0
at
M
nalizable.
EJERCICIOS
x 6x − y
1. Sea F : R → R el operador lineal definido por F
2 2
= . ¿Es F diago-
y 3x + 2y
nalizable? En caso de serlo, encuentre una base B de R2 tal que [F ]B es diagonal.
x 2x + y
2. Sea T : R3 → R3 el operador lineal definido por T y = y − z . ¿Es T
z 2y + 4z
diagonalizable? En caso de serlo, encuentre una base B de R3 tal que [T ]B es diagonal.
6 −3 −2
3. Sea A = 4 −1 −2 . Es A semejante, sobre C, a una matriz diagonal?
10 −5 −3
Transformaciones lineales 113
mo
.c
a1
ic
at
em
at
Mw.
ww