Transformaciones Lineales.

Gómez Ávalos, G. (2020) Transformaciones Lineales.

Universidad Andrés Bello, Campus online, Chile.
Transformaciones lineales Página 2

Transformaciones lineales.
En esta unidad estudiaremos una clase especial de funciones entre espacios vectoriales, las cuales tienen muchas
aplicaciones en cálculo y ecuaciones diferenciales.
Denición 1.
Sean V, W espacios vectoriales sobre un cuerpo K. Una función T : V → W se dice que es una transfor-
mación lineal, si y solo si cumple con las siguientes condiciones:
i. T (~u + ~v ) = T (~u) + T (~v ), ∀~u, ~v ∈ V .
ii. T (α~u) = αT (~u), ∀α ∈ K y ∀~u ∈ V .
O equivalentemente:
T (~u + α~v ) = T (~u) + αT (~v ), ∀~u, ~v ∈ V, ∀α ∈ K.

Ejemplos:
1. Probar que la función T : R2 → R3 denida por:
T (x, y) = (x + y, 2y, y − x)

es una transformación lineal.

Solución: Dados (x1 , y1 ), (x2 , y2 ) ∈ R2 y α ∈ R, se tiene que:
T ((x1 , y1 ) + α(x2 , y2 )) = T (x1 + αx2 , y1 + αy2 )
= (x1 + αx2 + y1 + αy2 , 2(y1 + αy2 ), y1 + αy2 − x1 − αx2 )
= (x1 + y1 , 2y1 , y1 − x1 ) + (αx2 + αy2 , 2αy2 , αy2 − αx2 )
= (x1 + y1 , 2y1 , y1 − x1 ) + α(x2 + y2 , 2y2 , y2 − x2 )
= T (x1 , y1 ) + αT (x2 , y2 )

Por lo tanto, T es una transformación lineal.

2. Probar que la función T : M2×2 (R) → R3 denida por:
 
x y
T = (x + y, 1)
z w

no es una transformación lineal.

Solución: Para mostrar que una función no es una transformación lineal basta probar que para un par de
elementos del espacio de partida no se verica la condición de linealidad o alguna de las condiciones de la
denición.
   
1 0 0 1
Sea ~u = y ~v = , entonces:
0 0 0 0
 
1 1
T (~u + ~v ) = T = (2, 1)
0 0

y
   
1 0 0 1
T (~u) + T (~v ) = T +T = (1, 1) + (1, 1) = (2, 2),
0 0 0 0

de donde tenemos que existen ~u, ~v ∈ M2×2 (R) tales que T (~u + ~v ) 6= T (~u) + T (~v ). Por lo tanto, T no es una
transformación lineal, pues no cumple la condición i. de la denición.

2
Transformaciones lineales Página 3

Teorema 2.
Sean V y W espacios vectoriales sobre un cuerpo K, tal que {v1 , . . . , vn } una base ordenada de V . Si
{w1 , . . . , wn } ⊂ W , entonces existe una única transformación lineal T : V → W tal que T (vi ) = wi ,
∀i ∈ {1, . . . , n}

Ejemplos:
1. Determinar una transformación lineal T : P2 [R] → R3 tal que:
T (1 + x2 ) = (1, 2, 3)
T (x) = (1, 0, −1)
T (x + x2 ) = (1, 1, 0)

Solución: Comenzamos vericando que {1+x2 , x, x+x2 } es una base de P2 [R]. Como dim P2 [R] = 3, entonces
solo basta probar que B = {1 + x2 , x, x + x2 } es l.i.: Sean α, β, γ ∈ R tal que:
α(1 + x2 ) + β(x) + γ(x + x2 ) = 0
α + (β + γ)x + (α + γ)x2 = 0

Comparando coecientes tenemos α = 0, β + γ = 0 y α + γ = 0, de donde concluimos que α = β = γ = 0. Por

lo tanto, B es una base de P2 [R].
Sea p(x) = ax2 + bx + c ∈ P2 [R] y α, β, γ ∈ R tales que:
α(1 + x2 ) + β(x) + γ(x + x2 ) = c + bx + ax2
α + (β + γ)x + (α + γ)x2 = c + bx + ax2

Entonces,
α =c
β+γ =b
α+γ =a

Hemos formado un sistema que resolveremos usando eliminación Gaussiana:

     
1 0 0 c 1 0 0 c 1 0 0 c
f3 →f3 −f1 f2 →f2 −f3
0 1 1 b ∼ 0 1 1 b  ∼ 0 1 0 b + c − a
1 0 1 a 0 0 1 a−c 0 0 1 a−c

Así, α = c, β = b + c − a y γ = a − c, es decir:
c(1 + x2 ) + (b + c − a)(x) + (a − c)(x + x2 ) = c + bx + ax2

Ahora, aplicando la transformación T tenemos que:

cT (1 + x2 ) + (b + c − a)T (x) + (a − c)T (x + x2 ) = T (c + bx + ax2 )
c(1, 2, 3) + (b + c − a)(1, 0, −1) + (a − c)(1, 1, 0) = T (c + bx + ax2 )
(c + b + c − a + a − c, 2c + a − c, 3c − b − c + a) = T (c + bx + ax2 )
(b + c, a + c, a − b + 2c) = T (c + bx + ax2 )

2. Determinar una transformación lineal T : M2×2 (R) → R4 tal que:

   
1 0 0 1
T = (1, 2, −1, 0), T = (1, 0, 0, 1)
0 0 0 0
   
0 0 0 0
T = (0, 2, 3, 4), T = (1, 4, 0, 1)
0 1 0 1

3
Transformaciones lineales Página 4

Denición 3.
Sean V , W espacios vectoriales sobre un cuerpo K, y T : V → W una transformación lineal. Se denen los
conjuntos
ˆ Núcleo o kernel de T , denotado por Ker T , como:

Kert T = {~v ∈ V : T (~v ) = ~0W }

ˆ Imagen o rango de T , denotado por Im T , como:

~ ∈ W : ∃~v ∈ V tal que T (~v ) = w}

Im T = {w ~ = {T (~v ) : v ∈ V }

Ejemplo: Determinar el núcleo e imagen de la transformación lineal T : R3 → R2 denida por:

T (a, b, c) = (b + c, a)

Solución:
ˆ Núcleo de T

Ker T = {(a, b, c) ∈ R3 : T (a, b, c) = (0, 0)}

= {(a, b, c) ∈ R3 : (b + c, a) = (0, 0)}
= {(a, b, c) ∈ R3 : a = 0, c = −b}
= {(0, b, −b) : b ∈ R}
= {b(0, 1, −1) : b ∈ R}
= h(0, 1, −1)i

ˆ Imagen de T

Im T = {T (a, b, c) : (a, b, c) ∈ R3 }
= {(b + c, a) : (a, b, c) ∈ R3 }
= {(b + c)(1, 0) + a(0, 1) : a, b, c ∈ R}
= h(1, 0), (0, 1)i = R2

Teorema 4.
Sean V, W espacios vectoriales sobre un cuerpo K y T : V → W una transformación lineal.
Si {v1 , . . . , vn } es una base de V , entonces Im T = hT (~v1 ), . . . , T (~vn )i

Ejemplo: Sea T : R3 → R3 una transformación lineal, denida por T (a, b, c) = (2c, a + b, 3c). Determinaremos la
imagen de T .
Solución: Consideremos la base canónica de R3 , es decir, {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Luego,
Im T = hT (1, 0, 0), T (0, 1, 0), T (0, 0, 1)i
= h(0, 1, 0), (0, 1, 0), (2, 0, 3)i

Además, usando operaciones elementales por las tenemos:

     
0 1 0 0 1 0 f →1f 0 1 0
f2 →f2 −f1 3 3
0 1 0 ∼ 0 0 0 ∼2 0 0 0
3
2 0 3 2 0 3 1 0 2

4
Transformaciones lineales Página 5

Por lo tanto,
  
3
Im T = h(0, 1, 0), (0, 1, 0), (2, 0, 3)i = (0, 1, 0), 1, 0,
2

Teorema 5.
Sean V, W espacios vectoriales sobre un cuerpo K y T : V → W una transformación lineal, entonces:
Ker T ≤ V ∧ Im T ≤ W

Además, llamamos a dim(Ker T ) nulidad de T y a dim(Im T ) se denomina rango de T , cumpliendo que:

dim V = dim(Ker T ) + dim(Im T )

Ejemplo: Dada la transformación lineal T : R4 → R3 denida por T (a, b, c, d) = (2a + b, 0, a + b). Determinar el
núcleo y dimensión de la imagen de T .
Solución: Comenzamos determinando el núcleo de T :
Ker T = {(a, b, c, d) ∈ R4 : T (a, b, c, d) = (0, 0, 0)}
= {(a, b, c, d) ∈ R4 : (2b + a, 0, a + b) = (0, 0, 0)},

donde notamos que la igualdad entre los vectores (2b+a, 0, a+b) = (0, 0, 0) determina el siguiente sistema de ecuaciones:
2b + a = 0 b = a2 a
⇔ ⇔ −a = ⇔ a = 0
a+b =0 b = −a 2

Así, necesariamente a = b = 0. Entonces,

Ker T = {(a, b, c, d) ∈ R4 : T (a, b, c, d) = (0, 0, 0)}
= {(a, b, c, d) ∈ R4 : a = b = 0}
= {(0, 0, c, d) : c, d ∈ R}
= {c(0, 0, 1, 0) + d(0, 0, 0, 1) : c, d ∈ R}
= h(0, 0, 1, 0), (0, 0, 0, 1)i

Luego, notando que el conjunto {(0, 0, 1, 0), (0, 0, 0, 1)} es una base de Ker T , entonces dim(Ker T ) = 2 y por tanto:
dim(R4 ) = dim(Ker T ) + dim(Im T )
4 = 2 + dim(Im T )

se tiene que dim(Im T ) = 2

5
Transformaciones lineales Página 6

Matrices y transformaciones lineales.

Supongamos que B = {~v1 , ~v2 , · · · , ~vn } es una base ordenada de un espacio vectorial V sobre un cuerpo K. Entonces,
para un vector cualquiera ~v ∈ V existen escalares α1 , α2 , . . . , αn ∈ K tal que
~v = α1~v1 + α2~v2 + · · · + αn~vn

Lo cual motiva la siguiente denición.

Denición 6.
Se dene el vector coordenado de ~v ∈ V en la base ordenada B = {~v1 , ~v2 , · · · , ~vn } del espacio vectorial V
sobre el cuerpo K como el vector columna, denotado por [v]B , siguiente:
 
α1
 α2 
[v]B =  .  = (α1 , α2 , . . . , αn )t .
 
 .. 
αn

Ejemplos:
1. Escribir el vector coordenada de ~v = (1, 3, 5) ∈ R3 , con respecto a la base ordenada B = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}
del espacio vectorial R3 sobre R.
Solución: Notando que:
(1, 3, 5) = 1(1, 0, 0) + 3(0, 1, 0) + 5(0, 0, 1)

Entonces,
 
1
[(1, 3, 5)]B = 3
5

2. Escribir el vector coordenada de ~v = (1, 3, 5) ∈ R3 , con respecto a la base ordenada B1 = {(1, 1, 0), (0, −1, 0), (0, 0, 4)}
del espacio vectorial R3 sobre R.
Solución: Sean α, β y γ números reales tales que:
(1, 3, 5) = α(1, 1, 0) + β(0, −1, 0) + γ(0, 0, 4)
= (α, α − β, 4γ)

Entonces, igualando vectores (componente a componente) formamos el sistema:

α =1 α =1 α =1
α−β =3 ⇔ β =α−3 ⇔ β = −2
4γ =5 γ = 54 γ = 54

Por lo tanto,
 
1
[(1, 3, 5)]B1 = −2
5
4

3. Escribir el vector coordenada de ~v = (x, y, z) ∈ R3 , con respecto a la base ordenada B1 = {(1, 1, 0), (0, −1, 0), (0, 0, 4)}
del espacio vectorial R3 sobre R.
Solución: Sean α, β y γ números reales tales que:
(x, y, z) = α(1, 1, 0) + β(0, −1, 0) + γ(0, 0, 4)
= (α, α − β, 4γ)

6
Transformaciones lineales Página 7

Entonces, igualando vectores (componente a componente) formamos el sistema:

α =x α =x α =x
α−β =y ⇔ β =α−y ⇔ β =x−y
4γ =z γ = z4 γ = z4
Por lo tanto,
 
x  z t
[(x, y, z)]B1 = x − y  = x, x − y,
z 4
4

Ahora, nuestro objetivo será representar matricialmente transformaciones lineales.

Denición 7.
Sean V y W espacios vectoriales sobre un cuerpo K, B = {~v1 , ~v2 , . . . , ~vn }, B1 = {w ~ 2 , . . . , wm } bases
~ 1, w
ordenadas para U y W , respectivamente, y T : V → W una transformación lineal. Entonces, existen
aij ∈ K, con i ∈ {1, . . . , n} y j ∈ {1, 2, . . . , m}, tales que:

T (~v1 ) = a11 w
~ 1 + a21 w
~ 2 + . . . + am1 w
~m
T (~v2 ) = a12 w
~ 1 + a22 w
~ 2 + . . . + am2 w
~m
T (~v3 ) = a13 w
~ 1 + a32 w
~ 2 + . . . + am3 w
~m
.. ..
. .
T (~vn ) = a1n w
~ 1 + a2n w
~ 2 + . . . + amn w
~m
 
a11 a12 a1m ···
 a21 a22 ···
a2m 
 ∈ Mm×n (K) es la representación de la repre-
 
Diremos que la matriz 
 a31 a32 ···
a3m 
 .. .. .. .. 
 . . . . 
am1 am2 · · · amn
sentación matricial de la transformación lineal T con respecto a las bases ordenadas B de V y
B1 de W . Dicha matriz es denotada por [T ]B
B .
1

Además, si V = W y B = B1 , entonces usamos la notación [T ]B en lugar de [T ]BB1 .

Ejemplo: Sean T : R3 → R2 una transformación lineal, B = {(1, 1, 0), (0, −1, 1), (0, 0, 1)} base de R3 y B1 =
{(1, 1), (0, 1)} base de R2 tal que:
T (1, 1, 0) = (2, 3)
T (0, −1, 1) = (0, −1)
T (0, 0, 1) = (1, 2)

Determinar [T ]BB1 .
Solución: Sea (x, y) ∈ R2 y α, β ∈ R tal que:
(x, y) = α(1, 1) + β(0, 1) = (α, α + β)
Entonces, formamos el sistema:
α =x
⇒β =y−x ∧α=x
α+β =y
Luego, (x, y) = x(1, 1) + (y − x)(0, 1). Así,
T (1, 1, 0) = (2, 3) = 2(1, 1) + 1(0, 1)
T (0, −1, 1) = (0, −1) = 0(1, 1) − 1(0, 1)
T (0, 0, 1) = (1, 2) = 1(1, 1) + 1(0, 1)

7
Transformaciones lineales Página 8

 
2 0 1
Por lo tanto, [T ]B
B
1
= ∈ M2×3 (R).
1 −1 1

Teorema 8.
Sean V y W espacios vectoriales sobre un cuerpo K, B = {~v1 , ~v2 , . . . , ~vn }, B1 = {w ~ 2 , . . . , wm } bases
~ 1, w
ordenadas para U y W , respectivamente, y T : V → W una transformación lineal. Entonces,
[T (~v )]B1 = [T ]B
B [~
1
v ]B

Ejemplo: Sean T : R3 → R2 una transformación lineal, B = {(1, 1, 0), (0, −1, 1), (0, 0, 1)} base de R3 y B1 =
{(1, 1), (0, 1)} base de R2 tal que:
 
2 0 1
[T ]B
B
1
= ∈ M2×3 (R)
1 −1 1

Determinar T (x, y, z).

Solución: Sea (x, y, z) ∈ R3 y α, β, γ ∈ R tal que:
(x, y, z) = α(1, 1, 0) + β(0, −1, 1) + γ(0, 0, 1)
= (α, α − β, β + γ)

Entonces, formamos el sistema:

α =x
α−β = y ⇒ α = x, β = x − y, γ = z + y − x
β+γ =z
 
x
Por lo tanto, (x, y, z) = x(1, 1, 0) + (x − y)(0, −1, 1) + (z + y − x)(0, 0, 1), entonces [(x, y, z)]B =  x − y .
z+y−x
Así, aplicando el teorema tenemos:
 
  x  
2 0 1  x+y+z
[T (x, y, z)]B1 = x−y =
1 −1 1 z+y−x
z+y−x

Por lo tanto, T (x, y, z) = (x + y + z)(1, 1) + (z + 2y − x)(0, 1) = (x + y + z, 2z + 3y − x)

Denición 9.

Sean V un espacio vectorial sobre un cuerpo K, B y B1 bases ordenadas de V . La matriz [IV ]BB1 se llama
matriz de pasaje de la base B a la base B1 , con IV : V → V la transformación lineal identidad en V .

Ejemplo: Encontrar la matriz de pasaje de la base B = {(1, 1), (−1, 0)} a la base B1 = {(0, 1), (1, 2)}.
Solución:
Teorema 10.
Sean V un espacio

vectorial
−1
sobre un cuerpo K, B y B1 bases ordenadas de V , entonces la matriz de pasaje
es invertible y [IV ]B
B1
= [IV ]B
B1

Ejemplo: Encontrar la matriz de pasaje de la base B1 = {(0, 1), (1, 2)} a la base B = {(1, 1), (−1, 0)}.
Solución:

8
Transformaciones lineales Página 9

Teorema 11.
Sean V y W espacios vectoriales sobre un cuerpo K, B y B1 bases ordenadas de V , y B0 y B10 bases
ordenadas de W . Si T : V → W es una transformación lineal, entonces:

(B, V )
T / (B 0 , W )
O
0 0 B0B1
[T ]B B
B = [IW ]B10 [T ]B1 [IV ]B
1
IV IW

(B1 , V ) / (B10 , W )
T

 
1 2
Ejemplo: Sea T : R2 → R2 una transformación lineal tal que [T ]B = 1 1
, con B = {(1, 1), (0, 1)}. Determina
[T ]C , donde C = {(1, 0), (0, 1)} es la base canónica de R2 .
Solución: Comenzamos observando el siguiente diagrama:
(C, R2 )
T / (C, R2 )
O
IV IW

(B, R2 ) / (B, R2 )
T

Esto es, [T ]C = [IR2 ]CB [T ]B [IR2 ]BC , donde debemos calcular las matrices de pasaje [IR2 ]CB y [IR2 ]BC .
Notemos que:
(1, 1) = 1(1, 0) + 1(0, 1)
(0, 1) = 0(1, 0) + 1(0, 1)

Entonces,
 
1 0
[IR2 ]CB =
1 1

−1
Además, sabemos que [IR2 ]BC = [IR2 ]CB , entonces calculando la inversa tenemos:
 −1  
1 0 1 0
[IR2 ]B
C = =
1 1 −1 1


a b
Recuerde que si A = ∈ M2×2 (R) con det(A) = ad − bc 6= 0, entonces A es invertible (existe su inversa) y
 c d
1 d −b
A−1 = .
det(P ) −c a
Por lo tanto, reemplazando estas matrices tenemos:
        
1 0 1 2 1 0 1 2 1 0 −1 2
[T ]C = [IR2 ]CB [T ]B [IR2 ]B
C = = =
1 1 1 1 −1 1 2 3 −1 1 −1 3

Con lo que determinamos la matriz solicitada.

Solo a modo de observación, notar
 que si determinamos T (x, y) a partir de [T ]B , podemos comprobar nuestro resultado.
1 2
A partir de la matriz [T ]B = tenemos:
1 1

T (1, 1) = 1(1, 1) + 1(0, 1) = (1, 2)

T (0, 1) = 2(1, 1) + 1(0, 1) = (2, 3)

Además, como (x, y) = x(1, 1) + (y − x)(0, 1), entonces:

T (x, y) = xT (1, 1) + (y − x)T (0, 1) = x(1, 2) + (y − x)(2, 3) = (2y − x, 3y − x)

9
Transformaciones lineales Página 10

Luego,
T (1, 0) = (−1, −1) = −1(1, 0) − 1(0, 1)
T (0, 1) = (2, 3) = 2(1, 0) + 3(0, 1)

Por lo que la representación matricial de la transformación lineal T en la base canónica está dada por:
 
−1 2
[T ]C =
−1 3

Lo cual corresponde a exactamente a nuestro resultado del ejercicio.

10
Transformaciones lineales Página 11

Valores y vectores propios.

A transformaciones lineales T : V → V , con V un espacio vectorial sobre un cuerpo K, las denominamos operadores
lineales (funciones lineales de un espacio en sí mismo). A continuación, comenzaremos con el estudio de valores y
vectores propios asociados a transformaciones lineales, los cuales nos permitirán obtener representaciones matriciales
diagonales de transformaciones lineales. Esto permitirá, entre otras cosas, estudiar soluciones de sistemas de ecuaciones
diferenciales.
Supongamos que V es un espacio vectorial de dimensión n sobre R. Además, consideremos que T es un operador lineal
en V y B = {~v1 , ~v2 , . . . , ~vn } una base de V tal que existen escalares λ1 , λ2 , . . . , λn , reales o complejos, cumpliendo con
la condición T (~vi ) = λi~vi , con i = 1, 2, . . . , n. Esto es,
T (~v1 ) = λ1~v1 = λ1~v1 + 0 · ~v2 + · · · + 0 · ~vn
T (~v2 ) = λ2~v2 = 0 · ~v1 + λ2~v2 + · · · + 0 · ~vn
..
.
T (~v2 ) = λn~vn = 0 · ~v1 + 0 · ~v2 + · · · + λn~vn

Entonces, se tendrá que la representación matricial del T en la base B es de la forma:

 
λ1 0 0 ··· 0
0
 λ2 0 ··· 0 

[T ]B =  0
 0 λ3 ··· 0 ,

 .. .. .. .. .. 
. . . . .
0 0 0 ··· λn

la cual es una matriz diagonal.

Denición 12.
Sean V un espacio vectorial sobre un cuerpo K y T : V → V un operador lineal. Diremos que λ ∈ K es un
valor propio de T si existe un vector no nulo ~v ∈ V tal que:
T (~v ) = λ~v (1)
A cualquier vector ~v que satisface la ecuación (1) lo denominamos vector propio asociado al valor propio
λ.
Al conjunto Sλ = {~v ∈ V : T (~v ) = λ~v } ≤ V lo denominamos subespacio propio asociado a λ.

Ejemplo: Verica que λ = 4 es un valor propio del operador lineal T : R2 → R2 , denido por:
T (x, y) = (2x + 3y, 2x + y).

Además, determinar el subespacio propio asociado al valor propio λ = 4.

Para vericar que λ = 4 es un vector propio determinaremos si el conjunto S4 = (x, y) ∈ R2 : T (x, y) = 4(x, y)


no consta solo del vector nulo. Esto es,

S4 = (x, y) ∈ R2 : T (x, y) = 4(x, y) = (x, y) ∈ R2 : (2x + 3y, 2x + y) = 4(x, y)
 

= (x, y) ∈ R2 : (−2x + 3y, 2x − 3y) = (0, 0)


 
2
= (x, y) ∈ R2 : y = x
3

Entonces,
        
2 2 2
S4 = x, x : x ∈ R = x 1, :x∈R = 1,
3 3 3

Por lo tanto, λ = 4 es un vector propio del operador lineal T .

11
Transformaciones lineales Página 12

A partir de lo anterior, surge una interrogante: ¾Cómo podemos encontrar una base B del espacio vectorial V sobre
R, de modo que la representación matricial de un operador T en la base B sea una matriz diagonal?
En términos algebraicos, como encontramos un vector no nulo ~v ∈ V de modo que T (~v ) = λ~v , para algún λ ∈ C.
Observemos que:
T (~v ) = λ~v ⇔ T (~v ) − λ~v = ~0
⇔ (T − λIV )~v = ~0
h i
⇔ [(T − λIV )~v ]B = ~0
B
t
⇔ [T − λIV ]B [~v ]B = (0, 0, . . . , 0)
t
⇔ ([T ]B − λIn ) [~v ]B = (0, 0, . . . , 0)

donde In es la matriz identidad en de orden n y (0, 0, . . . , 0)t es el vector columna nula, con t indicando la traspuesta
del vector la nula.
Recordando que si tenemos un sistema de n ecuaciones lineales y n incógnitas de la forma AX = B , el sistema tendrá
única solución si y solo si det(A) 6= 0. En el caso que el sistema sea homogéneo, AX = 0, siempre tendremos al menos
una solución es decir X = 0. Entonces, si det(A) = 0 el sistema tendrá innitas soluciones.
Así, para que el sistema de ecuaciones lineales homogéneos generado al resolver ([T ]B − λIn ) [~v ]B = (0, 0, . . . , 0)t tenga
una solución distinta de la trivial, esto es ~v 6= ~0, debemos tener que det ([T ]B − λIn ) = 0, pues así tendremos innitas
soluciones.
Esto motiva el siguiente resultado:
Teorema 13.
Sean V un espacio vectorial sobre un cuerpo K, B una base ordenada de V , y T : V → V un operador
lineal. Entonces, las siguientes armaciones son equivalentes:
i. λ es un valor propio de T .
ii. ([T ]B − λ[IV ]B ) no es invertible.
iii. det([T ]B − λ[IV ]B ) = |[T ]B − λ[IV ]B | = 0.
Además, observamos que [IV ]B = In ∈ Mn×n (R) es la matriz identidad.

Ejemplo: Dado el operador lineal T : R2 → R2 , denido por:

T (x, y) = (2x + 3y, 2x + y).
Determinar los valores propios de T y los subespacios propios asociados.
Consideremos la base canónica de R2 , la que denotaremos por C = {(1, 0), (0, 1)}. Entonces, tenemos que la repre-
sentación del operador T en la base canónica C está dada por:
 
2 3
[T ]C = ,
2 1
pues:
T (1, 0) = (2, 2) = 2(1, 0) + 2(0, 1)
T (0, 1) = (3, 1) = 3(1, 0) + 1(0, 1)
Ahora, aplicando el teorema anterior solo debemos determinar los valores de λ tal que:
2−λ 3
det([T ]C − λI2 ) = 0 ⇒ =0
2 1−λ
⇒ (2 − λ)(1 − λ) − 6 = 0
⇔ λ2 − 3λ − 4 = (λ − 4)(λ + 1) = 0
⇔ λ1 = 4 ∧ λ2 = −1

12
Transformaciones lineales Página 13

Para λ1 = 4, tenemos que el subespacio propio asociado está dado por:

S4 = (x, y) ∈ R2 : T (x, y) = 4(x, y)


= (x, y) ∈ R2 : (2x + 3y, 2x + y) = 4(x, y)



= (x, y) ∈ R2 : (−2x + 3y, 2x − 3y) = (0, 0)


 
2
= (x, y) ∈ R2 : y = x
3
  
2
= x, x : x ∈ R
3
   
2
= x 1, :x∈R
3
 
2
= 1,
3
Luego, para λ2 = −1 determinamos el subespacio propio asociado:
S−1 = (x, y) ∈ R2 :

T (x, y) = −1(x, y)
= (x, y) ∈ R2 :

(2x + 3y, 2x + y) = −1(x, y)
= (x, y) ∈ R2 :

(3x + 3y, 2x + 2y) = (0, 0)
= (x, y) ∈ R2 :

y = −x
= {(x, −x) : x ∈ R}
= {x (1, −1) : x ∈ R}
= h(1, −1)i
Con lo que hemos concluido con el ejercicio.
En el ejemplo anterior, podemos notar que el cálculo de vectores propios asociados a operadores lineales está es-
trechamente ligado a su representación matricial, lo cual motiva las siguientes deniciones.
Denición 14.
Decimos que λ es un valor propio de la matriz A ∈ Mn×n (K) si |A−λIn | = 0. Al polinomio p(λ) = |A−λIn |
lo denominamos polinomio característico de A.

 
2 1
Ejemplo: Determinar los propios asociados a la matriz A = 0 3
∈ M3×3 (R).
En este caso, debemos determinar las raíces del polinomio característico:
2−λ 1
p(λ) = |A − λI2 | = 0 ⇒ =0
0 3−λ
⇔ λ = 2 ∨ λ = 3.
Por lo tanto, los valores propios de la matriz A están dados por 2 y 3.
Denición 15.
Sean V un espacio vectorial de dimensión n sobre un K, B es una base ordenada cualquiera de V y T : V →
V un operador lineal. Entonces, se dene el polinomio característico de T como p(λ) = |[T ]B − λ[IV ]B |.

Ejemplo: Determinar los valores propios del operador lineal en R3 dado por su representación matricial:
 
5 −6 −6
[T ]C = −1 4 2 ,
3 −6 −4

13
Transformaciones lineales Página 14

donde C es la base canónica de R3 .

Solución: A partir de la denición, debemos determinar los valores de λ de modo que sea una raíz del polinomio
característico. Esto es,
5−λ −6 −6
p(λ) = |[T ]C − λI3 | = 0 ⇒ −1 4−λ 2 =0
3 −6 −4 − λ
4−λ 2 −1 2 −1 4−λ
⇔ (5 − λ) − (−6) + (−6) =0
−6 −4 − λ 3 −4 − λ 3 −6
⇔ (5 − λ) [(4 − λ)(−4 − λ) + 12] + 6 [4 + λ − 6] − 6 [6 − 3(4 − λ)] = 0
⇔ −λ3 + 5λ2 − 8λ + 4 = 0
⇔ λ3 − 5λ2 + 8λ − 4 = 0

Luego, para determinar las soluciones de la ecuación λ3 −5λ2 +8λ−4 = 0 buscamos entre las posibles raíces racionales:
{Divisores enteros de −4} {±1, ±2, ±3, ±4}
= = {±1, ±2, ±3, ±4}
{Divisores naturales de 1} {1}

Luego, realizando división sintética iremos testeando los restos, hasta obtener alguno que nos dé cero:
Probamos con λ = 1:
λ3 λ2 λ constante Posible raíz
1 −5 8 −4 1
1 −4 4
1 −4 4 0

Como el resto obtenido es cero, entonces 1 es raíz. Así,

λ3 − 5λ2 + 8λ − 4 = 0 ⇔ (λ − 1)(λ3 − 4λ + 4) = 0
⇔ (λ − 1)(λ − 2)2 = 0

Por lo tanto, los valores propios del operador lineal T son 1 y 2.

14
Transformaciones lineales Página 15

Diagonalización.
Denición 16.
Sean V un espacio vectorial de dimensión n sobre un K, y T : V → V un operador lineal. Diremos que T
es diagonalizable si existe una base B de V tal que [T ]B es una matriz diagonal.

Ejemplo: Sea T : R2 → R2 un operador lineal denido por:

T (x, y) = (x + y, x − y).

Encuentra una base B de R2 tal que [T ]B sea una matriz diagonal.

Solución: Comenzamos notando que si C = {(1, 0), (0, 1)} es la base canónica de R2 , entonces la representación
matricial del operador lineal T en la base C está dada por:
 
1 1
[T ]C =
1 −1

Luego, los valores propios λ de T son las raíces del polinomio característico p(λ). Entonces, calculamos:
1−λ 1
p(λ) = 0 ⇒ =0
1 −1 − λ
⇔ (1 − λ)(−1 − λ) − 1 = 0
⇔ λ2 − 2 = 0
√
⇔λ=± 2

Ahora, vamos
√ a calcular los valores propios asociados.
Para λ1 = 2 tenemos que ~v = (x, y) 6= (0, 0) es un valor propio de T si y solo si:
√
    √ 
1 1 x 2x
T (x, y) = 2(x, y) ⇔ = √
1 −1 y 2y
  √ 
x+y 2x
⇔ = √
x−y 2y
Igualando componentes tenemos:
√
(1 − 2)x √
√+ y =0
⇒ x = (1 + 2)y, y ∈ R.
x − (1 + 2)y =0
√ √
Po lo tanto, el subespacio propio asociado a λ1 = 2 es S√2 = (1 + 2, 1) .
√
Por otra parte, para λ2 = − 2 tenemos que ~v = (x, y) 6= (0, 0) es un valor propio de T si y solo si:
   √ 
√

1 1 x −√2x
T (x, y) = − 2(x, y) ⇔ =
1 −1 y − 2y
   √ 
x+y −√2x
⇔ =
x−y − 2y
Igualando componentes tenemos
√
(1 + 2)x √
√+ y =0
⇒ x = (1 − 2)y, y ∈ R.
x − (1 − 2)y =0
√ √
Po lo tanto, el subespacio propio asociado a λ2 = − 2 es S√2 = (1 − 2, 1) .
√ √
Ahora, notamos que los vectores (1 + 2, 1) y (1 − 2, 1) son linealmente independientes. En efecto,
 √ √   
1+ 2 1− 2 1 0
∼
1 1 0 1

15
Transformaciones lineales Página 16

√ √
Así, como √
la dimensión√de R2 es 2 y los vectores (1 + 2, 1) y (1 − 2, 1) son linealmente independientes, entonces
B = {(1 + 2, 1), (1 − 2, 1)} es una base. Además, por ser valores propios:
√ √ √ √ √ √
T (1 + 2(1 + 2, 1) = 2(1 + 2, 1) + 0(1 − 2, 1)
2, 1) =
√ √ √ √ √ √
T (1 − 2, 1) = − 2(1 − 2, 1) = 0(1 + 2, 1) − 2(1 − 2, 1)

Por lo tanto, hemos encontrado una base de R2 , de modo que la representación matricial de T en dicha base:
√ 
2 0
√
[T ]B =
0 − 2

es una matriz diagonal.

Por otra parte, observamos que usando el teorema de cambio de base tenemos:

(B, R2 )
T / (B, R2 )
O
IR 2 IR 2

(C, R2 ) / (C, R2 )
T

[T ]B = [IR2 ]CB [T ]C [IR2 ]B

C
   √ √  √  √ √ −1
1 1 1+ 2 1− 2 2 0
√ 1+ 2 1− 2
=
1 −1 1 1 0 − 2 1 1

Lo cual motiva la siguiente denición:

Denición 17.
Una matriz cuadrada A ∈ Mn×n (R) es diagonalizable si y solo si existe una matriz P ∈ Mn×n (R)
invertible y una matriz D ∈ Mn×n (R) diagonal tal que A = P DP −1 .

 
1 1
En el ejemplo anterior notamos que es diagonalizable, pues:
1 −1
   √ √  √  √ √ −1
1 1 1+ 2 1− 2 2 0
√ 1+ 2 1− 2
= ,
1 −1 1 1 0 − 2 1 1
√ √ 
√

1+ 2 1− 2
donde identicamos que P = es una matriz invertible (det(P ) = 2 2 6= 0), cuyas columnas están
1 1
√ 
2 0
formadas por los vectores propios de A, y D = √ una matriz diagonal, en donde los elementos de la
0 − 2
diagonal son los valores propios de A.  
a b
Por otra parte, es de gran ayuda recordar que si P = ∈ M2×2 (R) con det(P ) = ad − bc 6= 0, entonces P es
 c d
1 d −b
invertible (existe su inversa) y P −1 = .
det(P ) −c a
 √ 
1 1 −1 +√ 2
En nuestro caso, P −1 = √ .
2 2 −1 1+ 2
Para matrices de orden cuadradas de orden n (natural), tenemos que: P ∈ Mn×n (R) es invertible si y solo si
det(P ) 6= 0. Además, como procedimiento para encontrar la inversa podemos usar el resultado de matrices ampliadas
siguiente:
(P |In ) ∼ (In |B) ⇔ P −1 = B

16
Transformaciones lineales Página 17

Teorema 18.
Sean V un espacio vectorial de dimensión n sobre un K, y T : V → V un operador lineal. T es diagonalizable
si y solo si existe una base de V formada solo por vectores propios.

Ejemplo: Determinar si la transformación lineal T : R2 → R2 denida por:

T (x, y) = (x, y − x)
es diagonalizable.
Solución: Si consideramos C = {(1, 0), (0, 1)} base canónica de R2 , entonces:
 
1 −1
[T ]C =
0 1
 
1 −1
Ahora, buscamos los valores propios de .
0 1

1−λ −1
p(λ) = = 0 ⇒ (1 − λ) = 0
0 1−λ
⇒λ=1
Por tanto, tenemos el valor propio λ = 1. Para λ = 1, determinamos el subespacio propio, el cual corresponde al
conjunto de todos los vectores (x, y) 6= (0, 0) tales que T (x, y) = (x, y). Esto es,
T (x, y) = (x, y) ⇒ (x, x − y) = (x, y)
⇒ x = x Tautología ∧ x − y = y
⇒ x = 2y, y ∈ R.
Luego, el subespacio propio asociado a λ = 1 es el conjunto:
S1 = {(x, y) ∈ R2 : x = 2y}
= {(2y, y) : y ∈ R}
= h(2, 1)i
Así, tenemos que dim(S1 ) = 1 < 2 = dim(R2 ). Por lo tanto, no es posible encontrar una base de R2 formada sólo de
vectores propios de T , lo que implica que T no es diagonalizable.
Teorema 19.
Sean V un espacio vectorial de dimensión n sobre un K, y T : V → V un operador lineal. Si T tiene n
valores propios diferentes, entonces T es diagonalizable.
Análogamente, si A ∈ Mn×n (R) tiene n valores propios diferentes, entonces A es diagonalizable.

Ejemplo: Determinar si:

 
2 2
A=
1 3
es diagonalizable o no.
Solución: Vamos a determinar las raíces del polinomio característico de A, los cuales corresponden a los valores
propios.
2−λ 2
p(λ) = 0 ⇒ =0
1 3−λ
⇔ (2 − λ)(3 − λ) − 2 = 0
⇔ λ2 − 5λ + 4 = 0
⇔ λ = 1 ∨ λ = 4.
Como tenemos dos valores propios reales y distintos, entonces nuestra matriz es diagonalizable.

17
Transformaciones lineales Página 18

Denición 20.
Sea λ ∈ K, con K = R ó bien K = C, un valor propio del operador lineal T . Se denen:
ˆ La multiplicidad geométrica de λ, denotada por mg (λ), como el valor dim Sλ .
ˆ La multiplicidad algebraica, denotada por ma (λ), como la multiplicidad de la raíz λ en el poli-
nomio característico p(λ).
Análogamente, se denen la multiplicidad geométrica y algebraica para valores propios de matrices
cuadradas.

Ejemplo: Sea T un operador lineal sobre R2 tal que:

 
−2 1
[T ]C = ,
0 −2

con C base canónica de R2 . Determinar los valores propiosde T y lamultiplicidad geométrica y algebraica de ellos.
Solución: Comenzamos calculando los valores propios de −2 1 . 0 −2

−2 − λ 1
p(λ) = 0 ⇒ =0
0 −2 − λ
⇔ (−2 − λ)2 = 0
⇔ λ = −2

Así, tenemos un valor propio λ = −2 que es una raíz de multiplicidad 2 del polinomio característico (observa que
p(λ) = (−2 − λ)2 ), entonces ma (−2) = 2.
Ahora, determinamos el subespacio propio asociado al valor propio λ = −2.
Sea (x, y) 6= (0, 0) tal que:
        
−2 1 x x −2x + y −2x
= −2 ⇔ = ⇒ y = 0, ∧ x ∈ R.
0 −2 y y −2y −2y

Entonces, el subespacio propio asociado al valor propio λ = −2 está dado por:

S−2 = {(x, 0) : x ∈ R} = h(1, 0)i ,

de donde obtenemos que dim(S−2 ) = 1, entonces mg (−2) = 1.

Teorema 21.
Un operador lineal T : V → V , con V espacio vectorial sobre K, es diagonalizable si, y sólo si la multiplicidad
geométrica y algebraica son iguales para cada valor propio de T .
De la misma forma, A ∈ Mn×n (R) es diagonalizable si, y sólo si la multiplicidad geométrica y algebraica
son iguales para cada valor propio de A.

Ejemplo: Sea T un operador lineal sobre R2 tal que:

 
−2 1
[T ]C = ,
0 −2

con C base canónica de R2 . Determinar si es diagonalizable o no.

Solución: Del ejemplo anterior, tenemos que el operador lineal T tiene solo un vector propio asociado λ = −2, el
cual tiene multiplicidad algebraica ma (−2) = 2 y multiplicidad geométrica mg (−2) = 1. Luego, T no es diagonalizable
porque ma (−2) 6= mg (−2).

18
Transformaciones lineales Página 19

Para nalizar la unidad es bueno tener en cuenta los siguientes resultados:

ˆ Toda matriz simétrica

 es diagonalizable.

1 2 3
Por ejemplo: A = 2 4 5 por ser simétrica de inmediato sabemos que es diagonalizable.
3 5 6
 
a11 0 0 ··· 0
 0 a22 0 · · · 0 
 
ˆ Si D = 
 0 0 a33 · · · 0  ∈ Mn×n (Rn ) es una matriz diagonal, entonces:
 .. .. .. . . .. 
 . . . . . 
0 0 0 · · · ann
 m 
a11 0 0 ··· 0
 0 am
22 0 ··· 0 
am
 
Dm = 0
 0 33 ··· 0 ,

con m ∈ N.
 .. .. .. .. .. 
 . . . . . 
0 0 0 ··· am
nn

ˆ Si A ∈ Mn×n (Rn ) es diagonalizable, entonces se puede escribir de la forma A = P DP −1 , con D una matriz
diagonal de orden n × n. Esta representación matricial de A nos permitirá reducir cálculos a la hora de calcular
potencias de A.
Por ejemplo: Si A = P DP −1 y m ∈ N, entonces:
Am = (P DP −1 )m
= P DP −1 · P DP −1 · P DP −1 · · · P DP −1 m veces
= P D P −1 · P D P −1 · P DP −1 · · · P D P −1 · P DP −1 Producto asociativo

= P DIn DIn DIn · · · In DIn DP −1 In D = D

−1
· · · DD} P
= P |DDD{z
m veces
A m
= P D P −1m

 10
1 1
En concreto, si se nos pide calcular , entonces diagonalizamos y escribimos la matriz en la forma:
1 −1
   √ √  √  √ √ −1
1 1 1+ 2 1− 2 2 0
√ 1+ 2 1− 2
=
1 −1 1 1 0 − 2 1 1

Luego, aplicando el resultado anterior:

 10  √ √  √ 10  √ √ −1
1 1 1+ 2 1− 2 2 0
√ 1+ 2 1− 2
=
1 −1 1 1 0 − 2 1 1
 √ √  √
10 ! √ √ −1
1+ 2 1− 2 2 0 1+ 2 1− 2
= √
10
1 1 0 − 2 1 1
 √ √   √ √ −1
1+ 2 1− 2 32 0 1+ 2 1− 2
= ,
1 1 0 32 1 1

lo cual facilita demasiado el cálculo de la potencia de la matriz.

19
Transformaciones lineales Página 20

Para nalizar, damos un ejemplo de valores propios complejos de una matriz:

Ejemplo: Diagonalizar la matriz
 
1 −5
A=
1 −1

Solución: Recordamos que diagonalizar la matriz A es determinar matrices cuadradas D diagonal, con los valores
propios de la matriz como elementos de la diagonal, y una matriz P invertible formada en sus columnas por los vectores
propios asociados (siempre que estas existan) de modo que A = P DP −1 .
Luego, para diagonalizar la matriz primero calcularemos los valores propios asociados a la matriz A:
Un valor λ ∈ C es un valor propio de la matriz A si este es una raíz del polinomio característico. Esto es λ es solución
de la ecuación:
1−λ −5
|A − λI2 | = 0 ⇒ =0
1 −1 − λ
⇔ (1 − λ)(−1 − λ) + 5 = 0
⇔ −1 − λ + λ + λ2 + 5 = 0
⇔ λ2 + 4 = 0
⇔ λ2 = −4
√ √ √
⇔ λ = ± −4 = ± 4 · −1 = ±2i

Por lo tanto, los valores propios de la matriz A son λ1 = 2i y λ2 = −2i.

Ahora calculamos los vectores propios asociados:
Para λ1 = 2i: Sea (x, y) ∈ C2 r {(0, 0)} tal que
         
1 −5 x x x − 5y 2ix x − 5y = 2ix
· = 2i ⇔ = ⇔
1 −1 y y x−y 2iy x−y = 2iy
x − 5y = 2ix x − 5y = 2ix
⇔ ⇔
x = 2iy + y x = (2i + 1)y

Reemplazando el valor x = (2i + 1)y en la primera ecuación obtenemos:

x − 5y = 2ix
(2i + 1)y − 5y = 2i(2i + 1)y
2iy + y − 5y = 4i2 y + 2yi
2iy − 4y = −4y + 2iy

Lo cual es una tautología. Por lo tanto, el conjunto de vectores en C2 que son vectores propios asociados al valor
propio λ1 = 2i, denominado subespacio propio, es:
Sλ1 = (x, y) ∈ C2 : x = (2i + 1)y


= {((2i + 1)y, y) : y ∈ C}
= {y(2i + 1, 1) : y ∈ C}
= h(2i + 1, 1)i

Para λ2 = −2i: Sea (x, y) ∈ C2 r {(0, 0)} tal que

         
1 −5 x x x − 5y −2ix x − 5y = −2ix
· = −2i ⇔ = ⇔
1 −1 y y x−y −2iy x−y = −2iy
x − 5y = −2ix x − 5y = −2ix
⇔ ⇔
x = −2iy + y x = (−2i + 1)y

20
Transformaciones lineales Página 21

Reemplazando el valor x = (−2i + 1)y en la primera ecuación obtenemos:

x − 5y = −2ix
(−2i + 1)y − 5y = −2i(−2i + 1)y
−2iy + y − 5y = 4i2 y − 2yi
−2iy − 4y = −4y + 2iy

Lo cual es una tautología. Por lo tanto, el conjunto de vectores en C2 que son vectores propios asociados al valor
propio λ2 = −2i, denominado subespacio propio, es:
Sλ2 = (x, y) ∈ C2 : x = (−2i + 1)y


= {((−2i + 1)y, y) : y ∈ C}
= {y(−2i + 1, 1) : y ∈ C}
= h(−2i + 1, 1)i
   
2i 0 2i + 1 −2i + 1
Así, concluimos que la matriz A es diagonalizable, donde D = yP= . Por lo tanto,
0 −2i 1 1
     −1
1 −5 2i + 1 −2i + 1 2i 0 2i + 1 −2i + 1
=
1 −1 1 1 0 −2i 1 1
 i 1 i

−4 +
Observe que: P −1
= i
2
1
4
i .
4 2 − 4

21
Transformaciones lineales Página 22

Referencias bibliográcas.
1. Campbell, S. & Haberman, R. (1998). Introducción a las Ecuaciones Diferenciales con problemas de valor en la
frontera. MacGraw-Hill, México.

2. Grossman, S. & Flores, J. (2012). Álgebra Lineal (7a Ed.). MacGraw-Hill, México.
3. Lipschutz, S. (1986). Teoría y problemas de Álgebra Lineal. MacGraw-Hill, México.
4. Poole, D. (2011). Álgebra lineal, una introducción moderna (3a Ed.). Cengage Learning Editores, México.

22