Documente Academic
Documente Profesional
Documente Cultură
1
1.1. Matriz de una transformación lineal
Si f : Rn → Rn es una transformación lineal dada por la ecuación matricial
[f (x)] = A · [x], entonces decimos que A es la matriz de la transformación, y
escribimos A = M (f ).
Para el comentario siguiente, nos centramos en el caso n = 3, aunque se
pueden hacer consideraciones análogas en cualquier otro caso. Sea f : R3 → R3
una transformación lineal, y sea A = M (f ). Los vectores
→
− →
− →
−
e1 = i = (1, 0, 0), e2 = j = (0, 1, 0), e3 = k = (0, 0, 1)
f (e1 ) = (a11 , a21 , a31 ), f (e2 ) = (a12 , a22 , a32 ), f (e3 ) = (a13 , a23 , a33 )
rQ
6
rR 0
r -
P =P 0 rR
r
Q0
2
r6
Q=Q0
r r -
P P0
R0 r rR
Se tiene que (1, 0) 7→ (0, 0) y (0, 1) → (0, 1). Por tanto la matriz será
0 0
0 1
De ese modo, tendremos f (a, b) = (0, b), para cualquier vector (a, b) ∈ R2 .
Ejercicio 3. Calcular la matriz de la transformación gα del plano que con-
siste en girar cada vector un ángulo α en sentido positivo alrededor del origen.
Q0 r r6
Q P 0r
r -
P
6rQ r 0
v2 6
KAA v =f (v 1 )
R=R * 1
P r
- A -
r
A
P0 r
0
Q AAU f (v )
2
Calcular los vectores f (e1 ) y f (e2 ) no es ahora tan directo como en los ejem-
plos anteriores. Ocurre, sin embargo, que hay otros vectores v1 , v2 que forman
base y para los cuales es fácil calcular las imágenes.
En efecto, tomando v1 = (2, 1) que está en la recta x = 2y, este vector
queda fijo por la transformación, de modo que f (v1 ) = v1 . También el vector
3
perpendicular a dicha recta v2 = (−1, 2) cumple que f (v2 ) = −v2 , como se ve
en la figura.
Vamos ahora a hacer algunas consideraciones generales sobre estas situa-
ciones, y volveremos al ejemplo más adelante.
Sea f : Rn → Rn una transformación lineal y sea B = {u1 , u2 , . . . , un } una
base de Rn . Para cada vector x, escribimos [x]B para indicar la matriz columna
cuyos elementos son las coordenadas de x con respecto a la base B.
Llamamos matriz de la transformación f respecto de la base B, MB (f ), a la
matriz n × n cuyas columnas son [f (u1 )]B , [f (u2 )]B , . . . , [f (un )]B .
Volviendo al ejemplo del comienzo de este apartado, se tiene que los vectores
v1 , v2 forman una base B, porque la matriz de esa sucesión de vectores es
2 −1
P =
1 2
y su determinante es 6= 0.
Se tiene:
f (v1 ) = v1 , f (v2 ) = −v2
y además
1 0
[f (v1 )]B = , [f (v2 )]B =
0 −1
Por lo tanto,
1 0
MB (f ) =
0 −1
Sabiendo MB (f ), se puede calcular la matriz M (f ) de la transformación.
Podemos ver en general de qué modo se hace esto.
Sea A = M (f ) y C = MB (f ). Sea P , como antes, la matriz de la sucesión
de vectores que forman la base. Como vimos en el capítulo anterior, se tiene
P · [v]B = [v]
P · [f (v)]B = [f (v)]
A · [v] = [f (v)]
Del hecho de que esta igualdad se cumple para todo v, se obtiene enseguida
que P · C = A · P .
4
Escribimos esta ecuación a la que hemos llegado en forma más completa:
P · MB (f ) = M (f ) · P, M (f ) = P · MB (f ) · P −1
Luego
1 2 −1 1 0 2 1 3/5 4/5
M (f ) = · · =
5 1 2 0 −1 −1 2 4/5 −3/5
5
Para cualquier vector v ∈ Rn se tiene entonces
M (g ◦ f ) = M (g) · M (f )
gβ ◦ gα = gα+β
π
Ejercicio 6. En R2 , sea g el giro de ángulo 2 y sea h la simetría con respecto
a la recta y = x. Calcular g ◦ h y h ◦ g.
Empezaremos por escribir las matrices M (g) y M (h), viendo la acción de
estas transformaciones sobre la base canónica e1 = (1, 0) y e2 = (0, 1).
En primer lugar, el giro g cumplirá g(e1 ) = e2 y g(e2 ) = −e1 . En cuanto a
la simetría h:
=h(ı)
6
-
ı=h()
6
Haciendo los productos, tendremos
1 0
M (h ◦ g) = M (h) · M (g) =
0 −1
−1 0
M (g ◦ h) = M (g) · M (h) =
0 1
Se puede comprobar que M (h ◦ g) coincide con la matriz de la simetría con
respecto al eje horizontal (recta y = 0). De este modo, h ◦ g es la simetría con
respecto al eje horizontal.
Por otro lado, la matriz M (g ◦ h) coincide con la matriz de la simetría con
respecto al eje vertical (recta x = 0). Luego g ◦ h es la simetría con respecto al
eje vertical.
En general, la compuesta en el plano de un giro (alrededor del origen) y una
simetría (respecto de una recta que pasa por el origen) es una simetría. En las
mismas condiciones, la composición de dos simetrías es un giro.
f (v) = λv
7
Si v es un vector propio para la transformación f , entonces el escalar λ que
cumple la ecuación f (v) = λv está determinado por v. λ se llama el valor propio
asociado a v.
Una matriz cuadrada A de orden n determina una transformación lineal f
tal que M (f ) = A. La condición de que un vector v 6= 0 sea un vector propio
para f se puede poner en términos de la matriz A. En efecto,
(λIn − A)[v] = 0
8
del plano x − y − z = 0. Ahora bien: para describir este conjunto basta dar dos
vectores linealmente independientes de ese conjunto: todos los demás son sus
combinaciones lineales.
Por ejemplo, podemos tomar los vectores (1, 1, 0) y (1, 0, 1), que se obtienen
tomando y = 1, z = 0 o y = 0, z = 1, respectivamente. Estos son vectores
propios (con el valor propio λ = 3) y todas sus combinaciones lineales son
vectores propios (excepto el vector 0; pero en adelante se sobreentenderá esta
excepción).
Tenemos, por tanto, esas dos maneras de describir la colección de los vectores
propios (con valor propio λ): (1) son todos los del plano x − y − z = 0; y (2) son
todas las combinaciones lineales de los vectores (1, 1, 0), (1, 0, 1).
(λIn − A)X = 0
9
Definición 3. Si A es una matriz cuadrada de orden n, el desarrollo del
determinante |xIn − A| es un polinomio, que se llama el polinomio característico
de la matriz A.
Los valores propios de la matriz A son las raíces de su polinomio caracterís-
tico.
Ejercicio 2. Hallar los valores propios de la matriz del ejercicio 1.
La matriz era
1 2 2
−1 4 1
−2 2 5
El polinomio característico es
x − 1 −2 −2
1
x−4 −1 =
2 −2 x − 5
pc(A) = (x − 3)2 (x − 4)
10
1 0 −1 1 −1 0 1 −1 0
−3 2 2 , −2 1 2 , 0 −1 2
−2 2 1 −3 2 2 0 −1 2
Al final, el sistema es equivalente a:
x − z = 0, −z + 2y = 0
Los valores propios son las raíces del polinomio característico. En este caso,
√
4 ± 16 − 12 4±2
x= =
2 2
lo que da las dos raíces 1, 3.
Ahora, hay que hallar los vectores propios para cada uno de esos dos valores
propios.
(i) Con λ = 1, calculamos la matriz λI2 − A = I2 − A. Será
6 −12
4 −8
Los vectores propios para ese valor son las soluciones del sistema de ecua-
ciones (I2 − A)X = 0.
El sistema dado es equivalente a la ecuación x − y = 0. Esto da un conjun-
to simplemente infinito de soluciones, tomando y = t como parámetro. Todas
ellas son combinación lineal de una solución no trivial cualquiera. Por ejemplo,
podemos tomar u1 = (1, 1). Todos los vectores propios para el valor propio 1
son combinaciones de este.
(ii) Ahora tomamos λ = 3. La matriz 3I2 − A será
8 −12
4 −6
11
El sistema resulta equivalente ahora a la ecuación
2x − 3y = 0
A = P · D · P −1
12
Esa matriz diagonal D se llama la diagonalización de la matriz A, o la forma
diagonal de A. La matriz Q que cumple la ecuación A = Q·D ·Q−1 es invertible,
y se llama una matriz de paso de la diagonalización. La matriz de paso no está
unívocamente determinada por A.
Una matriz cuadrada puede tener una diagonalización o no. Las matrices
cuadradas que tienen una diagonalización se llaman matrices diagonalizables.
Proposición 3. Una matriz cuadrada A de orden n es diagonalizable si y
solo si existe una base de Rn que está formada por vectores propios para la
matriz A.
La manera de determinar si una matriz es diagonalizable es calcular todos
sus vectores propios y encontrar si se puede construir una base formada por
vectores propios.
La condición necesaria y suficiente para que la matriz A sea diagonalizable
es que el polinomio característico no tenga raíces complejas no reales; y que para
cada valor propio λ cuya multiplicidad como raíz del polinomio característico
sea k ≥ 2, existan k vectores propios linealmente independientes asociados al
valor propio λ.
Encontrar, si existe, la forma diagonal D de una matriz A se llama diago-
nalizar la matriz A.
El método para intentar diagonalizar una matriz cuadrada A es:
13
propio del primer vector u1 de la base B; el segundo es el valor propio del
segundo vector u2 de la base, etc).
7. Se puede comprobar la corrección del resultado calculando los productos
A · P y P · D y comprobando que A · P = P · D (esta igualdad equivale a
la igualdad A = P · D · P −1 ).
3 1
Ejercicio 1. Diagonalizar la matriz si es posible, y hallar en su
1 3
caso la matriz de paso.
Calculamos el polinomio característico:
x − 3 −1
−1 = x2 − 6x + 9 − 1 = x2 − 6x + 8
x − 3
Esto da el sistema
x + y = 0, x = −t, y=t
El conjunto de soluciones está formado por todos los vectores que son com-
binación lineal de u1 = (1, −1).
(ii) Buscamos ahora los vectores propios para el valor propio λ = 4. La
ecuación matricial será
1 −1 x 0
· =
−1 1 y 0
El sistema de ecuaciones es
x − y = 0, x = t, y=t
14
En cuanto a la forma diagonal, contiene los valores propios en la diagonal
principal, en el mismo orden que los hemos considerado en la matriz de paso:
2 0
D=
0 4
Finalmente, podemos comprobar la solución viendo que AP = P D.
3 1 1 1 2 4
AP = · =
1 3 −1 1 −2 4
1 1 2 0 2 4
PD = · =
−1 1 0 4 −2 4
La igualdad se cumple, de forma que la diagonalización es correcta.
Ejercicio 2. Diagonalizar la matriz
8 −2 6
3 1 3
−9 3 −7
El polinomio característico es
x − 8 2 −6
−3 x−1 −3 = (x + 7)(x − 1)(x − 8) − 108 − 9(x − 8)+
9 −3 x + 7
= x3 − 2x2 − 4x + 8 = (x − 2)2 (x + 2)
Vemos de este modo que hay dos valores propios: λ = −2 que es simple, y
λ = 2, que es doble (tiene multiplicidad 2.)
Debemos calcular los vectores propios para cada valor propio. Empezamos
por el valor doble, porque así se decidirá si la matriz es o no diagonalizable.
La ecuación matricial es (para λ = 2)
−6 2 −6 x 0
−3 1 −3 · y = 0
9 −3 9 z 0
3x − y + 3z = 0
15
que es la ecuación de un plano.
Las incógnitas y, z pueden tomar cualquier valor, de forma que el conjunto
de soluciones puede darse como
u
x= − v, y = u, z=v
3
Así, el conjunto de soluciones está formado por las combinaciones lineales
de los vectores (0, 3, 1), (1, 0, −1). Hemos obtenido esos vectores con los valores
de los parámetros u = 3, v = 1 y u = 0, v = −1, respectivamente.
En definitiva, los vectores propios para el valor propio 2 son las combina-
ciones lineales de: (0, 3, 1) y (1, 0, −1).
Estudiamos ahora los vectores propios para el valor propio −2.
La ecuación matricial es
−10 2 −6 x 0
−3 −3 −3 · y = 0
9 −3 5 z 0
x + y = −z, 3y = −z
16
La diagonalización es la matriz
−2 0 0
D= 0 2 0
0 0 2
Comprobamos la igualdad AP = P D.
8 −2 6 2 0 1 −4 0 2
AP = 3 1 3 · 1 3 0 = −2 6 0
−9 3 −7 −3 1 −1 6 2 −2
2 0 1 −2 0 0 −4 0 2
1 3 0 · 0 2 0 = −2 6 0
−3 1 −1 0 0 2 6 2 −2
El resultado es correcto.
Ejercicio 3. Diagonalizar si es posible la matriz siguiente, dando en su caso
la matriz de paso.
1 2 −1
A= 0 0 1
0 −2 3
Hallamos el polinomio característico
x − 1 −2 1
0
x −1 = (x − 1)(x − 3)x + 2(x − 1) =
0 2 x − 3
(x − 1)(x2 − 3x + 2)
Hay un valor propio λ = 1. Además, están las raíces del factor de segundo
grado: √
3± 9−8 3±1
x= =
2 2
En definitiva, el polinomio característico dará
pc(A) = (x − 1)2 (x − 2)
17
Tomando x = t, el sistema equivale a
x = t, z = 0, y=0
Los vectores propios para λ = 1 son las combinaciones lineales de (1, 0, 0).
Como solamente hay un vector propio linealmente independiente, y la multipli-
cidad de la raíz es 2, la matriz no es diagonalizable.
Ak = (P DP −1 )k = (P DP −1 )(P DP −1 ) · · · (P DP −1 ) =
18
Como cada matriz P −1 P = In , y los productos In · X = X, para cualquier
matriz X, observamos por la ecuación anterior que
Ak = P Dk P −1
−1 2
A= , u = (1, 2), v = (511, 767), w = (1023, 1531)
−3 4
3 − 2k+1 2k+1 − 2
=
3 − 3 · 2k 3 · 2k − 2
Podemos responder ahora a las preguntas planteadas. Es más práctico indicar
primero la expresión general de Ak · [u] = [f k (u)].
3 − 2k+1 2k+1 − 2
k 1
A · [u] = · =
3 − 3 · 2k 3 · 2k − 2 2
k+2
− 2k+1 − 1
k+1
2 2 −1
= =
3(2k+1 − 2k ) − 1 3 · 2k − 1
De este modo, para k = 4, tenemos
Ak · [u] = [v]
19
Es decir:
2k+1 − 1
511
=
3 · 2k − 1 767
Este es un sistema de ecuaciones (no lineales):
El sistema de ecuaciones es
1532
2k+1 = 1024, 2k =
3
Pero 2 · 1532
3 6= 512. Luego el sistema no es compatible, y w no se alcanza en
ninguna iteración.
20
que la base es ortonormal si y solo si la matriz P t P tiene unos en la diagonal
principal; esto es, si y solo si es la matriz identidad.
Con cierta inconsecuencia, las matrices cuadradas P de orden n, que cumplen
que P t · P = In se llaman ortogonales. Por tanto, B es una base ortonormal si
y solo si la matriz de los vectores de B es ortogonal.
Esas condiciones dan una solución única para x; por tanto, determinan el
vector u02 .
Calculados así u01 , u02 , queremos hallar u03 . Como antes, buscamos un vector
que sea combinación lineal de u1 , u2 , u3 y que sea ortogonal a u1 y u2 (esto
implicará que es ortogonal a u01 , u02 ). Para ello, ponemos
21
De este modo, obtenemos los coeficientes x, y, y el nuevo vector u03 .
Ejercicio 2. Diagonalizar ortogonalmente la matriz simétrica
3 0 −1
0 2 0
−1 0 3
x + z = 0, 2y = 0, x+z =0
x + z = 0, y=0
x = −t, y = 0, z=t
−x + z = 0, 0 = 0, x−z =0
x = v, y = u, z=v
u1 = (1, 0, 1)
22
u2 debe verificar las condiciones
u2 = (1 − x, 1, 1 − x), (1, 0, 1) · (1 − x, 1, 1 − x) = (1 − x) + (1 − x) = 2 − 2x = 0
23
Así pues, las raíces son 5, 2, y obtenemos la factorización del polinomio car-
acterístico
pc(M ) = (x − 2)2 (x − 5)
El valor propio λ = 2 es doble; y el valor propio λ = 5 es simple. Así, el
conjunto de vectores propios para el valor propio 2 se expresará en términos de
dos parámetros; y el de vectores propios para el valor 5 estará dado en términos
de un parámetro.
Pasamos a calcular los vectores propios. Para λ = 2 obtenemos la ecuación
matricial
1 1 1 x 0
1 1 1 · y = 0
1 1 1 z 0
El sistema equivale a la única ecuación x + y + z = 0. Podemos tomar y, z
como parámetros, y obtenemos las soluciones
x = −u − v, y = u, z=v
Dando valores (1, 0) y (0, 1) a los parámetros obtenemos dos vectores propios
linealmente independientes para el valor propio λ = 2:
x = t, y = t, z=t
Para obtener una base ortogonal, debemos cambiar los vectores correspon-
dientes al valor propio λ = 2, que es doble. Sea
24
u1 = (−1, 1, 0), u2 = (−1, 0, 1)
Entonces u01 = u1 = (−1, 1, 0). Para el segundo, ponemos
Ahora, debemos hallar x para que los vectores u1 , u02 sean ortogonales:
1
−(x − 1) − x = 0, 1 − 2x = 0, 2x = 1, x=
2
De este modo, obtenemos una base con vectores ortogonales:
1 1
(−1, 1, 0), (− , − , 1), (1, 1, 1)
2 2
Finalmente, debemos normalizar los tres vectores, dividiendo por su módulo,
para obtener una base ortonormal.
√
1 2 1 1 1
√ (−1, 1, 0), √ (− , − , 1), √ (1, 1, 1)
2 3 2 2 3
Esto nos da la base ortonormal con vectores propios que se necesita:
√ √ √ √ √ √ √ √
2 2 6 6 6 3 3 3
(− , , 0), (− ,− , ), ( , , )
2 2 6 6 3 3 3 3
La matriz de paso ortogonal P y la forma diagonal D son:
√ √ √
− √22 − √66 √33
2 0 0
2
P = − √66 √33 , D = 0 2 0
2
0 6 3 0 0 5
3 3
5. Ejercicios
1. Calcular la matriz de la transformación lineal de R2 que lleva cada vector a
su proyección ortogonal sobre la bisectriz del segundo cuadrante x + y = 0
−−→ −−→
(es decir, transforma cada vector v = OX en el vector OY donde Y es
el punto de corte de la recta dada con la perpendicular a dicha recta que
pasa por el punto X; O es el origen de coordenadas)
2. Consideramos los siguientes vectores de R3 :
Probar que los tres primeros vectores forman una base B, y calcular la
matriz de la transformación lineal f que cumple
25
3. Dar las ecuaciones de la simetría de R2 con respecto a la recta de ecuación
ax + by = 0. Obsérvese que pueden elegirse los coeficientes a, b de forma
que a2+ b2 = 1, ydemuéstrese que la matriz de dicha simetría es de la
A B
forma , con determinante −1.
B −A
(ii)
g(x, y, z) = (2x + z, x + 2y + z, y − 2x − z)
11. Decir cuáles de las siguientes matrices son diagonalizables; y dar su forma
diagonal y la matriz de paso cuando lo sean.
1 0 0 5 −3 2
0 −1 1 , 6 −4 4
0 0 −1 4 −4 5
26
12. Misma pregunta para las matrices
1 4 −4
0 2 3
1 0 ,
2 −1
0 4 −3
13. Decir cuáles de las siguientes matrices son diagonalizables; y dar su forma
diagonal y la matriz de paso cuando lo sean.
0 1 0
−4 4 0 , −9 4
−25 11
−2 1 2
6 2
14. Dada la matriz A = , hallar una matriz B tal que B 2 = A.
3 7
15. Diagonalizar la matriz
1 1 1 1
0 1
1 −1
0 0 −1 2
0 0 0 1
27