NOTAS DE CLASE

Álgebra Lineal II

Pedro Jairo Vega Martinez

Universidad de Cartagena
Facultad de Ciencias Exactas y Naturales
Programa de Matemáticas
Cartagena de Indias D.T. y C., Colombia
2015
Prólogo

A menudo el estudio de sistemas complejos de ecuaciones algebraicas o diferen-

ciales se reduce al estudio de sistemas de ecuaciones algebraicas lineales los cuales
encuentran su tratamiento natural en las matrices.

Desde este punto de vista, este es uno de los temas fundamentales en la apro-
ximación discreta de problemas continuos tanto teóricos como de aplicación. Para
optimizar el tratamiento de dichos problemas se utilizan técnicas que facilitan la
manipulación computacional y numérica de los mismos y que están basadas en
propiedades analı́ticas de formas lineales y bilineales en espacios de dimensión
finita. Este curso da los fundamentos básicos para enfrentar tales problemas y
provee las bases para el análisis funcional en dimensión finita.

El curso se propone estudiar los operadores lineales sobre espacios vectoriales

complejos de dimensión finita a través de sus representaciones matriciales. Para
ello se estudiarán las diferentes formas matriciales que toma un operador.

Además se estudiarán los espacios vectoriales con productos internos y se ge-

neralizarán propiedades del espacio euclidiano usual complejo.

2
Índice general

1. Formas Canónicas Elementales 4

1.1. Operadores Diagonalizables . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Polinomios Anuladores . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3. Subespacios invariantes . . . . . . . . . . . . . . . . . . . . . . . . . 20

3
Capı́tulo 1

Formas Canónicas Elementales

Introducción

Cuando hacemos cuentas con matrices éstas sulen ser tediosas, más aún, cuando
son de gran tamaño, no podemos negar que nos gustarı́a que las matrices con las
que trabajamos tengan muchas entradas nulas, pues esto reducirı́a notablemente
los cálculos. Por ejemplo; cuando son matrices diagonales o triángulares las cuentas
son muy sencillas, de hecho, el determinante se obtiene multiplicando las entradas
en la diagonal principal.

Es importante recordar que las matrices son representaciones de las transforma-

ciones lineales definidas sobre espacios vectoriales de dimensión finita y dichas
representaciones dependen de las bases ordenadas seleccionadas para los espacios
vectoriales, de esta manera una misma transformación lineal tiene una infinidad
de representaciones matriciales y todas estas guardan una relación que está inti-
mamente ligada a las matrices de transición para el cambio de base.

En este capı́tulo nos ocuparemos de las transformaciones lineales definidas en

un espacio vectorial real o complejo de dimensión finita, en si mismo, este tipo de
transformaciones lineales se conocen como operadores lineales. La ventaja con
los operadores lineales es que podemos disponer solo de una base ordenada para
su representación matricial que vendrá a ser una matriz cuadrada.

Nos planteamos el siguiente interrogante:

Dado un operador lineal T definido sobre un espacio vectorial V de dimensión
finita, ¿existe una base ordenada para V en la que la representación matricial de
T tiene una forma sencilla?

4
El termino sencilla hace referencia a tener muchos ceros, de manera que las cuentas
con dicha matriz tenga la menor cantidad de calculos posibles.

1.1. Operadores Diagonalizables

Sean F el cuerpo de los números reales o complejos, V un espacio vectorial sobre

F, β = {α1 , . . . , αn } una base ordenada para V , Hom(V ) el conjunto de todos los
operadoradores lineales definidos en un espacio vectorial de dimensión finita V y
M(n; F) el conjunto de las matrices de orden n × n con entradas en el cuerpo F.
El lector puede comprobar los siguientes itemnes.
1. T es inyectivo si, y solo si, su núcleo es trivial.
2. T es inyectivo si, y solo si, es sobreyectivo.
3. Hom(V ) es un espacio vectorial sobre F con la suma y multiplicación común
de funciones.
4. Hom(V ) es isomorfo a M(n; F). Considere la aplicación T (αj ) = ni=1 aij αi
P

que toma a T ∈ Hom(V ) y lo aplica en A = (aij ) ∈ M(n; F) esto lo simboli-

zaremos por A = [T ]β .
Definición 1.1 Sea T ∈ Hom(V ). Se dice que T es diagonalizable, si existe una
base ordenada γ para V tal que [T ]γ es una matriz diagonal.
en esta sección indagaremos si tales bases existen, como deberian ser y que condi-
ciones deberian tener los operadores en Hom(V ) para ser diagoalizables. Supon-
gamos que T ∈ Hom(V ) es diagonalizable, entonces exite una base ordenada para
V digamos β = {α1 , . . . , αn } tal que
 
a11 0 . . . 0
 0 a ... 
22
[T ]β =  ..
 
.. . . . .. 
 . . . 
0 0 . . . ann
Esto implica que
n
X
T (αj ) = aij αi = ajj αj .
i=1
En terminos generales los elementos αi de la base deben satisfacer la propiedad
T (αj ) = cαj para algun c ∈ F

5
Definición 1.2 Sea T ∈ Hom(V ), diremos que c ∈ F es un valor propio para T
si existe α 6= 0 en V tal que T α = cα. Los vectores α que satisfacen T (α) = cα se
llamaran vectores propios de T asociados al valor propio c.
Observe que: Si c es un valor propio de T ∈ Hom(V ) y α, σ son vectores propios
de T asociados c y k un elemento arbitrario de F entonces
T (kα + σ) = kT α + T σ = c(kα + σ).
Quiere decir esto, que sı́ c es un valor propio de T entonces el conjunto de todos
los vectores asociados a él, es un subespacio vectorial de V. Pero ¿cómo sabemos
si un T ∈ Hom(V ) tiene un vector propio? y si lo tiene como lo calculamos

Si c es un valor propio de T entonces debe existir α 6= 0 tal que T (α) = cα o

equivalentemente (cI − T )α = 0. Es decir, Si c es un valor propio de T entonces
debe existir α 6= 0 tal que α ∈ ker(cI − T ). En consecuencia, el problema de
existencia de un valor propio para T puede plantearse asi:
T ∈ Hom(V ) tiene un valor si xI − T es singular para algun x ∈ F
Nos ponemos entonces en la disposición de hallar, si es posible, números x tales
que xI − T no sea inversible. Esto resultarı́a facil si xI − T fuera una matriz. Pues
los valores de x que buscamos satisfacen la ecuación
det[xI −T ]β = det(xIn −[T ]β ) = 0, donde β es una base ordenada para V . (1.1)
Es claro que la representación matricial de I ∈ Hom(V ) es la matriz identidad de
orden n In sin importar la base ordenada que se tome para V . La misma suerte
corre el operador nulo su representación matricial es la matriz nula. Pero si T no es
el operador identidad ni el nulo, puede tener diferentes representaciones matriciales
para bases distintas,por fortuna existe una relación entre dos representaciones
matriciales distintas de un mismo T ∈ Hom(V ). En efecto si A = [T ]γ y B = [T ]β ,
existe una matriz inversible P tal que A = P −1 BP dicha matriz es la del cambio
de base de β a γ.
Definición 1.3 A, B ∈ M(n; F) son semejantes si, y sólo si, existe P ∈ M(n; F)
inversible tal que A = P −1 BP
Lema 1.1 La semejanza de matrices es una relación de equivalencia.
Pruebelo.
Lema 1.2 El determinante es invariante bajo semejanza. Es decir, si A y B son
semejantes entonces det(A) = det(B).

6
Pruebelo.
Definición 1.4 Para cada T ∈ Hom(V ) se define el determinante de T como
det(T ) := det([T ]β ) donde β es una base ordenada cualquiera de V.
Se sigue del lema anterior que 1.1 no depende de la base ordenada β que se tome
para V.
Definición 1.5 Si A ∈ M(n; F) a f ∈ F[x] de grado n, definido por f (x) :=
det(xIn − A) lo llamaremos polinomio caracterı́stico de A.
Lema 1.3 El polinomio caracterı́stico de una matriz A ∈ M(n; F) es invariante
bajo semejanza.
Definición 1.6 Sea T ∈ Hom(V ) se define el polinomio caracterı́stico de T como
el polinomio caracterı́stico de [T ]β donde β es una base ordenada cualquiera de V.
El panorama revela que la existencia de los valores propios de un elemento de
Hom(V ) dependerá de F ya que corresponderán según 1.1 a las raı́ces de su
polinomio caracterı́stico. En el caso F = C que es un cuerpo algebraicamente
cerrado todos los elementos de Hom(V ) tienen valores propios. Pero en el caso
F = R no se cuenta con la misma suerte.
Teorema 1.1 Sea T ∈ Hom(V ) y sea c ∈ F. Las siguientes afirmaciones son
equivalentes:
i) c es un valor propio de T .
ii) El operador cI − T es singular.
iii) det(cI − T ) = 0.
El resumen hasta aquı́ es que la base que logra una representación matricial diago-
nal para un T ∈ Hom(V ) deberá estar compuesta por vectores propios los cuales
a su ves estan asociados a los valores propios de T. Veamos que tan posible es
tener suficientes vectores propios para completar una base con ellos.
Ejemplo 1.1 Suponga que T ∈ Hom(R2 ), F = R y que en la base canónica T
está representada por  
0 −1
A=
1 0
El polinomio caracterı́stico de T es
 
x 1
f (x) = det(xI2 − A) = det = x2 + 1.
−1 x

7
como este polinomio no tiene ninguna raı́z en F este operador no tiene valores
propios, por ende no contamos con vectores propios no nulos para formar la base.
Ejemplo 1.2 Suponga que T ∈ Hom(R3 ), F = R y que en la base canónica T
está representada por  
3 1 −1
A = 2 2 −1
2 2 0
El polinomio caracterı́stico de T es f (x) = (x − 1)(x − 2)2 . Se tiene dos valores
propios 1 y 2. el conjunto de todos los vectores propios de T asociados a los valores
propios 1 y 2. estan deterninados por ker(I3 − A) y ker(2I3 − A) respectivamente.
Haciendo los respectivos cálculos obtenemos ker(I3 − A) = h(1, 0, 2)i y ker(2I3 −
A) = h(1, 1, 2)i lo cual muestra que no es posible una base de vectores propios para
R3 .
Ejemplo 1.3 Suponga que T ∈ Hom(R3 ), F = R y que en la base canónica T
esta representada por  
5 −6 −6
A = −1 4 2 
3 −6 −4
El polinomio caracterı́stico de T es f (x) = (x − 1)(x − 2)2 . Se tiene dos valores
propios 1 y 2. el conjunto de todos los vectores propios de T asociados a los valores
propios 1 y 2. estan deterninados por ker(I3 − A) y ker(2I3 − A) respectivamente.
Haciendo los respectivos cálculos obtemos ker(I3 − A) = h(3, −1, 3)i y ker(2I3 −
A) = h(2, 1, 0), (2, 0, 1)i. Tomando β = {(3, −1, 3), (2, 1, 0), (2, 0, 1)} es una base
ordenada de vectores propios para R3 .
 
1 0 0
[T ]β = 0 2 0
0 0 2
T es diagonalizable.
Observe que si T ∈ Hom(V ) es diagonalizable entonces su polinomio caracterı́sti-
co deberá tener la forma f (x) = (x − c1 )d1 · · · (x − ck )dk donde c1 , . . . , ck son los
valores propios distintos de T. El recı́proco no es cierto ver ejemplo 1.2.

Con los siguientes lemas tomaremos atajos para probar el futuro teorema 1.2
Lema 1.4 Si T α = c α y f ∈ F[x] entonces f (T )α = f (c)α.

8
Demostración:

Supóngase que f ∈ F[x] y T ∈ Hom(V ), entonces f (x) = an xn + · · · + a1 x + a0

para algún n ∈ N y f (T ) = an T n + · · · + a1 T + a0 I está en Hom(V ).
Por otro lado como T α = cα se sigue que T n α = cn α para todo n ∈ N. En efecto,
si se verifica la propiedad para n = k, entonces: T k+1 α = T T k α = T ck α = ck T α =
ck+1 α.
Finalmente,
f (T )α = an T n α + · · · + a1 T α + a0 Iα
= an cn α + · · · + a1 c α + a0 α
= (an cn + · · · + a1 c + a0 )α
= f (c)α.
Para el lema que se presenta a continuación se debe recordar que si V es un espacio
vectorial y *Wi ≤ V,
+ para 1 ≤ i ≤ k el subespacio de V generado por los Wi se
k
[
define por Wi el cual denotamos por W1 + · · · + Wk y está constituido por
i=1
k
[
todas las combinaciones lineales de los elementos de Wi .
i=1

Lema 1.5 Sean T ∈ Hom(V ), c1 , c2 , · · · , ck los valores propios distintos de T y

Wi = ker(ci I − T ).
Si W = W1 + · · · + Wk , entonces:
dim W = dim W1 + · · · + dim Wk .
Además si βi es una base ordenada para Wi . Entonces B = (β1 , β2 , · · · , βk ) es una
base para W

Demostración:

Supóngase que γ ∈ W entonces existen γi ∈ Wi con 1 ≤ i ≤ k tales que

γ1 + · · · + γk = γ dado que cada γi es generado por la base βi se sigue que B
genera a W.
Veamos ahora que B es linealmente independiente. En efecto, supongamos que γ
es una combinación lineal de B y que γ = 0 naturalmente γ ∈ W y por tanto
γ1 + · · · + γk = 0 donde cada γi es una combinación lineal de βi para 1 ≤ i ≤ k.

9
Considere ahora los polinomios:
Y
(cj − x)
j6=i
fi (x) = Y i = 1, 2, · · · , k
(cj − ci )
j6=i
(c1 − x) · · · (ci−1 − x)(ci+1 − x) · · · (ck − x)
=
(c1 − ci ) · · · (ci−1 − ci )(ci+1 − ci ) · · · (ck − ci )
Observe que: 
 1 si j = i
fi (cj ) =
0 si j 6= i


Ahora dado que cada γi es un vector propio para 1 ≤ i ≤ k por el lema 1.4 se
sigue que:
0 = fi (T )0
= fi (T )(γ1 + · · · + γk )
= fi (T )γ1 + · · · + fi (T )γk
= fi (c1 )γ1 + · · · + fi (ci )γi + · · · + fi (ck )γk
= γi ∀i = 1, 2, · · · , k
Hemos mostrado hasta ahora que γ1 + · · · + γk = 0 con γi ∈ Wi implica que γi = 0
pero, como cada βi es linealmente independiente, se sigue que todos los escalares
de la combinación lineal en γi son nulos para i = 1, 2, · · · , k esto garantiza que
todos los escalares en la combinación lineal γ son nulos.

Teorema 1.2 Sean T ∈ Hom(V ), c1 , c2 , · · · , ck los valores propios de T y sean

Wi = ker(ci I − T ) para cada i = 1, 2, · · · , k. Lo siguiente es equivalente.
i) T es diagonalizable.
k
Y
ii) El polinomio caracterı́stico de T es f (x) = (x − ci )di y dim Wi = di .
i=k
k
X
iii) dim Wi = dim V .
i=k

Nota: La demostración se deja como ejercicio al lector. Además puede verificar

que ker(xI − T ) = ker(T − xI), | det(xI − T ) |=| det(T − xI) |

10
Ejemplo 1.4 Sea T un operador lineal sobre R3 representado en la base ordenada
canónica por la matriz  
−9 4 4
 −8 3 4
−16 8 7
Demostrar que T es diagonalizable construyendo una base para R3 , cada vector de
la cual es un vector propio de T .
El polinomio caracterı́stico de T es:
 
x + 9 −4 −4 
x − 3 −4  = x3 − x2 − 5x − 3 = (x − 3)(x + 1)2
 
|xI − A| =  8
 16 −8 x − 7
Cuando |xI − A| = 0; los únicos valores propios para T son c1 = 3 y c2 = −1.
Hallemos una base para ker(A − 3I), el espacio propio asociado a c1 , es decir, una
base que
 contenga
 todos los vectores propios de T asociado al valor propio c1 = 3.
x1
Si α =  y1  es un vector propio de T asociado al valor propio c1 = 3 entonces:
z1
          
−12 4 4 −12 4 4 x1 0 x1 1/2
A − 3I =  −8 0 4 ⇒  −8 0 4  y1  = 0 ⇒  y1  = z1 1/2
−16 8 4 −16 8 4 z1 0 z1 1
Luego una base para ker(A − 3I) es B1 = 21 , 21 , 1


Hallemos una base para ker(A + I), el espacio propio asociado a c2 , es decir,
una base que contenga
  todos los vectores propios de T asociado al valor propio
x2
c2 = −1. Si β =  y2  es un vector propio de T asociado al valor propio c1 = −1
z2
entonces:
            
−8 4 4 −8 4 4 x2 0 x2 1 0
A + I =  −8 4 4 ⇒  −8 4 4  y2  = 0 ⇒  y2  = x2 2 + z2 −1
−16 8 8 −16 8 8 z2 0 z2 0 1
Es claro que {(1, 2, 0) , (0, −1, 1)} son linealmente independientes. (Pruébelo).
Luego una base para N(A − 3I) es B2 = {(1, 2, 0) , (0, −1, 1)}.

11
Ası́, una base para R3 tal que

cada vector de la cual es un vector propio de T es
1 1
B = {{B1 }, {B2 }} = 2 , 2 , 1 , (1, 2, 0) , (0, −1, 1) . Ya que estos también son L.I.

Es fácil ver que D = P −1 AP , donde D es una matriz diagonal y P una matriz

inversible. Además:
     
1/2 1 0 −4 2 2 3 0 0
−1
P = 1/2 2 −1
  P = 3  −1 −1 D = 0 −1 0 
1 0 1 4 −2 −1 0 0 −1
Ejemplo 1.5 La sucesión de Fibonacci; 1, 1, 2, 3, 5, 8, ... se define mediante la fórmu-
la recursiva
an+1 = an + an−1 Para n ≥ 1
muestra esto que para calcular un término en esta sucesión se debe calcular an-
tes los dos terminos anteriores, esto implica que para calcular hallar an se debió
calcular antes a0 , a1 , ..., an−1 esto en verdad es muy tedioso para n muy grande.
En este ejemplo encontraremos una fórmula directa para este sistema dinamico
discreto que nos permita obtener an sin necesidad de calcular terminos anteriores.
Considermos el sistema
an+1 =an + an−1
an =an
Este se puede escribir matricialmente asi:
    
an+1 1 1 an
= .
an 1 0 an−1
simplificando un poco la escritura lo podemos presentar asi:
Xn = AXn−1
   
an+1 1 1
donde Xn = ;A= . Desde esta optica se puede ver que
an 1 0

X1 =AX0
X2 =AX1 = A(AX0 ) = A2 X0
X3 =A3 X0
..
.
Xn =An X0

12
Para obtener an necesitamos calcular An lo cual es fastidioso cuando n es grande.
Pero resulta que A es diagonalizable. En efecto, su polinomio caracterı́stico es
f (x) = x2 − x − 1 el cual tiene dos raı́ces distintas, es decir, A tiene dos valores
propios distintos
√ √
1+ 5 1− 5
x1 = y x2 =
2 2
con vectores propios corespondientes
 1+√5   1−√5 
2 y 2
1 1
Ası́ la matriz A es semejante a la matriz diagonal
" √ #
1+ 5
2 0√
D= 1− 5
0 2

con matriz de paso " √ #

√1 1−√ 5
5
−2 5
P = √
1+√ 5
− √15 2 5
con esto tenemos A = P DP −1 y por tanto A = (P DP −1 )n = P Dn P −1 . Calcular
n

Dn es más sencillo solo elevamos a la n las entradas de la diagonal principal y

listo. El lector no tendrá dificultad en revizar las cuentas y obtener:
√ !n+1 √ !n+1
 
1 1+ 5 1− 5
an = √  − .
5 2 2

Ejercicios 1.1
1. Sea T ∈ Hom(R2 ) definida por
T (x, y) = (x − 2y, 3x + 2y)
considere las bases ordenadas de R2 ; β = (1, 2), (−1, 1) y γ = (−2, 1), (1, 1)
Determine:
a. [T ]β .
b. [T ]γ .
c. P ∈ M(2, R) invertible tal que A = P BP −1 .

13
2. En cada uno de los siguientes casos, sea T el operador lineal sobre R2 re-
presentado por la matriz A en la base ordenada canónica de R2 y sea U el
operador lineal en C2 representado por A en la base ordenada canónica. En-
contrar el polinomio caracterı́stico de T y de U , hallar los valores propios de
cada operador y para cada uno de tales valores propios c hallar una base para
el correspondiente espacio de vectores caracterı́sticos.
     
1 0 2 3 1 1
A= , A= , A=
0 0 −1 1 1 1

3. Sean A y B dos matrices semejantes, pruebe que:

a. AT y B T son semejantes
b. Los rangos de A y B son iguales.
c. A es no singular si, y solo si, B es no singular.
d. Si A y B son no singulares entonces A−1 y B −1 son semejantes.
e. T ra(A) = T ra(B).
4. Sea V un espacio vectorial de dimensión n sobre F . ¿Cuál es el polinomio
caracterı́stico del operador identidad sobre V ? ¿Cuál es el polinomio carac-
terı́stico para el operador cero?
5. Sea A una matriz triangular n×n sobre el cuerpo F . Demostrar que los valores
propios de A son los elementos de la diagonal de A, es decir, los escalares aii .
6. Sea  
1 2 0 0
2 1 0 0
A=
0

0 1 2
0 0 2 1
¿Es A semejante, sobre el cuerpo R, a una matriz diagonal? ¿Es A semejante,
sobre el cuerpo C, a una matriz diagonal?
7. Sea T un operador lineal sobre el espacio vectorial V de dimensión n y supónga-
se que T tiene n valores propios distintos. Demostrar que T es diagonalizable.
8. Sean A y B matrices n × n sobre el cuerpo F . Demostrar que si (I − AB) es
inversible, entonces I − BA es inversible y que
(I − BA)−1 = I + B(I − AB)−1 A.

14
 9. Usar el resultado del Ejercicio 6 para demostrar que si A y B son matrices
n × n sobre el cuerpo F , entonces AB y BA tienen los mismos valores propios
en F .
10. Supóngase que A es una matriz 2×2 con elementos reales, simétrica (At = A).
Demostrar que A es semejante, sobre R , a una matriz diagonal.
11. Sea N una matriz compleja 2 × 2 tal que N 2 = 0. Demostrar que N = 0 ó N
es semejante, sobre C, a:  
0 0
1 0
12. Usar el resultado del Ejercicio 9 para demostrar lo siguiente: Si A es una matriz
2 × 2 de elementos complejos, entonces A es semejante, sobre C, a una matriz
de uno de los dos tipos siguientes:
   
a 0 a 0
0 b 1 a
13. Sea V el espacio vectorial de las funciones continuas de R en R; es decir, el
espacio de las funciones continuas de valor real en el eje real. Sea T el operador
lineal sobre V definido por
Z x
(T f )(x) = f (t) dt.
0
Demostrar que T no tiene valores propios.
14. Sea A una matriz diagonal n × n de polinomio caracterı́stico
(x − c1 )d1 · · · (x − ck )dk ,
donde los c1 , · · · , ck son distintos. Sea V el espacio de las matrices n × n, B,
tales que AB = BA. Demostrar que la dimensión de V es d21 + · · · + d2k .
15. Sea V el espacio de las matrices n × n sobre F . Sea A una matriz n × n dada
sobre F . Sea T el operador lineal ((multiplicación a la izquierda por A)) en V .
¿Tienen A y T los mismos valores propios?.
16. Respecto al ejemplo 1.5 pruebe que an+1 an−1 − a2n = (−1)n+1 .

1.2. Polinomios Anuladores

Si T ∈ Hom(V ) y f ∈ F[ x ]. Entonces f (T ) es un operador lineal sobre V que

llamaremos operador polinomial en T .

15
Si f, g ∈ F[ x ], definimos el operador lineal (f g)(T ) ası́:
(f g)(T ) := f (T )g(T )
Donde en el lado derecho se tiene una composición.

Como f g = gf.
f (T ) (g(T )α) = (f g)(T )α = (gf )(T )α = g(T ) (f (T )α)
quiere decir esto que los operadores lineales polinomiales en T conmutan.
Si f, g ∈ F[ x ] definimos (f + g)(T ) por:
(f + g)(T ) := f (T ) + g(T )
Para T ∈ Hom(V ) arbitrario con dimF (V ) = n consideremos el conjunto S =
{g ∈ F[ x ] : g(T ) = 0} de los polinomios anuladores de T. Nos preguntamos si S
tiene polinomios distintos al nulo? La respuesta a este interrrogante es afirmativa,
2
puesto que la dimF (Hom(V )) = n2 y por lo tanto el conjunto {I, T, · · · , T n } es
linealmente dependiente, ya que contiene n2 + 1 elementos; esto implica que deben
existir escalares c0 , c1 , · · · , cn2 no todos nulos tales que:
2
c0 I + c1 T + · · · + cn2 T n = 0
2
Por ende el polinomio f (x) = c0 + c1 x + · · · + cn2 xn es no nulo y f (T ) = 0.

Lo anterior prueba que para todo T ∈ Hom(V ) existen polinomios no nulos que
lo anulan, entre ellos existe uno, no nulo, de menor grado en S que divide a todos
los elementos de S como se expresa a continuación.
Definición 1.7 Un f ∈ F[ x ] se llama polinomio mónico si el coeficiente de la
mayor potencia de x es 1.
Definición 1.8 Sea T ∈ Hom(V ). El polinomio minimal de T es el polinomio
p ∈ F[ x ] que satisface:
i) p es mónico.
ii) p(T ) = 0.
iii) Si q ∈ F[ x ] es tal que q(T ) = 0 entonces p|q.
Es decir; p es el polinomio minimal de T . Si anula a T , es mónico y todo polinomio
anulador de T es múltiplo de él.
Si A ∈ M(n; F) se define el polinomio minimal de A en forma análoga.

16
Se puede probar que el polinomio minimal de un T ∈ Hom(V ) siempre existe y
es único. Para ello, necesitamos de la teoria de anillos, lo cual no esta al alcance
de este curso.
Veamos ahora que el polinomio minimal de un operador lineal en Hom(V ) no
depende de la representación matricial que se tome para él.
Lema 1.6 Si C ∈ M(n; F) y Q ∈ GL(n; F) entonces (Q−1 CQ)n = Q−1 C n Q.
Lema 1.7 Si f ∈ F[ x ] y A y B semejantes,es decir, existe P ∈ GL(n; F) tal que
A = P −1 BP . Entonces
f (A) = P −1 f (B)P.
Teorema 1.3 Sean A y B en M(n; F) semejantes, fA y fB los polinomios mini-
males de A y B respectivamente. Entonces fA = fB
Sabemos que el polinomio minimal de un operador lineal T sobre un espacio vec-
torial V con dimF (V ) = n tiene grado menor o igual que n2 . Pero podemos afirmar
que su grado es a lo sumo n; ya que todo operador lineal es anulado por su poli-
nomio caracterı́stico. Como veremos en el siguiente teorema.
Teorema 1.4 (Cayley-Hamilton) El polinomio caracterı́stico anula a su
operador lineal.

Nota: Preparar la prueba que está en el libro de Hoffman.

Teorema 1.5 Sea T ∈ Hom(V ) con dimF (V ) = n (A una matriz n × n). El
polinomio caracterı́stico y el polinomio minimal de T (o de A) tienen las mismas
raı́ces, salvo multiplicidades.

Demostración:

Sea p el polinomio minimal de T y c ∈ F . Supongamos que p(c) = 0; por el

Teorema del Factor existe q ∈ F[ x ] con grado q = n − 1 tal que:
p(x) = (x − c)q(x)
Como p es polinomio minimal de T entonces q(T ) 6= 0. Ası́; existe un vector β tal
que q(T )β 6= 0. Sea α = q(T )β y obsérvese que:
0 = p(T ) = (T − cI)q(T )
0 = 0β = p(T )β = (T − cI)q(T )β = (T − cI)α

17
Por lo que α ∈ ker(T − cI) y como α 6= 0 entonces c es un valor propio de T , es
decir, existe α 6= 0 tal que T α = cα y por el lema 1.4
0 = 0α = p(T )α = p(c)α
Como α 6= 0 entonces p(c) = 0.
Ejemplo 1.6 Sea V es espacio vectorial de las matrices n × n sobre el cuerpo F.
Sea T el operador lineal sobre V definido por
T (B) = AB
Demostrar que el polinomio minimal de T es el polinomio minimal de A.
Sea mA (x) = xn + an−1 xn−1 + · · · + a1 x + a0 el polinomio minimal de A.
Ası́ mA (A) = 0. Como T k (B) = Ak B para k ≥ 1, entonces para todo B ∈ V
tenemos:
mA (T )B = (T n + an−1 T n−1 + · · · + a1 T + a0 I)B
= T n (B) + an−1 T n−1 (B) + · · · + a1 T (B) + a0 (B)
= An (B) + an−1 An−1 (B) + · · · + a1 A(B) + a0 (B)
= (An + an−1 An−1 + · · · + a1 A + a0 I)B
= mA (A)B = 0
Por tanto mA (T ) = 0 lo cual implica que mT /mA .

Ahora sea mT (x) = xm + cm−1 xm−1 + · · · + c1 x + c0 el polinomio minimal de

T , tal que mT (T ) = 0 para todo B ∈ V , ası́:
mT (A)B = (Am + cm−1 Am−1 + · · · + c1 A + c0 I)B
= Am (B) + cm−1 Am−1 (B) + · · · + c1 A(B) + c0 (B)
= T m (B) + cm−1 T m−1 (B) + · · · + c1 T (B) + c0 (B)
= (T m + cm−1 T m−1 + · · · + c1 T + c0 I)B
= mT (T )B = 0
Por tanto mT (A) = 0 lo cual implica que mA /mT . Ası́ mA (x) = mT (x).
Ejemplo 1.7 Encontrar el polinomio minimal del operador lineal dado en el ejemplo1.4
Como vimos en el ejemplo 1.4 el polinomio caracterı́stico es f (x) = (x − 3)(x + 1)2
entonces por el teorema 1.5 el polinomio minimal es el mismo caracterı́stico o es
p(x) = (x − 3)(x + 1) dado que p anula el operador, se sigue, que el polinomio
minimal es p.

18
Ejercicios 1.2
1. Sea V un espacio vectorial de dimensión finita. ¿Cuál es el polinomio minimal
para el operador identidad sobre V ? ¿Cuál es el polinomio minimal para el
operador cero?
2. Sean a, b y c elementos de un cuerpo F y A la siguiente matriz 3 × 3 sobre F :
 
0 0 c
A= 1  0 b
0 1 a
Demostrar que el polinomio caracterı́stico de A es x3 − ax2 − bx − c y que éste
es también el polinomio minimal de A.
3. Sea A la matriz real 4 × 4:
 
1 1 0 0
−1 −1 0 0
A=
−2 −2 2

1
1 1 −1 0
Demostrar que el polinomio caracterı́stico de A es x2 (x − 1)2 y que es al propio
tiempo el polinomio minimal.
4. ¿Es la matriz A del Ejercicio 3 semejante, sobre el cuerpo de los números
complejos, a una matriz diagonal?
5. Sea V un espacio de dimensión n y sea T un operador lineal sobre V . Supóngase
que existe cierto entero positivo k tal que T k = 0. Demostrar que T n = 0.
6. Hallar una matriz 3 × 3 para la cual el polinomio minimal es x2 .
7. Sea n un entero positivo y sea V el espacio vectorial de los polinomios sobre R
que tienen a lo más grado n (sin considerar el polinomio 0). Sea D el operador
derivación sobre V . ¿Cuál es el polinomio minimal de D?
8. Sea P el operador en R2 que proyecta cada vector sobre el eje x, paralelamente
al eje y: P (x, y) = (x, 0). Mostrar que P es lineal. ¿Cuál es el polinomio
minimal de P ?
9. Sea A una matriz n × n con polinomio caracterı́stico
f = (x − c1 )d1 · · · (x − ck )dk
Demostrar que
c1 d1 + · · · + ck dk = traza(A)

19
10. Sean A y B matrices n × n sobre el cuerpo F . De acuerdo con el Ejercicio
7, de la Sección de Ejercicios 1.1, las matrices AB y BA tienen los mismos
valores propios. ¿Tienen también el mismo polinomio caracterı́stico? ¿Tienen
también el mismo polinomio minimal?
11. Muestre que si T ∈ Hom(V ) es diagonalizable entonces su polinomio minimal
es de la forma p(x) = (x − c1 ) · · · (x − ck ) donde los ci con 1 ≤ i ≤ k son los
valores propios disteintos de T ¿Qué dices del reciproco?

1.3. Subespacios invariantes

Definición 1.9 Sea T ∈ Hom(V ). Si W ≤ V , se dice que W es invariante por

T si T (W ) ≤ W , es decir; para todo vector α de W el vector T α está en W ;
T (W ) ⊆ W .
Por ejemplo, Si T es un operador lineal sobre V y U cualquier otro operador lineal
sobre V que conmuta con T , entonces N(U ) y Im(U ) son invariantes por T . En
efecto; si α ∈ N(U ) entonces U (Tα ) = T (U α) = T 0 = 0, es decir, T α ∈ N(U ) y si
β ∈ Im(U ), existe α ∈ V tal que β = U α. Luego; T β = T (U α) = U (T α) lo que
muestra que T α ∈ Im(U ).

Función restricción: Si f es una función de un conjunto A en un conjunto

B y D ⊆ A definimos la restricción de f a D por la función fD como sigue:
fD : D −→ B
x −→ fD(x) = f (x)
Es decir, fD solo se define para elementos de D. Para cada x ∈ D, fD = f (x)
Si A y B son espacios vectoriales y f una transformación lineal de A en B. Si
D ≤ A, entonces fD es también una transformación lineal (Probarlo).
En el caso en que A = B se tiene el resultado para operadores lineales , siempre
que D ≤ A sea invariante por f , es decir, si T es un operador lineal sobre V y
W ≤ V invariante por T , entonces TW es un operador lineal sobre W que en
adelante llamaremos operador restricción y lo denotaremos por TW .
Lema 1.8 Sea T ∈ Hom(V ). Sea W ≤ V invariante por T . El polinomio carac-
terı́stico para el operador TW divide al polinomio caracterı́stico de T . El polinomio
minimal de TW divide al polinomio minimal de T .
Demostración:

20
Sea V un espacio vectorial de dimensión finita, luego como W ≤ V entonces
r = dim W ≤ dim V = n.

Dada una base ordenada B = {α1 , α2 , · · · , αr } para W se puede completar pa-

ra obtener una base de V : B0 = {α1 , α2 , · · · , αn }.

La representación matricial de T en la base ordenada B0 viene dada por:

A = [T ]B0 = (aij )
n
X
Donde T αj = (aij )αi pero dada la invarianza de W por T y que los primeros
i=1
r vectores de la base ordenada B0 corresponden a la base B de W se tiene:
r
X n
X
T αj = (aij )αi para j ≤ r y T αi = (aij )αj para j < r
i=1 i=1

Lo que garantiza que las r primeras columnas tienen ceros en las filas r + 1 a n.
 
B C
A= vista por bloques donde es evidente por (1) que B = [TW ]B .
O D
det (xI − A) = det (xI − B) • det (xI − D)
| {z } | {z }
Polinomio caracteristico de T Polinomio caracteristico de Tw
 
C B
Ejercicio: Muestre que si A = es una matriz por bloques donde O es
O D
una matriz nula y C, B, D son matrices cuadradas, entonces |A| = |C| · |D|.

Ası́; el polinomio caracterı́stico de TW divide al polinomio minimal de T . Como:

    2 
2 B C B C B BC + CD
A = =
O D O D O D2
En general; para todo n ∈ N tenemos que:
 n 
n B Cn
A =
O Dn
Donde Cn es un polinomio en B y C (Probar por inducción matemática). Si
f ∈ F [ x ];  
f (B) g(B, D)
f (A) = para algun g ∈ F [ x, y ]
O f (D)

21
Luego si fA y fB son los polinomio minimales de T y TW respectivamente:
 
fA (B) g(B, D)
0 = fA (A) =
O fA (D)
lo que obliga que fA (B) = 0 por lo tanto fB /fA .
Definición 1.10 Sean T ∈ Hom(V ), W ≤ V un subespacio invariante por T
y α un vector de V . El T -conductor de α a W es el conjunto ST (α; W ) =
{g ∈ F [ x ] : g(T )α ∈ W }. Cuando W = 0 el T -conductor de α en W se llama
T -anulador de α.
Observaciones:
1. El polinomio minimal de T pertenece a ST (α; W ) para todo α ∈ V y W ≤ V .
2. ST (α; W ) es un ideal de F [ x ], luego posee un único generador mónico,
digamos q al cual también llamaremos T -conductor de α en W o T -anulador
de α cuando W = 0.
3. de 1. y 2. se concluye que q el T -conductor de α en W divide al polinomio
minimal de T .
Lema 1.9 Sean T ∈ Hom(V ) tal que su polinomio minimal sea de la forma
p = (x − c1 )r1 · · · (x − ck )rk ci ∈ F ; ri ∈ N
ye W < V invariante por T. Entonces existe un vector α ∈ V tal que:
a) α 6∈ W .
b) (T − cI)α ∈ W para algún valor propio c del operador T .
Demostración

Como W < V existe β ∈ V tal que β 6∈ W . Sea g el T -conductor de β ∈ W .

Por la Observación 3. g divide al polinomio minimal de T . Por lo tanto g es
de la forma: g = (x − c1 )e1 · · · (x − ck )ek ei ≤ ri . Pero al menos un ei > 0 (no
nulo); elijamos ej > 0, de ser ası́ (x − cj ) divide a g por lo que podemos escribir
g = (x − cj )h; dado que grad(h) < grad(g) h no conduce a β en W , es decir,
α = h(T )β 6∈ W . Además: (T − cj I)α = (T − cj I)h(T )β = g(T )β ∈ W .
Definición 1.11 Un operador lineal T sobre un espacio vectorial V de dimen-
sión finita es triangulable si existe una base ordenada de V en la que T está
representado por una matriz triangular.

22
Estamos pensando en una base ordenada B = {α1 , · · · , αn } de V tal que:
(∗) Tα1 = a11 α1 , Tα2 = a12 α1 + a22 α2 · · · Tαn = a1n α1 + a2n α2 + · · · + αnn αn
 
a11 a12 . . . a1n
 0 a ... a 
22 2n 
[T ]B =  ..

.. . . . .. 
 . . . 
0 0 . . . amn
Pero notemos que (∗) se puede escribir como:
(T −a11 )α1 = 0, (T −a22 )α2 = a12 α1 , · · · , (T −ann )αn = a1n α1 +a2n α2 +· · ·+ann αn
(T − a11 I)α1 ∈ W0 , α1 6∈ W0 , W0 = h{0}i ; α1 es un valor propio de T
(T − a22 I)α2 ∈ W1 , α2 6∈ W1 , W1 = h{α1 }i
(T − a33 I)α3 ∈ W2 , α3 ∈6 W2 , W2 = h{α1 , α2 }i
..
.
(T − ann I)αn−1 ∈ Wn−1 , αn 6∈ Wn−1 , Wn−1 = h{α1 , α2 , · · · , αn−1 }i
Ası́;
W0 ⊆ W1 ⊆ W2 ⊆ · · · ⊆ Wn−1
Y además Wi es invariante por T , para cada i = 0, 1, · · · , n − 1. Es notable que
bajo las condiciones del Lema 1.5 partiendo del subespacio W = {0} tendremos
acceso a la base B = {α1 , α2 , · · · , αn } en la que T se representa por una matriz
triangular superior. Este razonamiento permite concluir el siguiente teorema:
Teorema 1.6 Sea V un espacio vectorial V de dimensión finita sobre el cuerpo
F y T un operador lineal sobre V . Entonces T es triangulable sı́, y solo si, el
polinomio minimal de T es producto de polinomios lineales sobre F .
Teorema 1.7 Sea V un espacio vectorial V de dimensión finita sobre el cuerpo
F y T un operador lineal sobre V . Entonces T es diagonalizable sı́, y solo si, su
polinomio minimal es de la forma:
p = (x − c1 ) · · · (x − ck )
donde c1 , · · · , ck son escalares distintos.

Demostración:

Probemos por reducción al absurdo, es decir, probemos que si T no es diago-

nalizable su polinomio minimal no serı́a de la forma: p = (x − c1 ) · · · (x − ck ),

23
donde c1 , · · · , ck .
Supongamos que T no es diagonalizable, es decir, que si W es el espacio generado
por todos los espacios de vectores propios de T , W 6= V .
Por otra parte W es invariante por T . En efecto como c1 , · · · , ck son valores dis-
tintos de F entonces:
W = W1 + · · · + Wk
donde Wi es el espacio de vectores propios de T , asociado al escalar ci , para cada
i = 1, · · · , k. Ahora si β ∈ W ; β = β1 +· · · βk donde βi ∈ Wi (Tβi ) = ci βi ; entonces:
Tβ = Tβ1 + · · · + Tβk = c1 β1 + · · · + ck βk ∈ W
Por el Lema 1.5 existe α ∈ V , α ∈ W y un valor propio cj tal que:
β 0 = (T − cj I)α ∈ W
Es evidente que p = (x − cj )q; 1 ≤ j ≤ k. Por el algoritmo de la división por q y
(x − cj ) existen polinomios h y r tales que:
q = (x − cj )h + r ; grad(r) = 0
Por el teorema del residuo r = q(cj ), ası́:
q − q(cj ) = (x − cj )h
Pero;
q(T )α − q(cj )α = (T − cj I)h(T )α = h(T )(T − cj I)α
= h(T )β 0 = h(T )(β1 + · · · βk ) = h(T )β1 + · · · + h(T )βk
= h(c1 )β1 + · · · + h(ck )βk ∈ W (∗)
Por lo tanto; (q(T )α − q(cj )α ) ∈ W . Como 0 = p(T )α = (T − cj I)q(T )α .

Luego q(T )α ∈ Wj < W tenemos que:

q(T )α ∈ W (∗∗)
De (∗) y (∗∗) se concluye que q(cj )α ∈ W , pero α 6∈ W ; ası́ q(cj ) = 0.

Por lo que q − q(cj ) = q = (x − cj )h, luego p = (x − cj )q = (x − cj )2 h; lo

cual es absurdo.
Ejemplo 1.8 Sea  
0 1 0
A = 2 −2 2
2 −3 2

24
¿Es A semejante, sobre el cuerpo de los números reales, a una matriz triangular?
Si es ası́, hallar tal matriz triangular.
Hallemos el polinomio caracterı́stico:
 
x −1 0
|xI − A| = −2 x + 2 −2 
−2 3 x−2
Como el polinomio minimal divide al caracterı́stico, tienen los mismos factores
reductibles. Los posibles polinomios minimales son:
µ1 (x) = x; µ2 (x) = x2 ; µ3 (x) = x3
Como el polinomio minimal anula al operador y además:
     
0 1 0 2 −2 2 0 0 0
µ1 (A) = A = 2 −2 2 ; µ2 (A) = A2 =  0 0 0  ; µ3 (A) = A3 = 0 0 0
2 −3 2 −2 2 −2 0 0 0
3
Se concluye que p(x) = x es el polinomio minimal de A.

Si T es el operador lineal representado por A.

   
x x
T y = A y
  
z z
 
 0 
W0 = 0 < R3 = V . W0 es invariante por T .
0
 
 
x1
Por Lema 1.5 existe un vector α1 =  y1  ∈ V tal que α1 6∈ W0 y (T − cI)α1 ∈ W0
z1
para algún valor propio c del operador T . Como A solo tiene un valor propio, c = 0.
Ası́; Tα1 ∈ W0 , esto es:
          
0 0 1 0 x1 0 x1 + z1 0
Aα1 = 0 ⇒ 2 −2 2  y1  = 0 ⇒  y1  = 0
0 2 −3 2 z1 0 0 0
   
1 1
De donde; α1 = x1  0 . Tomemos β1 =  0 . Veamos si W1 = {β1 } < R3 es
−1 −1

25
invariante por T . Sea γ1 ∈ W1 , luego existe k ∈ R tal que; γ1 = kβ1 . Ası́;
      
0 1 0 1 0 0
Tγ1 = kTβ1 = k 2 −2 2  0  = k 0 = 0 ∈ W1
2 −3 2 −1 0 0
De aquı́; Tβ1 = {0} y W1 es invarianteporT .
x2
Por Lema 1.5 existe un vector α2 =  y2  ∈ V tal que α2 6∈ W1 y Tα2 ∈ W1 . Ası́;
z2
          
1 0 1 0 x2 1 x2 + z2 1
Aα2 =  0  ⇒ 2 −2 2  y2  =  0  ⇒  y2  = 1
−1 2 −3 2 z2 −1 0 0
   
x2 1
De donde; α2 =  1 . Tomemos β2 = 1.

1 − x2 0
3
Veamos si W2 = {{β1 }, {β2 }} < R es invariante por T . Sea γ2 ∈ W2 , luego existen
m, n ∈ R tal que; γ2 = mβ1 + nβ2 ∈ W2 . Ası́;
    
0 1 0 1 1
Tγ2 = m Tβ1 +nTβ2 = nTβ2 = n 2 −2 2 1 = n  0  = nβ1 ∈ W2
2 −3 2 0 −1
|{z}
0
De aquı́; Tβ2 = β1 y W2 es invariante por T .
 
x3
Por Lema 1.5 existe un vector α3 = y3  ∈ V tal que α3 6∈ W2 y Tα3 ∈ W2 . Ası́;

z3
             5
1 1 2 0 1 0 x3 2 x2 + z2 2
Aα3 = 0 + 1 = 1 ⇒ 2 −2 2
         y3 = 1 ⇒
    y2  = 2

−1 0 −1 2 −3 2 z3 −1 0 0
   
x3 2
De donde; α3 =  2 . Tomemos β2 = 2.
5 1
2 − x3 2
3
Veamos si W3 = {{β1 }, {β2 }, {β3 }} < R es invariante por T . Sea γ2 ∈ W1 , luego
existen m, n ∈ R tal que; γ3 = rβ1 + sβ2 + tβ3 ∈ W3 . Ası́;
  
0 1 0 2
Tγ3 = r Tβ1 +sTβ2 + tTβ3 = sβ1 + t 2 −2 2 2 = (s + t)β1 + tβ2 ∈ W2
1
2 −3 2
|{z}
0 2

26
De aquı́; Tβ3 = β1 +β2 y W3 es invariante por T . Es fácil ver que B = {{β1 }, {β2 }, {β3 }}
es una base ordenada para R3 . Además:
Tβ1 = 0β1 + 0β2 + 0β3
Tβ2 = 1β1 + 0β2 + 0β3
Tβ3 = 1β1 + 1β2 + 0β3
Transponiendo obtenemos:
 
0 1 1
[TB ] = 0 0 1
0 0 0
De donde B es una base ordenada en la cual T está representado por la matriz
triangular [TB ]. Ası́; A es semejante a la matriz triangular [T ]B .
Ejercicios 1.3
1. Sea T el operador lineal sobre R2 cuya matriz en la base ordenada canónica
es  
1 −1
A=
2 2
a. Demostrar que los únicos subespacios de R2 invariantes por T son R2 y el
subespacio nulo.
b. Si U es el operador lineal en C2 , cuya matriz en la base ordenada canónica
es A. Demostrar que U tiene un subespacio unidimensional invariante.
2. Sea W un subespacio invariante para T . Demostrar, sin referirse a las matrices,
que el polinomio minimal para el operador restricción TW divide al polinomio
minimal de T .
3. Sea c un valor propio de T y sea W el espacio de los vectores propios asociados
al valor propio c. ¿Cuál es el operador restricción TW ?
4. Cada matriz A tal que A2 = A es semejante a una matriz diagonal.
5. Sea T un operador lineal diagonalizable sobre un espacio vectorial V de di-
mensión n y sea W un subespacio invariante por T . Demostrar que el operador
restricción TW es diagonalizable.
6. Sea T un operador lineal sobre un espacio vectorial de dimensión finita sobre
el cuerpo de los números complejos. Demostrar que T es diagonalizable sı́, y
solo si, T es anulado por algún polinomio sobre C que tiene raı́ces distintas.

27
 7. Sea T un operador lineal sobre V . Si todo subespacio de V es invariante por
T , entonces T es un múltiplo escalar del operador identidad.
8. Sea T el operador integración indefinida
Z x
(tf )(x) = f (t) dt
0
sobre el espacio de las funciones continuas en el intervalo [0, 1]. ¿Es el espacio
de las funciones polinomios invariantes por T ? ¿El espacio de las funciones
diferenciables? ¿El espacio de las funciones que se anulan para x = 21 ?
9. Sea A una matriz 3×3 de elementos reales. Demostrar que si A no es semejante
sobre R a una matriz triangular. entonces A es semejante sobre C a una matriz
diagonal.
10. ¿Es verdadero o falso que si una matriz triangular A es semejante a una matriz
diagonal, entonces A es diagonal?
11. Sea T un operador lineal sobre un espacio vectorial de dimensión finita sobre
un cuerpo F algebraicamente cerrado. Sea f un polinomio sobre F . Demostrar
que c es un valor propio def (T ) sı́, y solo si, c = f (t), donde t es un valor
propio de T .
12. Sea V el espacio de las matrices n × n sobre F . Sea A una matriz n × n dada,
sobre F . Sean T y U los operadores lineales sobre V definidos por
T (B) = AB U (B) = AB − BA
a. ¿Es verdadero o falso que si A es diagonalizable (sobre F ), entonces T es
diagonalizable?
b. ¿Es verdadero o falso que si A es diagonalizable, entonces U es diagonali-
zable?
13. Considerando solo el cuerpo de los numéros reales. Sea T ∈ Hom(R2 ) definida
por
T (x, y) = (4x − ay, x + 2y)
Determine los valores de a para los que T :
a. Es triangulable y no diagonalizable. Escoja uno de los valores de a asignelo
en el operador y triangulelo, mostrando la matriz de paso.
b. Es diagonalizable. Escoja uno de los valores de a asignelo en el operador
y diagonalicelo, mostrando la matriz de paso.
c. No es triangulable.

28