CUESTIONARIO TRANSFORMACIONES LINEALES Y VALORES Y

VECTORES PROPIOS

JAIME BUITRAGO OSORIO

MATEMÁTICAS PARA INGENIERÍA

MAESTRÍA EN INGENIERÍA
UNIVERSIDAD AUTÓNOMA DE MANIZALES
2016
 CUESTIONARIO SOBRE TRANSFORMACIONES LINEALES
Y VALORES Y VECTORES PROPIOS

 
1. Sean i  10 y j  10 . Sean además x(t ) y y(t ) dos funciones escalares definidas
   
en un intervalo [a , b], y sea F : [a, b]  2 una función vectorial cuyo valor está dado
por :
 
F (t )  x(t ) i  y(t ) j (1)

Para graficar una función como esta, se asignan valores a t en el intervalo [a,b], los
cuales al ser sustituidos en la ecuación anterior producen una serie de parejas
ordenadas que luego se pueden representar como puntos en un plano cartesiano. Si
x(t ) y y(t ) son continuas en [a,b], los puntos pueden unirse mediante una línea, con
lo cual se obtiene una curva paramétrica de parámetro t.

a) Escoja dos funciones x(t ) y y(t ) y un intervalo [a, b] que sean de su entero agrado
y dibuje la curva paramétrica correspondiente a (1) (puede usar cualquier tipo
de software o hacerlo a mano si prefiere).
R.
𝑥 (𝑡) = 0,2𝑡𝑐𝑜𝑠(𝑡)
𝑦(𝑡) = 0,2𝑡𝑠𝑒𝑛(𝑡)
Intervalo: [0, 6π]

𝐹 (𝑡) = 0,2𝑡𝑐𝑜𝑠(𝑡)𝒊⃗ + 𝐹 (𝑡) = 0,2𝑡𝑠𝑒𝑛(𝑡)𝒋⃗

Gráfica:

F(t) = x(t)i + y(t)j = 0,2cos(t)i + 0,2sen(t)j

4,00
y(t)
3,00

2,00

1,00

x(t)
0,00
-4,00 -3,00 -2,00 -1,00 0,00 1,00 2,00 3,00 4,00 5,00
-1,00

-2,00

-3,00

-4,00
b) Sea T : 2  2 una transformación lineal tal que:

 a   a 
T ( i )  u1   11  y T ( j )  u 2   12 
a 21  a 22 

Exprese T ( F (t )) en forma matricial.

R.
𝑎11 𝑎12 𝑥(𝑡)
𝑇(𝐹 (𝑡)) = [𝑎 𝑎22 ] [𝑦(𝑡)]
21

c) Escoja u1 y u2 de modo que sean linealmente dependientes, obtenga la gráfica de

T ( F (t )) y explique qué sucede en general cuando se aplica a una curva
paramétrica una transformación lineal en la cual las columnas de la matriz de la
transformación forman un conjunto linealmente dependiente.
R.
1
𝒖𝟏 = [ ]
2
3
𝒖𝟐 = [ ]
6
𝑎11 𝑎12 𝑥 (𝑡) 1 3 𝑥 (𝑡 ) 𝑥 (𝑡) + 3𝑦(𝑡)
𝑇(𝐹 (𝑡)) = [𝑎 𝑎 ][ ]=[ ][ ]=[ ]
21 22 𝑦(𝑡 ) 2 6 𝑦 (𝑡 ) 2𝑥 (𝑡) + 6𝑦(𝑡)
0,2𝑐𝑜𝑠(𝑡) + 0,6𝑠𝑒𝑛(𝑡)
=[ ]
0,4𝑐𝑜𝑠(𝑡) + 1,2𝑠𝑒𝑛(𝑡)

Gráfica:
T(F(t))=(x(t)+3y(t))i+(2x(t)+6y(t))j 20,0 y(t)
=(0,2cos(t)+0,6sen(t))i + (0,4cos(t)+1,2sen(t))j
15,0

10,0

5,0
x(t)
0,0
-15,0 -10,0 -5,0 0,0 5,0 10,0
-5,0

-10,0
T(F(t))
-15,0
u2
-20,0
u1
-25,0
Cuando se aplica a una curva paramétrica una transformación lineal en la cual las
columnas de la matriz de la transformación forman un conjunto linealmente
dependiente, el resultado es una línea recta, debido a que sus coordenadas también se
vuelven linealmente dependiente. Esto se puede evidenciar en la gráfica anterior.

d) Escoja u1 y u2 de modo que formen una base ortonormal para 2 , obtenga la

gráfica de T ( F (t )) y explique qué sucede en general cuando se aplica a una curva
paramétrica una transformación lineal en la cual las columnas de la matriz de la
transformación forman una base ortonormal para 2 .
R.
0,8
𝒖𝟏 = [ ]
0,6
−0,6
𝒖𝟐 = [ ]
0,8

Se verifica si 𝒖𝟏 y 𝒖𝟐 forman una base ortonormal para R2:

1
‖𝒖𝟏 ‖ = (0,82 + 0,62 )2 = 1
1
‖𝒖𝟐‖ = ((−0,6)2 + 0,82 )2 = 1
𝒖𝟏 • 𝒖𝟐 = 0,8 × (−0,6) + 0,6 × 0,8 = −0,48 + 0,48 = 0

Los vectores columna de la matriz de transformación forman una base ortonormal

para R2.

𝑎11 𝑎12 𝑥 (𝑡) 0,8 −0,6 𝑥 (𝑡) 0,8𝑥 (𝑡) − 0,6𝑦(𝑡)

𝑇(𝐹 (𝑡)) = [𝑎 ] [
𝑎22 𝑦(𝑡) ] = [ ] [ ] = [ ]
21 0,6 0,8 𝑦(𝑡) 0,6𝑥 (𝑡) + 0,8𝑦(𝑡)
0,16𝑐𝑜𝑠(𝑡) − 0,12𝑠𝑒𝑛(𝑡)
=[ ]
0,12𝑐𝑜𝑠(𝑡) + 0,16𝑠𝑒𝑛(𝑡)

Gráfica:
 T(F(t)) = (0,16cos(t)-0,12sen(t))i + (0,12cos(t)+0,16sen(t))j
4,0 y(t)

3,0

2,0

1,0

x(t)
0,0
-4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 4,0

-1,0

-2,0
T(F(t))
-3,0 u1

-4,0
u2

En la gráfica anterior se puede observar que para un mismo intervalo de t ([0,

6π]), la función es objeto de una rotación en un ángulo igual al que forman los
vectores columna de la matriz de transformación con los ejes coordenados x & y
respectivamente, sin sufrir incremento o decremento en su tamaño, ni
modificación en su forma.

e) Escoja u1 y u2 de modo que formen una base ortogonal para 2 que no sea
ortonormal, obtenga la gráfica de T ( F (t )) y explique qué sucede en general
cuando se aplica a una curva paramétrica una transformación lineal en la cual las
columnas de la matriz de la transformación forman una base ortogonal para 2 .
R.
4
𝒖𝟏 = [ ]
3
−3
𝒖𝟐 = [ ]
4

Se verifica si 𝒖𝟏 y 𝒖𝟐 forman una base ortogonal para para R2:

𝒖𝟏 • 𝒖𝟐 = 4 × (−3) + 3 × 4 = −12 + 12 = 0
Los vectores columna de la matriz de transformación forman una base ortogonal
para R2.

𝑎11 𝑎12 𝑥 (𝑡) 4 −3 𝑥 (𝑡) 4𝑥 (𝑡) − 3𝑦(𝑡)

𝑇(𝐹 (𝑡)) = [𝑎 𝑎22 ] [𝑦(𝑡)] = [3 4 ] [𝑦(𝑡)] = [3𝑥 (𝑡) + 4𝑦(𝑡)]
21
 0,8𝑐𝑜𝑠(𝑡) − 0,6𝑠𝑒𝑛(𝑡)
=[ ]
0,6𝑐𝑜𝑠(𝑡) + 0,8𝑠𝑒𝑛(𝑡)

Gráfica:
T(F(t))=(4x(t)-3y(t))i+(3x(t)+4y(t))j
=(0,8cos(t)-0,6sen(t))i + (0,6cos(t)+8sen(t))j
20,0
y(t)

15,0

10,0

5,0

x(t)
0,0
-20,0 -15,0 -10,0 -5,0 0,0 5,0 10,0 15,0 20,0

-5,0

-10,0
T(F(t))
-15,0
u1
-20,0 u2

En la gráfica anterior se puede observar lo que sucede cuando a una curva

paramétrica se aplica una transformación lineal en la que las columnas de la
matriz de transformación forman una base ortogonal para R2: la curva sufre una
rotación en un ángulo equivalente al que forman las columnas de la matriz de
transformación con los ejes coordenados (el mismo ángulo en cada caso), además
de un incremento en su tamaño; este aumento depende de la norma de los vectores
que son las columnas de la matriz de transformación.

f) Escoja u1 y u2 de modo que formen una base para 2 , que nos sea ortogonal,
obtenga la gráfica de T ( F (t )) y explique qué sucede en general cuando se aplica
a una curva paramétrica una transformación lineal en la cual las columnas de la
matriz de la transformación forman una base no ortogonal para 2 .
R.
4
𝒖𝟏 = [ ]
3
4
𝒖𝟐 = [ ]
5
 Se verifica si 𝒖𝟏 y 𝒖𝟐 no forman una base ortogonal para para R2:
𝒖𝟏 • 𝒖𝟐 = 4 × 4 + 3 × 5 = 16 + 15 = 31 ≠ 0
Los vectores columna de la matriz de transformación no forman una base
ortogonal para R2.

𝑎11 𝑎12 𝑥 (𝑡) 4 4 𝑥 (𝑡 ) 4𝑥 (𝑡) + 4𝑦(𝑡)

𝑇(𝐹 (𝑡)) = [𝑎 ] [
𝑎22 𝑦(𝑡) ] = [ ] [ ] = [ ]
21 3 5 𝑦 (𝑡 ) 3𝑥 (𝑡) + 5𝑦(𝑡)
0,8𝑐𝑜𝑠(𝑡) + 0,8𝑠𝑒𝑛(𝑡)
=[ ]
0,6𝑐𝑜𝑠(𝑡) + 1,0𝑠𝑒𝑛(𝑡)
Gráfica:
T(F(t))=(4x(t)+4y(t))i+(3x(t)+5y(t))j
=(0,8cos(t)+0,8sen(t))i + (0,6cos(t)+1,0sen(t))j
20,0
y(t)
15,0

10,0

5,0
x(t)
0,0
-25,0 -20,0 -15,0 -10,0 -5,0 0,0 5,0 10,0 15,0 20,0
-5,0

-10,0
T(F(t))
-15,0
u1
-20,0

-25,0 u2

En la gráfica anterior se puede observar lo que sucede cuando a una curva

paramétrica se aplica una transformación lineal en la que las columnas de la
matriz de transformación forman una base para R2 que no es ortogonal: se puede
notar que la rotación que sufre la curva en realidad está relacionada con el ángulo
de la primera columna de la transformación. También se evidencia un cambio en
el tamaño de la curva, que depende de las normas de los respectivos vectores que
son columnas de la transformación lineal.

g) Diga en cuáles de los casos c), d), e) o f) la transformación lineal es invertible y

en cuáles no es invertible y explique por qué en unos casos sí lo es y en otros no.
R.
Sea L una transformación lineal y sea A la matriz de dicha transformación, según
Kolman (2013), pág. 415, “…L es uno a uno si y sólo si det(A) ≠ 0”. Dado que en
el inciso c) las columnas de la matriz de transformación forman un conjunto
 linealmente dependiente, su determinante es igual a cero, y esa transformación
lineal no es uno a uno, y por tanto no es invertible. En cada una de las
transformaciones lineales de los incisos d), e) y f) las columnas de la matriz de
transformación forman una base para R2 y su determinante es diferente de cero;
por lo tanto, dichas transformaciones son uno a uno e invertibles. También se
puede verificar todo lo anterior en la lista de equivalencias no singulares, donde
se muestra que para una matriz A de n×n, si det(A) ≠ 0, sus columnas forman un
conjunto linealmente independiente de n vectores en ℝn, A tiene nulidad 0, y el
operador lineal L: ℝn → ℝn definido por L(x)=Ax, para x en ℝn, es uno a uno
(inyectiva) y sobre (sobreyectiva) (Kolman, 2013, pág. 425).

2. Tome una ecuación cualquiera de la forma:

ax 2  bxy  cy 2  dx  ey  f , (2)

Donde a, b, c, d, e y f sean números diferentes, distintos de cero y de su entero agrado.

R.
Se escogen arbitrariamente los siguientes valores para los coeficientes, todos
diferentes y distintos de cero:

𝑎 = 1; 𝑏 = 8; 𝑐 = 7; 𝑑 = 4; 𝑒 = −2; 𝑓 = 14

La ecuación queda así:

𝑥 2 + 8𝑥𝑦 + 7𝑦 2 + 4𝑥 − 2𝑦 = 21

Al trasladar los ejes x y y del plano cartesiano, sin rotarlos, de modo que el origen
quede ubicado en un punto de coordenadas (h, k), se establece un nuevo sistema de
coordenadas x’, y’. La relación entre las coordenadas de un mismo punto en ambos
sistemas está dada por:

 x'  T   x     x  h 
 y '   y   y  k 
   

a) Determine si la función T :  2   2 definida por la ecuación anterior es una

transformación lineal o no. Explique por qué sí o por qué no lo es.
R.
Según la definición de transformación lineal (Kolman, 2013, pág 399):

𝑥1 𝑥2 𝑥1 𝑥2
𝑇 ([𝑦 ] + [𝑦 ]) = 𝑇 ([𝑦 ]) + 𝑇 ([𝑦 ])
1 2 1 2

𝑥 +𝑥 𝑥 −ℎ 𝑥 −ℎ
𝑇 ([𝑦1 + 𝑦2 ]) = [ 1 ]+[ 2 ]
1 2 𝑦1 − 𝑘 𝑦2−𝑘
 𝑥1 + 𝑥2 − ℎ 𝑥 + 𝑥2 − 2ℎ
[ ]=[ 1 ]
𝑦1 + 𝑦2 − 𝑘 𝑦1 + 𝑦2 − 2𝑘

Estas ecuaciones conducen a h=2h y k=2k.

𝑥 𝑥
𝑇 (𝑐 [𝑦]) = 𝑐𝑇 ([𝑦])

𝑐𝑥 𝑥−ℎ
𝑇 ([𝑐𝑦]) = 𝑐 ([ ])
𝑦−𝑘

𝑐𝑥 − ℎ 𝑐𝑥 − 𝑐ℎ
([ ]) = ([ ])
𝑐𝑦 − 𝑘 𝑐𝑦 − 𝑐𝑘

Estas ecuaciones conducen a ch=h y ck=k.

Además, según el corolario 9.1 de Kolman (2013), pág. 402:

⃗⃗) = 𝑇 ([0]) = [0 − ℎ] = [−ℎ] ≠ 𝟎

𝑇(𝟎 ⃗⃗
0 0−𝑘 −𝑘

Las anteriores son tres demostraciones de que la función 𝑇: 𝑅2 → 𝑅2 definida

anteriormente no es una transformación lineal.

b) A partir de (3) exprese x y y en función de x’, y’, h y k, sustitúyalos en (2), y

encuentre los valores de h y k que transforman (2) en una ecuación equivalente
de la forma:
a' x'2 b' x' y'c' y'2  f ' (3)
R.
𝑥′ = 𝑥 − ℎ
𝑥 = 𝑥′ + ℎ

𝑦′ = 𝑦 − 𝑘
𝑦 = 𝑦′ + 𝑘

Se reescribe (2) expresando 𝑥 en función de 𝑥′ y 𝑦 en función de 𝑦′:

𝑎(𝑥 ′ + ℎ)2 + 𝑏(𝑥 ′ + ℎ)(𝑦 ′ + 𝑘) + 𝑐(𝑦 ′ + 𝑘)2 + 𝑑(𝑥´ + ℎ) + 𝑒(𝑦 ′ + 𝑘) = 𝑓

𝑎(𝑥 ′2 + 2ℎ𝑥 ′ + ℎ2 ) + 𝑏(𝑥 ′ 𝑦 ′ + 𝑥 ′ 𝑘 + 𝑦 ′ℎ + ℎ𝑘 ) + 𝑐 (𝑦 ′2 + 2𝑘𝑦 ′ + 𝑘 2 )

+ 𝑑 (𝑥 ′ + ℎ ) + 𝑒 (𝑦 ′ + 𝑘 ) = 𝑓

𝑎𝑥 ′2 + 2𝑎ℎ𝑥 ′ + 𝑎ℎ2 + 𝑏𝑥 ′ 𝑦 ′ + 𝑏𝑥 ′ 𝑘 + 𝑏𝑦 ′ℎ + 𝑏ℎ𝑘 + 𝑐𝑦 ′2 + 2𝑐𝑘𝑦 ′ + 𝑐𝑘 2

+ 𝑑𝑥 ′ + 𝑑ℎ + 𝑒𝑦 ′ + 𝑒𝑘 = 𝑓
 𝑎𝑥 ′2 + 𝑏𝑥 ′ 𝑦 ′ + 𝑐𝑦 ′2 + 𝑥 ′(2𝑎ℎ + 𝑏𝑘 + 𝑑 ) + 𝑦 ′(2𝑐𝑘 + 𝑏ℎ + 𝑒) + 𝑎ℎ2
+ 𝑏ℎ𝑘 + 𝑐𝑘 2 + 𝑑ℎ + 𝑒𝑘 = 𝑓

𝑎𝑥 ′2 + 𝑏𝑥 ′ 𝑦 ′ + 𝑐𝑦 ′2 + 𝑥 ′ (2𝑎ℎ + 𝑏𝑘 + 𝑑 ) + 𝑦 ′ (2𝑐𝑘 + 𝑏ℎ + 𝑒)
= 𝑓 − (𝑎ℎ2 + 𝑏ℎ𝑘 + 𝑐𝑘 2 + 𝑑ℎ + 𝑒𝑘)

Comparando (2) y (3) término a término:

𝑎′ = 𝑎 = 1; 𝑏′ = 𝑏 = 8; 𝑐′ = 𝑐 = 7

2𝑎ℎ + 𝑏𝑘 + 𝑑 = 0

𝑑 + 2𝑎ℎ
𝑘=−
𝑏

2𝑐𝑘 + 𝑏ℎ + 𝑒 = 0

𝑒 + 𝑏ℎ
𝑘=−
2𝑐

𝑑 + 2𝑎ℎ 𝑒 + 𝑏ℎ
− =−
𝑏 2𝑐

𝑏𝑒 − 2𝑐𝑑
ℎ=
4𝑎𝑐 − 𝑏2

ℎ=2
𝑘 = −1

𝑓 ′ = 𝑓 − 𝑎ℎ2 − 𝑐𝑘 2 − 𝑏ℎ𝑘 − 𝑑ℎ − 𝑒𝑘
𝑓′ = 9

La ecuación (3) queda así:

𝑥 ′2 + 8𝑥 ′ 𝑦 ′ + 7𝑦 ′2 = 9

c) Dado que el lado izquierdo de (3) es una forma cuadrática, la ecuación puede
expresarse de manera equivalente así:

X T AX  f ' , (4)

donde X   xy'' , y A es una matriz simétrica que usted debe hallar.

 
 R.
𝑎11 𝑎12
𝐴 = [𝑎 𝑎22 ]
21

𝑎 𝑎12 𝑥 ′ 𝑎11 𝑥 ′ 𝑎12 𝑦 ′

𝑋 𝑇 𝐴𝑋 = [𝑥 ′ 𝑦 ′ ] [𝑎11 𝑎22 ] [𝑦 ′ ] = [𝑥
′
𝑦 ′] [ ]=
21 𝑎21 𝑥 ′ 𝑎22 𝑦 ′

= 𝑎11 𝑥 ′2 + (𝑎12 + 𝑎21 )𝑥 ′ 𝑦 ′ + 𝑎22 𝑦 ′2

Debido a que A debe ser una matriz simétrica, 𝑎12 = 𝑎21 .

Por comparación término a término de la ecuación anterior con (3), las
entradas de la matriz A son:

𝑏 8
𝑎11 = 𝑎 = 1; 𝑎12 = 𝑎21 = = = 4; 𝑎22 = 𝑐 = 7
2 2

1 4
𝐴=[ ]
4 7

d) Debido a la simetría de A, SIEMPRE es posible hallar una matriz U tal que

A  U T DU , (5)

donde D es una matriz diagonal cuya diagonal principal contiene los valores
propios de A y U es una matriz ortogonal cuyas columnas son vectores
propios unitarios asociados a los correspondientes valores propios de A.
Dichos vectores propios constituyen una base ortonormal para 2 , y
determinan un nuevo sistema de ejes x’’ y y’’, rotados con respecto a los ejes
x’ y y’. Halle U y D.
R.
Se hallan los valores propios de A (𝜆1 y 𝜆2 ). Para esto, se resuelve el sistema
lineal det(𝜆𝐼2 − 𝐴) = 0 (Kolman, 2013, pág. 341):

𝜆 − 1 −4
| |=0
−4 𝜆 − 7

(𝜆 − 1)(𝜆 − 7) − 16 = 0
𝜆2 − 7𝜆 − 𝜆 + 7 − 16 = 0
𝜆2 − 8𝜆 − 9 = 0
(𝜆 − 9)(𝜆 + 1) = 0

𝜆1 = 9
𝜆2 = −1
Los anteriores son los valores propios de A. Para hallar un vector propio 𝑿𝑛
asociado al valor propio 𝜆𝑛 , se forma el sistema lineal (𝜆𝑖 𝐼2 − 𝐴)𝑿 = ⃗𝟎⃗
(Kolman, 2013, 342):
𝑏
𝜆𝑖 − 𝑎 −
[ 2 ] [𝑥′] = [0]
𝑏 𝑦′ 0
− 𝜆𝑖 − 𝑐
2
Para 𝜆𝑖 = 𝜆1 = 9:
8
9−1 −
[ 2 ] [𝑥′] = [0]
8 𝑦′ 0
− 9−7
2

8 −4 𝑥′ 0
[ ][ ] = [ ]
−4 2 𝑦′ 0

8𝑥 ′ − 4𝑦 ′ = 0
−4𝑥 ′ + 2𝑦 ′ = 0
Ambas ecuaciones conducen a
𝑦 ′ = 2𝑥′

Las infinitas soluciones del sistema se pueden expresar así:

𝑥′ 𝑡
[ ′] = [ ] , 𝑐𝑜𝑛 𝑡 𝜖 ℝ
𝑦 2𝑡
𝑥′ 1
[ ] = 𝑡 [ ] es un vector propio asociado al valor propio 𝜆1 = 9, es decir,
𝑦′ 2
1
𝑔𝑒𝑛 {[ ]} es el conjunto de vectores propios de A asociados a 𝜆1 .
2
Se necesita un vector que tenga esta forma y su norma sea = 1. Este vector es:

1 1
𝒖1 = [ ]
√5 2

Se procede de igual manera con 𝜆𝑖 = 𝜆2 = −1 y se encuentran dos

ecuaciones que conducen a
𝑥 ′ = −2𝑦′

Las infinitas soluciones del sistema se pueden expresar así:

𝑥′ −2𝑡
[ ′] = [ ] , 𝑐𝑜𝑛 𝑡 𝜖 ℝ
𝑦 𝑡
 𝑥′ −2
[ ] = 𝑡 [ ] es un vector propio asociado al valor propio 𝜆2 = −1, es decir,
𝑦′ 1
−2
𝑔𝑒𝑛 {[ ]} es el conjunto de vectores propios de A asociados a 𝜆2 .
1
Se necesita un vector que tenga esta forma y su norma sea = 1. Este vector es:

1 −2
𝒖2 = [ ]
√5 1

Los vectores u1 y u2 son las columnas de la matriz U:

1 1 −2
𝑈= [ ]
√5 2 1

Dado que 𝐴 = 𝑈𝑇 𝐷𝑈, entonces 𝐷 = 𝑈 𝑇 𝐴𝑈

1 1 2 1 4 1 1 −2
𝐷= [ ][ ] [ ]
√5 −2 1 4 7 √5 2 1

9 0
𝐷=[ ]
0 −1

Se verifica que la matriz D es una matriz diagonal cuya diagonal principal

contiene los valores propios de A (en orden).

e) Al sustituir (5) en (4), se obtiene otra forma equivalente de (4):

X TU T DUX  f ' ,

la cual, gracias a las propiedades de la transpuesta, puede expresarse en la

forma equivalente:
UX T DUX   f '.

Haciendo Y  UX   xy'''' , la ecuación anterior adopta finalmente la forma:

 
1 ( x' ' )2  2 ( y' ' )2  f '

A partir de aquí ya es fácil saber si la ecuación se satisface para puntos de

coordenadas reales o no. En caso afirmativo, grafique la ecuación en el
sistema x’’, y’’.
R.
La ecuación 𝜆1 (𝑥 ′′ )2 + 𝜆2 (𝑦 ′′)2 = 𝑓 ′queda así:
 9(𝑥 ′′ )2 − (𝑦 ′′)2 = 9

Se expresa la ecuación anterior en forma canónica

9 ′′ 2 1 ′′ 2
(𝑥 ) − ( 𝑦 ) = 1
9 9

Se puede observar por su forma que corresponde a una hipérbola con vértices
sobre el eje 𝑥′′, en los puntos (𝑥 ′′ = −1, 𝑦 ′′ = 0) y (𝑥 ′′ = 1, 𝑦 ′′ = 0).

Se grafica la curva de la hipérbola:

1
y''
0
-4 -2 0 2 4 6 8
-1 h, k

-2

-3

-4 x''

-5

Nota: es posible que en la gráfica anterior no se note la ortogonalidad de los

ejes 𝑥′′ y 𝑦′′. Esto es debido a la modificación de la relación de aspecto que
hace el software de hoja de cálculo para una cómoda visualización de la curva.

3. En general, se dice que dos matrices A y D son semejantes si existe una matriz
cuadrada no singular C tal que:
A  C 1DC

El caso en que D es una matriz diagonal es particularmente interesante. Entonces se

dice que A es diagonalizable. Diga bajo qué condiciones es diagonalizable una matriz,
explique con un ejemplo el proceso de diagonalización, y diga para qué puede servir
diagonalizar una matriz, además de lo que ya se trató en relación a las formas
cuadráticas.
R.
Según Kolman (2013), pág. 351, “Una matriz 𝐴 de 𝑛 × 𝑛 es diagonalizable si y sólo
si tiene 𝑛 vectores propios linealmente independientes”.

Una matriz 𝐴 de 𝑛 × 𝑛 con 𝑛 valores propios diferentes tiene 𝑛 vectores propios

linealmente independientes (Kolman, 2013, pág. 369). De todas formas, una matriz
𝐴 de 𝑛 × 𝑛 podría tener valores propios, no todos diferentes y aun así ser
diagonalizable. Para cada valor propio 𝜆𝑗 de 𝐴, de multiplicidad 𝑘𝑗 , si la dimensión
del espacio propio asociado con 𝜆𝑗 es menor que 𝑘𝑗 , entonces 𝐴 no es diagonalizable
(Kolman, 2013, pág. 356).

1 1
Ejemplo de diagonalización: Sea 𝐴 = [ ]. Encuentre una matriz diagonal 𝐷, tal
−2 4
que 𝐴 y 𝐷 sean semejantes.

1. Se buscan dos matrices 𝐶 y 𝐷 tal que: 𝐴 = 𝐶 −1 𝐷𝐶. Se forma el polinomio

característico de 𝐴:
1 1 𝑥1 𝑥1
[ ] [ 𝑥 ] = 𝜆 [𝑥 ]
−2 4 2 2

𝑥1 + 𝑥2 = 𝜆𝑥1
−2𝑥1 + 4𝑥2 = 𝜆𝑥1

(𝜆 − 1)𝑥1 − 𝑥2 = 0
2𝑥1 + (𝜆 − 4)𝑥2 = 0

2. Se determinan las raíces del polinomio característico de 𝐴, encontrando así sus

valores propios. Las dos ecuaciones anteriores conducen a un sistema lineal
homogéneo que tiene solución no trivial si y sólo si el determinante de su matriz de
coeficientes es cero:
𝜆 − 1 −1
| |=0
2 𝜆−4

(𝜆 − 1)(𝜆 − 4) + 2 = 0
𝜆2 − 5𝜆 + 6 = 0
(𝜆 − 3)(𝜆 − 2) = 0

𝜆1 = 3
𝜆2 = 2

𝜆 −1 −1 𝑥1 0
[ 𝑖 ] [𝑥 ] = [ ]
2 𝜆𝑖 − 4 2 0
Para 𝜆𝑖 = 𝜆1 = 3:
 3 − 1 −1 𝑥1 0
[ ] [𝑥 ] = [ ]
2 3−4 2 0

2 −1 𝑥1 0
[ ] [𝑥 ] = [ ]
2 −1 2 0

2𝑥1 − 𝑥2 = 0
2𝑥1 − 𝑥2 = 0
Ambas ecuaciones conducen a
𝑥2 = 2𝑥1

Un vector propio asociado a 𝜆1 = 3 es:

1
[ ]
2

Un vector propio asociado a 𝜆2 = 2 es:

1
[ ]
1
1 1
𝐶=[ ]
2 1
−1 1
𝐶 −1 = [ ]
2 −1

1 1 1 1 −1 1 3 0
𝐷 = 𝐶𝐴𝐶 −1 = [ ][ ][ ]=[ ]
2 1 −2 4 2 −1 0 2

Se verifica que las entradas de la diagonal principal de 𝐷 son los valores

propios de 𝐴.

Además de lo evidenciado con las formas cuadráticas, la diagonalización de

matrices tiene una especial utilidad a la hora de elevar a una potencia una
matriz, ya que si para una matriz 𝐴 existe una matriz diagonal 𝐷 que sea
semejante, la potenciación de 𝐴 se reduce a:

𝐴𝑛 = 𝐶 −1 𝐷 𝑛 𝐶

Para elevar 𝐷 se elevan las entradas de su diagonal principal, proceso que resulta
mucho más fácil que calcular directamente 𝐴𝑛 , sobre todo mientras mayor sea 𝑛.

4. Aunque no toda matriz es diagonalizable, sí es posible expresar cualquier matriz real

A de m×n en la forma:
A  U T V
Donde U y V son matrices ortogonales y Ʃ es una matriz diagonal. Los elementos de
la diagonal principal de esta matriz se conocen como “valores singulares” de A. Cada
vez que una matriz se expresa en la forma anterior, se dice que ha sido “descompuesta
en valores singulares”. Diga qué relación existe entre los valores propios de una
matriz y sus valores singulares, y mencione algunas de las aplicaciones que tiene la
mencionada descomposición.
R.
Definición: “Si 𝐴 es una matriz 𝑚 × 𝑛, los valores singulares de 𝐴 son las raíces
cuadradas de los autovalores de 𝐴𝑇 𝐴, y se denotan mediante 𝜎1 , … , 𝜎𝑛 . Es una
convención acomodar los valores singulares de modo que 𝜎1 ≥ 𝜎2 ≥ ⋯ ≥ 𝜎𝑛 .”
Ejemplo: encontrar los valores singulares de

1 1
𝐴 = [1 0]
0 1

2 1
𝐴𝑇 𝐴 = [ ]
1 2

Los valores propios de 𝐴𝑇 𝐴 son: 𝜆1 = 3 y 𝜆2 = 1. En consecuencia, los valores

singulares de 𝐴 son: 𝜎1 = √3 y 𝜎2 = √1.

Una matriz 𝐴 de 𝑚 × 𝑛 (𝑚 ≥ 𝑛) puede ser factorizada como:

𝐴 = 𝑈Σ𝑉 𝑇
La matriz ortogonal 𝑉 se halla determinando una base ortogonal {𝑣1 , 𝑣2 , … , 𝑣𝑛 } de
vectores de ℝ𝑛 compuesta por autovectores de la matriz 𝐴𝑇 𝐴 de 𝑛 × 𝑛.

𝑉 = [𝑣1 , 𝑣2 , … , 𝑣𝑛 ]

Se observa que los vectores de ℝ𝑚 : 𝐴𝑣1 , 𝐴𝑣2 , … , 𝐴𝑣𝑛 son un conjunto ortogonal de
𝑛 vectores. También se tiene que 𝜎𝑖 = ‖𝐴𝑣𝑖 ‖ (no se demuestra en este cuestionario)
y que los primeros 𝑟 (𝑟 ≤ 𝑛) son no nulos. Así se pueden normalizar los primeros 𝑟
vectores 𝐴𝑣𝑖 .
𝐴𝑣𝑖
𝑢𝑖 =
𝜎𝑖

Lo anterior se puede hacer para cada 𝑖 = 1, … , 𝑟, correspondientes a los 𝑟 𝜎𝑖 no nulos.

Para el caso 𝑟 < 𝑛 se debe extender el anterior conjunto, formando

𝑈 = [𝑢1 , 𝑢2 , … , 𝑢𝑟 , 𝑢𝑟+1 |𝑢𝑟+2 , … , 𝑢𝑛 ].

Tampoco se muestra cómo se hace dicha extensión.

Los vectores de las columnas de 𝑈 se denominan vectores singulares por la izquierda
de 𝐴, mientras que los vectores de las columnas de 𝑉 se llaman vectores singulares
por la derecha de 𝐴. Las matrices 𝑈 y 𝑉 no están determinadas en forma única por 𝐴,
en cambio 𝛴 sí lo está, porque está conformada por los valores singulares de 𝐴.

Aplicaciones: la descomposición en valores singulares es un método fiable para

calcular el rango de una matriz, además de proporcionar una medida de dicha
fiabilidad. Otra aplicación muy importante radica en el tratamiento de imágenes
digitales; usando una DVS, una imagen puede ser comprimida, o una imagen a color
puede ser convertida a una en escala de grises.

Observaciones: Si 𝐴 es una matriz simétrica, sus valores singulares coinciden con

los valores absolutos de los autovalores de 𝐴. Si 𝐴 es definida positiva, entonces los
valores singulares de 𝐴 coinciden con los autovalores de 𝐴. Esto último es la relación
más estrecha que puede haber entre los valores propios de una matriz y sus valores
singulares.

Sea 𝐴 = 𝑈Σ𝑉 𝑇 una descomposición de valores singulares de una matriz 𝐴 de 𝑚 × 𝑛.

Sean 𝜎1 , 𝜎2 , … , 𝜎𝑛 , 𝑟 ≤ 𝑛, todos los valores singulares no nulos de 𝐴. Entonces:

(i) el rango de 𝐴 es 𝑟.
(ii) {𝑢1 , 𝑢2 , … , 𝑢𝑟 } es una base ortonormal de 𝑅(𝐴)
(iii) {𝑢𝑟+1 , 𝑢𝑟+2 , … , 𝑢𝑛 , … , 𝑢𝑚 } es una base ortonormal de 𝑁(𝐴𝑇 )
(iv) {𝑣1 , 𝑣2 , … , 𝑣𝑟 } es una base ortonormal de 𝑅(𝐴𝑇 )
(v) Si 𝑟 < 𝑛, {𝑢𝑟+1 , 𝑢𝑟+2 , … , 𝑢𝑛 } es una base ortonormal de 𝑁(𝐴)

(Departamento de Matemática – Facultad de Ciencias Exactas – UNLP,

http://www.mate.unlp.edu.ar/practicas/70_18_0911201012951, 2016).

Referencias
Kolman, B., Hill, D.R. Álgebra Lineal. Fundamentos y aplicaciones, Pearson, 2013

Departamento de Matemática – Facultad de Ciencias Exactas – UNLP,

http://www.mate.unlp.edu.ar/practicas/70_18_0911201012951, 2016