Algebra Lineal

*
Jose de Jes us

Angel

Angel
jjaa@math.com.mx
Working draft: Mexico, D.F., a 17 de noviembre de 2010.
Un resumen de los principales temas tratados en un curso de

Algebra
Lineal.
Contenido
1. Sistemas de Ecuaciones Lineales. 3
1.1. Conceptos basicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Metodo de eliminacion de Gauss. . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Metodo de eliminacion de Gauss-Jordan. . . . . . . . . . . . . . . . . . . . 4
1.4. Sistemas Homogeneos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5. Soluciones de SEL. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Teora matricial y determinantes. 5
2.1. Matrices, sus operaciones y propiedades. . . . . . . . . . . . . . . . . . . . 6
2.1.1. Suma de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.2. Multiplicaci on por un escalar . . . . . . . . . . . . . . . . . . . . . 6
2.1.3. Multiplicaci on de Matrices . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Matrices especiales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.1. Matriz Cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.2. Matriz Transpuesta . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.3. Matriz Identidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3. Matriz inversa y su determinacion mediante operaciones Elementales. . . 8
2.4. Solucion de sistemas de ecuaciones lineales por matriz inversa. . . . . . . 9
2.5. Determinantes y sus propiedades. . . . . . . . . . . . . . . . . . . . . . . . 10
*
Notas de Curso
1
Contenido 2
2.6. Calculo de la matriz inversa por medio de determinantes. . . . . . . . . . 11
2.7. Regla de Cramer. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3. Espacios vectoriales. 12
3.1. Denicion de espacio vectorial y ejemplos. . . . . . . . . . . . . . . . . . 12
3.2. Espacio R
n
y representacion gr aca para n = 2 y 3. . . . . . . . . . . . . 13
3.3. Subespacios vectoriales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.4. Combinacion lineal y espacio generado. . . . . . . . . . . . . . . . . . . . 14
3.5. Independencia lineal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.6. Bases y dimensi on. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4. Producto interno. 14
4.1. Denicion, propiedades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
4.2. Ortogonalidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.3. Norma y sus propiedades. . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4.4. Bases ortogonales y ortonormales. . . . . . . . . . . . . . . . . . . . . . . 16
4.5. Proyecciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
5. Transformaciones lineales. 17
5.1. Denicion, propiedades. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.2. Recorrido y n ucleo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
5.3. Representacion matricial de una transformaci on lineal. . . . . . . . . . . . 18
5.4. Vector de coordenadas y cambio de base. . . . . . . . . . . . . . . . . . . 19
5.5. Transformaciones lineales inversas. . . . . . . . . . . . . . . . . . . . . . . 20
5.6. Vectores y valores propios. . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5.7. Diagonalizacion de una matriz. . . . . . . . . . . . . . . . . . . . . . . . . 20
1. Sistemas de Ecuaciones Lineales. 3
1. Sistemas de Ecuaciones Lineales.
1.1. Conceptos basicos.
Un sistema de m ecuaciones con n incognitas es el siguiente arreglo:
a
11
x
1
+ a
12
x
2
+ a
13
x
3
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
+ + a
2n
x
n
= b
2
a
31
x
1
+ a
32
x
2
+ a
33
x
3
+ + a
3n
x
n
= b
3
.
.
.
a
m1
x
1
+ a
m2
x
2
+ a
m3
x
3
+ + a
mn
x
n
= b
m
Donde las constantes a
11
, .., a
1n
, a
12
, ...a
2n
, .., a
m1
, .., a
mn
, b
1
, .., b
m
R, y las incognitas
x
1
, .., x
n
representan tambien n umeros reales generalmente.
Denici on 1 Una soluci on de un sistema de ecuaciones, es un conjunto de valores que
toman las inc ognitas x
1
, .., x
n
y dan como resultado todas las igualdades del sistema de
ecuaciones verdaderas.
Operaciones elementales sobre los sistemas de ecuaciones:
1. Intercambio de dos ecuaciones.
2. Multiplicar una ecuacion por una constante diferente de cero.
3. Sumar un m ultiplo de una ecuacion a otra ecuacion.
Proposici on 1 Un sistema de ecuaciones B, que se obtiene de otro A, por medio de
operaciones elementales tienen el mismo conjunto de soluciones.
1. Sistemas de Ecuaciones Lineales. 4
1.2. Metodo de eliminacion de Gauss.
Metodo 1 El metodo de Gauss consiste en transformar un sistema de ecua-
ciones A, a otro B, por medio de operaciones elementales, de tal forma que B
queda en una forma triangular y por lo tanto puede ser resuelto con despejes
sucesivos simples.
a

11
x
1
+ a

12
x
2
+ a

13
x
3
+ + a

1n
x
n
= b

1
a

22
x
2
+ a

23
x
3
+ + a

2n
x
n
= b

2
a

33
x
3
+ + a

3n
x
n
= b

3
.
.
.
a

mn
x
m
= b

m
1.3. Metodo de eliminacion de Gauss-Jordan.
Metodo 2 El metodo de Gauss-Jordan consiste en transformar un sistema de
ecuaciones A, a otro B, por medio de operaciones elementales, de tal forma
que B queda en la siguiente forma diagonal y por lo tanto la soluci on queda de
manera directa.
a

11
x
1
= b

1
a

22
x
2
= b

2
a

33
x
3
= b

3
.
.
.
a

mn
x
m
= b

m
1.4. Sistemas Homogeneos.
Son de especial interes los sistemas de ecuaciones donde b
1
= = b
n
= 0. A estos
sistemas les llamaremos sistemas homogeneos.
2. Teora matricial y determinantes. 5
a
11
x
1
+ a
12
x
2
+ a
13
x
3
+ + a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ a
23
x
3
+ + a
2n
x
n
= 0
a
31
x
1
+ a
32
x
2
+ a
33
x
3
+ + a
3n
x
n
= 0
.
.
.
a
m1
x
1
+ a
m2
x
2
+ a
m3
x
3
+ + a
mn
x
n
= 0
Los sistemas homogeneos siempre tienen al menos una soluci on, la soluci on trivial.
1.5. Soluciones de SEL.
Los sistemas de ecuaciones lineales, siempre o tienen una unica soluci on, o tienen una
innidad de soluciones (caso de consistencia), o no tienen soluci on (caso de inconsisten-
cia).
Despues de aplicar la reduccion de Gauss:
1. Si hay el mismo n umero de ecuaciones que de variables, entonces el sistema tiene
una unica solucion.
2. Si hay mas variables que ecuaciones, entonces hay una innidad de soluciones.
3. Si obtenemos una contradicci on, entonces no hay soluci on.
2. Teora matricial y determinantes.
Denici on 2 Una matriz es una funci on A de [1, .., n] [1, .., m], al conjunto de los
n umeros reales R.
Una matriz A se representa con todos sus valores de manera usual como:
A =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn

2. Teora matricial y determinantes. 6

2.1. Matrices, sus operaciones y propiedades.
2.1.1. Suma de Matrices
La suma de matrices A = (a
ij
) y B = (b
ij
) con 1 i m, 1 j n, esta denida
como:
A + B = (c
ij
), c
ij
= a
ij
+ b
ij
, 1 i m, 1 j n.
La suma de matrices esta denida para dos matrices del mismo orden, es decir podemos
sumar una matriz n m por otra n m.
2.1.2. Multiplicaci on por un escalar
La multiplicaci on de una matriz A = (a
ij
) por un escalar r con 1 i m, 1 j n.
esta denida como:
rA = (c
ij
), c
ij
= ra
ij
, 1 i m, 1 j n.
2.1.3. Multiplicaci on de Matrices
La multiplicaci on de matrices A = (a
ij
) m p por B = (b
ij
) p n.
A =

a
11
a
12
a
1p
a
21
a
22
a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mp

B =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
p1
a
p2
a
pn

Tiene como resultado una matriz C = (c

ij
) m n, y
esta denida como:
AB = (c
ij
), c
ij
= a
i1
b
1j
+ a
i2
b
2j
+ a
i3
b
3j
+ + a
ip
+ b
pj
, 1 i m, 1 j n.
c
ij
=
p

k=i
(a
ik
b
kj
), 1 i m, 1 j n.
2. Teora matricial y determinantes. 7
Nota 1 El producto de matrices no es conmutativo, y solo esta denido para matrices
n m por otra matriz m k y da como resultado una matriz n k.
2.2. Matrices especiales.
2.2.1. Matriz Cuadrada
Una matriz es cuadrada si tiene el mismo n umero de las que de columnas, A = (a
ij
)
con 1 i n, 1 j n,
denida como:
A =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

2.2.2. Matriz Transpuesta

La matriz transpuesta de A = (a
ij
) 1 i n, 1 j n, es la matriz A
T
= (a
ji
),
cambia solo las las por columnas y las columnas por las.
Si,
A =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn

Entonces:
A
T
=

a
11
a
21
a
n1
a
12
a
22
a
n2
.
.
.
.
.
.
.
.
.
.
.
.
a
1m
a
2m
a
nm

2.2.3. Matriz Identidad

Una matriz cuadrada I = (a
ij
), se llama identidad si a
ij
= 1 para i = j, y a
ij
= 0
para i ,= j.
2. Teora matricial y determinantes. 8
A =

1 0 0 0
0 1 0 0
0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1

2.3. Matriz inversa y su determinacion mediante operaciones Elemen-

tales.
Una matriz cuadrada A = (a
ij
), se llama invertible (no singular), si existe otra matriz
(llamada inversa A
1
) tal que A A
1
= I.
Algunas propiedades:
1. (A
1
)
1
= A.
2. (AB)
1
= B
1
A
1
.
3. (A
T
)
1
= (A
1
)
T
.
Metodo para obtener la matriz inversa de A:
1. Formar la matriz (A[I) que signica adjuntar la matriz identidad a A.
2. Aplicar operaciones elementales a las las de A, hasta obtener la matriz identidad,
(las mismas operaciones elementales hay que realizarlas a las las de I adjunta.)
3. Entonces la matriz resultante en lugar de I adjunta es la inversa.
Nota 2 Es muy importante saber antes si la matriz inversa existe.
2. Teora matricial y determinantes. 9
2.4. Solucion de sistemas de ecuaciones lineales por matriz inversa.
Observese que un sistema de ecuaciones homogeneo puede ser puesto en terminos de
matrices.
Si tenemos el siguiente sistema de ecuaciones:
a
11
x
1
+ a
12
x
2
+ a
13
x
3
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
+ + a
2n
x
n
= b
2
a
31
x
1
+ a
32
x
2
+ a
33
x
3
+ + a
3n
x
n
= b
3
.
.
.
a
m1
x
1
+ a
m2
x
2
+ a
m3
x
3
+ + a
mn
x
n
= b
m
Entonces puede ser escrito de manera matricial como:

a
11
a
12
a
13
a
1n
a
21
a
22
a
23
a
2n
a
31
a
32
a
33
a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
m3
a
mn

x
1
x
2
x
3
.
.
.
x
n

b
1
b
2
b
3
.
.
.
b
m

Es decir:
Ax = b
Donde x =

x
1
x
2
x
3
.
.
.
x
n

, y b =

b
1
b
2
b
3
.
.
.
b
m

si la matriz A tiene inversa, entonces:

x = A
1
b.
2. Teora matricial y determinantes. 10
2.5. Determinantes y sus propiedades.
Uno de los elementos mas importantes de las matrices es el determinante. El determi-
nate de una matriz es una funci on denida del conjunto de matrices cuadradas (n n)
M
n
a los n umeros reales R.
La denici on de determinate es:
det(A) =

Sn
sig()a
1(1)
a
2(2)
a
n(n)
Donde S
n
es el conjunto de todas las permutaciones del conjunto 1, .., n, sig() es
el signo de la permutaci on, y (i) es la imagen de i bajo sigma.
La formula anterior nos dice que la denici on de determinante es muy complicada ya
que el n umero de terminos crece de manera como crece el factorial de n. Por ejemplo el
determinate de una matriz 4 4 tendr a 4! = 24 terminos.
Propiedades del determinante.
1. det(A) = det(A
T
).
2. Si a una matriz A se cambian dos las o dos columnas a (B), entonces det(B) =
det(A).
3. Si dos las o dos columnas de A son iguales, entonces det(A) = 0.
4. Si una la o columna de A son ceros, entonces det(A) = 0.
5. Si a una matriz A se multiplica por una constante(B = cA), entonces det(B) =
c det(A).
6. Si a una matriz B se obtiene de sumar un m ultiplo una la o columna de una
matriz A, det(B) = det(A).
7. El determinante de una matriz A triangular es det(A) =

n
i=1
a
ii
, el producto de
la diagonal.
8. det(AB) = det(A)det(B).
2. Teora matricial y determinantes. 11
9. A tiene inversa, es equivalente a det(A) ,= 0, y es equivalente a que el sistema
Ax = 0 tiene solucion unica .
10. det(A
1
) =
1
det(A)
.
2.6. Calculo de la matriz inversa por medio de determinantes.
Sea A una matriz cuadrada,
A =

a
11
a
12
a
13
a
1n
a
21
a
22
a
23
a
2n
a
31
a
32
a
33
a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
a
nn

entonces denimos a la matriz adjunta adj(A) como:

adj(A) =

A
11
A
12
A
13
A
1n
A
21
A
22
A
23
A
2n
A
31
A
32
A
33
A
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A
n1
A
n2
A
n3
A
nn

donde
A
ij
= (1)
i+j
det(M
ij
)
y M
ij
es el menor del elemento a
ij
, que es la matriz (n 1) (n 1) que se obtiene
quitando de A la la i-esima y la columna j-esima.
Entonces:
A
1
=
1
det(A)
(adj(A)).
3. Espacios vectoriales. 12
2.7. Regla de Cramer.
Dado un sistema de ecuaciones lineales:
a
11
x
1
+ a
12
x
2
+ a
13
x
3
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
+ + a
2n
x
n
= b
2
a
31
x
1
+ a
32
x
2
+ a
33
x
3
+ + a
3n
x
n
= b
3
.
.
.
a
m1
x
1
+ a
m2
x
2
+ a
m3
x
3
+ + a
mn
x
n
= b
m
Entonces la regla de Cramer dice que:
x
i
=
det(A
i
)
det(A)
,
donde A
i
es la matriz que reemplaza a la columna i-esima de A por los terminos
constantes.
Nota 3 El sistema de ecuaciones lineales tiene soluci on unica si y s olo si el determinate
es diferente de cero.
3. Espacios vectoriales.
3.1. Denicion de espacio vectorial y ejemplos.
Sea un campo K, por ejemplo los n umeros racionales Q, los n umeros reales R, o los
n umeros complejos C.
Entonces:
Denici on 3 Sea K un campo, un conjunto no vaco V , se llama espacio vectorial,
donde los elementos de V se llaman vectores, y los de K escalares, si V tiene denida
una suma, con (V, +) es un grupo abeliano.
Adem as se dene un producto escalar kv V , donde k K, y v V , y se cumplen las
siguientes reglas:
3. Espacios vectoriales. 13
1. Para todo k K y todo u, v V , k(u + v) = ku + kv.
2. Para todo a, b K y todo u V , (a + b)(u) = au + bu.
3. Para todo a, b K y todo u V , (ab)(u) = a(bu).
4. Para el escalar 1 K, y todo u V , 1u = u.
Ejemplos:
1. K = R, V = R.
2. K = R, V = R
2
.
3. K = R, V = R
3
.
4. K = R, V = R
n
.
5. K = R, V = M
nm
.
3.2. Espacio R
n
y representacion graca para n = 2 y 3.
Uno de los espacios vectoriales m as usado es R
n
sobre los reales R.
Si n = 2, entonces tenemos al plano, si n = 3 tenemos al espacio.
3.3. Subespacios vectoriales.
Un conjunto W V es un subespacio vectorial, si es espacio vectorial por si mismo.
Un conjunto no vaco W es subespacio si:
1. W no es vaco.
2. Si u, v W, entonces u + v W.
3. Si u W, y k K, entonces ku W.
4. Producto interno. 14
3.4. Combinacion lineal y espacio generado.
Denici on 4 Sea V un espacio vectorial sobre K, y sean v
1
, v
2
, ..., v
n
V , entonces
una combinaci on lineal de estos vectores con los escalares a
1
, ..., a
n
es: a
1
v
1
+ a
2
v
2
+
+ a
n
v
n
V.
Denici on 5 Sea S un subconjunto no vaco de V , entonces el subespacio vectorial de
todas las combinaciones lineales de vectores en S, es el espacio vectorial generado por S.
3.5. Independencia lineal.
Denici on 6 Sea V un espacio vectorial, entonces se dice los los vectores
v
1
, v
2
, ..., v
n
V , son linealmente dependientes sobre K si existen escalares
a
1
, a
2
, ..., a
n
K no todos cero, tal que: a
1
v
1
+ a
2
v
2
+ a
n
v
n
= 0 En caso
contrario, los vectores se dicen linealmente independientes.
3.6. Bases y dimension.
Denici on 7 Un espacio vectorial V , tiene dimensi on n si existen vectores
linealmente independientes e
1
, e
2
, ..., e
n
V , tales que generan a V , de donde
al conjunto e
1
, e
2
, ..., e
n
se le llama una base de V .
4. Producto interno.
4.1. Denicion, propiedades.
Sea V un espacio vectorial sobre un campo K (R, C). Una funci on u, v) k K. Se
llama producto interno si cumple las siguientes propiedades:
4. Producto interno. 15
1. au
1
+ bu
2
, v) = au
1
, v) + bu
2
, v).
2. u, v) = v, u), (en caso de que K = C.)
3. u, u) 0, y u, u) = 0 si y solo si u = 0.
Un espacio vectorial que tiene denido un producto interno, se llama Espacio con
producto interno.
Denici on 8 Sea V = R
n
un espacio vectorial, y u, v R
n
denimos el pro-
ducto interno usual como u, v) = a
1
b
1
+ a
2
b
2
+ a
n
b
n
.
Desigualdad de Cauchy-Schwarz:
[u, v)[ | u || v | .
4.2. Ortogonalidad.
Denici on 9 Sea V = R
n
un espacio vectorial, y u, v R
n
, se dice que los
vectores u, v son ortogonales si u, v) = 0.
4.3. Norma y sus propiedades.
Denici on 10 Sea V = R
n
un espacio vectorial, y u R
n
denimos la norma de u
como:
| u |=

u, u).
4. Producto interno. 16
Denici on 11 Sea V = R
n
un espacio vectorial, y u R
n
, si | u |= 1, se dice que u
es unitario o normalizado.
Denici on 12 Sea V = R
n
un espacio vectorial, y u, v R
n
, denimos la distancia
entre u y v como
d(u, v) =| v u | .
4.4. Bases ortogonales y ortonormales.
Denici on 13 Un conjunto de vectores u
i
V es ortogonal si todos los pares de
vectores diferentes son ortogonales.
Denici on 14 Un conjunto de vectores u
i
V se dice ortonormal si
u
i
, u
j
) =
ij
.
Donde
ij
es la delta de Kronecker.
4.5. Proyecciones.
Denici on 15 La proyecci on de un vector u en la direcci onde otro vector v, es:
Proy
v
u = (
u, v)
| v |
2
)v.
5. Transformaciones lineales. 17
5. Transformaciones lineales.
5.1. Denicion, propiedades.
Denici on 16 Sean V, W espacios vectoriales, una transformaci on lineal L es una fun-
ci on L : V W, tal que:
1. L(u + v) = L(u) + L(v).
2. L(kv) = kL(u).
Proposici on 2 Sea L : V W, una transformaci on lineal, entonces L(0) = 0.
5.2. Recorrido y n ucleo.
Denici on 17 Sea L : V W, una transformaci on lineal, entonces el conjunto de
vectores v V tales que L(v) = 0, se llama Kernel o n ucleo de L.
Denici on 18 Sea L : V W, una transformaci on lineal, entonces el conjunto de
vectores w W tales que existe un v V y L(v) = w, se llama imagen de L o recorrido
de L.
Proposici on 3 Sea L : V W, una transformaci on lineal, entonces el kernel de L es
un subespacio vectorial de W.
Proposici on 4 Sea L : V W, una transformaci on lineal, entonces L es inyectiva
(uno a uno) si y s olo si ker(L) = 0.
5. Transformaciones lineales. 18
Denici on 19 Sea L : V W, una transformaci on lineal, entonces el rango de L es
la dimensi on de la imagen de L.
Denici on 20 Sea L : V W, una transformaci on lineal, entonces la nulidad de L es
la dimensi on del n ucleo de L.
Proposici on 5 Sea L : V W, una transformaci on lineal, entonces nulidad(L) +
rango(L) = dim(V ).
Proposici on 6 Sea L : V W, una transformaci on lineal, entonces
1. Si L es uno a uno, entonces es sobre.
2. Si L es sobre, entonces es uno a uno.
5.3. Representacion matricial de una transformacion lineal.
Denici on 21 Sea L : V W, una transformaci on lineal, dim(V ) = n, dim(W) = m,
y sean S = v
1
, v
2
, ..., v
n
y T = w
1
, w
2
, ..., w
n
bases de V y W respectivamente.
Entonces la matriz A de L es una matriz (m n), cuya j-esima columna es el vector
(L(v
j
)). Por lo tanto si x V , entonces
(L(x))
T
= A(x)
S
.
Denici on 22 Sea L : R
n
R
n
, una transformaci on lineal, denido por la matriz A,
como L(x) = Ax.
Las siguientes armaciones son equivalentes:
5. Transformaciones lineales. 19
1. A es no singular.
2. x = 0 es la unica solucion del sistema Ax = 0.
3. A es equivalente por las a I
n
4. El sistema Ax = b tiene una unica soluci on.
5. det(A) ,= 0.
6. A tiene rango n.
7. A tiene nulidad 0.
8. Las las de A forman un conjunto linealmente independiente en R
n
.
9. El operador L : R
n
R
n
denido por L(x) = Ax, es uno a uno y sobre.
5.4. Vector de coordenadas y cambio de base.
Denici on 23 Sea e
1
, e
2
, ..., e
n
una base del espacio vectorial V , y f
1
, f
2
, ..., f
n
otra
base. Supongamos que:
f
1
= a
11
e
1
+ a
12
e
2
+ a
13
e
3
+ + a
1n
e
n
f
2
= a
21
e
1
+ a
22
e
2
+ a
23
e
3
+ + a
2n
e
n
f
3
= a
31
e
1
+ a
32
e
2
+ a
33
e
3
+ + a
3n
e
n
.
.
.
f
n
= a
n1
e
1
+ a
n2
e
2
+ a
n3
e
3
+ + a
nn
e
n
Entonces la matriz transpuesta P de los coecientes se llama matriz de cambio de base:
P =

a
11
a
21
a
n1
a
12
a
22
a
n2
.
.
.
.
.
.
.
.
.
a
1n
a
2n
a
nn

5. Transformaciones lineales. 20
5.5. Transformaciones lineales inversas.
Denici on 24 Sea L : V V , una transformaci on lineal, la transformaci on lineal L
1
es la inversa de L, si L(L
1
) = I.
5.6. Vectores y valores propios.
Denici on 25 Sea A una matriz n n, y L la transformaci on lineal dada por L(x) =
Ax, entonces un valor propio de A es un n umero real y un vector x ,= 0 tal que:
Ax = x.
El vector x se llama vector propio de A.
Proposici on 7 Una matriz A nn, es no invertible (singular) si y s olo si 0 es un valor
propio de A.
5.7. Diagonalizacion de una matriz.
Denici on 26 Sea A = (a
ij
) una matriz nn. El determinante de la matriz det(I
n
A)
le llamaremos el polinomio caracterstico de A.
Proposici on 8 Los valores propios de A son las races del polinomio caracterstico de
A.
Denici on 27 Se dice que una matriz B es semejante o similar a una matriz A, si
existe una matriz no singular (invertible) P, tal que:
B = P
1
AP.
5. Transformaciones lineales. 21
Denici on 28 Se dice que una matriz B diagonalizable si es similar a una matriz di-
agonal.
Proposici on 9 Las matrices similares tienes los mismos valores propios.
Proposici on 10 Una matriz A n n, es diagonalizable si y s olo si tiene n vectores
propios linealmente independientes.
Proposici on 11 Si todas las races del polinomio caracterstico de una matriz A nn,
son distintas, entonces A es diagonalizable.
Referencias
[1] B. Kolman, D.R. Hill,

Algebra Lineal. Pearson, Printice Hall, Octava edici on 2006.

[2] S.I. Grossman,

Algebra lineal. Quinta edici on. Mexico: MacGraw-Hill(1966).
[3] J. B. Fraleigh,

Algebra lineal. Mexico : Addison-Wesley iberoamericana,(1989).

[4] S. Lang, , Introducci on al algebra lineal. Argentina : Addison-Wesley iberoameri-
cana, (1990).
[5] C. L. David,

Algebra Lineal y sus aplicaciones. Segunda edici on actualizada. Mexi-

co: Pearson Education de Mexico S.A. de C.V.(2001).
[6] H. Ant on, Introducci on al algebra lineal. Tercera edici on. Mexico: Limusa (1988).
[7] S. Lipschutz,

Algebra lineal. Serie Schaum: Mcgraw-hill (1970).
[8] http://joshua.smcvt.edu/linearalgebra/