1.

Parte 1: Espacios Vectoriales

1.1. 1.1 Definición de Espacio Vectorial
Un espacio vectorial es un conjunto no vacı́o V de elementos, llamados vectores, sobre un cuerpo
de escalares K (generalmente los números reales R o complejos C), junto con dos operaciones binarias:
1. Suma de vectores: Para cualquier u, v ∈ V , existe una suma u + v ∈ V .
2. Multiplicación por un escalar: Para cualquier c ∈ K y u ∈ V , existe un producto cu ∈ V .

Estas operaciones deben satisfacer las siguientes diez propiedades (axiomas) para cualquier u, v, w ∈
V y cualquier escalar c, d ∈ K:
1. Cerradura bajo la suma: Si u, v ∈ V , entonces u + v ∈ V .
2. Conmutatividad de la suma: u + v = v + u.

3. Asociatividad de la suma: (u + v) + w = u + (v + w).

4. Existencia del vector cero (neutro aditivo): Existe un vector 0 ∈ V tal que u + 0 = u para
todo u ∈ V .
5. Existencia del inverso aditivo: Para cada u ∈ V , existe un vector −u ∈ V tal que u+(−u) = 0.

6. Cerradura bajo la multiplicación escalar: Si c ∈ K y u ∈ V , entonces cu ∈ V .

7. Asociatividad de la multiplicación escalar: c(du) = (cd)u.
8. Distributividad de la multiplicación escalar sobre la suma de vectores: c(u+v) = cu+cv.

9. Distributividad de la multiplicación escalar sobre la suma de escalares: (c+d)u = cu+du.

10. Elemento neutro para la multiplicación escalar: 1u = u, donde 1 es la unidad escalar en K.
Ejemplos Comunes de Espacios Vectoriales:
• Rn : El conjunto de todos los vectores de n componentes reales. Por ejemplo, R2 son los vectores
en el plano, y R3 son los vectores en el espacio tridimensional.
• Mm×n (R): El conjunto de todas las matrices de m × n con entradas reales.
• Pn (R): El conjunto de todos los polinomios de grado menor o igual a n con coeficientes reales.
• F (I): El conjunto de todas las funciones reales de variable real definidas sobre un intervalo I.

1.2. 1.2 Combinación Lineal y Generación de Espacios

1.2.1. Combinación Lineal
Una combinación lineal de un conjunto de vectores {v1 , v2 , . . . , vk } en un espacio vectorial V es
una expresión de la forma:
c1 v1 + c2 v2 + · · · + ck vk
donde c1 , c2 , . . . , ck son escalares del cuerpo K.
Ejemplo 1.2.1: Verificar si un vector es una combinación lineal. Sea V = R3 . Determine si
el vector w = (5, 4, −3) es una combinación lineal de los vectores v1 = (1, 2, −1) y v2 = (3, 1, 0).
Paso a paso:
1. Plantear la ecuación de la combinación lineal: Queremos encontrar escalares c1 y c2 tales que
w = c1 v1 + c2 v2 .
(5, 4, −3) = c1 (1, 2, −1) + c2 (3, 1, 0)

2
 2. Convertir la ecuación vectorial en un sistema de ecuaciones lineales:

(5, 4, −3) = (c1 + 3c2 , 2c1 + c2 , −c1 + 0c2 )

Esto nos da el sistema:

c1 + 3c2 = 5 (1)
2c1 + c2 = 4 (2)
−c1 = −3 (3)

3. Resolver el sistema de ecuaciones: De la ecuación (3), obtenemos directamente c1 = 3.

Sustituir c1 = 3 en la ecuación (1): 3 + 3c2 = 5 3c2 = 2 c2 = 2/3
Sustituir c1 = 3 y c2 = 2/3 en la ecuación (2) para verificar: 2(3) + (2/3) = 6 + 2/3 = 18/3 + 2/3 =
20/3 Pero la ecuación (2) es 2c1 + c2 = 4. Dado que 20/3 ̸= 4, el sistema no tiene solución.
4. Conclusión: El vector w = (5, 4, −3) no es una combinación lineal de v1 y v2 .

1.2.2. Conjunto Generador y Espacio Generado

Un conjunto de vectores {v1 , v2 , . . . , vk } en un espacio vectorial V se dice que genera (o expande)
a V si cada vector en V puede expresarse como una combinación lineal de v1 , v2 , . . . , vk . El espacio
generado por un conjunto de vectores S = {v1 , . . . , vk } se denota como gen(S) o span(S), y es el
conjunto de todas las combinaciones lineales de los vectores en S. gen(S) es siempre un subespacio
vectorial de V .
Ejemplo 1.2.2: Determinar si un conjunto de vectores genera un espacio. Determine si los
vectores v1 = (1, 0, 0), v2 = (0, 1, 0) y v3 = (0, 0, 1) generan R3 .
Paso a paso:
1. Para que los vectores generen R3 , cualquier vector arbitrario b = (x, y, z) ∈ R3 debe poder escribirse
como una combinación lineal de v1 , v2 , v3 .

(x, y, z) = c1 (1, 0, 0) + c2 (0, 1, 0) + c3 (0, 0, 1)

2. Convertir a sistema de ecuaciones:

(x, y, z) = (c1 , c2 , c3 )

Esto implica:

c1 = x
c2 = y
c3 = z

3. Conclusión: Dado que siempre podemos encontrar c1 , c2 , c3 (simplemente iguales a las compo-
nentes de b), los vectores v1 , v2 , v3 generan R3 . Este conjunto de vectores es la base canónica de
R3 .

1.3. 1.3 Dependencia e Independencia Lineales

Un conjunto de vectores {v1 , v2 , . . . , vk } en un espacio vectorial V es linealmente dependiente si
existen escalares c1 , c2 , . . . , ck , no todos cero, tales que:

c1 v1 + c2 v2 + · · · + ck vk = 0

Si la única solución a esta ecuación es c1 = c2 = · · · = ck = 0, entonces el conjunto de vectores es

linealmente independiente.
Interpretación:
◦ Dependencia Lineal: Al menos un vector en el conjunto puede expresarse como una combinación
lineal de los otros. Esto significa que hay redundancia.en el conjunto.

3
 ◦ Independencia Lineal: Ningún vector en el conjunto puede expresarse como una combinación
lineal de los otros. Son .esencialmente distintos.en términos de dirección.
Ejemplo 1.3.1: Determinar la dependencia/independencia lineal. Determine si el conjunto
de vectores S = {(1, 2, 3), (2, 1, 0), (4, 5, 6)} en R3 es linealmente independiente o dependiente.
Paso a paso:
1. Plantear la ecuación para la independencia lineal:

c1 (1, 2, 3) + c2 (2, 1, 0) + c3 (4, 5, 6) = (0, 0, 0)

2. Convertir a sistema de ecuaciones lineales:

c1 + 2c2 + 4c3 = 0 (1)

2c1 + c2 + 5c3 = 0 (2)
3c1 + 0c2 + 6c3 = 0 (3)

3. Resolver el sistema de ecuaciones (usando eliminación gaussiana o sustitución): De la ecuación (3):

3c1 + 6c3 = 0 =⇒ 3c1 = −6c3 =⇒ c1 = −2c3 .
Sustituir c1 = −2c3 en la ecuación (1): (−2c3 ) + 2c2 + 4c3 = 0 2c2 + 2c3 = 0 =⇒ 2c2 = −2c3 =⇒
c2 = −c3 .
Sustituir c1 = −2c3 y c2 = −c3 en la ecuación (2): 2(−2c3 ) + (−c3 ) + 5c3 = 0 −4c3 − c3 + 5c3 = 0
−5c3 + 5c3 = 0 0 = 0
Esto significa que el sistema tiene soluciones no triviales (infinitas soluciones). Por ejemplo, si
elegimos c3 = 1: c2 = −1 c1 = −2(1) = −2
4. Conclusión: Dado que encontramos una solución donde no todos los escalares son cero (por
ejemplo, c1 = −2, c2 = −1, c3 = 1), el conjunto de vectores S es linealmente dependiente.
Esto se puede verificar: −2(1, 2, 3) − 1(2, 1, 0) + 1(4, 5, 6) = (−2, −4, −6) + (−2, −1, 0) + (4, 5, 6) =
(−4, −5, −6) + (4, 5, 6) = (0, 0, 0).

1.4. 1.4 Bases y Dimensión

1.4.1. Base de un Espacio Vectorial
Una base de un espacio vectorial V es un conjunto de vectores B = {v1 , v2 , . . . , vn } que satisface
dos propiedades:
1. B es linealmente independiente.
2. B genera a V (es decir, gen(B) = V ).

Una base es el conjunto ”más eficiente”de vectores para describir un espacio, ya que no contiene
vectores redundantes (independencia lineal) y puede alcanzar cualquier punto del espacio (generación).
Ejemplo 1.4.1: Verificar si un conjunto es una base. Determine si el conjunto B = {(1, 1), (1, −1)}
es una base para R2 .
Paso a paso:

1. Verificar independencia lineal: Plantear la ecuación: c1 (1, 1) + c2 (1, −1) = (0, 0) Sistema de
ecuaciones:

c1 + c2 = 0 (1)
c1 − c2 = 0 (2)

Sumar (1) y (2): (c1 + c2 ) + (c1 − c2 ) = 0 + 0 2c1 = 0 =⇒ c1 = 0

Sustituir c1 = 0 en (1): 0 + c2 = 0 =⇒ c2 = 0
Como la única solución es c1 = 0 y c2 = 0, el conjunto B es linealmente independiente.

4
 2. Verificar si genera R2 : Para que genere R2 , cualquier vector (x, y) ∈ R2 debe ser una combinación
lineal de los vectores de B:
(x, y) = c1 (1, 1) + c2 (1, −1)
Sistema de ecuaciones:

c1 + c2 = x (3)
c1 − c2 = y (4)

Sumar (3) y (4): 2c1 = x + y =⇒ c1 = (x + y)/2

Restar (4) de (3): (c1 + c2 ) − (c1 − c2 ) = x − y 2c2 = x − y =⇒ c2 = (x − y)/2
Dado que siempre podemos encontrar c1 y c2 para cualquier x, y, el conjunto B genera R2 .
3. Conclusión: Como B es linealmente independiente y genera a R2 , B = {(1, 1), (1, −1)} es una
base para R2 .

1.4.2. Dimensión de un Espacio Vectorial

La dimensión de un espacio vectorial V , denotada como dim(V ), es el número de vectores en
cualquier base de V . Si un espacio vectorial tiene una base con un número finito de vectores, se dice que
es de dimensión finita. De lo contrario, es de dimensión infinita.
Propiedades importantes:

• Todas las bases de un espacio vectorial de dimensión finita tienen el mismo número de vectores.
• Si dim(V ) = n, entonces cualquier conjunto de n vectores linealmente independientes en V es una
base para V .
• Si dim(V ) = n, entonces cualquier conjunto de n vectores que generan V es una base para V .

Ejemplo 1.4.2: Determinar la dimensión de un espacio vectorial.

1. dim(R3 ): La base canónica para R3 es {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Este conjunto tiene 3 vectores.
Por lo tanto, dim(R3 ) = 3.
2. dim(P2 (R)): El espacio P2 (R) es el conjunto de polinomios de grado menor o igual a 2. Una base
para P2 (R) es {1, x, x2 }. Este conjunto tiene 3 vectores (polinomios). Por lo tanto, dim(P2 (R)) = 3.
3. dim(M2×2 (R)): El espacio M2×2 (R) es el conjunto de matrices de 2 × 2. Una base para M2×2 (R)
es:        
1 0 0 1 0 0 0 0
, , ,
0 0 0 0 1 0 0 1
Este conjunto tiene 4 vectores (matrices). Por lo tanto, dim(M2×2 (R)) = 4.

2. Parte 2: Transformaciones Lineales

2.1. 2.1 Definición y Propiedades Básicas
Una transformación lineal (también conocida como operador lineal o mapeo lineal) es una función
T : V → W entre dos espacios vectoriales V y W (sobre el mismo cuerpo de escalares K) que preserva
las operaciones de suma de vectores y multiplicación por un escalar. Formalmente, una transformación
T es lineal si satisface las siguientes dos propiedades para todo u, v ∈ V y todo escalar c ∈ K:
1. Aditividad: T (u + v) = T (u) + T (v)
2. Homogeneidad (o Escalado): T (cu) = cT (u)

Estas dos propiedades pueden combinarse en una sola: T (cu+dv) = cT (u)+dT (v) para todo u, v ∈ V
y c, d ∈ K.
Propiedades Importantes de las Transformaciones Lineales:

5
 • T (0V ) = 0W : Una transformación lineal siempre mapea el vector cero del espacio vectorial de
origen al vector cero del espacio vectorial de destino.
• T (−u) = −T (u): La transformación de un inverso aditivo es el inverso aditivo de la transformación.
• Una transformación lineal está completamente determinada por sus acciones sobre los vectores de
una base del espacio vectorial de partida.
Ejemplo 2.1.1: Verificar si una función es una transformación lineal. Determine si la función
T : R2 → R3 definida por T (x, y) = (x + y, x − y, 2x) es una transformación lineal.
Paso a paso:
1. Verificar Aditividad: T (u + v) = T (u) + T (v)
Sean u = (x1 , y1 ) y v = (x2 , y2 ) vectores en R2 .
u + v = (x1 + x2 , y1 + y2 )
Aplicar T a la suma:
T (u + v) = T (x1 + x2 , y1 + y2 )
= ((x1 + x2 ) + (y1 + y2 ), (x1 + x2 ) − (y1 + y2 ), 2(x1 + x2 ))
= (x1 + y1 + x2 + y2 , x1 − y1 + x2 − y2 , 2x1 + 2x2 )

Calcular T (u) + T (v) por separado:

T (u) = T (x1 , y1 ) = (x1 + y1 , x1 − y1 , 2x1 )
T (v) = T (x2 , y2 ) = (x2 + y2 , x2 − y2 , 2x2 )
T (u) + T (v) = (x1 + y1 + x2 + y2 , x1 − y1 + x2 − y2 , 2x1 + 2x2 )
Dado que T (u + v) = T (u) + T (v), la primera propiedad se cumple.
2. Verificar Homogeneidad: T (cu) = cT (u)
Sea u = (x, y) un vector en R2 y c un escalar.
cu = (cx, cy)
Aplicar T al vector escalado:
T (cu) = T (cx, cy)
= (cx + cy, cx − cy, 2cx)

Calcular cT (u) por separado:

cT (u) = c(x + y, x − y, 2x)
= (c(x + y), c(x − y), c(2x))
= (cx + cy, cx − cy, 2cx)
Dado que T (cu) = cT (u), la segunda propiedad se cumple.
3. Conclusión: Como T satisface ambas propiedades, T (x, y) = (x + y, x − y, 2x) es una transfor-
mación lineal.

2.2. 2.2 Representación Matricial de una Transformación Lineal

Toda transformación lineal T : Rn → Rm puede representarse por una única matriz A de tamaño
m × n, tal que T (x) = Ax para todo x ∈ Rn . Esta matriz A se llama la matriz estándar de la
transformación lineal.
Para encontrar la matriz estándar A de una transformación lineal T : Rn → Rm , simplemente se
aplica T a los vectores de la base canónica de Rn y los vectores resultantes forman las columnas de A.
Es decir, si E = {e1 , e2 , . . . , en } es la base canónica de Rn , entonces


A = T (e1 ) T (e2 ) · · · T (en )
Ejemplo 2.2.1: Encontrar la matriz estándar de una transformación lineal. Encuentre la
matriz estándar A de la transformación lineal T : R2 → R3 definida por T (x, y) = (x + y, x − y, 2x). (La
misma transformación del Ejemplo 2.1.1)
Paso a paso:

6
 1. Identificar la base canónica del espacio de partida (R2 ): e1 = (1, 0) y e2 = (0, 1).
2. Aplicar la transformación T a cada vector de la base canónica:

T (e1 ) = T (1, 0) = (1 + 0, 1 − 0, 2 × 1) = (1, 1, 2)

T (e2 ) = T (0, 1) = (0 + 1, 0 − 1, 2 × 0) = (1, −1, 0)

3. Formar la matriz A con los vectores resultantes como columnas:

 
1 1
A = 1 −1
2 0

4. Verificación (Opcional): Para verificar, puedes multiplicar la matriz A por un vector general
(x, y)T :      
  1 1   1x + 1y x+y
x x
A = 1 −1 = 1x − 1y  = x − y 
y y
2 0 2x + 0y 2x
Esto coincide con la definición original de T (x, y), confirmando que A es la matriz estándar correcta.

2.3. 2.3 Cambio de Base

El concepto de cambio de base es crucial para trabajar con transformaciones lineales en diferentes
sistemas de coordenadas. Si una transformación lineal T : V → V está definida con respecto a una
base B = {v1 , . . . , vn }, y queremos representarla con respecto a una nueva base B ′ = {v1′ , . . . , vn′ },
necesitamos una matriz de cambio de base.
La matriz de cambio de base de B ′ a B, denotada PB←B ′ , se forma colocando los vectores de
la base B ′ expresados en términos de la base B como sus columnas. Es decir, si vj′ = c1 v1 + · · · + cn vn ,
entonces la j-ésima columna de PB←B ′ será el vector de coordenadas [vj′ ]B = (c1 , . . . , cn )T .

PB←B ′ = ([v1′ ]B [v2′ ]B ··· [vn′ ]B )

La matriz de cambio de base de B a B ′ es la inversa: PB ′ ←B = (PB←B ′ )−1 .

Si A es la matriz de la transformación T con respecto a la base B, y A′ es la matriz de T con respecto
a la base B ′ , entonces la relación entre ellas es:

A′ = PB ′ ←B APB←B ′

Un caso común: Cuando una de las bases es la base canónica E.

• La matriz de cambio de base de una base B = {b1 , . . . , bn } a la base canónica E es simplemente
la matriz cuyas columnas son los vectores de B (expresados en la base canónica):


PE←B = b1 b2 · · · bn

• La matriz de cambio de base de la base canónica E a una base B es la inversa de la anterior:

PB←E = (PE←B )−1 .
Ejemplo 2.3.1: Encontrar la matriz de una transformación lineal con respecto a una base
diferente. Sea T : R2 → R2 la transformación lineal definida por T (x, y) = (2x + y, x − 3y). Encuentre
la matriz de T con respecto a la base B ′ = {v1′ , v2′ }, donde v1′ = (1, 1) y v2′ = (1, 2).
Paso a paso:
1. Encontrar la matriz estándar A de T (con respecto a la base canónica E):

T (e1 ) = T (1, 0) = (2(1) + 0, 1 − 3(0)) = (2, 1)

T (e2 ) = T (0, 1) = (2(0) + 1, 0 − 3(1)) = (1, −3)
 
2 1
A=
1 −3

7
 2. Encontrar la matriz de cambio de base PE←B ′ (de B ′ a la base canónica E): Esta matriz
tiene las columnas formadas por los vectores de B ′ :
 
1 1
PE←B ′ =
1 2

3. Encontrar la matriz de cambio de base PB ′ ←E (de la base canónica E a B ′ ): Esto es la

inversa de PE←B ′ :  −1  
a b 1 d −b
Para una matriz 2 × 2, = ad−bc .
c d −c a
det(PE←B ′ ) = (1)(2) − (1)(1) = 2 − 1 = 1.
   
−1 1 2 −1 2 −1
PB ′ ←E = (PE←B ′ ) = =
1 −1 1 −1 1

4. Calcular la matriz de la transformación en la nueva base A′ = PB ′ ←E APE←B ′ :

   
′ 2 −1 2 1 1 1
A =
−1 1 1 −3 1 2

Primero, APE←B ′ :
      
2 1 1 1 (2)(1) + (1)(1) (2)(1) + (1)(2) 3 4
= =
1 −3 1 2 (1)(1) + (−3)(1) (1)(1) + (−3)(2) −2 −5

Luego, PB ′ ←E (resultado anterior):

        
2 −1 3 4 (2)(3) + (−1)(−2) (2)(4) + (−1)(−5) 6+2 8+5 8 13
= = =
−1 1 −2 −5 (−1)(3) + (1)(−2) (−1)(4) + (1)(−5) −3 − 2 −4 − 5 −5 −9

5. Conclusión: La matriz de la transformación T con respecto a la base B ′ es:

 
8 13
A′ =
−5 −9

3. Parte 3: Autovalores y Autovectores

3.1. 3.1 Valores Caracterı́sticos (Autovalores) y Vectores Caracterı́sticos (Au-
tovectores)
Un concepto fundamental en el análisis de transformaciones lineales es el de autovalores y autovec-
tores. Estos nos permiten entender cómo ciertos vectores son .escalados”por una transformación lineal,
sin cambiar su dirección.
Sea T : V → V una transformación lineal sobre un espacio vectorial V (de dimensión finita) y sea A
la matriz asociada a T (con respecto a alguna base).
Un escalar λ (lambda) se llama autovalor (o valor caracterı́stico) de la transformación lineal T (o
de la matriz A) si existe un vector no nulo v ∈ V tal que:

T (v) = λv

O, en términos de la matriz A:
Av = λv
El vector v (no nulo) que satisface esta ecuación se llama autovector (o vector caracterı́stico) de T
(o de A) asociado al autovalor λ.
Interpretación: Un autovector v de una transformación lineal T es un vector cuya dirección no es
cambiada por T . La transformación simplemente lo estira o lo encoge por un factor λ. Si λ es positivo,
v mantiene su sentido; si es negativo, lo invierte. Si λ = 0, el autovector es mapeado al vector cero.

8
 Cómo encontrar autovalores y autovectores: La ecuación Av = λv se puede reescribir como:

Av − λv = 0
Av − λIv = 0
(A − λI)v = 0

Para que exista un vector v no nulo que satisfaga esta ecuación, la matriz (A − λI) debe ser singular (no
invertible). Esto ocurre si y solo si su determinante es cero:

det(A − λI) = 0

Esta ecuación se conoce como la ecuación caracterı́stica (o ecuación secular) y sus raı́ces λ son los
autovalores de A. Una vez encontrados los autovalores, se sustituye cada λ en la ecuación (A − λI)v = 0
y se resuelve el sistema lineal resultante para encontrar los autovectores asociados. El conjunto de todos
los autovectores asociados a un autovalor λ, junto con el vector cero, forma un subespacio llamado
autoespacio Eλ .
Ejemplo 3.1.1:  Encontrar
 autovalores y autovectores. Encuentre los autovalores y autovectores
2 1
de la matriz A = .
1 2
Paso a paso:
1. Plantear la ecuación caracterı́stica: det(A − λI) = 0
     
2 1 1 0 2−λ 1
A − λI = −λ =
1 2 0 1 1 2−λ

det(A − λI) = (2 − λ)(2 − λ) − (1)(1) = (2 − λ)2 − 1 = 0

2. Resolver la ecuación caracterı́stica para encontrar los autovalores λ:

(2 − λ)2 − 1 = 0

(2 − λ)2 = 1
Tomar la raı́z cuadrada en ambos lados:

2−λ=1 o 2 − λ = −1

λ1 = 2 − 1 = 1
λ2 = 2 − (−1) = 3
Los autovalores son λ1 = 1 y λ2 = 3.
3. Encontrar los autovectores para cada autovalor:

◦ Para λ1 = 1: Sustituir λ = 1 en (A − λI)v = 0:

         
2−1 1 v1 0 1 1 v1 0
= =⇒ =
1 2−1 v2 0 1 1 v2 0

Esto da el sistema de ecuaciones:

v1 + v2 = 0
v1 + v2 = 0

De ambas ecuaciones, v1 = −v2 . Sea v2 = t (donde t ̸= 0), entonces v1 = −t. Los autovectores
asociados a λ1 = 1 son de la forma v = (−t, t) = t(−1, 1). Un autovector base (para t = 1) es
v1 = (−1, 1).

9
 ◦ Para λ2 = 3: Sustituir λ = 3 en (A − λI)v = 0:
         
2−3 1 v1 0 −1 1 v1 0
= =⇒ =
1 2−3 v2 0 1 −1 v2 0
Esto da el sistema de ecuaciones:

−v1 + v2 = 0
v1 − v2 = 0

De ambas ecuaciones, v1 = v2 . Sea v2 = t (donde t ̸= 0), entonces v1 = t. Los autovectores

asociados a λ2 = 3 son de la forma v = (t, t) = t(1, 1). Un autovector base (para t = 1) es
v2 = (1, 1).
4. Conclusión: Los autovalores de la matriz A son λ1 = 1 y λ2 = 3. El autovector asociado a λ1 = 1
es cualquier múltiplo no nulo de (−1, 1). El autovector asociado a λ2 = 3 es cualquier múltiplo no
nulo de (1, 1).

3.2. 3.2 Diagonalización. Matrices Ortogonales y Simétricas

3.2.1. Diagonalización
Una matriz cuadrada A de n × n es diagonalizable si es similar a una matriz diagonal D. Es
decir, si existe una matriz invertible P tal que D = P −1 AP . La matriz D es una matriz diagonal cuyas
entradas en la diagonal principal son los autovalores de A. La matriz P es una matriz cuyas columnas
son los autovectores linealmente independientes de A, colocados en el mismo orden que sus autovalores
correspondientes en D.
Condiciones para la Diagonalización: Una matriz A de n × n es diagonalizable si y solo si:
1. La suma de las dimensiones de sus autoespacios es igual a n.
2. Tiene n autovectores linealmente independientes.
Esto ocurre si cada autovalor λ tiene su multiplicidad algebraica (el número de veces que λ es una raı́z
de la ecuación caracterı́stica) igual a su multiplicidad geométrica (la dimensión de
 su autoespacio
 Eλ ).
2 1
Ejemplo 3.2.1: Diagonalizar una matriz. Diagonalice la matriz A = (la misma del
1 2
Ejemplo 3.1.1).
Paso a paso:
1. Encontrar los autovalores y autovectores (ya hecho en el Ejemplo 3.1.1):
◦ Autovalores: λ1 = 1 y λ2 = 3.
◦ Autovector para λ1 = 1: v1 = (−1, 1).
◦ Autovector para λ2 = 3: v2 = (1, 1).
Estos dos autovectores son linealmente independientes (no son múltiplos escalares entre sı́).
2. Formar la matriz P con los autovectores como columnas:
 
−1 1
P =
1 1

(Es crucial mantener el orden: la primera columna de P es el autovector de λ1 , la segunda es el

autovector de λ2 ).
3. Formar la matriz diagonal D con los autovalores en la diagonal, en el mismo orden
que en P :  
1 0
D=
0 3

4. Calcular P −1 (Opcional, para verificación): det(P ) = (−1)(1) − (1)(1) = −1 − 1 = −2.

   
−1 1 1 −1 −1/2 1/2
P = =
−2 −1 −1 1/2 1/2

10
 5. Verificar que D = P −1 AP (Opcional):
   
−1 −1/2 1/2 2 1 −1 1
P AP =
1/2 1/2 1 2 1 1
  
−1/2 1/2 (2)(−1) + (1)(1) (2)(1) + (1)(1)
=
1/2 1/2 (1)(−1) + (2)(1) (1)(1) + (2)(1)
  
−1/2 1/2 −1 3
=
1/2 1/2 1 3
 
(−1/2)(−1) + (1/2)(1) (−1/2)(3) + (1/2)(3)
=
(1/2)(−1) + (1/2)(1) (1/2)(3) + (1/2)(3)
   
1/2 + 1/2 −3/2 + 3/2 1 0
= =
−1/2 + 1/2 3/2 + 3/2 0 3

Esto coincide con D, por lo tanto, la matriz A es diagonalizable y hemos encontrado P y D.

3.2.2. Matrices Ortogonales y Simétricas

• Matriz Simétrica: Unamatriz
 cuadrada A es simétrica si es igual a su transpuesta, es decir,
2 1
A = AT . Ejemplo: A = es simétrica.
1 2
• Matriz Ortogonal: Una matriz cuadrada Q es ortogonal si su inversa es igual a su transpuesta,
es decir, Q−1 = QT . Esto implica que QT Q = I. Las columnas (y filas) de una matriz ortogonal
forman un conjunto ortonormal de vectores.

Teorema Espectral para Matrices Simétricas: Si A es una matriz simétrica real de n × n,

entonces:
1. Todos sus autovalores son reales.
2. Los autovectores correspondientes a autovalores distintos son ortogonales.
3. A es diagonalizable. Más aún, A es ortogonalmente diagonalizable, lo que significa que existe
una matriz ortogonal Q tal que D = QT AQ. Las columnas de Q son una base ortonormal de
autovectores.
Ejemplo
  3.2.2: Autovectores ortogonales de una matriz simétrica. Para la matriz simétrica
2 1
A= , ya encontramos los autovectores v1 = (−1, 1) y v2 = (1, 1). Verificar su ortogonalidad: El
1 2
producto punto (o producto escalar) de v1 y v2 es:

v1 · v2 = (−1)(1) + (1)(1) = −1 + 1 = 0

Dado que su producto punto es 0, los autovectores son ortogonales, como predice el teorema espectral.

3.3. 3.3 La Forma Canónica de Jordan

No todas las matrices son diagonalizable. Una matriz que no es diagonalizable (porque no tiene
suficientes autovectores linealmente independientes) puede transformarse en una forma especial conocida
como Forma Canónica de Jordan (JCF).
La Forma Canónica de Jordan de una matriz A es una matriz J similar a A (es decir, J = P −1 AP para
alguna matriz invertible P ), que tiene la estructura más simple posible para una matriz no diagonalizable.
Consiste en bloques de Jordan.
Un bloque de Jordan Jk (λ) es una matriz cuadrada con un autovalor λ en la diagonal principal y
unos (1) justo encima de la diagonal principal, y ceros en todas las demás posiciones.
 
λ 1 0 ··· 0
0 λ 1 · · · 0
 
Jk (λ) =  0 0 λ · · · 0 
 
 .. .. .. . . .. 
. . . . .
0 0 0 ··· λ

11
La forma canónica de Jordan J de una matriz A es una matriz diagonal por bloques, donde cada bloque
es un bloque de Jordan.  
Jk1 (λ1 )
 Jk2 (λ2 ) 
J =
 
.. 
 . 
Jkm (λm )
donde λi son los autovalores de A (pueden repetirse).
¿Cuándo se usa? La JCF se utiliza cuando una matriz no es diagonalizable. Esto ocurre cuando la
multiplicidad algebraica de al menos un autovalor es mayor que su multiplicidad geométrica (es decir,
no hay suficientes autovectores linealmente independientes para formar una base).
Importancia:

• Aunque más compleja que la diagonalización, la JCF proporciona una forma estándar para matrices
no diagonalizables.
• Es única salvo por el orden de los bloques.
• Permite simplificar cálculos de potencias de matrices y resolver sistemas de ecuaciones diferenciales
lineales cuando la matriz del sistema no es diagonalizable.
Ejemplo 3.3.1:
 Encontrar la Forma Canónica de Jordan (Conceptual). Consideremos la
2 1
matriz A = .
0 2
Paso a paso (conceptual, ya que el cálculo detallado es extenso):
1. Encontrar autovalores:
 
2−λ 1
det(A − λI) = det = (2 − λ)2 = 0
0 2−λ

El único autovalor es λ = 2 con multiplicidad algebraica de 2.

2. Encontrar autovectores para λ = 2:
    
0 1 v1 0
(A − 2I)v = 0 =⇒ =
0 0 v2 0

Esto da la ecuación v2 = 0. v1 es libre. Los autovectores son de la forma v = (v1 , 0) = v1 (1, 0).
Solo hay un autovector linealmente independiente: (1, 0). La multiplicidad geométrica del autovalor
λ = 2 es 1 (dimensión del autoespacio).
3. Comparar multiplicidades: Multiplicidad algebraica (2) ̸= Multiplicidad geométrica (1). Esto
significa que la matriz A no es diagonalizable.

4. Determinar la Forma Canónica de Jordan: Como solo hay un autovector para un autovalor
con multiplicidad 2, necesitamos un bloque de Jordan de tamaño 2 × 2. La Forma Canónica de
Jordan para esta matriz es:  
2 1
J=
0 2
(En este caso particular, la matriz ya está en su forma de Jordan. Esto no siempre es ası́; general-
mente se necesita construir la matriz P a partir de autovectores generalizados para transformar A
en J).

Nota importante: La construcción de la matriz P que lleva una matriz A a su forma de Jordan
J = P −1 AP es un proceso más avanzado que implica el uso de autovectores generalizados y cadenas
de Jordan, lo cual excede el alcance de una introducción básica a la forma canónica de Jordan, pero es
fundamental para su aplicación práctica.

12