Álgebra Lineal II

Espacios Vectoriales, Transformaciones y Diagonalización

Explicación Paso a Paso

Explicación para principiantes

1. 1. Espacios Vectoriales: Concepto Básico

¿Qué es un espacio vectorial? Imagina un conjunto de objetos (llamados vectores) donde
puedes hacer dos cosas: - Sumar dos vectores y obtener otro vector. - Multiplicar un vector por un
número y obtener otro vector.
Y además, estas operaciones cumplen reglas lógicas (como conmutatividad, asociatividad, existen-
cia del cero, etc.).

Definición formal: Un espacio vectorial V sobre un cuerpo de números K (usualmente R o C)

es un conjunto con dos operaciones:

1. Suma: + : V × V → V , que a cada par (u, v) le asigna u + v ∈ V .

2. Multiplicación por escalar: · : K × V → V , que a cada par (λ, v) le asigna λv ∈ V .

Reglas que siempre se cumplen:

u + v = v + u (orden no importa)

(u + v) + w = u + (v + w) (agrupación no importa)

Existe un vector ⃗0 tal que v + ⃗0 = v

Para cada v, existe −v tal que v + (−v) = ⃗0

1·v =v

λ(u + v) = λu + λv (distributividad)

Ejemplo sencillo: El espacio R2 : son todos los pares (x, y) con x, y números reales. - Suma:
(x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 ) - Multiplicación: λ · (x, y) = (λx, λy)

¿Qué NO es un espacio vectorial? Ejemplo: El conjunto de pares (x, y) donde x ≥ 0. Si

multiplicas por −1, obtienes (−x, −y), y −x ya no cumple x ≥ 0. No es espacio vectorial.

2. 2. Subespacios Vectoriales
¿Qué es un subespacio? Es una parte W de un espacio vectorial V , que por sı́ mismo también
es un espacio vectorial. Para que sea subespacio, solo debes comprobar 3 cosas:

Condición 1: El vector cero está dentro: ⃗0 ∈ W .

Condición 2: Cerrado para la suma: Si u, v ∈ W , entonces u + v ∈ W .

Condición 3: Cerrado para multiplicación: Si v ∈ W y λ ∈ K, entonces λv ∈ W .

1
 Ejemplo paso a paso: Sea V = R3 . ¿Es W = {(x, y, z) | x + y − z = 0} un subespacio?
Paso 1: ¿Está el cero? ⃗0 = (0, 0, 0). Comprobamos: 0 + 0 − 0 = 0. Sı́, está.
Paso 2: ¿Cerrado en suma? Sean u = (x1 , y1 , z1 ) y v = (x2 , y2 , z2 ), ambos en W . Entonces:
x1 + y1 − z1 = 0 y x2 + y2 − z2 = 0.
Sumamos:
u + v = (x1 + x2 , y1 + y2 , z1 + z2 )
Comprobamos condición:

(x1 + x2 ) + (y1 + y2 ) − (z1 + z2 ) = (x1 + y1 − z1 ) + (x2 + y2 − z2 ) = 0 + 0 = 0

=⇒ También cumple. Sı́ es cerrado.

Paso 3: ¿Cerrado en multiplicación? Tomamos λ ∈ R:

λu = (λx1 , λy1 , λz1 )

Comprobamos:
λx1 + λy1 − λz1 = λ(x1 + y1 − z1 ) = λ · 0 = 0
=⇒ Cumple. Sı́ es cerrado.
∴ W SÍ es un subespacio vectorial.

3. 3. Combinación Lineal y Conjunto Generador

¿Qué es una combinación lineal? Es mezclar vectores multiplicados por números y sumarlos.
Si tienes vectores v1 , v2 , . . . , vn , una combinación lineal es:

v = λ1 v1 + λ2 v2 + · · · + λn vn

donde λ1 , . . . , λn son números cualesquiera.

Ejemplo: v1 = (1, 0), v2 = (0, 1). Combinación lineal: 3v1 + 2v2 = 3(1, 0) + 2(0, 1) = (3, 2).

¿Qué es un conjunto generador? Es un grupo de vectores tal que CUALQUIER vector del
espacio se puede escribir como combinación lineal de ellos.

Ejemplo: {(1, 0), (0, 1)} genera todo R2 , porque cualquier (x, y) = x(1, 0) + y(0, 1).
{(1, 1), (2, 2)} NO genera R2 , porque nunca obtienes (1, 0).

4. 4. Independencia Lineal
¿Qué significa? Significa que ningún vector del conjunto se puede obtener mezclando los demás.
Si alguno se puede obtener con los otros, se dice que son linealmente dependientes.

Criterio para saberlo: Dados v1 , . . . , vn , resolvemos la ecuación:

λ1 v1 + λ2 v2 + · · · + λn vn = ⃗0

Si la ÚNICA solución es λ1 = λ2 = · · · = λn = 0 → SON INDEPENDIENTES.

Si hay otra solución distinta de cero → SON DEPENDIENTES.

Ejemplo paso a paso 1: ¿Son independientes v1 = (1, 2), v2 = (3, 4)?

Planteamos:
λ1 (1, 2) + λ2 (3, 4) = (0, 0)
Sistema de ecuaciones: (
λ1 + 3λ2 = 0
2λ1 + 4λ2 = 0

2
 Resolviendo: De la 1ª: λ1 = −3λ2 . Sustituimos en 2ª:

2(−3λ2 ) + 4λ2 = −6λ2 + 4λ2 = −2λ2 = 0 =⇒ λ2 = 0 =⇒ λ1 = 0

Solo solución cero. SON INDEPENDIENTES.

Ejemplo paso a paso 2: ¿Son independientes u1 = (1, 1), u2 = (2, 2)?

λ1 (1, 1) + λ2 (2, 2) = (0, 0)

Sistema: (
λ1 + 2λ2 = 0
λ1 + 2λ2 = 0
Aquı́, si tomamos λ2 = 1, entonces λ1 = −2. Comprobamos: −2(1, 1) + 1(2, 2) = (0, 0). ¡Hay
solución distinta de cero! SON DEPENDIENTES.

5. 5. Base y Dimensión
¿Qué es una base? Es el conjunto perfecto de vectores. Tiene dos condiciones:

1. Genera todo el espacio.

2. Son linealmente independientes.

Es el mı́nimo número de vectores necesario para describir todo el espacio.

¿Qué es la dimensión? Es el número de vectores que tiene cualquier base. - dim(R2 ) = 2 -

dim(R3 ) = 3

Ejemplo: Base estándar R3 : {(1, 0, 0), (0, 1, 0), (0, 0, 1)}. Generan todo y son independientes. Di-
mensión = 3.

¿Cómo hallar una base paso a paso? Dado un conjunto de vectores:

Paso 1: Escribe los vectores como filas de una matriz.

Paso 2: Reduce la matriz a forma escalonada.

Paso 3: Las filas no nulas que quedan forman una base.

Ejemplo: {(1, 2, 3), (2, 4, 6), (1, 0, 1)}

Paso 1:  
1 2 3
2 4 6
1 0 1
Paso 2: Restamos 2×fila1 a fila2, restamos fila1 a fila3:
 
1 2 3
0 0 0
0 −2 −2

Paso 3: Filas no nulas: (1, 2, 3) y (0, −2, −2). Base = {(1, 2, 3), (0, −2, −2)}, Dimensión = 2.

3
 6. 6. Transformaciones Lineales
¿Qué es una transformación lineal? Es una función T : V → W que transforma vectores de
V en vectores de W , respetando las operaciones:

1. T (u + v) = T (u) + T (v)

2. T (λv) = λ · T (v)

Ejemplo sencillo: T (x, y) = (x, 2y). - Suma: T (x1 + x2 , y1 + y2 ) = (x1 + x2 , 2(y1 + y2 )) =

T (x1 , y1 ) + T (x2 , y2 ). - Multiplicación: T (λx, λy) = (λx, 2λy) = λ(x, 2y) = λT (x, y). → SÍ es lineal.

¿Qué NO es lineal? T (x, y) = (x + 1, y). Prueba: T (0, 0) = (1, 0) ̸= (0, 0). Toda transformación
lineal manda el cero al cero. → NO es lineal.

Núcleo e Imagen: - Núcleo (ker T ): Conjunto de vectores que se transforman en el cero. ker T =
{v | T (v) = ⃗0}. - Imagen (Im T ): Conjunto de todos los resultados posibles al aplicar T .

Fórmula clave:
dim(V ) = dim(ker T ) + dim(Im T )

7. 7. Matriz de una Transformación Lineal

¿Cómo se obtiene? Si tienes bases BV = {e1 , ..., en } y BW = {f1 , ..., fm }:

Paso 1: Calcula T (e1 ), T (e2 ), ..., T (en ).

Paso 2: Escribe cada resultado como combinación de la base de llegada.

Paso 3: Los coeficientes forman las COLUMNAS de la matriz MT .

Ejemplo paso a paso: T : R2 → R2 , definida por T (x, y) = (2x + y, x − 3y). Bases estándar
B = {(1, 0), (0, 1)}.
Paso 1:
T (1, 0) = (2 · 1 + 0, 1 − 0) = (2, 1)
T (0, 1) = (0 + 1, 0 − 3 · 1) = (1, −3)
Paso 2 y 3: Esas imágenes son las columnas:
 
2 1
MT =
1 −3

Comprobación: Multiplicamos matriz por vector:

    
2 1 x 2x + y
= Correcto
1 −3 y x − 3y

8. 8. Valores y Vectores Propios

¿Qué son? Son números λ y vectores v ̸= ⃗0 tal que:

A·v =λ·v

Significa: Al multiplicar la matriz por el vector, sale el mismo vector solo alargado o acortado (no
cambia de dirección).

Paso a paso para hallarlos:

4
 Paso 1: Polinomio caracterı́stico Calculamos det(A − λI) = 0. Ejemplo:
 
2 1
A=
1 2

Restamos λ en la diagonal:  
2−λ 1
A − λI =
1 2−λ
Determinante:

det(A − λI) = (2 − λ)2 − 1 · 1 = (4 − 4λ + λ2 ) − 1 = λ2 − 4λ + 3

Igualamos a cero:
λ2 − 4λ + 3 = 0
Paso 2: Resolver para λ Ecuación de segundo grado:
√
4 ± 16 − 12 4±2
λ= =
2 2
Resultado:
λ1 = 3, λ2 = 1
Estos son los **valores propios**.
Paso 3: Hallar vectores propios Para cada λ, resolvemos el sistema (A − λI)v = ⃗0.
- Para λ1 = 3:    
2−3 1 −1 1
A − 3I = =
1 2−3 1 −1
Sistema: (
−x + y = 0
=⇒ y = x
x−y =0
 
1
Solución: cualquier vector (x, x) con x ̸= 0. Vector propio ejemplo: v1 = .
1
- Para λ2 = 1:    
2−1 1 1 1
A−I = =
1 2−1 1 1
Sistema: (
x+y =0
=⇒ y = −x
x+y =0
 
1
Solución: cualquier vector (x, −x) con x ̸= 0. Vector propio ejemplo: v2 = .
−1

9. 9. Diagonalización de Matrices
¿Qué significa diagonalizar? Es transformar una matriz A en una matriz muy sencilla (solo
tiene números en la diagonal) usando un cambio de base. Fórmula:

A = P · D · P −1

Donde: - D = matriz diagonal (tiene los valores propios en la diagonal). - P = matriz de paso (sus
columnas son los vectores propios).

¿Cuándo se puede? Se puede diagonalizar si **tienes tantos vectores propios linealmente inde-
pendientes como tamaño tiene la matriz**.

5
 Ejemplo paso a paso con la matriz anterior:
 
2 1
A=
1 2

Paso 1: Valores propios (ya calculados):

λ1 = 3, λ2 = 1

Paso 2: Vectores propios (ya calculados):

   
1 1
v1 = , v2 =
1 −1

Paso 3: Construir matrices P y D:

   
1 1 3 0
P = , D=
1 −1 0 1

Paso 4: Calcular inversa de P : Determinante de P :

det(P ) = (1)(−1) − (1)(1) = −1 − 1 = −2

Inversa:  1 1
 
1 −1 −1
P −1 = = 21 2
−2 −1 1 2 − 12
Paso 5: Comprobación:
   1 1
  
1 1 3 0 2 1
P · D · P −1 = 2
1
2 = =A
1 −1 0 1 2 − 12 1 2

¡Funciona perfectamente!

10. 10. Subespacios Fundamentales de una Matriz

Para una matriz A de tamaño m × n, existen 4 espacios importantes:

1. Espacio columna (C(A)): Generado por las columnas de A. Es un subespacio de Rm .

2. Espacio nulo (N (A)): Todos los vectores x tales que Ax = ⃗0. Es un subespacio de Rn .

3. Espacio fila (C(AT )): Generado por las filas de A. Es un subespacio de Rn .

4. Espacio nulo izquierdo (N (AT )): Vectores y tales que AT y = ⃗0. Es un subespacio de Rm .

Relación de dimensiones:

dim(C(A)) + dim(N (A)) = n

dim(C(AT )) + dim(N (AT )) = m

Ejemplo:  
1 2 1
A=
2 4 2
 
1
- Espacio columna: generado por =⇒ dim = 1. - Espacio nulo: soluciones de x + 2y + z = 0 =⇒
2
dim = 2. Se cumple: 1 + 2 = 3 = n.

6
11. 11. Ortogonalidad
Producto escalar: Para u = (u1 , ..., un ) y v = (v1 , ..., vn ):

⟨u, v⟩ = u1 v1 + u2 v2 + · · · + un vn

¿Cuándo son ortogonales? Si su producto escalar da cero:

⟨u, v⟩ = 0

Significa que forman 90◦ .

Ejemplo: u = (1, 2), v = (2, −1)

⟨u, v⟩ = 1 · 2 + 2 · (−1) = 2 − 2 = 0 =⇒ ORTogonales.

Base Ortogonal y Ortonormal: - Ortogonal: todos son ortogonales entre sı́. - Ortonormal:
además, todos tienen longitud = 1.

Método de Gram-Schmidt (Paso a paso): Convierte cualquier base en una base ortogonal.
Sea base {v1 , v2 , v3 }:
⟨v2 ,u1 ⟩ ⟨v3 ,u1 ⟩ ⟨v3 ,u2 ⟩
1. u1 = v1 2. u2 = v2 − ⟨u 1 ,u1 ⟩
u1 3. u3 = v3 − ⟨u1 ,u1 ⟩
u1 − ⟨u2 ,u2 ⟩
u2
Los nuevos {u1 , u2 , u3 } ya son ortogonales.

12. 12. Aplicación: Mı́nimos Cuadrados

Se usa cuando un sistema Ax = b NO tiene solución exacta. Buscamos la solución x̂ que da el
resultado más cercano posible.
Fórmula clave:
AT A x̂ = AT b
Ejemplo: Queremos ajustar una recta y = mx + c a puntos (1, 1), (2, 3), (3, 3).
Sistema: 
m + c = 1
   
 1 1 1
2m + c = 3 =⇒ A = 2 1 , b = 3
3 1 3

3m + c = 3


Calculamos:    
T 14 6 T 16
A A= , A b=
6 3 7
Resolvemos: (
14m + 6c = 16
=⇒ m = 1, c = 0,333...
6m + 3c = 7
Recta aproximada: y = x + 31 .

13. Resumen de Fórmulas Clave

Subespacio: ⃗0 ∈ W , cerrado en suma y producto.
P
Independencia: λi vi = 0 =⇒ λi = 0.

Dimensión: Número de vectores de una base.

Transformación Lineal: T (u + v) = T (u) + T (v), T (λv) = λT (v).

Núcleo e Imagen: dim V = dim ker T + dim Im T .

7
Valores propios: det(A − λI) = 0.

Diagonalización: A = P DP −1 .

Ortogonalidad: ⟨u, v⟩ = 0.

Mı́nimos cuadrados: AT Ax̂ = AT b.