121 - Álgebra Lineal II

lgebra Lineal II
ndice general
1 Espacio Vectorial Eucldeo 1

1.1 Producto escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Denicin general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Denicin geomtrica del producto escalar en un espacio eucldeo real . . . . . . . . . . . 2
1.1.3 Propiedades del producto escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.4 Expresin analtica del producto escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.5 Norma o Mdulo de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.6 Productos interiores denidos en espacios vectoriales usuales . . . . . . . . . . . . . . . . 4
1.1.7 Generalizaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.8 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.9 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.10 Enlaces externos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Ortogonalidad (matemticas) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Ortogonalidad en espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Transformacin ortogonal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.3 Ortogonalidad en otros contextos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.4 Sistemas de coordenadas ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.5 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.1 Ortonormalizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Temas relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Producto vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.2 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.3 Generalizacin a n dimensiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.4 Otros productos vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.5 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Isometra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
i
ii NDICE GENERAL
1.5.3 Grupo de isometra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.5.4 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6 Grupo de isometra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.1 Grupo de isometra del espacio eucldeo . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6.2 Grupo de isometra de guras geomtricas . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6.3 Grupo de isometra de espacios con producto interno . . . . . . . . . . . . . . . . . . . . 18
1.6.4 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7 Espacio eucldeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7.2 Estructuras sobre el espacio eucldeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7.3 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.7.4 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2 Diagonalizacin y Forma de Jordan 21

2.1 Vector propio y valor propio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.3 Casos de inters especial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.4 Ecuacin del valor propio o autovalor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1.5 Teorema espectral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.6 Vectores propios y valores propios de matrices . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.7 Espacios de dimensin innita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.1.8 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.1.9 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.10 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Matriz diagonalizable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2.2 Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.3 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.2.4 Teoremas sobre matrices diagonalizables . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.5 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3 Forma cannica de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.3.2 Clculo de la forma de Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3.3 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4 Subespacio invariante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4.2 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.4.3 Observacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.4.4 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
NDICE GENERAL iii
2.4.5 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Formas Bilineales y Cuadrticas 45

3.1 Forma bilineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.1 Denicin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.2 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.3 Forma bilineal simtrica y antisimtrica . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.1.4 Forma cuadrtica asociada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.5 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.1.6 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Forma cuadrtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.1 Denicin formal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.2 Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.3 Signatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.4 Forma cuadrtica denida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.5 Representacin grca . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.6 Acotacin de una forma cuadrtica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.7 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4 Text and image sources, contributors, and licenses 50

4.1 Text . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.2 Images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3 Content license . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Captulo 1
Espacio Vectorial Eucldeo
1.1 Producto escalar

En matemtica, el producto escalar, tambin conocido como producto interno, producto interior o producto
punto, es una operacin binaria denida sobre dos vectores de un mismo espacio eucldeo. El resultado de esta
operacin es un nmero o escalar. Esta operacin permite explotar los conceptos de la geometra eucldea tradicional:
longitudes, ngulos, ortogonalidad en dos y tres dimensiones. El producto escalar puede denirse tambin en los
espacios eucldeos de dimensin mayor a tres, y en general en los espacios vectoriales reales y complejos. Los espacios
vectoriales dotados de producto escalar reciben el nombre de espacios prehilbertianos.
1.1.1 Denicin general

El producto interior o producto escalar de dos vectores en un espacio vectorial es una forma bilineal, hermtica y
denida positiva, por lo que se puede considerar una forma cuadrtica denida positiva.
Un producto escalar se puede expresar como una expresin:
, : V V K
(x, y) a = x, y
donde V es un espacio vectorial y K es el cuerpo sobre el que est denido V . La funcin , (que toma como
argumentos dos elementos de V , y devuelve un elemento del cuerpo K ) debe satisfacer las siguientes condiciones:
1. Linealidad por la izquierda: ax + by, z = ax, z + by, z , y linealidad conjugada por la derecha: x, ay +
bz = ax, y + bx, z
2. Hermiticidad: x, y = y, x ,
3. Denida positiva: x, x 0 , y x, x = 0 si y slo si x = 0,
donde x, y, z V son vectores de V, a, b K representan escalares del cuerpo K y c es el conjugado del complejo
c.
Si el cuerpo tiene parte imaginaria nula (v.g., R ), la propiedad de ser sesquilineal se convierte en ser bilineal y el ser
hermtica se convierte en ser simtrica.
Tambin suele representarse por:
: V V K
(x, y) a = x y
Un espacio vectorial sobre el cuerpo R o C dotado de un producto escalar se denomina espacio prehilbert o espacio
prehilbertiano. Si adems es completo, se dice que es un espacio de Hilbert. Si la dimensin es nita y el cuerpo es el
1
2 CAPTULO 1. ESPACIO VECTORIAL EUCLDEO
de los nmeros reales, se dir que es un espacio eucldeo; si el cuerpo es el de los nmeros complejos (y la dimensin
es nita) se dir que es un espacio unitario.
Todo producto escalar induce una norma sobre el espacio en el que est denido, de la siguiente manera:

x := x, x
En tal caso, esta es una de las innitas normas que pueden ser generadas a partir de un producto interior.
1.1.2 Denicin geomtrica del producto escalar en un espacio eucldeo real
cos() es la proyeccin escalar de A en B.
El producto escalar de dos vectores en un espacio eucldeo se dene como el producto de sus mdulos por el coseno
del ngulo que forman.
A B = |A||B| cos = A B cos
En los espacios eucldeos, la notacin usual de producto escalar es u v

Esta denicin de carcter geomtrico es independiente del sistema de coordenadas elegido y por lo tanto de la base
del espacio vectorial escogida.
Proyeccin de un vector sobre otro
Puesto que |A| cos representa el mdulo de la proyeccin del vector A sobre la direccin del vector B, esto es |A|
cos = proy AB, ser
1.1. PRODUCTO ESCALAR 3
A B = |B| (proyAB )
de modo que el producto escalar de dos vectores tambin puede denirse como el producto del mdulo de uno de
ellos por la proyeccin del otro sobre l.
ngulos entre dos vectores
La expresin geomtrica del producto escalar permite calcular el coseno del ngulo existente entre los vectores,
mediante la siguiente denicin formal: que nos dice que la multiplicacin de un escalar denominado K tiene que ser
diferente de cero.
cos =
AB
A B
Vectores ortogonales
Dos vectores son ortogonales o perpendiculares cuando forman ngulo recto entre s. Si el producto escalar de dos
vectores es cero, ambos vectores son ortogonales.
AB=0 AB
ya que el cos 2 = 0 .
Vectores paralelos o en una misma direccin
Dos vectores son paralelos o llevan la misma direccin si el ngulo que forman es de 0 radianes (0 grados) o de
radianes (180 grados).
Cuando dos vectores forman un ngulo cero, el valor del coseno es la unidad, por lo tanto el producto de los mdulos
vale lo mismo que el producto escalar.
A B = A B cos | cos | = 1 A||B |A B| = |A| |B|
1.1.3 Propiedades del producto escalar

1. Conmutativa:
AB=BA
2. Distributiva respecto a la suma vectorial:
A (B + C) = A B + A C
3. Asociatividad respecto al producto por un escalar m:
m(A B) = (mA) B = A (mB)
1.1.4 Expresin analtica del producto escalar

Si los vectores A y B se expresan en funcin de sus componentes cartesianas rectangulares, tomando la base cannica
en R3 formada por los vectores unitarios {i , j , k} tenemos:
A = Ax i + Ay j + Az k
B = Bx i + By j + Bz k
El producto escalar se realiza como un producto matricial de la siguiente forma:

[ ] Bx
A B = Ax Ay Az By = Ax Bx + Ay By + Az Bz
Bz
1.1.5 Norma o Mdulo de un vector

Se dene como la longitud del segmento orientado (vector) en el espacio mtrico considerado.
Se calcula a travs del producto interno del vector consigo mismo.
2
A = A A A = A A
Efectuado el producto escalar, tenemos:

2
A = A A = (A1 , A2 , ..., An )2 = A21 + A22 + ... + A2n = A2
i
de modo que

A = A2i = A21 + A22 + ... + A2n
Por componentes, tomando la base cannica en R3 formada por los vectores unitarios {i, j, k}
A = Ax i + Ay j + Az k

2 [ ] Ax
A = A A = Ax Ay Az Ay = A2x + A2y + A2z
Az
de modo que

A = A2x + A2y + A2z
1.1.6 Productos interiores denidos en espacios vectoriales usuales

Citamos a continuacin algunos productos estudiados generalmente en Teora de Espacios Normados. Todos estos
productos -llamados cannicos- son slo algunos de los innitos productos interiores que se pueden denir en sus
respectivos espacios.
En el espacio vectorial Rn se suele denir el producto interior (llamado, en este caso en concreto, producto
punto) por:

A B = (a1 , a2 , a3 , ..., an ) (b1 , b2 , b3 , ..., bn ) = a1 b1 + a2 b2 + ...an bn = ai bi
En el espacio vectorial Cn se suele denir el producto interior por:

A B = (a1 , a2 , a3 , ..., an ) (b1 , b2 , b3 , ..., bn ) = a1 b1 + a2 b2 + ...an bn = ai bi
Siendo bn el nmero complejo conjugado de bn
En el espacio vectorial de las matrices de m x n , con elementos reales

1.1. PRODUCTO ESCALAR 5
A B = tr(AT B)
donde tr(A) es la traza de la matriz A y AT es la matriz traspuesta de A.
En el espacio vectorial de las matrices de m x n , con elementos complejos
A B = tr(A B)
donde tr(A) es la traza de la matriz B y A es la matriz traspuesta conjugada de A.
En el espacio vectorial de las funciones continuas sobre el intervalo C[a, b], acotado por a y b:
b
fg= f (x)g(x)dx
a
En el espacio vectorial de los polinomios de grado menor o igual a n:
Dado [x1 , x2 , x3 , ..., xn , xn+1 ] R tal que x1 < x2 < x3 < ... < xn < xn + 1 :

p q = p(x1 )q(x1 ) + p(x2 )q(x2 ) + ... + p(xn )q(xn ) + p(xn + 1)q(xn + 1) = p(xi ) q(xi )
1.1.7 Generalizaciones
Formas cuadrticas
Dada una forma bilineal simtrica B(,) denida sobre un espacio vectorial V =Rn puede denirse un producto escalar
diferente del producto escalar eucldeo mediante la frmula:

[ ] B11 ... B1n v1
(u, v)B = u1 ... un . . . ... . . . . . . = ni=1 nj=1 Bij ui vj
Bn1 ... Bnn vn
Donde:
Bij := B(ei , ej )
{e1 , . . . , en } es una base del espacio vectorial V
Puede comprobarse que la operacin anterior (,)B :V V R satisface todas las propiedades que debe satisfacer un
producto escalar.
Tensores mtricos
Se pueden denir y manejar espacio no-eucldeos o ms exactamente variedades de Riemann, es decir, espacios
no-planos con un tensor de curvatura diferente de cero, en los que tambin podemos denir longitudes, ngulos y
volmenes. En estos espacios ms generales se adopta el concepto de geodsica en lugar del de segmento para denir
las distancias ms cortas en entre puntos y, tambin, se modica ligeramente la denicin operativa del producto
escalar habitual introduciendo un tensor mtrico g:MT MT MR , tal que la restriccin del tensor a un punto de la
variedad de Riemann es una forma bilineal gx (,)=g(x;,) .
As, dados dos vectores campos vectoriales u y v del espacio tangente a la variedad de Riemann se dene su producto
interno o escalar como:

u, v = gx (u, v) = i j gij (x)ui vj
La longitud de una curva recticable C entre dos puntos A y B se puede denir a partir de su vector tangente T de la
siguiente manera:
sb sb dxi dxi
LC = sa
g(x, T, T) ds = sa
gij ds ds ds
1.1.8 Vase tambin
Espacio vectorial
Norma vectorial
Combinacin lineal
Sistema generador
Independencia lineal
Matriz de Gram
Base (lgebra)
Base Ortogonal
Base Ortonormal
Coordenadas cartesianas
Producto vectorial
Producto mixto
Producto tensorial
1.1.9 Referencias
Bibliografa
Ortega, Manuel R. (1989-2006). Lecciones de Fsica (4 volmenes). Monytex. ISBN 84-404-4290-4, ISBN 84-
398-9218-7, ISBN 84-398-9219-5, ISBN 84-604-4445-7 |isbn= incorrecto (ayuda).
Resnick,Robert & Krane, Kenneth S. (2001). Physics (en ingls). New York: John Wiley & Sons. ISBN 0-471-
32057-9.
Serway, Raymond A.; Jewett, John W. (2004). Physics for Scientists and Engineers (en ingls) (6 edicin).
Brooks/Cole. ISBN 0-534-40842-7.
Tipler, Paul A. (2000). Fsica para la ciencia y la tecnologa (2 volmenes). Barcelona: Ed. Revert. ISBN
84-291-4382-3.
Navarro Camacho, Jorge y otros (julio 2007). Cuerpo de Profesores de Enseanza Secundaria ; Matemticas
(Volumen III). MAD. ISBN 84-665-7931-1.
Marsden, J.E.;Tromba, A.J. (2004). Clculo vectorial (5 edicin). Pearson educacin, S.A. ISBN 84-7829-069-
9.
Reinhardt, Fritz;Soeder,Heinrich (1984). Atlas de matemticas 1.Fundamentos,lgebra y geometra (2 tomos).

Alianza universidad. ISBN 84-206-6998-9. Parmetro desconocido |traductores= ignorado (ayuda)
1.1.10 Enlaces externos
Portal:Matemtica. Contenido relacionado con Matemtica.
Portal:Fsica. Contenido relacionado con Fsica.

1.2. ORTOGONALIDAD (MATEMTICAS) 7
Tres planos ortogonales
1.2 Ortogonalidad (matemticas)
En matemticas, el trmino ortogonalidad (del griego orthos recto y gona ngulo) es una generalizacin
de la nocin geomtrica de perpendicularidad. En el espacio eucldeo convencional el trmino ortogonal y el trmino
perpendicular son sinnimos. Sin embargo, en espacios de dimensin nita y en geometras no eucldeas el concepto
de ortogonalidad generaliza al de perpendicularidad.
1.2.1 Ortogonalidad en espacios vectoriales
Denicin
Formalmente, en un espacio vectorial con producto interior V, dos vectores x V e y V son ortogonales si el
producto escalar de x, y es cero. Esta situacin se denota x y . Adems, un conjunto A se dice que es ortogonal
a otro conjunto B, si cualquiera de los vectores de A es ortogonal a cualquiera de los vectores del conjunto B.
Ortogonalidad y perpendicularidad
En geometra eucldea se tiene, dos vectores X e Y ortogonales forman un ngulo recto, los vectores v1 = (3, 4) y
v2 = (4, 3) lo son ya que, v1 , v2 = v1 v2 = 3 4 + 4 (3) = 0 . En espacios no eucldeos puede denirse
de modo abstracto el ngulo entre dos vectores a partir del producto interior.
Ortogonalidad respecto de una matriz (A-ortogonalidad)
Dados dos vectores u1 y u2 pertenecientes a un espacio vectorial de dimensin n y una matriz A de dimensin n n
, si el productor escalar u1 , Au2 , notado u1 , u2 A , es igual a cero, se dice que u1 y u2 son ortogonales respecto
a la matriz A o A-ortogonales. Un conjunto de n vectores {ui }ni=1 se dice que forma una base A-ortonormal si
ui , uj A = ij para todo i, j = 1, ..., n .
1.2.2 Transformacin ortogonal

En Geometra y lgebra lineal, una transformacin : E E de un espacio prehilbertiano (E, , ) en s mismo
donde , representa el producto escalar en E es ortogonal cuando es una aplicacin lineal de E en s mismo
(un automorsmo) de forma que cualesquiera que sean los u, v E se cumple que (u), (v) = u, v .
En particular, el conjunto E puede ser un espacio eucldeo.
En caso de que E sea un espacio vectorial sobre el cuerpo de los nmeros complejos, se dir que es transformacin
unitaria.
1.2.3 Ortogonalidad en otros contextos

El concepto de ortogonalidad puede extenderse a otros objetos geomtricos diferente de los vectores. Por ejemplo
dos curvas suaves se consideran ortogonales en un punto si sus respectivos vectores tangentes son ortogonales. Dos
familias de curvas se llaman ortogonales si en el punto de interseccin de una curva de la primera familia con una curva
de la segunda familia ambas resultan ser ortogonales. Un ejemplo de esto es el de las lneas isostticas de traccin y
compresin en una viga, las cuales son las envolventes de las tensiones principales.
1.2.4 Sistemas de coordenadas ortogonales

Un sistema de coordenadas sobre una variedad de Riemann o un espacio localmente eucldeo es ortogonal cuando
las lneas coordenadas asociadas a los valores constantes de alguna de las coordenadas tienen vectores tangentes que
son ortogonales entre s. Las coordenadas cartesianas, las coordenadas cilndricas y las coordenadas esfricas son
ejemplos de sistemas de coordenadas ortogonales.
Los sistemas de coordenadas ortogonales son interesantes porque el tensor mtrico expresado en ese sistema de
coordenadas es diagonal. Si adems todos los trminos del tensor mtrico son +1 (o tambin 1 si estamos en una
Variedad pseudoriemanniana) el sistema de coordenadas se calica adems de ortonormal.
Los sistemas de coordenadas ortogonales las lneas coordenadas forman familias de curvas ortogonales entre s.
1.2.5 Vase tambin

Base (lgebra)
Base cannica
Base Ortonormal
Combinacin lineal
Espacio vectorial
1.3. ORTONORMAL 9
Producto escalar
Producto vectorial
Producto mixto
Producto tensorial
Sistema generador
Vector normal
1.2.6 Referencias
Weisstein, Eric W. Ortogonal. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
1.3 Ortonormal
Un conjunto de vectores es ortonormal si es a la vez un conjunto ortogonal y la norma de cada uno de sus vectores es
igual a 1. Esta denicin slo tiene sentido si los vectores pertenecen a un espacio vectorial en el que se ha denido
un producto interno, como sucede en los espacios eucldeos En donde el producto interno puede denirse en trminos
de distancias y proyecciones perpendiculares de vectores.
Se pueden dar varios ejemplos:
En el espacio eucldeo tridimensional E 3 = (R3 , ) el conjunto S = {e1 , e2 , e3 } formado por los tres vectores
e1 = (1,0,0), e2 = (0,1,0) y e3 =(0,0,1) es un conjunto ortonormal.
En espacios vectoriales ms abstractos donde puedan denirse ms de un producto interno, un conjunto po-
dra ser ortonormal respecto al primer producto interno, pero no ser ortonormal respecto al segundo producto
interno.
En mecnica cuntica un estado puro de un sistema es una combinacin lineal de un conjunto no nito de
vectores ortonormales.
1.3.1 Ortonormalizacin
Dada una base ortogonal de un espacio es trivial hallar una base ortonormal a partir de la primera dividiendo cada
vector de la base ortogonal original por el valor de su norma.
Ms an dada una base cualquiera, no necesariamente ortogonal, de un espacio vectorial de dimensin nita existe
un procedimiento algortmico sencillo que permite hallar una base ortonormal a partir de una base original, llamado
procedimiento de ortogonalizacin de Gram-Schmidt.
1.3.2 Temas relacionados
Base cannica
Espacio vectorial
Combinacin lineal, Sistema generador, Independencia lineal.
Base (lgebra), Base Ortogonal
Producto escalar, Producto vectorial, Producto mixto, Producto tensorial.

Esquema
1.4 Producto vectorial

En matemticas, el producto vectorial de Gibbs o producto cruz es una operacin binaria entre dos vectores en
un espacio tridimensional. El resultado es un vector perpendicular a los vectores que se multiplican, y por lo tanto
normal al plano que los contiene. Debido a su capacidad de obtener un vector perpendicular a otros dos vectores,
cuyo sentido vara de acuerdo al ngulo formado entre estos dos vectores, esta operacin es aplicada con frecuencia
para resolver problemas matemticos, fsicos o de ingeniera.
1.4.1 Denicin
Sean dos vectores a y b en el espacio vectorial R3 . El producto vectorial entre a y b da como resultado un nuevo
vector, c . El producto vectorial entre a y b se denota mediante a b, por ello se lo llama tambin producto cruz.
En los textos manuscritos, para evitar confusiones con la letra x (equis), es frecuente denotar el producto vectorial
mediante:[1]
a b, ab
El producto vectorial puede denirse de una manera ms compacta de la siguiente manera:
a b = (|a||b| sin ) n

donde n es el vector unitario y ortogonal a los vectores a y b y su direccin est dada por la regla de la mano derecha
y es, como antes, el ngulo entre a y b. A la regla de la mano derecha se la llama a menudo tambin regla del
sacacorchos.
1.4. PRODUCTO VECTORIAL 11
Relaciones entre los vectores.
Producto vectorial de dos vectores
Sean los vectores concurrentes de R3 , el espacio afn tridimensional segn la base anterior. Se dene el producto:
u = ux i + uy j + uz k
v = vx i + vy j + vz k
w = wx i + wy j + wz k
Producto Vectorial segn el angulo entre vectores
Donde w es el producto vectorial de u y v, denido as:
: R3 R3 R3
(u, v) w = u v
donde la ltima frmula se interpreta como:
w = u v = (uy vz uz vy )i + (uz vx ux vz )j + (ux vy uy vx )k
esto es:
wx = uy vz uz vy
wy = uz vx ux vz
wz = ux vy uy vx
Producto vectorial.
Usando una notacin ms compacta, mediante el desarrollo por la primera la de un determinante simblico de orden
3 (simblico ya que los trminos de la primera la no son escalares):

i j k
u uz u uz u uy
w = u v = ux uy uz = y i x j + x k
vx vy vz vx vz vx vy
vy vz
Que da origen a la llamada regla de la mano derecha o regla del sacacorchos: girando el primer vector hacia el segundo
por el ngulo ms pequeo, la direccin de u v es el de un sacacorchos que gire en la misma direccin.
Ejemplo
El producto vectorial de los vectores a = (2, 0, 1) y b = (1, 1, 3) se calcula del siguiente modo:

i j k

c = a b = 2 0 1
1 1 3
Expandiendo el determinante:

0 1
c = a b = i j2 1 + k2 0 = i 5j 2k
1 3 1 3 1 1
Dando como resultado:
c = i 5j 2k
Puede vericarse fcilmente que a b es ortogonal a los vectores a y b efectuando el producto escalar y vericando
que ste es nulo (condicin de perpendicularidad de vectores)
1.4.2 Propiedades
Identidades
Cualesquiera que sean los vectores a , b y c :
1. a b = (b a) , (anticonmutatividad)
2. a (a b) = 0 , cancelacin por ortogonalidad.
3. Si a b = 0 con a = 0 y b = 0 , ab ; esto es, la anulacin del producto vectorial proporciona la condicin
de paralelismo entre dos direcciones.
4. (a + b) c = a c + b c .
5. a (b c) = b(a c) c(a b) , conocida como regla de la expulsin.
6. a (b c) + c (a b) + b (c a) = 0 , conocida como identidad de Jacobi.
7. |a b| = |a||b| sin , en la expresin del trmino de la derecha, sera el mdulo de los vectores a y b , siendo
, el ngulo menor entre los vectores a y b ; esta expresin relaciona al producto vectorial con el rea del
paralelogramo que denen ambos vectores.
8. El mdulo o norma del producto vectorial puede calcularse fcilmente sin hacer el producto vectorial: ab =
( 2 )1/2
a b2 (a b)2
ab
9. El vector unitario n
= |ab| es normal al plano que contiene a los vectores a y b .
Bases ortonormales y producto vectorial
Sea un sistema de referencia S = {O; i, j, k} en el espacio vectorial R3 . Se dice que S es una base ortonormal
derecha si cumple con las siguientes condiciones:
1. i j = j k = k i = 0 ; es decir, los tres vectores son ortogonales entre s.

2. |i| = |j| = |k| = 1 ; es decir, los vectores son vectores unitarios (y por lo tanto, dada la propiedad anterior,
son ortonormales).
3. i j = k , j k = i , k i = j ; es decir, cumplen la regla de la mano derecha.
Vectores axiales
Cuando consideramos dos magnitudes fsicas vectoriales, su producto vectorial es otra mangitud fsica aparentemente
vectorial que tiene un extrao comportamiento respecto a los cambios de sistema de referencia. Los vectores que
presentan esas anomalas se llaman pseudovectores o vectores axiales. Esas anomalas se deben a que no todo ente
formado de tres componentes es un vector fsico.
Dual de Hodge
En el formalismo de la geometra diferencial de las variedades riemannianas la nocin de producto vectorial se puede
reducir a una operacin de dual de Hodge del producto de dos formas diferenciales naturalmente asociadas a dos
vectores. As el producto vectorial es simplemente:
a b = (a b )
Donde a , b denotan las 1-formas naturalmente asociadas a los dos vectores, y denota el operador estrella de
Hodge.
1.4.3 Generalizacin a n dimensiones

Aunque el producto vectorial est denido solamente en tres dimensiones, ste puede generalizarse a n dimensiones,
con n = 0, 1 y slo tendr sentido si se usan n 1 vectores, dependiendo de la dimensin en la que se est. As, por
ejemplo, en dos dimensiones el producto vectorial generalizado slo tiene sentido si se usa un vector, y el resultado
es un vector ortogonal.
Desde un punto de vista tensorial el producto generalizado de n vectores vendr dado por:
a
V a = aa1 ...an1 V1a1 . . . Vn1
n1
1.4.4 Otros productos vectoriales

Dados dos vectores, se denen tres operaciones matemticas de tipo producto entre ellos:
producto escalar
producto vectorial
producto tensorial
El producto escalar de vectores permite determinar ngulos y distancias (vase operador norma) de una forma fcil
y directa. El producto vectorial proporciona un modo para determinar ngulos y reas de paralelogramos denidos
por dos vectores de una forma tal que permitir expresar volmenes fcilmente mediante el llamado producto mixto
de tres vectores.
En el espacio afn bidimensional, R2 , el producto vectorial es una operacin externa, ya que da como resultado un
vector que no pertenece al mismo espacio vectorial, esto es al plano denido por los dos vectores que se operan,
por ser un vector perpendicular a dicho plano. En el espacio afn tridimensional, R3 , el producto vectorial es una
operacin interna.
1.4.5 Vase tambin

Producto escalar
Doble producto vectorial
Producto mixto
Producto tensorial
Espacio vectorial
Combinacin lineal
Sistema generador
Base (lgebra)
Base ortogonal
Base ortonormal
1.4.6 Referencias
[1] Spiegel, 1992, p. 96
Bibliografa
Ortega, Manuel R. (1989-2006). Lecciones de Fsica (4 volmenes). Monytex. ISBN 84-404-4290-4, ISBN 84-
398-9218-7, ISBN 84-398-9219-5, ISBN 84-604-4445-7.
Resnick,Robert & Krane, Kenneth S. (2001). Physics (en ingls). New York: John Wiley & Sons. ISBN 0-471-
32057-9.
Spiegel, M. & Abellanas, L.: "Frmulas y tablas de matemtica aplicada", Ed. McGraw-Hill, 1988. ISBN
84-7615-197-7.
Enlaces externos
Bogomolny, Alexander. Real and Complex Products of Complex Numbers. Interactive Mathematics Misce-
llany and Puzzles (en ingls).
Weisstein, Eric W. Cross Product. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
1.5 Isometra
Una isometra es una aplicacin matemtica entre dos espacios mtricos que conserva las distancias entre los puntos.
Es decir, las isometras son los morsmos de la categora de espacios mtricos.
1.5.1 Denicin
Formalmente si E 1 y E 2 son dos espacios mtricos una isometra viene denida por lo siguiente:
: E1 E2 (x, y) E1 E1 : d1 (x, y) = d2 ((x), (y))
Siendo d1 (,) y d2 (,) las respectivas funciones de distancia en los dos espacios mtricos E 1 y E 2 .
1.5.2 Ejemplos
Una rotacin en el espacio eucldeo es una isometra del espacio eucldeo tridimensional.
El operador de evolucin temporal Ut : S R3 , que describe el movimiento de un slido rgido S es un

grupo uniparamtrico de isometras del espacio eucldeo tridimensional.
Cada operador unitario U t = exp(iHt/)

que da la evolucin de un sistema cuntico cuyo hamiltoniano es H
es una isometra sobre un espacio de Hilbert de dimensin innita.
1.6. GRUPO DE ISOMETRA 17
1.5.3 Grupo de isometra

El conjunto de todas las aplicaciones que son isometras de un conjunto contenido en un espacio mtrico forma un
grupo conocido como grupo de isometra del conjunto. En un espacio eucldeo de dimensin n el grupo de isometra
Giso de cualquier conjunto es un subgrupo del grupo producto formado a partir del grupo ortogonal y el grupo de
traslaciones:
Giso O(n) Rn
1.5.4 Vase tambin

Isometra afn
1.6 Grupo de isometra

El grupo de isometra de un conjunto est formado por todas las transformaciones geomtricas formado por tras-
laciones, rotaciones y reexiones que no alteran las distancias de un conjunto.
En un grupo de isometra, la operacin de grupo viene dada por la composicin de isometras, y el inverso de una
transformacin o operacin de simetra es precisamente la operacin de deshacer dicha operacin.
1.6.1 Grupo de isometra del espacio eucldeo

En el espacio eucldeo Rn podemos denir varias operaciones que no alteran las distancias. As por ejemplo si con-
sideramos un objeto dentro del espacio eucldeo podemos transportarlo a otra posicin y cambiar su orientacin. As
el grupo de isometra est formado por:
Las traslaciones o conjunto de aplicaciones de la forma:

Las rotaciones, que pueden representarse matemticamente el conjunto de aplicaciones de la forma: y = Rx
, donde R es una matriz de determinante 1 que cumple R1 = RT
A estas transformaciones podemos sumarle una transformacin ms abstracta que no podemos realizar con objetos
fsicos reales pero s abstractametne sobre conjuntos del espacio, formada por:
Las reexiones y las composiciones de diversas reexiones. Una reexin puede representarse por una matriz
de determinante 1.
El conjunto de todas las rotaciones y reexiones forma un subgrupo muy importante del grupo de isometras, llamado
grupo ortonormal y designado como O(n) . Matricialmente el grupo de simetra del espacio eucldeo Rn puede
represetnarse por matrices cuadrdas M(n+1)(n+1) del tipo:
[ ]
R vT
TR,v = M(n+1)(n+1)
0 1
donde R O(n) , v Rn .
Subconjunto
Dado un subconjunto del espacio eucldeo de dimensin n, su grupo de isometra Giso es un subgrupo del grupo
producto formado a partir del grupo ortogonal y el grupo de traslaciones:
Giso O(n) Rn
Si el conjunto es acotado entonces se tiene necesariamente:
Giso O(n)
1.6.2 Grupo de isometra de guras geomtricas
Transformaciones que forman el grupo didrico D4
Si una gura geomtrica es nita, es decir, forma un conjunto acotado del espacio eucldeo, entonces el grupo de
isometra no incluye ninguna traslacin y por tanto su grupo de isometra es un subgrupo del espacio O(n) . Si la
gura presenta slo un nmero nito de (hiper)planos de simetra entonces el grupo de isometra ser un grupo nito.
Grupo de isometra de un polgono regular
El grupo de isometra de un polgono regular de n lados est formado por n rotaciones y n reexiones, llamado grupo
didrico D2n , formado por 2n elementos expresables en forma matricial como:
[ ( ) ( )][ ][ ( ) ( )]
cos ( n ) sin( n) (1) 0 cos ( n ) sin( n)
sin n cos n 0 +1 sin n cos n
Grupo de isometra de un crculo
El grupo de isometra de un crculo al existir innitos planos de simetra es precisamente O(2, R) y cualquier sime-
tra de un crculo centrado en el origen puede ser representado por una matriz de la forma:
[ ][ ][ ]
(1) 0 cos sin 1 0
M=
0 1 sin cos 0 (1)
Donde , {0, 1} y [0, 2) R .
Grupo de isometra de un rectngulo
El grupo de isometra de un rectngulo, que no sea un cuadrado, se llama grupo de Klein y est formado por cuatro
elementos: rotacin de 180, reexin segn el eje de simetra vertical, reexin el eje de simetra horizontal y la
identidad (rotacin de 0).
1.6.3 Grupo de isometra de espacios con producto interno

La distancia en ciertos espacios mtricos puede denirse a partir de la norma inducida por un producto interno o
forma cuadrtica mtrica. Un ejemplo de esto son las variedades de Riemann.
De ese modo cualquier aplicacin entre variedades de Riemann en s misma que mantenga inalterado el produc-
to interno de dos campos vectoriales es de hecho una isometra. Eso permite generalizar el concepto de isometra
incluso a espacios que no tienen una distancia bien denida, como las variedades pseudoriemannianas. En una varie-
dad pseudoriemanniana una isometra es una transformacin o aplicacin que mantiene el producto interno de dos
vectores.
1.7. ESPACIO EUCLDEO 19
Grupo de isometra en teora de la relatividad
En la teora de la relatividad un espacio-tiempo se representa por una variedad pseudoriemanniana. Esta variedad en el
caso de la teora especial, puede tener un grupo de isometra continuo dado por un grupo de Lie de dimensin menor
o igual que diez. La dimensin de este grupo de isometra coincide con el nmero de vectores de Killing linealmente
independiente que admite el tensor mtrico de la variedad pseudoriemanniana que dene la forma y propiedades
bsicas del espacio-tiempo.
1.6.4 Vase tambin

Grupo puntual
1.7 Espacio eucldeo

El espacio eucldeo es un tipo de espacio geomtrico donde se satisfacen los axiomas de Euclides de la geometra.
La recta real, el plano eucldeo y el espacio tridimensional de la geometra euclidiana son casos especiales de espa-
cios eucldeos de dimensiones 1, 2 y 3 respectivamente. El concepto abstracto de espacio eucldeo generaliza esas
construcciones a ms dimensiones. Un espacio eucldeo es un espacio vectorial completo dotado de un producto in-
terno (lo cual lo convierte adems en un espacio normado, un espacio mtrico y una variedad riemanniana al mismo
tiempo).
El trmino eucldeo se utiliza para distinguir estos espacios de los espacios curvos de las geometras no euclidianas
y del espacio de la teora de la relatividad de Einstein. Para resaltar el hecho de que un espacio eucldeo puede poseer
n dimensiones, se suele hablar de espacio eucldeo n-dimensional (denotado En ,E n , o incluso Rn ).
1.7.1 Introduccin
Un espacio eucldeo es un espacio vectorial normado sobre los nmeros reales de dimensin nita, en que la norma es
la asociada al producto escalar ordinario. Para cada nmero entero no negativo n, el espacio eucldeo n-dimensional
se representa por el smbolo Rn y es el conjunto de todas las tuplas ordenadas
(x1 , x2 , . . . , xn )
en donde cada xi es un nmero real, junto con la funcin distancia entre dos puntos (x1 , ..., xn) e (y1 , ..., yn) denida
por la frmula:
n
d(x, y) = x y = i=1 (xi yi )2
Esta funcin distancia es una generalizacin del teorema de Pitgoras y se denomina Distancia euclidiana.
1.7.2 Estructuras sobre el espacio eucldeo

Los espacios euclidianos y sus propiedades han servido de base para generar gran cantidad de conceptos matem-
ticos relacionados con la geometra analtica, la topologa, el lgebra y el clculo. Aunque el espacio eucldeo suele
ser introducido, por razones didcticas, como espacio vectorial, en realidad sobre l se pueden denir muchas ms
estructuras. El espacio eucldeo es adems de un espacio vectorial un caso de:
Un espacio de Hilbert de dimensin nita, con el producto escalar ordinario.

Un espacio de Banach de dimensin nita, con norma inducida por el producto escalar interior.
Un espacio mtrico completo, con distancia inducida por la norma anterior.
Un espacio topolgico, inducido por la mtrica eucldea.
Un grupo de Lie, con la operacin de adicin.
Un lgebra de Lie con el producto vectorial.
El espacio eucldeo como espacio mtrico
Por denicin, E n es un espacio mtrico, y es por tanto tambin un espacio topolgico; es el ejemplo prototpico de
una n-variedad, y es de hecho una n-variedad diferenciable. Para n 4, cualquier n-variedad diferenciable que sea
homeomorfa a E n es tambin difeomorfa a ella. El hecho sorprendente es que esto no es cierto tambin para n = 4, lo
que fue probado por Simon Donaldson en el ao 1982; los contraejemplos se llaman 4-espacios exticos (o falsos).
El espacio eucldeo como espacio topolgico
Se puede decir mucho sobre la topologa de E n . Un resultado importante, la invariancia del dominio de Brouwer, es
el de que cualquier subconjunto de E n que sea homeomorfo a un subconjunto abierto de E n es en s mismo abierto.
Como consecuencia inmediata de esto se tiene que E m no es homeomorfo a E n si m n -- un resultado intuitivamente
obvio que sin embargo no es fcil de demostrar.
El espacio eucldeo como espacio vectorial
El n-espacio eucldeo se puede considerar tambin como un Espacio vectorial n-dimensional real, de hecho un Espacio
de Hilbert, de manera natural. El producto escalar, de x = (x1 ,...,xn) e y = (y1 ,...,yn) est dado por:

n
xy= xi yi = x1 y1 + x2 y2 + + xn yn
i=1
1.7.3 Vase tambin

Geometra euclidiana
Geometra analtica
Medida de Lebesgue
1.7.4 Referencias
Kelley, John L. (1975). General Topology. Springer-Verlag. ISBN 0-387-90125-6.
Munkres, James (1999). Topology. Prentice-Hall. ISBN 0-13-181629-2.

Captulo 2
Diagonalizacin y Forma de Jordan
2.1 Vector propio y valor propio
Fig. 1. En esta transformacin de la Mona Lisa, la imagen se ha deformado de tal forma que su eje vertical no ha cambiado. (nota:
se han recortado las esquinas en la imagen de la derecha). El vector azul, representado por la echa azul que va desde el pecho
hasta el hombro, ha cambiado de direccin, mientras que el rojo, representado por la echa roja, no ha cambiado. El vector rojo es
entonces un vector propio de la transformacin, mientras que el azul no lo es. Dado que el vector rojo no ha cambiado de longitud,
su valor propio es 1. Todos los vectores de esta misma direccin son vectores propios, con el mismo valor propio. Forman el espacio
propio de este valor propio.
En lgebra lineal, los vectores propios, autovectores o eigenvectores de un operador lineal son los vectores no
21
22 CAPTULO 2. DIAGONALIZACIN Y FORMA DE JORDAN
nulos que, cuando son transformados por el operador, dan lugar a un mltiplo escalar de s mismos, con lo que no
cambian su direccin. Este escalar recibe el nombre valor propio, autovalor, valor caracterstico o eigenvalor.
A menudo, una transformacin queda completamente determinada por sus vectores propios y valores propios. Un
espacio propio, autoespacio, eigenespacio o subespacio fundamental asociado al valor propio es el conjunto
de vectores propios con un valor propio comn.
La palabra alemana eigen, que se traduce en espaol como propio, se us por primera vez en este contexto por
David Hilbert en 1904 (aunque Helmholtz la us previamente con un signicado parecido). Eigen se ha traducido
tambin como inherente, caracterstico o el prejo auto-, donde se aprecia el nfasis en la importancia de los valores
propios para denir la naturaleza nica de una determinada transformacin lineal. Las denominaciones vector y valor
caractersticos tambin se utilizan habitualmente.
2.1.1 Introduccin
Las transformaciones lineales del espacio como la rotacin, la reexin, el ensanchamiento, o cualquier combi-
nacin de las anteriores; en esta lista podran incluirse otras transformaciones pueden interpretarse mediante el
efecto que producen en los vectores. Los vectores pueden visualizarse como echas de una cierta longitud apuntando
en una direccin y sentido determinados.
Los vectores propios de las transformaciones lineales son vectores que, o no se ven afectados por la transfor-
macin o se ven multiplicados por un escalar, y por tanto no varan su direccin.[1]
El valor propio de un vector propio es el factor de escala por el que ha sido multiplicado.
Un espacio propio es un espacio formado por todos los vectores propios del mismo valor propio, adems del
vector nulo, que no es un vector propio.
La multiplicidad geomtrica de un valor propio es la dimensin del espacio propio asociado.
El espectro de una transformacin en espacios vectoriales nitos es el conjunto de todos sus valores propios.
Por ejemplo, un vector propio de una rotacin en tres dimensiones es un vector situado en el eje de rotacin sobre
el cual se realiza la rotacin. El valor propio correspondiente es 1 y el espacio propio es el eje de giro. Como es un
espacio de una dimensin, su multiplicidad geomtrica es uno. Es el nico valor propio del espectro (de esta rotacin)
que es un nmero real.
Denicin
Formalmente, se denen los vectores propios y valores propios de la siguiente manera: Si A: V V es un operador
lineal en un cierto K espacio vectorial V, v0 es un vector diferente de cero en V y c es un escalar tales que
Av = cv, v = 0, c K,
entonces decimos que v es un vector propio del operador A, y su valor propio asociado es c. Observe que si v es un
vector propio con el valor propio c entonces cualquier mltiplo diferente de cero de v es tambin un vector propio
con el valor propio c. De hecho, todos los vectores propios con el valor propio asociado c junto con 0, forman un
subespacio de V, el espacio propio para el valor propio c. Observe adems que un espacio propio Z es un subespacio
invariante de A, es decir dado w un vector en Z, el vector Aw tambin pertenece a Z.
2.1.2 Ejemplos
A medida que la Tierra rota, los vectores en el eje de rotacin permanecen invariantes. Si se considera la transfor-
macin lineal que sufre la Tierra tras una hora de rotacin, una echa que partiera del centro de la Tierra al polo
Sur geogrco sera un vector propio de esta transformacin, pero una echa que partiera del centro a un punto del
ecuador no sera un vector propio. Dado que la echa que apunta al polo no cambia de longitud por la rotacin, su
valor propio es 1.
2.1. VECTOR PROPIO Y VALOR PROPIO 23
Otro ejemplo sera una lmina de metal que se expandiera uniformemente a partir de un punto de tal manera que las
distancias desde cualquier punto al punto jo se duplicasen. Esta expansin es una transformacin con valor propio
2. Cada vector desde el punto jo a cualquier otro es un vector propio, y el espacio propio es el conjunto de todos
esos vectores.
Una onda estacionaria en una cuerda ja en sus cabos o, ms concretamente, una funcin propia de la transformacin corres-
pondiente al transcurso del tiempo. A medida que vara el tiempo, la onda estacionaria vara en amplitud, pero su perodo no se
modica. En este caso el valor propio es dependiente del tiempo.
Sin embargo, el espacio geomtrico tridimensional no es el nico espacio vectorial. Por ejemplo, considrese una
cuerda sujeta por sus extremos, como la de un instrumento de cuerda (mostrada a la derecha). La distancia de los
tomos de la cuerda vibrante desde sus posiciones cuando sta est en reposo pueden interpretarse como componentes
de un vector en el espacio con tantas dimensiones como tomos tenga dicha cuerda.
Si se supone que la cuerda es un medio continuo y se considera la transformacin de la cuerda en el transcurso del
tiempo, sus vectores propios o funciones propias son sus ondas estacionariaslo que, mediante la intervencin del
aire circundante, se puede interpretar como el resultado de taer una guitarra. Las ondas estacionarias corresponden
a oscilaciones particulares de la cuerda tales que la forma de la cuerda se escala por un factor (el valor propio) con
el paso del tiempo. Cada componente del vector asociado con la cuerda se multiplica por este factor dependiente
del tiempo. Las amplitudes (valores propios) de las ondas estacionarias decrecen con el tiempo si se considera la
atenuacin. En este caso se puede asociar un tiempo de vida al vector propio, y relacionar el concepto de vector
propio con el concepto de resonancia.
2.1.3 Casos de inters especial

Intuitivamente, para las transformaciones lineales del espacio de dos dimensiones R2 , los vectores propios son:
rotacin: ningn vector propio de valores reales (existen en cambio pares valor propio, vector propio complejos).
reexin: los vectores propios son perpendiculares y paralelos al eje de simetra, los valores propios son 1 y
1, respectivamente.
escalado uniforme: todos los vectores son vectores propios, y el valor propio es el factor de escala.
proyeccin sobre una recta: los vectores propios con el valor propio 1 son paralelos a la lnea, vectores propios
con el valor propio 0 son paralelos a la direccin de la proyeccin
2.1.4 Ecuacin del valor propio o autovalor

Matemticamente, v es un vector propio y el valor propio correspondiente de una transformacin T si verica la
ecuacin:
T (v ) = v
donde T(v) es el vector obtenido al aplicar la transformacin T a v.

Supngase que T es una transformacin lineal (lo que signica que T (av + bw) = aT (v) + bT (w) para todos los
escalares a, b, y los vectores v, w). Considrese una base en ese espacio vectorial. Entonces, T y v pueden repre-
sentarse en relacin a esa base mediante una matriz AT y un vector columna vun vector vertical unidimensional.
La ecuacin de valor propio en esta representacin matricial se representa de la siguiente forma:
AT v = v
donde la yuxtaposicin es un producto de matrices. Dado que en esta circunstancia la transformacin T y su repre-
sentacin matricial AT son equivalentes, a menudo podemos emplear slo T para la representacin matricial y la
transformacin. Esto es equivalente a un conjunto de n combinaciones lineales, donde n es el nmero de vectores de
la base. En esta ecuacin, tanto el autovalor y las n componentes de v son desconocidos. Sin embargo, a veces
es poco natural o incluso imposible escribir la ecuacin de autovector en forma matricial. Esto ocurre, por ejemplo,
cuando el espacio vectorial es de dimensin innita, como por ejemplo en el caso de la cuerda mostrada anteriormen-
te. Dependiendo de la naturaleza de la transformacin T y el espacio al que se aplica, puede ser ventajoso representar
la ecuacin de autovalor como un conjunto de ecuaciones diferenciales, donde los autovectores reciben a menudo
el nombre de autofunciones del operador diferencial que representa a T. Por ejemplo, la derivacin misma es una
transformacin lineal, ya que (si f(t) y g(t) son funciones derivables y a y b son constantes)
d df dg
(af + bg) = a + b
dt dt dt
Considrese la diferenciacin con respecto a t . Sus autofunciones h(t) obedecen a la ecuacin de autovalor:
dh
= h
dt
donde es el autovalor asociado con la funcin. Una funcin en el tiempo es constante si = 0 , crece proporcio-
nalmente a s misma si es positiva, y decrece proporcionalmente a s misma si es negativa. Por ejemplo, una
poblacin ideal de conejos engendra con ms frecuencia a medida que hay ms conejos, y por tanto satisface la
ecuacin para lambda positivo.
La solucin a la ecuacin de valor propio es g(t) = exp(t) , la funcin exponencial; pues esa funcin es una funcin
propia del operador diferencial d/dt con el valor propio . Si es negativa, la evolucin de g se denomina decaimiento
exponencial; si es positiva se denomina crecimiento exponencial. El valor de puede ser cualquier nmero complejo.
El espectro de d/dt es entonces el plano complejo en su totalidad. En este ejemplo el espacio vectorial en el que acta
d/dt es el espacio de las funciones derivables de una variable. Este espacio tiene una dimensin innita (pues no es
posible expresar cada funcin diferenciable como combinacin lineal de un nmero nito de funciones base). No
obstante, el espacio propio asociado a un valor propio determinado es unidimensional. Es el conjunto de todas las
funciones g(t) = A exp(t) , donde A es una constante arbitraria, la poblacin inicial en t=0.
2.1.5 Teorema espectral
El teorema espectral muestra la importancia de los valores propios y vectores propios para caracterizar una transfor-
macin lineal de forma nica. En su versin ms simple, el teorema espectral establece que, bajo unas condiciones
determinadas, una transformacin lineal puede expresarse como la combinacin lineal de los vectores propios con
coecientes de valor igual a los valores propios por el producto escalar de los vectores propios por el vector al que se
aplica la transformacin, lo que puede escribirse como:
T (v) = 1 (v1 v)v1 + 2 (v2 v)v2 + . . .
donde v1 , v2 , . . . y 1 , 2 , . . . representan a los vectores propios y valores propios de T . El caso ms simple en el

que tiene validez el teorema es cuando la transformacin lineal viene dada por una matriz simtrica real o una matriz
hermtica compleja.
Si se dene la ensima potencia de una transformacin como el resultado de aplicarla n veces sucesivas, se puede
denir tambin el polinomio de las transformaciones. Una versin ms general del teorema es que cualquier polinomio
P de T es igual a:
P (T )(v) = P (1 )(v1 v)v1 + P (2 )(v2 v)v2 + . . .
El teorema puede extenderse a otras funciones o transformaciones tales como funciones analticas, siendo el caso ms
general las funciones de Borel.
2.1.6 Vectores propios y valores propios de matrices

Clculo de valores propios y vectores propios de matrices
Si se quiere calcular los valores propios de una matriz dada y sta es pequea, se puede calcular simblicamente
usando el polinomio caracterstico. Sin embargo, a menudo resulta imposible para matrices extensas, caso en el que
se debe usar un mtodo numrico.
Clculo simblico
Clculo de los valores propios
Una herramienta importante para encontrar valores propios de matrices cuadradas es el polinomio caracterstico:
decir que es un valor propio de A es equivalente a decir que el sistema de ecuaciones lineales A v = v A v - v
= 0 (factorizando por v queda) (A - I) v = 0 (donde I es la matriz identidad) tiene una solucin no nula v (un vector
propio), y de esta forma es equivalente al determinante:
det(A I) = 0
La funcin p() = det(A - I) es un polinomio de pues los determinantes se denen como sumas de productos. ste
es el polinomio caracterstico de A: los valores propios de una matriz son los ceros de su polinomio caracterstico.
Todos los valores propios de una matriz A pueden calcularse resolviendo la ecuacin pA () = 0 .
Si A es una matriz nn, entonces pA tiene grado n y A tiene como mximo n valores propios.
El teorema fundamental del lgebra dice que esta ecuacin tiene exactamente n races (ceros), teniendo en cuenta su
multiplicidad. Todos los polinomios reales de grado impar tienen un nmero real como raz, as que para n impar
toda matriz real tiene al menos valor propio real. En el caso de las matrices reales, para n par e impar, los valores
propios no reales son pares conjugados.
Clculo de los vectores propios
Una vez que se conocen los valores propios , los vectores propios se pueden hallar resolviendo el sistema de ecua-
ciones homogneo:
(A I)v = 0
Una forma ms sencilla de obtener vectores propios sin resolver un sistema de ecuaciones lineales se basa en el
teorema de Cayley-Hamilton que establece que cada matriz cuadrada satisface su propio polinomio caracterstico.
As, si 1 , 2 , ..., n son los valores propios de A se cumple que
(A 1 I)(A 2 I)...(A n I) = 0
por lo que los vectores columna de (A 2 I)...(A n I) son vectores propios de 1 .

Ejemplo de matriz sin valores propios reales
Un ejemplo de matriz sin valores propios reales es la rotacin de 90 grados en el sentido de las manecillas del reloj:
[ ]
0 1
1 0
cuyo polinomio caracterstico es 2 1 y sus valores propios son el par de conjugados complejos i, -i. Los vectores
propios asociados tampoco son reales.
Ejemplo
Considrese la matriz

0 1 1
A= 1 1 0
1 0 1
que representa un operador lineal R R. Si se desea computar todos los valores propios de A, se podra empezar
determinando el polinomio caracterstico:

x 1 1

p(x) = det(A xI) = det 1 1x 0
1 0 1x
= x3 + 2x2 + x 2
y porque p(x) = - (x - 2)(x - 1)(x + 1) se ve que los valores propios de A son 2, 1 y 1. El teorema de Cayley-Hamilton
establece que cada matriz cuadrada satisface su propio polinomio caracterstico. Es decir
(A 2I)(A I)(A + I) = 0
Efectivamente, para el caso del valor propio 2, se puede comprobar que

1 1 1 1 1 1 1 1 1
(A I)(A + I) = 1 0 0 1 2 0= 1 1 1
1 0 0 1 0 2 1 1 1
de donde (1, 1, 1) es un vector propio asociado a 2.

1 2 1
A 1 = 2 = 2 1
1 2 1
Clculo numrico En la prctica, los valores propios de las matrices extensas no se calculan usando el polinomio
caracterstico. Calcular el polinomio resulta muy costoso, y extraer las races exactas de un polinomio de grado alto
puede ser difcil de calcular y expresar: el teorema de Abel-Runi implica que las races de los polinomios de grado
alto (5 o superior) no pueden expresarse usndose simplemente races ensimas. Existen algoritmos ecientes para
aproximar races de polinomios, pero pequeos errores en la estimacin de los valores propios pueden dar lugar a
errores grandes en los vectores propios. En consecuencia, los algoritmos generales para encontrar vectores propios y
valores propios son iterativos. La manera ms fcil es el mtodo de las potencias: se escoge un vector aleatorio v y se
calcula una secuencia de vectores unitarios:
Av A2 v A3 v
Av , A2 v , A3 v ,...
Esta sucesin casi siempre converger a un vector propio correspondiente al mayor valor propio. Este algoritmo es
sencillo, pero no demasiado til aisladamente. Sin embargo, hay mtodos ms populares, como la descomposicin
QR, que se basan en l.
Propiedades
Multiplicidad algebraica La multiplicidad algebraica de un valor propio de A es el orden de como cero del
polinomio caracterstico de A; en otras palabras, si es una de las races del polinomio, es el nmero de factores (t
) en el polinomio caracterstico tras la factorizacin. Una matriz nn tiene n valores propios, contados de acuerdo
con su multiplicidad algebraica, ya que su polinomio caracterstico tiene grado n.
Un valor propio de multiplicidad algebraica 1 recibe el nombre de valor propio simple.
Por ejemplo, se pueden encontrar exposiciones como la siguiente en artculos de teora de matrices:
los valores propios de una matriz A son 4,4,3,3,3,2,2,1,
lo que signica que la multiplicidad algebraica de 4 es dos, la de 3 es tres, la de 2 es dos y la de 1 es uno. Se emplea
este estilo porque la multiplicidad algebraica es la clave de muchas demostraciones matemticas en teora de matrices.
Anteriormente se ha denido la multiplicidad geomtrica de un valor propio como la dimensin del espacio propio
asociado, o el ncleo (espacio propio de los vectores propios del valor propio nulo) de I - A. La multiplicidad alge-
braica tambin puede entenderse como una dimensin: es la dimensin del espacio propio generalizado (1.er sentido)
asociado, que es el ncleo de la matriz (I - A)k para k sucientemente grande. Es decir, es el espacio de los vectores
propios generalizados (1.er sentido), donde un vector propio generalizado es cualquier vector que toma valor 0 s I -
A se aplica sucientes veces en sucesin. Cualquier vector propio es un vector propio generalizado, as que cualquier
espacio propio est contenido en el espacio propio generalizado asociado. Esto proporciona una demostracin simple
de que la multiplicidad geomtrica es siempre menor o igual a la algebraica. El primer sentido no debe de confundirse
con el problema de valores propios generalizados tal y como se muestra ms adelante.
Por ejemplo:
[ ]
1 1
A= .
0 1
Slo tiene un valor propio = 1. El polinomio caracterstico es ( 1)2 , as que este valor propio tiene multiplicidad
algebraica 2. Sin embargo,
[ ] el espacio propio asociado es el eje, que normalmente recibe el nombre de eje x, generado
1
por el vector unitario , as que la multiplicidad geomtrica es 1.
0
Los vectores propios generalizados pueden usarse para calcular la forma normal de Jordan de una matriz (comentado
ms adelante). El hecho de que los bloques de Jordan en general no son diagonales sino nilpotentes est directamente
relacionado con la distincin entre vectores propios y vectores propios generalizados.
Teoremas de descomposicin para matrices generales El teorema de descomposicin es una versin del teore-
ma espectral en una clase concreta de matrices. Este teorema se explica normalmente en trminos de transformacin
coordinada. Si U es una matriz invertible, puede verse como una transformacin entre un sistema de coordenadas a
otro, donde las columnas de U son las componentes de la nueva base de vectores expresados en trminos de la base
anterior. En este nuevo sistema las coordenadas del vector v se representan por v , que puede obtenerse mediante
la relacin v = U v y, por otra parte, se tiene v = U 1 v . Aplicando sucesivamente v = U v , w = U w y
U 1 U = I , a la relacin Av = w proporciona A v = w con A = U AU 1 , la representacin de A en la nueva
base. En esta situacin, se dice que las matrices A y A son semejantes.
El teorema de descomposicin declara que, si se eligen como columnas de U 1 n vectores propios linealmente
independientes de A, la nueva matriz A = U AU 1 es diagonal y sus elementos en la diagonal son los valores
propios de A. Si esto es posible, entonces A es una matriz diagonalizable. Un ejemplo de una matriz no diagonalizable
es la matriz A ya mostrada:
[ ]
1 1
A= .
0 1
Hay muchas generalizaciones de esta descomposicin que pueden tratar con el caso no diagonalizable, diseadas con
diferentes propsitos:
la descomposicin de Schur declara que toda matriz es equivalente a una matriz triangular.
la descomposicin en valores singulares, A = U V donde es diagonal con U y V matrices unitarias, los

elementos de la diagonal de A = U V no son negativos y reciben el nombre de valores singulares de A. Esta
descomposicin tambin puede hacerse en matrices no cuadradas.
la forma normal de Jordan, donde A = XX 1 y no es diagonal sino diagonal por bloques. El nmero
y tamao de los bloques de Jordan estn determinados por las multiplicidades geomtrica y algebraica de los
valores propios. La descomposicin de Jordan es un resultado fundamental. A partir de ella se puede deducir
inmediatamente que una matriz cuadrada est descrita completamente por sus valores propios, incluyendo la
multiplicidad. Esto muestra matemticamente el importante papel que desempean los valores propios en el
estudio de matrices.
como consecuencia inmediata de la descomposicin de Jordan, cualquier matriz A puede escribirse de forma
nica como A=S + N donde S es diagonalizable, N es nilpotente (por ejemplo, tal que Nq =0 para un cierto q),
y S cumple la propiedad conmutativa del producto (SN=NS).
Otras propiedades de los valores propios El espectro es invariante bajo transformaciones semejantes: las matrices
A y P 1 AP tienen los mismos valores propios para cualquier matriz A y cualquier matriz invertible P. El espectro es
tambin invariante a la trasposicin de las matrices: A y A T tienen los mismos valores propios.
Dado que una transformacin lineal en espacios de dimensiones nitas es biyectiva si y slo si es inyectiva, una matriz
es invertible si y slo si cero no es un valor propio de la matriz.
Otras consecuencias de la descomposicin de Jordan son:
una matriz es matriz diagonalizable si y slo si las multiplicidades geomtrica y algebraica coinciden para
todos sus valores propios. En particular una matriz nn que tiene n valores propios diferentes es siempre dia-
gonalizable;
Dado que la traza, o la suma de elementos de la diagonal principal de una matriz se preserva en la equivalencia
unitaria, la forma normal de Jordan constata que es igual a la suma de sus valores propios.
De forma similar, dado que los valores propios de una matriz triangular son las entradas de la diagonal prin-
cipal su determinante es igual al producto de los valores propios (contados de acuerdo con su multiplicidad
algebraica).
Algunos ejemplos de la localizacin del espectro de ciertas subclases de matrices normales son:
Todos los valores propios de una matriz hermtica (A = A* ) son reales. Adems, todos los valores propios de
una matriz denida positiva son positivos;
Todos los valores propios de una matriz antihermtica (A = A* ) son imaginarios puros;
Todos los valores propios de una matriz unitaria (A1 = A* ) tienen valor absoluto uno;
Si A es una matriz mn con m n, y B es una matriz nm, entonces BA tiene los mismos valores propios de AB ms
n m valores propios nulos.
A cada matriz se le puede asociar una norma vectorial, que depende de la norma de su dominio, el operador norma
de una matriz cuadrada es una cota superior del mdulo de sus valores propios, y por tanto de su radio espectral. Esta
norma est directamente relacionada con el mtodo de las potencias para calcular el valor propio de mayor mdulo.
Para matrices normales, el operador norma (la norma eucldea) es el mayor mdulo entre de sus valores propios.
Vector propio conjugado
Un vector propio conjugado es un vector que tras la transformacin pasa a ser un mltiple escalar de su conjugado,
donde el escalar recibe el nombre de valor propio conjugado de la transformacin lineal. Los vectores propios y
valores propios conjugados representan esencialmente la misma informacin y signicado que los vectores propios y
valores propios, pero aparecen cuando se utiliza un sistema de coordenadas alternativo. La ecuacin correspondiente
es:
Av = v .
Por ejemplo, en teora de electromagnetismo disperso, la transformacin lineal A representa la accin efectuada por
el objeto dispersor, y los vectores propios representan los estados de polarizacin de la onda electromagntica. En
ptica, el sistema coordenado se dene a partir del punto de vista de la onda, y lleva a una ecuacin de valor propio
regular, mientras que en radar, el sistema coordenado se dene desde el punto de vista del radar, y da lugar a una
ecuacin de valor propio conjugado.
Problema de valor propio generalizado
Un problema de valor propio generalizado (2 sentido) es de la forma
Av = Bv
donde A y B son matrices. Los valores propios generalizados (2 sentido) pueden obtenerse resolviendo la ecuacin
det(A B) = 0.
El conjunto de matrices de la forma A B , donde es un nmero complejo, recibe el nombre de lpiz si B es

invertible, entonces el problema original puede escribirse en la forma
B 1 Av = v
que es un problema de valores propios estndar. Sin embargo, en la mayora de situaciones es preferible no realizar
la inversin, y resolver el problema de valor propio generalizado con la conguracin original.
Si A y B son matrices simtricas con entradas reales, entonces los valores propios son reales. Esto se aprecia tan
fcilmente a partir de la segunda formulacin equivalente, pues la matriz B 1 A no es necesariamente simtrica si A
y B lo son.
La aplicacin de moleculares orbitales expuesta ms adelante proporciona un ejemplo de este caso.
Entradas de un anillo
En una matriz cuadrada A con entradas de un anillo, recibe el nombre de valor propio por la derecha si existe un
vector columna x tal que Ax=x, o un valor propio por la izquierda si existe un vector la no nulo y tal que yA=y.
Si el anillo es conmutativo, los valores propios por la izquierda son iguales a los valores propios por la derecha y se
les llama simplemente valores propios.
2.1.7 Espacios de dimensin innita
Si el espacio vectorial es de dimensin innita, la nocin de valores propios puede generalizarse al concepto de
1
espectro. El espectro es el conjunto de escalares para el que (T Id) , no est denido, esto es, tal que T Id
no tiene inversa acotada.
Fig. 3. Espectro de absorcin de un tomo de calcio. Los picos corresponden, en teora, al espectro discreto (series de Rydberg) del
hamiltoniano; la amplia estructura de la derecha se asocia al espectro continuo (ionizacin). Los resultados experimentales asociados
se han obtenido midiendo la intensidad de los rayos X absorbidos por un gas de tomos como funcin de la energa de incidencia
de los fotones en eV.[2]
Si es un valor propio de T, est en el espectro de T. En general, el recproco no es verdadero. Hay operadores en

los espacios de Hilbert o Banach que no tienen vectores propios. Por ejemplo, tmese un desplazamiento bilateral en
el espacio de Hilbert 2 (Z) ; ningn vector propio potencial puede ser cuadrado-sumable, as que no existe ninguno.
Sin embargo, cualquier operador lineal acotado en un espacio de Banach V tiene espectro no vaco. El espectro (T )
del operador T V V se dene como
(T ) = { C : (Id T ) no es invertible }.
Entonces (T) es un conjunto compacto de nmeros complejos, y es no vaco. Cuando T es un operador compacto
(y en particular cuando T es un operador entre espacios nito-dimensionales como arriba), el espectro de T es igual
que el conjunto de sus valores propios.
En espacios de dimensin innita, el espectro de un operador acotado es siempre no vaco, lo que tambin se cumple
para operadores adjuntos propios no acotados. A travs de su medida espectral, el espectro de cualquier operador
adjunto propio, acotado o no, puede descomponerse en sus partes absolutamente continua, discreta, y singular. El
crecimiento exponencial proporciona un ejemplo de un espectro continuo, como en el caso anterior de la cuerda
vibrante. El tomo de hidrgeno es un ejemplo en el que aparecen ambos tipos de espectro. El estado ligado del tomo
de hidrgeno corresponde a la parte discreta del espectro, mientras que el proceso de ionizacin queda descrito por
la parte continua.
2.1.8 Aplicaciones
Ecuacin de Schrdinger
Un ejemplo de una ecuacin de valor propio donde la transformacin T se representa en trminos de un operador
diferencial es la ecuacin de Schrdinger independiente del tiempo de la mecnica cuntica:
HE = EE
Donde H, el Hamiltoniano, es un operador diferencial de segundo orden y E la funcin de onda, es una de las
funciones propias correspondientes al valor propio E, interpretado como la energa.
Sin embargo, en caso de que slo se busquen soluciones para los estados ligados de la ecuacin de Schrdinger, como
suele ser el caso en qumica cuntica, se buscar E en el espacio de las funciones de cuadrado integrable. Dado que
este espacio es un espacio de Hilbert, con un producto escalar bien denido, podemos introducir una base en la que
se puede representar E y H como un vector unidimensional y una matriz respectivamente. Esto permite representar
la ecuacin de Schrdinger en forma matricial.
La notacin bra-ket, utilizada a menudo en este contexto, pone nfasis en la diferencia entre el vector o estado |E
y su representacin, la funcin E . En este contexto se escribe la ecuacin de Schrdinger
H|E = E|E
La funcin de onda asociada a los estados ligados de un electrn en un tomo de hidrgeno puede verse como los vectores propios
del tomo de hidrgeno hamiltoniano as como al operador momento angular. Est asociada a los valores propios interpretados
como sus energas (incrementndose segn n=1,2,3,...) y al momento angular (incrementndose segn s,p,d,...). Aqu se muestra el
cuadrado del valor absoluto de las funciones de onda. Las reas ms iluminadas corresponden a densidades de probabilidad ms
altas para una posicin. El centro de cada gura es el ncleo atmico, un protn.
y se llama a |E un estado propio de H (que a veces se representa como H en algunos libros de texto) que puede
interpretarse como una transformacin en lugar de una representacin particular en trminos de operadores diferen-
ciales. En la ecuacin expuesta, H|E se interpreta como el vector obtenido por aplicacin de la transformacin H
a |E .
Orbitales moleculares
En mecnica cuntica, y en particular en fsica atmica y molecular, y en el contexto de la teora de Hartree-Fock,

los orbitales atmicos y moleculares pueden denirse por los vectores propios del operador de Fock. Los valores
propios correspondientes son interpretados como potenciales de ionizacin a travs del teorema de Koopmans. En
este caso, el trmino vector propio se usa con un signicado ms general, pues el operador de Fock es explcitamente
dependiente de los orbitales y sus valores propios. Si se quiere subrayar este aspecto se habla de ecuacin de valores
propios implcitos. Tales ecuaciones se resuelven normalmente mediante un proceso iterativo, llamado mtodo de
campo consistente propio. En qumica cuntica a menudo se representa la ecuacin de Hartree-Fock en una base
no ortogonal. Esta representacin particular es un problema de valor propio generalizado que tiene el nombre de
ecuaciones de Roothaan.
Anlisis factorial
En anlisis factorial, los valores propios de la matriz de covarianza corresponden a los factores, y los valores propios
a las cargas. El anlisis factorial es una tcnica estadstica usada en ciencias sociales y mercadotecnia, gestin de
producto, investigacin operativa y otras ciencias aplicadas que tratan con grandes cantidades de datos. El objetivo
es explicar la mayor parte de la variabilidad entre varias variables aleatorias observables en trminos de un nmero
menor de variables aleatorias no observables llamadas factores. Las variables aleatorias no observables se modelan
como combinaciones lineales de los factores ms trminos de errores.
Caras propias, un ejemplo del uso de vectores propios.
Caras propias
En procesado de imagen, las imgenes procesadas de caras pueden verse como vectores cuyas componentes son la
luminancia de cada pxel. La dimensin de este espacio vectorial es el nmero de pxeles. Los vectores propios de la
matriz de covarianza asociada a un conjunto amplio de imgenes normalizadas de rostros se llaman caras propias. Son
muy tiles para expresar una imagen de un rostro como la combinacin lineal de otras. Las caras propias proporcionan
un medio de aplicar compresin de datos a los rostros, para propsitos de biometra.
Tensor de inercia
En mecnica, los vectores propios del momento de inercia denen los ejes principales de un cuerpo rgido. El tensor
de inercia es necesario para determinar la rotacin de un cuerpo rgido alrededor de su centro de masa. Los valores
propios denen los momentos mximos y mnimos obtenidos mediante el crculo de Mohr.
Tensor de tensin
En mecnica de slidos deformables, el tensor de tensin es simtrico, as que puede descomponerse en un tensor
diagonal cuyos valores propios en la diagonal y los vectores propios forman una base.
Valores propios de un grafo
En teora espectral de grafos, un valor propio de un grafo se dene como un valor propio de la matriz de adyacencia
del grafo A, o de la matriz Laplaciana del grafo I T 1/2 AT 1/2 , donde T es una matriz diagonal que contiene
el grado de cada vrtice, y en T 1/2 , 0 se substituye por 01/2 . El vector propio principal de un grafo se usa para
medir la centralidad de sus vrtices. Un ejemplo es el algoritmo PageRank de Google. El vector propio principal de
una matriz de adyacencia modicada del grafo de la web da el page rank en sus componentes.
2.1.9 Referencias
Cohen-Tannoudji, Claude. Quantum Mechanics, Wiley (1977). ISBN 0-471-16432-1. Captulo II: The mat-
hematical tools of quantum mechanics.
De Burgos, Juan. lgebra lineal, Edit. MacGraW-Hill (1993).
Fraleigh, John B. y Beauregard, Raymond A. Linear Algebra (3. edicin), Addison-Wesley Publishing Com-
pany (1995). ISBN 0-201-83999-7 (edicin internacional).
Horn, Roger A. y Johnson, Charles R. Matrix Analysis, Cambridge University Press (1985). ISBN 0-521-
30586-1.
Notas
[1] Dado que todas las transformaciones lineales no tienen efecto en el vector nulo, ste no se considera un vector propio.
[2] Gorczyca, TW: Auger Decay of the Photoexcited Inner Shell Rydberg Series in Neon, Chlorine, and Argon. Abstracts of
the 18th International Conference on X-ray and Inner-Shell Processes, Chicago, agosto 23-27 (1999).
2.1.10 Vase tambin

lgebra lineal
Aplicacin lineal
Matriz (matemtica)
Operador lineal
Teorema espectral
Vector
Calculador online de autovalores by www.mathstools.com
Autovectores en un problema de Internet: Markov y Google, un artculo divulgativo: el secreto de Google y

el lgebra lineal
Un artculo de divulgacin sobre la Descomposicin en Valores Singulares (SVD), en La Gaceta de la RSME
En ingls
Weisstein, Eric W. Eigenvector. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research.
Earliest Known Uses of Some of the Words of Mathematics: E - ver eigenvector y trminos relacionados
Online Matrix Calculator: Calculadora en lnea de valores propios, vectores propios y otras descomposiciones
de matrices
2.2 Matriz diagonalizable

En lgebra lineal, una matriz cuadrada "A" se dice que es diagonalizable si es semejante a una matriz diagonal. Es de-
cir, si mediante un cambio de base puede reducirse a una forma diagonal. En este caso, la matriz podr descomponerse
de la forma A = P DP 1 . En donde "P" es una matriz invertible cuyos vectores columna son vectores propios de
A, y D es una matriz diagonal formada por los valores propios de A.
Si la matriz A es semejante ortogonalmente a una matriz diagonal, es decir, si la matriz P es ortogonal se dice entonces
que la matriz A es diagonalizable ortogonalmente, pudiendo escribirse como A = P DP t . El teorema espectral
garantiza que cualquier matriz cuadrada simtrica con coecientes reales es ortogonalmente diagonalizable. En este
caso P est formada por una base ortonormal de vectores propios de la matriz siendo los valores propios reales. La
matriz P es por tanto ortogonal y los vectores las de P 1 son los vectores columnas de P.
2.2.1 Denicin
Sea A M nn (K) una matriz cuadrada con valores en un cuerpo K , se dice que la matriz A es diagonalizable si,
y slo si, A se puede descomponer de la forma:
A = PDP1
Donde:
D es una matriz diagonal cuya diagonal principal est formada por los elementos de (A) , apareciendo cada
uno tantas veces como indique su multiplicidad algebraica, siendo (A) el espectro de A , es decir, el conjunto
de autovalores de la matriz A :
{ }
(A) = i K|Av = i v i = 1, 2, ..., n
P es la matriz cuyas columnas son los vectores que constituyen una base del subespacio propio asociado a cada
i siguiendo el orden establecido en D, esto es, los vectores que forman el ncleo de la matriz (A i I) :
P = (v1 |v2 |...|vn ), vj ker(A i I)i, j = 1, ..., n

2.2. MATRIZ DIAGONALIZABLE 35
Endomorsmo diagonalizable
Un endomorsmo de espacio vectorial (aplicacin lineal de un espacio vectorial en s mismo) se dice diagonalizable
por similaridad (o simplemente diagonalizable) si existe una base en la que su matriz asociada sea una matriz
diagonal. Sin embargo la diagonalizacin no est asegurada, es decir no es posible decir que todo endomorsmo sea
diagonalizable. La importancia de la diagonalizacin nos motiva a obtener una base en la que la matriz asociada a un
endomorsmo no diagonalizable sea ms simple aunque no diagonal. Para ello se seguirn las mismas tcnicas que
para diagonalizacin, usando la teora sobre autovalores y autovectores (tambin llamados valores y vectores propios o
en ingls eigenvalues y eigenvectors). Recordemos que dado un operador lineal T : V V se dice que W subespacio
de V es T-invariante si u W se tiene que T (u) W
2.2.2 Aplicaciones
Diagonalizar una matriz es muy importante en el lgebra Lineal, pues se cumple lo siguiente:
Ap = PDp P1
facilitando mucho el clculo de las potencias de A , dado que siendo D una matriz diagonal, el clculo de su p-sima
potencia es muy sencillo:

d1 p 0 ... 0
0 d2 p ... 0

Dp = . .. .. ..
.. . . .
0 0 ... dn p
2.2.3 Ejemplos
Diagonalizacin de una matriz
Una matriz es diagonalizable si es cuadrada y la multiplicidad (las veces que aparece el valor propio en el polino-
mio caracterstico si es posible factorizarlo como producto de binomios lineales) de los valores propios es igual a la
dimensin del espacio propio que denen. Diagonalizar una matriz se reduce a encontrar sus vectores y valores
propios. Tomemos la matriz:
( )
1 2
A=
3 2
( )
1 2 1 2
A= = p() = det(A In ) = = (1 )(2 ) 6 = 2 3 4
3 2 3 2
Se aplica el teorema de Cayley-Hamilton:
p(A) = 0 = A2 3A 4I2 = 0 = A2 = 3A + 4I2
Por ejemplo, vamos a calcular A2 para ver si se cumple:
( )2 ( ) ( ) ( ) ( )
1 2 1 2 1 0 7 6 7 6
=3 +4 = =
3 2 3 2 0 1 9 10 9 10
y veamos que es diagonalizable:
Esta matriz tiene los valores propios: 1 = 1, 2 = 4
2 3 4 = ( + 1)( 4) = 0 = 1 = 1 2 = 4
As A es una matriz 2 por 2 con 2 valores propios diferentes, entonces se dice que es diagonizable.Si queremos
diagonalizar A necesitamos calcular los correspondientes vectores propios. Ellos son:
[ ] [ ]
1 2
v1 = , v2 =
1 3
Uno podra vericar fcilmente esto mediante:
Avk = k vk
(A 1 I2 )V1 = 0 (A 2 I2 )V2 = 0
Ahora, P es la matriz invertible con los vectores propios de A como columnas:

( ) (3 2
)
1 2 1
P= con inversa P = 51 5
1 3 5
1
5
Hallemos ahora la matriz diagonal, usando esta matriz P como sigue:
A = PDP1 P1 AP = D
Realizamos el clculo introduciendo los datos:

( 3 2 )( )( ) ( 3 )( ) ( )
1 2 1 2 2
1 2 1 0
D= 1 5 5 = 54 5 =
5
1
5 3 2 1 3 5
4
5 1 3 0 4
Luego resulta que existen matrices P y D tales que
A = PDP1 cumpliendo P y D los requisitos pedidos al principio, y por tanto la matriz A es diagonalizable.
Potencias de una matriz diagonalizable
Podemos calcular, por ejemplo, la sptima potencia de la matriz anterior:

( )( )( 3 ) ( ) ( )
2 3+247 2+247
7 7 1 1 2 17 0 6553 6554
A = PD P = 5 5 = 5 5 =
1 3 0 47 1
5
1
5
3+347 2+347 9831 9830
5 5
Para todo n N se cumple:
A = P DP 1 = An = P Dn P 1
Por tanto, para el ejemplo anterior:

( )n ( )( )n ( ) ( )n ( )( )( )
1 2 1 2 1 0 3/5 2/5 1 2 1 2 (1)n 0 3/5 2/5
= = =
3 2 1 3 0 4 1/5 1/5 3 2 1 3 0 4n 1/5 1/5
( )
1 3(1)n + 2 4n 2(1)n + 2 4n
An = 5 3(1)n + 3 4n 2(1)n + 3 4n
Funcin de una matriz diagonalizable
No slo pueden calcularse, potencias de una matriz, sino cualquier funcin que est denida sobre el espectro de la ma-
Ak
e = k=0 k! (

A
)( )( )
2
triz. Por ejemplo puede calcularse la exponencial de la matriz anterior como: 1 2 e1 0 3

e A
= Pe D
P 1
= 5 5 =
1 3 0 e4 1
5
1
5
2.3. FORMA CANNICA DE JORDAN 37
Matrices no diagonalizables
No todas las matrices cuadradas son diagonalizables, pero existen procedimientos similares para hallar matrices P
invertibles y matrices J diagonales a bloques de tal modo que
A = PJP1
ofreciendo tambin soluciones o atajos para resolver los problemas que requieren de la diagonalizacin de una matriz
(ver Forma cannica de Jordan).
2.2.4 Teoremas sobre matrices diagonalizables

Toda matriz simtrica de coecientes reales es diagonalizable y sus valores propios son reales.
Dadas dos matrices diagonalizables A y B, son conmutables (AB = BA) si y solo si son simultneamente dia-
gonalizables (comparten la misma base ortonormal).
2.2.5 Referencias
Bibliografa
Horn, Roger A.; Johnson, Charles R. (1985). Matrix Analysis. Cambridge University Press. ISBN 978-0-521-
38632-6.
2.3 Forma cannica de Jordan

En lgebra lineal, la forma cannica de Jordan es la forma de la matriz de un endomorsmo de un espacio vectorial
en cierta base asociada a la descomposicin en suma directa de subespacios invariantes bajo dicho endomorsmo.
Dicha forma cannica consistir en que la matriz estar formada por bloques de Jordan en la diagonal y bloques de
ceros fuera de ella.
2.3.1 Introduccin
Sea f un endomorsmo sobre un K -espacio vectorial V de dimensin n > 1 (f : V V ) . Si el polinomio
caracterstico de f se factoriza completamente sobre el cuerpo K (es decir, K es el cuerpo de descomposicin del
polinomio caracterstico de la matriz), existe una base donde la aplicacin lineal viene dada por una matriz de m
bloques ( m n ) con la siguiente forma cannica:

A1 0 ... 0
0 A2 ... 0

J = .. Knn
. . . ... . ...
0 0 ... Am
Donde cada submatriz Ak es un bloque de Jordan.

k 1 0 ... 0
0 k 1 ... 0
Ak =
. . .
Kn n
... ... ... . . . k k
0 0 0 ... k
m
Donde 1 , ...k son races del polinomio caracterstico (valores propios), y k=1 nk = n,
Cuando f es diagonalizable, vale que m = n y nk = 1, k , por lo que la forma cannica de Jordan de la matriz es
una matriz diagonal.
Ejemplo
Considrese la situacin de una matriz diagonalizable. Una matriz cuadrada es diagonalizable si la suma de las di-
mensiones de los espacios propios (eigenspaces) es el nmero de las o columnas de la matriz. Examinemos la matriz
siguiente:

322 323 323 322
325 326 325 326
A=
259

261 261 260
237 237 238 237
Tenemos valores propios de A que son slo = 5, 5, 5, 5. Ahora bien, la dimensin del ncleo de A 5Id es 1 (donde
Id representa la matriz identidad), por lo tanto A no es diagonalizable. Sin embargo, podemos construir la forma de
Jordan de esta matriz. Dado que la dimensin es 1, sabemos que la forma de Jordan est compuesta de solo un bloque
de Jordan, es decir, la forma de Jordan de A es:

5 1 0 0
0 5 1 0
J = J4 (5) =
0

0 5 1
0 0 0 5
Obsrvese que J puede escribirse como 5Id + N , donde N es una matriz nilpotente. Puesto que ahora tenemos
A similar a dicha matriz simple, podremos realizar clculos que involucren a A usando la forma de Jordan, lo que
en muchos casos puede simplicar el clculo. Por ejemplo, calcular potencias de matrices es signicativamente ms
sencillo usando la forma de Jordan.
2.3.2 Clculo de la forma de Jordan

1) Supongamos que se quiere diagonalizar la siguiente matriz

1 2 1
A= 0 1 0
1 1 3
pA () = det(I A) = 3 tr(A)2 + (A11 +

Primeros calculamos el polinomio caracterstico y vemos si A es diagonalizable.
= 3 32 + (3 + 4 1) (4) =
Hacemos pA () = 0 y obtenemos los autovalores 1 y 2, este ltimo de multiplicidad algebraica 2. Para ver si A es
diagonalizable buscamos los autovectores, estos conforman las bases de los espacios ker(A I) (o sea los espacios
propios E ). Triangulando A (1)I obtenemos

2 2 1 1 1 0 { {
x + y = 0 x = y
A + I = 0 0 0 0 0 1
z = 0 z = 0
1 1 4 0 0 0
O sea ker(A I) = {(y, y, 0) : y R} en particular, un vector de la base (el ms simple sin contar el nulo) es
(1,1,0).

1 2 1 1 0 1 {
x + z = 0
Ahora para el otro autovalor A 2I = 0 3 0 0 1 0
y = 0
{ 1 1 1 0 0 0
x = z
y = 0
Es decir que obtuvimos ker(A I) = {(z, 0, z) : z R} pero este espacio es unidimensional luego no alcanzan
los autovectores para construir una base de R3 (suponiendo que estamos trabajando en este espacio) y por lo tanto
A NO ES diagonalizable. Cmo reducir esta matriz a una forma simple entonces si no la podemos hacer diagonal?
Precisamente de esto se trata la forma de Jordan, buscaremos un vector ms, linealmente independiente respecto de
los anteriores (geomtricamente signica que no est en el mismo plano que los otros dos) de modo que podamos
construir la matriz de pasaje tal que A quede triangular, en vez de diagonal, expresada como bloques de Jordan.
Sea B esta base, debe estar conformada por tres vectores y slo tenemos dos. Hay varias maneras de encontarlo, una es
proponer B = {(1, 1, 0), (1, 0, 1), (a, b, c)} y buscar las coordenadas (a,b,c) tal que se cumpla J = P 1 AP
P J = AP donde J es la matriz en forma cannica de Jordan y P es la matriz cambio de base de B a la base cannica
de R3 . Por la manera en la que denimos la base B la matriz J tiene que ser

1 0 0
J = 0 2 1
0 0 2
es decir que basta efectuar los productos mencionados e igualarlos, queda

1 2 2a + 1 1 2 a 2b + c
P J = AP 1 0 2b = 1 0 b
0 2 2c + 1 0 2 a + b + 3c
Queda formado entonces el siguiente sistema
a + 2b c = 1 {
a = c1
b = 0 , (a, b, c) = (c 1, 0, c)
b = 0
abc = 1
que son innitos vectores de la forma (a, b, c) = (1, 0, 1)t + (1, 0, 0) (notemos que se trata de una mltiplo del
autovector asociado al autovalor
2 pero
con una coordenada sumada). En particular para t = 1 se obtiene una de las
1 1 0
innitas soluciones P = 1 0 0 .
0 1 1

1 1 t1
En general, cualquier matriz de la forma P = 1 0 0 cumple que
0 1 t

1 0 0
P 1 AP = J = 0 2 1
0 0 2
( )
1
Nota: podemos resolver el sistema PJ=AP triangulando la matriz ampliada A 2I 0 . Este algoritmo ser ana-
1
lizado en el siguiente ejemplo con ms detalle.
2) Tomemos ahora una matriz similar a la anterior

2 0 1
A = 1 1 0
1 1 3
de la cual buscamos la forma de Jordan. El polinomio caracterstico es
pA () = det(I A) = 3 62 + 12 8 = ( 2)3
Veamos que para pA () = 0 obtenemos un nico autovalor = 2 , esto signica que A no es diagonalizable ya que
la nica manera de obtener que rg(A) = 0 (y por lo tanto dim(E2 ) = 3 ) es que A sea la matriz nula.
Busquemos entonces los autovectores...

0 0 1 1 1 0 { {
xy = 0 x = y
A 2I = 1 1 0 0 0 1
z = 0 z = 0
1 1 1 0 0 0
Es decir (x, y, z) E2 (x, y, z) = y(1, 1, 0) esto equivale a armar que el vector (1, 1, 0) genera el
subespacio E2 = ker(A 2I) .
Para encontrar otro vector linealmente independiente, podemos triangular la matriz A2I ampliada con las coorde-
nadas del autovector (asociado a este autovalor 2) como columna.

( ) 0 0 1 1 1 1 0 0 {
1 xy = 0
A 2I 1 = 1 1 0 1 0 0 1 1
0 z = 1
1 1 1 0 0 0 0 0
Si llamamos y = u tenemos vectores de la forma (x, y, z) = (u, u, 1) = u(1, 1, 0)+(0, 0, 1) que son combinaciones
lineales del autovector! Sin embargo todava nos falta un vector ms para construir una base de R3 , este se obtiene
sustituyendo la solucin v = u(1, 1, 0) + (0, 0, 1) en el produto (A 2I)[v] .
(u) (1)
(A 2I) u = 0 y por lo tanto la base buscada es {(1, 1, 0), (1, 0, 1), (u, u, 1)} . Es importante
1 1
ponerlos en este orden, de otro modo la matriz en esta base no estar constituida por bloques de Jordan.

1 1 u 2 1 0
Formamos P = 1 0 u P 1 AP = J = 0 2 1 u
0 1 1 0 0 2
3) Hallar la forma cannica de Jordan de la matriz

1 2 3 0 0
0 1 2 0 0

A=
0 0 1 2 0
0 0 0 2 1
0 0 0 0 1
Hallamos el polinomio caracterstico:
PA () = (1 )4 (2 )
Sus races son 1 = 1 y 2 = 2 con multiplicidades 4 y 1 respectivamente.
Buscamos los autovectores, comencemos con
1 = 1
Triangulamos

0 2 3 0 0 0 1 0 0 0
0 0 2 0 0 0 0 1 0 0

AI =
0 0 0 2 0
0 0 0 1 0 x2 = x3 = x4 = x5 = 0
0 0 0 1 1 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0
Por lo tanto el espacio propio asociado a este autovalor es E1 = ker(A I) = {(t, 0, 0, 0, 0) : t R} . Resulta
evidente que la matriz no es diagonalizable, ya que la multiplicidad geomtrica es menor que 4, o lo que es equivalente,
dim(E1 ) = 1 < 4 .
Por ahora, busquemos el otro autovector.
2 = 2

1 2 3 0 0 1 0 0 14 0
0 1 x1 = 14x4
2 0 0
0 1 0 4 0

x2 = 4x4
A 2I =
0 0 1 2 0
0 0 1 2 0 x3
0 = 2x4
0 0 0 1 0 0 0 0 1
x5 = 0
0 0 0 0 1 0 0 0 0 0
Es decir que, si designamos t = x4 obtenemos E2 = ker(A 2I) = {t(14, 4, 2, 1, 0) : t R} .

Buscamos la base en la cual A tiene la forma de Jordan. Para 1 tenemos que hallar 3 vectores ms que sean lineal-
mente independientes con (1, 0, 0, 0, 0) , pues la multiplicidad de 1 es 4 y nosotros tenemos un nico vector. Una
forma de encontrar estos vectores es la siguiente.
Hallar las potencias (A 1 I)2 , (A 1 I)3 , ... hasta que la dimensin del ltimo sea la multiplicidad de la raz (4
en este caso).

0 0 4 6 0
0 0 0 4 0

C := (A 1 I)2 =
0 0 0 2 2
0 0 0 1 1
0 0 0 0 0
Obtenemos que el rango es 3, luego su nulidad es 2. Resolviendo el sistema CX = 0 se obtiene que todas las
coordenadas de los vectores de ker(A 1 I)2 han de valer cero, excepto las dos primeras. Como ker(A I)
ker(A I)2 , sabemos que podemos expandir la base de ker(A 1 I) para obtener una base de ker(A 1 I)2
. Elegimos entonces el vector (0, 1, 0, 0, 0) . As: ker(A 1 I)2 =< (1, 0, 0, 0, 0), (0, 1, 0, 0, 0) > .

0 0 0 14 6
0 0 0 4 4

D := (A 1 I)3 =
0 0 0 2 2

0 0 0 1 1
0 0 0 0 0
El rango de esta matriz es rg(D) = 2 . Su nulidad es por tanto 3. Resolvemos el sistema DX = 0 y observamos que
las dos ltimas coordenadas han de valer 0. Expandemos la base de ker(A 1 I)2 para obtener la de ker(A 1 I)3
, por ejemplo con el vector (0,0,1,0,0): ker(A 1 I)3 =< (1, 0, 0, 0, 0), (0, 1, 0, 0, 0), (0, 0, 1, 0, 0) >

0 0 0 14 14
0 0 0 4 4

E := (A 1 I)4 =
0 0 0 2 2
0 0 0 1 1
0 0 0 0 0
En este caso, la nulidad de E es n(E)=4, y como la dimensin de ker(A1I)4 (es decir, la nulidad de E ) no puede ser
superior a la multiplicidad algebraica del autovalor 1, que es 4, ya hemos llegado a la dimensin mxima. Resolvemos
el sistema EX = 0 y conclumos que la suma de las ltimas dos coordenadas ha de ser nula. Ahora tomamos un vector
v4 ker(A1Id)4 pero que no pertenezca a ninguno de los anteriores. Por ejemplo, v4 = (0, 0, 0, 1, 1) . Obtene-
mos as la base de ker(A1Id)4 : ker(A1Id)4 =< (1, 0, 0, 0, 0), (0, 1, 0, 0, 0), (0, 0, 1, 0, 0), (0, 0, 0, 1, 1) >
.
Ahora hay que hallar v3 , v2 y v1 .
v3 = (A 1 Id)v4 = (0, 0, 2, 0, 0)
v2 = (A 1 Id)2 v4 = (A 1 Id)v3 = (6, 4, 0, 0, 0)
v1 = (A 1 Id)3 v4 = (A 1 Id)v2 = (8, 0, 0, 0, 0)
Como ker(A 2 Id) = <(14,4,2,1,0)>, ya tenemos los 5 vectores de la nueva base.
La matriz de cambio de base es

8 6 0 0 14
0 4 0 0 4

P =
0 0 2 0 2
0 0 0 1 1
0 0 0 1 0
Para hallar la matriz de Jordan slo hay que hacer las imgenes por A, de los vectores de la base de Jordan, y
expresarlos en dicha base:
Av1 = v1 (1, 0, 0, 0, 0)
Av2 = v1 + v2 (1, 1, 0, 0, 0)
Av3 = v2 + v3 (0, 1, 1, 0, 0)
Av4 = v3 + v4 (0, 0, 1, 1, 0)
Av5 = 2v5 (0, 0, 0, 0, 2)

1 1 0 0 0
0 1 1 0 0

J =0 0 1 1 0

0 0 0 1 0
0 0 0 0 2
Se cumple J = P 1 AP
2.3.3 Vase tambin

Subespacio invariante

Utilidad on line para calcular la forma cannica de Jordan y diagonalizacin de matrices by www.mathstools.
com
2.4 Subespacio invariante

En lgebra lineal, un subespacio invariante es un subespacio vectorial que contiene las transformadas de sus vectores,
dada la transformacin correspondiente.
Si se tienen un subespacio S y una aplicacin T, de manera que las transformadas de los vectores de S a travs de T
pertenecen al mismo S, se dice que el subespacio S es T-invariante, o invariante por T.[1]
2.4.1 Denicin
Sea V un conjunto de vectores sobre el cual est denida una estructura de espacio vectorial. Dado un endomorsmo
T : V V se dice que
En otras palabras, S es un subespacio invariante si T (S) S .[2]
2.4.2 Ejemplos
Consideremos V = R3 y T una transformacin lineal que rota un vector dado alrededor del eje z. Notemos
que el plano xy (llammoslo S = {(x, y, z) R3 : z = 0} ) es un subespacio de V .
Al rotar un vector cualquiera de este plano alrededor del eje z se obtiene otro vector en el mismo plano. Es decir que
para todo s S se tiene que T (s) S , o bien, si transformamos cualquier vector contenido en xy obtenemos otro
vector tambin contenido en este plano. Por lo tanto, el plano S es T-invariante.
El ncleo de una transformacin lineal T es un subespacio T-invariante.

2.4. SUBESPACIO INVARIANTE 43
Grca de dos vectores y sus respectivas transformaciones mediante una rotacin respecto al eje z. El vector contenido en el plano
xy (amarillo) tiene una transformada (verde) en el mismo plano
La imagen de una transformacin lineal tambin es un subespacio invariante frente la transformacin en cues-
tin.
Consideremos ahora una transformacin lineal T con un autovector v. El subespacio generado por v es un
subespacio T-invariante.
Vamos a un ejemplo ms concreto,consideremos la transformacin lineal T : R R denida como

3 3
1 0 0
T(x)=A x donde A = 0 1 3 entonces el subespacio generado por el vector (1,0,0) es un subespacio
0 4 5
invariante
( 1 )frente
( 1a)T, ya que el vector mencionado es un autovector de T (est asociado al autovalor 1, se ve
que T 0 = 0 ).
0 0
Generalizando el ejemplo anterior, dada la Forma cannica de Jordan de una transformacin lineal, cada uno
de los subespacios asociados a los bloques de Jordan son subespacios invariantes frente a la transformacin en
cuestin.
Simetras
Consideremos el plano R2 y la transformacin lineal que a cada vector de dicho plano le asigna su reexin
respecto al eje y, es decir T(x,y)=(-x,y). El subespacio generado por el vector (1,0) es T-invariante, mientras
que (1,1) no.
Consideremos el plano R2 y la transformacin lineal que a cada vector de dicho plano le asigna la reexin
respecto al origen de coordenadas, es decir T(x,y)=(-x,-y). Entonces todo subespacio de R2 es invariante frente
a dicha reexin.
2.4.3 Observacin
Notemos que la palabra invariante puede generar confusin en el siguiente sentido: un subespacio puede ser inva-
riante y sin embargo variar bajo la transformacin en cuestin. Esto es posible dado que la condicin para que el
subespacio sea invariante es T (S) S y no T (S) = S .
2.4.4 Referencias
[1] Raya, Andrs; Rubio, Rafael. lgebra y geometra lineal (2007 edicin). Reverte. p. 299. ISBN 9788429150384.
[2] Castellet, Manuel; Llerena, Irener (1996). lgebra lineal y geometra. Reverte. p. 159. ISBN 9788429150094.
2.4.5 Vase tambin

Forma cannica de Jordan
Vector propio y valor propio
Captulo 3
Formas Bilineales y Cuadrticas
3.1 Forma bilineal

En lgebra, una forma bilineal sobre un espacio vectorial es una aplicacin que asocia un escalar a cada par de
vectores, tal que es lineal en cada uno de sus argumentos por separado.[1]
3.1.1 Denicin
Dados un cuerpo K y un K-espacio vectorial V, una forma bilineal es una aplicacin
f :V V K
que verica:[1]
f (u1 + u2 , v) = f (u1 , v) + f (u2 , v)
f (u, v1 + v2 ) = f (u, v1 ) + f (u, v2 )
f (au, v) = af (u, v)
f (u, av) = af (u, v)
para cualquier a K y u, v, u1 , u2 , v1 y v2 V
Tambin se puede denir como una forma bilineal como un caso particular de una forma multilineal, en particular
como un tensor de tipo (0,2).
Ejemplo
El producto escalar en el espacio euclideo es una forma bilineal. En particular, dados dos vectores en R2 de la forma
u=(a,b) y v=(c,d), su producto escalar viene dado por:
u, v = ac + bd
que se puede vericar que es una forma bilineal.
3.1.2 Propiedades
De la denicin se tienen las siguientes propiedades:
45
46 CAPTULO 3. FORMAS BILINEALES Y CUADRTICAS
f (u, 0) = f (0, u) = 0
f (u, v) = f (u, v) = f (u, v)

f ( i ai ui , j bj vj ) = i j ai bj f (ui , vj )
para todo a K y u, v, u1 , u2 , v1 , v2 V
3.1.3 Forma bilineal simtrica y antisimtrica
Una forma bilineal puede tener un comportamiento especialmente simple frente al intercambio de los argumentos;
an en el caso de que no lo tenga, se puede descomponer de manera nica en dos formas bilineales que s lo tienen.
Forma bilineal simtrica
Una forma bilineal simtrica es aquella que es conmutativa, por lo que se puede intercambiar el primer con el segundo
argumento sin variar la imagen:
f (u, v) = f (v, u)
Como ejemplo se tiene que el producto escalar en el espacio eucldeo es una forma bilineal simtrica.
Forma bilineal antisimetrica
Una forma bilineal antisimtrica es aquella en la que el intercambio de argumentos provoca un cambio de signo:
f (u, v) = f (v, u)
en particular se tiene que f (v, v) = 0

Un ejemplo de ello es el smbolo de Levi-Civita bidimensional.
Descomposicin de una forma bilineal cualquiera
Dada una forma bilineal cualquiera se puede denir su forma bilineal simtrica como:
1
fS = (f (x, y) + f (y, x))
2
Anlogamente la forma bilineal antisimtrica se dene como:
1
fT = (f (x, y) f (y, x))
2
Las formas as denidas componen la forma original:
f (x, y) = fS (x, y) + fT (x, y)

3.2. FORMA CUADRTICA 47
3.1.4 Forma cuadrtica asociada

Dada una forma bilineal, se puede denir su forma cuadrtica asociada como:
V K
dado por
(x) = f (x, x)
Adems, cada forma cuadrtica tiene una forma bilineal asociada denominada forma polar.
3.1.5 Vase tambin

Forma cuadrtica.
Tensor.
3.1.6 Referencias
Notas
[1] Weisstein, Eric W. Forma bilineal. En Weisstein, Eric W. MathWorld (en ingls). Wolfram Research. Consultado el
13/04/2014.
Bibliografa
Luis Merino, Evangelina Santos (2006). lgebra lineal con mtodos elementales. Paraninfo. ISBN 9788497324816.

Forma bilineal en PlanetMath.
3.2 Forma cuadrtica

Una forma cuadrtica o forma bilineal simtrica es una aplicacin matemtica que asigna a cada elemento de un
espacio vectorial x un nmero real, de una manera que generaliza la operacin ax2 un espacio vectorial de dimensin
superior a 1.
3.2.1 Denicin formal

Una forma cuadrtica es una aplicacin del espacio vectorial E en el cuerpo K, que cumple las siguientes
condiciones equivalentes:
a) Existe una forma bilineal simtrica f (,) de EE en el cuerpo K tal que (x)=f (x,x) . A f (,) se le
llama forma polar de .
b) (lx)=l2 (x) , lK,xE . Adems f (x,y)=((x+y)(x)(y))/2 es una forma bilineal simtrica
denida en EE y con valores en K . A se la llama forma cuadrtica asociada a f (,) .
Una forma cuadrtica es por tanto una aplicacin f (x,x)=x B x que es un polinomio de segundo grado con varias
variables. Se le puede considerar un caso especco de forma bilineal.
48 CAPTULO 3. FORMAS BILINEALES Y CUADRTICAS
3.2.2 Propiedades
Cuando K=R se dice que la forma cuadrtica es real.
Dos formas cuadrticas pueden ser:
Linealmente equivalentes en R si las signaturas de ambas formas cuadrticas coinciden.
Linealmente equivalentes en C si los rangos de las matrices de las formas cuadrticas coinciden.
Mtricamente equivalentes si poseen el mismo polinomio caracterstico.
Una forma cuadrtica dene un espacio vectorial eucldeo si y slo si es denida positiva, lo cual se puede
comprobar utilizando el criterio de Sylvester.
3.2.3 Signatura
La signatura de una forma cuadrtica q:V R se llama al par (p,m) donde p es el nmero de elementos positivos
que posee la diagonal de la matriz diagonal asociada a q y m los negativos. Se designa sg(q) y se verica:
p m = sg(q)
3.2.4 Forma cuadrtica denida

Se dice que una forma cuadrtica q : V R es denida si para todo x = 0 V se verica:
q(x) = bp (x, x) = 0
siendo bp la forma polar de la forma cuadrtica.

En el caso antes mencionado, si una forma cuadrtica es denida entonces:
o es denida positiva q(x) > 0 x V 0 = x

o es denida negativa q(x) < 0 x V 0 = x
Una forma cuadrtica es denida positiva (negativa) si todos los autovalores de su matriz asociada son positivos
(negativos)
3.2.5 Representacin grca

El caso de que V =R2 , una forma cuadrtica, puede representarse por un conjunto de cnicas. Si la signatura de
la forma cuadrtica es 2, entonces las curvas sern un conjunto de elipses, si la signatura es 1 ser un conjunto de
parbola y si la signatura es 0 entonces ser un conjunto de hiprbolas.
A todos los vectores cuyo extremo caiga sobre la misma curva cuadrtica se les asignar el mismo valor numrico.
3.2.6 Acotacin de una forma cuadrtica

Sea la forma cuadrtica Q : n denida por Q(x) = xT Ax , con A nn simtrica. Esta matriz es
diagonalizable ortogonalmente siempre.
Si pensamos en la factorizacin A = P P T con P nn una matriz ortogonal compuesta por autovectores de A
y nn una matriz diagonal compuesta por los autovalores de A en su diagonal, vemos que la forma cuadrtica
se reduce a:
Q(x) = xT P P T x
( )T
Si llamamos y = P T x , entonces tenemos que y T = P T x = xT P . Reemplazando en la ecuacin anterior
tenemos que:
3.2. FORMA CUADRTICA 49

Q(x) = Q(y) = y T y
Y sabemos que = diag[1 n ]T , con i , 1 i n autovalor de A . Por lo que si el cambio de variables
propuesto es tal que y = [y1 yn ]T tenemos que:
n
Q(y) = i=1 i y 2
i
A este tipo de forma cuadrtica se la llama forma cuadrtica sin productos cruzados.
Sean, 1 n los autovalores de A ordenados de forma decreciente. Es decir, max = 1 min = n
. Entonces tenemos que:
n n

Q(y) = i=1 i yi2 max i=1 yi2
n n

Q(y) = i=1 i yi2 min i=1 yi2
n
Por otro lado, observando bien el siguiente trmino, nos damos cuenta de que i=1 yi2 = y2 . Por lo tanto:
min y2
Q(y) max y2
Pero una de las propiedades fundamentales de las matrices ortogonales es que conservan el producto interno, pues en
( ) ( )T
particular y2 = (y, y) = P T x, P T x = P T x P T x = xT P P T x = xT x = x2 . Entonces, nalmente
tenemos que
min x2 Q(x) max x2
Y ocurre que Q(x) = min x2 cuando el vector x Smin y tambin Q(x) = max x2 cuando el vector x Smax
, siendo Smax y Smin los autoespacios asociados a los autovalores mximo y mnimo respectivamente.
3.2.7 Referencias
Luis Merino, Evangelina Santos: lgebra lineal con mtodos elementales
Captulo 4
Text and image sources, contributors, and

licenses
4.1 Text
Producto escalar Fuente: http://es.wikipedia.org/wiki/Producto%20escalar?oldid=79979323 Colaboradores: Pino, SpeedyGonzalez, Tano4595,
Ramjar, Wricardoh, Gengiskanhg, Richy, Petronas, Ooscarr, Chobot, Wikiwert, GermanX, Wewe, Baneld, Gtz, Juan Antonio Cordero,
Chlewbot, ManuelMore, CEM-bot, Marianov, Roberpl, Davius, Hichokei, Fsd141, Cgb, JAnDbot, Algarabia, Plux, Dusan, VolkovBot,
Technopat, Matdrodes, SieBot, Pacomegia, Tirithel, Hanspore, Dnu72, HUB, Botito777, Juan Mayordomo, Atila rey, Raulshc, VanBot,
Camilo, UA31, AVBOT, David0811, Diegusjaimes, Luckas-bot, ArthurBot, SuperBraulio13, Kal-El-Bot, Kender00, Jkbw, Bot0811, Ig-
na, Botarel, Rexmania, Halfdrag, AnselmiJuan, Edgardo C, PatruBOT, GrouchoBot, EmausBot, ZroBot, JA Galn Baho, J. A. Glvez,
Jcaraballo, ChuispastonBot, Diolisinonio, Jharni Elmer Neyra Valverde, AvocatoBot, MetroBot, Acratta, Johnbot, Helmy oved, Magram-
tu, CheloBozu, Addbot, Balles2601, FedeBosio, Coins, JacobRodrigues, JuanManwell y Annimos: 99
Ortogonalidad (matemticas) Fuente: http://es.wikipedia.org/wiki/Ortogonalidad%20(matem%C3%A1ticas)?oldid=74134017 Cola-
boradores: PACO, Dianai, Fmariluis, Digigalos, Magister Mathematicae, Yrbot, BOT-Superzerocool, FlaBot, Wewe, Chlewbot, Szvalb,
Paintman, BOTpolicia, Davius, Fsd141, Thijs!bot, Ty25, Botones, Arcibel, JAnDbot, Beaire1, Biasoli, Aibot, VolkovBot, Technopat,
Muro Bot, SieBot, Francisco Mochis, PaintBot, Hipertroa, HUB, Veon, Leonpolanco, Alexbot, Juan Mayordomo, Raulshc, Aipni-
Lovrij, AVBOT, MastiBot, Diegusjaimes, Yodigo, Hoenheim, SuperBraulio13, Xqbot, Jkbw, Botarel, TobeBot, Jerowiki, Jorge c2010,
EmausBot, Savh, HRoestBot, JA Galn Baho, Grillitus, MerlIwBot, Acratta, Addbot, Balles2601 y Annimos: 43
Ortonormal Fuente: http://es.wikipedia.org/wiki/Ortonormal?oldid=72705666 Colaboradores: Magister Mathematicae, BOTpolicia, Da-
vius, Thurisaz, Fsd141, OrionNebula, Botones, JAnDbot, Rei-bot, Matdrodes, Muro Bot, PaintBot, Obelix83, AVBOT, DumZiBoT,
Ptbotgourou, DiegoFb, Henderr, Humbefa, Riveravaldez, ZroBot, JA Galn Baho, Sergio Andres Segovia, MerlIwBot, AvocatoBot,
Twittingr, Legobot y Annimos: 12
Producto vectorial Fuente: http://es.wikipedia.org/wiki/Producto%20vectorial?oldid=81118638 Colaboradores: Dodo, Tano4595, Ram-
jar, Charlitos, RobotQuistnix, YurikBot, GermanX, Gtz, Tuncket, ManuelMore, CEM-bot, JMCC1, Marianov, Davius, Fsd141, Thijs!bot,
LPFR, Kved, Muro de Aguas, TXiKiBoT, Ignacioerrico, Algarabia, Idioma-bot, Plux, Dusan, Jurock, Matdrodes, SieBot, Loveless,
Dnu72, Jorgeneo560, Estirabot, Botito777, Juan Mayordomo, Raulshc, MarceloPinoQuivira, Rakugan, UA31, Sophistical, AVBOT, An-
gel GN, Diegusjaimes, Dante93, Luckas-bot, Andres Rojas, AlexFBP, ArthurBot, Almabot, Kender00, Jkbw, SassoBot, Ricardogpn,
D'ohBot, Gusbelluwiki, AlbertoCrakito, Fportales, Edgardo C, PatruBOT, Ripchip Bot, Chrisyagami, Savh, Grillitus, JackieBot, Wiki-
tanvirBot, Fitohira, Cristian.arbe, KLBot2, Invadibot, Jesus Castaeda Retiz, FedeBosio, Coins, Oleg chmkv y Annimos: 95
Isometra Fuente: http://es.wikipedia.org/wiki/Isometr%C3%ADa?oldid=81955744 Colaboradores: SpeedyGonzalez, ManuelGR, Ro-
sarino, Dianai, FAR, Airunp, RobotQuistnix, GermanX, Cheveri, CEM-bot, JMCC1, Baiji, Davius, Gsrdzl, Humberto, Netito777, Rov-
net, VolkovBot, Galandil, Matdrodes, Muro Bot, PaintBot, Ninjask, DragonBot, Eduardosalg, Leonpolanco, Juan Mayordomo, AVBOT,
Are 16, Peti610bot, Diegusjaimes, Xqbot, Jkbw, Chiquilittle, Botarel, KamikazeBot, EmausBot, Savh, Satanesdan, WikitanvirBot, Va-
gobot, Sebrev, Elvisor, 2rombos, Addbot, Jarould y Annimos: 48
Grupo de isometra Fuente: http://es.wikipedia.org/wiki/Grupo%20de%20isometr%C3%ADa?oldid=72499058 Colaboradores: BOT-
Superzerocool, Davius, Diosa, Kved, Drinibot, Juan Mayordomo, Armando-Martin, David0811, Rubpe19, UAwiki, Addbot y Annimos:
8
Espacio eucldeo Fuente: http://es.wikipedia.org/wiki/Espacio%20eucl%C3%ADdeo?oldid=73933159 Colaboradores: AstroNomo, Sab-
but, Moriel, DefLog, Rsg, Santiago Hernndez, Rembiapo pohyiete (bot), Magister Mathematicae, Chobot, Yrbot, GermanX, Wewe,
Gtz, ManuelMore, Paintman, Juan Marquez, CEM-bot, JMCC1, Davius, Ingenioso Hidalgo, JAnDbot, VolkovBot, Urdangaray, Muro
Bot, SieBot, Drinibot, HUB, Estirabot, Botito777, Juan Mayordomo, Raulshc, Agualin, SilvonenBot, SergioN, AVBOT, LucienBOT,
MastiBot, Nallimbot, SuperBraulio13, Xqbot, Jkbw, EmBOTellado, Humbefa, Jorge c2010, GrouchoBot, EmausBot, Kriztoval, Jackie-
Bot, Elas, Quetzal02, Kasirbot, MerlIwBot, Jharni Elmer Neyra Valverde, Acratta, Addbot, Luiguiferninando y Annimos: 29
Vector propio y valor propio Fuente: http://es.wikipedia.org/wiki/Vector%20propio%20y%20valor%20propio?oldid=81427889 Cola-
boradores: Robbot, Juan Manuel, Sanbec, DefLog, Ivn, Elwikipedista, Xenoforme, Troodon, Jecanre, JCCO, Loco085, FAR, Petronas,
AlfonsoERomero, Rembiapo pohyiete (bot), RobotQuistnix, Platonides, LuchoX, Yrbot, BOT-Superzerocool, YurikBot, GermanX, Sas-
quatch21, CleverChemist, Wewe, KnightRider, Eskimbot, KocjoBot~eswiki, Paintman, Miguel303xm, Juan Marquez, Qwertyytrewqq-
werty, CEM-bot, Asterix200, Ignacio Icke, Karshan, Davius, NeoRichard, Thijs!bot, Jeanne, Koke0 0, JAnDbot, CommonsDelinker,
50
4.2. IMAGES 51
Hidoy kukyo, Gustronico, Ignacioerrico, Bot-Schafter, Rei-bot, Nioger, Idioma-bot, AlnoktaBOT, Dusan, Nicoguaro, Matdrodes, Alle-
borgoBot, Muro Bot, Huskytreiber, Loveless, Drinibot, Flackon~eswiki, DorganBot, Chebi~eswiki, Juan Mayordomo, Fidelbotquegua,
Raulshc, He7d3r, Agualin, Armando-Martin, AVBOT, Ellinik, MastiBot, FiriBot, Diegusjaimes, DumZiBoT, Amirobot, MystBot, Na-
llimbot, Ptbotgourou, Iqgomez, Carlos.Gracia-Lzaro, Restu20, Xqbot, Jkbw, Oxilium, Estebarb, Dinamik-bot, TjBot, Jorge c2010, Grou-
choBot, Riveravaldez, EmausBot, Entalpia2, Grillitus, WikitanvirBot, MerlIwBot, P~eswiki, Elvisor, Justincheng12345-bot, Legobot,
Ricardo.munoz.fernandez, Ineditable, Carlostp12 y Annimos: 49
Matriz diagonalizable Fuente: http://es.wikipedia.org/wiki/Matriz%20diagonalizable?oldid=80265702 Colaboradores: RobotQuistnix,
Eskimbot, Er Komandante, Nacho4d, Paintman, CEM-bot, Davius, Jeanne, Cgb, Rei-bot, VolkovBot, YonaBot, L&T2, DragonBot, Juan
Mayordomo, SilvonenBot, Luckas-bot, Vdm0202, Foundling, EmausBot, Jsanchezm, ChuispastonBot, Locoronald, Legobot, Pi314158943857928652
y Annimos: 35
Forma cannica de Jordan Fuente: http://es.wikipedia.org/wiki/Forma%20can%C3%B3nica%20de%20Jordan?oldid=81947655 Co-
laboradores: Ascnder, Cinabrium, GTubio~eswiki, Digigalos, Airunp, Elessar.telkontar, Superzerocool, Yrbot, YurikBot, Wewe, Gaijin,
BOTpolicia, CEM-bot, Davius, Thijs!bot, Repos34, TXiKiBoT, VolkovBot, Jarisleif, Gato ocioso, Juan Mayordomo, MelancholieBot,
Luckas-bot, Exemallea, Kender00, Xqbot, ZroBot, GhanimaA, MetroBot, Invadibot, Legobot, FedeBosio, Carlostp12 y Annimos: 35
Subespacio invariante Fuente: http://es.wikipedia.org/wiki/Subespacio%20invariante?oldid=81744945 Colaboradores: Raulshc, Zro-
Bot, P~eswiki, Addbot, FedeBosio y Annimos: 2
Forma bilineal Fuente: http://es.wikipedia.org/wiki/Forma%20bilineal?oldid=79562699 Colaboradores: Echani, Jorge 2701, RedBot,
Grillitus, Eseotres, MerlIwBot, KLBot2 y Annimos: 2
Forma cuadrtica Fuente: http://es.wikipedia.org/wiki/Forma%20cuadr%C3%A1tica?oldid=77969658 Colaboradores: Robbot, Tai-
chi, Magister Mathematicae, Echani, Davius, Botones, Rjgalindo, TXiKiBoT, HiTe, Netito777, Plux, Almendro, Matdrodes, PaintBot,
Drinibot, Espilas, Tirithel, Botito777, Raulshc, Mcastillo83, Diegusjaimes, Luckas-bot, DiegoFb, Jmorgan84, DirlBot, D'ohBot, Nebur16,
EmausBot, ZroBot, Ebrambot, Eseotres, Jackson666, Legobot, JuanManwell y Annimos: 18
4.2 Images
Archivo:3D_coordinate_system.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/2/2c/3D_coordinate_system.svg Licen-
cia: CC-BY-SA-3.0 Colaboradores: ? Artista original: ?
Archivo:Calcium_spectrum.jpg Fuente: http://upload.wikimedia.org/wikipedia/commons/2/28/Calcium_spectrum.jpg Licencia: Pu-
blic domain Colaboradores: Cropped version of Image:Sodium and calcium spectra.jpg Artista original: Cropped by User:Itub, original
by NASA
Archivo:Commons-emblem-question_book_orange.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/1/1f/Commons-emblem-question_
book_orange.svg Licencia: CC BY-SA 3.0 Colaboradores: <a href='//commons.wikimedia.org/wiki/File:Commons-emblem-issue.svg'
class='image'><img alt='Commons-emblem-issue.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/25px-Commons-emblem-issue.svg.png' width='25' height='25' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.
svg/38px-Commons-emblem-issue.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/b/bc/Commons-emblem-issue.svg/
50px-Commons-emblem-issue.svg.png 2x' data-le-width='48' data-le-height='48' /></a> + <a href='//commons.wikimedia.org/wiki/
File:Question_book.svg' class='image'><img alt='Question book.svg' src='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/25px-Question_book.svg.png' width='25' height='20' srcset='//upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_
book.svg/38px-Question_book.svg.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/9/97/Question_book.svg/50px-Question_
book.svg.png 2x' data-le-width='252' data-le-height='199' /></a> Artista original: GNOME icon artists, Jorge 2701
Archivo:Cross_product_parallelogram.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/4/4e/Cross_product_parallelogram.
svg Licencia: Public domain Colaboradores: Self-made, based on Image:Cross_parallelogram.png Artista original: User:Acdx
Archivo:Crossproduct.png Fuente: http://upload.wikimedia.org/wikipedia/commons/d/df/Crossproduct.png Licencia: FAL Colabora-
dores: ? Artista original: ?
Archivo:Cscr-featured.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/e/e7/Cscr-featured.svg Licencia: LGPL Colabo-
radores: Wikipedia until June, 2006 Artista original: Wikimedia users ClockworkSoul, CyberSkull, Optimager, White Cat, Erina, AzaToth,
Pbroks13.
Archivo:Dihedral4.png Fuente: http://upload.wikimedia.org/wikipedia/commons/b/b6/Dihedral4.png Licencia: CC-BY-SA-3.0 Cola-
boradores: ? Artista original: ?
Archivo:Dot_Product.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/3/3e/Dot_Product.svg Licencia: Public domain Co-
laboradores: ? Artista original: ?
Archivo:Eigenfaces.png Fuente: http://upload.wikimedia.org/wikipedia/commons/6/67/Eigenfaces.png Licencia: Attribution Colabo-
radores: ? Artista original: ?
Archivo:HAtomOrbitals.png Fuente: http://upload.wikimedia.org/wikipedia/commons/c/cf/HAtomOrbitals.png Licencia: CC-BY-SA-
3.0 Colaboradores: ? Artista original: ?
Archivo:Mona_Lisa_with_eigenvector.png Fuente: http://upload.wikimedia.org/wikipedia/commons/2/25/Mona_Lisa_with_eigenvector.
png Licencia: Public domain Colaboradores: The image of the Mona Lisa used in this image is Image:Mona_Lisa.jpeg. Arrows created
using w:Inkscape, transformations made using w:GIMP Artista original: J. Finkelstein
Archivo:Nuvola_apps_edu_mathematics-p.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/c/c2/Nuvola_apps_edu_mathematics-p.
svg Licencia: GPL Colaboradores: Derivative of Image:Nuvola apps edu mathematics.png created by self Artista original: David Vignoni
(original icon); Flamurai (SVG convertion)
Archivo:Nuvola_apps_katomic.svg Fuente: http://upload.wikimedia.org/wikipedia/commons/5/55/Nuvola_apps_katomic.svg Licen-
cia: LGPL Colaboradores: [1] via Image:Nuvola apps katomic.png Artista original: David Vignoni, traced by User:Stannered
Archivo:PlanoXYinvariante.gif Fuente: http://upload.wikimedia.org/wikipedia/commons/0/0e/PlanoXYinvariante.gif Licencia: CC
BY-SA 4.0 Colaboradores: Trabajo propio Artista original: FedeBosio
52 CAPTULO 4. TEXT AND IMAGE SOURCES, CONTRIBUTORS, AND LICENSES
Archivo:Producto_Vectorial_segn_el_angulo_entre_vectores.gif Fuente: http://upload.wikimedia.org/wikipedia/commons/0/0d/Producto_

Vectorial_seg%C3%BAn_el_angulo_entre_vectores.gif Licencia: CC BY-SA 4.0 Colaboradores: Trabajo propio Artista original: Jesus
Castaeda Retiz
Archivo:Producto_vectorial_2.png Fuente: http://upload.wikimedia.org/wikipedia/commons/7/71/Producto_vectorial_2.png Licencia:
Public domain Colaboradores: ? Artista original: ?
Archivo:Standing_wave.gif Fuente: http://upload.wikimedia.org/wikipedia/commons/8/8c/Standing_wave.gif Licencia: Public domain
Colaboradores: ? Artista original: ?
4.3 Content license

Creative Commons Attribution-Share Alike 3.0

121 - Álgebra Lineal II

Cargado por

Copyright:

Formatos disponibles

121 - Álgebra Lineal II

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

121 - Álgebra Lineal II

Cargado por

Copyright:

Formatos disponibles

lgebra Lineal II

1 Espacio Vectorial Eucldeo 1

1.5.3 Grupo de isometra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2 Diagonalizacin y Forma de Jordan 21

2.4.5 Vase tambin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

3 Formas Bilineales y Cuadrticas 45

4 Text and image sources, contributors, and licenses 50

Espacio Vectorial Eucldeo

1.1 Producto escalar

1.1.1 Denicin general

1.1.2 Denicin geomtrica del producto escalar en un espacio eucldeo real

cos() es la proyeccin escalar de A en B.

A B = |A||B| cos = A B cos

En los espacios eucldeos, la notacin usual de producto escalar es u v

Proyeccin de un vector sobre otro

ngulos entre dos vectores

Vectores paralelos o en una misma direccin

A B = A B cos | cos | = 1 A||B |A B| = |A| |B|

1.1.3 Propiedades del producto escalar

2. Distributiva respecto a la suma vectorial:

3. Asociatividad respecto al producto por un escalar m:

m(A B) = (mA) B = A (mB)

1.1.4 Expresin analtica del producto escalar

El producto escalar se realiza como un producto matricial de la siguiente forma:

1.1.5 Norma o Mdulo de un vector

Efectuado el producto escalar, tenemos:

1.1.6 Productos interiores denidos en espacios vectoriales usuales

En el espacio vectorial Cn se suele denir el producto interior por:

Siendo bn el nmero complejo conjugado de bn

En el espacio vectorial de las matrices de m x n , con elementos reales

En el espacio vectorial de las matrices de m x n , con elementos complejos

En el espacio vectorial de los polinomios de grado menor o igual a n:

1.1.8 Vase tambin

Reinhardt, Fritz;Soeder,Heinrich (1984). Atlas de matemticas 1.Fundamentos,lgebra y geometra (2 tomos).

1.1.10 Enlaces externos

Portal:Matemtica. Contenido relacionado con Matemtica.

Portal:Fsica. Contenido relacionado con Fsica.

Tres planos ortogonales

1.2 Ortogonalidad (matemticas)

1.2.1 Ortogonalidad en espacios vectoriales

Ortogonalidad respecto de una matriz (A-ortogonalidad)

1.2.2 Transformacin ortogonal

1.2.3 Ortogonalidad en otros contextos

1.2.4 Sistemas de coordenadas ortogonales

1.2.5 Vase tambin

1.3.2 Temas relacionados

Combinacin lineal, Sistema generador, Independencia lineal.

Base (lgebra), Base Ortogonal

Producto escalar, Producto vectorial, Producto mixto, Producto tensorial.

1.4 Producto vectorial

El producto vectorial puede denirse de una manera ms compacta de la siguiente manera:

Relaciones entre los vectores.

Producto vectorial de dos vectores

Producto Vectorial segn el angulo entre vectores

Donde w es el producto vectorial de u y v, denido as:

donde la ltima frmula se interpreta como:

w = u v = (uy vz uz vy )i + (uz vx ux vz )j + (ux vy uy vx )k

Dando como resultado:

Cualesquiera que sean los vectores a , b y c :