Вы находитесь на странице: 1из 19

LG EB R A II

Indice
Revisin de Matrices............................................................................................................. 2 Prctica 1: Espacios Vectoriales ........................................................................................... 3 Prctica 2: Producto Interno ................................................................................................. 4 Prctica 3: Proyecciones y Matrices de Proyeccin ............................................................. 5 Prctica 4: Transformaciones Lineales ................................................................................. 8 Prctica 5: Autovalores y Autovectores .............................................................................. 10 Prctica 6: Diagonalizacin de matrices hermticas, formas cuadrticas, DVS .................. 12 Ecuaciones Diferenciales.................................................................................................... 15 Sistemas de Ecuaciones Diferenciales Lineales ................................................................. 18

con

Revisin de Matrices
1) Propiedades de las matrices
a. b. c. d. e.

2) Propiedades de los determinantes


Sean a) b) : , , , , , ,

c) Si una fila de A se suma a k.(otra fila) para producir una matriz B, d) Si dos filas de A se intercambian de lugar para producir B, e) Si una fila de A se multiplica por k para producir B, f) Si toda la matriz A se multiplica por k para producir B, g) Si es una matriz triangular, .

3) Espacios fila, nulo y columna de matrices


Sea :

es inversible Sean a) b) c) Si d) Si e) y

es inversible , entonces: (son iguales si (son iguales si )

4) Matrices equivalentes y semejantes


Matrices equivalentes: dos matrices A y B son equivalentes si existen otras dos matrices E y F regulares tal que . Dos matrices equivalentes pueden pensarse como dos descripciones si y solo 2 de una misma TL, pero con respecto a bases distintas. Matrices semejantes: dos matrices cuadradas A y B son semejantes (notamos si existe una matriz P invertible tal que . Dos matrices semejantes pueden

pensarse como dos descripciones de un mismo operador lineal, pero con respecto a bases distintas. Estas dos matrices cumplen que: a) b) c) d)

Prctica 1: Espacios Vectoriales


1) Propiedades de los subespacios
es un subespacio vectorial del espacio

2) Independencia lineal
es una combinacin lineal de son todos nulos. es LI si y Dos vectores son LD si son proporcionales. Un subconjunto de un conjunto LI sigue siendo LI. si y no

3) Operaciones con subespacios


Sean a) . b) de c) d) base de espacio. . Unin: . Suma directa: . estn en suma directa es un subespacio cuando Suma: , donde es base subespacios de . Interseccin:

dim dim dim dim dim dim

n n 2n

n+1

la unin de sus bases es

Dos subespacios son suplementarios cuando estn en suma directa y su suma es todo el

4) Bases
Si , es base de

5) Coordenadas de un vector en una base


Si y , entonces Dado un vector y una base, las coordenadas de ese vector en esa base son nicas. y es LI es LI para cualquier base B. 3

6) Matriz de pasaje
Sean y bases del espacio .

Adems: si

son bases ortonormales, entonces

es una matriz ortogonal.

7) Teorema de la dimensin

Prctica 2: Producto Interno


1) Axiomas
Sea a. b. c. d. e. f. , (si , , y y , entonces ) y

2) Productos internos cannicos (PIC)


En En En En En En En En : : : : : : : :

3) Definiciones
a. b. Ortogonalidad: Norma de un vector: i. 4 . . La norma depende del PI.

Propiedades:

ii. iii.

) , . entonces . La recproca slo , con , . EPI real. . . Son iguales si .

iv. Desigualdad de Cauchy-Schwarz: v. Desigualdad triangular: vi. Teorema de Pitgoras: si vale para vii. Identidad del paralelogramo: c. d. ngulo entre 2 vectores:

Complemento ortogonal de un conjunto en un EPI: Sea

. Para el clculo del complemento ortogonal a un subespacio de dimensin finita, alcanza con exigir la ortogonalidad a un sistema de generadores. e. Funcin distancia:

4) Matriz asociada a un PI
Sea producto interno. base de . Entonces es la matriz del

a) b) c) d) . es definida positiva.

5) Expresin matricial de un PI
Si B es base de Propiedades: La matriz de un PI en una BOG es una matriz diagonal. La matriz de un PI en una BON es la matriz identidad. y G es la matriz del PI en esa base, entonces

6) La mejor aproximacin es EPIs


Sea subespacio un espacio vectorial de funciones, y . un subespacio de . Si se quiere aproximar sobre el con una funcin , la mejor aproximacin ser la proyeccin ortogonal de

Prctica 3: Proyecciones y Matrices de Proyeccin


Sea y su complemento ortogonal:

1) Propiedades de la proyeccin
a) es el vector de S ms prximo a . 5

b) c) Por Pitgoras: d) e) (si

y adems

. . entonces )

2) Expresin de la proyeccin y la reflexin


Sea un subespacio de , y una BOG de . Entonces: .

3) Proyecciones y TLs
Sea Sea una transformacin lineal tal que una base de , entonces la matriz de la TL es:

(tantos 1 como la dimensin del espacio sobre el cual

proyecto, y tantos 0 como la dimensin del complemento ortogonal) Nota: la matriz de un operador proyeccin en una BON es una matriz de proyeccin. En cualquier otra base, no lo es.

4) Reflexiones y TLs
Sea Sea una TL tal que una base de , entonces la matriz de la TL es:

(tantos 1 como la dimensin del espacio sobre el cual

reflejo, y tantos -1 como la dimensin del complemento ortogonal)

5) Matriz de Householder
La matriz de reflexin sobre un subespacio de un espacio de se puede obtener mediante la expresin: que es ortogonal a un vector en

Propiedades: a) Es involutiva: . 6

b) c) d)

Es simtrica: Es inversible: Es ortogonal:

. y .

6) Rotaciones en
Sea una BON de y sea T la rotacin de grados alrededor del eje .

7) Proceso Gram-Schmidt
Dada una base para un subespacio de , defina

Entonces es una BOG para .

8) Matrices de Proyeccin
Trabajamos con el producto interno cannico y sobre es una matriz de proyeccin Propiedades: i. ii. iii. iv. v. vi. vii. Si y son matrices de proyeccin, y . . Entonces la nica matriz de es se obtiene mediante , entonces es matriz de proyeccin y Obtencin de la matriz de proyeccin: i. ii. Sea Q una matriz cuyas columnas son una BON de es la . La matriz de proyeccin sobre una base de nica matriz de proyeccin Sea Entonces proyeccin sobre Si entonces . . . es matriz de proyeccin sobre . y es matriz de proyeccin sobre , , o .

Las columnas de P son una base del espacio sobre el cual proyectan.

, y A la matriz que tiene por columnas a sobre

9) Inversas y pseudoinversas
Pseudoinversa: Sea tal que . La matriz pseudoinversa de A es:

Propiedades: 7

a) b) c) d) e)

Si

es cuadrada e invertible,

10) Cuadrados mnimos


Sea a) b) c) (son iguales si , ), , , . Si , tiene una solucin exacta, entonces (la solucin por cuadrados mnimos) tal que: . Si , intentamos hallar una solucin

d) Ecuaciones normales de cuadrados mnimos: e) Observaciones: mediante Si Si las columnas de . La recproca solo es cierta si . Si las columnas de es inversible. tiene son LI, la solucin por cuadrados mnimos es nica y se obtiene son LD, el sistema . es una solucin exacta y por

infinitas soluciones, y stas son de la forma Si El error , entonces toda solucin de es igual a .

cuadrados mnimos.

11) Regresin lineal


Sean los puntos con . La recta que mejor aproxima a los puntos es por cuadrados mnimos.

y se obtiene resolviendo el sistema

12) Solucin por cuadrados mnimos de norma mnima


La solucin por cuadrados mnimos de norma mnima pertenece al espacio obtiene como , siendo la pseudoinversa de Moore-Penrose de . y se

Prctica 4: Transformaciones Lineales


Sea y con base de y base de la matriz de

1) Condiciones de TLs
a. b. c. con con y . .

2) Ncleo e imagen
a. b. del espacio de partida. Teorema de la dimensin: Sea y sea (finita). Entonces: . Es un subespacio. . Es un subespacio.

La imagen de una TL puede obtenerse como lo que generan los transformados de una base

3) Clasificacin de TLs
a. Inyectividad (monomorfismo): Una TL es inyectiva si verifica: Una TL es inyectiva Una TL inyectiva transforma conjuntos LI a conjuntos LI. La recproca tambin es cierta: si A es un conjunto LI y es transformado en otro conjunto LI, la TL es inyectiva. Es decir: si T es inyectiva y A es LI, Si es LI. , T no puede ser inyectiva. b. Sobreyectividad (epimorfismo): Una TL es sobreyectiva Si Si T es biyectiva si . Las matrices asociadas a TLs sobreyectivas tienen sus filas LI. , T no puede ser sobreyectiva. c. Biyectividad (isomorfismo): ,y , T es biyectiva. es base de , entonces es base de . Las matrices asociadas a TLs inyectivas tienen sus columnas LI. .

La matriz asociada a una TL biyectiva tiene sus filas y columnas LI, o sea que es una matriz inversible, o sea que existe la TL inversa: Si , entonces o bien T es inyectiva y sobreyectiva, o bien no es ninguna.

4) Matriz asociada a una TL


Sea , sea , con base de y tal que base de . Entonces T se puede escribir como

Propiedades: f) g) h) i) Teorema: sean bases ordenadas de , y y y -espacios vectoriales ( son bases ordenadas de ). Sea , entonces . Si y son

5) Teorema Fundamental de las TLs


Sea la TL que verifica que base de , y vectores de Entonces, existe y es nica . Adems, dada una TL y un par de

bases, existe una nica matriz asociada. La recproca tambin es verdadera: dada una matriz y un par de bases, existe una nica TL asociada.

6) Composicin de TLs
y Propiedades: a) b) )

7) Operadores lineales
Un operador lineal es una TL que va de un espacio en s mismo. Se escribe como Propiedades: a) b) Si Si , y , entonces . .

Prctica 5: Autovalores y Autovectores


1) Autovalores y autovectores de una matriz cuadrada
Autovector: Sea . Un vector es autovector de A es . Autoespacio: El autoespacio de Polinomio caracterstico: tiene grado exactamente races. es autovalor de . Si asociado a un autovalor

. El polinomio caracterstico de una matriz , el polinomio tiene a lo sumo races. Si , tiene

Autovalores: Los autovalores de una matriz son las races de su polinomio caracterstico. Espectro de una matriz:

2) Multiplicidad geomtrica y algebraica de un autovalor


nmero de veces que aparece Siempre se verifica que: como raz del polinomio caracterstico. .

3) Propiedades
Sea I. II. III. IV. Si es singular es un autovalor de . suman entonces . . Dos autovectores asociados a autovalores distintos son LI. , entonces Si todas las filas o columnas de

10

V.

Sea cumple que autovalor de es autovalor de tal que , y , , . .

. Si

es autovalor de de

, Entonces se existe un

, y para cada autovalor

VI.

Si

es autovalor de i. ii. iii. iv. v. es autovalor de es autovalor de es autovalor de es autovalor de es autovalor de ,

4) Autovalores y autovectores de operadores lineales


Un vector Si es base de y es autovector de T . es la matriz de base de es autovector de es autovector de en esa base, entonces: con autovalor de .

5) Propiedades
1. 2. Si 3. Si 4. es autovalor de , es un polinomio en es regular . es autovalor de y .

, entonces

6) Diagonalizacin
es diagonalizable de que: tiene autovectores LI existe una base de compuesta por autovectores inversible y diagonal tal

7) Propiedades de la diagonalizacin de matrices


1) Matrices trivialmente diagonalizables: a. b. c. nula: autovalor 0, autovectores: cualquier vector no nulo. identidad: autovalor: 1, autovectores: cualquier vector no nulo. diagonales ( : autovalores: , autovectores: los que tienen

sus componentes nulas excepto la n-sima. d. escalares ( ): autovalor: , autovectores: cualquier vector no

nulo. e. de proyeccin ( : autovalor 1 con , autovalor 0 con 11

f. 2) 3) 4) 5) Si Si

de reflexin: autovalor 1 con es diagonalizable tiene

, autovalor -1 con es diagonalizable ( y ). La

recproca es falsa. autovalores distintos es diagonalizable. La recproca es falsa.

8) Autovalores complejos de una matriz real


Supongamos que tambin es autovalor de de . con y , es un autovalor de asociado a entonces es base de . Entonces si y slo si es es base es autovector de

autovector de A asociado a . En particular, si

9) Diagonalizacin de TLs
, con base de diagonalizable. . Si , , es diagonalizable cualquier base, entonces base de tiene tal que es diagonal y es

formada por autovectores de

autovectores LI. Esa base es es diagonalizable si y slo si

Prctica 6: Diagonalizacin de matrices hermticas, formas cuadrticas, DVS


1) Diagonalizacin de matrices simtricas y hermticas
Matriz antisimtrica: Si Los autovalores de es antisimtrica son imaginarios puros o nulos, entonces:

Los autovectores asociados a autovalores distintos son ortogonales, es diagonalizable unitariamente. es simtrica ( ( ) autovalores reales. son reales, , Los autovectores asociados a autovalores distintos son ortogonales, es ortogonal ( ), ), son BON de , ( ). es unitaria) si y solo si: ( ( es hermtica) si y solo si: es diagonalizable unitariamente es diagonalizable ortogonalmente: con Propiedades: Propiedades: . Si es la matriz de una rotacin, Los autovalores tienen mdulo 1, y pueden ser reales o complejos, Son matrices unitariamente diagonalizables, 12 Matriz ortogonal (unitaria): tiene , Los elementos de la diagonal de real: Matriz simtrica (hermtica):

Las columnas de

Los autovectores asociados a autovalores distintos son ortogonales, Preservan los productos internos Si es unitaria, y son unitarias. y las normas )

2) Descomposicin espectral de matrices simtricas


Si , las columnas de P son autovectores ortonormales estn en la matriz diagonal . Entonces: de A y los autovalores correspondiendes

3) Subespacios invariantes por una matriz o por una TL


es invariante por es invariante por Propiedades: Si que invariantes de dimensin 1. es autovalor de , entonces . , pero s los subespacios es un subespacio invariante por , puesto

No todo subespacio invariante es un autoespacio de

4) Formas cuadrticas
Una forma cuadrtica en matriz simtrica de . una matriz simtrica de . Entonces existe un e es sin , donde es una matriz ortogonal tal que a una forma cuadrtica es una funcin tal que , donde es una

Teorema de los ejes principales: sea cambio ortogonal de variable, trminos de producto cruzado:

un nuevo vector, que transforma la forma cuadrtica

Perspectiva geomtrica de los ejes principales: sea la forma cuadrtica . El conjunto de todas las punto o ningn punto. Si de es diagonal, la grfica est en posicin estndar. Si

, con no es diagonal, la

es una elipse, una hiprbola, dos rectas, un

grfica est girada hasta salirse de la posicin estndar. Los ejes principales son los autovectores y son el nuevo sistema de coordenadas para los cuales la grfica est en posicin estndar.

5) Clasificacin de formas cuadrticas


Una forma cuadrtica Definicin
Definida positiva Semi definida positiva Definida negativa Semi definida negativa y

es: Criterio I
y positivos los autovalores de A son positivos o cero los autovalores de A son negativos . los autovalores de A son negativos o cero

Criterio II
los autovalores de A son

13

los autovalores de A son tanto Indefinida positivos como negativos

6) Optimizacin restringida
Teorema de Rayleigh: sea la forma cuadrtica , con simtrica. Se verifica:

Sea extremar una forma cuadrtica restriccin El mnimo de restriccin variable es , y sea ( . El mximo de es y se alcanza en

, y se alcanza en

simtrica), sujeto a la . .

Sea extremar una forma cuadrtica

simtrica), sujeto a la

definida positiva tal que ), esto es

. Mediante un cambio de equivalente . Entonces: a extremar , y

sujeto a la restriccin . Los .

en donde se alcanza ese extremo se hallan realizando la cuenta

7) DVS
Valores singulares: Sea una matriz de . con rango . Entonces existe una matriz , y existen una matriz tales que , donde:

U ortogonal de

y una matriz V ortogonal de es tal que

, y las entradas diagonales de D son los primeros .

valores singulares de A, ordenados en forma descendente: asociados a los autovalores de .

es una matriz cuyas columnas son una BON de autovectores

es una matriz cuyas primeras

columnas son los vectores

. Las

otras columnas se obtienen completando una BON para de .

. Las columnas de U son autovectores

8) Aplicaciones de las DVS

Sea es BON de es BON de es BON de es BON de , . , ,

. Si

entonces:

14

9) Propiedades de las DVS


Si Si Si Si Si Si es cuadrada y definida positiva, , entonces es ortogonal, , y tienen los mismos valores singulares son 1. Si tiene columnas BON, los VS de es cuadrada y simtrica, entonces tiene filas BON, los VS no nulos de son 1 La matriz (matriz de Gram de ) es siempre simtrica y semi definida positiva, con lo cual nunca habr valores singulares negativos. Ser definida positiva cuando tenga columnas LI Sea o o una transformacin lineal tal que . Entonces: El mximo de es El mnimo de es sujeto a y se alcanza en sujeto a y se alcanza en es es . Entonces el mximo de . . Entonces el mnimo de . . Sea la forma cuadrtica es inversible tiene VS positivos

10)

DVS reducida con matrices de proyeccin y pseudoinversa


. Si , , ,y . , entonces una DVS reducida de A

DVS reducida: Sea es siendo Propiedades: Sea cuando

Pseudoinversa de Moore-Penrose de A:

Ecuaciones Diferenciales
1) Independencia lineal y Wronskiano
Sea hasta el orden funciones definidas en un intervalo continua en . La matriz de wronski de . El wronskiano es 15 , a valores en , con derivada : es, para cada

Propiedades: a. Si existe un tal que , entonces las funciones son LI. b. Si un conjunto es LD en un , su wronskiano es la funcin nula. La recproca es falsa; es verdadera solo si las funciones que componen el wronskiano son soluciones de una ED lineal de orden superior. c. La derivada del wronskiano es el determinante obtenido derivando la ltima fila. La derivada del wronskiano es la suma de q determinantes.

2) Identidad de Abel
Sea la ecuacion diferencial intervalo , sea el conjunto de las soluciones de ED, y sea de este conjunto. Entonces se verifica que: en un el wronskiano

3) Ecuaciones diferenciales lineales


1. Condicion de existencia y unicidad de un PVI: Sea el problema La condicin de existencia y unicidad de la solucin del PVI es: a) b) ED normal en : . con . e integrando ambos miembres se tiene .

2. Variables separables: Separamos la ecuacin en . 3. Homogneas: con

Hacemos un cambio de variable: 4. Lineales de 1er orden:

(donde

). Entonces,

Obtenemos primero la solucin general de la homognea ( homognea ( ). La solucin buscada es a) .

) y luego una particular de la no

Solucin de la ecuacin homognea asociada ( .

): es de variables

separables. Una solucin es b) ser 5. Diferencial exacta:

Solucin de la no homognea: una solucion se obtiene multiplicando toda la . Entonces, la ecuacin a resolver

ecuacin por el factor integrante de Lagrange:

16

Es diferencial exacta si existe y

tal que

, es decir si . Se cumple que la ecuacin

. En ese caso, la solucin general es .

anterior es diferencial exacta si y solo si Se dice adems que si al multiplicar la ecuacin por

es un factor integrante de la ecuacin la ecuacin resultante es diferencial exacta.

6. Lineales homogneas de orden superior con coeficientes constantes: (I) Polinomio caracterstico de (I): Espectro de (I) es una solucin de la ED si , multiplicidad , .

Si la ED es de coeficientes constantes reales, las races del polinomio caracterstico aparecern conjugadas. Esto es, . Entonces, . Luego, . e

7. Lineales no homogneas de orden superior con coeficientes constantes:

La solucin general es de la forma a) se obtiene como antes. , siendo

, donde:

b) Mtodo de variacin de parmetros: aplicable en cualquier caso. las soluciones de ,y las funciones que

satisfacen

c) Mtodo de coeficientes indeterminados: aplicable cuando seno y coseno. Siendo con . a. Si

es exponencial, polinomio, .

no es solucin de la EDO homognea asociada (i.e. ), es un polinomio del grado de .

no es raz de

b. Si

si es solucin de la EDO homognea asociada (i.e. ), es un polinomio de un grado mayor que

si es raz de con coeficientes

a determinar. c. Una vez armada la se reemplaza en la ED original, e igualando los trminos

semejantes se hallan los coeficientes indeterminados.

17

Sistemas de Ecuaciones Diferenciales Lineales

1) Sistemas homogneos con


La solucin de , es: (

diagonalizable
), con autovalor de y autovector de asociado a

2) Sistemas no homogneos con


Sea el sistema siendo

diagonalizable
con:

. La solucin es

tal que

3) Sistemas homogneos con


Sea el sistema

no diagonalizable
, donde

, proponemos una factorizacin de la forma

es la matriz de Jordan de A que tiene la siguiente estructura en bloques: donde cada bloque para algn autovalor de es una matriz de la forma

. (Dado un autovalor

, su multiplicidad geomtrica es el nmero de

bloques de Jordan correspondientes a

, y su multiplicidad algebraica es la suma de los tamaos

de los bloques correspondientes a ese autovalor.) Luego: general del problema se expresar como Caso necesariamente posee un autovalor doble la matriz posee un solo bloque correspondiente a : de multiplicidad geomtrica 1, con lo cual . Resolvemos este sistema y la solucion

Respecto de la matriz hallando un par de vectores . Observamos que Caso 1) tiene un autovalor triple y es autovector de

deber ser inversible y LI que satisfagan las condiciones asociado a .

La matriz P se obtiene y

de multiplicidad geomtrica 1. En este caso:

18

Respecto de de 2) asociado a .

deben ser LI y satisfacer las condiciones Observamos que es autovector

tiene un autovalor triple

de multiplicidad geomtrica 2. En este caso:

Respecto de autovectores de 3)

, asociados a .

deben ser LI y satisfacer las condiciones Observamos que y son

tiene un autovalor doble

de multiplicidad geomtrica 1 y un autovalor

simple. En este caso debe tener dos bloques de Jordan:

Respecto de autovectores de asociados a

, y

deben ser LI y satisfacer las condiciones Observamos que respectivamente. y son

19