Академический Документы
Профессиональный Документы
Культура Документы
DE MATRICES
DIAGONALIZACION
1
Definici
on 1 Al conjunto de todas las n-tuplas ordenadas de n
umeros reales lo denotamos
Rn = {(x1 , x2 , . . . , xn )| xi R, i = 1, . . . , n}
Sus elementos se pueden sumar componente a componente. Tambien se pueden multiplicar por un n
umero real, multiplicando cada componente por dicho n
umero.
As, definimos en este conjunto dos operaciones:
Suma (+) Para cualesquiera 2 elementos, (x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) de Rn
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
Producto por un n
umero real (.R)
.(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn )
Los elementos de Rn se dicen vectores y los de R escalares. El nombre de los
elementos de Rn proviene de su representacion grafica.
La terna (Rn , +, .) formada por Rn con la suma de vectores y el producto por escalares
tiene estructura de espacio vectorial.
Definici
on 2 Un subconjunto S no vaco de Rn es un subespacio vectorial de Rn si
u, v S;
, R,
se verifica u + v S
Ejemplo 3 Es f
acil comprobar que el conjunto S1 = {(x1 , x2 , x3 ) R3 | x1 + x2 + x3 = 0}
Definici
on 4 El vector u Rn se dice que es combinaci
on lineal de los vectores
n
v1 , v2 , . . . , vr R si existen escalares 1 , 2 , . . . , r R tales que
u = 1 v 1 + 1 + 2 v 2 + . . . + r v r
Ejemplo 5 El vector (2, 7, 8, 6) R4 es combinaci
on lineal de los vectores (1, 2, 1, 3) y
generadores en R2 .
En cambio, los vectores (0, 1, 3), (0, 2, 1), (0, 1, 1) no son sistema de generadores de
3
R , ya que cualquier combinacion lineal de esos vectores vale cero en su primera componente.
Definici
on 7 Se dice que dos conjuntos de vectores {v1 , v2 , . . . , vr } y {w1 , w2 , . . . , ws }
son sistemas equivalentes si generan el mismo espacio vectorial.
De entre los sistemas generadores interesan los que esten formados por el mnimo
n
umero de elementos, para ello se introduce la siguiente nocion.
Definici
on 8 Se dice que los vectores v1 , v2 , . . . , vr Rn son linealmente independientes o bien que forman un sistema o familia libre si la u
nica combinacion lineal de
n
ellos que vale cero (vector nulo en R ) es aquella con todos los escalares nulos, es decir,
1 v1 + 2 v2 + . . . + r vr = 0 = 1 = 2 = . . . = r = 0
En caso contrario se dice que los vectores son linealmente dependientes o que forman un
sistema ligado.
Ejemplo 9 Los vectores (1, 2), (2, 3) R2 son linealmente independientes: suponemos que
existen dos escalares 1 y 2 tales que 1 (1, 2) + 2 (2, 3) = (0, 0), es decir, (1 + 22 , 21 +
32 ) = (0, 0), luego 1 + 22 = 0, 21 + 32 = 0. Resolviendo este sistema se obtiene que
1 = 2 = 0, de lo que se deduce que son linealmente independientes.
Sin embargo no lo son los vectores (1, 2) y (3, 6).
Propiedades
1) El vector 0 es combinacion lineal de cualquier familia de vectores. Por tanto, si un
sistema contiene al vector nulo, entonces el sistema no es libre.
2) Si una familia de vectores es libre nig
un vector de esta se puede poder como combinacion lineal de los demas.
3) Si S es una familia libre de vectores, cualquier subfamilia de S tambien lo es.
..................
( 0, 0, 0 , .. . . . , a )
nn
pendientes. Ademas, por 3), cualquier subfamilia de ella tambien lo es.
La utilidad de 4) es que si los vectores son de este tipo, resulta sencillo ver que son
linealmente independientes.
Ejemplo 10 En R4 la familia de vectores {(1, 2, 4, 5), (0, 2, 0, 0), (0, 0, 3, 1), (0, 0, 0, 4)} es
libre. Pero tambien lo son por ejemplo sus subfamilias: {(1, 2, 4, 5), (0, 2, 0, 0), (0, 0, 0, 4)}
o {(0, 0, 3, 1), (0, 0, 0, 4)}
Definici
on 11 Una familia de vectores de un espacio vectorial se llama base de dicho
espacio si es sistema generador de este y ademas es libre.
Ejemplo 12 Consideramos el subespacio vectorial del ejemplo 3
S1 = {(x1 , x2 , x3 ) R3 |x1 + x2 + x3 = 0}
Cualquier vector de S1 verifica que x1 = x2 x3 , luego es de la forma (x2 x3 , x2 , x3 )
y ademas los vectores (1, 1, 0) y (1, 0, 1) son linealmente independientes, luego constituyen una base de S1 .
Los vectores de Rn :
e1 = (1, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0), e3 = (0, 0, 1, . . . , 0), . . . , en = (0, 0, . . . , 1)
constituyen una base de Rn . En efecto, si u = (x1 , x2 , . . . , xn ) Rn , entonces
u = (x1 , x2 , . . . , xn ) = (x1 , 0, . . . , 0) + (0, x2 , . . . , 0) + . . . + (0, 0, . . . , xn )
3
Proposici
on 15 Si S es un espacio vectorial de dimension m y A S un conjunto
con m vectores, entonces son equivalentes:
i) A es linealmente independiente.
ii) A es sistema de generadores.
iii) A es base.
Definici
on 16 Llamamos Rango de una familia de vectores v1 , v2 , . . . , vr Rn al
maximo n
umero de vectores linealmente independientes existentes en esa familia (o a la
dimension del espacio generado por ellos)
Nota. En Rn , el rango de cualquier familia de vectores no puede ser mayor estricto
que n, es decir, siempre ha de ser menor o igual a su dimension n.
Ejemplos
a) El rango de la familia {(1, 2, 4, 5), (0, 2, 0, 0), (0, 0, 3, 1), (0, 0, 0, 4)} de R4 es cuatro
puesto que son linealmente independientes.
b) El rango de la familia de R3 {(1, 2, 4), (0, 2, 0), (0, 0, 0)} es dos. Recordemos que el vector nulo (0, 0, 0) no puede estar en ninguna familia libre, los dos vectores restantes
(1, 2, 4) y (0, 2, 0) son l.i. y por tanto dos es el maximo n
umero de vectores linealmente independientes.
4
s R, s %= 0
t R
3 1
0 5
El rango de lasegunda familia es 2, luego el de la primera tambien es 2.
b) {(1, 1, 1), (3, 3, 3)} de R3
1 1 1
1 1 1
3 3 3
0 0 0
El rango de la segunda familia es 1, luego el de la primera tambien es 1.
0
3
0
1
0
3
0
1
4
0
8
1
1
0
0
0
0
3
0
1
0
4
3 12
0
0
1 3
1
0
0
0
0
1
3
0
0
4
1 3
3 12
0
0
1
0
0
0
0
1
0
0
0 4
1 3
0 3
0 0
El rango de la cuarta familia es 3, pues los tres primeros vectores son l.i., luego el
de la primera tambien es 3.
1.1
1.
Ejercicios
Di cuales de los siguientes conjuntos son subespacios y cuales no:
a) S1 = {(x1 , x2 , x3 ) R3 | x1 + 2x2 + 3x3 = 0}
b) S2 = {(x1 , x2 , x3 ) R3 | x1 + 2x2 = 1}
c) S3 = {(x1 , x2 , x3 ) R3 | x1 x2 + x3 = 0}
d) S4 = {(x1 , x2 , x3 ) R3 | x1 x2 + x3 = 1}
e) S5 = {(x1 , x2 , x3 ) R3 | x1 2x2 = 0; x1 + x3 = 0}
2.
Comprueba que el vector (5, 13, 2) R3 es combinacion lineal de los vectores (2, 1, 2)
y (1, 4, 0). Es el vector (1, 1, 4) R3 combinacion lineal de los vectores (0, 2, 1) y
(3, 1, 9)?
3.
Dados los vectores (1, 1, 0, a), (3, 1, b, 1) y (3, 5, a, 4) calcula los valores de a
y b para que sean linealmente dependientes.
4.
Calcula una base e indica la dimension de cada uno de los siguientes espacios vectoriales:
a) S1 = {(x1 , x2 , x3 ) R3 | x1 2x2 = 0}
b) S2 = {(x1 , x2 , x3 ) R3 | 2x1 + x2 = 0; x1 x2 + x3 = 0}
6.
Resoluci
on de sistemas de ecuaciones lineales
(1)
Los n
umeros aij son los coeficientes del sistema, xj son las incognitas y los bj son los
terminos independientes. El sistema se puede escribir en forma matricial como sigue:
a11
a21
...
an1
a12
a22
...
an2
...
...
aii
...
...
...
...
...
a1m
a2m
...
anm
x1
x2
...
xm
b1
b2
...
bn
AX = b
(2)
a11 1 + a12 2 + . . . . . . + 1m m = b1
a21 1 + a22 2 + . . . . . . + a2m m = b2
....................................
an1 1 + an2 2 + . . . . . . + anm m = bn
2.1
Teorema de Rouch
e-Frobenius
Si rg(A) %= rg(A|b)
Si rg(A) = rg(A|b) = r
Notemos que los sistemas homogeneos tienen siempre, al menos, la solucion (0, 0, . . . , 0)
que recibe el nombre de solucion trivial, por ello siempre son compatibles.
2.2
M
etodo de Gauss
1
1
2
1
1
1
0
1
1
1
1
3
1
2
1
0
|
|
|
|
1
2
0
4
x1 +x2
x1 x2
2x1
x1 +x2
+x3 x4
+x3 +2x4
+x3 x4
+3x3
1
0
0
0
1
2
2
0
1
0
1
2
1
0
0
0
1
2
0
0
1
0
1
0
1
3
1
1
1
3
2
3
|
|
|
|
|
|
|
|
=
=
=
=
1
1
2
3
1
1
3
3
x1 +x2 +x3 x4
2x2
+3x4
+x3 2x4
+x4
1
2
0
4
1
0
0
0
1
2
0
0
1
0
1
2
1
3
2
1
|
|
|
|
1
1
3
3
=
=
=
=
1
1
3
1
En este u
ltimo sistema rg(A) = rg(A|b) = 4 (n
umero de incognitas). El sitema es
compatible determinado y por tanto tiene solucion u
nica que es:
x1 = 0,
x4
=
x3 = 3 2x4
x2
=
x1
=
x2 = 1,
x3 = 1,
x4 = 1
1
=
32 =
1
(3x4 1)/2
=
2/2
=1
1 x2 x3 + x4 =
111+1 =0
Nota: Es frecuente que al aplicar modelos conocidos a fenomenos reales algunos de los
terminos que intervienen en esas leyes sean indeterminados. Cuando se trata de sistemas
de ecuaciones en los cuales ciertos coeficientes o terminos independientes no tienen un
valor fijo predeterminado, sino que son parametros, es sensato que se nos pida estudiar el
sistema para todos los valores posibles de dichos parametros (discutir el sistema).
9
solucion no trivial
x1 ax2
x1 x2
2x1 x2
x2
+x3
x3
bx3
+x3
=
=
=
=
0
0
0
0
1
1
0
0
a
1
1
1
1
1
b
1
|
|
|
|
0
0
0
0
1
0
1
2
1
1
a
1
1
0
0
0
1
1
1
b
1
1
0
0
|
|
|
|
0
0
0
0
1
1
a+1
1b
|
|
|
|
0
0
0
0
1
0
0
0
1
1
1a
1
1
1
2
2b
|
|
|
|
0
0
0
0
10
2.3
1.
Ejercicios
Resolver los siguientes sistemas de ecuaciones lineales:
2.
y +z = 3
a)
2y z = 1
x +y
= 1
2x
3x +2y +6z = 0
a) 2x +y +az = 0
x 3y 2z = 0
ax +y +z = 1
a) x ay +z = 1
x +y az = 1
x
3y +4z = 13
c) 3x
y +2z = 3
3x +5y z = 9
2x +ay +4z = 0
b) x +y +7z = 0
ax y +13z = 0
x +2y
+z
= 0
c) x +(a + 2)y +2z
= 0
x +y +z
= a+1
b) ax +y +(a 1)z = a
x +ay +z
= 1
x +ay +z
= a2
d) ax +y +z
= a
x +y + az = a3
c)
x +ay +z = 1
x +ay +z = a
ax
+ay
= 2(a + 1)
5.
4.
3x y z = 0
b) x +y +z = 0
y
z = 1
3.
ax +by +z = 0
a) x +by +az = 0
x +aby +z = 0
x +y
+z +t
= 2
b) x +(a + 2)y +az +bt
= 4
2x +2y
+az +(b + 2)t = 4
4x +4y
3x y
2x 5y
11
Diagonalizaci
on de Matrices
3.1
Definici
on 22 Dada una matriz A Mn (R), a la equacion |A In | = 0 la llamaremos
ecuaci
on caracterstica asociada a A. Las soluciones de dicha ecuacion reciben el
nombre de valores propios de dicha matriz
Definici
on 23 Sea un valor propio de A. Un vector u Rn que verifique Au = u se
dice que es un vector propio asociado a . Al conjunto de vectores propios asociados a
un valor propio se le denomina subespacio propio asociado a y lo denotaremos
por S
Comprobar como ejercicio que el conjunto formado por todos los vectores propios del
mismo valor propio, es un subespacio vectorial de Rn .
Ejemplo 24 Calcular los valores propios, vectores propios asociados y subespacios propios
de la siguiente matriz:
Ecuacion caracterstica:
,
,
,
,
,
,
,
,
1 2 0
1 3 1
0 1 1
1 2
0
1
3 1
0
1
1
,
,
,
,
,
,
,
,
= (1 )( 2)2 = 0
0 2 0
x1
0
1 2 1 x = 0
0 1 0
x3
0
x1 = x3 , x2 = 0;
x1 = 2x2 , x3 = x2 ;
Subespacio asociado a = 2
1 2 0
x1
0
1 1
1 x2 = 0
0 1 1
x3
0
12
3.1.1
Matrices diagonalizables
Definici
on 25 Una matriz cuadrada A Mn (R), se dice que es diagonalizable si existe
otra matriz regular P tal que P 1 AP = D con D una matriz diagonal. A la matriz P la
llamaremos matriz de paso.
Cu
ando y c
omo podemos diagonalizar una matriz?
Si conseguimos escribir una matriz A como A = P DP 1 , entonces podemos poner
tambien AP = P D. Si D es diagonal y nos fijamos en la columna j de esta u
ltima
igualdad lo que tenemos es que Axj = j xj (donde xj es la columna j de P y j es el
n
umero en el lugar j de la diagonal de D).
Entonces, para diagonalizar una matriz real cuadrada A de orden n lo que tenemos que hacer es encontrar n vectores propios suyos linealmente independientes
asociados a valores propios reales.
As obtendremos la matriz invertible P que tiene por vectores columna los vectores
propios de A y la matriz diagonal D que esta formada por los valores propios de A.
Ejemplo 27 La matriz A =
1
1
1
1
1
1 1 1
es diagonalizable
1 1 1 1
1 1 1 1
dim S=2 = 1
13
dim S=2 = 3
Matriz de paso: P =
1
1
0
0
1
0
1
0
1 1
2
0 1
0
; Matriz diagonal: D =
0
0 1
0
1 1
0
2
0
0
0
0
2
0
0
0
0
2
0
1 0
Ejemplo 28 La matriz A = 0
0 1
no es diagonalizable
2 5 4
Valores propios de A :
= 1 (doble), = 2 (simple)
3.2
1.
Ejercicios
Hallar los valores y vectores propios de las matrices
1 0 0
A= 0 1 1
,
1 1 0
2 1 2
B= 1
0
0
,
0
1
2
3 1 1
D=
1
2
,
6
2 1
0
2.
1
1
1
E=
1 1 1 ,
1
1
1
2 1 0
C = 0 1 1
0 1
3
1 0 1
F =
0 1 2
0 0 3
2
6
24
Dada la matriz A = 4 8 24
1
1
2
14
3.
0
1
A 0 = 1
0
1
0 1 0
1 1 1
0 1
1 1
A=
,B=
, C = 1 0 0 , D = 0 1 2
1 0
0 1
0 0 3
0 0 2
A=
1 2
3 2
B=
1 0
0 4
a 1 a
Sea la matriz A = 1 0 0
0 1 a
7.
8.
9.
10.
1 a a
5 0 0