Академический Документы
Профессиональный Документы
Культура Документы
Aplicaciones
Clara E. Meja Laverde
Autora
Acerca de la
autora
Como estudiante del programa Ude@, usted es el centro del modelo educativo y puede controlar el proceso de aprendizaje
mediante la organizacin del tiempo alrededor de sus intereses. La autonoma, la disciplina, la creatividad y el trabajo en
equipo son caractersticas que le ayudarn en su formacin, para solucionar problemas reales de la sociedad, recurriendo al
mtodo de la ingeniera.
La Universidad de Antioquia, a travs del programa Ude@, ha puesto
a su disposicin contenidos acadmicos en diferentes medios con el
fin de facilitarle el aprendizaje mediante las tecnologas de informtica y telecomunicaciones clsicas y
modernas:
Radio
Televisin
Impresos
Web
Multimedia
Videoconferencias
El texto Ude@
En el modelo Ude@ los conocimientos son aportados por cada medio en igualdad de importancia y con las
fortalezas propias de cada uno de ellos, pero el texto desempea un papel fundamental en el aprendizaje ya
que es el que ms diversidad ofrece en trminos de funcionalidad y cantidad de contenidos. El texto Ude@
no slo permite analizar con ms detalle y profundidad los contenidos de cada curso, sino que facilita en
mayor medida la realizacin de ejercicios, tareas y autoevaluaciones.
El mapa conceptual
Al comienzo del texto Ude@ usted encontrar un mapa conceptual del
curso, que lo orientar en el universo temtico de la disciplina. Esta herramienta pedaggica hace posible la integracin conceptual, jerrquica y
funcional, en forma grfica y espacial, de todos los contenidos.
lgebra Lineal
Contenido
21
Ejercicios
Captulo 1, mdulo 1
33
Mdulo 2
Subespacios
35
Ejercicios
Captulo 1, mdulo 2
40
Mdulo 3
Combinacin lineal y subespacio generado
43
Ejercicios
Captulo 1, mdulo 3
49
Mdulo 4
Independencia lineal
51
Ejercicios
Captulo 1, mdulo 4
58
Mdulo 5
Bases y dimensin
61
Ejercicios
Captulo 1, mdulo 5
69
Mdulo 6
Subespacios asociados con una matriz
71
Ejercicios
Captulo 1, mdulo 6
80
Mdulo 7
Coordenadas y cambio de base
83
Ejercicios
Captulo 1, mdulo 7
93
Captulo 2: Ortogonalidad
Mdulo 8
Bases ortonormales y proyecciones en \
99
n
Ejercicios
Captulo 2, mdulo 8
113
Mdulo 9
Mtodo de aproximacin por mnimos cuadrados
115
Ejercicios
Captulo 2, mdulo 9
123
Mdulo 10
Espacios con producto interno
125
Ejercicios
Captulo 2, mdulo 10
135
Captulo 3: TTransformaciones
ransformaciones lineales
Mdulo 11
Definiciones, ejemplos y lgebra de las transformaciones lineales
139
Ejercicios
Captulo 3, mdulo 11
150
Mdulo 12
Propiedades de las transformaciones lineales. Ncleo e imagen
153
Ejercicios
Captulo 3, mdulo 12
161
Mdulo 13
El problema de la representacin matricial de las transformaciones lineales
163
Ejercicios
Captulo 3, mdulo 13
178
Mdulo 14
Isomorfismos o transformaciones lineales invertibles
183
Ejercicios
Captulo 3, mdulo 14
193
Mdulo 15
Isometras
195
Ejercicios
Captulo 3, mdulo 15
203
Tabla de contenido
207
Ejercicios
Captulo 4, mdulo 16
225
Mdulo 17
El problema de la diagonalizacin
227
Ejercicios
Captulo 4, mdulo 17
233
Mdulo 18
Aplicaciones de la teora de valores y vectores cartactersticos
235
Ejercicios
Captulo 4, mdulo 18
248
Mdulo 19
Forma cannica de Jordan
251
Ejercicios
Captulo 4, mdulo 19
260
265
Ejercicios
Captulo 5, mdulo 20
271
Mdulo 21
Formas cuadrticas y secciones cnicas
273
Ejercicios
Captulo 5, mdulo 21
288
Mdulo 22
Aproximacin de valores y vectores caractersticos
289
Ejercicios
Captulo 5, mdulo 22
299
Apndice
301
Respuestas
305
lgebra Lineal
Prlogo
Captulo 1
Espacios
vectoriales
Mdulo 1
Definicin y propiedades del
espacio vectorial
Ejercicios
Mdulo 1
Mdulo 2
Subespacios
Ejercicios
Mdulo 2
Mdulo 3
Combinacin lineal y subespacio generado
Ejercicios
Mdulo 3
Nos proponemos definir una estructura algebraica llamada espacio vectorial, donde se pueden reunir los conjuntos \2 , \3 y, en general, \n , adems de otros conjuntos tales como las matrices y los polinomios. Con esta abstraccin podemos
Mdulo 4
Independencia lineal
Ejercicios
Mdulo 4
Mdulo 5
Bases y dimensin
Ejercicios
Mdulo 5
Mdulo 6
Subespacios asociados con una
matriz
Ejercicios
Mdulo 6
identificar los vectores como los elementos de un espacio vectorial y en esta forma
tratar las matrices o los polinomios como vectores.
Mdulo 7
Coordenadas y cambio de base
Ejercicios
Mdulo 7
20
Preguntas bsicas
1. Qu es un espacio vectorial?
2. Qu propiedades deben cumplir las operaciones definidas de suma y producto
por un escalar?
3. Cules son los espacios vectoriales ms usuales?
4. Qu propiedades tienen el mdulo del espacio y el inverso aditivo de cada vector?
5. Qu otras propiedades algebraicas se desprenden de la definicin de espacio vectorial?
Introduccin
Iniciamos este mdulo presentando algunos ejemplos en los cuales observamos
propiedades comunes que sern los puntos de partida o axiomas para la definicin
de espacio vectorial. Una vez establecido este concepto se ilustra con otros ejemplos y se extraen las principales propiedades algebraicas de los espacios vectoriales.
Vea el mdulo 1 del programa
de televisin lgebra Lineal
21
sumar F1 y F2 ( F = F1 + F2 ) .
Veamos qu propiedades tiene esta operacin.
Escuche la biografa de Hermann
Grassmann en su multimedia de
lgebra Lineal
Figura 1.1
Sea T el conjunto de todas las fuerzas que actan sobre P; entonces, podemos decir
que:
i.
Si F1 y F2 pertenecen a T, F1 + F2 pertenece a T.
Si sobre P tenemos tres fuerzas distintas F1 , F2 y F3 , podemos calcular su
resultante de dos formas distintas: ( F1 + F2 ) + F3 o bien F1 + ( F2 + F3 ). Es
decir, calculando primero F = F1 + F2 y luego la resultante de F con F3 , o
bien calculando primero F = F2 + F3 y luego la resultante de F1 y F .
Una representacin geomtrica nos muestra que (figura 1.2):
ii.
22
( F1 + F2 ) + F3 = F1 + ( F2 + F3 ).
Figura
1.2
Por otra parte, existe una fuerza de magnitud cero, fuerza nula, que podemos designar 0 y tiene la propiedad de que:
iii.
F + 0 = 0 + F = F.
v.
F1 + F2 = F2 + F1 .
Veamos ahora otra operacin: si F es una fuerza y un nmero real, llamamos F la fuerza que tiene la misma direccin de F, su magnitud es
veces la de F y su sentido es el mismo de F si es positivo, y opuesto a F
si es negativo.
Hemos entonces definido una operacin cuyos factores son una fuerza y
un nmero real y su resultado es otra fuerza. Esta operacin se dice que es
externa ya que hace intervenir un elemento (el nmero ) que no pertenece al conjunto T.
Veamos algunas propiedades de esta operacin:
vi.
23
( F1 + F2 ) = F1 + F2 .
Figura 1.3
( + ) F = F + F .
ix.
( F ) = ( ) F .
x.
1 F = F .
Si ( x1 , y1 ) y ( x2 , y2 ) \ 2 , entonces ( x1 , y1 ) + ( x2 , y2 ) \ 2 .
Hay tambin una ley asociativa, es decir,
(( x1 , y1 ) + ( x2 , y2 )) + ( x3 , y3 ) = ( x1 + x2 , y1 + y2 ) + ( x3 , y3 )
= ( x1 + x2 + x3 , y1 + y2 + y3 ).
24
(( x1 , y1 ) + ( x2 , y2 )) + ( x3 , y3 ) = ( x1 , y1 ) + (( x2 , y2 ) + ( x3 , y3 )).
( x, y ) + ( x, y ) = (0, 0).
Entonces,
v.
( x1 , y1 ) + ( x2 , y2 ) = ( x2 , y2 ) + ( x1 , y1 ).
( x, y ) = ( x, y ),
2
cuyo resultado es un elemento de \ ; con esta operacin se verifican las
siguientes propiedades:
vi.
Si \ y ( x, y ) \ 2 , entonces ( x, y ) \ 2 .
Veamos ahora que:
vii.
(( x1 , y1 ) + ( x2 , y2 )) = ( x1 , y1 ) + ( x2 , y2 ).
Demostracin
(( x1 , y1 ) + ( x2 , y2 )) = ( x1 + x2 , y1 + y2 ) = ( ( x1 + x2 ), ( y1 + y2 ))
= ( x1 + x2 , y1 + y2 ).
De otro lado,
( x1 , y1 ) + ( x2 , y2 ) = ( x1 , y1 ) + ( x2 , y2 ) = ( x1 + x2 , y1 + y2 ).
viii.
( + )( x, y ) = ( x, y ) + ( x, y ).
25
( x, y) + ( x, y) = ( x, y) + ( x, y) = ( x + x, y + y).
ix.
( ( x, y)) = ( )( x, y).
Demostracin
( ( x, y)) = ( x, y) = ( x, y) y
( )( x, y ) = ( x, y ).
x.
1( x, y ) = ( x , y ).
Demostracin
1( x, y ) = (1x,1 y ) = ( x, y ).
1.2 Definicin
Los ejemplos anteriores nos sirven para obtener un conjunto de propiedades comunes a ellos. Todos los resultados que podamos deducir a partir de dichas propiedades sern vlidos en los ejemplos realizados y en cualquier otro que goce de las
mismas propiedades.
A estas propiedades comunes las llamamos axiomas en la siguiente definicin.
Un espacio vectorial V es un conjunto de objetos llamados vectores con dos operaciones, suma y producto por un escalar, que satisface los siguientes axiomas:
26
i.
ii.
(a + b) + c = a + (b + c) para todo a, b, c V .
iii.
iv.
v.
a + b = b + a para todo a, b en V .
vi.
vii.
ix.
x.
1a = a para todo a V .
Nota: cuando los escalares son nmeros reales, decimos que se trata de un espacio
vectorial real, y en caso de que sean nmeros complejos hablamos de un espacio
vectorial complejo.
En el axioma viii debe notarse que el signo + al lado izquierdo de la igualdad se
refiere a la suma en el conjunto de escalares, y el signo + al lado derecho denota la
suma en el conjunto de vectores V.
1.3 Ejemplos
1.
2.
\n , con las operaciones de suma y producto por un escalar definidas usualmente, tiene estructura de espacio vectorial.
n
n 1
Sea V = Pn = { P / p ( x ) = an x + an 1 x + ... + a1 x + a0 , ai \} el conjunto
entonces
( P + Q) ( x) = P ( x) + Q( x) =
( an + bn ) x n + (an 1 + bn 1 ) x n 1 + ... + ( a1 + b1 ) x + (a0 + b0 ).
p ( x) = an x n an 1 x n 1 + ... a1 x a0
p( x) + ( p( x)) = 0 ( x).
3.
27
4.
Sea V = C[a, b] = conjunto de funciones continuas de valores reales definidas en el intervalo [a, b] . Se define
( f + g ) ( x) = f ( x) + g ( x) y ( f )( x) = [ f ( x)].
x y = 2 3 = 1,
y x = 3 2 = 1,
luego
x y y x.
Adems las propiedades ii, iii y iv tampoco se cumplen. Las propiedades
vii, ix y x se cumplen, pero la propiedad viii no; veamos por qu:
Sea = 2, = 3, x = 4.
( + ) x = (2 + 3)4 = 5 4 = 20,
28
x x = 2 4 3 4 = 8 12 = 4.
7.
Sea V = {( x, y, z ): ax + by + c z = 0, a, b, c \} .
Esto es, V es el conjunto de puntos en \ 3 que estn en el plano con vector
normal (a, b, c) y que pasa por el origen.
Veamos si se cumplen las dos propiedades de cerradura, es decir, i y vi.
Sean ( x1 , y1 , z1 ) y ( x2 , y2 , z2 ) elementos de V; veamos si
( x1 + x2 , y1 + y2 , z1 + z2 ) V .
Como ( x1 , y1 , z1 ) V ,
(1)
De igual forma,
ax2 + by2 + cz2 = 0.
(2)
(a x1 + b y1 + c z1 ) = 0 = 0,
a x1 + b y1 + c z1 = 0.
Por tanto,
( x1 , y1 , z1 ) V ,
esto es,
( x1 , y1 z1 ) V .
Adems, si = 0, se tiene que (0, 0, 0) V , y con = 1 tenemos
que
( x1 , y1 z1 ) V ,
29
y : x = x , \.
Veamos que V, junto con estas operaciones, es un espacio vectorial. Comprobemos inicialmente las dos propiedades de cerradura i y vi.
Sean x, y V ; entonces, x y = x y V . El producto de dos reales positivos es un real positivo.
Ahora, sean \ y x V ; entonces, : x = x . Como x es un real
positivo, al elevarlo a cualquier potencia real se obtiene un nmero real
positivo.
Ejemplifiquemos algunas sumas y multiplicaciones escalares en V.
2
3 4 = 3 4 = 12
4 8 = 32...
Escalar
Vector
1
2
4 = 41 2 =
Escalar
3 = 32 = 9
1
1
=
12
4
2
Vector
Definicin de
Propiedad asociativa
la operacin
Idntico aditivo:
Encuentre 0 V tal que
x 0 = x,
x 0 = x.
Luego 0 = 1. Es decir, el nmero real positivo 1 es el idntico aditivo o cero
para este espacio.
30
Inverso aditivo.
Para todo xV , x debe satisfacer que
x (x) = 0,
luego x(x) = 1.
As que x =
Como x > 0,
1
.
x
1
> 0 y, por tanto,
x
x V .
Las dems propiedades las dejamos como ejercicio.
1.4 Propiedades
Teorema 1
Sea V un espacio vectorial. Entonces:
i.
ii.
iii.
iv.
0 x = 0 para todo x V .
v.
Si x = 0, entonces = 0 x = 0 (o ambos).
vi.
( 1) x = x para todo x V .
propiedad iii
luego 0 = 0 + 0 = 0 + 0 = 0.
propiedad v
31
iii.
vi.
0 + 0 = 0,
propiedad iii
( 0 + 0) = 0,
multiplicando por
0 + 0 = 0,
propiedad vii
( 0 + 0) + ( 0) = 0 + ( 0),
0 + ( 0 + ( 0)) = 0,
propiedades ii y iv
0 + 0 = 0,
0 = 0.
propiedad iv
propiedad iii
1 + (1) = 0,
0 = 0 x = [1 + ( 1)]x = 1x + ( 1) x = 0,
1x + ( 1) x + ( x ) = x ,
( x + ( x )) + ( 1) x = x ,
0 + ( 1) x = x ,
( 1) x = x.
32
Mdulo 1
1.
2.
3.
En el ejemplo 7, verifique los axiomas ii, v, vii, viii, ix y x de la definicin de espacio vectorial.
4.
5.
En el ejemplo 8 verifique el cumplimiento de los axiomas v, vii, viii, ix y x de la definicin de espacio vectorial.
En los ejercicios 6 a 16 determine si el conjunto dado, junto con las operaciones dadas, es un espacio vectorial. Si no lo es,
mencione al menos un axioma de la definicin que no se cumple.
6.
3
Sea V = {( x, y , z ) \ / z = 0, x, y \} con las operaciones usuales de \ 3 .
7.
8.
Sea V el conjunto de matrices simtricas reales de n n con las operaciones matriciales usuales.
9.
Sea V el conjunto de matrices antisimtricas reales de n n con las operaciones matriciales usuales.
10.
11.
12.
Sea V = { Ann / AC = 0, C es una matriz constante de n n} con las operaciones matriciales ordinarias.
13.
Sea V el conjunto de todos los pares ordenados de nmeros reales ( x, y ) con x 0, con las operaciones usuales
en \ 2 .
14.
Sea V = {C} (un conjunto con un solo elemento) con las operaciones de suma y producto por un escalar definidas
por C + C = C y C = C para todo \.
15.
Sea V el conjunto \ 3 con la operacin de suma usual y la operacin producto por un escalar definida por:
: ( x, y, z ) = ( x,1, z ), \.
Captulo 1: Espacios
vectoriales
lgebra Lineal Elemental
y Aplicaciones 33
16.
17.
18.
Si x e y son vectores de un espacio vectorial V, demuestre que existe un vector nico z V tal que x + z = y .
Ejer
cicios del mdulo 1
Ejercicios
34
Subespacios
Preguntas bsicas
1. Qu es un subespacio?
2. Si H es un subespacio de V, el elemento neutro de V pertenece a H?
3. Es la interseccin de subespacios de V un subespacio de V? Lo es la unin?
4. En todo espacio vectorial hay subespacios?
Introduccin
En muchas aplicaciones es necesario emplear subconjuntos de espacios vectoriales,
que son a su vez espacios vectoriales. En el mdulo 1 vimos que el conjunto de
ternas ordenadas que forman un plano que pasa por el origen es un espacio vectorial, as que tanto \ 3 como este subconjunto son espacios vectoriales.
35
Si x H e y H , entonces x + y H .
2.
La demostracin del teorema consiste en verificar que al darse las dos reglas de
cerradura se verifican los dems axiomas de la definicin de espacio vectorial.
Como los vectores de H tambin estn en V, las leyes de asociatividad, conmutatividad,
de distribucin y de identidad multiplicativa (axiomas ii, v, vii, viii, ix y x) se cumplen.
Ahora, si x H , entonces 0x H por (2) y 0 x = 0 (teorema 1, mdulo 1). De igual
manera, (1)x H y ( 1) x = x (teorema 1, mdulo1), verificndose el axioma iv.
Con esto queda completa la demostracin.
El teorema anterior establece que para probar si un conjunto H, H V, es o no un
subespacio de V, basta con probar las dos reglas de cerradura.
Como consecuencia del teorema podemos expresar lo siguiente:
i.
ii.
2.2 Ejemplos
1.
36
Mdulo 2: Subespacios
(x1 , y1 ) = ( x1 , m x1 ) y (x2 , y2 ) = ( x2 , m x2 ).
( x1 + x2 , y1 + y2 ) = ( x1 + x2 , mx1 + mx2 )
= (( x1 + x2 , m( x1 + x2 )).
Luego
( x1 + x2 , y1 + y2 ) H .
( x, y ) = ( x, mx) = ( x, mx) = ( x, m( x) ) ,
( x, m( x)) H .
Por tanto,
( x, y ) H .
En consecuencia, el conjunto de puntos del plano que estn sobre una recta
que pasa por el origen forma un subespacio de \2 .
2.
2
2
Sea H = {( x, y ) \ / y = mx + b} , H \ , H
Veamos si H es un subespacio de \2 .
H est formado por los puntos sobre una recta de pendiente m e intercepto
con el eje y igual a b. Es decir, una recta que no pasa por el origen.
Sean (x1 , y1 ) y (x2 , y2 ) elementos de H. Veamos si (x1 , y1 ) + (x2 , y2 ) H .
(x1 , y1 ) = ( x1 , m x1 + b), (x2 , y2 ) = ( x2 , m x2 + b).
(x1 , y1 ) + (x2 , y2 ) = ( x1 + x2 , y1 + y2 ) = (x1 + x2 , m x1 + b + mx2 + b)
= (x1 + x2 , m ( x1 + x2 ) + 2b).
3
Sea H = {( x, y, z ) \ / x = at , y = bt , z = ct ; a, b, c, t \} .
H es el conjunto de puntos de \ 3 que estn sobre una recta del espacio que
pasa por el origen. Comprobemos para H las dos reglas de cerradura.
Sean ( x1 , y1 , z1 ) y ( x2 , y2 , z2 ) H ; entonces,
( x1 , y1 , z1 ) = (at1 , bt1 , ct1 ) ,
( x2 , y2 , z2 ) = (at2 , bt2 , ct2 ) ,
37
As que H es un subespacio de \3 .
En \ 2 tenemos los siguientes subespacios: los subespacios triviales \ 2 y
2.3 Propiedades
Teorema 2
Sean H1 y H 2 subespacios de un espacio vectorial V. Entonces H1 H 2 es un
subespacio de V.
38
Mdulo 2: Subespacios
Demostracin
H1 H 2 ya que 0 H1 H 2 .
Es decir,
(x1 + x2 ) H1 H 2 .
Ahora, x1 H1 y x1 H 2 , ya que x1 H1 y x1 H 2 .
Luego
x1 H1 H 2 .
Por tanto, se cumplen las dos reglas de cerradura y H1 H 2 es un subespacio.
La interseccin de subespacios es un subespacio, pero la unin ( H1 H 2 ) no
necesariamente es un subespacio.
Ejemplo
H1 = {( x, y )\ 2 / y = x} .
H 2 = {( x, y )\ 2 / y = 2 x} .
(1, 1) H1 y (1, 2) H 2 .
Entonces
(1, 1) ( H1 H 2 ) y (1, 2) H1 H 2 .
39
Mdulo 2
En los ejercicios 1 a 12 se dan un espacio V y un subconjunto W. Determine si W es un subespacio.
1.
V = \2 , W = {( x, y) : x = y} .
2.
V = M nn , W = { A M nn : A es simtrica} .
3.
V = \ 3 , W = {( x, y, z ) \ 3 : ( x, y, z ) es perpendicular a ( a, b, c)} .
4.
V = P4 , W = { p P4 : p(0) = 0} .
5.
V = P4 , W = { p P4 : p(0) = 1} .
6.
V = P4 , W = { p P4 : grado de p = 4} .
7.
Sean V = M nn y W = { A M nn : tr A = 0} .
8.
a 0
V = M 22 , W = A M 22 : A =
.
0 b
9.
a b
V = M 23 , W = A M 23 : A =
d e
10.
a b c
V = M 23 , W = A M 23 : A =
, donde b = a + c .
d
0
0
11.
12.
13.
0 b
Sean V = M 23 , W1 = A M 23 : A =
d e
, donde a = 2c + 1 .
f
c
a b c
con b = a + c .
y W2 = A M 23 : A =
d e 0
a.
b.
40
14.
Sea W = {x \ n : AX = 0, con A M m n } .
Demuestre que W es un subespacio de \ n . W se llama espacio nulo de la matriz A.
15.
Ejercicios
delElemental
mdulo
241
lgebra Lineal
y Aplicaciones
42
{( )}
1
{x }
2
Preguntas bsicas
1. Qu es una combinacin lineal?
2. Cundo un conjunto genera un espacio vectorial?
3. Cmo se genera un subespacio de V a partir de un subconjunto de V?
Introduccin
Iniciamos el mdulo definiendo lo que es una combinacin lineal, concepto ste
necesario para la construccin de subespacios a partir de subconjuntos finitos del
espacio vectorial V. Al subconjunto dado lo llamamos conjunto generador, y al
subespacio construido, subespacio generado.
43
= ai v i .
i =1
Observaciones
1.
2.
El mdulo de un espacio vectorial es combinacin lineal de cualquier conjunto de vectores del mismo espacio.
0 = 0 v1 + 0v2 + ... + 0vn .
3.
4.
Todo vector es combinacin lineal del conjunto que contiene dicho vector.
v1 = 1 v1 + 0 v 2 + ... + 0 v n .
Ejemplos
1.
Figura
2.
3.1
44
3.
5
En \3 , 2 es una combinacin lineal de los vectores
7
4
1
1
y
0 ya
2
1
5
4
1
que 2 = 2 1 + 3 0 .
7
2
1
4.
Luego
6 = 2a1 4 a2 ,
3 = a1 2a2 ,
2 4 a1 6
1 2 a = 3 .
4
2
6 operaciones elementales 1
se reduce a
3
0
2
0
3
0
En P3 , sea A = {1 + x, 1 + x 2 , 2 x + x 3 } . Veamos si Q ( x ) = 3 + x 2 + x 3 es
una combinacin lineal de A.
Expresemos a Q ( x ) como una combinacin lineal de los polinomios de A.
lgebra Lineal Elemental y Aplicaciones
45
Igualando los coeficientes de los trminos del mismo grado en ambos lados
de la igualdad tenemos:
(1)
3 = a1 + a2 .
(2)
0 = a1 + 2a3 .
(3)
1 = a2.
(4)
1 = a3.
Ejemplos
6.
1
0
2
Los vectores y generan \ .
0
1
2
1 0
Por ejemplo, 4 = 2 0 + 4 1 ,
1
y los vectores 0 ,
0
46
0 0
3
1 , 0 generan \ .
0 1
8.
a b
1 0
0 1
0 0
0 0
En M 22 :
=a
+ b
+ c
+d
.
c d
0 0
0 0
1 0
0 1
1 0 0 1 0 0 0 0
Entonces,
,
,
,
generan M 22 .
0 0 0 0 1 0 0 1
En \, sea A = {1} .
gen A = { x x = a 1, a \} = \.
47
1 3 x
1
R R + 2 R
2
1 0
1 y 2
2
R3 R3
0 1 z
0
3
7
1
1
1
R2 R2
y + 2x
7
0
z R3 R3 R2
0
3
1
0
y + 2x
7
y + 2 x
z
7
x
( y + 2 x)
= 0,
7
o sea
2 x + y + 7 z = 0.
gen ( A) = {( x, y, z ) / 2 x + y + 7 z = 0} (plano que pasa por el origen).
Nota: el espacio generado por dos vectores no nulos en \ 3 y que no sean paralelos
es un plano que pasa por el origen.
Teorema 2
Sean v1, v2,..., vn , v n +1 , n + 1 vectores que estn en un espacio vectorial V. Si v1, v2,..., vn
genera a V, entonces v1 , v2 ,..., vn , vn+1 tambin genera a V. Esto es, la adicin de uno
o ms vectores a un conjunto generador de V da por resultado otro conjunto generador de V.
Demostracin
Sea v V ; como { v1 , v2 ,..., v n } genera a V , entonces existen escalares a1 , a2 ,..., an
tales que v = a1 v1 + a2 v 2 + ... + an vn .
As que v tambin puede expresarse como
v = a1 v1 + a2 v 2 + ... + an v n + 0 v n +1 ,
48
Mdulo 3
En los ejercicios 1 a 3 determine si el vector dado w es combinacin lineal de v1 y v2 . Si lo es, encuentre a1 y a2 tales que
w = a1 v1 + a2 v 2 .
1.
2.
3.
4.
v1 = (2, 1) y v 2 = (4, 2) .
a.
w = (6, 3).
b.
w = (1, 1).
c.
w = (0, 0).
v1 = (1, 3) y v 2 = ( 2, 6).
a.
w = (3, 9).
b.
w = (3, 6).
c.
w = (0, 3).
1 2
3 2
v1 =
, v 2 = 1 1 .
2
1
a.
1 0
w=
.
0 1
b.
3 2
w=
.
4 1
c.
13 6
w=
.
1 3
Sean p1 = x + x 2 , p2 = x + x 3 y p3 = x + x 2 + x 3 .
Determine cul o cules de los siguientes polinomios son combinacin lineal de p1 , p2 y p3 .
a.
2x + x 2
b.
c.
d.
2 3x + 4 x 2 + x 3
0
x
Ejercicios
delElemental
mdulo
349
lgebra Lineal
y Aplicaciones
5.
6.
7.
2
v1 = 1 ,
0
1
v2 = 3 .
0
3
v1 = 0 ,
1
6
v 2 = 0 ,
1
7
v3 = 0 .
2
2 0
B=
.
0 1
8.
3 0
A=
,
0 1
9.
p1 = 2 x + 3, p2 = 3 x 5.
10.
p1 = 3 x + 4 x 2 , p2 = 2 x 5 x 2 , p3 = x + x 2 .
En los ejercicios 11 a 14 determine si el conjunto dado de vectores genera el espacio vectorial dado.
11.
1 2
En \ 2 ; , .
3 0
12.
1
En \ 2 ; ,
2
13.
1 2 0
En \ ; 2 , 3 , 1 .
0 5 3
14.
1
En \ ; 1 ,
1
15.
16.
2 3
, .
4 6
2
4,
1
5
9.
3
50
Independencia lineal
Contenidos del mdulo
Preguntas bsicas
1. Cundo un conjunto es LD?
2. Cundo un conjunto es LI?
3. Qu significa que un subconjunto de tres vectores de \ 3 sea LD?
4. Tiene sentido hablar de un vector LI?
5. Por qu los conceptos de independencia y dependencia lineal se vinculan con la
solucin de sistemas homogneos de ecuaciones lineales?
Introduccin
En el mdulo anterior vimos que pueden tenerse infinitud de conjuntos generadores de un espacio vectorial. Es claro, por razones de economa, que lo que se desea
es hallar los conjuntos generadores ms pequeos posibles para los espacios
vectoriales. Para lograr esto se requiere el concepto de independencia lineal.
Mostraremos el significado de independencia lineal y su relacin con la teora de
sistemas homogneos de ecuaciones y determinantes.
Vea el mdulo 4 del programa
de televisin lgebra Lineal
51
4.1 Def
inicin y ejemplos de conjuntos linealme
nte
Definicin
linealmente
iin
ndependientes (LI) y linealmente dependientes (LD)
Definicin 1
Sean v1 , v2 ,..., vn , n vectores diferentes de un espacio vectorial V. Se dice que los
vectores son linealmente dependientes, LD, si existen n escalares c1 , c2 ,..., cn , no
todos cero, tales que:
c1 v1 + c2 v2 + ... + cn vn = 0.
(1)
Si los vectores no son linealmente dependientes, se dice que son linealmente independientes, LI, es decir, la ecuacin:
c1 v1 + c2 v 2 + ... + cn vn = 0
Ejemplos
1.
2c3 = 0
A x = 0,
c1
x = c2 .
c3
1 1 3
7 1 5
se reduce por medio de
La matriz de coeficientes del sistema
2 0 2
52
1 0 1
0 1 2
. El sistema equivalente es
operaciones elementales a
0 0 0
c1 = c3 .
c2 = 2c3 .
c3 = c3 .
La fila nula de esta matriz nos indica que el sistema tiene infinitas soluciones, es decir, hay soluciones con x 0 (c3 0) y, por tanto, A es LD.
2.
En P2 , sea B = {1 + x 2 , 2 + x, x 2 } . Es B LD o LI?
Solucin
Dada la ecuacin
c1 ( 1 + x 2 ) + c2 (2 + x ) + c3 x 2 = 0 + 0 x + 0 x 2 ,
2.
3.
53
con =
c1
c3
y =
c1
c
u 2 v = u + v,
c3
c3
c2
.
c3
Recuerde que tres vectores del espacio son coplanares si y slo si su producto
triple es igual a cero.
Por qu u (u v) y v (u v) son iguales a cero?
3
En conclusin: si u, v, w son tres vectores LD en \ , ellos son coplanares.
4.3 Propiedades
Teorema 1
Un conjunto de n vectores de \m siempre es LD si n > m.
Demostracin
Sean v1 , v2 ,..., vn n vectores en \m.
Examinemos la ecuacin
c1 v1 + c2 v 2 + ... + cn vn = 0 ,
a11
a12
a1n
a21
a
a
, v 2 = 22 ,..., v n = 2 n .
donde v1 =
#
#
#
am1
am 2
amn
#
#
am1c1 + am 2 c2 + ... + amn cn = 0.
54
ciones. Por tanto, existen escalares c1 , c2 ,..., cn , no todos cero, que satisfacen la
ecuacin y { v1 , v2 ,..., vn } es LD.
Corolario
Un conjunto de vectores LI en \ n contiene a lo ms n vectores.
Teorema 2
a11
a
21
Sea A =
#
am1
a12
a22
#
am 2
" a1n
" a2 n
.
#
" amn
homogneo A x = 0 es la trivial x = 0 .
Teorema 4
Sea A una matriz n n . Entonces det A 0 si y slo si las columnas de A son LI.
Teorema 5
Todo conjunto de n vectores LI en \ n genera \n .
Demostracin
a11
a12
a1n
x1
a21 , v = a22 ,..., v = a2 n son LI y sea v = x2
v
=
Suponga que 1
2
n
#
#
# un
#
an1
an 2
ann
xn
vector de \ n .
Veamos que existen escalares c1 , c2 ,..., cn tales que v = c1 v1 + c2 v 2 + ... + cn v n .
x1 = c1 a11 +
x2 = c1a21 +
#
Luego xn = c1an1 +
c2 a12 +
"+
cn a1n
c2 a22 +
"+
cn a2 n
#
c2 a n 2 +
#
"+
cn ann
c1
c
C= 2
#
cn
55
Sea ai 0, entonces,
vi =
a
a1
a
v1 2 v 2 ... n v n .
ai
ai
ai
Por tanto,
56
57
Mdulo 4
En los ejercicios 1 a 4 muestre por inspeccin que los vectores son linealmente dependientes, LD.
1.
2.
3.
P1 = 1 + 4 x, P2 =
4.
1 2
A1 =
,
0 1
1
2 x, en P1 .
2
0 1
A2 =
,
4 2
1 3
A3 =
, en M 22 .
4 1
6.
7.
8.
P1 ( x ) = 1 + x + x 2 , P2 ( x ) = 2 x + 3 x 2 , P3 ( x) = 1 + 5 x 3 x 2 , en P2 .
9.
P1 ( x ) = 1 + x, P2 ( x) = x 2 + x 3 , P3 ( x) = 2 2 x + 3 x 2 + 3 x 3 , en P3 .
10.
1 3 2
A1 =
,
0 0 0
11.
1 0 0 1 1 1 1 1
3 1 , 1 0 , 0 6 , 1 2 , en M 22 .
12.
Si {u1 , u2 , u3 } es un conjunto LI, demuestre que {u1 , u 2 } , {u1 , u3 } , {u1} , {u2 } son LI.
13.
14.
15.
Si {u1 ,..., un } es LI, pruebe que cualquier subconjunto no vaco de este conjunto es LI.
16.
Si {u1 ,..., un } es LD, pruebe que {u1 ,..., un , un +1 ,..., uk } tambin es LD.
0 6 4
A2 =
,
4 6 2
1 0 0
A3 =
, en M 23 .
2 3 1
58
17.
Sea A una matriz cuadrada n n cuyas columnas son los vectores v1, v2 ,..., vn . Demuestre que v1 , v2 ,..., vn son LI si
y slo si la forma escalonada reducida por renglones de A no contiene un rengln de ceros.
En los ejercicios 18 y 19 escriba la solucin del sistema homogneo dado en trminos de uno o ms vectores LI.
18.
x1 x2 + 7 x3 x4 = 0
2 x1 + 3 x2 8 x3 + x4 = 0
19.
x1 + 2 x2 x3 = 0
2 x1 + 5 x2 + 4 x3 = 0
20.
21.
22.
23.
24.
Suponga que { v1 , v2 ,..., vk } es un conjunto LI y que vk +1 no est en gen { v1 , v2 ,..., vk } . Demuestre que
es un conjunto LI.
25.
Para cules valores de son LD los vectores (1, 0, 1), (2, 1, 2) y (1, 1, ) en \3 ?
26.
27.
Encuentre un conjunto de tres vectores LI en \ 3 que contenga los vectores (1, 2, 4), (1, 0, 2).
28.
3
Si u, v y w son tres vectores coplanares en \ , demuestre que {u, v, w} es un conjunto LD.
Ejer
cicios
mdulo
4 59
lgebradel
Lineal Elemental
y Aplicaciones
Ejercicios
60
Bases y dimensin
Contenidos del mdulo
5.1
5.2
5.3
5.4
2
3
Base estndar {1, x, x , x } de P3 .
Preguntas bsicas
1. Qu es una base para un espacio vectorial?
2. Cmo se construye una base?
3. Cmo se relacionan los conceptos de base y dimensin?
4. Cundo se dice que un espacio tiene dimensin infinita?
5. Un conjunto generador de \ n con n vectores es una base para \ n ?
6. Un conjunto LI de n vectores de \ n es una base para \ n ?
Introduccin
Veamos que si un conjunto S, linealmente dependiente, genera un espacio vectorial,
podemos eliminar en S aquellos vectores que son combinacin lineal del resto,
hasta cuando en S slo quedan los vectores que son LI. Este nuevo conjunto es el
generador del tamao mnimo para el espacio vectorial. Dicho conjunto de vectores
es una base para el espacio y el nmero de elementos del conjunto, su dimensin.
Llegamos ac al punto central del captulo de espacios vectoriales; las nociones
anteriores nos permitirn definir estos dos conceptos a partir de los cuales podemos construir espacios vectoriales.
61
ii.
Ejemplos
1.
1
0
0
0
0
1
0
0
#
0
#
#
e1 = , e2 = ,..., ei = ,..., en =
#
#
1
#
#
#
#
0
0
0
0
1
forman una base para \n . Cada uno de estos conjuntos recibe el nombre de
base natural, estndar o cannica para \ 2 , \ 3 y \ n , respectivamente.
Ya sabemos que todo conjunto de n vectores LI en \n genera a \n . Por
tanto, todo conjunto de n vectores LI en \n es una base de \n .
2.
3.
2
n
En Pn la base estndar est formada por el conjunto {1, x, x ,..., x } . Por qu?
1 0 0 1 0 0 0 0
En M 22 el conjunto de matrices 0 0 , 0 0 , 1 0 , 0 1 es una
4.
x
y z = 3x + 2 y.
z
62
1
0
,
y
= x 0 + y1
3x + 2 y
3
2
lo que muestra que estos dos vectores generan . Adems, son LI ya que
uno no es un mltiplo escalar del otro.
1 0
0 , 1
Es decir, es una base para .
3 2
63
a12 v 2 +
a22 v 2 +
"+
"+
a1n v n
a2 n v n
"+
#
amn v n .
um = am1 v1
am 2 v 2
(1)
existe ci 0.
c1 (a11 v1 + a12 v 2 + ... + a1n v n ) + c2 (a21 v1 + a22 v 2 + ... + a2 n v n ) + ...
+cm (am1 v1 + am 2 v 2 + ... + amn v n ) = 0.
a21c2 +
a22 c2 +
"+
"+
#
a1n c1 +
#
a2 n c2 +
"+
am1cm = 0
am 2 cm = 0
#
am n cm = 0,
64
Definicin 2
La dimensin de un espacio vectorial no nulo es el nmero de vectores en una base
para V. Como el conjunto {0} es linealmente dependiente, se dice que el espacio
vectorial {0} tiene dimensin cero.
Cuando la base del espacio vectorial V es un conjunto finito de vectores, se dice
que V es de dimensin finita. Sin embargo, existen muchos espacios vectoriales
para los cuales no hay una base con un nmero finito de vectores; estos espacios
son de dimensin infinita, por ejemplo el espacio vectorial P de todos los polinomios y el espacio C[a, b] de funciones continuas en [a, b] .
La dimensin de V se denota por dim V.
Ejemplos
5.
dim \ n = n.
6.
dim Pn = n + 1.
7.
dim M mn = mn.
Teorema 3
Si dim V = n y {u1 , u 2 ,..., u m } es un conjunto LI de m vectores de V, entonces
m n.
Demostracin
Sea { v1 , v2 ,..., vn } una base para V, es decir, dim V = n. Cualquier conjunto LI de
vectores de V tiene a lo ms n vectores. Como H V , todo conjunto LI de H
tambin es LI en V. Luego H es de dimensin finita y dim H n.
Ejemplos
8.
65
n
Sea A una matriz m n y sea S = {x R : Ax = 0} .
x y z = 0,
2x y + z = 0.
1 1 1
1 1 1
1 0 2 .
2 1 1 0
0 1 3
1
3
Luego,
x = 2 z,
y = 3 z.
z = 1z.
2
Todo vector del espacio solucin es mltiplo escalar del vector 3 .
1
Por tanto,
2
B = 3 .
1
66
b.
Demostracin
a.
2.
Ejemplo
Sea S = {(1, 1, 1), (0, 1, 1)} . Obtenga una base de \ 3 que contenga a S.
Solucin
Como \ 3 tiene dimensin tres, la base para \ 3 debe contener tres vectores.
67
y por tanto
0
1
1
1
1 1
1 0
x1
operaciones
x2
elementales
0 1
0 1
x3
x1 1 0
x1 + x2 0 1
x3 x1 0 0
x1
.
x1 + x2
x3 x1 + x1 + x2
x3 + x2
0
x1
1
x2
1 = 0
x3
1( x3 + x2 ) + x1 (1 1) = 0 x3 + x2 = 0.
68
Mdulo 5
En los ejercicios 1 a 4 explique mediante inspeccin por qu los vectores dados no forman una base del espacio vectorial
dado.
u 2 = (1, 2) , u 3 = (2, 4), para \2 .
1.
u1 = (3, 2),
2.
3.
P1 = 1 + 2 x + 3 x 2 , P2 = 2 x + x 2 , P3 = 5 3 x, P4 = 3 5 x + x 2 , para P2.
4.
3 0
5 7
9 7
M1 =
, M2 =
, M3 =
, en M 22 .
0 2
1 0
2 5
En los ejercicios 5 a 11 determine cundo los vectores dados forman una base del espacio vectorial dado.
5.
6.
7.
8.
9.
P1 = 1 + x, P2 = 3 x, para P
1.
10.
q1 = 1 + x + x 2 , q2 = x + 2 x 2 , q3 = 3 x 2 , para P2.
11.
1 0
M1 =
,
0 0
1 1
M2 =
,
0 0
1 1
M3 =
,
1 0
1 1
M4 =
, en M 22 .
1 1
En los ejercicios 12 a 17 encuentre una base del espacio vectorial dado y determine su dimensin.
12.
13.
Captulo 1: Espacios
lgebra Linealvectoriales
Elemental y Aplicaciones 69
14.
15.
16.
3
Todos los vectores de \
que estn en la recta x = 3t , y = 2t , z = t.
17.
18.
3
Determine una base para \
que incluya los vectores
a.
(1, 1, 2),
b.
(1, 1, 2),
(3, 0, 1).
19.
Determine una base para \ 4 que incluya a los vectores (1, 0, 1, 0) y (0, 1, 1, 0).
20.
2
Determine todos los valores de a para los cuales {( a , 0, 1), (0, a, 2), (1, 0, 1)} es una base para \3 .
21.
En los ejercicios 22 a 25 encuentre una base para el espacio solucin del sistema homogneo dado.
x+ yz =0
22.
2x y + 2z = 0
x y =0
23.
3x + 3 y = 0
24.
x 3y + 2z = 0
2 x + y + 3 z = 0
3x 4 y + 5 z = 0
25.
x + 3 y 2z = 0
3 x + 9 y 6 z = 0
2x 6 y + 4z = 0
26.
27.
28.
70
3
A = 3
4
1 , R
5
C
0 1
0
0
N A : eje x2
A
: plano x1 x3
: plano de ecuacin
x1 x2 = 0
Preguntas bsicas
1. Cules son los subespacios asociados con A?
En las siguientes preguntas, la matriz B es la matriz escalonada equivalente por
renglones a A.
2. Cmo son los espacios nulo y rengln de las matrices A y B?
3. Qu relacin existe entre los espacios rengln y columna de A?
4. Cmo se relacionan los espacios nulo y rengln de A?
5. Qu es el rango de una matriz?
6. Cmo se relacionan los rangos de A y B?
7. Qu condicin debe cumplir el trmino b en la ecuacin matricial Ax = b para
que el sistema tenga solucin?
8. Cmo se relacionan el rango y la nulidad de A con el nmero de columnas de A?
Introduccin
En esta seccin se darn tcnicas que nos permiten determinar una base para un
espacio vectorial que surge como generado por un conjunto de vectores que no
son linealmente independientes. Adems, asignaremos a cada matriz A un nmero
que nos informa acerca del nmero de renglones o columnas LI de A. Este nmero
ser el rango de la matriz.
71
6.1 Esp
acios nulo, rengln y columna de una matri
Espacios
matrizz A
Definicin 1
1
Sea A =
3
2
.
0
2
1
R2 R2 3R1
0
0
1
R1 R1 + R2
0
1 2
N A = gen 3 2
, ( A) = 1.
1
Definicin 2
a11
a
21
Sea mA n =
#
am1
72
a12
a22
#
am 2
" a1n
" a2 n
.
#
" amn
1
4
2
1 1
R2 R2
6
4 0
1
x1 = x3
2
3
x2 = x3
2
x3 = x3
1
1
2
3 2
6.2 Propiedades
Teorema 1
Si A y B son matrices m n equivalentes por renglones, entonces los espacios
generados por los renglones de A y de B son iguales.
Demostracin
Si A y B son equivalentes por renglones, entonces B se obtiene de A por operaciones elementales de rengln. Es claro que la operacin de intercambio de renglones
no afecta el espacio rengln. Las otras operaciones CRi y R j + CRi son combinaciones lineales entre los renglones de A, las cuales pertenecen al espacio rengln A.
Por tanto, el espacio generado por los renglones de B est contenido en el espacio
generado por los renglones de A, RB RA .
De forma anloga se ve que RA RB . En consecuencia, RA = RB .
Este resultado nos permite determinar una base para un espacio vectorial generado
por un conjunto de vectores dado de \n .
Ejemplo 2
2
3
Sea S = 4 ,
1
2
4
6
5 ,
3
4
10
15
14 ,
3
7
12
10 .
4
9
73
2
1
0
6 5 3 4 operaciones elementales
B =
0
15 14 3 7
12 10 4 9
0
4
1
3
2
0
1 ,
1
3
8
3
0
0
0
0
1
0
2
3
3
.
1
10
0
8
0
0
0 .
1
1
10
Observacin
Si B es una matriz escalonada, entonces dim RB es igual al nmero de pivotes de B.
Teorema 2
Sea B una matriz m n en la forma escalonada por renglones. Las columnas de B
que contienen los pivotes forman una base para CB y, por tanto, dim CB es igual al
nmero de pivotes de B.
Demostracin
Las columnas de B que contiene n pivotes son LI porque sus entradas distintas de
cero estn en forma escalonada (en el ejemplo 2 las columnas 1, 3 y 4 son LI) .
Veamos que estas columnas generan CB . Sea el nmero de pivotes de B. Los
primeros renglones de B son diferentes de cero y los ltimos m son todos
cero.
Sea b CB , b es combinacin lineal de las columnas de B, luego los ltimos m
componentes de b son todos cero.
Formemos una matriz Tm ( : # de renglones de B diferente de cero) tomando las
columnas de B que contienen los pivotes y las colocamos ordenadamente,
74
Tm
* " "
0 * "
#
=
0 0 " *
# #
0 0 " 0
Las entradas sealadas con * son los pivotes de B y por tanto diferentes de cero.
Por la forma especial de T y b, la ecuacin T x1 = mb1 puede resolverse por sustitucin regresiva. Luego b es combinacin lineal de las columnas de T y, por tanto, de
las columnas de B que contienen pivotes.
Teorema 3
Sea mA n y mBn la matriz que resulta al reducir A a su forma escalonada. Los vectores
columna de B que contienen los pivotes forman una base para CB , entonces los
vectores columna correspondientes de A formarn una base para C A y, en consecuencia,
dim C A = dim CB .
: nmero de pivotes de B.
dim RB = dim RA = .
dim CB = .
dim CB = dim C A .
75
o ( A) + ( A) = n.
Teorema 5
Sea mA n . Cada vector del espacio rengln de A, RA es ortogonal a todo vector del
espacio nulo de A, N A .( RA N A ).
Demostracin
Consideremos la ecuacin A x = 0 .
r1 a11
r2 a21
#
rm am1
a12
a22
#
am 2
" a1n x1 0
" a2 n x2 0
=
# # # .
" amn xn 0
i = 1,..., m .
Ahora, si y R A , entonces
y = C1r1 + C 2 r2 + ... + C m rm y
y x = C1r1 x + C2 r2 x + ... + Cm rm x = 0,
luego todo vector del espacio rengln es ortogonal a todo vector del espacio nulo.
76
0
Sea A = 0
0
2 3
4 6
3
6
2
.
1
7
Determinemos N A , C A , A , A .
Solucin
0
0
2 3
2 3
1
3
operaciones elementales
0
0
7
2
1
1
0
4 .
0
3
1
x3 x4 x5 .
2
2
x2 =
3
1 3
3
5
x3 x5 x5 = x3 x5 .
2
2 4
2
8
Parmetros: x1 , x3 y x5 .
Entonces:
x1 = x1 ,
x2 =
x3 =
x4 =
x5 =
3
5
x3 x5 ,
2
8
x3 ,
3
x5 ,
4
x5 .
x1
x1
1
0
0
3
5
x2
x2
0
2
8
x3 N A x3 = x1 0 + x3 1 + x5 0 .
3
x4
x4
0
0
4
0
0
1
x
x
5
5
lgebra Lineal Elemental y Aplicaciones
77
N A = gen 0 , 1 , 0 , A = 3.
0
0 3
4
0 0 1
RA = gen 0, 1, , , 1 , 0, 0, 0, 1, .
2
2
4
Los pivotes se encuentran en la 2. y 4. columnas de la matriz escalonada equivalente a A, luego en A las columnas 2. y 4. son LI y constituyen una base para C A .
2
C A = gen 2 ,
4
1
3 ,
6
A = 2.
a.
( A) = 0.
b.
( A) = n.
Teorema 7
Sea mA n . El sistema Ax = b tiene solucin si y slo si b CA .
Demostracin
A x = b tiene solucin si y slo si
x1
x
[c1 , c 2 ,..., c n ] 2 = b tiene solucin.
#
xn
78
( A ) = [ A# b ]
( A ) = [ A# b ] b C A
( A ) [ A# b ] b C A y el sistema ser inconsistente.
Ejemplo 4
Veamos si el sistema
x+ yz = 7
6 x + y + 3 z = 20
4 x y + 5z = 4
tiene solucin.
Solucin
1
6
4
0
0
1
7
20 0
0
4
1
1
0
1
9
1
7
22 0
0
24
22
2
5 ( A) = 2
, b CA
1 ( A# b) = 3
22
79
Mdulo 6
En los ejercicios 1 a 3 se da una matriz en forma escalonada. Encuentre una base para su espacio rengln, una base para su
espacio columna y determine su rango.
1.
1 5 3 0 1
0 0 1 7 3
0 0 0 0 1
2.
1
0
4
0
0
0
5
1
0
3.
1
0
4 0 5
1 3 0
0 1 0
0 0 1
En los ejercicios 4 a 9 encuentre bases para los espacios nulo, rengln y columna de la matriz dada. Determine adems el
rango y la nulidad y verifique en cada caso que A + A = n.
4.
3
4
7.
0 2 3 1 2
0 2
3 3 1
0 4 6 6 7
2 5
3 2
7 8
6 1
5.
1 2 3
2 4 5
3 6 0
6.
2 4 0 0
1 0 3 5
2 6 4 0
8.
1 4 1
2 2 3
1 6 0
2 8 9
9.
1 1 0
0 0 2
4 0 2
3 1 0
0
1
2
En los ejercicios 10 a 12 encuentre una base para el espacio generado por los conjuntos de vectores dados.
10.
11.
2
1
,
2
1
12.
80
3
2
,
3
2
1
2
,
1
2
1
1
,
1
1
5
3
.
5
3
0
3
1
x+ yz = 2
x + 2 y + 2 z = 3
2x + 3y + z = 1
14.
x+ yz = 2
15.
x + 2 y + 2 z = 3
2 x + 3 y + z = 1
x 2y + z + w = 2
+ 2 z 2w = 8
3x
4y z w =1
5x
+ 3z w = 3
16.
Sea A una matriz diagonal. Demuestre que ( A) es el nmero de componentes diferentes de cero en la diagonal.
17.
18.
Sea A una matriz triangular n n con ceros en la diagonal. Demuestre que ( A) < n.
19.
n
Sea A una matriz n n . Demuestre que ( A) < n si y slo si existe un vector x \
tal que x 0 y Ax = 0.
20.
b.
c.
d.
21.
b.
m
Si las columnas de A generan \ , cul es el rango de A y cul es la relacin entre m y n?
c.
m
Si las columnas de A forman una base de \ , cul es la relacin entre m y n?
Ejer
cicios
mdulo
681
lgebra del
Lineal Elemental
y Aplicaciones
Ejercicios
82
5.5
B 1 = v1 , v 2 , v B =
1
4.5
2
B2 = v1 , v 2 , v B =
2
2
Preguntas bsicas
1. Cmo se expresa un vector como vector coordenado en una base B?
2. Cmo se realizan las operaciones de suma y producto por un escalar entre los
vectores de coordenadas de un espacio V?
3. Cmo estn formadas las columnas de la matriz de transicin de una base B1 a
una base B2 ?
4. Cmo se relacionan las matrices de transicin de B1 a B2 y de B2 a B1 ?
5. Cmo se realiza el cambio de la expresin de un vector de una base B1 a una base B2 ?
6. Cmo se emplean los vectores coordenados para determinar si un conjunto es LI?
Introduccin
Hemos introducido las llamadas bases estndar o cannicas que, por lo general,
son ms fciles de usar. Sin embargo, hay muchos problemas de la fsica y la ingeniera donde es ms adecuado el uso de otras bases. En este mdulo veremos la
manera de pasar la expresin de un vector de una base a otra.
83
[ v ]B
a1
a
= 2
# .
an
1
3
v1 = y v 2 = forman otra base de \ 2 .
2
5
1
Sea x = ; entonces, x = 1e1 1e 2 .
1
1
Si B1 = {e1 , e 2 } ; entonces, (x) B1 = .
1
1 3
2 1
2 5
2 v1 1v 2
2
luego (x) B2 = (figura 7.1).
1
84
Figura
7.1
Ejemplo 2
En P2 , consideremos el polinomio P ( x ) = 3 + 2 x + x 2 , el vector de coordenadas de
P( x) :
i.
ii.
En la base B2 = {1 + x, 1 x 2 , 1 + x + x 2 } es ?
} , es: [ P( x)]
B1
3
= 2 .
1
c1 + c2 + c3 = 3 ,
c1 + c3 = 2,
c2 + c3 = 1.
85
1
0
1
0
0
1
0
1
1
0
1
1
0
3
1
20
0
1
2
1
1 0
0
2
1 1
1 0
0
0
1
0
0
1
,
2
1
2
luego c1 = 0, c2 = 1 y c3 = 2,
as que:
3 + 2 x + x 2 = 0(1 + x ) + (1 x 2 ) + 2(1 + x + x 2 ),
[ P ( x ) ]B
0
= 1 .
2
Teorema 1
Sea B una base de un espacio vectorial V, u y v dos vectores de V y un escalar,
entonces:
[u]B + [ v ]B = [u + v]B ,
[u]B = [ u]B .
Observacin
Con los vectores de coordenadas se opera en la misma forma que en \ n .
c1
para \ . Si v \ , entonces ( v) B1 = c2 , es decir,
c
3
3
v = c1v1 + c2 v2 + c3 v3 .
Vea en su multimedia de lgebra
Lineal el cdigo fuente en
MATLAB para ilustrar Cambio
2
86
(1)
(2)
Luego
( v ) B2
= c1a21 + c2 a22 + c3 a23 = a21
c a +c a +c a a
1 31 2 32 3 33 31
a12
a22
a32
a13 c1
a23 c2
a33 c3
( v1 ) B2 ( v 2 ) B2 ( v 3 ) B2
= ( v1 ) B2 ( v 2 ) B2 ( v 3 ) B2 ( v ) B1
= PB2 B1 ( v ) B1 .
Definicin 2
La matriz PB2 B1 cuyas columnas son los vectores de la base B1 expresadas en la
base B2 recibe el nombre de matriz de transicin de la base B1 a la base B2.
Si B1 = { v1 , v2 ,..., vn } y B2 = {w1 , w2 ,..., wn } ,
PB2 B1
a11
a
= 21
#
an1
( v1 ) B2
" a1n
a22 " a2 n
#
#
an 2 " ann
( v 2 ) B2 ( v n ) B2
a12
Teorema 2
Sean B1 y B2 bases de un espacio vectorial V. Sea PB2 B1 la matriz de transicin de
B1 a B2 ; entonces, para todo x V ,
87
Demostracin
Sabemos que (x) B2 = P(x) B1 .
Como P es invertible, multipliquemos por P 1 a la izquierda, en cada lado de la
ecuacin.
P 1 (x) B2 = P 1 P (x) B1
= I (x) B1 = (x) B1 ,
1
luego (x) B1 = P (x) B2 .
PB1 B2 = [ v1 v 2 ... v n ],
o sea que PB1 B2 se forma escribiendo la base B2 como una matriz. Luego, aplicando el teorema,
PB2 B1 = ( PB1 B2 )1.
Ejemplo 3
1 0 0
1 1 1
En \ , sean B1 = 0 , 1 , 0 y B2 = 0 , 1 , 1 .
0 0 1
0 0 1
3
x
Expresemos el vector y \ 3 en trminos de la base B2 .
z
88
1 1 1
0 1 1
0 0 1
1 0 0
1
0 1 0 0
0
0 0 1
0
1
0
0
1
0
1 0
1 1
0 1
PB2 B1
x
x
y = PB2 B1 y
z
z
B2
B1
1 1 0 x x y
= 0 1 1 y = y z .
0 0 1 z z
Ejemplo 4
Escribamos el polinomio a0 + a1 x + a2 x 2 de P2 en trminos de la base
B2 = {1, x 1, x 2 1} .
2
Empleando la base estndar, B1 = {1, x, x } , se tiene:
1
(1) B1 = 0 ,
0
1
( x 1) B1 = 1 ,
0
1
( x 1) B1 = 0 .
1
2
PB1 B2
1 1 1
= 0 1 0 .
0 0 1
Determinemos PB2 B1
89
0
0
1
1
0
1
0
1
1
0
0
0
1
0
0
0
1
1
0
0
0 0
1 0
0 1
1
0
0
1
1
0
0
1
PB B
2 1
a0
a0 + a1x + a2 x expresado como vector coordenado en la base B1 es: a1
a
2
2
a0
1 1 1 a0 a0 + a1 + a2
0 1 0 a =
=
a
a1
1
1
.
a
0
0
1
a
a
2
2 B2
2
Ejemplo 5
1 2
2
En \ 2 supongamos que (x) B1 = 1 , donde B1 = 1 , 3 ; expresemos x en
0 5
trminos de la base B2 = , .
3 1
2
0
5
= a12 + a22 .
3
3
1
5
1
5a22 = 2
3a12 1a22 = 3
5
1
Estos dos sistemas poseen la misma matriz de coeficientes y por tanto podemos
formar una sola estructura con la matriz de coeficientes al lado izquierdo y los
trminos independientes al lado derecho.
90
5
1
2 operaciones elementales 1
3
0
1
1
0
1
2
1
5
5
17
15
1 2
1 B2 3 B2
Luego
25
PB2 B1 =
15
Entonces,
17
2
.
5
15
2 5 17 15 2
(x) B2 =
1 5 2 5 1
13
= .
0
operaciones elementales
B1
I
PB2 B1 .
an1
an 2 " ann
91
4 + 6 x + 3x 2 + 7 x3 son LD o LI.
2
3
Usando la base estndar de P3 , B1 = {1, x, x , x } , se tiene:
1
0
(1 + x 2 ) B1 = ,
1
0
1
3
(1 3 x + 4 x 2 + 5 x 3 ) B1 = ,
4
5
2
5
(2 + 5 x 6 x 3 ) B1 =
y
0
6
4
6
(4 + 6 x + 3 x 2 + 7 x 3 ) B1 = .
3
7
Entonces
1 1 2
0 3 5
det A =
1 4
0
0 5 6
92
4
6
0.
3
7
Mdulo 7
En los ejercicios siguientes, todas las bases son bases ordenadas.
En los ejercicios 1 a 7 calcule el vector coordenado de v con respecto a la base B dada para el espacio vectorial V.
V es \2 ,
1 0
B = , ,
0 1
V es \ ,
1 0 0
B = 0 , 1 , 0 ,
0 0 1
V es \ ,
1 0 1
2
B = 1 , 1 , 0 , v = 3 .
0 0 2
1
4.
V es P1 ,
B = {1 + x, 1 + 2 x} ,
v = 3 + 4 x.
5.
V es P2 ,
B = {1, x 1, x 2 1} ,
v = 1 + 2x x2 .
6.
V es P2 ,
7.
V es M 22 ,
1.
2.
3.
3
v = .
1
4
v = 1 .
0
B = {1 x + x 2 ,1 + x,1 + x 2 } ,
v = 3 2x + 4x2 .
1 0 1 1 1 1 1 1
B =
,
,
,
0 0 0 0 1 0 1 1
2 0
v=
.
1 3
1 2
1
B1 = , , B2 = 1 2 ,
3 1
2
2 1
, B3 = , , B4 =
2
1 3
3
1
1 2
, 3
2
bases para \ .
2
8.
de B1 y B2 .
b.
de B2 y B3 .
c.
de B1 y B3 .
Multiplique las matrices de a y b en ambas formas. Est alguno de estos productos relacionado con la matriz de c?
Captulo 1: Espacios
vectoriales
lgebra Lineal Elemental
y Aplicaciones 93
9.
1
Sea x = . Exprese ( x ) B1 . Usando las matrices del ejercicio 8, calcule ( x) B2 , ( x) B3 .
1
10.
En los ejercicios 11 a 13 calcule el vector v si el vector de coordenadas [ v ]B est dado con respecto a la base B de V.
11.
V es \ 2 ,
2
B = ,
1
1
,
1
12.
V es P2 ,
B = {1 x, 1, 1 + x + x 2 } ,
1
( v) B = .
2
1
( v) B = 1 .
2
B = {1 + x 2 , 2 + 2 x + x 3 , 1 + 2 x x 2 + 3 x 3 , 2 x 2 + 3 x 3 } ,
2
1
( v)B = .
1
3
13.
V es P3 ,
14.
2
Sean B1 = {(1, 3), (1, 2) } , B2 = {(0, 1), (2, 3) } bases para \ , y sean v = (3, 4), w = (4, 5) .
a.
b.
c.
d.
e.
f.
Determine los vectores de coordenadas de v y w con respecto de B2 utilizando PB2 B1 . Compare las respuestas
con las del literal a.
15.
2
2
2
Sean B1 = {1 + x , 2 + x, 3 + x} y B2 = { x + 2 x , 3 + x + x, x} bases para P2. Sean v = 6 4 x + 8 x 2 y
16.
17.
Sean B1 = { v1 , v2 , v3 } y B2 = {w1 , w 2 , w3 } bases para \ 3 , donde v1 = (1, 0, 1), v 2 = (1, 1, 0), v 3 = (0, 0, 1). Si la
1 1 2
matriz de transicin de B2 en B1 es 2 1 1 , determine B2 .
1 1 1
94
Ejer
cicios del mdulo 7
Ejercicios
18.
2
Sean B1 = { v1 , v2 } y B2 = {w1 , w 2 } bases para \ , donde v1 = (1, 2), v 2 = (0, 1). Si la matriz de transicin de B2 en
2 1
B1 es 1 1 , determine B2 .
19.
Suponga que los ejes x e y en el plano se rotan un ngulo en sentido antihorario generando nuevos ejes x, y.
a.
b.
cos
Demuestre que la matriz de cambio de coordenadas est dada por sen
sen
.
cos
En P2 : 3 + 2 x, 1 x + x 2 , 2 x x 2 .
21.
En P2 : 2 + 2 x, 2 x + x + 12 x 2 , x + 4 x 2 .
22.
2 3 0 7 1 0 1 1
En M 22 :
,
,
,
.
4 1 9 6 4 2 0 3
23.
24.
Captulo 1: Espacios
vectoriales
lgebra Lineal Elemental
y Aplicaciones 95
Captulo 2
Ortogonalidad
Mdulo 8
Bases ortonormales y proyecciones en \ n
Ejercicios
Mdulo 8
Mdulo 9
Mtodo de aproximacin por
mnimos cuadrados
El experimentador desea comprobar la relacin existente entre la fuerza aplicada al resorte y su
deformacin. Para ello elabora una tabla donde registra el peso aplicado y la deformacin sufrida
por el resorte, y obtiene una nube de puntos que ajusta a una recta mediante el mtodo de
mnimos cuadrados.
Ejercicios
Mdulo 9
Mdulo 10
Espacios con producto interno
Ejercicios
Mdulo 10
98
Preguntas bsicas
1. Qu es un conjunto ortogonal?
2. Qu propiedades tienen los conjuntos ortogonales?
3. Cmo se construye una base ortonormal para un subespacio de \ n ?
4. Cmo se calcula la proyeccin ortogonal de un vector sobre un subespacio?
5. Cmo se encuentra el complemento ortogonal de un subespacio H de \ n ?
6. Cmo se relacionan un subespacio H y su complemento ortogonal H en \ n ?
7. En la descomposicin de un vector a \ n , como a = p + q con p H y
q H , a qu son iguales p y q?
Introduccin
En \ n la base estndar B = {e1 , e 2 ,...e n } tiene la propiedad de que ei e j = 0
99
Captulo 2: Ortogonalidad
Hemos podido apreciar lo cmoda que resulta esta base en el manejo algebraico de
los vectores de \n . En este mdulo mostraremos la forma de dotar los subespacios
de bases con las caractersticas de la base estndar de \n . A estas bases las llamaremos bases ortonormales. Adems veremos el concepto de proyeccin ortogonal
de un vector de \n sobre un subespacio de ste, concepto que nos ser de gran
utilidad cuando se trata de aproximar la solucin de un sistema inconsistente y = Ax
de manera que se minimice el error cometido.
100
Definicin 1
Sea S = {u1 , u 2 ,..., u k } un subconjunto de \n .
Se dice que S es un conjunto ortonormal si
1.
u i u j = 0 para i j.
2.
ui = 1.
Los vectores
u1 =
a
1
b
1
c
1
=
(1, 3, 0), u 2 =
=
(3, 1, 1) y u 3 = =
(3, 1, 10)
a
b
c
10
11
110
Captulo 2: Ortogonalidad
Teorema 1
Sea S = {u1 , u 2 ,..., u k } un conjunto ortogonal de vectores no nulos de \n . Entonces S es linealmente independiente.
Demostracin
Planteamos la ecuacin
c1u1 + c2u 2 + ... + ci ui + ... + ck u k = 0.
8.2 Ot
ra forma del problema de llaa base. Proceso de
Otra
ortonormalizacin de Gram-Schmidt
Dada una base S = { v1 , v 2 ,..., v k } para un subespacio de \n , hallar una base
ortonormal B = {u1 ,u2 ,..., uk } . La solucin a este problema nos la brinda el siguiente teorema, conocido como proceso de ortonormalizacin de Gram-Schmidt.
Teorema 2
Sea H un subespacio de dimensin k de \n ; entonces H tiene una base ortonormal.
Demostracin
Supongamos que { v1 , v2 ,..., vk } es una base para H.
102
v1
.
v1
Paso 2
Construccin de un vector ortogonal a u1.
Sea
v2 = v2 proyu1 v2 .
proyu1 v 2 =
( v 2 u1 )
u1
u1 ;
como u1 = 1,
v 2 = v 2 ( v 2 u1 )u1 .
Figura
8.1
Paso 3
Construccin de un vector unitario en la direccin de v2 .
Sea u 2 =
v 2
.
v 2
Captulo 2: Ortogonalidad
Veamos cmo agregar un nuevo vector al conjunto de modo que siga siendo
ortonormal.
Paso 4
Construccin de un vector ortogonal a {u1 , u 2 ,..., u p } .
Sea v p +1 = v p +1 ( v p +1 u1 )u1 ... ( v p +1 u i )u i ... ( v p +1 u p )u p .
v p + 1 se construye quitndole al vector v p+1 sus proyecciones ortogonales sobre
los vectores del conjunto ortonormal construido. Este vector es ortogonal a todos
los vectores del conjunto. Vemoslo.
v p +1 u i = v p +1 ui ( v p +1 u1 ) (u1 u i )... ( v p +1 u i ) (ui u i ) ... ( v p +1 u p ) (u p u i )
= 0.
Paso 5
Construccin de un vector unitario en la direccin de v p +1 .
Sea u p +1 =
v p +1
v p +1
Ejemplo 2
x
Sea W = y : x y + 2 z = 0 un subespacio en \3 .
z
i.
104
iii.
2
Si a = 1 \3 , determine proyW a.
1
Solucin
i.
x
x y 2z
y W y = y =
z
z z
1 2
y 1 + z 0 .
0 1
1 2
W = gen 1 , 0 . Como los vectores son LI, entonces
0 1
1
2
v
=
v
=
1
,
1
2
0 es una base para W . dim W = 2.
0
1
1.
2.
1
v1
1
1 .
u1 =
=
v1
2
0
v 2 = v 2 ( v 2 u1 ) u1
2 2 1 2 1 2 1
1 1
= 0 0 . 2 2 = 1 .
1 1 0 0 1
3.
u2 =
1
v 2
1
=
1 .
v 2
3
1
1 2 1
Base ortonormal de W = 1 2 , 1
1
0
.
3
3
3
Captulo 2: Ortogonalidad
iii.
proyW a = (a u1 )u1 + (a u 2 )u 2 .
2 1 2 1 2 2 1
1 1 1
= 1 . 2 2 + 1 .
1 0 0 1 1
1
1
3
1
3
3
13 6
5
3 = 6 .
2
3 3
3
Figura 8.2
Los vectores u1 y u 2 forman una base ortonormal para el plano generado por los
vectores v1 y v2 (figura 8.2).
Calcular las coordenadas de un vector relativas a una base puede ser un problema
relativamente difcil; ahora, si la base es ortonormal, esto es bastante sencillo, como
se ve en el siguiente teorema.
Teorema 3
n
Sea B = {u1 , u 2 ,..., u n } una base ortonormal de \ n y sea v \ . Entonces,
v = ( v u1 )u1 + ( v u 2 )u 2 + ... + ( v u n )u n .
Demostracin
Ya que B es una base de \ n , v se puede expresar de manera nica como:
v = c1u1 + c2 u 2 + ... + ci ui + ... + cn u n .
106
= ci .
Como esto es vlido para todo i, la demostracin queda completa.
Ejemplo 3
Sea
2
1
1
2
B = u1 =
, 0,
, 0,
, u2 =
, u 3 = (0, 1, 0)
5
5
5
5
una base
c2 = v u 2 = 3 / 5 ,
c3 = v u 3 = 3.
(2, 3, 1) =
4 1
2 3 2
1
, 0,
, 0,
3(0, 1, 0).
5 5
5
5 5
5
= ( v t1 )t1 + ( v t 2 )t 2 + ... + ( v t m )t m .
H = {u \ n : u h = 0 , para todo h H } .
Captulo 2: Ortogonalidad
Ejemplo 4
Sea W = {( x, y, z ) ( x, y, z ) = t (1, 2,3), t \} .
W est formado por todos los vectores ortogonales a (1, 2, 3); se puede mostrar
que W es el plano que pasa por el origen con vector normal (1, 2, 3).
Teorema 5
n
Sea H un subespacio de \ ; entonces
a.
H es un subespacio de \n .
b.
H H = {0} .
c.
dim H = n dim H .
Demostracin
a.
Sean x1 , x 2 H , x1 h = 0 y x 2 h = 0, h H .
Luego
(x1 + x 2 ) h = x1 h + x 2 h = 0 + 0 = 0.
Ahora,
x1 h = (x1 h) = 0 = 0,
lo que prueba que H es un subespacio de \n .
b.
y, por tanto,
Sea {u1 , u 2 ,..., u k } una base ortonormal de H. Esta base puede ampliarse
hasta formar B, una base para \n , B = {u1 , u2 ,..., uk , v k +1 ,..., v n } . Mediante
108
B = 1 2 , 1
1
0
3
3
13 6
2
y para a = 1 encontramos proyW a = 5 6 .
2
1
3
Podemos expresar a como la suma de dos vectores p y q tales que:
p = proyW a y q = proyW a,
lgebra Lineal Elemental y Aplicaciones 109
Captulo 2: Ortogonalidad
a = p + q q = a p = a proyW a,
2 13 6 1 6
q = 1 5 6 = 1 6 = proyW a,
1 2 3
3 3
x
W = y : x y + 2 z = 0 .
z
q=
1
6
entonces
1 6 1
q
= 6 16 = 1
q
1 2
3
.
6
6
6
Base ortonormal de W = 1
2
.
6
6
6
.
6
110
= v proy H v + proy H v h .
2
Si h proy H v ,
proy H v h > 0 y v h > v proy H v
2
y por tanto
v h > v proy H v .
2
13 6
5
En el ejemplo 5, p = proyW a = 6 es el vector en W ms cercano a a = 1 .
1
2
3
ab a b .
ii.
Captulo 2: Ortogonalidad
Demostracin
i.
Figura
8.3
La distancia (al cuadrado) del punto b a la recta que lleva la direccin de a es:
2
a b
2(a b) 2 a b 2
2
b 2 a = b
+ 2 a
2
a
a
a
b a (a b) 2
2
b a > (a b)2 .
2
b a > ab .
Cuando a y b tienen la misma direccin, o sea que b = a para algn escalar , la
distancia calculada ser igual a cero y por tanto se tendr que
ab = a b .
Luego, en general, tenemos que a b a b .
112
Mdulo 8
1.
2.
Verifique que las siguientes son bases ortogonales para \ 3 . Obtenga bases ortonormales a partir de ellas.
a.
b.
Utilice el proceso de Gram-Schmidt para transformar la base de un subespacio de \ 3 , dada por {(1, 1, 1), (0, 1, 1)} , en
una base ortonormal.
3.
4.
Utilice el proceso de Gram-Schmidt para determinar una base ortonormal para el subespacio de \ 4 con base
1
1
1 1
2
1 1
1
3
,
,
,
,
, 0,
Sea S =
,
,
una base ortonormal de \ . Escriba el vector
3
3
6
6
6
2
2
3
(1, 2, 1) en esta base.
6.
2
1
, 0,
. Escriba el vector v = (1, 2, 1) como
Sea W el subespacio de \ 3 con base ortonormal (0, 1, 0),
5
5
p + q con p W y q W .
7.
Determine la distancia del punto (2, 3, 1) al plano 3x 2 y + z = 0. (Sugerencia: encuentre la proyeccin ortogonal
de (2, 3, 1) sobre el plano.)
8.
Construya una base ortonormal para el espacio solucin del sistema homogneo:
x + 3 y 5z = 0
2x y + z = 0
3x + 2 y 4 z = 0
Captulolgebra
2: Lineal
Ortogonalidad
Elemental y Aplicaciones 113
2
1
, 0,
Encuentre una base ortonormal en \ 3 que incluya los vectores u1 =
y u 2 = (0, 1, 0).
5
5
9.
Calcule proyH v.
b.
c.
Escriba v = p + q con p H y q H .
10.
3
x
H = \ 2 : 2 x y = 0 ; v = .
y
5
11.
3
H = y \ : 3x 2 y + 6 z = 0 ; v = 1 .
z
12.
1
y
H = \ 4 : x = 2 y, w = y ; v = .
2
z
13.
14.
Ejer
cicios del mdulo 8
Ejercicios
114
Preguntas bsicas
1. En qu consiste el mtodo de aproximacin por mnimos cuadrados?
2. Cundo se aplica este mtodo?
3. Por qu cuando se da y = Ax, decimos que y C A ?
4. Por qu el vector x que minimiza el error cometido es tal que Ax es igual a la
proyeccin ortogonal de y sobre C A ?
5. Cmo se determina el error cometido en el clculo?
Introduccin
Muchos experimentos relacionados con ciencias fsicas, biolgicas o sociales se
proponen encontrar la relacin existente entre las variables presentes en un determinado fenmeno por medio de una ley matemtica.
En estos procesos se trata de ajustar una curva a los diversos puntos obtenidos
experimentalmente. En general, el resultado obtenido es un sistema de ecuaciones
Ax = y inconsistente. El problema entonces es encontrar un x en R n tal que Ax
sea tan cercano a y como sea posible.
Captulo 2: Ortogonalidad
Figura
9.1
1 = y1 (b + mx1 )
2 = y2 (b + mx2 )
.
.
.
.
n = yn (b + mxn ).
116
o Y = AX
y1
y2
con Y = ,
#
yn
1
1
A=
#
x1
x2
#
xn
b
y X = .
m
Y AX = 12 + 22 + ... + n2 .
AX = proyCA Y.
Sea X el vector, tal que AX = proyCA Y.
Podemos hacer una representacin geomtrica en R 3 .
El espacio columna de A, CA, puede ser un plano o una recta que pasa por el origen.
Representemos C A como un plano que pasa por el origen (figura 9.2).
Captulo 2: Ortogonalidad
Figura
9.2
AX (Y AX) = 0,
( AX)T (Y AX) = 0,
XT AT (Y AX) = 0 ,
XT ( AT Y AT AX) = 0
X R 2 .
Luego AT Y AT AX = 0,
AT AX = AT Y.
Esta ecuacin matricial representa dos ecuaciones con dos incgnitas, que frecuentemente se denominan ecuaciones normales.
Si AT A es invertible (se puede demostrar que esto sucede cuando los n datos no
son colineales), X tiene solucin nica dada por:
X = ( AT A) 1 AT Y.
Ejemplo 1
Encuentre la recta que da el mejor ajuste para los datos (2, 1), (3, 2), (4, 3), (5, 2).
En este caso:
1
1
A=
1
2
1
2
3
, Y = ,
3
4
5
2
AT AX = AT Y
118
b
X=
m
1 1 1 1 1
=
2 3 4 5 1
2
1
3
1 1 1 1 2
X=
.
4
2 3 4 5 3
5
2
4 14 b 8
14 54 m = 30
4 14 8 operaciones elementales 1 0
14 54 30
0 1
.
2
5
3
3 2
Ecuacin de la recta: y = + x.
5 5
2
1 75
3 3 5 2 9 5
=
4 2 5 3 11 5
5
2 13 5
2 5
1
5
Y AX = =
45
3
5
4 + 1 + 16 + 9
=
25
6
1.1.
5
Figura 9.3
en el sentido de mnimos cuadrados a n datos ( x1 , y1 ), ( x2 , y2 ),..., ( xn , yn ), el procedimiento que se debe seguir es exactamente anlogo al mtodo desarrollado
Captulo 2: Ortogonalidad
anteriormente para el ajuste lineal (figura 9.4).
Figura
9.4
y1 = a + bx1 + cx12
y2 = a + bx2 + cx22
#
Y = AX
yn = a + bxn + cx
2
n
con
y1
y
Y = 2 ,
#
yn
1
A=
#
x1
x2
#
xn
x12
x22
#
xn2
a
X = b .
c
AT Y = AT AX.
Ejemplo 2
El mtodo de ajuste cuadrtico se puede usar para hacer estimaciones de las constantes fsicas. Vemoslo:
120
Figura
9.5
g 2
t .
4
t = 1s
x = 12.4 m
t = 2s
t = 3s
t = 4s
x = 29.8 m
x = 52.0 m
x = 79.21 m
12.4
29.8 ,
Y = 52.0
79.21
1 1
A = 23 94 ,
4 16
( )
X = vg 0 .
4
12.4
2 3 4 29.8 = 544.84 ,
AT Y = 1
1 4 9 16 52.0 1866.96
79.21
1 1
4 2 4 = 30 100 .
AT A = 11 24 93 16
3 9 100 354
4 16
Resolvemos ahora el sistema ( AT A ) X = AT Y.
30 100
100 354
Captulo 2: Ortogonalidad
( ) ( )
v0
X = 9.96
2.46 = g 4 .
g 9.84 m/s 2 .
El error cometido est dado por Y AX .
1 1
12.42
4 9.96 = 29.76 .
AX = 2
9 2.46 52.02
3
4 16
79.2
12.4 12.42
0.02
79.21 79.2
0.01
= 0.05.
122
Mdulo 9
En los ejercicios 1 a 4 determine la recta de mnimos cuadrados para los datos dados.
1.
2.
3.
4.
En los ejercicios 5 y 6 determine el polinomio cuadrtico de mnimos cuadrados para los puntos dados.
5.
6.
(0, 3.2), (0.5, 1.6), (1, 2), (2, 0.4), (2.5, 0.8), (3, 1.6), (4, 0.3), (5, 2.2).
7.
1 2
3
1 2
e y = 1 .
Sean A =
0 3
4
2 5
2
a.
b.
8.
Encuentre el mejor ajuste cuadrtico para los datos del ejemplo 2. Qu tipo de ajuste ocasiona el menor error?
9.
Se tienen dos magnitudes relacionadas cuadrticamente x e y, es decir, existen constantes a, b y c tales que y = a + bx + cx 2 .
En las mediciones experimentales de estas magnitudes se obtuvieron los siguientes datos:
x
y
0
3.2
0.5 1
2
2.5
3
1.6 2 0.4 0.8 1.6
4
5
0.3 2.2
Captulo lgebra
Lineal Elemental y Aplicaciones 123
2: Ortogonalidad
124
10
Producto interno
Norma y ortogonalidad en un espacio vectorial con producto interno
ltima forma del problema de la base
Proyeccin ortogonal en espacios vectoriales con producto interno
Preguntas bsicas
1. Qu es un producto interno?
2. Por qu es importante definir un producto interno en un espacio vectorial?
3. Cmo se construye una base ortonormal en un subespacio vectorial con producto
interno?
Introduccin
En el mdulo 8 vimos cmo los conceptos de ortogonalidad, base ortonormal y
proyecciones en \ n se construyen con base en el producto escalar. En esta seccin se har una generalizacin de estos conceptos a otros espacios vectoriales,
para lo cual es necesario definir una operacin en ellos llamada producto interno. Se
podr comprobar que el producto escalar corresponde al producto interno en \n .
Captulo 2: Ortogonalidad
i.
(x, x) 0.
ii.
( x, x ) = 0 x = 0.
iii.
iv.
(x + y , z ) = (x, z ) + (y , z ).
v.
(x, y ) = ( y , x ).
vi.
( x, y ) = (x, y ).
vii.
(x, y ) = (x, y ).
x x 0.
ii.
x x = 0 si y slo si x = 0.
iii.
x (y + z ) = x y + x z.
iv.
v.
(x + y ) z = x z + y z.
x y = y x.
vi.
x y = x y = (x y ).
126
Del mismo modo la propiedad vii del producto interno queda integrada con la
propiedad vi ya que los escalares son nmeros reales y (x y ) = (x y ) .
Ejemplo 2
En ^n , espacio vectorial de n-tuplas ordenadas de nmeros complejos, puede
definirse un producto interno como (x, y ) = x1 y1 + x2 y2 + ... + xn yn , con
x = ( x1 , x2 ,..., xn ) e y = ( y1 , y2 ,..., yn ) .
(a j + b j i) (a j b j i)
a 2j b 2j i 2 (i 2 = 1)
a 2j + b 2j = x j
= x1 + x2 + ... + x j + ... + xn 0.
2
ii.
(x , x) = 0 x = 0.
( y , x ) = y 1 x1 + y 2 x2 + .... + yn xn
= y1 x1 + y2 x2 + .... + yn xn
= y1 x1 + y2 x2 + .... + yn xn
= y1 x1 + y2 x2 + .... + yn xn
= x1 y1 + x2 y2 + .... + xn yn = (x, y ).
La condicin vi se deduce inmediatamente.
Para vii tenemos:
( x, y ) = ( y , x) = ( y , x ) = ( y , x ) = ( x, y ).
v)
vi )
v)
Captulo 2: Ortogonalidad
Ejemplo 3
En M 3 2 si
a11
A = a21
a31
a12
b 11 b21
Ejemplo 4
En C[ a ,b] , espacio de funciones continuas de variable real en el intervalo [ a, b] , se
define:
( f , g) =
b
a
f (t ) g (t ) dt.
(f, f) =
b
a
b
a
h(t ) dt 0. Ahora, si
b
a
h(t ) dt = 0, entonces
Ejemplo 5
En ^ 2 sean x = (3 + 2i, 7 4i ) e y = (1 i, 2 + i ); entonces
(x, y ) = (3 + 2i )(1 + i ) + (7 4i )(2 i )
= 3 + 5i + 2i 2 + 14 15i + 4i 2
= 17 10i + 6i 2
= 17 10i 6
= 11 10i.
128
(i 2 = 1)
Entonces
( f , g) =
(t 2 + 3)(2t 2 t ) dt
(2t 4 t 3 + 6t 2 3t ) dt
1
= 2
t5 t 4
t3
t2
13
+6 3 =
.
5
4
3
2 0
20
ii.
(x, x).
Ejemplo 7
En ^ 2 , sea x = (2 + i, 1 + 3i ). Calculemos x .
x =
( x, x) ,
15 .
Ejemplo 8
En ^ [0, 2 ] las funciones sen t y cos t son ortogonales. Vemoslo.
(sen t , cos t ) =
2
0
sen t cos t dt =
1 2
cos 2t
sen 2t dt =
0
2
4
= 0.
0
Captulo 2: Ortogonalidad
Ejemplo 9
En ^ [0, 2 ] encontremos cos t .
2
(cos t , cos t ) = cos 2 t dt
0
cos t =
2
1
sen 2t
= t +
2
2 0
2 (1 + cos 2t )
dt
=
2
0
{u1 , u 2 ,..., uk } V .
{u1 , u2 ,..., uk }
i.
(u i , u j ) = 0 para i j.
ii.
ui = 1.
1
.
1
1 =
130
(1, 1) =
( 1 dx )
1
= ( x 1 )
1
= 2
2.
u1 =
1
2
1 1
v 2 = v 2 ( v 2 , u1 )u1 = x x,
.
2 2
x,
=
2
1 x2
x dx =
= 0.
2
2 2 1
1
1
1
v2 = x.
x
,
u2 =
x
=
x =
( x, x ) =
1
1
x dx
x3 1
=
3 1
2
.
3
3
x.
2
v 3 = v 3 ( v 3 , u1 )u1 ( v 3 , u 2 )u 2
1 1
3 3
= x2 x2 ,
x 2 ,
x
x.
2 2
2 2
2 1
x ,
=
2
2
x ,
3
x =
2
1
1
x2 .
1
1
1
2
dx =
1 x3
=
2 3 1
3
x dx =
2
2
,
3
3 x4
= 0.
2 4 1
Luego
v 3 = x 2
2 1
1
= x2 .
3 2
3
1 2 1 2
1
v3 = x
= x dx
3
3
1
2
3 5 2 1
3 5 ( 3x 1)
u3 =
=
x =
3
3
8
8
8
3 5
5
8
(3 x 2 1).
3
x,
2
5 2
(3 x 1) .
8
Captulo 2: Ortogonalidad
Definicin 5
Sea H un subespacio de un espacio V con producto interno. El complemento
ii.
iii.
Ejemplo 11
2
Sea H P3 [0, 1] tal que H = gen {1, x } .
132
1
0
(a0 + a1 x + a2 x 2 + a3 x 3 ) dx
1
x2
x3
x4
= a0 x + a1
+ a2
+ a3
2
3
4 0
= a0 +
( p( x), x 2 ) =
1
0
a1 a2 a3
+
+
= 0.
2
3
4
(1)
(a0 x 2 + a1 x3 + a2 x 4 + a3 x5 ) dx
1
= a0
=
x3
x4
x5
x6
+ a1
+ a2
+ a3
3
4
5
6 0
a0 a1 a2 a3
+
+
+
= 0.
3
4
5
6
(2)
Debemos resolver simultneamente las ecuaciones (1) y (2) para determinar la base
de H .
a1 a2 a3
+
+
= 0,
2
3
4
a0 a1 a2 a3
+
+
+
= 0.
3
4
5
6
a0 +
1
1
3
1
1
2
4
1
1
3
5
1
1
operaciones elementales 1 0
6
0 1
4
1
16
15
4
.
1
1
1
a2 + a3 ,
5
4
16
a1 = a2 1a3 ,
15
a2 = 1a2 + 0a3 ,
Luego a0 =
a3 = 0a2 + 1a3 .
15
16
15
Por tanto, los vectores
1
14
1 forman una base para H .
0
1
Captulo 2: Ortogonalidad
Escribiendo los vectores como polinomios de P3 , tenemos:
1
1 16
base para H = x + x 2 , x + x3 .
4
5 15
134
Mdulo 10
1.
x1
y1
2
En \ , si x = , y = , sea ( x, y ) = 2 x1 y1 + 2 x2 y2 .
x
2
y2
1
2
Con el producto interno definido en el ejercicio 1, sea x = e y = . Calcule (x, y ) y x .
1
3
3.
Considere una forma de normar el ascenso a una montaa. Los ndices de dificultad son como se muestra:
Categora
ngulo de ascenso
ndice de dificultad
0 < 10
10 < 25
25 < 45
1
2
3
1
2
4
Una norma de dificultad para un viaje de x1 millas en la categora 1, x2 millas en la categora 2 y x3 millas en la categora
2
2
2
3 es ( x1 , x2 , x3 ) = x1 + 2 x2 + 4 x3 , la cual se genera mediante el producto interno
(( x1 , x2 , x3 ), ( y1 , y2 , y3 )) = x1 y1 + 2 x2 y2 + 4 x3 y3 .
4.
Categora 1
Categora 2
Categora 3
T1
T2
T3
(en millas)
Captulo 2: Ortogonalidad
5.
6.
7.
8.
Si A = ( aij ) es una matriz real de n n, la traza de A, que se escribe tr A, es la suma de los componentes de la diagonal
de A : tr A = a11 + a22 + ... + ann . En M nn se define ( A, B) = tr ( ABt ) .
Demuestre que con esta operacin M nn es un espacio con producto interno.
9.
10.
En P3 [0, 1], sea W el subespacio de P3 con base B = { x, x 2 } . Determine una base ortonormal para W.
136
Captulo 3
Transformaciones
lineales
Mdulo 11
Definiciones, ejemplos y lgebra
de las transformaciones lineales
Ejercicios
Mdulo 11
Un caricaturista emplea computadores y lgebra lineal para transformar la imagen y dar la sensacin
de movimiento a la figura que dibuja. En la figura, la imagen de la izquierda se trasforma en la de
la derecha, haciendo una transformacin que consiste en multiplicar cada punto (vector) de la
figura inicial por una matriz A: (T ( x ) = Ax ).
Mdulo 12
Propiedades de las transformaciones lineales. Ncleo e imagen
Ejercicios
Mdulo 12
Mdulo 13
El problema de la representacin
matricial de las transformaciones lineales
El concepto de funcin es uno de los ms importantes en matemticas. En particular, uno de los objetos principales del lgebra lineal es el anlisis de las funciones
lineales definidas entre espacios vectoriales de dimensin finita. Estas funciones
reciben el nombre de transformaciones lineales y son de gran aplicacin en mltiples problemas de las ciencias fsicas, naturales y sociales y en economa.
Nuestros ejemplos principales van a ser funciones de
das con matrices.
en
Ejercicios
Mdulo 13
Mdulo 14
Isomorfismos o transformaciones lineales invertibles
Ejercicios
Mdulo 14
Mdulo 15
Isometras
Ejercicios
Mdulo 15
138
11
Preguntas bsicas
1. Qu es una transformacin lineal?
2. Toda funcin lineal es una transformacin lineal?
3. Cualquier transformacin T : R n R m tal que T ( x) = Ax es lineal?
4. Cmo se suman transformaciones lineales?
5. Cmo se realiza la operacin producto por escalar con transformaciones lineales?
6. Son las operaciones de suma y producto por un escalar cerradas en el conjunto
de transformaciones de V en W?
7. Cmo se realiza la composicin de transformaciones lineales?
Introduccin
De los cursos anteriores de matemticas sabemos que una funcin f consta de dos
conjuntos A y B y una regla f ( x) que asigna a cada elemento de A un nico
elemento de B. El conjunto A se llama dominio de f y B codominio de f . Escribimos
f : A B para indicar que f es una funcin del conjunto A en el conjunto B.
, f ( x) = mx, donde m es la
1.
f ( x1 + x2 ) = m( x1 + x2 ) = mx1 + mx2 = f ( x1 ) + f ( x2 ).
2.
f ( x) = m( x) = (mx) = f ( x).
140
b.
Para todo x V y
(o )
T ( x) = T (x).
Ejemplo 1
La funcin f : , tal que f (x) = mx analizada en la introduccin, es una
transformacin lineal.
(1)
T (x) + T ( y ) = ( m x + b) + ( my + b) = mx + my + 2b.
(2)
a.
T (x + y ) = A(x + y ) = Ax + Ay = T (x) + T (y ).
b.
T ( x) = A( x) = ( Ax) = T (x).
x
3
T y =
1
z
142
2
0
tal que
x
1 y es la funcin inducida por A.
2
z
x
3x + 2 y z
T y =
es una transformacin lineal.
x 2 z
z
Ejemplo 5
cos
Sea A =
sen
sen
.
cos
Figura 11.2
x
Sea v = un vector en el plano xy. Supongamos que v se gira un ngulo en
y
x
sentido antihorario. Sea v ' = el vector rotado, el cual no cambia su magnitud al
y
x = r cos ,
x ' = r cos ( + ).
y = r sen ,
y ' = r sen ( + ).
cos
Calculando f A ( v ) = Av = sen
x cos
Av =
xsen
sen
cos
x
y ,
r sen sen
+ r sen cos
r cos ( + ) x
=
= = v.
r sen ( + ) y
Si se necesita producir cierta cantidad de los artculos A1, A2, A3 debemos preguntarnos: cuntas unidades de las materias primas M1 y M2 se requieren?
a1
Se define un vector de produccin p = a2 , donde a1, a2, a3 denotan las cantidades
a3
que se deben producir de los artculos A1, A2, A3, respectivamente.
m1
Similarmente, definimos m = , donde m1 y m2 denotan las cantidades de las
m2
materias primas M1 y M2 requeridas para la produccin. Luego
m1 = 2a1 + a2 + 2a3 ,
m2 = a1 + 2a2 + 3a3 ,
a1
2 1 2 m1
1 2 3 a2 = m ,
2
a3
o tambin
Ap = m.
La funcin inducida por A es tal que dado un vector de produccin p, lo transforma
en un vector de materia prima m. As que m = T (p).
La ecuacin matricial planteada tiene la forma Ax = b, que es la expresin matricial de
un sistema de ecuaciones lineales, donde A es una matriz m n, x n y b m .
Cuando se trata de resolver el sistema de ecuaciones lineales, debe hallarse x conocidos A y b. En el ejemplo, el enfoque es diferente; ac la ecuacin Ax = b dice: si
se tiene un x de
144
podemos encontar b
definida por L ( f ) =
b
a
C[a, b] :
a.
b
a
( f + g )( x) dx =
b
a
( f ( x) + g ( x)) dx =
b
a
f ( x) dx + g ( x) dx
a
L( f + g ) = L( f ) + L( g ).
b.
b
a
( f )( x) dx =
b
a
( f ( x)) dx = f ( x) dx
b
L ( f ) = L( f ).
Ejemplo 11
Sea T : M mn M nm tal que para A , T ( A) = AT . Como ( A + B )T = AT + BT y
m n
.
c d 1 2 c d
i.
a b e
T
+
c d g
f
a + e b + f
= T
h
c + g d + h
1 0 a + e b + f 1 0 a b
e f
=
+
1 2 c + g d + h 1 2 c d
g h
1 0 a b
1 0 e
=
+
1 2 c d
1 2 g
a b
e f
=T
+ T
.
c d
g h
ii.
a b
a b 1 0 a
T
= T
=
c d
c d 1 2 c
1 0 a b
1
=
1 2 c d
1
f
h
b
d
0 a b
2 c d
a b
= T
.
c d
146
Ahora,
(T1 + T2 )( v1 ) = T1 ( v1 ) + T2 ( v1 )
= T1 ( v1 ) + T2 ( v1 )
= (T1 ( v1 ) + T2 ( v1 ))
= ((T1 + T2 ) v1 ).
Figura
11.3
. Entonces
Sean v1 y v 2 elementos de U y
i.
T1 o T2 ( v1 + v 2 ) = T1 (T2 ( v1 + v 2 ))
= T1 (T2 ( v1 ) + T2 ( v 2 ))
= T1 (T2 ( v1 )) + T1 (T2 ( v 2 ))
= T1 o T2 ( v1 ) + T1 o T2 ( v 2 ).
ii.
T1 o T2 ( v1 )
= T1 (T2 ( v1 ))
= T1 ( T2 ( v1 ))
= T1 (T2 ( v1 ))
= (T1 o T2 ( v1 )).
(T1 + T2 )(a + bx + cx 2 ) = T1 (a + bx + cx 2 ) + T2 (a + bx + cx 2 )
= (b + cx) + (c ax)
= (b + c) + (c a ) x.
(5 T1 )(a + bx + cx 2 ) = 5 (T1 (a + bx + cx 2 ))
= 5 (b + cx) = 5b + 5cx.
148
y T1 :
x+ y
x
T2 = x y
y
2x
x y
x
x+ y
T1 y =
.
x+ z
z
2z
2
x
Determine T1 o T2 , T1 o T2 .
4
y
8
6
2
4
2
T1 o T2 = T1 T2 = T1 2 =
10
4
4
4
8
x+ yx+ y
x+ y
x
x+ y+ x y
x
T1 o T2 = T1 T2 = T1 x y =
x + y + 2x
y
y
2x
4x
y
2
x
2
.
=
3x + y
4x
Mdulo 11
En los ejercicios 1 a 4 determine cules de las siguientes transformaciones T :
1.
T ( x, y) = 3x + y.
2.
T ( x, y ) = x 2 y.
3.
T ( x, y) = y.
4.
T ( x, y) = 2.
T ( x, y) = ( x, 0).
6.
T ( x, y) = (1, y).
7.
T ( x, y ) = ( x 2 , y 2 ).
8.
T ( x, y) = ( xy, x + y).
son lineales.
son lineales.
T (a0 + a1 x + a2 x 2 ) = a0 + a1 x 2 + a2 x3 .
10.
11.
12.
T : M 22
a b
dada por T
= ad bc.
c d
13.
T : M 22
a b
dada por T
= a + b + c + d.
c d
14.
T : M nn
15.
T : M nn
16.
T : M nn
17.
T:
18.
T : C [0, 1]
19.
T : C [0, 1]
20.
T : C [0, 1]
21.
Figura 1
Figura 2
22.
Figura 3
Figura 4
23.
24.
25.
(T1 + T2 )(x).
b.
(T1 T2 )(x).
Ejer
cicios del mdulo 11
Ejercicios
26.
x
x y + z
T1 y =
x + y
z
en
dadas por:
x
x + y
.
T2 y =
2 x y z
Calcule T1 + T2 , 4T1.
27.
Sean T1 :
x
x y + z
tal que T y =
y T2 :
x + 2 z
x+ y
x
tal que T2 = x 4 y .
y
x y
152
12
Propiedades de las
transformaciones lineales.
Ncleo e imagen
Contenidos del mdulo
Preguntas bsicas
Sea T : V W una transformacin lineal:
1. Cmo se transforma el cero de V?
2. Cmo se calcula la transformacin de una combinacin lineal de vectores de V?
3. Si {v1, v2 ,..., vn} es una base de V, cmo se calcula T ( v) para cualquier v V ?
4. Cmo se determina el ncleo de T?
5. Cmo se determina la imagen de T?
6. Qu son la nulidad y el rango en una transformacin lineal?
Introduccin
Cuando establecemos una funcin entre dos conjuntos nos interesa saber qu
caractersticas particulares tiene, cules son los ceros de la funcin y cul es el
conjunto de valores que ella toma. En esta seccin estudiaremos estas propiedades
para las transformaciones lineales.
T (0) = 0.
b.
c.
{1 , 2 ,..., n }
mentos de V, respectivamente.
Demostracin
a.
b.
c.
1 T ( v1 ) + 2 T ( v 2 ) + ... + k T ( v k ) + k +1 T ( v k +1 ),
aplicando la suposicin establecida y el hecho de que la transformacin es
lineal.
Observacin
Es importante notar que en la parte a del teorema anterior, el cero del lado izquierdo
de la igualdad es el cero de V y el del lado derecho es el de W. Adems la parte c del
teorema es una generalizacin de las partes a y b.
En general, cuando se define una funcin de V en W, sta se especifica mediante una
regla que asigna a cada elemento de V un nico elemento de W, ya que sera imposible decir para cada uno de los elementos de V cul es el asignado en W debido a que
se trata de la asignacin de una infinidad de elementos. Sin embargo, cuando se
trata de una transformacin lineal, es posible saber cmo est definida T en todo el
espacio vectorial V, conociendo lo que hace T a una base de V. As que en un espacio
de dimensin finita, es posible describir T proporcionando slo las imgenes de un
conjunto finito de vectores.
154
Demostracin
Sea v V, v = 1 v1 + 2 v 2 + ... + n v n con i , i = 1, 2,..., n.
T ( v ) = T (1 v1 + 2 v 2 + ... + n v n ), y por el teorema 1c,
T ( v ) = 1 T ( v1 ) + 2 T ( v 2 ) + ... + n T ( v n ).
Ejemplo 1
Sea T :
1
0
1
2
T = 0 y T = 2 .
2 2
1 1
1
2
2
, luego la transformacin est
Los vectores 2 y 1 forman una base de
completamente determinada en todo el espacio vectorial.
x
Veamos cmo est dada T .
y
x
1
2 1 2
= C1 + C2 ;
y
2
1 2 1
=
1
x operaciones elementales
y
0
0
1
2y x
3
2x y
3
2y x 1
2x y 2
+
.
3 2
3 1
x
2 y x 1 2x y 2
T =
T +
T
y
3 2 3 1
1
0
2 y x 2x y 1
=
0 +
2 =
3 3 3
2
1
x 2y
4x 2 y .
4 x + 5 y
2
0 1
T = 2 .
1 3
5
Teorema 3
Sea V un espacio vectorial de dimensin finita con base B = { v 1 , v 2 , ..., v n } y
sean w1 , w2 ,..., wn n vectores en un espacio vectorial W. Entonces existe una nica
transformacin lineal T : V W tal que T (vi ) = wi para i = 1, 2, ..., n.
La demostracin de este teorema se deja como ejercicio.
b.
Teorema 4
Si T : V W es una transformacin lineal, entonces:
a.
El ncleo de T es un subespacio de V.
b.
La imagen de T es un subespacio de W.
156
Figura
12.1
Definicin 2
Sea T una transfomacin lineal de V en W; entonces:
a.
b.
Ejemplo 2
3
Sea T :
dada por:
x
x + 2y + z
T y =
.
z x + 3y + z
Determine nu T, imagen T, (T ) y (T ).
Solucin
Para hallar el conjunto de vectores (x, y, z) de
debemos resolver el sistema homogneo
x + 2y + z = 0
x + 3y + z = 0
1 2 1 operaciones elementales 1 0 1/ 5
1 3 1
0 1 2 / 5
x = 1/ 5 z
y = 2 / 5 z
z=z
si z = 5, x = 1, y = 2 .
lgebra Lineal Elemental y Aplicaciones 157
1
2 .
5
La dimensin de nu T es 1; (T ) = 1 .
a
Sea
b
a
tal que imagen T, luego
b
a x + 2y + z
=
b x + 3y + z
1
1
1
a operaciones elementales
b
0
3a 2b
5
a+b
5
3a 2b 1
z
5
5
a+b 2
y=
z
5
5
z=z
x=
1
(3a 2b z ),
5
1
y = (a + b 2 z ),
5
z = z.
x=
a
As que para cualquier elemento de
b
3
x
y
se puede encontrar una terna de
z
y (T ) = 2.
Una forma de ver la accin de una transformacin lineal consiste en hallar las imgenes determinadas por T sobre figuras geomtricas tales como polgonos o crculos.
Ejemplo 3
x 1 1 x
Sea T definida por T =
. Halle la imagen debida a T, del cuadrado
y 2 0 y
de vrtices (0, 0), (0, 1), (1, 0), (1, 1).
Solucin
Se hallan las transformaciones de los vrtices. Como los lados del cuadrado son
segmentos de recta, la imagen del cuadrado resulta de unir las imgenes de los
vrtices mediante segmentos de recta.
158
Figura 12.2
Ejemplo 4
Muestre que T :
y =
z
definida por:
a 0 0 x
0 b 0 y a, b, c > 0,
0 0 c z
Figura
12.3
Ejemplo 5
Sea T : M nn M nn tal que T (A) = AT + A. Pruebe que T es una transformacin
lineal y determine ncleo e imagen.
Solucin
T es lineal ya que:
T ( A + B ) = ( A + B )T + ( A + B )
= AT + BT + A + B = ( AT + A) + ( BT + B ) = T ( A) + T ( B ).
T ( A) = ( A)T + A = AT + A = ( AT + A) = T ( A).
Determinemos el ncleo de T.
nu T = A : AT + A = 0( n n )
n n
AT + A = 0( n n ) AT = A.
{ C : C = A + A}.
T
nn
160
Mdulo 12
En los ejercicios 1 a 7 encuentre ncleo, imagen, rango y nulidad de la transforrmacin lineal dada:
x x + y
T =
.
y x y
x+ y
x
T = 5x + 5 y .
y x y
x x + y
T y = x + z .
z y + z
T:
T:
3.
T:
4.
2
3
2
T : P
3 P2 , T ( a0 + a1 x + a2 x + a3 x ) = a0 + a1 + a2 x + a3 x .
5.
T : P2 P3 , T ( p) = xp.
6.
T : M 33 , T ( A) = tr A.
7.
T : C [0, 1] , T ( f ) = f (1).
8.
Sea D : P P (P es el espacio vectorial de todos los polinomios) dada por D( p) = p ' (la derivada del polinomio
p). Describa el ncleo de D.
9.
Sea T : 2 2 la transformacin lineal tal que T (1, 1) = (0, 0) y T (0, 1) = (1, 1). Demuestre que tanto el ncleo
como la imagen de T son rectas en el plano xy que pasan por el origen. Encuentre las ecuaciones de estas rectas.
10.
Sea T :
1.
2.
una transformacin lineal tal que T (1, 1, 0) = T (0, 2, 1) = (0, 0) y T (1, 2, 4) = v 0. Demuestre
Sea T : n m la transformacin lineal T (X) = AX, donde A es una matriz m n. Qu relacin guardan el ncleo
de T y el espacio solucin del sistema homogneo de ecuaciones lineales AX = 0?
Captulo 3: Transformaciones
lgebra Lineal Elementallineales
y Aplicaciones 161
12.
0 1
Sea T : M 22 M 2 2 la transformacin lineal T ( A) = AB BA en donde B =
. Describa el ncleo de T.
0 0
13.
14.
Demuestre el teorema 3.
15.
Muestre que T :
tal que nu T = {( x, y, z ) : 2 x y + z = 0} .
x 2 0 x1
2
2
, definida por T 1 =
x , transforma el crculo unitario x1 + x2 = 1 en una
x
0
3
2
2
elipse.
Ejer
cicios del mdulo 12
Ejercicios
162
13
El problema de la representacin
matricial de las transformaciones
lineales
Contenidos del mdulo
Preguntas bsicas
1. Cmo est formada la matriz de una transformacin lineal referida a un par de
bases?
2. Si AT es la matriz de una transformacin referida a un par de bases B1 y B2 ,
cmo se obtiene (T (x))B2 ?
3. Qu procedimiento se sigue para hallar la matriz de una transformacin lineal
T : V W referida a las bases B1 y B2 de V y W, respectivamente?
4. Si A y B son representaciones matriciales de la transformacin lineal T, qu
relacin hay entre A y B?
5. Qu propiedades tienen las matrices similares?
Introduccin
En el ejemplo 3 del mdulo 11 vimos que una matriz mAn induce una transformacin
lineal de n en m dada por T (x) = Ax . Cuando T tiene esta forma, el ncleo
de T es el ncleo de A, y la imagen de T, formada por los vectores y = Ax para algn
En esta seccin veremos que cualquier transformacin lineal definida entre espacios vectoriales de dimensin finita se puede expresar en la forma T (x) = Ax,
donde A es la matriz que representa la transformacin.
164
13.1 TTer
er
cer problema bsico del lgebra lineal
ercer
Dada una transformacin T : V W , con dim V = n y dim W = m, hallar una
matriz A de m n que represente a T.
Resolveremos primero el problema para T : n m y luego lo extenderemos a
espacios V y W de dimensiones n y m, respectivamente.
Teorema 1
Sea T :
; entonces
x = c1 e1 + c2 e 2 + ... + cn en ,
de modo que:
T (x) = c1 T (e1 ) + c2 T (e 2 ) + ... + cn T (e n ).
(1)
(2)
0
0
Si x = ei = ,
1
0
lgebra Lineal Elemental y Aplicaciones 165
x
x+ y
T y =
.
z y 2z
Encontremos la matriz A que representa la transformacin referida a las bases estndar
1
1 + 0 1
T (e1 ) = T 0 =
= = Col1 ( A),
0 0 2.0 0
0
0 + 1 1
T (e 2 ) = T 1 =
= = Col2 ( A),
0 1 2.0 1
0
0+0 0
T (e 3 ) = T 0 =
= = Col3 ( A).
1 0 2.1 2
Por tanto,
1 1 0
A=
.
0 1 2
As que:
x
1 1 0
T y =
z 0 1 2
x
y = x + y .
y 2z
Teorema 2
Sea T : V W una transformacin lineal de un espacio vectorial V de dimensin
n en un espacio vectorial W de dimensin m y sean B1 = { v1 , v2 ,..., vn } y
166
(T (x)) B2 = AT (x) B1 .
Demostracin
c1
c
2
Si x V , x = c1 v1 + c2 v 2 + ... + cn v n , o sea que (x) B1 = .
cn
Sean: T ( v1 ) = y 1 , T ( v 2 ) = y 2 ,..., T ( v n ) = y n y
AT = [(y1 ) B2 (y 2 ) B2 ... (y n ) B2 ].
Ahora,
( v1 ) B1
1
0
0
0
=
,..., ( v n ) B1 = .
0
1
Entonces,
AT ( v i ) B1 = (y i ) B2 ,
AT (x) B1
c1
c
= [(y 1 ) B2 (y 2 ) B2 ... (y n ) B2 ] 2
cn
= c1 (y1 ) B2 + c2 (y 2 ) B2 + ... + cn (y n ) B2 .
(1)
De otro lado,
T (x) = T (c1 v1 + c2 v 2 + ... + cn v n )
= c1 T ( v1 ) + c2 T ( v 2 ) + ... + cn T ( v n )
= c1 y1 + c2 y 2 + ... + cn y n ,
de manera que
(2)
[T (x)]B2 = AT (x) B1 .
La unicidad de la matriz AT se demuestra igual que en el teorema 1.
lgebra Lineal Elemental y Aplicaciones 167
B1 = { v1 , v2 ,..., vn }
Encontrar T ( v1 ), T ( v 2 )...T ( v n ).
Paso 2.
Expresar T ( v1 ), T ( v 2 )...T ( v n ) en B2 .
Para ello hacemos lo siguiente:
[ w1 , w 2 ,...w m
T ( v1 ) T ( v 2 ),..., T ( v n )]
operaciones elementales
(T ( v1 )) B2 (T ( v 2 )) B2 ... (T ( v n )) B2 .
Paso 3.
Figura 13.1
B1 = { v1 , v 2 , v 3 } y B2 = {w1 , w 2 } bases de
1
v1 = 0 ,
1
168
0
v 2 = 1 ,
1
1
v 3 = 1 ,
1
1
w1 = ,
2
, respectivamente, con
2
w2 = .
0
1
T (v2 ) = ,
1
2
T ( v3 ) = .
1
1
1
2
T ( v1 ) = = a1w1 + a2 w 2 = a1 + a2 ,
2
2
0
1
1
2
T ( v 2 ) = = b1w1 + b2 w 2 = b1 + b2 ,
1
2
0
2
1
2
T ( v 3 ) = = c1w1 + c2 w 2 = c1 + c2 .
1
2
0
Es decir, resolvemos tres sistemas lineales cuya matriz de coeficientes es la misma,
los vectores de la base B2 . Entonces formamos la matriz:
1 2
1 2 1
2 0 2 1 1
operaciones elementales
1 0 1
0 1
1
1
3
1
5
1
3
1
5
, y
1
(T (x)) B2 =
1
1
3
1
5
(x) B1 .
1
Ahora, si x = 2 ,
3
1
1
1 1 0
3
T 2 =
2 = ,
0 1 2 3
4
3
empleando la matriz de la transformacin referida a las bases estndar, encontrada
en el ejemplo 1.
Expresemos x en la base B1
1 0 1 1
0 1 1 2
1 1 1 3
(T (x)) B2
operaciones elementales
1
=
1
1
3
1
5
1 0 0 1
0 1 0 2 .
0 0 1 0
1
2
2 = 5 .
0 2
Entonces,
1
T ( x) = 2 +
2
2 3
0 = 4 ,
lo cual coincide con el valor encontrado utilizando la matriz de T referida a las bases
estndar.
Las matrices halladas en los ejemplos 1 y 2 son diferentes, aunque T es la misma en
ambos casos. Ms adelante veremos que estas dos matrices estn vinculadas por
una relacin de semejanza o similaridad.
Ejemplo 3
Sea T : P2 P1 , tal que T (1) = 6, T ( x ) = x y T ( x 2 ) = x + 1. Determine:
a.
b.
2
2
2
La matriz de T con respecto a las bases B1 = {1 + x , x + x , 1 + x + x } y
B2 = {1 + x, 2 x} de P2 y P1 , respectivamente.
c.
Solucin
a.
luego
6 0 1
CT =
.
0 1 1
170
6 a + a2
= 0
a1 + a2
= 6a0 + a2 + (a1 + a2 ) x.
b.
operaciones elementales
1 0 3
0 1 2
.
3
11
5
c.
.
3
11
5
Si P( x) = 2 + 3x + x 2 ,
2
P = 3 ,
1
T ( P ( x)) = A( P ( x))
2
6 0 1
13
=
3 =
0 1 1 1
4
= 13 + 4 x.
1 0 1 2
0 1 1 3
1 1 1 1
(T ( P( x))) B2
operaciones elementales
3
=
2
1 0 0 2
2
0 1 0 1 , ( P( x)) = 1 ,
B1
0 0 1 4
4
2
7
1 = ,
5
3
3
4
11
(T ) = ( AT ).
(T ) = ( AT ).
(T ) + (T ) = n.
Figura 13.2
172
Ejemplo 4
En la transformacin T : P2 P1 tal que T (1) = 6, T ( x) = x y T ( x 2 ) = x + 1
planteada en el ejemplo 3 encontramos:
6 0 1
CT =
la matriz de la transformacin referida a las bases estndar,
0 1 1
3
AT =
2
11
5
2
2
2
con B1 = {1 + x , x + x , 1 + x + x } y B2 = {1 + x, 2 x} . Hallemos ahora AT
Figura
13.3
1 1 2
1 1 2
=
P21 =
,
3 1 1
3 1 1
AT
1 0 1
3
1 1 2 6 0 1
0 1 1 =
=
3 1 1 0 1 1
2
1 1 1
.
3
11
5
x 2 x 2 y
definida por T =
.
y 5 x + y
5
1
1
entonces
2 2
CT =
.
5 1
1
Sea B1 = ,
1
2
5 otra base para
base B1 .
1 2
AT = T T ,
1 B1 5 B1
1 4
T = ,
1 4
2
6
T =
.
5
15
1 0 4 0
.
0 1
0 3
La matriz de T referida a B1 es
4 0
AT =
.
0 3
Por el lgebra matricial sabemos que, en ciertas operaciones, los clculos son ms
fciles si las matrices son diagonales, por ejemplo: hallar inversas, calcular determinantes, hacer potencias. Estas consideraciones son relevantes cuando se trabaja
con matrices de gran tamao.
174
Figura
13.4
(x) B1 = P (x) B2 ,
(T (x)) B1 = AT (x) B2 = AT P (x) B2 ,
(T (x)) B2 = P 1 (T (x)) B1 = P 1 AT P (x) B2 .
Definicin 2
Dos matrices A y B de n n son similares o semejantes si existe una matriz invertible
P tal que B = P 1 A P.
A es similar a A.
b.
c.
d.
e.
f.
Demostracin
a.
Como A = I A I = I 1 A I , A es similar a A.
b.
Si A es similar a B, B = P 1 A P, luego
P B P 1 = P ( P 1 A P ) P 1 = ( PP 1 ) A ( PP 1 ) = A,
y entonces
A = ( P 1 ) 1 B ( P 1 )
Si A es similar a B, B = P 1 A P , entonces
det B = det ( P 1 A P) = det P 1 det A det P = det( P 1 P ) det A
= det I det A = det A.
e.
Si A es similar a B, entonces B = P 1 A P.
B 2 = ( P 1 A P )( P 1 A P) = P 1 A( PP 1 ) A P = P 1 A I A P
= P 1 A2 P.
Luego A 2 es similar a B 2 .
176
Mdulo 13
1.
Sea T :
2.
a.
B1
b.
B1 y B2
c.
B2 y B1
d.
B2
e.
Sea T :
3.
B1
b.
B1 y B2
c.
B2 y B1
d.
B2
e.
x
x + y
definida como T y =
. Sean B1 y B2 las bases naturales de
y z
1
adems, sean B1 1 ,
0
0
1 ,
0
1
1
1 y B2 1 ,
1
1
2 bases para
, respectivamente;
de T con respecto a:
a.
B1 y B2
b.
B1 y B2
c.
1
Calcule T 2 utilizando la definicin de T y las matrices obtenidas en a y b.
3
Captulo 3: TTransformaciones
ransformaciones lineales
178
a.
Sea T :
4.
5.
a.
B1 y B2
b.
B1 y B2
c.
6.
a.
B1 y B2
b.
B1 y B2
1 2
Sea C =
y sea T : M 22 M 22 la transformacin lineal definida por T ( A) = AC CA para A en M 22 . Sean
3 4
1 0 0 1 0 0 0 0
1 1 0 1 0 0 1 0
B1 =
,
,
,
y B2 =
,
,
,
bases para M 22 . Determine
0 0 0 0 1 0 0 1
0 0 0 0 1 1 0 1
7.
a.
B1
b.
B2
c.
B1 y B2
d.
B2 y B1
Sea T : R 3 R 3 la transformacin lineal cuya matriz con respecto a las bases naturales para R 3 es:
1 3 1
1 2 0
0 1 1
Ejercicioslgebradel
13 179
Linealmdulo
Elemental y Aplicaciones
Determine:
a.
1
T 2
3
b.
0
T 1
1
1 2 1
Suponga que la matriz de T : R 3 R 2 con respecto a las bases B1 = { v1 , v2 , v3 } y B2 = {w1 , w 2 } es A =
,
1 1 0
8.
1
0
1
1
1
donde v1 = 1 , v 2 = 1 , v 3 = 0 , w1 = , w 2 = .
2
1
0
1
0
9.
a.
b.
Calcule T ( v1 ), T ( v2 ) y T ( v3 ).
c.
2
Calcule T 1 .
1
d.
x
Calcule T y .
z
Sea T :
2 3
1
1
A=
, donde v1 = , v2 = .
1 4
2
1
a.
b.
Calcule T ( v1 ) y T ( v2 ).
c.
2
Calcule T = .
3
B1 = { v1 , v2 } y
Sea T : P
1 P
2 una transformacin lineal. Suponga que la matriz de T con respecto a las bases
10.
1 0
B2 = {w1 , w 2 , w 3 } es A = 2
1 , donde v1 = 1 + x, v2 = 1 + x, w1 = 1 + x 2 , w 2 = x, w 3 = 1 + x.
1 2
180
a.
b.
Calcule T ( v1 ) y T ( v2 ).
c.
Calcule T (1 + 2 x).
d.
Calcule T (b + ax).
11.
En las transformaciones lineales definidas en los ejercicios 1, 3, 5 y 7 describa su ncleo y su imagen por medio de
alguna de sus matrices asociadas.
12.
13.
a.
1 0
A=
2 3
b.
9 3 7
A = 0 5 6
0 0 0
c.
2 0
A=
1 2
3 1
B=
.
3 2
1 2 3
B = 4 5 6 .
7 8 9
2 0
B=
.
0 2
Ejercicios
delElemental
mdulo
lgebra Lineal
y Aplicaciones13
181
182
14
Isomorfismos o transformaciones
lineales invertibles
Contenidos del mdulo
14.1 Transformaciones lineales uno a uno y sobreyectivas
14.2 Isomorfismos
4.
Preguntas bsicas
Sea T : V W una tranformacin lineal:
1. Cundo T es uno a uno?
2. Cundo T es sobreyectiva?
3. Cundo T es un isomorfismo?
4. Si dim V = n y dim W = m, cundo T no puede ser uno a uno? Cundo T no
puede ser sobre?
5. Si dim V = dim W = n , qu condicin ser suficiente para que T sea un isomorfismo?
6. Si T es un isomorfismo, qu propiedades de V se trasladan a W?
7. Si T es un isomorfismo entre espacios vectoriales de dimensin finita, cmo es la
matriz de transformacin de T?
Introduccin
En este mdulo se caracteriza un tipo especial de transformacin lineal llamada
isomorfismo. Esta transformacin T : V W reproduce fielmente la estructura
de V en W, ya que establece una correspondencia biyectiva entre los elementos de
184
14.1 TTransfor
ransfor
maciones lineales uno a un
o y
ransformaciones
uno
sobreyectivas
Definicin 1
Figura 14.1
La figura 14.1a muestra una trasformacin lineal inyectiva y la 14.1b una transformacin lineal no inyectiva.
Definicin 2
Sea T : V W una transformacin lineal. T se llama sobre W o sobre, si para todo
w W existe al menos un v V tal que T ( v) = w. En otras palabras, T es sobre si
la imagen de T es todo el espacio W.
imagen T = W.
El teorema siguiente dice que para demostrar si una transformacin lineal es uno a
uno slo se necesita examinar qu vectores se transforman en 0.
Teorema 1
Sea T : V W una transformacin lineal. T es uno a uno si y slo si nu T = {0} .
Demostracin
a.
b.
encontramos nu T. Sea
Sea T :
x 0
T = ,
y 0
x + y 0
= .
x y 0
x+ y =0
Resolvemos el sistema lineal
x y =0
0
La nica solucin es x = 0 e y = 0, de modo que nu T = , y por el teorema 1, T
0
es 1 - 1.
Ejemplo 2
Sea T :
x
x 2y
definida por T y =
.
y + z
0
.
1 1
0 1 1
x = 2z
2
T
=
N
=
nu
gen
Luego
1 .
A
1
Por tanto, T no es 1 - 1.
186
. En consecuencia, T es sobre.
Ejemplo 3
3
Sea T :
x
T y =
z
definida por:
x+ y
yz
z+ x .
y + 2x
AT =
1 0
0 0 1
1
2 1 0
0 0 0
x=0
y=0
z=0
0
nu T 0 ;
0
luego T es 1 - 1.
En la forma escalonada reducida de AT podemos observar tres pivotes, luego las
tres columnas de AT son LI.
Entonces,
1
0
imagen T = C A = gen ,
1
2
1
1
,
0
1
0
1
,
1
0
En los ejemplos podemos observar que una transformacin lineal puede ser 1 - 1 y
no ser sobre, o ser sobre y no ser 1 - 1. El siguiente teorema muestra que cada una
de estas propiedades implica la otra si los espacios V y W tienen la misma dimensin.
Si T es 1 - 1, entonces T es sobre.
b.
Si T es sobre, entonces T es 1 - 1.
Si n > m, T no es 1 - 1.
b.
Si m > n, T no es sobre.
Demostracin
a.
188
14.2 Isomorfismos
Definicin 3
Sea T : V W una transformacin lineal. Entonces T es un isomorfismo si T es
1 - 1 y sobre. Se dice que los espacios vectoriales V y W son isomorfos si existe un
isomorfismo T de V sobre W. Esto se denota como V W .
Observacin
Es importante notar en la definicin anterior que la condicin para que dos espacios
vectoriales V y W sean isomorfos es que exista entre ellos una transformacin lineal
que sea isomorfismo. As, entre espacios vectoriales isomorfos podemos definir
transformaciones lineales que no sean isomorfismos.
El siguiente teorema nos muestra la similitud existente entre dos espacios vectoriales
isomorfos. La palabra isomorfismo viene del griego isomorphos, que significa
de igual forma.
Teorema 4
Sea T : V W un isomorfismo.
a.
b.
c.
d.
Demostracin
a.
luego
w = c1T ( v1 ) + c2T ( v 2 ) + ... cnT ( v n ),
y por tanto,
{T ( v1 ), T ( v 2 ),..., T ( v n )} genera a W.
lgebra Lineal Elemental y Aplicaciones 189
Se deduce de a y b.
d.
Se deduce de c.
190
T (1) = 1+ (1)' = 1+ 0 = 1
T ( x) = x + ( x)' = x +1
T ( x 2 ) = x 2 + ( x 2 )' = x 2 + 2 x
T ( x n ) = x n + ( x n )' = x n + nx n 1 .
( n +1) ( n +1)
1
0
1 0
1 2
0
0
0
0
, det A = 1 0.
1 0
2
.3
T
= 1 + 0x + 0x + 0x .
0
0
0 1
2
3
T
= 0 + 1x + 0 x + 0 x .
0 0
1
0
AT =
0
0 0
2
3
T
= 0 + 0 x + 1x + 0 x .
1
0
det AT = 1
0 0 0
1 0 0
= I4
0 1 0
0 0 1
0 0
2
3
T
= 0 + 0 x + 0 x + 1x .
0
1
a
b
2
3
T2 : P3 R 4 definida por T (a + bx + cx + dx ) = .
c
d
192
Mdulo 14
1.
2.
T
Demuestre que T : M
mn M
nm definida por T ( A) = A es un isomorfismo.
3.
x 1 0 1 x
definida como T y = 0 1 1 y . Determine si T es un isomorfismo.
z 1 0 2 z
4.
Sea T :
5.
Para cada una de las siguientes transformaciones determine si es un isomorfismo a partir de la informacin dada.
T:
T = 4.
b.
T:
(T ) = 2.
c.
(T ) = 1.
T : P
2 P
2,
d.
T : P3 P3 , T = 4.
a.
6.
7.
8.
Demuestre que si T : V W es un isomorfismo, entonces existe un isomorfismo L : W V tal que L(T ( v)) = v. A
L se le llama transformacin inversa de T y se denota T 1 .
9.
Demuestre que si T : R n R n est definido por T ( x) = Ax y T es un isomorfismo, entonces T 1 est dado por
T 1 ( x ) = A 1 x .
Captulo 3: Transformaciones
lgebra Lineal Elemental ylineales
Aplicaciones 193
10.
Sea T :
x 2 x + 4 y 6 z
una TL dada por T y = 5 y 2 z .
9z
11.
tre que T es un isomorfismo si y slo si B es una matriz invertible. En tal caso, describa T 1 .
Ejer
cicios del mdulo 14
Ejercicios
194
Isometras
15
Preguntas bsicas
1. Cundo una matriz es ortogonal?
2. Cmo son las columnas en una matriz ortogonal?
3. Qu es una isometra?
4. Qu operacin se conserva en una isometra?
5. Cmo es la matriz de la transformacin T, cuando T es isometra?
6. Cmo son las transformaciones en 2 que son isometras?
7. Qu relacin existe entre los isomorfismos y las isometras?
Introduccin
La palabra isometra significa igual medida. De esto se trata en esta seccin: de
transformaciones lineales que conservan la magnitud de los vectores.
Antes de iniciar el estudio de las isometras, definiremos las matrices ortogonales y
veremos algunas propiedades de estas matrices. Adems deduciremos una propiedad del producto escalar cuando en uno de los factores hay una matriz A. Estos
resultados nos sern de gran utilidad en el tratamiento de las isometras.
Vea el mdulo 15 del programa
de televisin lgebra Lineal
ortonormales de
Teorema 1
La matriz Q n n es ortogonal si y slo si las columnas de Q forman una base
ortonormal de
Demostracin
Sea
a11
a
21
Q=
an1
a12
a22
an 2
a1 j
a2 j
anj
a1n
a2n
ann
a11
a
12
QT =
a1i
a1n
a21
a22
a2i
a2n
an1
an 2
ani
ann
Sea B = (bij ) = QT Q.
bij = a1i a1 j + a2i a2 j + ... + ani anj = ci c j ,
(1)
bij = 1 si i = j.
196
(2)
2 / 3
1/ 3 ,
2 / 3
1/ 3
2/3 ,
2 / 3
2 / 3
2/3
(verifquelo),
2 / 3 1/ 3 2 / 3
2 / 3 1/ 3 2 / 3
Q Q = 1/ 3 2 / 3 2 / 3
2 / 3 2 / 3
1/ 3
T
1/ 3 2 / 3 1 0 0
2 / 3
1/ 3 2 / 3 2 / 3 = 0 1 0 .
2 / 3 2 / 3
1/ 3 0 0 1
15.2 Isometras
Antes de abordar el tema, veamos una propiedad interesante del producto escalar.
Teorema 2
Sea A una matriz de m n con componentes reales. Entonces para cualesquier dos
vectores x
e y
(Ax) y = x ATy.
Demostracin
A x y = ( A x ) T y = ( x T AT ) y = x T ( AT y ) = x AT y .
El teorema nos dice que cuando en uno de los factores de un producto escalar hay
una matriz, sta puede pasar al otro factor transponindola. Este resultado puede
generalizarse para cuando se tiene un producto interno en un espacio vectorial
diferente a
T (x) = x ,
T ( x) T ( y ) = T ( x y ) = x y .
En las isometras se conserva la magnitud de los vectores; recordemos que la magn
nitud de un vector en
el producto interno en
el producto escalar.
Teorema 3
n
y sean x e y en
; entonces
T (x) T (y) = x y.
Demostracin
T (x) T (y ) = (T (x) T (y )) (T (x) T (y ))
2
= T (x) 2T (x) T (y ) + T (y ) .
2
xy
(1)
= (x y ) (x y )
(2)
= x 2x y + y .
2
T (x) T (y ) = x y .
2
Entonces,
2T (x) T (y) = 2 x y,
T (x) T (y) = x y.
El siguiente teorema relaciona las isometras con las matrices ortogonales.
Teorema 4
Una transformacin lineal T : n
cin matricial de T es ortogonal.
198
x y = T (x) T (y ) = Ax Ay = x AT Ay,
T .3
T .2
x y = x AT Ay ,
x y x AT Ay = 0,
x (y AT Ay ) = 0, para todo x
( y A Ay )
T
; entonces
y A Ay = 0, y = AT Ay ,
T
vectores asignados a una base de n deben ser vectores que formen una base
ortonormal. El siguiente teorema nos muestra cmo hacer esto.
Teorema 5
Sean {u1 , u2 ,..., un } y {w1 , w2 ,..., wn } dos bases ortonormales de
y sea
ui
entonces
x = c12 + c2 2 + ... + cu 2 .
2
(1)
(2)
isometra.
El recproco del teorema anterior tambin se verifica, como veremos en el siguiente
teorema.
Teorema 6
Sea T :
ortonormal de
{u 1 , u 2 , ..., u n } es
una base
n
Demostracin
Sea
{ u 1 , u 2 , ..., u n }
; entonces, ui u j = 0 para
i j y ui = 1.
Como T es una isometra,
T (ui ) T (u j ) = ui u j = 0 para i j y
T (ui ) = ui = 1.
15.3 Isometras en
Sea T una isometra de
200
1
0
. Sean u1 = T y u 2 = T . Los vecto0
1
Figura
cos
u1 =
,
sen
15.1
cos ( 2 )
u2 =
.
sen ( 2 )
Entonces
cos ( 2 ) sen
cos ( + 2 ) sen
u2 =
u2 =
=
o
=
.
sen ( 2 ) cos
sen ( + 2 ) cos
sen
cos
o Q2 =
cos
sen
sen
.
cos
sen
cos
=
cos
sen
sen 1 0
.
cos 0 1
Entonces Q2 es la representacin matricial de una reflexin respecto al eje x, seguida de una transformacin de rotacin.
Estos resultados los consignamos en el siguiente teorema.
Sea T :
a.
b.
Sea T :
sen
A = cos
0
cos
sen
0
0
0 .
1
Veamos que T es una isometra. Para esto basta con demostrar que A es una matriz
ortogonal y esto lo comprobamos realizando el producto A AT.
sen
cos
cos
sen
0
0
0
1
sen
cos
cos
sen
0
0 1 0 0
0 = 0 1 0
.
1 0 0 1
Ejemplo 3
Sea T :
vectores
Sean x e y en
1
ngulo entre x e y = cos
xy
,
x y
1
ngulo entre T ( x) y T ( y ) = cos
(1)
T (x) T (y )
.
T ( x) T (y )
202
(2)
Mdulo 15
1.
Sea T :
1 1
1
1
T
,
,
=
,
2 2
2
2
1 1
1
1
T
,
,
=
.
2
2 2
2
0 1 1 2 1 2
T
=
,
0 0 1 2 1 2
0 0 1 2 1 2
T
=
,
1 0 1 2 1 2
0 0 1 2 1 2
T
=
.
0 1 1 2 1 2
2, 1
2 ,
4.
para la cual
1
1
( v1 v 2 ).
T ( v1 ) = (2v1 + v 2 + 2 v 3 ), T ( v 2 ) =
3
2
5.
6.
Sea T :
en
Captulo 4
Valores
caractersticos,
vectores
caractersticos,
diagonalizacin
y formas
cannicas
Mdulo 16
Valores y vectores caractersticos
Ejercicios
Mdulo 16
Mdulo 17
El problema de la diagonalizacin
Ejercicios
Mdulo 17
Mdulo 18
Aplicaciones de la teora de valores y vectores cartactersticos
En este captulo resolveremos dos problemas bsicos del lgebra lineal. En primer
lugar abordaremos el problema de la determinacin de los valores y vectores carac, y en segundo trmino el problema de la diagonalizacin
tersticos de una matriz nA
n
de una matriz, esto es: encontrar una matriz diagonal que sea similar a una matriz
dada A. Este problema est ntimamente relacionado con el primero.
Ejercicios
Mdulo 18
Mdulo 19
Forma cannica de Jordan
Ejercicios
Mdulo 19
206
16
A , Am y A 1 (cuando A 1 existe).
Preguntas bsicas
Sea T : V V una transformacin lineal y An n una representacin matricial de T.
1.
2.
3.
4.
5.
6.
Qu es un vector caracterstico de A?
Qu es un valor caracterstico de A?
Cmo se encuentra el polinomio caracterstico de A?
Cmo se determinan los valores y vectores caractersticos de A?
Qu es el espacio caracterstico de un valor caracterstico?
Qu son las multiplicidades algebraica y geomtrica de un valor caracterstico?
7. Cmo se relacionan las multiplicidades algebraica y geomtrica de cada valor
caracterstico?
8. Qu condiciones deben cumplir los valores caractersticos de A para que A sea
invertible?
Introduccin
Iniciamos nuestro estudio definiendo los valores y vectores caractersticos de una
transformacin lineal T : V V o de la matriz A correspondiente a dicha transformacin. Ilustramos con una matriz A22 lo que sucede cuando referimos la transformacin a la base formada con dos vectores caractersticos, y vemos que la matriz de
la transformacin en este caso es diagonal; esto hace que el efecto de la transformacin se evidencie sobre las direcciones de los vectores caractersticos.
Se desarrolla un algoritmo para la obtencin de los valores y vectores caractersticos y se establece una condicin necesaria y suficiente para que una matriz tenga n
vectores caractersticos linealmente independientes, es decir, para tener una base
del espacio compuesta por vectores caractersticos.
208
tal que
Ax = x,
se llama vector caracterstico de A, y al escalar (real o complejo) se le llama valor
caracterstico de A correspondiente al vector caracterstico x.
n
16.2
Dada una matriz A de n n con componentes reales, hallar todos los escalares y
todos los vectores x, x 0, en
tales que Ax = x.
Ejemplo 1
3 2
Sea A =
.
3 4
Entonces
1 3 2 1 1
A =
= .
1 3 4 1 1
Similarmente,
2 3 2 2 12
2
A =
= = 6 .
3 3 4 3 18
3
3 2
La matriz A =
es la representacin matricial de la transformacin lineal
3 4
T:
x 3 2 x 3 x + 2 y
definida por T =
=
.
y 3 4 y 3 x + 4 y
1
2
1 y 3 son vectores caractersticos de A correspondientes a los valores
caractersticos 1 = 1 y 2 = 6.
Estos vectores son LI, luego forman una base B1 de
transformacin referida a esta base.
. Encontremos la matriz de la
1 1
1
2 1
1
T = = 1 + 0 , T =
1 1
1
3 1 B1 0
2 12
1
2 2
0
T = = 0 + 6 , T = .
3
18
1
3
3
B1 6
1 0
Luego BT, matriz de la transformacin referida a la base B1, es BT =
, la cual
0 6
es una matriz diagonal.
1 2
Geomtricamente, podemos describir la situacin as: 1 y 3 determinan un
sistema coordenado. Referida a este sistema la transformacin T tiene el efecto de
1
dejar invariantes los vectores a lo largo de la direccin definida por 1 , ya que
1 = 1 , y aumentar con un factor de 6 los vectores a lo largo del eje definido por
2
3 .
Si x es un vector cualquiera de
1
T (x) =
0
210
a
b
0 a
a
= (figura 16.1).
6 b
6b
Figura 16.1
Ejemplo 3
4 2
.
Sea A =
1
1
luego
4x 2 y = x
x + y = y
(4 ) x 2 y = 0
x + (1 ) y = 0
= 0.
Entonces,
(4 )(1 ) + 2 = 0,
2 5 + 6 = 0 = ( 3)( 2).
Luego los valores caractersticos de A son 1 = 3 y 2 = 2 .
Para encontrar los vectores caractersticos asociados a los valores de 1 = 3 y
2 = 2 resolvemos
Ax = 3x
Ax = 2x
4 2 x
x
= 3
1
1 y
4 2 x
x
= 2
1
1 y
4 x 2 y = 3x
4x 2 y = 2x
x + y = 3y
x + y = 2y
(4 3) x 2 y = 0
(4 2) x 2 y = 0
x + (1 3) y = 0
x + (1 2) y = 0
x 2y = 0
2x 2 y = 0
x 2y = 0
x y=0
x= y
x = 2y
2
x1 = , (
{0} )
x 2 = , ( {0} ) .
x1 y x2 estn expresando, cada uno, un subespacio compuesto por todos los vectores
2 1
mltiplos de 1 y 1 , respectivamente. O dicho de otra forma, los vectores carac
212
Teorema 1
Sea A una matriz n n . es un valor caracterstico de A si y slo si det ( A I ) = 0 .
Demostracin
Si es un valor caracterstico de A existe x 0 tal que
Ax = x = Ix ,
( A I ) x = 0 .
El sistema homogneo ( A I )x = 0 tiene solucin para x 0 cuando ( A I )
es no invertible, o sea det ( A I ) = 0 .
Recprocamente, si det ( A I ) = 0, el sistema ( A I )x = 0 tiene soluciones
no triviales y es un valor caracterstico de A. Si det ( A I ) 0, entonces la
nica solucin del sistema es x = 0 y, por tanto, no es un valor caracterstico de A.
a
A = 21
a31
a12 a1n
a22 a2 n
,
a32 ann
det ( A I ) =
a11
a21
a12
a22
a1n
a2 n
a31
a32
ann
P ( ) = n + bn 1 n 1 + ... + b1 + b0 = 0.
Esta ecuacin tiene n races, varias de las cuales pueden repetirse. Si 1 , 2 ,..., m
son las races diferentes de la ecuacin con multiplicidades 1 , 2 ,..., m , entonces
P ( ) puede factorizarse como:
P( ) = ( 1 )1 ( 2 ) 2 ...( m ) m = 0.
Los nmeros 1 , 2 ,..., m se llaman multiplicidades algebraicas de los valores
caractersticos 1 , 2 ,..., m , respectivamente.
O sea que si contamos multiplicidades, cada matriz n n tiene exactamente n valores caractersticos.
Halle P ( ) = det ( A I ) .
ii.
iii.
(1 , 2 ,..., m ) .
valor caracterstico i .
La solucin del sistema homogneo ( A i I )x = 0 no es nica, ya que x 0 . El
sistema tiene infinitas soluciones, luego al determinar los vectores x que satisfacen
el sistema, se sacan los vectores que formen una base para el subespacio generado;
es claro que todas las combinaciones lineales, diferentes de cero, que se realicen
con estos vectores tambin son vectores caractersticos correspondientes al mismo
valor .
Teorema 2
Sea A una matriz n n y sea E = {x : Ax = x} . Entonces E es un subespacio
de
214
1 2 1
Sea A = 1 0 1 . Encontremos para A los valores y vectores caractersticos.
4 4 5
Vamos a seguir los pasos dados en el proceso.
1
det ( A I ) = 1
4
1
1 =0
4 5
= 3 + 6 2 11 + 6 = 0
= ( 1)( 2)( 3) = 0.
1 x
1 1 2
1 1 1 y =
4 4 5 1 z
0
0
0
0 2 1 x
1 1 1 y =
4 4 4 z
0 2 1
1 0
1 1 1
operaciones elementales
0 1
0 0
4 4 4
0
0
0
2 .
0
1
x= z
2
1
y=
z
2
1z
z=
1
E1 = gen 1 ;
2
1
1 es un vector caracterstico asociado con = 1 .
2
Determinemos E2.
( A 2 I )x = 0 .
1 2 1
1 0
1 2 1
operaciones elementales
0 1
4 4 3
0 0
4 .
0
La solucin es:
1
x= z
2
1
y=
z
4
z=
1z
2
E2 = gen 1 ;
4
2
1 es un vector caracterstico asociado con = 2 .
4
Similarmente, encontremos E3 .
( A 3I ) x = 0
2 2 1
1 0
1 3 1
operaciones elementales
0 1
4 4 2
0 0
La solucin es:
1
x= z
4
1
y=
z
4
z=
1z
216
4 .
0
1
1 es un vector caracterstico asociado con = 3 .
4
Ejemplo 5
1 1 0
1
2
0
1
= 3 + 4 2 3 = 0
= ( 1)( 3) = 0.
( A 0 I )x = 0 .
1 1 0
1 0 1
1 2 1
0 1 1 , entonces
0 1 1
0 0 0
x = 1z
y = 1z
z = 1z
1
E0 = gen 1 .
1
E1 ,
( A I )x = 0 .
0 1 0
1 0 1
1 1 1
0 1 0 , entonces
0 1 0
0 0 0
x = 1z
y = 0z
z = 1z
E3 ,
( A 3I ) x = 0 .
2 1 0
1 0 1
x = 1z
1 1 1
0 1 2 , entonces
y = 2z
0 1 2
0 0 0
z = 1z
1
E3 = gen 2
.
1
Ejemplo 6
0 1 0
0 0 1 ,
A
=
Sea
entonces
1 3 3
det( A I ) = 0
1
0
1
=0
3 3
3 3 2 + 3 1 = 0,
( 1)3 = 0.
1 1 0
1 0 1
E1 : 0 1 1
0 1 1 , entonces
1 3 2
0 0 0
1
E1 = gen 1 .
1
218
x=z
y=z
z=z
3 2 4
Sea A = 2 0 2 ; entonces,
4 2 3
3
det ( A I ) =
2
4
2 =0
2 3
det ( A I ) = 3 + 6 2 + 15 + 8 = ( + 1) 2 ( 8) = 0.
4 2 4
1
2 1 2
0
4 2 4
0
0
0
1
0 ,
entonces
0
x=
1
yz
2
y= y
z=z
x
1 2 1
y = y 1 + z 0 .
z
0 1
-1 2 1
E1 : gen 1 , 0 .
0 1
E8 : ( A 8I )x = 0.
5 2 4
1 0 1
2 8 2
0 1 1 2 , entonces
4 2 5
0 0 0
x=
1z
1
z
2
z = 1z
y=
1
E8 : gen 1 2 .
1
(2).
Si bn1 ,..., b1 , b0 son enteros, entonces P ( ) no puede tener una raz racional que no sea un entero. Luego las posibles races racionales de P ( )
sern factores enteros de b0. Por supuesto, P ( ) podra tener races
irracionales. Adems, P ( ) tambin podr tener races complejas; si esto
sucede, stas ocurren en pares conjugados.
Ejemplo 8
2 1
Sea A =
. Determinemos los valores y vectores caractersticos de A.
5 2
det ( A I ) =
= 0, entonces 2 + 1 = 0.
De donde, 2 = 1 y = 1, o sea = i, 1 = i y 2 = i.
Veamos los espacios caractersticos.
Ei : ( A iI )x = 0.
1 x 0
2 i
, luego (2 i ) x y = 0
=
5
2 i y 0
(2 i ) x = y
Entonces, si x = 1, y = 2 i.
1
Por tanto, x1 =
es un vector caracterstico correspondiente a = i y
2i
1
Ei : gen
.
2 i
1
Ahora, si x = 1, y = (2 + i ), y entonces x 2 =
.
2+i
220
16.3 Propiedades
Teorema 3
Sea A una matriz n n y sean 1 , 2 ,..., m valores caractersticos diferentes de A
con sus correspondientes vectores caractersticos x1 , x 2 ,..., x m . Entonces
x1 , x 2 ,..., x m son LI.
Demostracin
Razonamos por induccin sobre m.
1.
(1)
(2)
C1 (1 2 ) x1 + C2 2 2
)x
= 0,
C1 (1 2 )x1 = 0.
3.
(3)
Hagamos (3) A:
C1 Ax1 + C2 Ax 2 + ... + Ck Ax k + Ck +1 Ax k +1 = 0,
(4)
+ Ck +1 k +1 k +1
)x
k +1
= 0.
C1 (1 k +1 )x1 + C2 (2 k +1 )x 2 + ... + Ck (k k +1 )x k = 0.
222
para 2 podr haber uno o dos vectores caractersticos LI. Es claro que no podrn
ser ms de dos ya que en el caso de que fueran tres vectores, se completaran cuatro
vectores LI en un espacio vectorial de dimensin 3, lo cual es absurdo.
Estas consideraciones quedan expresadas en el siguiente teorema.
Teorema 4
Sea un valor caracterstico de A. Entonces,
multiplicidad geomtrica de multiplicidad algebraica de .
Teorema 5
Sea A una matriz n n. A tiene n vectores caractersticos LI si y slo si la multiplicidad geomtrica de todo valor caracterstico es igual a la multiplicidad algebraica.
En particular, A tiene n vectores caractersticos LI si todos sus valores caractersticos son diferentes.
La deduccin del teorema resulta evidente de los resultados establecidos en los
teoremas 3 y 4.
Teorema 6
Los valores caractersticos de una matriz triangular son las componentes diagonales
de la matriz.
La demostracin del teorema se deja como ejercicio.
En el ejemplo 5 la matriz A tena un valor caracterstico igual a 0, o sea que
det ( A 0 I ) = 0, luego det A = 0, lo cual significa que A no es invertible.
Teorema 7
A es invertible si y slo si = 0 no es un valor caracterstico de A.
La demostracin del teorema se deja como ejercicio.
Finalizamos esta seccin destacando algunas relaciones entre los valores caractersticos de A y los valores caractersticos de matrices relacionadas con A.
Teorema 8
Sea An n una matriz que tiene valores caractersticos 1 , 2 ,..., k ; entonces:
a.
b.
c.
d.
1 2
,...,
Vea en su multimedia de
lgebra Lineal el cdigo fuente
en MATLAB para ilustrar
Valores y vectores
caractersticos
= det ( AT i I T )
= det ( AT i I ).
Luego i , i = 1,..., k, es un valor caracterstico de AT.
c.
(1)
A2 v = i Av.
(2)
Veamos para m = k + 1.
Multiplicando (2) por A,
A Ak v = Ai k v,
(3)
Ak +1 v = i k Av.
224
k +1
Mdulo 16
1.
2 2
Sea A =
. Determine cules de los siguientes vectores de
2 2
serlo, determine el valor caracterstico asociado.
(2, 1)
(2, 2)
(3, 3)
a.
b.
c.
d.
e.
f.
(4, 4)
( 6, 6)
( 1, 2)
2.
0 1
1 0
5.
1 1 0
0 1 1
0 0 2
8.
3 7 5
2 4 3
1 2 2
11.
a
0
13.
b
a
0
0
0
c
a
0
0
0
; bc 0
0
3.
1 0
1 1
6.
1 1 4
3 2 1
2 1 1
9.
a
0
0 0 0
a 0 0
0 a 0
0 0 a
12.
a
0
b
a
0
0
4.
0 1
1 0
7.
0
1
1 0
0 0
0 1
0 2
10.
a
0
0
0
1
0 0
a 0 0 ; b 0
0 a 0
0 0 a
0 0
c 0
; bcd 0
a d
0 a
Sea A una matriz diagonal de orden n cuyos elementos de la diagonal principal son 1 , 2 ,..., n . Determine el
polinomio caracterstico de A y sus valores caractersticos.
225
14.
Sea A una matriz triangular de orden n. Determine el polinomio caracterstico de A as como sus valores caractersticos.
15.
16.
17.
18.
Sea A una matriz real de n n. Demuestre que si 1 es un valor caracterstico complejo de A con vector caracterstico
v1, entonces 1 es un valor caracterstico de A con vector caracterstico v1 .
226
17
El problema de la diagonalizacin
Contenidos del mdulo
17.1 Diagonalizacin
17.2 Condicin necesaria y suficiente para que una matriz An n sea diagonalizable
El problema de la diagonalizacin consiste
en encontrar una matriz D tal que D = P-1AP.
Preguntas bsicas
1. Cundo una matriz An n es diagonalizable?
2. Si A y B son matrices semejantes, cmo son sus polinomios caractersticos y sus
valores caractersticos?
Introduccin
El problema de la diagonalizacin puede enunciarse de la siguiente forma: Dada
una matriz A de n n encontrar, si es posible, una matriz D diagonal, similar o
semejante a la matriz A.
Este problema est ntimamente relacionado con el problema de la determinacin de
los valores y vectores caractersticos de A, como veremos en el desarrollo siguiente.
17.1 Diagonalizacin
Definicin 1
Decimos que la matriz An n es diagonalizable si es similar a una matriz diagonal D.
Es decir, si existe una matriz invertible P tal que
D = P 1 AP.
Ejemplo 1
3 2
La matriz A =
dada en el ejemplo 1 del mdulo 16 es diagonalizable ya que A
3 4
1 0
es similar a BT =
. Ambas matrices son representaciones de la transforma0 6
x 3 x + 2 y
cin lineal T : R 2 R definida por T y = 3 x + 4 y . La matriz A est referida
a la base estndar y la matriz BT est referida a la base formada por los vectores
1
2
caractersticos LI y . Estos vectores forman las dos columnas de la
1
3
matriz P.
1 0 1 2 3 2 1 2
0 6 = 1 3 3 4 1 3 .
Teorema 1
Si A y B son matrices similares de n n, entonces A y B tienen la misma ecuacin
caracterstica y por consiguiente los mismos valores caractersticos.
Demostracin
1
Si A y B son similares entonces existe una matriz P tal que B = P AP, y por tanto
= det ( A I ).
228
Demostracin
1
0
Supongamos que A es similar a D, con D =
0
0
; entonces
D = P 1 AP, de modo que PD = AP. Sea P la matriz cuyas columnas son x1, x2,..., xn
P = x1 , x 2 ,..., x j ,..., x n ,
AP = Ax1 , Ax2 ,..., Ax j ,..., Ax n .
Ahora,
1
0
PD = x1 , x 2 ,..., x j ,..., x n
0
0
,
Luego
Ax1 , Ax 2 ,..., Ax j ,..., Ax n = 1x1 , 2 x 2 ,..., j x j ,..., n x n , de donde
Ax j = j x j
j = 1,..., n.
AP = PD .
Multiplicando a ambos lados por P 1 , tenemos:
P 1 AP = D,
2.
De 1 y 2 tenemos que:
A es diagonalizable multiplicidad geomtrica de i es igual a la multiplicidad
algebraica de i , i = 1,..., m, siendo m el nmero de races diferentes del polinomio
P().
Ejemplo 2
3 2 4
En el ejemplo 7 del mdulo16 determinamos para A = 2 0 2 sus valores y
4 2 3
vectores caractersticos as: det ( A I ) = ( + 1) 2 ( 8) = 0 con vectores ca-
1
1 2 1
1
ractersticos 1 y 0 correspondientes a = 1 y 2 correspondiente a
1
0 1
= 8.
230
1 0 0
D = 0 1 0 .
0 0 8
La matriz P que diagonaliza la matriz A es:
1 2 1 1
P = 1 0 1 2 .
0 1 1
Entonces,
P 1 AP = D .
P ( P 1 AP ) P 1 = PDP 1 ,
( PP 1 ) A( PP 1 ) = A = PDP 1 .
An = PD n P 1 ,
n
1 2 1 1 (1)
= 1 0 1 2 0
0 1 1 0
0
(1)
0
0
1
0
9
(8) n
2 8 2
4 2 5 .
4 2 4
20
En particular, si se desea obtener A , bastara hacer el producto indicado con n = 20,
en lugar de multiplicar 20 veces por la matriz A.
Ejemplo 3
Las matrices de los ejemplos 1, 3, 4, 5, 7 y 8 del mdulo 16 son diagonalizables ya
que para cada una de ellas se determinaron n vectores caractersticos LI. En el
ejemplo 2, mdulo 16, se plante la matriz identidad que ya es diagonal, y en el
ejemplo 6 del mismo mdulo se obtuvo un valor caracterstico de multiplicidad
algebraica 3, al cual slo iba asociado un vector caracterstico LI, luego la matriz
propuesta en el ejemplo 6 no es diagonalizable.
Cuando estudiamos las propiedades de las matrices similares (teorema 6, mdulo 13)
vimos que si A y B son matrices similares entonces det A = det B.
Ahora, si A es similar a una matriz diagonal D, det A = det D.
Tambin establecimos que las distintas representaciones de una misma transformacin lineal son matrices similares (teorema 5, mdulo 13), luego con cualquier representacin matricial que trabajemos obtendremos los mismos valores y vectores
caractersticos.
232
Mdulo 17
En los ejercicios 1 a 6 determine si la matriz dada A es diagonalizable; en caso de serlo, determine las matrices P, D y P 1 tales
que A = P D P 1 .
2.
2 2 4
2 3 2
3 2 5
3.
2
0
1 0 0
4 0 0
0 2 1
0 1 2
5.
0 i
i 0
6.
i 1
0 i
1.
0 1 0
1 0 0
0 0 2
4.
1 2
2 2
7.
1
Diagonalice A =
0
8.
9.
Si A y B son diagonalizables con A = P 1 D1P y B = Q 1 D2Q, es A B una matriz diagonalizable, con D1 D2 su matriz
diagonal equivalente? Es A + B diagonalizable, con D1 + D2 su matriz diagonal equivalente?
1
12
y emplee la diagonalizacin hallada para calcular A .
2
233
234
18
Aplicaciones de la teora de
valores y vectores caractersticos
Contenidos del mdulo
Una de las aplicaciones ms interesantes
de los valores caractersticos es poder
determinar el comportamiento de un
sistema que pasa por varios estados, donde
el estado siguiente slo depende de su
estado anterior en una etapa avanzada del
proceso. El mtodo para hacerlo se debe al
matemtico y lingista ruso Andrei
Andreyevich Markov (1856-1922) y se
conoce como cadenas de Markov.
Preguntas bsicas
1. Cmo se conforma la matriz de transicin de un proceso en un sistema dinmico?
2. Analizando los valores caractersticos de la matriz de transicin A en el estudio de
una poblacin, cmo se sabe si la poblacin crece o decrece?
3. Qu es un proceso de Markov?
4. Qu es una matriz de probabilidad?
5. Cundo un proceso de Markov alcanza su estado estacionario?
Introduccin
En esta seccin presentaremos algunas de las aplicaciones ms importantes de la
teora de valores y vectores caractersticos. stas son: ecuaciones en diferencias y
procesos de Markov.
2.
4.
Cada hembra adulta produce, en promedio, k hembras jvenes para el periodo siguiente.
Pj , n
0
o Pn = APn 1 , donde Pn = , A =
P
a,n
Pj , n 1
, Pn 1 =
.
Pa , n 1
236
= 0.
+ 2 k = 0, entonces 2 k = 0, de donde
=
1 =
2 + 4 k
2
+ 2 + 4 k
2
2 + 4 k
2
Como Pn = An P0 , entonces
Pn = An (a1 v1 + a2 v 2 ) = a1 An v1 + a2 An v 2
= a11n v1 + a2 2 n v 2 , ya que An v1 = 1n v1 y An v 2 = 2n v 2 (teorema 8,
parte c, mdulo 16)
n
= 1n a1 v1 + a2 2 v 2 .
2
Como 1 > 2 , tiende a cero cuando n es grande, entonces
1
Pn 1n a1v1.
(1)
+ 2 + 4 k
2
2 + 4 k > 2 .
> 1,
Elevando al cuadrado,
2 + 4 k > 4 4 + 2 ,
4 k > 4 4 ,
k>
100
= 0.8 y P0 =
.
200
Entonces,
1
0
A=
,
0.6 0.8
luego
det ( A I ) =
0.6 0.8
= 2 0.8 0.6 = 0,
238
y 1 =
det ( A I ) =
0.6 0.2
= 2 0.2 0.6 = 0
1 =
+ 2 + 4 K
2
= 1,
h = 0.4.
As que una proporcin de caza igual a 0.4 mantendr estable la poblacin.
Ejemplo 1
Una especie animal est clasificada en dos etapas de vida: juvenil (hasta un ao de
edad) y adulta. Suponga que las hembras adultas paren una vez al ao un promedio
de 1.6 hembras juveniles. Cada ao sobrevive 30% de los juveniles para transformarse en adultos y sobrevive 80% de los adultos.
Veamos cmo estara dada la poblacin de esta especie en un periodo cualquiera k.
Pj , k = 1.6 Pa , k 1
Pj , k
Pk =
Pa , k
de donde
Pa , k = 0.3Pj , k 1 + 0.8 Pa , k 1
Pj , k 0 1.6 Pj , k 1
P =
,
a , k 0.3 0.8 Pa , k 1
Pk = APk 1.
Veamos cmo se comporta este sistema, analizando sus valores y vectores caractersticos.
det ( A I ) =
1.6
0.3 0.8
= 2 0.8 0.48 = 0,
0.3x 0.4 y = 0
1.2 1.6
0.3 0.4 , entonces
3x = 4 y
4
Si x = 4 e y = 3, entonces x1 = .
3
Para 2 = 0.4,
(A + 0.4 I) x = 0.
0.4 1.6
0.3 1.2 , entonces
0.4 x + 1.6 y = 0
4 x = 16 y o x = 4 y
4
Si x = 4, y = 1 y x 2 = .
1
En los modelos estudiados se describe un proceso que est determinado por medio
de la matriz A. El vector P0 se llama estado inicial del proceso y el vector Pn para
n N se llama n-simo estado del proceso.
240
Teorema 1
Sea A una matriz diagonalizable n n con vectores caractersticos linealmente
independientes v1, v2 ,..., vn y sus correspondientes valores caractersticos
Demostracin
Los vectores v1, v2 ,..., vn forman una base del espacio V (R n o C n ), luego X0 se
puede expresar en esta base como Xo = c1 v1 + c2 v2 + ... + cn v n .
Como X k = AX k 1 , entonces
X1 = AX 0 , X 2 = AX1 , X 2 = A2 X 0 ,..., X k = Ak X 0 .
Luego
Xk = Ak (c1 v1 + c2 v 2 + ... + cn v n )
= c1 Ak v1 + c2 Ak v 2 + ... + cn Ak v n .
Antes de plantear modelos de procesos de Markov veremos una propiedad importante de las matrices de probabilidad.
Teorema 2
Sea An n una matriz de probabilidad; entonces, = 1 es un valor caracterstico de A.
.
Demostracin
an 2
an1
a1n
a2 n
.
ann 1
a
i =1
ij
a12
a1n
a21
a22 1
a2 n
an1
an 2
ann 1
ai 2 1
a21
a22 1
a2n
an1
an 2
ann 1
i =1
i =1
ij
1 = 0.
R1 + ( R2 + ...+ Rn )
ai1 1
i =1
a
i =1
in
0
=
a21 a22 1
an1
an 2
0
a2n
= 0.
ann 1
242
1
1
1
4
2
4
T
P
8 N
18
9 T
18
1
18
con aij : probabilidad de que una mquina que se encuentre en el estado j pase al
estado i en el periodo siguiente.
Asumimos que la probabilidad de estar en uno cualquiera de los estados al final de
un periodo depende slo del estado en que se encontraba la mquina al principio
del periodo, o sea, el final del periodo anterior.
X1,t
X n = An X 0 , n 1.
Por ejemplo, si la mquina est trabajando bien al principio del periodo, entonces
0
1
X 0 = 0 , X1 = 0
1
0
1
1
1
0 9 18
8 0 = 8 .
18
18
9 1
9 18
18
1
18
4
2
4
Si consideramos una factora donde cada mquina se comporta con una distribucin de probabilidad como muestra X1 , podemos esperar que 1/18 de las mquinas
estn paradas, 4/9 necesiten ajustes y 1/2 estn trabajando bien.
El comportamiento de la mquina est dado por la matriz A. La secuencia de vectores
X1 , X2 ,..., Xn se llama cadena de Markov.
1
det ( A I ) = 0
0
1
1
1
18
8
9
18
18
= 0,
(1 ) = 0,
2
18 4
(1 ) 2 + = 0,
36
1
5
(1 ) = 0,
6
6
1
6
5
6
1 = 1, 2 = , 3 = .
1
Para = 1, resolvemos ( A I ) v = 0, de donde v1 = 0 .
0
1
Para = 1/ 6, se determina v2 = 4 .
3
7
Para = 5 / 6, se encuentra v 3 = 4 (verifquelo).
3
Luego
1 1 7
1
P = 0 4 4 , P 1 = 0
0 3 3
0
1
1
1
1
1
, D = 0
6
1
0
6
1
0
0 .
5
6
0
1
0
X5 = A X0 = A 0 ,
1
5
0
1 1 7 1
1
A = PD P = 0 4 4 0 ( 6 )5
0 3 3 0
0
5
0 1
0 0
( 5 6 )5 0
1 0.648 0.531
= 0 0.201 0.268 ,
0 0.151 0.201
1 0.648 0.531 0 0.531
y X5 = 0 0.201 0.268 0 = 0.268 .
0 0.151 0.201 1 0.201
244
1
1
1
6
1
6
1
0
alcanzado su estado estacionario. Este vector es ; esto es, cuando todas las
0
mquinas estn en el estado (1), o sea, paradas sin reparacin, ya no ocurre ningn
cambio de estado de un periodo a otro. A esta situacin se llega cuando han transcurrido n periodos con n grande.
El objetivo del anlisis de Markov es calcular la probabilidad de que un sistema se
encuentre en un estado en particular en un tiempo futuro y determinar el comportamiento del sistema a largo plazo.
Teorema 2
Sea un proceso de Markov dado por la matriz A y la cadena X1, X2 ,..., Xk ,... . Si A es
diagonalizable y todo valor caracterstico de A distinto de 1 posee mdulo menor
que, 1 entonces:
a.
b.
decir, AX = X .
Demostracin
a.
Luego
lim Xk = C1 v1 + C2 v 2 + ... + Cr vr ... = X .
b.
Ejemplo 2
Cada ao 5% de la poblacin de la ciudad se muda a los suburbios y 3% de la
poblacin de los suburbios se muda a la ciudad. Suponga que inicialmente 60% de
la poblacin vive en la ciudad y 40% en los suburbios (figura 18.1).
Veamos cul es la distribucin de la poblacin despus un ao.
Figura 18.1
Pc ,1
P1 =
Ps ,1
Pc ,1 = 0.95Pc ,0 + 0.03Ps ,0
Ps ,1 = 0.05Pc ,0 + 0.97 Ps ,0
3
Si x = 3, y = 5 , entonces v = .
5
246
0.05 x = 0.03 y
5x = 3 y
0.03
= (0.95 )(0.97 ) 0.0015 = 0,
0.97
2 1.92 + 0.92 = 0,
( 1)( 0.92) = 0,
1 = 1, 2 = 0.92.
0.03x = 0.03 y
x = y
Luego
1
v2 = .
1
P0 = a1v1 + a2 v2 ,
0.6
3
1
0.4 = a1 5 + a2 1 ,
3 1 0.6 1 0 1/ 8
5 1 0.4 0 1 9 / 40 .
Pk = a11k v1 + a22k v2 ,
1
1 3 9
= + (0.92)k .
8 5 40
1
Cuando k ,
3/ 8
(0.92) k 0 y Pk .
5/ 8
A largo plazo la poblacin alcanza el estado estacionario que es el vector de probabilidad correspondiente a = 1.
La poblacin se estabiliza cuando 3/8 de ella vive en la ciudad y 5/8 en los suburbios.
Mdulo 18
1.
La poblacin de una cierta variedad de peces aumenta de manera que el crecimiento en cualquier ao es el doble del
crecimiento en el ao anterior. Si inicialmente se tenan 50 peces y despus del primer ao se contabilizaron 70 peces:
a.
b.
c.
2.
Suponga que hay tres centros principales de camiones mdese usted mismo. Cada mes, la mitad de los que estn
en Boston y en Los ngeles van a Chicago, la otra mitad permanece donde est y los camiones de Chicago se
dividen igualmente entre Boston y Los ngeles. Si inicialmente la compaa tena x0, y0, z0 camiones en Boston,
Chicago y Los ngeles, respectivamente,
a.
b.
3.
d.
Encuentre, para el k-simo ao, el tamao de la poblacin que vive fuera (dentro) de California.
Puede modelar este problema como un proceso de Markov?
Encuentre la probabilidad de que un individuo de Estados Unidos, elegido al azar, viva fuera (dentro) de
California en el k-simo ao.
Encuentre la distribucin de la poblacin americana a largo plazo.
Suponga que hay una epidemia en la que cada mes se enferma la mitad de los que estn sanos y muere la cuarta parte
de los que estn enfermos. Suponga que inicialmente haba s0 y e0 individuos sanos y enfermos, respectivamente, y
ningn individuo haba muerto.
a.
b.
c.
5.
Encuentre la distribucin de camiones de la compaa en las tres ciudades, para cada mes.
Determine cul ser a largo plazo la distribucin de camiones de la compaa.
Cada ao 1/10 de la gente de Estados Unidos que vive fuera de California se muda dentro y 2/10 de la gente que vive
dentro de California se muda fuera. Si inicialmente y0 y z0 eran los tamaos de las poblaciones fuera y dentro de
California:
a.
b.
c.
4.
Encuentre la distribucin de la poblacin para el k-simo mes y diga cul es la probabilidad en ese mes, para
cada uno de los siguientes eventos: estar sano, estar enfermo, estar muerto.
Puede modelar este problema como un proceso de Markov?
Encuentre la distribucin de la poblacin a largo plazo.
Un curso de Qumica se imparte en dos secciones. Si cada semana dejan el curso 1/ 4 de los que estn en la seccin
A y 1/ 3 de los que estn en la seccin B, y 1/6 de cada seccin se transfiere a la otra:/
a.
b.
Para resolver a y b suponga que inicialmente tenan x0 e y0 estudiantes en las secciones A y B y ningn estudiante
fuera del curso.
6.
El crecimiento de un cultivo de bacterias en un medio nutritivo se observa cada dos horas y cada vez se encuentra
que la poblacin ha crecido 30% con respecto a la vez anterior.
a.
b.
7.
Denote por Pn la poblacin de bacterias despus de 2n horas y describa este proceso de crecimiento por
medio de una ecuacin.
Dado que la poblacin inicial es 1000 bacterias, determine P2 y P4.
8.
La mitad de los conejos sobrevive el primer ao. De stos, la mitad sobrevive el segundo ao. La duracin de
la mxima vida es tres aos.
Durante el primer ao los conejos no producen descendencia. El nmero medio de descendencia es seis durante
el segundo ao y ocho durante el tercer ao.
Clase de primera edad
Clase de segunda edad
Clase de tercera edad
Si actualmente la poblacin consta de 24 conejos en la clase de la primera edad, 24 en la clase de la segunda edad y
20 en la tercera edad, cul ser la distribucin de conejos cuando hayan transcurrido diez aos?
9.
Una compaa de robtica quiere fabricar un brazo que deber recoger partes de una banda transportadora para
colocarlas en otra banda. Ocasionalmente el brazo falla, pero el robot est diseado para que en caso de falla se
activen circuitos secundarios. En las observaciones se descubre que si el brazo falla en una ocasin, tendr xito la
siguiente vez 97% de las veces. Si el brazo tiene xito en cierto intento, los circuitos secundarios se desactivarn
y el brazo fallar la siguiente vez apenas 2% de las veces. Cumplir el brazo con el requerimiento del cliente de que
trabaje exitosamente 98% de las veces?
10.
En un da dado, un estudiante est sano o bien est enfermo. De los estudiantes que estn sanos hoy, 95% estar
sano maana. De los estudiantes que estn enfermos hoy, 55% estar enfermo maana.
a.
b.
c.
d.
Ejer
cicioslgebradel
18249
Linealmdulo
Elemental y Aplicaciones
Ejercicios
250
19
Preguntas bsicas
1.
2.
3.
4.
Introduccin
La idea de la diagonalizacin de una matriz An n es poder encontrar una matriz ms
sencilla semejante a la matriz A con la cual se pueda operar ms fcilmente. Sin
embargo, no todas las matrices tienen n vectores caractersticos LI, es decir, no son
semejantes a una matriz diagonal; en este caso se puede encontrar semejanza con
otra matriz, no diagonal pero s ms sencilla que la matriz original. Veremos la forma
de obtener estas matrices.
0
0
Nk =
0
0
1 0
0 1
0 0
0 0
0
0
.
1
0
N k es una matriz con unos arriba de la diagonal principal y ceros en las dems
posiciones.
1 0
0 1
B ( ) =
kxk
0 0 0
0 0 0
0
0
.
1
0
0
0
B ( ) es una matriz que tiene un valor fijo sobre la diagonal, unos encima de la
diagonal y ceros en las dems posiciones.
Podemos considerar que una matriz bloque de Jordan de 1 1 (orden 1), ser
B( ) = ( ).
Con las matrices de bloques de Jordan se forma la matriz de Jordan J, la cual tiene la
siguiente forma:
0
B1 (1 )
0
B2 (2 )
J =
0
0
0
.
Br (r )
0
J es una matriz que tiene en la diagonal matrices de bloques de Jordan y ceros en las
dems posiciones.
252
1.
2
0
0
0
0 0 0 0
2 1 0 0
0 2 1 0
0 0 2 0
0 0 0 3
3 1 0
0 3 0 .
0 0 4
1 0
0 1
1 0 0
0
1
2
1 0
0
2
0 0
0
0
formada por tres bloques de Jordan de orden 1.
3
J = P 1 AP .
Este hecho es uno de los resultados ms importantes del lgebra lineal, aunque su
demostracin va ms all del alcance de un curso inicial.
La matriz J tiene sobre la diagonal los valores caractersticos de A. Esta matriz es
nica excepto por el orden en que aparecen los bloques de Jordan.
0
Si A es similar a J1 =
0
0
1 0 0 0 0
1 1 0 0 0
0 1 0 0 0
tambin es similar a:
0 0 3 0 0
0 0 0 4 1
0 0 0 0 4
3
0
0
J2 =
0
0
0 0 0 0 0
4 1 0
0 4 0
1 1 0 0 0
0 1 1 0 0
0 0 1
, J3 =
0 0 1 0 0
0 0 0
0 0 0 4 1
0 0 0
0 0 0 0 4
0 0 0
4
0
0
J4 =
0
0
1 0 0 0 0
4 0 0 0 0
0 3 0 0 0
0 0 1 1 0
0 0 0 1 1
0 0 0 0 1
0 0 0
0 0 0
1 0 0
,
1 1 0
0 1 0
0 0 3
te. Slo resta analizar el caso en el cual A tiene un solo valor caracterstico de
multiplicidad algebraica 2 y multiplicidad geomtrica 1. Bajo estas condiciones, si v1
es un vector caracterstico correspondiente al valor caracterstico , entonces existe un vector v2 que satisface la ecuacin
( A I )v2 = v1.
254
Ahora,
1
PJ = [v1 , v2 ]
= [ v1 , v1 + v2 ].
0
Luego
AP = PJ ,
de donde P1 AP = J .
Solucin
det ( A I ) =
10
=0,
2 + 6 + 9 = 0 ( + 3) 2 = 0.
entonces
7 x 7 y = 0
7 x = 7 y
x = y
Por tanto,
1
E3 = gen .
1
1
Si v1 = , el vector v2 debe encontrarse como un vector caracterstico generali1
zado.
Si x = 0,
entonces
7 x 7 y = 1
7 x + 7 y = 1
x+ y =
1
7
y = 1/ 7,
0
luego v 2 = 1 .
7
1
P=
1
0
0
1 7 0 1
, P 1 = 7
=
,
1
7
1 1 7 7
0 10 7 1
1
J = P 1 AP =
4 1
7 7 7
256
0 3 1
= 0 3 .
7
i =1
i =1
i =1
= ri ti = n ti .
Si se conoce la ecuacin caracterstica de A, entonces se pueden determinar las
posibles formas cannicas de Jordan de A.
Ejemplo 5
Si el polinomio caracterstico de A es ( 3)3 ( + 4), entonces las posibles formas
cannicas de Jordan de A son:
1.
2.
0 0
0 0
.
3 0
0 4
3.
0
3
0
0
0
0
.
0 3 0
0 0 4
0 0
3 1
1
3
0
0
0 0
1 0
.
3 0
0 4
1 0
ser J = 0 1 .
0 0
Ejemplo 6
En el ejemplo 6 del mdulo 16, para la matriz
0 1 0
A = 0 0 1
1 3 3
con ecuacin caracterstica ( 1)3 = 0, determinamos un solo vector caractersti-
1
co correspondiente a = 1, v1 = 1 .
1
Encontremos los vectores caractersticos generalizados v2 y v3 , para determinar la
matriz P = [ v1 , v 2 , v 3 ] tal que P 1 AP = J .
Resolvamos ( A I ) v2 = v1.
1 1 0 x 1
0 1 1 y = 1
1 3 2 z 1
1 1 0 1 1 0 1 2
0 1 1 1 0 1 1 1
,
1 3 2 1 0 0 0 0
2
v
=
Si z = 0, x = 2 e y = 1, entonces 2 1 .
0
258
x = 2 + z
y = 1 + z
z=
z
1 1 0 x 2
0 1 1 y = 1 ,
1 3 2 z 0
1 1 0 2 1 0 1 3
0 1 1 1 0 1 1 1
,
1 3 2 0 0 0 0 0
x = 3+ z
y = 1+ z
z=
z
3
=
v
Si z = 0, entonces 3 1 .
0
Luego
1 2 3
P = 1 1 1 ,
1 0 0
0 0 1
P = 1 3 2 .
1 2 1
1
0 0 1 0 1 0 1 2 3 1 1 0
J = 1 3 2 0 0 1 1 1 1 = 0 1 1 .
1 2 1 1 3 3 1 0 0 0 0 1
Mdulo 19
En los ejercicios 1 a 9 determine si la matriz dada es de Jordan.
1.
3 1
0 1
5.
3 1
0 1
9.
a
0
0
0
2.
3 0
0 1
6.
1 0 0
0 3 1
0 0 4
3.
1 0
0 0
7.
1 0 0
0 3 1
0 0 3
4.
1 2
0 1
8.
1
0
0
0
0 0 0 0
3 1 0 0
0 3 1 0
0 0 3 0
0 0 0 3
0 0 0 0
b 1 0 0
0 b 1 0
0 0 c 0
0 0 0 c
En los ejercicios 10 a 12 encuentre una matriz invertible P que transforme la matriz de 2 2 a su forma cannica de Jordan.
10.
13.
14.
15.
2 7
7 12
11.
7
4
7 10
12.
2 1
1 4
2 1 0
2 1 1 .
6
0
1
8
0 .
0
En los ejercicios 16 a 19 se da el polinomio caracterstico de una matriz A. Escriba todas las posibles formas cannicas de
Jordan de A.
16.
2 ( 1) 2
17.
( + 3) 2 ( 4)3
18.
( 2)( + 3) 2
19.
( 7)3
20.
Usando la forma cannica de Jordan, demuestre que para cualquier matriz A de n n, det A = 1 2 ,..., n , donde
Ejer
cicioslgebradel
19261
Lineal mdulo
Elemental y Aplicaciones
Ejercicios
Captulo 5
Diagonalizacin
ortogonal.
Formas
cuadrticas y
aproximacin
de valores y
vectores
caractersticos
Segn Morris Kline1, los valores caractersticos se originaron en el contexto de formas cuadrticas y en la mcanica celeste (el movimiento de los planetas), conocindose como races caractersticas de la ecuacin escalar.
Mdulo 20
Diagonalizacin ortogonal
Ejercicios
Mdulo 20
Mdulo 21
Formas cuadrticas y secciones
cnicas
Ejercicios
Mdulo 21
Mdulo 22
Aproximacin de valores y
vectores caractersticos
Ejercicios
Mdulo 22
En Mathematical thought from ancient to modern times (Fair Lawn, NJ.: Oxford University
Press, 1972).
264
20
Diagonalizacin ort
ogonal
ortogonal
Contenidos del mdulo
matriz simtrica An n
A=
2 1
1 2 .
Preguntas bsicas
1. Cmo son los valores caractersticos de una matriz simtrica real A?
2. Cmo son los vectores caractersticos que corresponden a valores caractersticos diferentes?
3. Qu significa que una matriz es diagonalizable ortogonalmente?
4. Qu se puede decir de una matriz que es diagonalizable ortogonalmente?
Introduccin
Estudiaremos varias propiedades importantes de las matrices simtricas, tales como
que siempre tienen n vectores caractersticos LI y todos sus valores caractersticos
son nmeros reales. Ahora, no slo se garantiza su diagonalizacin, sino que adems se puede comprobar que se puede formar una base ortonormal con sus vectores
caractersticos.
Si nA
n es una matriz simtrica con elementos reales, entonces:
a.
b.
Demostracin
a.
(u , u ) = u
0 , entonces = .
Si = a + bi, = a bi ,
a + bi = a bi
b = 0.
b.
Au1 u 2 = u1 At u 2 = u1 Au 2 = u1 2 u 2 = 2 (u1 u 2 ),
266
donde D es la matriz diagonal que tiene sobre la diagonal los valores caractersticos
de A.
Teorema 3
Sea A una matriz real de n n. Entonces A es diagonalizable ortogonalmente si y
slo si A es simtirca.
Demostracin
Si A es simtrica, el teorema 2 y la definicin anterior nos permiten concluir que A es
diagonalizable ortogonalmente.
Recprocamente, si A es diagonalizable ortogonalmente, existe P ortogonal tal que
PT A P = D, luego A = P D PT ; entonces,
AT = ( P D PT )T = ( PT )T DT PT = P D PT .
b.
c.
Ejemplo 1
1 1 0
En el ejemplo 5 del mdulo 16, dada A = 1 2 1 , determinamos sus valores
0 1 1
caractersticos 0, 1 y 3 con sus correspondientes vectores caractersticos
1 1
1 , 0 ,
1 1
1
2 .
1
1 1
,
1 . 0 = 0
1 1
1 1
1 . 2 = 0 ,
1 1
1 1
0 . 2 = 0.
1 1
Para tener una base ortonormal de \ 3 slo se necesita normalizar cada uno de estos
vectores.
268
1
1
0 ,
2
1
1
1
1 ,
3
1
1
1
2
6 .
1
Luego la matriz P cuyas columnas son estos vectores es una matriz ortogonal, de
modo que P T A P = D.
1
1
3
2
6
0
2
1
1
1 1 0 1
1 2 1 1
2
0 1 1 1
6
3
3
3
0
1
1
2
0 0 0
= 0 1 0
6
.
0 0 3
6
6
Ejemplo 2
0 1 1
Sea A = 1 0 1 . Diagonalicemos la matriz A ortogonalmente.
1 1 0
Resolvemos el polinomio caracterstico de A as:
det( A I ) = 1
1
1
= 3 + 3 + 2 = 0
= 3 3 2 = 0
( + 1)2 ( 2) = 0
2 = 2 .
Para determinar E1 , resolvemos (A + I )x = 0.
1 1 1
1 1 1
1 1 1 0 0 0 , luego
1 1 1
0 0 0
Entonces E1
x = y z
y= y
z=
1
1
= gen v1 = 1 , v 2 = 0 .
0
1
Ahora, v1 y v 2 no son mutuamente ortogonales, aunque s son linealmente independientes. Aplicamos a esta base el proceso de Gram-Schmidt.
u1 =
1
v1
1
1 .
=
v1
2
0
Sea v 2 = v 2 ( v 2 u1 )u1
1 1 2 1 2
1
1 2
1 1
= 0 0 . 2 2 = 1 2 ,
1
1 0 0
1
1
1 2
2 1
1
=
u2 =
2 =
6
v 2
2
1
v 2
v 2 =
6
.
2
.
6
6
6
E2 lo encontramos resolviendo ( A 2 I )x = 0.
2 1 1
1 0 1
1 2 1 0 1 1 ; entonces
1 1 2
0 0 0
1
, v 3 = 1 .
1
x= z
y= z
z= z
Luego
1
E2 = gen 1 .
1
u3 =
1
1
1
3 .
3
3
1 2
La matriz P = 1 2
0
1
1
2
6
6
6
1
1
1
3
3
simtrica A.
As que:
1 0 0
P A P = D = 0 1 0 .
0 0 2
T
270
Mdulo 20
En los ejercicios 1 a 7 diagonalice ortogonalmente las matrices simtricas dadas, determinando la matriz diagonal D y la
matriz diagonalizante ortogonal P.
1.
2 2
2 2
5.
0 0 0
0 2 2
0 2 2
2.
1 1
1 1
6.
1 2 2
2 1 2
2 2 1
3.
1 2 2
2 1 2
2 2 1
7.
0 1 1
1 0 1
1 1 0
4.
0 0 1
0 0 0
1 0 0
8.
Suponga que An n es una matriz simtrica real para la que todos sus valores caractersticos son cero. Demuestre que
A es la matriz nula n n.
9.
Demuestre que si una matriz real A de 2 2 tiene vectores propios ortogonales, entonces A es simtrica.
10.
11.
Sea A una matriz real antisimtrica. Demuestre que todo valor propio de A es de la forma bi, donde b \ e i es la
unidad imaginaria.
272
21
Preguntas bsicas
1. Qu es una forma cuadrtica en \ 2 y cmo se relaciona con la ecuacin general
de segundo grado?
2. Cmo se expresa matricialmente una forma cuadrtica?
3. Cmo se emplea la diagonalizacin ortogonal de la matriz A de la forma cuadrtica,
para llevar sta a sus ejes principales?
4. Cmo se determina el ngulo que deben rotar los ejes x e y para llevar la
cnica a nuevos ejes xy y expresarla en su forma cannica?
5. Cmo debe ser la matriz ortogonal P que diagonaliza la matriz A para que corresponda a una matriz de rotacin?
6. En la ecuacin de segundo grado, eliminado el trmino en xy, cmo se puede
saber qu tipo de cnica representa?
Introduccin
En este mdulo presentamos una aplicacin de la diagonalizacin ortogonal.
Las propiedades de las matrices simtricas estudiadas en la seccin anterior nos
proporcionan una herramienta importante en la reduccin de las ecuaciones de
segundo grado cuando en ellas hay un trmino cruzado, es decir, un trmino en xy.
(1)
274
Figura
21.1
Se puede observar que las ecuaciones de las secciones cnicas cuyas grficas
estn en posicin cannica no tienen el trmino xy o trmino mixto; cuando ste
aparece en la ecuacin, la grfica es una seccin cnica que ha sido rotada desde su
posicin cannica. Adems, en las ecuaciones cannicas correspondientes a crculos, elipses e hiprbolas las variables x e y aparecen siempre al cuadrado; cuando la
ecuacin contiene trminos cuadrticos y lineales en las variables x e y y la ecuacin no tiene trmino mixto, la grfica es una seccin cnica trasladada desde su
posicin cannica; finalmente, si aparece trmino en xy y trminos lineales en x o en
y, la grfica es una seccin cnica rotada y trasladada (figura 21.2).
Figura 21.2
(2)
(3)
x
donde X = y R es la matriz simtrica que tiene sobre la diagonal principal los
y
coeficientes de los trminos cuadrados puros y sobre la otra diagonal se reparte
simtricamente el coeficiente del trmino cruzado.
A
F ( x, y ) = ( x y )
B 2
x
= Ax 2 + Bxy + Cy 2 .
C y
3 1 x
F ( x, y ) = [ x y ]
1 1 y
x
= [3 x + y x + y ]
y
2
= 3 x + xy + xy + y 2 = 3x 2 + 2 xy + y 2 .
Inversamente, si R es una matriz simtrica, entonces la ecuacin (3) define una forma
cuadrtica.
Se puede representar F ( x, y ) por muchas matrices, pero slo por una matriz sim3 a
trica. En el ejemplo dado, cualquier matriz R =
, donde a + b = 2, verifica que
b 1
3 3
XT R X = F ( x, y); entonces, si R =
, se cumple que
1 1
3 3 x
[ x y]
1 1 y
x
= [3x y 3 x + y ]
y
2
= 3x xy + 3 xy + y 2 = 3 x 2 + 2 xy + y 2 .
Ahora, si a la matriz R se le exige adems que a = b, entonces slo habr una matriz
P que satisfaga simultneamente las dos condiciones a + b = 2 y a = b.
Consideremos entonces la forma cuadrtica F ( x, y ) = XT R X con R una matriz
simtrica. Por el teorema 3 del mdulo 20, R es diagonalizable ortogonalmente, esto
es, existe una matriz ortogonal P tal que R = P D PT , donde D es la matriz diagonal
276
x
Sea X = tal que X = P T X; entonces,
y
( X ) T = ( P T X ) T = X T P .
F ( x , y ) = XT D X = [ x y ] 1
0
0 x
= x2 + 2 y 2 .
2 y 1
= 0,
2 4 + 2 = 0
1 = 2 + 2, 2 = 2 2
( R (2 + 2) I ) X = 0,
1 2
x 0
= .
1 2 y 0
1
Entonces
(1 2)x = y si x = 1, y = 2 1,
luego
1
v1 =
2 1
v1 = 1 + ( 2 1)2 = 4 2 2.
.
4 2 2 2 1
1
Despus resolvemos ( R (2 2) I ) X = 0.
1 + 2
x 0
= (1 + 2)x = y;
1 + 2 y 0
1
entonces, si x = 1, y = 1 + 2.
As que
1
v 2 =
1 + 2
v 2 = 1 + (1 + 2) 2 = 4 + 2 2 .
u2 =
42 2
Sea P =
2 1
4 2 2
2 + 2
con D =
0
.
4 + 2 2 1 + 2
1
4+2 2
la matriz ortogonal tal que PT R P = D,
1 + 2
4 + 2 2
2 2
0
(2 + 2) x2 + (2 2) y 2 = F ( x, y),
en la cual no hay un trmino en x y .
La matriz P que diagonaliza la matriz simtrica R es real y ortogonal, o sea, PT = P 1 ,
entonces 1 = det PP 1 = det PPT = det P det PT = (det P ) 2 .
Por tanto, det P = 1. Si det P = 1, se pueden intercambiar las columnas de P
para hacer el determinante de esta nueva matriz igual a 1; esto equivale a intercambiar 1 y 2 .
Veamos ahora que cuando P es real y ortogonal con determinante 1,
278
a c
Por el teorema 1 del mdulo 15, los vectores b y d forman una base ortonormal
a
de \2, es decir, son vectores unitarios y ortogonales. Luego b se puede expre
cos
sar como sen , siendo el ngulo que forma el vector con el eje x positivo.
a
c
El vector d est formando un ngulo de / 2 con el vector b; entonces,
c
d =
cos ( 2 )
sen ( ) (figura 21.3).
2
Figura
c
Si d =
21.3
cos ( + 2 ) sen
sen ( + ) = cos , entonces
2
cos
P=
sen
sen
y
cos
P = 1.
c cos ( 2 ) sen
Ahora, si d = sen ( ) = cos ,
2
sen
P = 1.
cos y
en \2
Sea F ( x, y) = Ax2 + Bxy + Cy 2 una forma cuadrtica en las variables x e y. Entonces
existe un nico nmero en [0, 2 ] tal que F ( x, y ) se puede escribir en la forma
1 x2 + 2 y 2 = F ( xy ) ,
donde x e y son los ejes obtenidos al rotar los ejes x e y un ngulo en sentido
contrario a las manecillas del reloj.
A
.
C
Ejemplo 2
Tomemos la ecuacin cuadrtica 3 x 2 + 2 xy + y 2 = 4.
En el ejemplo 1 se encontr que la forma cuadrtica en sus ejes principales es
(2 + 2) x2 + (2 2) y2 , luego la ecuacin es (2 + 2) x2 + (2 2) y 2 = 4, la
cual en su forma cannica es:
x 2
y 2
+
= 1.
4
4
2+ 2
2 2
2
Esta ecuacin representa una elipse con a =
4
2 2
sobre el eje y.
b2 =
280
4
2+ 2
y c2 = a 2 b2 =
4
(2 2)
4
2+ 2
= 4 2.
42 2
Como P =
2 1
4 2 2
cos =
1
42 2
4+2 2
tiene det P = 1, entonces
1 + 2
4 + 2 2
, y sen =
2 1
42 2
Figura 21.4
Ejemplo 3
Identifique la seccin cnica cuya ecuacin es 3 x 2 2 xy y 2 = 4.
Solucin
En el ejemplo 2 vimos que la forma cuadrtica 3 x 2 + 2 xy + y 2 en sus ejes principales se puede expresar como (2 + 2) x2 + (2 2) y 2 , luego la ecuacin dada se
puede escribir como:
(2 + 2) x2 (2 2) y2 = 4.
Como para cualesquier nmeros reales x e y, (2 + 2) x2 (2 2) y2 0, no
existen nmeros reales x e y que satisfagan la ecuacin dada. Luego la seccin
cnica definida se llama seccin cnica degenerada.
Solucin
La forma matricial de la ecuacin dada es:
9 3 x
x
[ x y]
+ [10 10 10 10] + 90 = 0.
3 1 y
y
9 3
Determinemos los valores caractersticos de R =
.
3 1
det ( R I ) =
= 2 10 = 0
( 10) = 0
1 = 0 y 2 = 10
El vector caracterstico asociado a 1 = 0 se obtiene resolviendo
9
3
3 x 0
=
; entonces
1 y 0
1
3 x = y , v1 = .
3
Para 2 = 10 tenemos
1
3
3 x
0
= ;
9 y
0
entonces,
3
x = 3 y, v 2 = .
1
P=
1
10
3
10
3
10
, det P = 1. Luego P es una matriz de rotacin.
1
10
0 0
PT R P = D =
.
0 10
282
variables xy es:
10 y 2 + [10 10 10 10]
1
10
3
10
3
10 x
= 90.
1 y
10
( y 1) 2 = 4( x 2).
cos =
1
10
, sen =
3
10
Luego es un ngulo del cuarto cuadrante: = 360 71.56 = 288.44 (figura 21.5).
Figura
21.5
1 x2 + 2 y2 + Dx + Ey + F = 0.
Teorema 2
Dada la ecuacin de segundo grado 1 x2 + 2 y2 + Dx + Ey + F = 0, entonces:
a.
b.
c.
1 1 0
x
0 0 0
donde P = 1
1
3
3
3
0
1
.
6
1
6
2
2
284
y 2 z 2
+
= 1.
27 9
La seccin transversal del grfico en el plano xy obtenida al hacer
y 2 z 2
+
= 1.
27 9
Figura
21.6
Definicin 1
x1
x2
Sea X = y R una matriz simtrica de n n.
#
xn
Ejemplo 6
1 3
3 2
Sean A = 5 0
2 1
4 3
4
x1
3
x2
4 0 6 y X = x3 ; entonces
0 1 5
x4
x
6 5 2
5
5 2
0 1
XT R X = [ x1 x2 x3 x4 x5 ] 1 3
3 2
5 0
2 1
4 3
5
0
4
0
6
4 x1
1 3 x2
0 6 x3 .
1 5 x4
5 2 x5
2
Luego
F ( x1 , x2 , x3 , x4 , x5 ) = x12 + 6 x1 x2 + 10 x1 x3 + 4 x1 x4 + 8 x1 x5 + 2 x22 2 x2 x4
+6 x2 x5 + 4 x32 + 12 x3 x5 + x42 10 x4 x5 + 2 x52 .
Ejemplo 7
Sea la forma cuadrtica
5 x12 + 3 x1 x2 5 x1 x3 + 6 x1 x4 + 4 x22 + 9 x2 x3 + 7 x32 + 8 x3 x4 + 3 x42 .
286
7
4
3
0
.
4
Mdulo 21
En los ejercicios 1 a 5 escriba cada forma cuadrtica como XT R X, donde R es una matriz simtrica.
1.
2 x 2 + 5 xy 9 y 2
2.
3 x 2 3 xy + 6 xz 9 y 2 + 7 yz z 2
3.
4 x 2 + 6 xy 3 y 2 + 7 xz
4.
xy = a;
5.
6 x 2 + 5 xy 6 y 2
a >0
En los ejercicios 6 a 12 escriba la ecuacin cuadrtica en la forma XT R X = d y elimine el trmino xy rotando los ejes un ngulo
. Escriba la ecuacin en trminos de las nuevas variables, identifique la seccin cnica obtenida y realice una representacin grfica cuando esto sea posible.
6.
4 x 2 + 4 xy + y 2 = 9
7.
4 x 2 + 4 xy y 2 = 9
8.
xy = a; a > 0
9.
x 2 + 2 xy y 2 = 0
10.
x 2 3 xy + 4 y 2 = 1
11.
6 x 2 + 5 xy 6 y 2 = 7
12.
9 x 2 + y 2 + 6 xy = 4
5 x 2 + 12 xy 12 13x = 36
14.
5 x 2 + 5 y 2 6 xy 30 2 x + 18 2 y + 82 = 0
15.
x 2 y 2 + 2 3xy + 6 x = 0
En los ejercicios 16 y 17 escriba la forma cuadrtica en trminos de las nuevas variables x, y , z de manera que se eliminen
los trminos de productos cruzados (xy, xz, yz).
16.
x 2 2 xy + 2 y 2 2 yz + z 2
17.
x 2 2 xy + y 2 2 xz 2 yz + z 2
22
Preguntas bsicas
1. Cmo se construye un crculo de Gershgorin?
2. Qu dice el teorema del crculo de Gershgorin?
3. Cundo una matriz An n tiene un valor caracterstico dominante?
4. Cmo se define la secuencia de iteraciones para calcular el valor y el vector
caracterstico dominante de A?
5. En qu consiste el mtodo de la potencia con normalizacin?
6. Cmo se calcula el error relativo que se comete al calcular el valor caracterstico
dominante?
Introduccin
En el captulo anterior desarrollamos un algoritmo para calcular el polinomio caracterstico de A, y a partir de l, extrayendo sus races, obtener los valores caractersticos de A. Esta forma de solucin presenta algunos problemas. Uno de ellos tiene
que ver con el condicionamiento del polinomio caracterstico y es que cuando ste
est mal condicionado, errores pequeos de redondeo en los coeficientes del
polinomio pueden conducir a errores grandes en las races. Otro problema es que
incluso si los coeficientes del polinomio fueran exactos, es difcil encontrar todas
las races del polinomio. Estas dificultades han motivado el diseo de mtodos
numricos para el clculo directo de los valores y vectores caractersticos.
El siguiente teorema nos proporciona una aproximacin de los valores caractersticos de A con un mnimo de operaciones algebraicas.
Antes de presentar el teorema definiremos algunos trminos que figuran en su
enunciado.
Sea A una matriz n n de componentes reales o complejas.
a11 a12 " a1n
a
" a2 n
a
A = 21 22
.
n n
#
#
#
Se define el nmero
a
j =2
1j
a
j =1
2j
j 2
y en general,
a
j =1
ij
j i
Esto es, i es la suma de los valores absolutos de las componentes del i-simo
rengln de A, excepto la componente que est sobre la diagonal principal.
Sea Di = { z ^ : z aii i } . Di es un crculo en el plano complejo con centro
en aii y radio i , con i = 1,..., n.
El crculo Di est compuesto por todos los puntos del plano complejo, sobre y
dentro de las circunferencias Ci = { z ^ : z aii = i }. A estas circunferencias se les llama circunferencias de Gershgorin.
290
{1 , 2 ,..., k }
UD .
i =1
Demostracin
x1
x2
Sea un valor propio de A con x = un vector caracterstico correspon #
xn
Ahora, Ax = x.
x
x1
a12 " a1n 1
x
x
2
#
# 2
#
#
ai 2
ain =
.
xi
xi
#
#
#
#
an 2 " ann
xn
xn
a11
#
ai1
#
an1
a x
j =1
ij
= xi aii xi = ( aii ) xi .
j i
( aii ) xi =
j =1
ij
xj
j =1
j i
aij x j ,
j i
j =1
j i
aij
xj
xi
j =1
aij
= i , ya que x j xi .
j i
0 2 3 4
1 = 3 + 1 + 4 = 8,
2 =
2 + 7
= 9,
3 = 3 + 1 + 1 = 5,
4 =
2+ 3
= 5.
{z^:
z 1 8} ,
D2 =
{z^:
z 5 9} ,
D3 =
{z^:
z 6 5} ,
D4 =
{z^:
z 4 5} .
Grficamente podemos ilustrar esta situacin dentro del plano complejo as (figura
22.1):
Figura
292
22.1
5
2
4
1
.
2
Aplicando el teorema del crculo de Gershgorin podemos demostrar que los valores
caractersticos de A son nmeros reales positivos.
Demostracin
Como A es una matriz simtrica, los valores caractersticos de A son reales (teorema
1, mdulo 20).
Acotemos los valores caractersticos de A por medio de los crculos de Gershgorin
(figura 22.2).
{z^:
= {z^:
= {z^:
= {z^:
}.
D1 =
z2
D2
z 3 2}.
D3
D4
13
12
z 5
17
z4
13
}.
}.
Figura 22.2
Entonces:
x1 = Ax 0
x 2 = Ax1 = A 2 x 0
#
x k = Ax k -1 = Ak x 0
x k = Ak (c1u1 + c2u 2 + ... + cn u n )
= c1 Ak u1 + c2 Ak u 2 + ... + cn Ak u n
= c11k u1 + c2 2 k u 2 + ... + cn n k u n
k
k
= 1k c1u1 + c2 2 u 2 + ... + cn n u n .
1
1
294
i
Como 1 > i para i = 2,..., n,
se acerca a cero a medida que k aumenta. Por
1
tanto, x k = Ak x 0 1k c1u1 .
xk es entonces un mltiplo escalar de u1 y ser un vector caracterstico correspon-
diente a 1 .
1k c1a1
a1
k
a
ca
Si u1 = 2 , entonces 1k c1u1 = 1 1 2 .
#
#
k
1 c1an
an
kj +1 =
k +1
j -sima componente de Ak+1 x0 1 c1a j
=
= 1 .
j -sima componente de Ak x0
1k c1a j
De este modo calculamos 1 . Es decir, calculamos el cociente de la j -sima componente de x k +1 y x k y dejamos que k crezca. Una vez determinado 1 , se tiene xk
como el vector caracterstico correspondiente a 1 .
Ejemplo 1
Use el mtodo de la potencia para encontrar el valor caracterstico y el vector
caracterstico dominante de
1 3
A=
.
2 2
Solucin
1
Sea x0 = .
0
Calculemos
1 3 1 1
x1 = Ax 0 =
=
2 2 0 3
1(1) = = 1
1 3 1 10
x 2 = Ax1 =
=
2 2 3 8
1(2) =
1
1
10
= 10
1
2(2) =
8
3
1(3) =
34
= 3.4
10
2(3) =
36
= 4.5
8
Si continuamos de esta manera obtenemos la tabla 22.1, donde los resultados estn
redondeados a cuatro cifras decimales.
Tabla
22.1
Iteracin
1k
k2
[1, 0]
[1, 3]
[10, 8]
10
2.6667
[34, 36]
3.4
4.5
[142, 140]
4.17
3.8889
[562, 564]
3.9578
4.0286
[2254, 2252]
4.0107
3.993
[9010, 9012]
3.9973
4.0018
[36046, 36044]
4.0007
3.9996
1
1 que es el
En este caso el mtodo ha funcionado bien, pero vale la pena decir algo acerca de
los casos en los cuales el mtodo falla. Puede suceder que:
1.
2.
A no tiene un valor caracterstico dominante o el valor caracterstico dominante 1 es apenas un poco mayor que 2 en trminos absolutos, esto es,
296
A veces cuando los elementos de A han tenido que calcularse hay errores de
redondeo que cuando se calcula Am se convierten en errores considerables.
1
13
x 1 = y x 1 = .
3
1
1 3 1 3 10 3
x 2 = Ax1 =
= ,
2 2 1 4 3
3 10 3 1 1
x 2 = = =
10 4 3 4 10 0.4
,
1 3.9982
1
22.2
Iteracin
xk
x k (normalizado)
[1, 0]
[1, 0]
[1, 3]
[0.3333, 1]
[3.3333, 1.3333]
[1, 0.4]
[2.2, 2.8]
[0.7857, 1]
[3.7857, 3.5714]
[1, 0.9434]
[3.8302, 3.8868]
[0.9854, 1]
[3.9854, 3.9709]
[1, 0.9964]
[3.9892, 3.9928]
[0.9991, 1]
[3.9991, 3.9982]
[1, 0.9998]
Er =
x ' x
.
x
Er =
x ( n ) x ( n 1)
.
x(n)
Er =
4.0027 3.9892
= 0.0033.
4.0027
298
Mdulo 22
En los ejercicios 1 a 3 dibuje las circunferencias de Gershgorin para la matriz dada A y encuentre una cota para si es
un valor caracterstico de A.
1.
4.
3 1 0
A = 1 2 4 2
2 0 5
2
1
2
Sea A = 1
3
1
4
2.
3
1
2
1
A =
0
1
2
4
1
3
4
0
1
0
3.
2 3 1 0
1 5 0 2
A =
3 1 6 1
1 2 0 4
4
1
. Demuestre que los valores propios de A son nmeros reales positivos.
1
5.
3 1 2 1 4 1
1 5 1
2
2
. Demuestre que los valores propios de A son nmeros reales negativos.
Sea A = 1
4 1 4 1
1 2 1 6
6.
Se dice que la matriz A de n n tiene diagonal estrictamente dominante si aii > i para i = 1, 2, ..., n, donde
i =
a
j =1
ij
. Demuestre que si An n es una matriz con diagonal estrictamente dominante, entonces A es invertible.
j i
En los problemas 7 a 9 calcule el valor caracterstico dominante y el vector caracterstico correspondiente mediante el
mtodo de potencias con normalizacin.
7.
2 2
5 1
8.
1 1 4
3 2 1
2 1 1
9.
3 2 4
2 0 2
4 2 3
1 7
Use el mtodo de la potencia para estimar el valor caracterstico dominante de A =
.
6 3
a.
Redondee a cinco cifras significativas y contine las iteraciones hasta que el error relativo estimado
10.
b.
Er ( n) < 0.001.
Calcule el valor caracterstico dominante en forma exacta. Cul es el valor exacto de Er?
3 5
Demuestre que las iteraciones del mtodo de potencias no convergen para la matriz A =
. Explique por qu.
2 3
11.
300
Apndice I
Una aplicacin interesante de los espacios vectoriales
1.1 TTeora
eora de la codificacin
En la sociedad moderna, la comunicacin digital mediante las computadoras o va
satlite ha penetrado los ms variados mbitos de la actividad humana. La comunicacin digital se refiere a transmisin de la informacin por medio de ceros y unos.
Estas cadenas se llaman mensajes binarios y estn codificados de modo que se
pueda recibir la informacin tal como fue enviada. Estos mensajes que se reciben de
un satlite estn sujetos a errores que pueden ser producidos por la esttica o
cualquier otro tipo de interferencia. Por consiguiente, es importante poder codificar
un mensaje de manera que despus de haberse sometido a interferencia pueda
decodificarse correctamente.
Se han desarrollado muchas formas de codificar los mensajes. Una de ellas consiste
en aumentar un dgito extra, 0 o 1, dependiendo de que el nmero de unos del
mensaje sea par o impar; esta tcnica se llama control de paridad. Con este procedimiento se puede detectar cundo hay un error en el mensaje, pero no se puede
saber dnde, y adems tampoco puede saberse si han ocurrido 1, 3 o 5 errores.
Adems, cuando el nmero de errores es par, stos no se detectan.
Los cdigos de correccin de errores generalizan el control de paridad de modo que
se puedan ubicar los errores y as poder corregirlos. Richard Hamming introdujo
estas teoras a principios de 1950 cuando trabajaba en Laboratorios Bell.
Describiremos un cdigo de Hamming que corrige errores nicos en mensajes formados por cuatro ceros y unos. Pero antes de desarrollar este ejemplo, introduciremos algunos conceptos.
Una palabra es una n-tupla de ceros y unos, a la que tambin se le llama cadena de
longitud n.
Definimos un espacio vectorial denotado por Z 2n , compuesto por todas las palabras de longitud n. La suma y la multiplicacin por un escalar se definen en la misma
n
forma que se hace en \ , slo que ac los escalares se definen en Z 2 = {0, 1} que
0 1
0 0 0
1 0 1
Richard Hamming
Aplicando conceptos elementales de los
espacios vectoriales, Richard Hamming
cre un ingenioso mtodo para codificar
y decodificar mensajes detectando la
ocurrencia de un posible error en su
transmisin.
Con estas dos operaciones, y tomando los escalares en Z 2 , el conjunto Z 2n satisface todos los axiomas de un espacio vectorial. En conclusin, Z 2n es un espacio
vectorial sobre Z 2 .
La base cannica de
\ n : e1 = (1, 0, 0... 0), e 2 = (0, 1, 0... 0),..., e n = (0, 0,..., 0, 1)
0 0 0 1 1 1 1
H = 0 1 1 0 0 1 1
1 0 1 0 1 0 1
Las columnas de H son la representacin binaria de los nmeros del 1 al
8, los cuales son los vectores de Z 23 distintos de cero.
Las columnas 1, 2 y 4 de H son linealmente independientes, luego (H ) = 3,
y como ( H ) + ( h ) = 7, ( h) = 4.
302
El espacio nulo de H se llama cdigo (7, 4) de Hamming. Una base B para el espacio nulo de H es:
1
1
0 0 0 1 1 1 1 0 0
Hv = 0 1 1 0 0 1 1 1 = 0 .
1 0 1 0 1 0 1 0 1
1
0
Como Hv es la primera columna de H, entonces ( v + e1 ) nu H y ningn v + ei , i 1, est en nu H. Por tanto, ( v + e1 ) = v
es el mensaje corregido que coincide con el originalmente codificado, y as se recupera el mensaje correcto 0101.
Ejemplo
Suponga que v = 0111011 es un mensaje codificado con C7,4 . Si a lo sumo hay un error en la transmisin, cul fue el
mensaje original?
Solucin
Calculemos Hv
0
1
0 0 0 1 1 1 1 1 1
Hv = 0 1 1 0 0 1 1 1 = 0 .
1 0 1 0 1 0 1 0 0
1
1
Hv es la cuarta columna de H, entonces v + e4 ser el mensaje corregido y v + e4 se obtiene cambiando la cuarta componente
de v. El vector corregido es entonces 0110011 y el mensaje correcto es 0110.
Ejercicios
1.
2.
Sea v = (1, 1, 0, 0, 1, 1, 1) un mensaje codificado en C7, 4, donde a lo sumo se ha cometido un error. Determine si v
est en C7, 4. Si lo est, decodifquelo; si no, corrjalo y decodifique el mensaje correcto.
3.
304
1
0
1
u + v.
b.
u w.
c.
u + v w.
d.
1 0 1
Sea A = [u, v, w ] = 1 1 1 . Calcule A2 y A3 sobre ] 2 .
0 0 1
e.
f.
Determine una base y los vectores del espacio nulo de A sobre ]2. ( A = [u, v, w ]).
Respuestas
S.
9.
S.
11.
13.
15.
Mdulo 2
1.
S.
3.
S.
5.
No.
7.
S.
9.
No.
11.
S.
13.
W1 W2 = A M 23 : A =
0 b c
d e 0 con b = c .
Mdulo 3
1.
a. S, 3, 0.
b. No.
c. S, 0, 0.
3.
a. No.
b. S, 3, 2.
c. S, 2, 5.
5.
1
gen = {( x, y ) } \ 2 : x = y . Bisectriz del 1. y 3.er cuadrantes.
1
7.
El plano xz en \ 3 = y \ 3 y = 0 .
z
9.
11.
S.
13.
S.
Mdulo 4
5.
LI.
7.
LI.
9.
11.
LI.
19.
13
x3 = 6 .
1
25.
= 1.
27.
Mdulo 5
5.
S.
7.
S.
lgebra Lineal
9.
S.
11.
S.
13.
1 0 0
0 0 0 ,
0 0 0
15.
0
1 ,
1
17.
{ 1 + x ,
19.
{(1, 0, 1, 0),
21.
23.
1
.
1
25.
3
1 ,
0
0 1 0 0 0 0
1 0 0 , 0 1 0 , etc , 6
.
0 0 0 0 0 0
1
0 .
2
1 + x 2 }.
2
0 .
1
Mdulo 6
1.
1 3 1
{(1, 5, 3, 0, 1), (0, 0, 1, 7, 3), (0, 0, 0, 0, 1)} ; 0 , 1 , 3 ; = 3.
0 0 1
3.
5.
2
1 , {(1, 2, 0), (0, 0, 1)} ,
0
1
2 ,
3
3
5 , = 2, v = 1 .
0
7.
1
0
0 ,
0
0
9.
1
1
3 , {(1, 0, 0, 1), (0, 1, 0, 1), (0, 0, 2, 3)} ;
2
1
11.
1
0
,
1
0
13.
No.
15.
S.
21.
a. n, m n.
0
3
2
1 ,
0
0
0
5
8
0 , {(0, 2, 3, 1, 2), (0, 0, 0, 4, 3)} ;
3
4
1
2
2 ,
4
1
0
,
4
3
1
0 ,
0
1
1
3 , = 2, v = 3.
6
0
2 , = 3, v =1.
2
0
0
1 .
0
1
b. m, m n.
c. m = n.
52
11
2 .
1
2
2
2
.
1
Mdulo 7
1.
3
1 .
11.
0
.
3
13.
1 + 9 x 2 + 7 x 3 .
15.
a.
3.
( v ) B2
3
= 2 ,
7
(w ) B2
lgebra Lineal
5.
2
= 3 .
3
7.
2
1
4 .
3
9.
3 7 0 2 7
2 , , 3 .
7 2 7
2
1
b.
0
3
5 .
2
5
1
2
2
c.
8
( v ) B1 = 2 ,
2
d.
Lo mismo que en c.
e.
13
1
3
1 3
2
2
7
(w ) B1 = 1 .
0
1 .
3
2
f.
Lo mismo que en a.
17.
3
2 ,
0
2
1,
0
19.
JG cos
ir =
,
sen
21.
23.
3
1.
3
JJG sen
jr =
.
cos
Captulo 2
Mdulo 8
1.
a.
3.
{(
5.
2
3
7.
{(0, 0, 1), (
1
2
( 13 ,
1
14
1
2
1
3
1
2
, 0), (
, 0), ( 13 ,
1
3
1
3
)+
1
2
4
6
1
6
1
2
1
2
, 0) .
{(0,
b.
1
2
1
2
), (
2
6
1
6
1
6
), ( 13 ,
1
3
1
3
) .
1
3
) .
2
6
1
6
2
2
1
2
, 0,
1
2
).
9.
{(
11.
a.
1
5
, 0,
2
5
), (0, 1, 0), (
2
5
, 0,
1
5
) .
186
1
75 .
49
118
3
1
b.
2 .
7
6
186
3
1
13
c. v =
75 +
2 .
49
49
118
6
Mdulo 9
1.
y = 0.4 x + 0.6 .
3.
y=
5.
7.
43
i. .
1 3
9.
2
4
x .
5
5
ii. 2 5.
Mdulo 10
3.
5.
T2.
1
0
#
0 0 " 0 0
0 0 " 0 0
0 0 " 0 , 0
# #
# #
0 0 " 0 0
0 0 " 0 0
1 0 " 0 0
0 0 " 0 , 0
# #
# #
0 0 " 0 0
7.
1
,
i i
1
,
,
.
2 2
2
9.
1 0 0 1 0 0 0 0
,
,
,
.
0 0 0 0 1 0 0 1
lgebra Lineal
0 0 " 0
0 0 " 0
0 1 " 0 ,...
# #
#
0 0 " 0
0
0
#
0
0 0 " 0
0 0 " 0
0 0 " 0 .
# #
#
0 0 " 1
Captulo 3
Mdulo 11
1.
S.
3.
S.
5.
S.
7.
No.
9.
S.
11.
No.
13.
S.
15.
No.
17.
S.
19.
No.
21.
T ( x y ) = ( x, y ).
25.
27.
(T1 o T2 )( x, y ) = ( x + 4 y, 3 x y ).
(T2 o T1 )( x, y, z ) = (2 x y + 3 z , 3 x y 7 z , y z ).
Mdulo 12
1.
nu T = {0} , imagen T = \ 2 ; (t ) = 2; vt = 0.
3.
nu T = {0} , imagen T = \3 ; ( t ) = 3; vt = 0.
5.
7.
9.
nu T = imagen T = {( x, y) : x = y} .
11.
13.
2 1 1
T (x) = A(x) con A = 2 1 1 .
2 1 1
Mdulo 13
2
.
0
1.
1
a.
1
2
.
2
1
a.
0
3.
5.
0
0
a.
1
0
0
.
0
7.
10
a. 5 .
5
4
b. 2 .
2
9.
2 3
a. , .
1 4
1 1
b. ,
.
5 10
11.
0
En 1. nu T = ; imagen T = \2 .
0
0
.
1
1
b.
2
1
b.
1
0
0
b.
0
3
c.
1
1
2
3
d.
2
3
c. .
1
1
1
.
1
1
2
En 3. nu T = gen 1 ; imagen T = \ .
1
lgebra Lineal
0
.
0
2
.
2
2
c. .
25
2
.
0
e. (4, 0).
2
3
En 5. nu T = {0} ; imagen T = gen { x , x } .
2
1
nu
T
=
gen
1
;
imagen
T
=
gen
1 ,
En 7.
1
0
3
2 .
1
Mdulo 14
1.
Solucin posible:
T : \ 2 \ 3 , T ( x, y ) = ( x y , 2 x + y, y ).
T : \ 3 \ 2 , T ( x, y, z ) = ( x + y z , y + z ).
T : \ 2 \ 2 , T ( x, y ) = (2 x + y, x y ).
3.
a11
0
T : Dn \ n , T
#
5.
a. S.
7.
No.
11.
T 1 ( A) = B 1 A.
b. No.
0 a11
0 a22
=
.
% # #
" " ann ann
0
"
a22 "
c. No.
d. S.
Mdulo 15
3.
1
1
,
.
2
2
5.
x
x
T : \ 2 \ 2 tal que T = , 1.
y
y
Captulo 4
Mdulo 16
1.
a. No.
3.
= 1,
5.
b. S, = 4 .
c. S, = 0 .
d. S, = 4 .
e. S, = 0 .
f. No.
0
v = .
1
1
1
1
1 = 1 con v1 = 0 , 2 = 1 con v 2 = 2 , 3 = 2 con v 3 = 1 .
0
0
3
7.
1
1
0
0
1
1
0
0
1 = 1 con v1 = , 2 = 1 con v 2 = , 3 = 3 con v 3 = , 4 = 2 con v 4 = .
0
0
1
1
0
0
2
1
9.
1
0
0
0
0
1
0
0
= a mult. alg 4, v1 = , v 2 = , v3 = , v 4 = .
0
0
1
0
0
0
0
1
11.
1
0
0
0
= a mult. alg 4, v1 = , v 2 = .
0
0
0
1
13.
15.
No. Para que 1 + 2 sea un valor caracterstico de A + B , es necesario que el vector caracterstico de A correspondiente a 1 sea el mismo que el de B correspondiente a 2 lo que, en general, no se cumple.
Mdulo 17
1.
i 0 0
D = 0 i 0 ,
0 0 2
i i 0
P = 1 1 0,
0 0 1
lgebra Lineal
i 2
P 1 = i 2
0
1
1
2
2
0 .
1
3.
0
D=
0
0 0 0
3 0 0
,
0 2 0
0 0 1
5.
i 0
D=
,
0 i
7.
1 2 1
A = PDP 1 =
0 1 0
2
P=
0
1 1
P=
,
1 1
p 1 =
2
.
0
1
2
1
1 1 1
.
2 1 1
0 1 2
.
1
20
1 2 1
A12 = PD12 P 1 =
0 1 0
9.
1 1 0
0 0 12
P 1 =
2 1 0
0 0 12
0 1 0
,
1 0 1
1 0 1
0 1
0 1 2 1 2 1 211
.
=
12
( 1 2 ) 0 1 0 1 212
as AB = P 1 D1 PP 1 D2 P y entonces AB = PD1 D2 P 1 .
1 1 0 0
Si A y B son matrices diagonalizables, A + B no necesariamente es diagonalizable; por ejemplo: 1 0 y 1 1
1 1
son diagonalizables, pero su suma 0 1 no es diagonalizable.
Mdulo 18
1.
a.
b.
c.
n 7.11 aos.
a.
2 z y0 7 y0 + z0
Dentro: 0
10 + 3 .
3
3.
y 2 z0 7
y0 + z0
Fuera: 0
10 + 2 3 .
3
1 8 1
.
10 2 9
b.
S. Matriz de transicin:
c.
(2 z0 y0 ) 7 1
+ .
3( y0 + z0 ) 10 3
k
( y0 2 z0 ) 7 2
+ .
3( y0 + z0 ) 10 3
k
5.
d.
1
2
Dentro: ( y0 + z0 ); fuera: ( y0 + z0 ).
3
3
a.
b.
7.
a.
b.
c.
9.
7 2 0
1
S. Matriz de transicin:
2 6 0 .
12
3 4 12
5 + 5 n 5 5 n
Pn = 1000 5
; n `.
10 10
No
5 + 5 6 5 5 6
P6 = 1000 5
.
10 10
El brazo trabaja exitosamente 97.97% de las veces, muy cerca al 98% exigido por el cliente, as que es muy
probable que se acepte.
Mdulo 19
1.
No.
3.
S.
5.
No.
7.
S.
9.
No.
11.
1 0
P=
.
1 1 7
13.
1 1 0
P = 0 1 2 ,
1 0 3
0 1 0
J = 0 0 1 .
0 0 0
lgebra Lineal
15.
0
0
0
1
0
2
0
0
3
1
0
1
1
0
0
0
0
,
0
1
1
0
0
0
0
,
0
1
0
1
1
0
0
,
0
1
0
1
0
0
2
0
0
,
1
0
0
1.
Los i no necesariamente son distintos. Adems los bloques de Jordan pueden permutarse sobre la diagonal.
17.
19.
3 0
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 0 0 ,
0 4 0
0 0 4
3 1
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 0 0 ,
0 4 0
0 0 4
3 0
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 1 0 ,
0 4 0
0 0 4
3 0
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 1 0 ,
0 4 1
0 0 4
3 1
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 1 0 ,
0 4 0
0 0 4
3 1
0 3
0 0
0 0
0 0
0 0 0
0 0 0
4 1 0 .
0 4 1
0 0 4
7 0 0
0 7 0 ,
0 0 7
7 1 0
0 7 0 ,
0 0 7
7 1 0
0 7 1 .
0 0 7
Captulo 5
Mdulo 20
1.
3.
1
0 0
0 4 ; P = 1
1
2
2
.
2
2
0
0
3
0 ;
0 1+ 2 2
0
1 2 2
0
1 2
P = 1 2
0
1
1
2
2
1
2
2 .
1
2
1
5.
7.
0 0 0
0 0 0 ;
0 0 4
P = 0
0
2 0 0
0 1 0 ;
0 0 1
P=1
1
1
.
2
1
2
0
1
2
1
2
1
3
1
2
.
6
6
6
Mdulo 21
1.
2 52 x
[ x y]
.
5 2 9 y
3.
4 3
[ x y z ] 3 3
7 2 0
5.
6 52 x
[ x y]
.
5 2 6 y
7.
4 2 x
[ x y]
= 9;
2 1 y
9.
1 1 x
[ x y]
= 0;
1 1 y
11.
6 52 x
[ x y]
= 7;
5 2 6 y
x
0 y .
0 z
x 2
y 2
= 1; hiprbola; 19.33.
18 18
41 + 3 41 3
y 2 = 0; recta que pasa por el origen; = / 4 = 45.
y 2
14
13
x 2
14
= 1; hiprbola; 11.31.
13
x2 y 2
= 1.
4
9
13.
Hiprbola;
15.
Hiprbola;
17.
1 1 1 x
( x y z) 1 1 1 y , x2 + 2 y2 + 2 z2 .
1 1 1 z
x2 y 2
= 1.
9
9
8
8
lgebra Lineal
Mdulo 22
1.
7
1 12 \ 7
3.
11
2 \ 11
5.
Como A es una matriz simtrica, sus valores caractersticos son nmeros reales. Al trazar las circunferencias de
Gershgorin stas quedan completamente contenidas a la izquierda del eje y, con lo cual se establece que los valores
caractersticos son negativos.
7.
1
4, .
1
9.
1
8, 0.5 .
1
11.
1 2 1 2 1 2
1
Comenzando con x0 = y sin normalizacin, se obtiene 1 , 1 , 1 , 1 , 1 , 1 ,... . Por tanto, el mtodo
1
no converge. La razn de esto es que A no posee un valor caracterstico dominante.
lgebra Lineal
320
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
Bibliografa