Académique Documents
Professionnel Documents
Culture Documents
edicin
2015
no escribir nada
nada
TRANSFORMACIONES LINEALES
lgebra lineal y Geometra analtica para
estudiantes de ingeniera
Parte B.2
(UNaM)
ISBN 978-987-33-8237-6
Impreso en Argentina
Prlogo
Esta obra comprende una seleccin de contenidos de lgebra Lineal y Geometra Analtica para el primer ao de las carreras de ingeniera del pas. stos corresponden bsicamente a una visin de lo mnimo que un estudiante de
ingeniera debera equiparse en primer ao para poder aprovechar mejor los
cursos posteriores en la carrera. Y se desarrolla en 4 partes.
Parte A.1
Puntos y Vectores.
Matrices y Determinantes.
Sistemas de Ecuaciones Lineales.
Parte A.2
Rectas y Planos.
Secciones Cnicas.
Superficies Cudricas y Regladas.
Parte B.1
Espacios Vectoriales.
Combinaciones lineales y Espacio generado.
Bases y Cambios de Base.
Parte B.2
vi
JOM - Transformaciones Lineales
En este caso particularizamos el contenido de la unidad anterior aplicando ese concepto a las transformaciones lineales. Es tambin una aplicacin concreta de los cambios de base que se estudiaron en el marco de
los espacios vectoriales.
La particularidad es que ahora las matrices asociadas no son nicas para
cada transformacin lineal, sino que dependen de qu bases estn involucradas en uno y otro espacio vectorial.
Respecto de la canonizacin, es una de las aplicaciones de toda la teora
anterior. Por estar relacionada con los conceptos geomtricos de las cnicas y cudricas, es un tema que cierra el proceso de estudio de la obra,
aunque hayamos dejado afuera otras posibilidades.
viii
JOM - Transformaciones Lineales
Dedicatoria y Agradecimientos
Agradecimientos :
Agradecimientos Especiales :
ix
JOM - Transformaciones Lineales
x
JOM - Transformaciones Lineales
Tabla de contenidos
21
. . 40
45
3-1. Isometras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3-2. Rotacin en el plano . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3-3. Rotaciones en el espacio . . . . . . . . . . . . . . . . . . . . . . . . 53
4. Autovalores y Autovectores
59
. . . . . . . . . . . . . . . . . . . . . . . . . . . 78
83
101
xi
Tabla de contenidos
Tabla de contenidos
129
135
. . . . . . . . . . . . . 135
147
155
169
179
189
xii
JOM - Transformaciones Lineales
Tabla de contenidos
Tabla de contenidos
203
. . . . . . . . 206
. . . . . . . . . . . . . . . . 221
xiii
JOM - Transformaciones Lineales
Tabla de contenidos
Tabla de contenidos
xiv
JOM - Transformaciones Lineales
Captulo 1
Planos y rectas mediante espacio
vectorial
Resumen:
. . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . 11
13
1-1.
V = (V, +, K, )
(1.1)
El K que aparece en la estructura del espacio (1.1) es a su vez, otra estructura el cuerpo K que puedes simbolizar
K = (K, +, )
(1.2)
2
3
base B1 es [v]1 =
3
2
. Recuerda que B1 as
2
2
.
3
simplemente [v] =
(1.3)
[b2,1 ] [b2,2 ]
=
0 1
.
1 0
[ v ]2 = [ B2 ]1 [ B1 ] [ v ]1
= [ B1 ]2 [ v ]1
(1.4)
3
JOM - Transformaciones Lineales
v
[v]1
[v]2
[v]
B1
B2
[B1 ]2
[B1 ]
[B2 ]
C
1-2.
Ecuaciones de la recta
Podemos usar lo que sabemos de los espacios vectoriales con los temas
que ya conocemos rectas y planos, para verlos desde una nueva manera.
En este sentido te adelanto que una aplicacin del ltimo tema de este libro
se refiere al tratamiento de cudricas en una posicin general donde su eje
focal no es paralelo a ningn eje cartesiano. Este ejercicio es necesario para
darnos cuenta que las estructuras las podemos usar en cualquier contexto que
lo amerite.
Valindonos de la figura 1.2 que representa una recta en un sistema de
coordenadas cartesianas ortogonales en el espacio, comprobaremos la ecuacin paramtrica de la recta y luego deduciremos a partir de ella las otras
formas de representarla.
Z
~u
O~Q
O~
P
Z
r
P
Y
O
X
~ OP
~
~u = OQ
r = P + u
Si llamramos P = OP y r = Or , y u = OQ OP , la ecuacin anterior se
transformara en
r = P + u
(1.5)
x
x1
[r] = y , [P ] = y1 ,
z
z1
u1
[u] = u2
u3
(1.6)
x = x1 + u1
y = y1 + u2
z = z1 + u3
(1.7)
x x1
y y1
z z1
=
=
u1
u2
u3
(1.8)
que se conoce como la ecuacin segmentaria de la recta, o ecuacin ordinaria de la recta en el espacio. Claramente se ve que uj son las componentes
de un punto cuya direccin al origen es paralela a la recta, y que los tres juntos no pueden ser cero.6
Pero si alguno lo fuera, por ejemplo u1 = 0, la recta se escribira
y y1
z z1
=
con x = x1
y es una recta paralela al plano YZ.
u2
u3
Si dos lo fueran,
por ejemplo u1 = u2 = 0, la ecuacin de recta se escribira
x = x1
z = z con
,
que es una recta paralela al eje Z.
y = y1
2
5
JOM - Transformaciones Lineales
1-2.1.
tanto la recta misma la puedes escribir como [r] =
x
2x + 1
x
. Por
2x + 1
y la notacin es
r = y1 +
z1 +
x
xx1
u1
xx1
u1
xx1
u1
u2 y adems
x
u2 = m2 x + b2
u3
m3 x + b3
(1.9)
Ejemplo 1.1.
Sea la recta que contiene los puntos (1, 3, 5) y (6, 4, 2). Halla las
diferentes formas de escribirla en ecuaciones
1
6
5
Hagamos primero P = 3 , y Q = 4 , por lo que u = 1 ,
5
2
3
entonces
1 + 5
r = 3+
5 3
11 + 5
por ejemplo 5 + donde se hizo = 2 en la EVP anterior7
1 3
x = 1 + 5
r:
y =3+
z = 5 3
x1
5z
r:
=y3=
5
3
7
De este modo probamos tambin que la EVP para una determinada recta r no es nica
6
JOM - Transformaciones Lineales
x
que
y mediante la matriz de coordenadas (FMR) ser r = 3 + x1
5
x1
53 5
podemos expresarla como
x
1
r=
5x +
53 x +
14
5
28
5
11
obtiene Q. Si se hiciera x = 11 se obtuviera A = 5 y de la ECP
1
sabemos que basta hacer = 2 para obtener ese punto de la recta.
1
14
3
28
r:
x, x +
, x+
5
5
5
5
1-2.2.
Z
u
n
P
N
Y
O
nu=0
Nota que estamos dotando a nuestro espacio vectorial del producto escalar entre vectores. Esta es otra operacin independiente de la suma y el escalamiento. Nota que el producto
entre vectores no cierra en el espacio sino que cierra en el cuerpo de los reales.
7
JOM - Transformaciones Lineales
N u = (P + 0 u) u
= P u + 0 u u = 0
u
de la cual 0 = Puu
, donde es obvio que no se puede cancelar una u de abajo
con una u de arriba porque son vectores, de ah que
N =P
P u
u
uu
(1.10)
|N | =
1
|(u u) P (P u) u|
uu
(1.11)
Ejemplo 1.2.
p
1
5
Como P = 3 y u = 1 , los productos P u = 7 y u u = 35, en la
5
3
ec.1.10
2
7
1
N =P
u = P + u = 3.2
35
5
4.4
5
v1
- buscamos un vector v = v2 que sea normal a u = 1 , por
v3
3
lo que v u = 0, que en este caso arroja 5v1 + v2 3v3 = 0, o sea que
v1
v = 5v1 + 3v3
v3
8
JOM - Transformaciones Lineales
- una recta normal a la que tenemos est regida por v , pero contiene al
origen, y ambas contienen a N
N = P + 0 u = 0 + 1 v
de donde P = 0 u 1 v que la podemos escribir matricialmente
P =
u v
0
1
1
5
v1
1 5v1 + 3v3 0 = 3
1
5
3
v3
1-3.
Q
u
Q
u
Y
nu=nv =0
X
Figura 1.4: Ecuacin del plano
= P + u + v
(1.12)
x = x1 + u1 + v1
y = y1 + u2 + v2
z = z1 + u3 + v3
(1.13)
n =nP
que en forma cartesiana (a, b, c) (x, y, z) = (a, b, c) (x1 , y1 , z1 ) es
(1.14)
Ejemplo 1.3.
p
la EVP del plano ser
= P + u + v = {1 + , 2 + 3 + , 3 + 2}
y la ecuacin ordinaria ser, calculando n = u v = (6, 2, 1), y
nP =5=d
de modo que la ec. gral.
: 6x 2y + z = 5
Alternativamente pudiramos reemplazado en y = 2+3+ la informacin
=x1y=
y
z3
, de donde obtuviramos lo mismo
2
. . . Y otra vez nos tomamos la licencia de agregar una operacin ms a nuestro espacio
vectorial real y estndar R3
10
JOM - Transformaciones Lineales
1-3.1.
: ax + by + cz = d
ax + by d
y el lugar geomtrico
c
ax + by d
:
x, y,
c
de donde claramente
y
:
ax + by d
c
(1.15)
Nota que la forma matricial de la recta y del plano son muy parecidas, la nica
diferencia es que una FMR depende solamente de x por ejemplo, y la FMP
depende de por ejemplo x e y (11 ). Siempre escribiremos las ltimas variables
en funcin de las primeras.
1-3.2.
N = k0 n
(1.16)
a
Supongamos que ya calculamos n = b , que ser inmediato si el plano
c
est dado por su ecuacin general. Entonces, que N est en el plano significa
que hay un par de parmetros y tales que
N = P + 0 u + 0 v plano
(1.17)
10
Si no fuera el
caso, por ejemplo : ax + by = d , z = z , donde si b =
6 0 tuviramos
ax d
:
x,
,z
, y si c = b = 0, tuviramos el plano : ax = d, y = y, z = z , de donde
b
d
:
, y, z
a
11
z
4, , z
2
11
JOM - Transformaciones Lineales
(N P ) (u v) = 0
=N nP n
de donde N n = P n, que en la ec.(1.16) tenemos N n = k0 n n y por tanto
N = k0 n =
P n
n
nn
(1.18)
|N | = |k0 n| =
P n
|ax1 + by1 + cz1 |
=
|n|
|n|
|d|
= ||
=
|n|
|n|
la dis-
(1.19)
Ejemplo 1.4.
p
6
Calculamos que : 6x 2y + z = 5, de modo que n = 2 , como P
1
pudiramos usar uno cualquiera que pertenezca al plano , no necesariamente el que originalmente nos dieron: haciendo x = 1 e y = 2, obtenemos
z = 3 que en este caso es el mismo
P que nos han dado. . . pero una forma
0
ms sencilla era hacer P = 0 por tanto
5
6
6
64+3
5
N=
2 =
2
36 + 4 + 1
41
1
1
la distancia es sencillamente el mdulo de N , o sea 5
41
en este caso
Repaso y notas
El hecho de ver la geometra utilizando las herramientas del espacio vectorial no invalida todo lo que has visto de la geometra analtica, solamente se
trata de un punto de vista nuevo. Asimismo, y como hemos dicho, hemos agregado al espacio vectorial R3 una operacin como el producto entre puntos
que se corresponde al producto escalar de dos vectores, y se define en forma anloga y una norma que se corresponde al mdulo de un vector.
12
JOM - Transformaciones Lineales
1-4.
r = A + k(B A) ;
k [0, 1]
en el esquema que sigue no se especifica el conjunto subyacente del espacio vectorial donde est la recta, a medida
que k crece desde cero (r = A) hasta uno (r = B ) tenemos
todos los sucesivos puntos intermedios.
(1.20)
En caso de que por algn motivo no quisiramos que el rango de variacin del parmetro k fuera el anterior, sino, por
r C
A
ejemplo, un nuevo k [1, 2] la expresin de la ec.(1.20) no
B
nos servir, pues haciendo k = 1 partimos de B . . . por fuera
del segmento para llegar con k = 2 a C = B A, por tanto debemos ajustar
algo. . . Qu ?. . .
Un procedimiento sencillo puede ser re-escribir la ec.(1.20) cambiando la variable,
r = A + `u;
y sabiendo que cuando
` [0, 1]
r = A + (k 1)u;
k [1, 2]
(1.21)
El mismo procedimiento lo puedes cambiar para reflejar cualquier otro escenario, por ejemplo:
Ejemplo 1.5.
p
12
13
JOM - Transformaciones Lineales
k
7
P2
P1
r =A+
k5
u;
2
k5
,
2
k [5, 7]
Y
2
Tenemos que
k [0, 1] o
r = (1 + 3k, 2 3k);
k [0, 1]
Caso 2(a):
Tenemos que
k [1, 2] o
-1
r = (2 + 3k, 5 3k) ;
Caso 2(b):
k [1, 2]
Tenemos que
k [2, 3] o
r = (5 + 3k, 8 3k);
k [2, 3]
Prueba
Tengamos en cuenta que no es lo mismo pasar de A a B que de
B a A y que adems podemos usar otros vectores al menos
en cuanto a la modelizacin se refiere
14
JOM - Transformaciones Lineales
mos 2(B A)
1-4.1.
En el caso de la figura de la derecha no necesariamente estamos en R2 , podramos eventualmente tomar dos parmetros
diferentes como sugiere el esquema,
C
s
r = A + k(B A) , k1 [0, 1]
s = B + k(C B) , k2 [0, 1]
r=
A + k(B A)
, k [0, 1]
B + (k 1)(C B) , k [1, 2]
(1.22)
Un ejemplo donde se ilustra lo anterior es la situacin donde la parametrizacin nos lleva a los puntos A(0, 0), B(1, 0) , C(1, 1) y vuelta a A. Una posible
modelizacin para ese camino cerrado sera
, k [0, 1]
(k, 0)
r=
(1, 1 + k)
, k [1, 2]
(3 k, 3 k) , k [2, 3]
Ejemplo
1.6.
sentido
C
A
Parametrizacin
irregular
(x, 0) ; x : 0
(1, y) ; y : 0
cuIrregular (x, y) =
(x, 1) ; x : 1
(0, y) ; y : 1
X
O
A
(k, 0)
(1, k)
La parametrizacin dbil es cuDebil (x, y) =
(1 k, 1)
(0, 1 k)
B
15
JOM - Transformaciones Lineales
1
1
0
0
[0, 1]
[0, 1]
[0, 1]
[0, 1]
(k, 0)
(1, k 1)
cu (x, y) =
(3 k, 1)
(0, 4 k)
y
[0, 1]
[1, 2]
[2, 3]
[3, 4]
Ejemplo 1.7.
p
En este caso, la ecuacin de la circunferencia unitaria es x2 + y 2 = 1, pero
la parametrizacin puede hacerse tomando el ngulo como parmetro.
y
C
Parametrizacin
irregular
A X
fuIrregular (x, y) =
x, 1 x2
;x : 1
1
x, 1 x2
; x : 1
1
D
La parametrizacin dbil es fuDebil (x, y) = (cos , sen ),
[0, 2)
B
Parametrizacin
( fuerte
A X
(2k 3, 0)
; [1, 2]
1-4.2.
Tramo AB:
Y
2
1 + 4x x
k [1, 4]
1
g = (`, 16
`(` 8)); ` [4
0]
para ir de 4 a 8, debe ser ` = 8 k
1
g = (8 k, 16
(8 k)(k)); k [4, 8]
-1
g = (k, 1 + 4k k 2 );
Tramo CA:
k [0, 1]
Tramo BC:
g = k(1, 2) ;
finalmente
x(x 8)
16
, k [0, 1]
(k, 2k)
2
g=
(k, 1 + 4k k )
, k [1, 4]
1
(8 k, 16
(8 k)(k)) , k [4, 8]
k1
P
x|y
q
k
Q
k2
f(q)
p
p
Q0
P0
k
k1
k2 k
conocemos y
x=p+
qp
(k k1 )
k2 k1
y = f(p) +
f(q) f(p)
(k k1 )
k2 k1
{(x(k), fx (k))}
1-4.3.
= 90
= 120
2
=0
1
(x 1)2 + (y 1.5)2 = 1
4
pero tambin como
[0, 2)
Los puntos que hemos dibujado son A(3, 1.5), B(1, 2.5) y C(0, 2.366), ya que nos
interesa el camino abierto A B C , en ese orden contra-reloj.
que cmo hemos encontrado esos puntos?
Simplemente tomando A : = 0 y B : 2 , y sabiendo que C : x = 0, tenemos
18
JOM - Transformaciones Lineales
que 41 (0 1)2 + (y 1.5)2 = 1 arroja y = 23 23 . El primero de ellos es aproximadamente y = 2.366, ahora puedes calcular el ngulo: x = 0 = 1 + 2 cos en
la ecuacin parametrizada, de donde cos = 21 ; por lo que = 120 = 32 , el
cual en la ecuacin comprueba y = 1.5
Ahora tomemos dos maneras de modelizar el camino A B C
1-4.3.1.
Primer Mtodo
eABC = 1 + 2 cos( 32 k) , 1.5 + sen( 23 k) ;
1-4.3.2.
[0, 23 ]
k [0, 1]
Segundo Mtodo
eABC
p
2
= 3k + 3 , 1.5 + 0.5 4 (2 3k) ; k [0, 1]
p
= 3 3k , 1.5 + 0.5 3k(4 3k) ; k [0, 1]
19
JOM - Transformaciones Lineales
20
JOM - Transformaciones Lineales
Captulo 2
Transformaciones Lineales
Resumen:
Veremos qu es una transformacin y aprenderemos a reconocer aquellas que son lineales (TL) de
las que no lo son (TNL). Tambin transformaremos
trayectorias en el plano.
Es importante que toda (TL) tiene asociada una
matriz con la que es posible transformar los elementos de un espacio escritos a travs de su matriz
de coordenadas sobre base cannica. Las facilidades del producto de matrices intervienen de modo
elegante y simplificador.
Podremos encontrar estas matrices asociadas, o
por el contrario, a partir de ellas, encontrar la ley
de la transformacin lineal. Las propiedades de las
TL y sus matrices asociadas tambin es un tema
fuerte.
21
22
25
2-2.1. Propiedades de la TL . . . . . . . . . . . . . . . . . . . . . 29
2-3. Matriz asociada a una transformacin lineal . . . . . . . . . . . .
33
40
2-1.
Transformaciones o morfismos
f : R R | f (x) = 2x + 1
La cual cumple con los axiomas de existencia y unicidad. Reconocemos en la
funcin real Df = R de dominio real y real-valuada Cf = R de codominio
real y cuya ley se da a travs de un elemento del codominio f (x) Cf
, que resulta del mapeo de un elemento x Df del dominio a travs de la
funcin f .
Df = R
Cf = R
x
f (x)
f
Figura 2.1: Funciones reales, real-valuadas
Por definicin las transformaciones son funciones entre dos espacios vectoriales que tienen en comn el mismo cuerpo de escalares.
Nota que en el segundo espacio vectorial V 0 las operaciones pueden
no ser las mismas que en el espacio cuyo conjunto subyacente es el dominio
V , por eso las operaciones las escribimos . . .
Operacin
Suma
Suma
Escalamiento
Escalamiento
Conjuntos
Notacin
V V 7 V
V 0 V 0 7 V 0
K V 7 V
K V 0 7 V 0
+
+0
22
JOM - Transformaciones Lineales
T
V = (V, +, K, )
v
DT = V
V 0 = (V 0 , +0 , K, 0 )
T (v) = v 0
K
(K, +, )
CT = V 0
T : V V 0 | T (v) = v 0
(2.1a)
Y la vamos a desmenuzar. . . :
La transformacin T que asigna a un vector v V , una cierta imagen v 0 V 0
que es otro vector; es una funcin vectorial1 . No es necesariamente una
funcin real como la primera.
Recuerda que como v y v 0 = T (v) son elementos de sendos espacios vectoriales, es posible escribir en su lugar, sus respectivas matrices de coordenadas
respecto las bases cannicas que correspondieran, de modo que la 2.1a la podemos concebir como
T : V V 0 | T ([v]) = [v 0 ]
(2.1b)
Por otro lado todava no hemos dado una ley para individualizar la transformacin, la daremos en el ejemplo 2.1.
Ejemplo 2.1.
p
Evidentemente los espacios son R2 y R3 , de modo que la transformacin
puede completarse
A partir de este punto, y hasta terminar el libro, trabajamos con espacios vectoriales
reales, con operaciones estndares, (V, +, R, ) V ,y (V 0 , +0 , R, 0 ) V 0 , a menos que
digamos lo contrario.
23
JOM - Transformaciones Lineales
x
respecto de { (1, 0) , (0, 1) } es [v] =
, y del mismo modo la matriz de
y
coordenadas de v 0 = (2x y , x 2y , 2x + y) respecto de la base cannica
2x y
de R3 puede escribirse [v 0 ] = y 2x ;
2x + y
2x y
x
podemos escribir la ley como T
= x 2y
y
2x + y
Podramos haberlo
escrito
tambin como
a
b
2a b
= a 2b .
2a + b
Z
Y
T (v1 )
X
-2
v1
24
JOM - Transformaciones Lineales
Ejemplo 2.2.
p
Evidentemente ahora U : R2 P2 y
U
a
b
2a b
= a 2b
2a + b
2-2.
Transformaciones lineales
(2.2)
T (kv) = k T (v) = k v 0
(2.3)
2-2.0.2.1.
Funcional
2-2.0.2.2.
Operadores lineales
Hemos vuelto a cambiar +0 por y 0 por , esperando que su lectura sea ms cmoda.
25
JOM - Transformaciones Lineales
k1 , k2 K
(2.4)
La (2.4) va ms all, y nos dice que toda transformacin lineal (TL) preserva las combinaciones lineales.
Para muchas orientaciones de las ingenieras, este concepto de linealidad es
fundamental. En principio porque es fcilmente manejable con herramientas
matemticas modestas, y en segundo lugar porque los fenmenos linealizados
son didcticamente ms sencillos de comprender; y finalmente la evasin a
realizar cuentas no imprescindibles es una caracterstica del buen ingeniero.
Un modelo no lineal proveniente de un fenmeno natural puede linealizarse alrededor de un punto de funcionamiento y entonces lo que estamos
tratando de aprender se puede usar.
Volviendo a las (2.2) - (2.3) y (2.4): A partir de ahora las trabajaremos con
el mismo signo para las sumas, pero conscientes de su significado. Entonces
3
26
JOM - Transformaciones Lineales
la notacin queda
Ejemplo 2.3.
a c
b d
= (2a b, c + d ) es
lineal.
p
Suponemos todos los espacios involucrados reales y estndares.
Para mostrar que T4 es lineal necesitaremos:
dos matrices genricas de R22 y un escalar genrico k :
v1 =
` p
m q
,
v2 =
e g
f h
T4 (v1 + v2 ) = T4
`+e
m+f
p+g
q+h
+ en R22
= (2 (` + e) (m + f ) , (p + g) + (q + h))
ley T4
como cada entrada de las matrices vi son reales, recurrimos a las propiedades de los reales: distributividad, asociatividad, conmutatividad... el
transformado lo podemos escribir como
T4 (v1 + v2 ) = (2` m + 2e f , p + q + g + h)
y por propiedades de la suma estndar en R2 , podemos descomponer el
transformado en la suma de dos vectores
T4 (k v1 ) = T4
k`
km
kp
kq
= (2k ` k m , k p + k q )
al igual que en el proceso anterior, podemos hacer
T4 (k v1 ) = k (2` m , p + q )
= k T4 (v1 )
27
JOM - Transformaciones Lineales
ley T4
Ejemplo 2.4.
p
T5 (x + y) = (x + y)2 + 1
= x2 + y 2 + 2xy + 1
2
=x
+ 1} + y 2 + 1 +2xy 1
| {z
| {z }
T5 (x)
ley T5
desarrollo en R
propiedades en R
T5 (y)
6= T5 (x) + T5 (y)
no se cumple!
T5 (1 + 1) = 5
T5 (1) + T5 (1) = 4
T5 (1 + 1) 6= T5 (1) + T5 (1)
T5 no es lineal!
2-2.1.
Propiedades de la TL
29
JOM - Transformaciones Lineales
Esto se conoce en la ingeniera ms comnmente con el nombre de principio de superposicin , y es prueba de la (2.4).
3. Una recta se escribe por su ecuacin vectorial paramtrica,
r = P + u donde P es un vector del plano o del espacio, fijo y perteneciente a la recta, mientras que u es un vector paralelo a la recta y es un
escalar real, para que r sea cualquier punto de la recta (o sea un vector
desde el origen de coordenadas hasta un punto genrico de la recta).
Transformemos todos los puntos de la recta mediante una transformacin lineal tipo T : V = Rn V = Rn donde n = 2, 3 y veamos qu
sucede. . .
T (r) = T (P + u)
mapeo de la recta
= T (P ) + T (u)
aplicando linealidad
= P 0 + u0
es otra
r0
Evidentemente P 0 es un vector (fijo); y tambin u0 es otro vector del mismo espacio, por lo que r 0 = P 0 + u0 representa otra recta5 en ese
espacio vectorial. Es decir que
Ejemplo 2.5.
p
30
JOM - Transformaciones Lineales
T5 (0) = 1 6= 0
, y como no cumple con la propiedad 1,
T5 no es lineal.
Nota 1. Debes tener mucho cuidado al usar este tipo de atajos, ya que el hecho
que se cumpla una propiedad no asegura que la transformacin es lineal;
lo que se asegura es que si NO se cumple una propiedad, la transformacin
NO es lineal.
Ejemplo 2.6.
Veamos qu sucede si modificamos T5 modificando su ley de manera que ahora sea T50 (x) = x2 .
p
Evidentemente T50 (0) = 0,
pero T50 es claramente no lineal,
0
2
y lo probaremos: T5 (z) = z con lo que k T50 (z) = k, z 2 con k R, luego
T50 (k z) = (k z)2
Ley de T50
= k2 , z 2
propiedad en R
=
6=
k T50 (z)
k T50 (z)
Ley de T50
T50 no es lineal
lo cual hace que no se cumpla la condicin del producto y por tanto T50 es
no lineal.
Para un contraejemplo pudiramos usar cualquier k 6= 0, 1 especfico.
Ejemplo 2.7.
AB :
(, 0)
BC : (1, 1)
Cu () =
CD : (3 , 1)
DA : (0, 4 )
,
,
,
,
01
12
23
34
31
JOM - Transformaciones Lineales
Y
D
BX
y su mapeo es
(2, )
(3 , )
Cu0 () =
(5
2,
4 )
( 4, 4 )
01
12
23
34
,
,
,
,
C0
D0
B0
A0
AB : y = x/2
BC 0 : y = 3 x
0
Cu () =
0
CD : y = 1.5 + x/2
DA : y = x
, x : 0 7 2
,x : 2
,x : 1
, x : 1 7 0
Nota que hemos podido mapear solamente los cuatro puntos (o los
tres, puesto que el mapeo del origen se conserva) y luego calcular los
segmentos mapeados
Y2
Y 20
X0
1
A = (0, 0)
B = (1, 0)
C = (1, 1)
D = (0, 1)
7
(0, 0)
7
(2, 1)
7
(1, 2)
7 (1, 1)
= A0
= B0
= C0
= D0
Ejemplo 2.8.
p
En este caso
Cu 0
1 , 2
( 1, 1 )
=
1,
2 5 + 5
(5 , 4 )
,
,
,
,
01
12
23
34
Cu 0
y
=
y
= x (x 1)
= x
= 1 3x + x2
=1x
,
,
,
,
x:1
0
x : 0 7 1
x : 1 7 2
x:2
1
32
JOM - Transformaciones Lineales
Y
1.5
Y1
(1, 1) 7 (1, 1)
0.5
-0.5
0.5
-0.5
1.5
-1
Con esto vemos que las lneas rectas no se mapean en lneas rectas para
una transformacin NO LINEAL.
Desde luego que hay excepciones, en particular las transformaciones de traslacin, que en el espacio pueden definirse de manera general como
Xu : (cos x , sen x) , x : 0 7 2
o mejor
, sen
Xu : cos
2
2
[0, 1)
2-3.
Proposicin 2.1. Dada una Transformacin LINEAL L, siempre puede encontrarse una matriz [L] asociada a la transformacin L, tal que
[v 0 ] = [L] [v]
33
JOM - Transformaciones Lineales
Para la prueba de esta proposicin, trabajemos primero con un ejemplo particular en el plano, luego un ejemplo genrico en el plano, y finalmente la
prueba real que debe ser genrica.
Ejemplo 2.9.
de manera que [L]
x
y
=
3x y
x + 2y
p
Podemos empezar por las dimensiones que debiera tener [L], en este caso
a11 a12
a21 a22
x
y
=
a11 x + a12 y
a21 x + a22 y
=
3x y
x + 2y
[L] =
3 1
1
2
34
JOM - Transformaciones Lineales
Ejemplo 2.10.
p
Ahora lo haremos un poco ms genrico:
la base cannica de V (DL = R2 ) es C2 = {(1, 0) , (0, 1)} = { e1 , e2 }, y el
vector genrico v = (x, y) lo puedes escribir como (x, y) = x (1, 0)+y (0, 1),
de modo que el transformado de (x, y) mediante L ser:
El dominio es e.v.
linealidad de L
= x L(e1 ) + y L(e2 )
= x e01 + y e02 = v 0
= x0 , y 0
x0
y0
=
3x y
x + 2y
x0
y0
=
x
y
=x
3
1
+y
1
2
tenemos. . .
3 1
1
2
x
y
=
3x y
x + 2y
[e01
e02 ]
x
y
=
x0
y0
0
x
x
0
en la cual [v] =
, [v ] =
, y entonces la primera matriz no es
y
y0
otra que la que estamos persiguiendo: [L] = [e01 e02 ].
y
A simple vista pareciera estar dems dos parntesis en L ((x, y)), pero observa: la imagen
de v se escribe L (v), y v en este caso es v = (x, y), de modo que no existe tal redundancia.
35
JOM - Transformaciones Lineales
[v] =
v1
v2
v = v1 e1 + v2 e2 + + vn en
(2.5)
[L(ej )] =
[e0j ]
e01j
e02j
..
.
j = 1, 2, , n
(2.6)
e0mj
0
0
Mientras que un elemento
v10
coordenadas [v 0 ] =
v20
0
.. respecto de CV .
.
0
vm
La transformacin de v es
36
JOM - Transformaciones Lineales
v10
v20 e021
= .
..
.
.
.
0
vm
e0m1
e011
e012
0
e
2n
...
e0mn
0
e22
.
..
e0m2
e01n
v1
v2
..
.
vn
de donde
[L] =
o sea
[L] = L ( [CV ])
(2.7)
[L] [v] = [v 0 ]
es la matriz de coordenadas del transformado L (v), escrito sobre base cannica CV 0 , donde [v] es la matriz de coordenadas de v sobre la base cannica de
V CV y [L] es la matriz asociada a la TL L : V V 0
La figura 2.4 es un pictograma indicativo de nuestro trabajo Suponiendo que
dim(V ) = n y dim(V 0 ) = m, claramente es
[L] Kdim(V
Ejemplo
2.11.
Halla
(2x y , x + y , y x)
p
la
0 )dim(V
matriz
asociada
(2.8)
la
TL
T ((x, y))
1- Verificado est que es T lineal; de lo contrario no intentaramos encontrar la matriz, que se nos pide
2- Los transformados de los elementos de la base cannica {(1, 0) , (0, 1)}
de R2 son T ((1, 0)) = (2, 1, 1) y T ((0, 1)) = (1, 1, 1),
37
JOM - Transformaciones Lineales
V
v
V0
v 0 = L(v)
[L]
[v]
[v]
CV
CV 0
2 1
1 0
T
= 1
1 = [T ]
0 1
1
1
2 1
2x y
x
4- lo podemos comprobar. . . 1
= x + y , con lo que
1
y
1
1
x + y
2 1
[T ] = 1
1
1
1
es la matriz pedida
Ejemplo 2.12.
L:
R22
a c
P2 |L
= 2b (a b)x + (d + c)x2 .
b d
p
Recordemos que las bases cannicas son
CR22
CP2
1 0
0 0
0 1
0 0
=
,
,
,
0 0
1 0
0 0
0 1
= 1, x, x2
38
JOM - Transformaciones Lineales
son:
0
1 0
= x 1
L
0 0
0
2
0 0
=2+x 1
L
1 0
0
0
0 1
= x2 0
L
0 0
1
0
0 0
2
=x 0
L
0 1
1
0 2 0 0
y de acuerdo con ello: [L] = 1 1 0 0 es la matriz solicitada.
0 0 1 1
y
2-3.1.
Hasta ahora hemos visto que dada una TL L podemos encontrar su matriz
asociada [L], la pregunta es
Si se diera la TL a travs de dar su matriz asociada [L], seramos capaces de
encontrar la ley de la transformacin lineal?
En otras palabras: si fuera posible, estaramos dando por sentado que para
cada transformacin lineal hay una nica matriz asociada y viceversa.
La respuesta es sencilla y lo hicimos en el punto 4 del ejemplo anterior:
nada ms hay que transformar un vector genrico de V .
Ejemplo 2.13.
1 2
triz asociada es [L] = 3 4 .
5 6
p
Al ser las columnas de [L] las matrices de coordenadas de la base cannica
de V , si no conocemos V y V 0 no conocemos todo L, pero por lo menos conoceremos la estructura de la ley de L en forma de matriz de coordenadas
x + 2y
1 2
x
3 4
= 3x + 4y
y
5 6
5x + 6y
x + 2y
x
es decir que L
= 3x + 4y
y
5x + 6y
y
p
39
JOM - Transformaciones Lineales
a + 2b
a
= 3a + 4b
L
b
5a + 6b
y hubiese significado que
2-4.
2-4.1.
L2
V0
L1
L1
L2
S
S
L1 (u) = u01
L2 (u) = u02
S(u) = u0S = u01 + u02
40
JOM - Transformaciones Lineales
Para probar linealidad, debemos probar que los axiomas (2.2) y (2.3) se
cumplan para la transformacin S . Necesitaremos dos vectores u y v del dominio V y sus transformados u01 , u02 y v10 , v20 a travs de L1 y L2 respectivamente,
adems de un escalar k
Prueba
Probemos la suma:
Como u y v estn en V , su suma est garantizada que est en
V de lo contrario V no sera un espacio vectorial por tanto
podemos plantear que
L1 (u + v) = (u + v)01
= u01 + v10
L2 (u + v) = (u +
v)02
u02
v20
existe en
V0
linealidad de
L1
dem para
L2
S(u + v) = L1 (u + v) + L2 (u + v)
=
(u01
v10 )
(u02
definicin de
v20 )
leyes de
L1 , L2
axiomas en
V0
= S(u) + S(v)
definicin de
S(k u) = L1 (k u) + L2 (k u)
= k L1 (u) + k L2 (u)
definicin de
linealidad de
L1 , L2
dist.en
Definicin de
41
JOM - Transformaciones Lineales
V0
S
linealidad en
L1 , L2
distr. matrices
2-4.2.
(2.9)
Escalamiento
2-4.3.
Composicin
En la composicin de aplicaciones lineales, aplicamos la primera a un elemento v de V , y obtenemos un vector de v 0 de V 0 , al cual aplicamos la segunda,
para obtener el vector v 00 que vive en el espacio V 00 . Lo anterior resulta equivalente a aplicar la funcin compuesta al vector v para obtener directamente
el vector v 00 , tal como se ve en el pictograma
V0
L1 (v) = v 0
L1
L2
V 00
L2 (v 0 ) = v 00
v
L2 L1
Figura 2.6: Composicin de transformaciones lineales
42
JOM - Transformaciones Lineales
Recuerda que la notacin es L2 (L1 (v)) (L2 L1 )(v). Por ser lineal L1
puedes escribir [v 0 ] = [L1 ] [v], y por la misma razn [v 00 ] = [L2 ] [v 0 ] de modo que
finalmente
supuestos
supuesto adems
43
JOM - Transformaciones Lineales
dim(V ) = n, dim(V 0 ) = m
dim(V 00 ) = q
44
JOM - Transformaciones Lineales
Captulo 3
Transformaciones lineales
isomtricas
Resumen:
Nos centraremos en las transformaciones lineales dentro de un mismo espacio vectorial, en donde
el mdulo del vector se preserva luego de transformado.
Como los espacios vectoriales estaban desprovistos del concepto de mdulos una medida, se los
dota de esa propiedad.
Este contenido viene a echar luz sobre las
transformaciones de rotacin y reflexin aplicables
al mundo real, particularmente en la visin por
computadora.-
45
3-1. Isometras
3-1. Isometras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
. . . . . . . . . . . . . 47
48
3-1.
53
Isometras
|T (v)| = |v 0 | = |v|
donde |v| significa mdulo de v (1 ). Por ejemplo. . .
Ejemplo 3.1.
Para la TL T (x, y) = (y, x), discute si es o no isomtrica
p
Si v = (x, y), su mdulo ser
p
|v| = x2 + y 2
y su transformada ser v 0 = (y, x), cuyo mdulo es
p
0 p
v = y 2 + x2 = x2 + y 2 = |v|
Por tanto T efectivamente es una isometra.
Ejemplo 3.2.
0 1
La matriz asociada a la isometra anterior es [ T ] = T ([I]) =
.
1 0
Como (0, 1) (1, 0) = 0 y adems |(0, 1)| = |(1, 0)| = 1, resulta que [ T ] es
ortogonal.
A1 = A>
O norma 2, que en otros libros vers como kvk2 o simplemente kvk. Para los espacios Rn
existen otras normas, como la norma 1(kvk1 ) y la norma infinito (kvk ).
1
46
JOM - Transformaciones Lineales
3-1. Isometras
3-1.1.
Una rotacin
Una reflexin
Una combinacin de las anteriores.
3. En una TL isomtrica T , se da
Descubre mediante transformar algunos vectores, si las transformaciones lineales isomtricas encontradas son una reflexin o una rotacin. Es eso de esperar?
Que las columas de [ T ] deban ser versores es claramente entendible, porque nada ms son justamente las transformadas de la base cannica al menos para Rn y otros espacios completos conocidos, y el hecho de que por
la isometra, conservan la norma. . . pero que sean ortogonales entre s no es
trivial. Probaremos entonces la ortogonalidad. . .
2
47
JOM - Transformaciones Lineales
Prueba
Si T es isometra, debe darse que
|T (v)| = |v|
pero como toda isometra es lineal, puede escribirse
|[ T ] [ v ]| = |[ v ]|
2
>
>
>
>
([ T ] [v])
= [ v ]> [ T ]> [ T ] [ v ]
que exige que se de la igualad
[ T ]> [ T ] = [I]
o lo que es lo mismo
[ T ]> = [ T ]1
que se cumple slo si [ T ] es ortogonal, es decir, todas sus columnas son
versores mutuamente normales.
Hemos probado la necesaria ortogonalidad de la matriz asociada a una
isometra, ahora sin la especulacin anterior sobre los vectores de la base
cannica que vala solamente para espacios conocidos.
3-2.
Rotacin en el plano
Y
v0
v
X
Figura 3.1: Transformacin de rotacin en el plano
La pregunta es:
Cmo hacemos para encontrar la ley de la rotacin?.
48
JOM - Transformaciones Lineales
Ejemplo 3.3.
p
Debemos asegurarnos que esta transformacin sea lineal, ya que de lo
contrario no intentaremos hallar una matriz asociada.
No hay nada ms que visualizar los pares v y su mapeado v 0 en distintas
posiciones para establecer que la transformacin no slo ser lineal
tambin puedes comprobar los axiomas de linealidad en forma grfica
sino que al rotar el vector su mdulo se mantiene, por lo que tambin ser
isomtrica.
Como la base cannica de R2 es C = { e1 = (1, 0), e2 = (0, 1) }, la matriz
resulta
[ R ] =
R (e1 )
R (e2 )
como siempre.
Lo que nos resta ahora es evaluar adnde se transforman los versores de
la base cannica, que con la ayuda del grfico tenemos
eY2
e02 sen
1
e01
sen
e01 = R (e1 ) = R (1, 0) = cos, sen
e02 = R (e2 ) = R (0, 1) = sen , cos
cos
e1 X
por lo que
cos()
sin()
[R ] =
sin()
(3.1)
cos()
Ejemplo 3.4.
Halla la ley de la transformacin rotacin (en el plano) del ejercicio 3.3 anterior
p
49
JOM - Transformaciones Lineales
v1
[ R ] [ v ] =
v2
v1 cos() v2 sen()
= v0
=
v1 sen() + v2 cos()
cos() sin()
sin()
cos()
(3.2)
Ejemplo 3.5.
p
u = (1, 2)
si la hemos de rotar en sentido contrario a las agujas del reloj nos convendra encontrar el coseno del ngulo que forma con el eje X+
(1, 0) (1, 2) = 1
= 1
de donde
1 + 4 cos()
1
cos() =
5
de manera que
sin2 () = 1 cos2 ()
= 1
1
4
2
= sin() =
5
5
5
"
[R ] =
1
5
2
5
25
1
5
El ngulo nos llevar a que la expresin del seno y del coseno casi siempre la tengamos
que aproximar, y con ello, propagar un error que podemos evitar.
50
JOM - Transformaciones Lineales
1
[R ] =
5
1 2
2
1
r0 = [ R ] [ r ]
"
# "
#
1 2
1
=
5
2
1
2 + 3
"
#
5 6
1
=
5
3
x0
= 3
5
3
Entonces x0 puede ser cualquiera, pero que y 0 = , con lo que el vector
5
3
d
=
2
5
a + b2
Es importante que encuentres R en forma exacta, no con aproximaciones decimales. Es mejor que te persuadas que la aproximacin en la
calculadora es el ltimo paso y no el primero.
3-2.1.
[ v 0 ] = [ R ] [ v ]
(3.3)
[ v 00 ] = [ R ] [v 0 ]
51
JOM - Transformaciones Lineales
(3.4)
[ v 00 ] = [ R ] [ R ] [ v ]
(3.5)
= [R+ ] [ v ]
(3.6)
v 00
= RB RA (v)
00
[ v ] = [ R ] [ R ] [ v ]
Nota tambin la diferencia con que tratamos la transformacin y su matriz
asociada ( RB y R ) respectivamente aunque estrictamente no fuera necesario, ya que es suficiente la diferencia de notacin entre transformacin R y
matriz asociada [ R ].
Observa el pictograma de la figura 3.2, similar a la figura 2.6
V
RA
RA (v) = v 0
RB
V
RB (v 0 ) = v 00
v
RB RA
Ejercicio 3.2.
Ejercicio 3.3.
Muestra que lo mismo sucede cuando se transforma v mediante una transformacin lineal cualquiera dada por la matriz
asociada [T1 ] y luego se lo transforma por otra transformacin
lineal dada por la matriz asociada [T2 ].
Muestra que, como caso particular,
[R+ ] = [ R ] [R ] = [ R ] [ R ] = [ R+ ]
sucede slo en el plano y no en el espacio Necesitas leer
una seccin ms para comparar lo que sucede en el espacio.
Recordemos del captulo anterior que si hay una composicin de transformaciones lineales T1 : V V1 cuya matriz asociada es [T1 ], con T2 : V1 V2 ,
cuya matriz asociada es [T2 ], la composicin de las dos se puede escribir como
T : V V2 | [ T ] = [T2 ] [T1 ]
(3.7)
52
JOM - Transformaciones Lineales
. . . que por otro lado es lgico si se piensa por ejemplo en las dimensiones de
los espacios
dim (V ) = n dim (V1 ) = m y dim (V2 ) = p
las matrices de transicin debern ser de
[ v 00 ]
p1
= [ T ]pn [ v ]n1
como es necesario.
3-3.
Rotaciones en el espacio
Z
Z
e2
X
X
e3
e03
v0
(a)
e2 Y
X
(b)
, y lo que haremos
La base cannica de R3 es C3 = { e1 , e2 , e3 } , , k
es rotar los tres vectores segn el ngulo X aplicando la ec.(2.7) pag.37,
con ello la matriz asociada es
1
0
0
RX = 0 cos(X ) sin(X )
0 sin(X )
cos(X )
53
JOM - Transformaciones Lineales
(3.8)
e3
e03
e2
e02
e1
Z
Z
e1
Y
e1 X
e1
Figura 3.5: Rotacin en el espacio. Alrededor de los ejes Y(a), Z (b)
Para las rotaciones alrededor de los otros ejes tenemos. . .
RY =
cos (y ) 0 sin (y )
sin (y ) 0 cos (y )
0 1
(3.9)
cos (z ) sin (z ) 0
RZ = sin (z )
cos (z ) 0
0
0 1
(3.10)
Lo que queda por decir es que una rotacin en general va a tener un ngulo
54
JOM - Transformaciones Lineales
R = RZ RY RX
suponiendo que primero se rota un x , luego un y y finalmente un z , en ese
orden
Ejemplo 3.6.
p
El plano est en una posicin tal que no es paralelo a un eje ni a un plano.
Entonces podemos rotar el plano de modo que su traza sobre el plano
ZY quede paralelo al eje Z
Z
n
1/4
uy
1/4
1/2
1/3
1/3
uyz
3y + 4z = 1
y su direccin viene dado por el vector uyz = (0, 4, 3).
= (0, 0, 1) y uyz viene dado por el producto
El coseno del ngulo entre k
escalar
(3.11)
(3.12)
de donde calculamos el
r
1
9
4
= = sin()
25
5
4
sin (x ) = ;
5
55
JOM - Transformaciones Lineales
cos (x ) =
3
5
3
=
5
0
0 45
4
5
3
5
3
20
1 2x 3y
4
1 2
1
2
=
5 5x
5
3
5
10 x 4 y
0 : 5y 0 + 2x0 = 1; z R
Con lo que podemos obtener la ecuacin de la nueva posicin del plano
que, obviamente a causa de la rotacin va a ser paralelo al eje Z, por lo
que
Z
Y
1/5
1/5
1/2
1/2
u0xy
1/3
u0xy
Y
Vistas luego de la primera rotacin
u0xy = (5, 2, 0)
Adems de una traza sobre el plano XY, dada por la direccin u0xy , la cual
rotaremos nuevamente pero segn el eje Z, con un ngulo cuyo coseno
estar dado por el producto u0xy I, en forma similar a lo que ya hicimos.
uxy = 1 u0xy cos()
= 29 cos() = 5
5
cos (Z ) =
29
entonces
2
sin (Z ) =
29
RZ =
5
29
2
29
229
0 1
5
29
56
JOM - Transformaciones Lineales
y el plano rotado es
1 2
5
0
29
5
0 1
5
29
2
29
00 =
229
haciendo la cuenta
00 =
2 29
29
5
145
29
29
x00
29
29
z 00
00
29
, x00 , z 00 R
29
00
:y =
y
p
Hacindolo de una sola vez. . . la matriz asociada a la transformacin pedida es entonces
R = RZ RX =
5
29
2
29
5629
5829
3
29
45
4
29
3
5
00 =
5
29
2
29
5629
5829
3
29
45
4
29
3
5
1 2x 3y
4
116x 8
1
00 =
20
20 29
29(6x 25y + 3)
que no es otra cosa que
00 =
x00
29
29
z 00
donde claramente se ve que la segunda componente es constante y el
plano rotado puede escribirse
00 : y =
tal como se peda.
El grfico muestra las secuencias
57
JOM - Transformaciones Lineales
1
29
29
Z
Y
1/4
1/ 29
1
29
Z
1/2
1/3
Y
Vistas luego de la segunda rotacin
y
p
Hay otras manera de hacerlo, una de ellas es mediante la proyeccin de la
normal:
1- proyecta la normal sobre el plano ZY, nZY (seguro es normal a uyz )
2- calcula el ngulo de nZY con el eje Z
3- calcula la RX correspondiente a dejar la proyeccin sobre el eje Z
4- rota la normal original con esa matriz y obtiene n0ZX (en el plano ZX)
5- calcula el ngulo con el eje Z de nuevo
6- y obtiene RY , de manera que n00Z (coincidente con el eje Z), luego el
plano quedara paralelo al plano XY
Las combinaciones de rotaciones pueden ser las que queramos, no necesariamente el plano debe quedar paralelo a un plano coordenado determinado.
La tcnica de rotacin de trazas de arriba no es nica: adems puedes. . .
a- rotar solo la normal y un punto, digamos P del plano. Luego volver a
armar la ecuacin del plano rotado, dado por su normal y un punto, que
es todo lo que necesitamos para definir un plano, o
b- rotar la ecuacin del plano completa mediante la matriz en la forma
x
y
12x3y
4
58
JOM - Transformaciones Lineales
Captulo 4
Autovalores y Autovectores
Resumen:
59
60
63
. . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 66
78
4-1.
1 2
Ejemplo 4.1.
Para la matriz A =
, hallemos los transformados de los
2 1
vectores (2, 2), (2, 1), (1, 1), (2, 2), y (1, 1)
p
Es tedioso tener que hacer
"
1 2
2 1
"
1 2
2 1
# "
# "
#
=
2
2
1
"
#
y luego
6
"
4
5
#
es decir
Aunque el concepto matemtico es el mismo para espacios que comparten escalares complejos, el abordaje geomtrico que haremos aqu, nos permite referimos exclusivamente a
escalares reales.
60
JOM - Transformaciones Lineales
"
1 2
#"
2 1
1 2
1 1
"
=
4 1
1 2
[A]
v1 v2 v3 v4 v5
Ejemplo 4.2.
p
Y
v4
v30
X
v3
v40
Y6
v10
v40 y v4 .
este caso no
escala menor.
v50
2
6
v1
4
3
2
2
3
v5
1
1
61
JOM - Transformaciones Lineales
Ejemplo 4.3.
Tratemos de expresar vectores y transformados co-lineales mediante un escalamiento de los vectores de partida.
p
Podemos expresar los coeficientes como si extrayendo factor comn, ya
que ello est permitido entre las matrices
v10
v20
v30
v40
v50
6 4
=
6 5
2 4
=
3
2
5
h
= 3v1 v20
1
2 3
1 2 3
1 1 1 2 3 1
1
2 1
i
1v3 1v4 3v5
v0
T
T
T
T
(
(
(
(
(2, 2)
(1, 1)
(2, 2)
(1, 1)
)
)
)
)
=
=
=
=
(6, 6)
(1, 1)
(2, 2)
(3, 3)
=
=
=
=
3
1
1
3
v
(2, 2)
(1, 1)
(2, 2)
(1, 1)
y reordenando
v10 = 3v1
v50 = 3v5
v30 = v3
v40 = v4
pero tambin hay vectores que no son co-lineales con sus transformados,
por ejemplo
v2 =
2
1
v20 =
4
5
Nota que siempre ocurrir que v = (0, 0) = v 0 pero como el vector nulo
no tiene direccin o mejor, tiene cualquier direccin, es intil esperar
que su transformado conserve su direccin, por tanto no nos interesar
el caso v =
62
JOM - Transformaciones Lineales
1 2
As en los ejemplos anteriores donde A =
, v1 y v5 son vectores ca2 1
ractersticos autovectores asociados al valor caracterstico autovalor
= 3, mientras que v3 y v4 son vectores caractersticos asociados al valor
caracterstico = 1.
Ese comportamiento es comn a otras matrices cuadradas 4 . En ocasiones
el nmero es un complejo5 aunque la matriz tenga todas sus entradas reales
no vamos a extendernos a ellos en este libro.
Lo importante es que dada una matriz cuadrada cualquiera, sta tiene
indefectiblemente esos nmeros caractersticos , sean reales o complejos,
o algunos reales y otros complejos. Y lo probaremos ms delante en la subseccin 4-2.1.1
4-2.
Autovalores y Autovectores
A v = v
(4.1)
1
4
Prueba por ejemplo la matriz B = 0
0
c
y v3 = 4c y sus co-lineales.
2c
5
1
2
0
b
1
a
2 con los vectores v1 = 0 , v2 = b
0
3
0
Puedes
probar
2
B = 1
0
1
2
0
0
0 son 1 = 2 + j , 2 = 2 j y 3 = 3
3
Esto elimina la ambigedad que supone la definicin por co-linealidad entre el autovector
y su transformado, cuando el autovalor asociado es cero. Es evidente en ese caso que transformado y autovector no son co-lineales, sino normales entre s. Con ms razn cuando A o
no fueran reales.
63
JOM - Transformaciones Lineales
4-2.1.
Clculo de autovalores
v Av =
Definicin
(I A) v =
(4.2)
|I A| = 0
(4.3)
Ec. caracterstica
Con esta ecuacin hemos de calcular los autovalores, se llama ecuacin caracterstica8 de A
Ejemplo 4.4.
1 2
2 1
p
Efectuando las cuentas que dadas por la ec.(4.3)
0
1 2
|I A| =
0
2 1
1 02
=
02 1
= ( 1) ( 1) 4
= 2 2 3
= A ()
(4.4)
A () = |I A|
= 2 2 3
= ( 3) ( + 1)
7
Ten en cuenta que tanto v cuanto Av yacen en el mismo espacio vectorial, ya que A es
cuadrada.
8
Algunos autores usan la forma equivalente |A I| = 0, de ese modo el polinomio resultante ser mnico para A con dimensin par y no mnico para A con dimensin impar;
mientras que en la forma que hemos optado nosotros, el polinomio resulta siempre mnico.
Un polinomio es mnico cuando el coeficiente de la variable de mayor grado es 1.
64
JOM - Transformaciones Lineales
de donde finalmente
1 = +3
2 = 1
donde los preordenamos con los valores absolutos decrecientes.
La ecuacin caracterstica es el polinomio caracterstico igualado a cero. Sus races son los autovalores de la
matriz.
4-2.1.1.
Existencia
4-2.1.2.
Multiplicidad
Es sabido que las races de un polinomio pueden repetirse. Como el polinomio caracterstico de una matriz es el que provee los autovalores, podemos
establecer que un autovalor puede repetirse, es decir: puede tener multiplicidad algebraica.
Ejemplo 4.5.
1 0
2 1
Halla los autovalores de la matrices B =
yC=
0 1
0 2
p
9
65
JOM - Transformaciones Lineales
B () = ( 1)2
C () = ( 2)2
4-2.1.3.
4-2.2.
Clculo de autovectores
Ai vi =
(4.5)
66
JOM - Transformaciones Lineales
Ejemplo 4.6.
1 2
.
2 1
p
Del ejemplo anterior (4.4), los autovalores son 1 = 3 y 2 = 1. Para
calcular los autovectores,
usemos la expresin (4.2) o la (4.5), proponiendo
que 1 = 3, v1 =
v11
R2 , entonces:
v21
31 02
v11
0
=
02 31
v21
0
2 2
v11
0
=
2
2
v21
0
2 2 0
2
2 0
2 2 0
0
0 0
1 1 0
0
0 0
v11
. Lo notaremos de la siguiente
v11
A : 3, (x, x)
x=
6 0
1
, y lo notamos:
1
3 , (1, 1)
1 2
2 1
1
1
=
3
3
=3
1
1
, cierto.
Una conclusin valedera en este contexto, sera establecer que como hemos propuesto un valor especfico para la componente v11 y pudiramos
haber propuesto cualquier otro real (distinto de cero), el autovector v1
pudo haber sido otro de la misma direccin; entonces el par autovalor autovector asociado que dimos arriba en realidad es un representante de
los infinitos autovectores que yacen en esa direccin. Y ste es el subes
pacio asociado al autovalor 1 = 3, E=3 =
x, x
Procedamos de la misma manera para encontrar los autovectores asociados a 2 = 1
2 2
2 2
v12
v22
0
0
v12
v12
v2 =
67
JOM - Transformaciones Lineales
3, (x, x) , 1, (x, x) x 6= 0
A : 3, (1, 1) , 1, (1, 1)
A:
4-2.2.1.
Ejemplo 4.7.
p
Sabemos que vi es elemento de un espacio vectorial, en este libro podemos pensar el evre V = Rn donde se da que A vi = i vi
(kA) vi = k(A vi )
propiedad matrices
= k(i vi )
expresado arriba
= (ki ) vi
axioma espacio V
entonces podemos afirmar que (kA) y A comparten los autovectores, mientras que los autovalores de kA son los escalados de los de A.
El resultado anterior puede parecerte no convincente, por cuanto el determinante de la matriz escalada tiene la relacin det(kA) = k n det(A) y
det(kA) 6= k det(A) por lo que es necesario que hagamos otro ejemplo numrico para confirmarlo
Ejemplo 4.8.
4 8
Halla los autovalores y autovectores de B =
.
8 4
p
Esta matriz es 4 veces la del ejemplo 4.6 y ejemplo 4.6 B = 4A, donde
A : 3, (x, x) , 1, (x, x) , calculemos su polinomio caracterstico
de B
B=4A () = ( 4)2 64
= 2 8 48
= ( 12)( + 4) 1 = 4 3 ,
2 = 4(1)
68
JOM - Transformaciones Lineales
con lo cual hemos confirmado la relacin entre autovalores. Ahora podemos simplemente probar si los autovectores se comparten
4 8
8 4
x
12x
=
x
12x
x
= 12
x
A:
3, (x, x) ,
1, (x, x) 4A : 12, (x, x) ,
4, (x, x)
4-2.2.2.
1 2
2 1
x
x
=3
x
x
Cuando se calculan autovectores, se exhiben los autovectores linealmente dependientes ligados a un autovalor.
69
JOM - Transformaciones Lineales
Ejemplo 4.9.
p
Las cuentas para el clculo de los
y autovectores
quedan para
autovalores
t. Puedes comprobar que como
1 0
0 1
x
x
=
, lo que est sucediendo
y
y
es que:
cualquier vector del plano por ltima vez: excepto el vector nulo es
autovector de la matriz identidad, asociado al nico autovalor = 1 que
se repite grado de multiplicidad algebraica 2. En otras palabras: tenemos una infinidad de vectores en infinitas direcciones asociados al mismo
autovalor
el subespacio asociado al autovalor 1 es E=1 = { (x, y) } y su dimensin
es 2 (su multiplicidad geomtrica es 2).
Pudiramos
encontrar
una base con dos autovectores de ese espacio:
v11 =
y
1
0
y v12 =
.
0
1
4-2.3.
Autovalores repetidos
La pregunta es:
Qu deberamos esperar hay valores caractersticos repetidos?
En el ejemplo 4.9 hemos tratado con una matriz que tena un autovalor de
multiplicidad dos, asociado a un espacio de dos dimensiones de cual pudimos exponer dos vectores linealmente independientes, esto podra hacernos
suponer que la dimensin del subespacio de autovectores asociados a un autovalor coincide con su grado de multiplicidad. Veamos si es correcto mediante
otro ejemplo.
10
70
JOM - Transformaciones Lineales
Ejemplo 4.10.
1 1
.
0 1
p
Luego de hacer las cuentas o en forma evidente aplicando la proposicin
4.1 1 = 2 = 1, por lo que los autovectores saldrn de
0 1
0
0
v11
v21
=
0
0
v1 =
A
1
0
Ejemplo 4.11.
Halla los autovalores y autovectores de la matriz A =
7 16 8
16
7
8
8
8 5
p
Calculemos los autovalores. . .
A () = |I A|
7
16
8
=
16 7
8
8
8 + 5
7
16
8
= +9 +9
0
8
8 + 5
7 16
8
= ( + 9)
1
1
0
8 8 + 5
71
JOM - Transformaciones Lineales
eliminemos -8 con 8
propiedad determinantes
16
8
A () = ( + 9)
8 + 5
= ( + 9) 2 18 243
= ( + 9) ( + 9)( 27)
7
8
+
8 +5
1 = 27
2 = 3 = 9
Calculemos entonces el o los autovectores asociados a 2 = 3 = 9
16
16
8
v12 v13
0 0
16 16 8 v22 v23 = 0 0
8 8 4
v32 v33
0 0
A2,3 v2,3 =
donde hemos ubicado los dos sistemas. Los renglones de la matriz de los
coeficientes son escalamientos del ltimo, por lo que
16
16
8 0
0 0 0 0
16 16 8 0 7 0 0 0 0 cuyo significado es
8 8 4 0
2 2 1 0
2v12 + 2v22 + v32 = 0 9, (v12 , v22 , 2v12 2v22 )
(4.6)
En la que hay dos grados de libertad. Como una direccin un autovector define una direccin tiene un grado de libertad; puedes extraer dos
direcciones linealmente independientes. Por ejemplo
A:
9 , (v12 , 0, 2v12 ) , 9 , (0, v22 , 2v22 )
v2 = (1, 0, 2)
v3 = (0, 1, 2)
y
72
JOM - Transformaciones Lineales
Ha sido otro caso donde la multiplicidad geomtrica es igual a la multiplicidad algebraica en cada caso. Lo mismo ocurre en el ejemplo siguiente
Ejemplo 4.12.
p
En este caso lo mismo que la matriz identidad podemos ver que hay
un autovalor con multiplicidad dos, 1 = 2 = 0, pero como
0 0
0 0
x
0
x
=
=0
y
0
y
lo cual significa que no importa cul direccin tome, siempre se dar que
(x, y) ser un autovector.
Pero tambin estamos poniendo en evidencia lo que en la definicin de autovector: { A v, v } es linealmente dependiente, y aunque v no pueda ser el
vector nulo, A v s lo puede ser. Este punto no es tan obvio, los estudiantes
tropiezarn aqu al principio .
Es el mismo caso que el ejemplo 4.11 anterior tambin, donde el subespacio asociado a 9 fue
G = {(x, y, 2x 2y)}
Este tema est desarrollado con ms detalle en un apndice, en la seccin
E-2, donde tratamos los espacios invariantes.
En definitiva, podemos presentar dos autovectores linealmente independientes en este caso
73
JOM - Transformaciones Lineales
4-2.4.
Matrices simtricas
Ejercicio 4.2.
0 1
2 3
y de B =
1.5 0.5
0.5 1.5
a b
S2 =
b c
S2 (x) = x2 (a + c)x + ac b2
la resolvente es
xi =
a+c
p
(a + c)2 4(ac) + 4b2
2
74
JOM - Transformaciones Lineales
a b
El proceso de prueba establece que para la matriz
arroja autovalob a
a b
1 1
res a |b| y para la matriz
=a
arroja autovalores 0 y 2a.
b a
1 1
a b
Prueba que la matriz antisimtrica
slo presenta aub c
Ejercicio 4.3.
tovalores complejos.
Otras proposiciones tiles que damos sin prueba son:
Proposicin 4.4. Todo par de autovalores distintos entre s; de matriz simtrica, estn asociados a autovectores normales entre s.
Proposicin 4.5. Autovalores distintos de una matriz de entradas reales
cualquiera estn asociados a autovectores linealmente independientes entre
s (generalizacin de la proposicin 4.4).
Ejercicio 4.4. Verifica
la aseveracin 4.5 en el ejemplo 4.6, en donde A =
1 2
2 1
4-2.4.1.
Segn la proposicin 4.5 autovalores distintos llevan a autovectores linealmente independientes, la pregunta ahora es Podra ser que una matriz de
n n aunque tuviera autovalores repetidos que tuviera n autovectores LI,
pudiera tener todos los autovectores normales entre s ?
La buena noticia es que s, se puede siempre que la matriz real(11 ) sea
simtrica.
Ejemplo 4.13.
Halla los autovalores y autovectores normales de la matriz A =
7 16 8
16
7
8 , si es posible.
8
8 5
p
Los autovalores ya los tenemos del ejemplo 4.11.
Tambin nos quedaremos con el autovector v2 = (1, 0, 2) que satisface la
2v12 + 2v22 + 1v32 = 0,
proponemos entonces un autovector v3 = (v1 , v2 , v3 ) tal que cumpla con
la ecuacin anterior 2v13 + 2v23 + 1v33 = 0 y que adems sea normal a v2 ,
11
75
JOM - Transformaciones Lineales
v
13
v2 v3 =
1 0 2
v23
2 (v13 v23 )
= v13 + 2 (2v13 2v23 )
= 5v13 4v23
= 0
de donde si a v13 le diramos el valor 4, a v23 le deberamos dar 5 y v3
quedara
v3 = (4 , 5 , 2 4 2 5)
= (4, 5, 2)
El autovalor 9 est asociado con v2 = (1, 0, 2) y con v3 = (4, 5, 2).
Para encontrar otro autovector v1 normal a estos dos, podrs hacer v1 =
v2 v3 ?; en ese caso
k
1 0
2 = (10, 10, 5)
4 5 2
Ejemplo 4.14.
4.13
p
Algo ms elaborado y que funciona bastante bien cuando hay pocas componentes puede ser:
Asumamos que v2 = (1, 0, 2) ya lo hemos adoptamos como un autovector,
si hacemos v3 = (2 , v23 , 1) ya es perpendicular al anterior, lo nico que
tienes que hacer es encontrar la segunda componente, que debe cumplir
76
JOM - Transformaciones Lineales
12
o sea
v23 =
5
2
5
v3 = 2 , , 1
2
que si lo multiplicamos por 2 tenemos13
v3 = (4 , 5 , 2)
escencialmente el mismo resultado que el anterior, como puedes ver.
Podemos verificarlo
1
4
9 36
1
4
7 16 8
16
5
0 45 = 9 0
5 =
7
8 0
2 2
18
18
2 2
8
8 5
4-2.5.
77
JOM - Transformaciones Lineales
1 6 2
Ejemplo: para la matriz A = 1
4
1
0
0
1
el espectro es (A) = { 1, 2 }
E=2 = (x, 12 x, 0) y E=1 = { (x, y, x + 3y) }
son los auto-espacios asociados a los respectivos autovalores.
4-3.
Matrices similares
Dos matrices cuadradas A y B son similares si existe una matriz C invertible, tal que
B = C 1 A C
(4.7)
Notaremos
BA
el signo significa similaridad y no que las entradas de A sean aproximadamente iguales a las entradas de B .
Claramente, puedes escribir tambin
B = D A D1
con tal de hacer en este caso D = C 1 . Veamos un ejemplo
78
JOM - Transformaciones Lineales
Ejemplo 4.15.
0 1
.
2 3
p
Nada ms debemos aplicar la 4.7 proponiendo una matriz C no singular,
de dimensiones apropiadas, por ejemplo
C=
1 2
2 1
de modo que
1
1 2
2 1
2 1
0
1
B =
0 1
2 3
1 2
2 1
4-3.1.
Ejemplo 4.16.
p
0 1
2 3
y de
2 1
0
1
y
1
A () =
2 3
= 2 3 + 2
= ( 2) ( 1)
2
1
B () =
0 1
= ( 2) ( 1)
Ahora lo probaremos.
79
JOM - Transformaciones Lineales
Prueba
Tomemos dos matrices similares A y B , por tanto podemos escribir B =
C 1 A C , calculemos el polinomio caracterstico de B
B () = |[I B]|
= I C 1 A C
= C 1 I C C 1 A C
(4.8)
B () = C 1 I C 1 A C
y tambin a la izquierda . . .
B () = C 1 [ I A ] C
(4.9)
B () = C 1 |[ I A ]| |C|
y tambin por propiedad de los determinantes, los de |C 1 | y |C| son
recprocos, por lo que finalmente
B () = |[ I A ]|
= A ()
(4.10)
Como los polinomios caractersticos de dos matrices similares son iguales, como predice la (4.10), entonces las matrices similares compartirn
autovalores. Y con esto queda demostrado el teorema.
Prueba
Tomemos dos matrices similares A y B , donde A : (, v) es un par
autovalor-autovector; por tanto podemos escribir B = C 1 A C y de
ah que
A = CBC 1
pos-multiplicando por v asociado a , tenemos
A v = CBC 1 v = v
Efectuemos ahora la sustitucin
w = C 1 v v = Cw
80
JOM - Transformaciones Lineales
A v = CBw = v = Cw
que por ser un escalar puede escribirse
CBw = Cw
y como C 1 existe,
Bw = w = C 1 v
finalmente nos dice que efectivamente, el autovector asociado al autovalor de A y B , para la matriz B = C 1 A C no es v , sino C 1 v
en otras palabras
A : { (0 , v0 ) } C 1 A C = B :
0 , C 1 v0
(4.11)
y ya est.
Proposicin 4.8. El polinomio caraterstico, el espectro, la traza suma de
los elementos de la diagonal, y el determinante permanecen invariantes entre dos matrices similares. Es decir: B = A1 CA, entonces B () = C (),
P
P
(B) = (C),
bi,i = ci,i , det(B) = det(C).
Consecuencia 4.8.1. Como corolario de la proposicin anterior, si A tiene
autovalores i .
A es invertible si 0
/ (A)
P
Tra(A) =
i (tambin las repetidas)
81
JOM - Transformaciones Lineales
82
JOM - Transformaciones Lineales
Captulo 5
Diagonalizacin de matrices y
Aplicacin al cambio de bases
Resumen:
En esta unidad vamos encontrar una matriz similar diagonal, mediante el clculo de los autovalores y autovectores de la matriz. Las condiciones
de existencia y el clculo son el tema de la primera
parte.
Las matrices diagonales similares a una matriz
original son tiles en diversos campos de la ingeniera, como ser: desacoplamientos de sistemas dinmicos lineales y cambios de coordenadas en general.
Luego hemos de trabajar con matrices asociadas a transformaciones lineales, donde ocurren
cambios de base. En ese momento descubriremos
que las matrices asociadas que hasta ahora eran
nicas dependen de las bases elegidas que hasta ahora eran solamente las bases cannicas.
Es interesante cuando los dos espacios coinciden.-
83
84
. . . . . . . . . 86
. . . . . . . . . . . 87
89
92
5-1.
Diagonalizacin de Matrices
"
DA =
"
A=
"
a11
a21
a11 a12
" #
v11
"
v12
, v1 =
, v2 =
es decir
a21 a22
v21
v22
#" # "
# "
#" # "
#
a12
v11
1 v11
a11 a12
v12
2 v12
=
,
=
o en masa
a22
v21
1 v21
a21 a22
v22
2 v22
"
a11 a12
#"
v11 v12
v21 v22
a21 a22
{z
}
| {z } |
A
"
=
1 v11 2 v12
1 v21 2 v22
84
JOM - Transformaciones Lineales
"
1 v11 2 v12
"
v11 v12
1 v21 2 v22
#"
v21 v22
0 2
{z
} | {z }
DA
En definitiva V DA = A V de donde
DA = V 1 A V
(5.1)
Ejemplo 5.1.
Diagonaliza A =
1 2
2 1
si es posible.
p
Esta es la misma matriz que hemos trabajado en muchas ocasiones, como
en los ejemplos 4.4 y 4.6, de donde
A () = ( + 1) ( 3) 1 = 3, 2 = 1
1
1
y
v1 =
,
v2 =
1
1
Armemos con ellos la matriz de los autovectores V = [v1 ] [v2 ]
V =
1 1
1
1
1
=
2
1 1
1 1
1
=
2
1 1
1 1
1 2
2 1
1 1
1
1
1
1 1
3
1
=
3 1
2 1 1
3
0
=
0 1
hemos llamado = DA a la matriz diagonal similar a A
y
1
85
JOM - Transformaciones Lineales
5-1.1.
Proposicin 5.1. Una matriz no tiene en general una sola matriz diagonal
similar.
Ejercicio 5.1.
Ejercicio 5.2.
5-1.2.
La pregunta es ahora
Todas las matrices cuadradas son diagonalizables ?
La respuesta la trataremos de sacar con un contraejemplo
Excepto cuando tiene un slo autovalor y est asociado a n autovectores, claro est
86
JOM - Transformaciones Lineales
Ejemplo 5.2.
Diagonaliza la matriz A =
1
Evidentemente
0
y 1 = 2 = 1
1 1
, de ser posible.
0 1
1
= ( 1)2
1
0 1
0
0
v11
v21
=
0
0
v1 =
1
0
Y la respuesta a la luz del ejemplo 5.2 es que no todas, porque se ha encontrado una que no es diagonalizable. Entonces la siguiente pregunta es...
5-1.3.
59
2
5
Diagonaliza la matriz A = 2
56 10 de ser posible
5 10
35
Ejemplo 5.3.
p
El polinomio caracterstico. . .
1 2 5
x
0
2t1 + 5t2
2
4 10 y = 0
t1
5 10 25
z
0
t2
87
JOM - Transformaciones Lineales
5
2
v1 = 1 , v 2 = 0
1
0
1
v3 = 2
5
con lo cual podemos formar V , y puedes comprobar que
2
26 10
59
2
5
2 5 1
60 0 0
1
5 10
5 2
56 10 1 0 2 = 0 60 0
30
1
2
5
5 10 35
0 1 5
0 0 30
Con lo que hemos mostrado que a pesar de la multiplicidad, A tiene matriz
similar diagonal.
y
p
En el proceso de encontrar autovectores para = 60 pudimos hacer ms
an: exhibir autovectores normales:
2
2t1 + 5t2
y por producto escalar
tomamos v1 = 1 y v2 =
t1
0
t2
v1 v2 = 5t1 + 10t2 = 0
(5.2)
2
1
v1 = 1 , v2 = 2
0
1
(5.3)
88
JOM - Transformaciones Lineales
Ejercicio 5.3.
8
9
9
Diagonaliza, si es posible A = 3
2
3 .
9 9 10
5-1.4.
1. Dada una matriz Ann , existen infinitas matrices similares a ella, y habrn a lo sumo n! matrices diagonales similares o ninguna.
2. Para que una matriz Ann sea diagonalizable, sus n autovectores deben
ser LI
5-2.
Matrices simtricas
Q1 A Q = Q> A Q = DA
(5.5)
Observacin: Todos estos conceptos los aplicaremos en unidades posteriores, ya sea considerados en las transformaciones, actuando sobre la matriz
asociada a la transformacin [ L ] mediante cambios de base; como actuando
sobre una matriz que representa una cnica o cudrica de posicin general,
para canonizarla.
89
JOM - Transformaciones Lineales
Consecuentemente, insiste en ellos hasta tenerlos en claro. Es recomendable que trabajes ahora con los ejercicios propuestos
Para continuar, trabajaremos con una matriz simtrica para el caso 2x2
genrica, de modo que las proposiciones que probemos, conclusiones que extraigamos, etctera, se aplicarn a esta dimensin. . . pero puedes estar seguro
que son extensibles a cualquiera otra matriz simtrica de diferente dimensin.
5-2.1.
a b
Tomemos la matriz S2 =
, su polinomio caracterstico es. . .
b c
x a b
S2 (x) =
b x c
= x2 (c + a)x + ac b2 = (x a)(x c) b2 = 0
donde si aplicramos la resolvente tendramos
1
x1 = (c + a) +
2
1
x2 = (c + a)
2
1p
(c a)2 + 4b2
2
1p
(c a)2 + 4b2
2
xi a b
v1i
0
=
es decir
b
xi c v2i
0
0 R2 =(xi a)R2 +bR1
xi a b
xi a b 0
b
xi c 0
0
0 0
de donde
porque
b
xi a
vi =
autovector de
S2
(5.6)
x2 = a b
x1 = a + b
1
1
S2 :
a + b,
, a b,
1
1
5-2.2.
(5.7)
Prueba de ortogonalidad
Prueba
Para S2 =
a b
b c
el polinomio caracterstico es S2 () = 2 (c + a) + a c b2 ,
sus autovalores son
1 =
p
1
c + a + (a b)2 + 4b2
2
p
1
c + a (a b)2 + 4b2 ,
2
v1 = (b, 1 a) y v2 = (b, 2 a)
2 =
p
p
1
2
2
2
2
c + a + (c a) + 4b
c + a (c a) + 4b
1 2 =
4
1
= (c + a)2 (c a)2 4b2
4
= a c b2
1 + 2 = (c + a)
El producto escalar de los autovectores. . .
v1 v2 = b2 + a c b2 a(c + a) + a2 = 0
. . . efectivamente el producto es cero, por lo que los autovectores de la
matriz simtrica de 2 2 son normales entre s, y ya est para el caso
a 6= c.
Naturalmente, para el caso a = c, est tambin probado, y ya ves que
(1, 1) y (1, 1) son normales entre s.
Esta prueba hace que las proposiciones 5.4 y 5.6 se comprueben automticamente, ya que por un lado hemos conseguido dos autovectores linealmente
independientes (normales); y por otro estamos en condiciones de armar la
matriz diagonalizante simplemente escalando los autovectores normales anteriores de manera que sean versores.
Puedes pasarte el repaso que tenemos antes de abordar la prxima seccin:
Repaso de cambio de base
Recordemos la notacin para cambios de base que hemos implementado:
Sea V un espacio vectorial de dimensin finita n, y v un elemento de ese espacio;
luego [ v ] es la matriz de coordenadas de ese vector v sobre una base cannica
de V .
Si el conjunto B1 =
1 1
b1 , b2 , , b1n V fuera linealmente independiente y ge-
91
JOM - Transformaciones Lineales
[ v ] = [ B1 ] [ v ]1
(5.8)
[ B1 ] =
1
b1
1
b2
1
bn
(5.9)
p
Primero verifiquemos que B1 sea base de R2
3
[ B1 ] =
1
2
4
= 14 6= 0
[v] =
1
2
[ v ]1 = [ B1 ] [ v ]
1
3 2
1
=
1
4
2
1
8
=
14 5 1
comprobmoslo. . .
8
5
(3, 1) +
(2, 4) = (1, 2) = v
14
14
Como era de esperarse.y
5-3.
Cambios de base en TL
[ v0 ] = [ L ] [ v ]
(5.10)
donde que v 0 V 0 y v V .
La (5.10) liga el mapeo del vector v en base cannica B1 al vector v 0 en la
otra base cannica B2 .
92
JOM - Transformaciones Lineales
V0
L(v) = v 0
[L]
[v]
[ v0 ]
CV
CV 0
[ v ] = [ B1 ] [ v ]1
(5.11)
[ v 0 ] = [ B2 ] [ v 0 ]2
(5.12)
[ L1 ]2
[ v ]1
[v]
CV
[ B1 ]
B1
V0
[ v 0 ]2
B2
v0
[ v0 ]
[ B2 ]
CV 0
Las (5.11) y (5.10) son los cambios de base introducidos: tanto en el dominio cuanto en el codominio tenemos sendas bases B1 y B2 respectivamente,
cuyas matrices de coordenadas sobre las bases cannicas son [ B1 ] y [ B2 ]
Incorporando la (5.11) a la (5.10) tenemos
[ v0 ] = [ L ] [ v ]
= [ L ] [ B1 ] [ v ]1
= [ L1 ] [ v ]1
(5.13)
y sta representa el mapeo del vector v sobre base B1 cuya imagen est en
base cannica, y la relacin de actualizacin de [ L ] para efectuar tal cambio
es
[ L1 ] = [ L ] [ B1 ]
3
(5.14)
93
JOM - Transformaciones Lineales
[ L ] [ v ] = [ v0 ]
= [ B2 ] [ v 0 ]2
[ v 0 ]2 = [ B2 ]1 [ L ] [v]
= [ L ]2 [ v ]
(5.15)
y sta representa el mapeo del vector v sobre base cannica de V , cuya imagen
est escrita como coordenadas en base B2 de V 0 ; y la relacin de actualizacin
de [ L ] para efectuar tal cambio es
[ L ]2 = [ B2 ]1 [ L ]
(5.16)
[ v0 ] = [ L ] [ v ]
m
0
[ B2 ] [ v ]2 = [ L ] [ B1 ] [ v ]1
m
[ v ]2 = [ B2 ]1 [ L ] [ B1 ] [ v ]1
0
= [ L1 ]2 [ v ]1
(5.17)
y sta representa el mapeo del vector v sobre la base B1 cuya imagen est en
base B2 , y la relacin de actualizacin de [ L ] para efectuar tal cambio es
[ L1 ]2 = [ B2 ]1 [ L ] [ B1 ]
(5.18)
La figura 5.3 es un pictograma que brinda toda la escena que hemos trabajado y actualiza lo que hemos propuesto. Luego de los ejemplos hacemos una
descripcin de la misma.
Nota 2. Importante: Conviene recordar que la transformacin lineal L es la
misma. No ha cambiado. Lo nico que ha pasado es que ahora tenemos ms
posibilidades de expresarla matricialmente.
Ejemplo 5.4.
R2
Donde L :
P2 | L (v1 , v2 ) = v2 + v1 x + (v1 v2 ) x2
y la base B1 R2 = { (2, 3), (1, 3) }.
p
Considerando que la base cannica de P2 es CP2 =
que la matriz asociada ser a)
1 , x , x2 , tenemos
0
1
[L] = 1
0
1 1
94
JOM - Transformaciones Lineales
V0
V
CV
B1
CV 0
v0
B2
K
V0
V
[v]
[L]
[ v0 ]
[ L1 ]
[ B1 ]
[ B2 ]
[ L ]2
[ L1 ]2
[ v ]1
[ v 0 ]2
[ B1 ] =
2 1
3 3
de modo que b )
[L1 ] = [ L ] [ B1 ]
0
1
2 1
= 1
0
3 3
1 1
3
3
= 2
1
1 2
y a la TL L la puedes representar matricialmente de dos maneras
L
L
v1
v2
v1
v2
v2
v1
v1 v2
!
1
3v1 + 3v2
= 2v1 + v2
v1 2v2
y
95
JOM - Transformaciones Lineales
Ejemplo 5.5.
5.4 considera que la base B2 P2 es
2Para el ejemplo
2
B2 = x , 1 + x , 1 + x + x2
Halla la matriz asociada a la transformacin que mapea vectores (escritos
sobre base cannica) en polinomios (escritos sobre base B2 ) .
p
Tenemos la matriz de transicin
0 1 1
[ B2 ] = 0 0 1
1 1 1
[L]2 = [ B2 ]1 [ L ]
1
0 1
0
1
= 1 1 0 1
0
0
1 0
1 1
1 2
= 1
1
1
L
v1
v2
v1 2v2
= v1 + v2
v1
2
(5.19)
Ejemplo 5.6.
p
Es casi inmediato que
[ L1 ]2 = [ B2 ]1 [ L ] [B1 ]
1
0 1
0
1
2
1
= 1 1 0 1
0
3 3
0
1 0
1 1
4 5
= 1
2
2
1 2
96
JOM - Transformaciones Lineales
L : R2 P2 | L (v1 , v2 ) = v2 + v1 x + (v1 v2 ) x2 puede escribirse como
L
v1
v2
!
1
4v1 5v2
= v1 + 2v2
2v1 + v2
2
(5.20)
Ejercicio 5.4.
5-3.1.
[ L1 ]2 = DL = Q1 [ L ] Q
(5.22)
Ejemplo 5.7.
p
1
1
1 1
[L] =
1+ 2
1 = 2, v1 =
1
1 2
2 = 2, v2 =
1
q1 =
1+ 2
1
1 2
1
4+2 2
q2 =
42 2
Q=
4+2 2
42 2
1+
1
4+2 2
1
42 2
[LQ ]Q =
2
0
0 2
Q=
q
1+ 2 , 1 , q
1
4+2 2
42 2
(0. 92388 , 0. 38268) , (0. 38268 , 0. 92388)
2, 1
Nota que en este caso particular no escribimos [Q]: Sucede que sta no es una matriz
asociada a una transformacin lineal como [L], tampoco es la coleccin de vectores de una
base expresada en trminos de otra como [ B1 ] : es simplemente Q porque es una matriz de
autoversores normales de [ L ] .
98
JOM - Transformaciones Lineales
Q
2
0
0 2
[ v ]Q
(5.23)
o lo que es lo mismo
L
v1
v2
!
2v
1
2v2 Q
=
(5.24)
L
v1
v2
=
v1 + v2
v1 v2
(5.25)
Esta forma desacoplada mediante el uso de la base de autoversores normales Q claramente es ms simple que la original donde hemos usado
la base cannica CR2 = {(1 , 0) , (0 , 1)}.
Supongamos
que A : V V es tal que su matriz asociada
[A] =
1 2
. Como hemos visto en los ejemplos 4.4 y 4.6
2 1
3 , (1, 1) ,
1 , (1, 1)
[ B1 ]
[A] [ B1 ] =
3
0
0 1
= [DA ]
1
1 2
2 1
v1
v2
=
v1 + 2v2
2v1 + v2
L (v) = v 0
[A] [ v ] = [ v 0 ]
99
JOM - Transformaciones Lineales
ahora haremos
L (v) = v 0
[DA ] [ v ]1 = [ v 0 ]1
y esto es
Comparando
3
0
0 1
v1 + 2v2
2v1 + v2
x1
x2
=
y
gundo caso,
3x1
x2
3x1
x2
1
la primera componente del vector transformado depende slo de la primera componente del vector original, mientras que
en el primer caso
la primera componente del vector transformado depende de
la primera Y de la segunda componente del vector original.
Este es el valor de un cambio de base: hacer que las cosas se
vean ms simples; sin cambiarlas.
Con todo, no podemos garantizar que exista la representacin desacoplada,
ya que la matriz asociada a una transformacin lineal que transforma elementos de un espacio de dimensin n en elementos de otro espacio de la misma
dimensin, podra tener menos que n autovectores linealmente independientes.
Ejercicio 5.5.
100
JOM - Transformaciones Lineales
Captulo 6
Aplicaciones
Resumen:
101
Captulo 6. Aplicaciones
102
. . . . . . . . . . . . .
103
104
. . . . . . . . . . . . . . . . 112
118
119
Propuesta
La razn por la que incluimos muchos ejercicios en el cuerpo de
este texto es para que una vez terminado de resolverlo puedas preguntarte qu y cmo los has hecho, y fundamentalmente: hay algo
genrico que pueda aprovechar a partir del mismo? Analizar el resultado es ms importante que resolver bien un ejercicio.
A lo largo de la carrera vers que hay otras aplicaciones incluso
ms interesante que sta, pero es pertinente por estar auto-referida
dentro de la misma asignatura con el libro 2.
6-1.
x
y
[v] =
(6.1)
[ v ]> =
x y
(6.2)
[v]
>
[v] =
x y
= x2 + y 2
x
y
(6.3)
Captulo 6. Aplicaciones
De un modo similar vemos que si el vector v est en el espacio tridimensional y sus coordenadas sobre un sistema de referencia XY Z cannico es
x
[v] = y
z
>
[v]
>
[v] =
x y z
(6.4)
x y z
y el producto matri-
x
y = x2 + y 2 + z 2
z
(6.5)
6-2.
F (x, y, z) = 0 ,
#F = 1
(6.6)
F (x, y, z) = 0 ,
#F = 2
(6.7)
(6.8)
Claramente la notacin refiere a: los trminos cuyos coeficientes son del tipo
a son trminos de segundo grado tienen doble subndice, y los que tienen
coeficiente del tipo b son trminos lineales. c es un escalar.
Nota que el trmino rectangular xy en la (6.8) tiene coeficiente par 2a12
por conveniencia nuestra. Ese trmino representa una rotacin de una cnica
respecto de los ejes coordenados XY recuerda que aparece solo cuando el eje
de simetra de la parbola (o de cualquier cnica) est rotada respecto del sistema de referencias. Adems ya sabes que los trminos lineales (b1 x) y (b2 y)
representan una traslacin de la cnica respecto del sistema de referencia.
1
103
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
(6.9)
Nota que los trminos rectangulares xy, xz e yz tienen coeficiente 2a12 , 2a13 y
2a23 por conveniencia nuestra.
6-3.
Canonizacin de Cnicas
e2
e1
Por tanto, un punto v del plano tendr una matriz de coordenadas [ v ] sobre
la base cannica y otra matriz de coordenadas [ v 0 ] = [ v ]1 sobre la base B1 . Es
decir que [ v ] y [ v 0 ] son las respectivas matrices de coordenadas de un punto
sobre la base cannica y sobre base B1 , y.
[v] =
x
y
[v ] =
x0
y0
Captulo 6. Aplicaciones
Y
00
00
E
0
x
0
x0
0
y
0
y0
Luego, mediante la tcnica de completar cuadrados sera sencillo encontrar un sistema V 00 donde tenga validez la ecuacin
que significar una traslacin del sistema V 00 respecto del sistema V 0 ahora
s el coeficiente c en general habr cambiado a c00 por la accin de completar
cuadrados. Entonces habramos podido encontrar un sistema de referencia
coincidente con los ejes principales de la cnica.
En esta ltima instancia decimos que la ecuacin de la cnica est canonizada. Es decir: obtenemos un sistema de referencias respecto de la cual la
cnica est en la posicin cannica con centro en el origen para el caso de
la elipse, circunferencia e hiprbola, y vrtice en el origen, para el caso de la
parbola, y por tanto la ecuacin est bien comportada .
Un concepto importante es que el lugar geomtrico de la cnica no
ha cambiado, lo que hemos cambiado nada ms es la ecuacin de la cnica
porque la estamos refiriendo en general a un sistema que ha rotado y se ha
desplazado convenientemente .
105
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
cia
rencia
[v]> [v] =
x y
x
y
= x2 + y 2
[v]
I [v] =
x y
1 0
0 1
x
y
x
y
= x2 + y 2
[v]
A [v] =
x y
a11 0
0 a22
= a11 x2 + a22 y 2
(6.10)
ahora slo nos falta el trmino rectangular . . . podemos lograrlo con la matriz
A tal que por ejemplo
x y
a11 2a12
0 a22
x
y
106
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
esa matriz A que hemos de usar, debe admitir autovectores normales entre s.
Una forma de asegurarnos autovectores normales y matrices diagonalizantes
con columnas ortogonales entre s es usar una matriz simtrica. La matriz
simtrica apropiada para escribir esa cuenta en forma matricial es
a11 a12
a12 a22
A=
(6.11)
de modo que
>
[v] A [ v ] =
x y
x y
a11 a12
a12 a22
a11 x + a12 y
a12 x + a22 y
x
y
B [v] =
b1 b2
x
y
= b1 x + b2 y
por lo que
(6.13)
(6.14)
stas dos formas de describir la ecuacin general de la cnica son las formas
escalar y matricial respectivamente.
Ejemplo 6.1.
p
3
Y se conoce tambin como forma cuadrtica , como particular forma bilineal. Estas
formas son operadores entre un espacio vectorial y un espacio vectorial real.
107
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
7x2 6 3xy + 13y 2 + 12 3 + 64 x + 12 64 3 y = 16 292 = 276
en donde, y de acuerdo con lo que hemos discutido
[v] =
A=
3 3
;
13
3 3
x
y
B=
12 3 + 64
i
2 64 3
y para comprobarlo,
"
x y
# h
7 3 3
x
i x
+ 12 3 + 64 12 64 3
y
y
3 3
13
6-3.1.
c = [ v ]> A [ v ] + B [ v ]
(6.16a)
>
= (R [ v 0 ]) A (R [ v 0 ]) + B (R [ v 0 ])
>
= [ v 0 ] R> A R [ v 0 ] + B R [ v 0 ]
>
= [ v0 ]
DA
[ v0 ] + B 0 [ v0 ]
(6.16b)
Recordemos la (1.3), en la pg.3. [v] = [B2 ] [v]2 donde [B2 ] es la matriz de coordenadas
de la nueva base (R ) respecto de la base cannica (sistema V ) ; y [v]2 es un vector cualquiera
([v 0 ]) referido al sistema de referencia o base B2 (sistema V 0 ).. Finalmente [v] es el mismo
vector escrito sobre la base cannica.
108
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
DA = R> A R
porque de esa manera la cnica referida al nuevo sistema de ejes la nueva
base se vera sin rotacin, es decir con la misma estructura que la (6.10). Es
decir que el objetivo es un cambio de bases adecuado como para que DA sea
diagonal.
Cmo encontraremos la matriz R que diagonalice A?.
Lo que diagonaliza A es su propia matriz de autoversores ortogonales...
Y como A la hemos elegido simtrica, esto est asegurado.
De acuerdo con la (5.1) DA = V 1 A V que vale para las diagonalizaciones,
Cmo haremos para que R> = R1 ?.
Hay que considerar que R es una matriz ortogonal.
Debes hacer que los ejes roten solamente5 , vale decir que det (R ) sea igual
a 1 y no a 1.
Todo se aclara con el ejemplo
Ejemplo 6.2.
p
La ecuacin anterior . . .
7x2 6 3xy + 13y 2 + 12 3 + 64 x + 12 64 3 y = 276
la puedes introducir en una calculadora adecuada y obtener su grafo. . .
Y
4
3
2
1
-7
-6
-5
-4
-3
-2
-1
A=
7
3
3
;
13
3 3
B=
12 3 + 64
12 64 3
Hemos optado por conservar que cualquier sistema de ejes (base) sea a derechas ,
por eso exiges que la nueva base est solamente rotada; de lo contrario se incorporara una
reflexin adicional, que cambiara el sentido de algn eje, lo cual te interesa evitar. Esa es la
razn por la que mantenemos que |R | = 1.
109
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
7
3
3
276 = [ v ]
[ v ] + 12 3 + 64
3 3
13
7 3 3
,
#
diagonalicemos A =
3 3
13
>
12 64 3 [ v ]
el polinomio caracterstico es
A () = 2 20 + 64
= ( 4) ( 16) = 0
y los autovalores son
1 = 16 ,
2 = 4
v1 =
1
3
3
v2 =
4
1
16 ,
y la matriz de rotacin
R =
3
2
1
2
3
2
1
2
R =
1
2
"
DA = 2
=
#1 "
3
16 0
0 4
# "
#
3
7 3 3 1
1
3 3
13 2 3
1
B 0 = B R
1h
=
12 3 + 64
2
=
6
128 24
1
2
i
12 64 3
b01 b02
1
3
#
3
1
=2
1
"
110
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
6-3.2.
Ejemplo 6.3.
p
1
R =
2
"
#
3
"
=
cos () sin ()
sin ()
cos ()
#
(6.17)
= tan1 3 60
(6.18)
v
[v]
C
[ v ]1 = [ v 0 ]
B1
[ v ] = R v 0
= R [ v ]1
7
111
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
1
1
0
1
0;
= R
1
=
2
"
1
= R
#
"
1
0
1
0. 50000
0. 86603
Como conclusin diremos que la matriz de rotacin R tiene toda la informacin para trazar los nuevos ejes del sistema de referencia V 0 respecto del
sistema de referencia original V . Para que este nuevo sistema sea dextrgiro,
0 . . . el determinante de R debe ser 1 . Cuando uses la matriz
I0 J0 = K
con los autovectores en lugar de los autoversores, la restriccin se convierte
en |R | > 0, que de no cumplirse debes intercambiar un par de autovectores
y correspondientemente los autovalores asociados, o multiplicar un autovector por 1. Esto es vlido para matrices cuadradas de cualquier dimensin.
6-3.3.
Una vez que tenemos rotado la ecuacin general, la ecuacin respecto del
sistema V 0 queda a011 (x0 )2 + a022 (y 0 )2 + b01 (x0 ) + b02 (y 0 ) = c, en la que agrupando y
8
Lgicamente R tiene en sus columnas los versores de los nuevos ejes rotados escritos
sobre la base original, as que esta cuenta es superflua, la mostramos con fines didcticos.
112
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
c = a011 (x0 )2 + 2b1 (x0 ) + a022 (y 0 )2 + 2b2 (y 0 )
donde
bi =
b0i
2a0i
2
2
= a011 (x0 )2 + 2b1 (x0 ) + b1 a011 b1 +
2
2
+ a022 (y 0 )2 + 2b2 (y 0 ) + b2 a022 b2
de donde
a011 x0 + b1
2
+ a022 x0 + b2
2
x00 = x0 +
b01
2a011
y 00 = y 0 +
b02
2a022
(6.19)
o lo que es lo mismo
v 00 = v 0 + v0
tenemos la ecuacin de la cnica est canonizada
2
donde a00i =
p
c00 /a0ii
(6.20)
Ejemplo 6.4.
rior.
p
tenamos
16 x0 + 4
2
+ 4 y0 + 3
2
= 16
x00
2
1 00 2
y
=1
4
113
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
6-3.4.
Ejemplo 6.5.
sistema V 0
p
Para encontrar el sistema V 00 trasladado en funcin del sistema V 0 lo
nico que debemos hacer es ver dnde est el origen del sistema V 00
respecto del sistema V 0 , ya que solo hay una traslacin
Y 00
Y0
x00 = x0 + 4
00
X0
y 00 = y 0 + 3
X 00
Y
Y0
1
R =
2
X
1
3
3
1
X0
La traslacin v0
Y 00
00
Y0
X 00
x00 = x0 + 4
y 00 = y 0 + 3
X0
114
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
Y 00
00
X 00
Ejercicio 6.1.
1 00 2
(x ) + (y 00 )2 = 1
2
2
pero los ejes tambin se hubieran intercambiado, y el grafo
hubiese sido el mismo.
Canoniza 4x2 +
Ejercicio 6.2.
Ejercicio 6.3.
3 xy + 5y 2 + 4x = 8. Grafica
Ejemplo 6.6.
p
Canoniza la ecuacin 2x y = 1.
0 1
En este caso tenemos que A =
y B = [ 0 0 ], los pares autovalor1 0
autovector de A son
1, (x, x) , 1, (x, x) , de donde la matriz de
1 1
1
cambio de base rotacin es R =
2
1
1
1
0
Por tanto DA =
con lo que
0 1
x02 y 02 = 1
1
que no es ms que la hiprbola y = 2x
.
Para identificar los ejes rotados, nada ms tienes que verificar que el autovalor 1 cuyo autovector asociado es (1, 1) est marcando la direccin
del eje X 0 ha quedado ligado a la variable x0 .
115
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
Ejemplo 6.7.
p
1 1
y B = [ 4 12 ], los pares
1 1
autovalor-autovector de A son
2, (x, x) , 0, (x, x) , de donde la ma
1 1
triz de cambio de base rotacin es R = 1
2
1 1
2 0
Por tanto DA =
y B 0 = B R = 1 [ 8 16 ] con lo que
2
0 0
En este caso tenemos que A =
8
16
2x02 + x0 y 0
2
2
2
x02 + 2 x0
2
0
02
x + 2 2x
2
x0 + 2
= 4
8
= y 0 2 o lo que es lo mismo. . .
2
0
= 4 2y 2 completando cuadrados. . .
= 4 2y 0
x002
finalmente tenemos la parbola y 00 = .
4 2
116
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
Y
Y
00
2, (x, x) , 0, (x, x)
1 1
R = 12
1 1
00
2
0
caso
1
[Ve ]0 =
2
1 1
1 1
2
1
=
0
1 XY
Por tanto DA1 =
0 0
0 2
y B10 = B R1 = 1 [ 16
2
1
2
1 1
1
1
8 ] con lo que
16
8
2y 02 y 0 x0 = 4
d.m.m por 2 y trabajando solo con x0 . . .
2
2
y 0 2 = 4 2x0
y 002
, aparentemente distinto al re4 2
sultado al que habamos arribado anteriormente. Sin embargo falta bosquejar el nuevo sistema de referencias donde el autovalor 2, est conectado con la direccin Y 0 , (1, 1), con lo cual, tenemos la figura;
117
JOM - Transformaciones Lineales
6-4. Resumen
Captulo 6. Aplicaciones
X
Y
Y
00
00
0, (x, x) , 2, (x, x)
1 1
R1 = 12
1
1
6-4.
Resumen
Lo que hemos hecho hasta ac son pocas acciones, pero hay que tenerlas
muy en cuenta:
1. Hemos escrito la ecuacin general de segundo grado en forma matricial
a) Para la matriz [A] hemos considerado una matriz simtrica, para
asegurarnos de que sea posible encontrar autovectores normales
entre s.
b ) Necesitamos autovectores normales entre s porque al hacer el cambio de base, esos autovectores marcarn la direccin de la nueva base, que por comodidad elegimos que solamente est rotada respecto
de la base cannica original (XY )
2. Procedemos a hacer el cambio de base [v] = [R ] [v 0 ],
a) [R ] es la matriz de transicin de la nueva base respecto de la cannica, y lleva en sus columnas los autoversores de la matriz [A]
b ) Lo que tiene importancia para nosotros es que se trata de una rotacin pura, con lo que el determinante de [R ] debe ser 1 o lo que
es lo mismo, el determinante de [V ] la matriz de autovectores debe
ser mayor que cero
c) Los autovectores asociados a cada autovalor, en el orden que se ha
formado [V ] o [R ] cuyas columnas son las de [V ] divididas por cada
mdulo decidirn cul de ellos es coeficiente de qu variable, y el
autovector respectivo decidir la direccin del nuevo eje.
118
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
3. Luego del cambio de base nos resta hacer una traslacin de los nuevos ejes, lo cual logramos simplemente completando cuadrados. ten en
cuenta las buenas costumbres de dejar primero polinomios mnicos,
y luego balancear correctamente la ecuacin
4. Finalmente tendremos la ecuacin general referida a un sistema de referencia X 00 Y 00 de tal manera que su origen coincida con el centro de
la elipse o de la hiprbola, o con el vrtice de la parbola.
6-4.1.
Hemos visto que el cambio de base adecuado nos lleva a una matriz DA
donde se ven los autovalores de [A]. Supongamos que ellos fueran 1 y 2 .
Analicemos los casos posibles. Supondremos que c00 es el trmino independiente que queda luego de realizada la traslacin
es decir 1 (x0 x0 )2 + 2 (y 0 y0 )2 = c00
Tendremos uns
par de rectas.
|1 |(x0 x0 )2 |2 |(y 0 y0 )2 = 0
(y 0 y0 ) =
|1 | 0
(x x0 )
|2 |
1 > 2 = 0 y c00 = 0
c00
1
6-5.
Canonizacin de cudricas
(6.21)
Captulo 6. Aplicaciones
donde los trminos rectangulares xy, xz e yz tienen coeficientes par por conveniencia nuestra. Ellos representarn un cambio de base rotacin pura, en
este caso dada por una composicin de tres rotaciones alrededor de los ejes
en el espacio.
Sea el sistema V original de ejes XYZ donde vale la ecuacin (6.9), mediante un cambio de base rotacin obtendremos el sistema V 0 donde vale la
ecuacin
a011 (x0 )2 + a022 (y 0 )2 + a033 (z 0 )2 + b01 x0 + b02 y 0 + b03 z 0 = c
(6.22)
Solamente nos resta completar cuadrados para encontrar un sistema V 00 donde
tenga validez la ecuacin
2
(6.23)
(x00 )2 (y 00 )2 (z 00 )2
00 2 00 2 = 1
(a00 )2
(b )
(c )
(6.24)
x
y
z
a11
a12
a12
a22
a33
(6.25)
de modo que
a
a
a
x
11
12
13
>
[v] A [v] =
x y z
a12 a22 a23
y
a13 a23 a33
z
a11 x + a12 y + a13 z
=
x y z a12 x + a22 y + a23 z
a13 x + a23 y + a33 z
= a11 x2 + a22 y 2 + a33 z 2 + 2a12 xy + 2a13 xz + 2a23 yz
120
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
B=
b1 b2 b3
(6.26)
podramos hacer9
x
B [v] =
b1 b 2 b 3 y
z
= b1 x + b2 y + b3 z
por lo que
(6.27)
+2a13 xz + 2a23 yz + b1 x + b2 y + b3 z
= [ v ]> A [ v ] + B [ v ]
(6.28)
Ejemplo 6.8.
884 3 yz 1800 3 + 3568 2 x+
+ 1800 2096 2 3 y + 736 2 3600 3 z
p
La ecuacin ya se encuentra correctamente ordenada, entonces las matrices son
[v] =
x y z
>
1943
A = 29 3
814
29 3
861
442 3
814
442 3
2972
>
1800 3 3568 2
B = 1800 2096 2 3
736 2 3600 3
b1
>
9
Hemos podido haber propuesto B = b2 , de modo que [ v ] B = b1 x + b2 y + b3 z , pero
b3
no nos ha interesado.
121
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
[ v ]> A [ v ] + B [ v ] = 784
(6.29)
6-5.1.
[ v ] = R [v 0 ]
(6.30)
c = [ v ]> A [ v ] + B [ v ]
>
= [v 0 ]
DA [v 0 ] + B 0 [v 0 ]
donde
DA = R> A R ,
B 0 = B R
Desde aqu todo es similar al procedimiento que hemos contemplado para las
cnicas, en particular el hecho de que la nueva base B1 son los vectores dados
por las columnas de R .
Recordemos que hay que hacer que los ejes roten solamente, vale decir que
det (R ) sea igual a 1 y no a 1. Si |R | = 1 hemos de intercambiar dos autoversores y consecuentemente sus autovalores en la matriz diagonalizada,
o hemos de multiplicar un autoversor por 1 dejando los autovalores en la
matriz diagonalizada intactos. Todo se aclara con el ejemplo siguiente.
Ejemplo 6.9.
p
884 3 yz 1800 3 + 3568 2 x+
+ 1800 2096 2 3 y + 736 2 3600 3 z
122
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
y sus matrices
29 3
861
442 3
1943
A = 29 3
814
814
442 3
2972
>
1800 3 3568 2
B = 1800 2096 2 3
736 2 3600 3
diagonalicemos A
el polinomio caracterstico es
1 = 3600
2 = 1600
3 = 576
v1 =
1
2 3
v2 =
5
3
2
3 3
v3 = 3 3
2
2 3 5 2
2
1
R =
2
6
36
8
4 3 2 2 2 2
3600
0
0
DA = 0
1600 0
0
0
576
(6.31)
La matriz B 0 quedar
B 0 = B R
=
7200
6400
3456
123
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
[ v ] = R v 0
m
= R [ v ]V 0 [ v ] = R [ v ]1
[ v ]V
1
I 0 = 0 = [I]1
0 1
1
[I] = R [I]1 = R 0
0 1
0. 43301
2 3
1
=
2 0. 25
8
4 3
0. 86603
es la primera columna de la matriz de cambio de base rotacin; y ah
ubicas el eje X 0 respecto del sistema XY Z (11 ). El eje Y 0 estar ubicado
haciendo el mismo trabajo para J 0 la segunda columna de R , y similarmente ubicas el tercer eje. La terna ser dextrgira si has tenido la
precaucin de que el determinante de R fuera 1 y no 1.
Y
Z0
X0
Y0
La figura ilustra cmo quedan los ejes del sistema de referencias rotado.
Ejemplo 6.10.
10
124
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
p
Una alternativa es encontrar dos autovectores y calcular el restante mediante producto cruz. Esto est asegurado, porque trabajamos con matrices simtricas.
3
4
1
4
2 3
4
I
v1 v2 = J
K
1
8
= 83 6
14 2
5
3
3
4
6
3
4
6
3
32 3
4
6
3
=
8
3 6 = v3
4 2
y ya est.
6-5.2.
x0 =
b01
2a011
y0 =
b02
2a022
z0 =
donde
b03
2a033
00
0
x = x + x0
y 00 = y 0 + y0
00
z = z 0 + z0
(6.32a)
v 00 = v 0 + v0
(6.32b)
o lo que es lo mismo
(6.33a)
Captulo 6. Aplicaciones
1=
(x00 )2 (y 00 )2 (z 00 )2
(a1 )2
(a2 )2 (a3 )2
(6.33b)
donde respectivamente
r
r
r
c00
c00
00
a1 = a00 , a2 = a00 , a3 = ac 00
1
Ejemplo 6.11.
p
#
2
+ 576 z 0 + 3
= 14400
00 2
00 2
00 2
3600(x ) + 1600 y
+ 576(z ) = 14400
3600 x0 + 1
2
+ 1600 y 0 2
2
y finalmente
= 1
#
Canonicemos
Entonces, el problema est resuelto en parte si escribiramos
x00 2 y 00 2 z 00 2
+ 2 + 2 =1
22
3
5
#
(6.34)
126
JOM - Transformaciones Lineales
Captulo 6. Aplicaciones
debemos ver dnde est el origen del sistema V 00 respecto del sistema V 0 ,
ya que solo hay una traslacin
00
0
x =x +1
y 00 = y 0 2
00
z = z0 + 3
0
0
de ese modo el
= 0
0
0 V 00
0
1
X 00 Y 00 Z 00 est en el punto 2
3
(6.35)
1
+ 2 de modo que el origen de
3 V0
V 0
del sistema X 0 Y 0 Z 0 .
V0
#
Repaso
la secuencia de cambios de coordenadas sigue este patrn
1- Dibuja el sistema de coordenadas V XY Z dextrgiro
2- Representa los ejes del Sistema V 0 X 0 Y 0 Z 0 con los ejes dados por
las columnas de R respecto del sistema V
3- Representa los ejes del sistema V 00 que es la traslacin v0 del sistema
V 0 respecto del sistema V 00
4- Dibuja el grafo de la cudrica canonizada.
X 00
Z 00
Y 00
Y
Z0
X0
Y0
Ejercicio 6.4.
Canoniza
(a)- 5x2 + 5y 2 + 8xy + 4xz + 4yz + 2z 2 = 1
127
Captulo 6. Aplicaciones
1
2
(b)- dada por A =
0
2
2
0 2
3
0
0
y B = 2 1 4 0
0
5 1
0 1
6
Hasta ahora hemos trabajado con matrices de dimensin 2 2 y 3 3, porque el tipo de aplicacin lo requera, asimismo esas matrices eran simtricas.
Sin embargo, qu pasara si nos interesara individualizar las races de los
polinomios caractersticos de una matriz de dimensiones superiores? Y en la
carrera de ingeniera sobretodo las que estn orientadas al control de sistemas dinmicos, aparecern con seguridad.
La pregunta es:
Cmo se encuentran los autovalores para matrices de cualquier orden?
En el apndice D-3.0.2 hemos desarrollado un algoritmo basado en el mtodo de Newton para encontrar las races del polinomio caracterstico de una
matriz simtrica de 3 3, pero tambin encuentras seccin D-3 el mtodo
aludido para hacerlo en forma genrica.
128
JOM - Transformaciones Lineales
Apndice A
Mapeos de trayectorias en el
plano
129
. . . . . . . . . . 130
Cuando se trata de transformaciones en el plano funciones entre conjuntos subyacentes de espacios vectoriales T : R2 R2 que comparten el mismo
cuerpo de escalares R, quisiramos no solamente conocer los transformados
de un vector, sino que de trayectorias. En este apndice ahondamos en este
detalle, aplicando transformaciones lineales y no lineales
Las trayectorias ms comunes que incluso se utilizan para reconocer el
efecto de la ley de transformacin sobre los vectores del plano son el cuadrado unitario y la circunferencia unitaria, y ser cuestin de revisar cmo
modelizamos esas trayectorias, para poder someterlas a las transformaciones
y luego identificar las trayectorias mapeadas.
A-1.
(k, 0)
(1, k)
cu =
(k, 1)
(0, k)
,
,
,
,
k
k
k
k
:0
:0
:1
:1
o en forma paramtrica
1
1
0
0
(A.1)
129
(k, 0)
(1, k 1)
cu =
(3 k, 1)
(0, 4 k)
,
,
,
,
k
k
k
k
[0, 1]
[1, 2]
[2, 3]
[3, 4]
(A.2)
(x, 1 x2 )
, x:1
1
=
(x, 1 x2 ) , x : 1
1
(
(1 2k, 2 k k 2 )
, k [0, 1]
=
2
(2k 3, 2 2 + 3k k ) , k [1, 2]
(A.3)
(A.4)
(A.5)
A-1.1.
Forma parametrizada
A partir de la ec.(A.1)
A partir de la ec.(A.2)
(k, k)
(1 + k, 1 k)
L1 (cu ) =
(k + 1, k 1)
(k, k)
,0
,0
,1
,1
(k, k)
(k, 2 k)
=
(4 k, 2 k)
(4 k, k 4)
(A.6)
, k [0, 1]
, k [1, 2]
, k [2, 3]
= c0u
, k [3, 4]
(A.7)
y=x, 0x1
Para el segundo tramo, hacemos x = 1 + k , x : 1
2e
y = 1 k , con lo que k = x 1 e y = 2 x y en forma
explcita
y =2x, 1x2
Seguimos haciendo x = k+1 , x : 2
que en y = k 1 es, explcitamente
y =x2, 2
1
1 de donde k = x1
Y0
-1
(0, 0) 7 (0, 0)
(1, 0) 7 (1, 1)
(1, 1) 7 (2, 1)
(0, 1) 7 (1, 1)
X0
-1
k [0, 2]
(A.8)
o0u
x2 + y 2 = 2
131
JOM - Transformaciones Lineales
de radio
a
2 ( ).
Y
1.5
( 12 , 12 ) 7 ( 2, 0)
Y0
1
0.5
-0.5
X0
X
0.5
1.5
-1
-1
Ejemplo A.1.
p
,0
(k, k)
(k + 1, 1 2k) , 0
L2 (Cu ) =
(k + 1, k + 2) , 1
(k, 2k)
,1
, [0, 1]
(k, k)
(k, 3 2k)
, [1, 2]
1
(4 k, 1 k) , [2, 3]
0
0 (4 k, 8 2k) , [3, 4]
,x:0
1
y = x
y = 3 2x , x : 1
2
y =x3 , x:2
1
y = 2x
,x:1
0
(cos(k), sen(k)) 7 cos(k) + sen(k) , cos(k) 2 sen(k)
(
x = cos(k) + sen(k)
y = cos(k) 2 sen(k)
x y = 3 sen(k) y 2x + y = 3 cos(k)
2
o sea
de donde
5x2 + 2y 2 + 2xy = 9
(A.9)
132
JOM - Transformaciones Lineales
A0
L2 Y
Y
C
B
O0
X
B0
C0
A-1.2.
mapeado
, k
, x
,0
y = 2x
,0
(1, k) 7 (k + 1, 2 k 2 ) , 0
(k, 1) 7 (k + 1, 2k 1) , 1
y = 1 + 2x x2 , 1
y = 2x 3
,2
2
1
(k, k 2 )
y = x2
(0, k) 7
,1
,1
Forma Parametrizada
original
7 mapeado
rango k
(k, 0)
(1, k 1)
(3 k, 1)
(0, 4 k)
7
7
7
7
k
k
k
k
(k, 2k)
(k, 1 + 2k k 2 )
(4 k, 5 2k)
(4 k, 16 8k + k 2 )
[0, 1]
[1, 2]
[2, 3]
[3, 4]
Y0
(1, 0) 7 (1, 2)
1.5
Y0
(1, 0) 7 (1, 2)
1.5
1
0.5
X0
X
0.5
1.5
0.5
-0.5
0.5
-0.5
X0
X
1.5
-0.5
-0.5
-1
-1
134
JOM - Transformaciones Lineales
Apndice B
Ms sobre mapeos lineales
135
138
. . . . . . . . . . . . . . . . . . . . . .
143
B-4.Traslaciones matricializadas . . . . . . . . . . . . . . . . . . . .
143
B-5.Guin de figura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
144
B-1.
Ejemplo B.1.
Una transformacin lineal mapea los vectores (3, 2) 7 (2, 0) y
(4, 1) 7 (1, 5). Halla la ley de transformacin.
p
Claramente todo sucede en el plano: L : R2 7 R2 . Observa que los vectores B = { v1 = (3, 2), v2 = (4, 1) } forman una base para el dominio.
La matriz asociada sera
"
[ L ] = [ L(e1 )
L(e2 ) ] =
e01
e02
e011 e012
e021 e022
135
L (3, 2) = L 3(1, 0) + 2(0, 1) = L 3e1 + 2e2
= 3e01 + 2e02 = (2, 0)
= 3 (e011 , e021 ) + 2 (e012 , e022 ) = (2, 0)
por linealidad
L (4, 1) = 4e01 + 1e02 = (2, 0)
= 4 (e011 , e021 ) + 1 (e012 , e022 ) = (1, 5)
similarmente
()
()
0
3e11 + 2e012 = 2
3e0 + 2e0 =
0
21
22
4e011 + 1e012 = 1
0
4e21 + 1e022 =
5
Es un sistema de cuatro incgnitas, pero est desacoplado, de manera que
A)
3e011 + 2e012 = 2
B)
4e0 + 1e0
11
12 = 1
3e021 + 2e022 = 0
4e0 + 1e0
21
22 = 5
Y como la matriz de los coeficientes es la misma para ambos casos, tambin podemos escribir
#
" 0
0
3 2 e11 e21
2 0
=
0
4 1 e0
1 5
12 e22
#
" 0
e11 e012 3 4
2 1
=
0
5
e021 e022 2 1
0
L B = B
trasponiendo1
lo cual es
y , 2x 3y .
136
JOM - Transformaciones Lineales
V0
V
L
B0
[ L ] [ vi ] = [ vi0 ]
es decir, las columnas de B 0 . . .
[ L ] [ B ] = [ B0 ]
y como por propiedad de matriz de transicin de una base, siempre existe la inversa de [ B ], podemos escribir queda
[ L ] = [ B 0 ] [ B ]1
y ya est: tanto [ B ] cuanto [ B 0 ] son nicas, de modo que el producto
ser nico.
a
137
JOM - Transformaciones Lineales
CV .
Ejemplo B.2.
A travs de una cierta transformacin lineal U , la imagen de (2, 1)
es 2 + 3x x2 , y la imagen de (5, 3) es x + 2x2 . Halla la ley de U .
p
De acuerdo con el resultado de la proposicin B.1, y teniendo en cuenta
que las matrices involucradas son
[B ] =
2 5
1
3
2 0
[ B ]0 = 3 1
1 2
6 10
1
entonces la matriz asociada es [ U ] = 11
8 17 , de donde la ley
5 1
6a + 10b 8a + 17b
5a + b 2
U : R2 P2 | U (a, b) =
+
11
11
11
que es la ley solicitada.
Nota que cuando tienes el resultado de la proposicin, el clculo es elegante y sencillo, sin embargo: evita quedarte con la frmula ; sta la calculamos
como ejemplo de aplicacin de conceptos con la esperanza de mostrarte un camino que te servir cuando debas encontrar relaciones en otro contexto.
B-2.
I (L) = {v 0 V 0 | v V v 0 = L (v)}
Y el ncleo de la TL como el conjunto del dominio que se mapea en el vector
nulo
N (L) = {u V | L (u) = V 0 }
La figura B.2 muestra el pictograma de lo que estamos hablando
L
V0
V0
B-2.1.
1 0
Ejemplo B.3.
Para la TL en el plano, dada por [T ] =
, halla su imagen
2 0
p
1 0
x
x
la imagen del vector genrico es
=
, . . . que es el
2 0
y
2x
subespacio
Ejemplo B.4.
1 3
, halla su imagen
2 4
p
Estamos tratando de ver dnde se mapean todos los vectores del plano
debido a la TL M . En este caso
1 3
2 4
x
x + 3y
=
y
2x + 4y
139
JOM - Transformaciones Lineales
El ejemplo B.4 nos permite concluir que en los casos [L] Rnn , si
det ([L]) = 0, la imagen de L es todo el espacio codominio, y an ms: la transformacin inversa quedar representada por la matriz asociada inversa.
La pregunta es Cundo sucede que la transformacin lineal tiene como
imagen todo el codominio? Estamos preguntando si la TL es sobreyectiva.
En este caso la dimensin del dominio dim(V) = n no debera ser menor
que la del codominio dim(V 0 ) = m En trminos de las dimensiones de la
matriz asociada, [ L ] Rmn tendr al menos la misma cantidad de columnas
que de filas. La condicin es necesaria, pero no suficiente.
Claramente puedes ver que el conjunto imagen de una transformacin lineal es un subespacio del espacio vectorial que acta como codominio de la
TL.
Para probar formalmente que el conjunto imagen de una transformacin
lineal es subespacio del codominio, puedes proceder de la manera que sigue:
Transforma un elemento genrico del dominio escrito como combinacin lineal
de una base. Obtendrs una combinacin lineal genrica de los transformados
de la base. . . que es la definicin del conjunto generado por el conjunto de los
transformados de la base (en V 0 ), y por tanto un subespacio de V 0 .
Qu pasara si se diera que el transformado de cualquier base del dominio
fuera base del codominio? La pregunta apunta a la sobreyectividad o no de
la TL
B-2.2.
N (L) = {u V | V 0 = L (u)}
en los ejemplos anteriores:
1 0
Ejemplo B.5.
Para la TL en el plano, dada por [T ] =
, halla su ncleo.
2 0
p
1 0
x
x
La imagen del vector genrico es
=
, . . . que si se la
2 0
y
2x
140
JOM - Transformaciones Lineales
iguala al vector nulo es
x
2x
=
0
, que se satisface slo con x = 0. La
0
Lo puedes comprobar. . .
N (T ) = {(0, y)}
1 0
0
0
=
2 0
y
0
Ejemplo B.6.
En este caso
1 3
2 4
x
y
=
1 3
, halla su ncleo.
2 4
0
,
0
como
tiene inversa:
matriz
1 asociada
la
1 3
x
=
2 4
y
0
existe nica solucin x = y = 0, y por tanto
0
N (M ) = {(0, 0)}
Ya hemos probado que no son vacos (condicin de partida para los subespacios); por
tanto falta probar que la suma de dos elementos del ncleo tambin est en el ncleo, y que
el escalado de un elemento del ncleo vive en el ncleo. Lo mismo para la imagen.
141
JOM - Transformaciones Lineales
(B.1)
Ejercicio B.1.
4 1 2 3
sea la TL T : R4 R3 dada por [T ] = 2 1
1 4
6 0 9
9
a) decide si los vectores v1 = (0, 0, 6), v2 = (1, 3, 0), y
v3 = (2, 4, 1), estn en la imagen de T
b) decide si los vectores w1 = (3, 8, 2, 0), w2 = (0, 0, 0, 1), y
w3 = (0, 4, 1, 0), estn en el ncleo de T
c) halla el rango y la nulidad de T
Rango: en ingls rank significa rango, como el de la matriz. En ingls range significa
conjunto imagen y en oportunidades, codominio. Ambos vocablos se traducen ambiguamente,
como rango. En este libro no usamos la palabra rango para nombrar conjuntos.
4
Recuerda que el rango de una matriz es el nmero de columnas (o filas) linealmente
independientes de la matriz, y este rango es la dimensin del conjunto imagen de la transformacin.
142
JOM - Transformaciones Lineales
Ejercicio B.2.
B-3.
Desde que hemos probado que una transformacin lineal tiene la propiedad de que puede proponerse [ L ] [ v ] = [ v 0 ], y esta no es ms que un sistema
de ecuaciones lineales, podemos hacer comparaciones interesantes con el sistema A x = b:
Por ejemplo: el ncleo de la transformacin lineal es lo mismo que el ncleo, kernel o espacio nulo de la matriz asociada.
B-4.
Es
Traslaciones matricializadas
claro
T (x, y)
=
que
una
T : R2 R2 | T ((x, y)) = (x + x0 , y + y0 )
puedes encontrar una matriz asociada, y en ese aspecto parecera que puedes verla como una entre dos espacios que ya no sern R2 desde los
cuales la transformacin se ve lineal .
La idea es: hagamos que la transformada del vector v sea el vector v 0 y que
la relacin sea
v 0 = m v + v0
donde v0 es una constante y m es la matriz asociada a la parte lineal de la relacin. Parece hasta natural que hagamos un cambio de variables y escribamos
143
JOM - Transformaciones Lineales
la relacin como
"
v0
"
=
m v0
#"
v0 = m
bv
donde la relacin se ve como si fuera lineal nota (importante) que ya estamos fuera de la formalidad de los espacios vectoriales, solamente queremos
aprovechar lo que sabemos del lgebra matricial
Ejemplo B.7.
p
Podemos proponer una matriz como
1 0 1
x
x+1
0 1 2 y = y + 2
0 0 1
1
1
Como si fuera una funcin que va del plano z = 1 a s mismo. La expresin
de arriba tiene todo el aspecto de
0
T [u] = [v]
donde la relacin se ve lineal aunque no lo sea.
En una entrada de apndice posterior Apndice C-1, hemos de completar este abordaje, refirindonos a una roto-traslacin.
B-5.
Guin de figura
V(:,k) = R*V(:,k-1);
E = [z V(:,k-1:k)];
x = abs(1-0.5*(2*(k-2)/(N-1)-1)^2);
patch(E(1,:),E(2,:),E(3,:),[0 x 0],FaceAlpha,0.8, %
EdgeAlpha,0);
end
gr = .9*[1 1 1];
mr = [128 64 64]/256;
set(fig,color,gr,Name,Utilice cono Rotate3D);
set(gca,Zcolor,gr,Ycolor,gr,Xcolor,gr,XDir,%
reverse,YDir,reverse)
text(0,0,2.1,{\it{\bfZ}});
%Nombres de ejes
text(0,2.1,0,{\it{\bfY}}); text(2.1,0,0,{\it{\bfX}});
mo = [0 0 0 0 0]; mm = [0 1 1 0 0]; md = [0 0 1 1 0];
patch(2*mm,2*mo,2*md,.7*[1 1 1],FaceAlpha,0.5,EdgeAlpha,0);
patch(2*md,2*mm,2*mo,[.9 .9 .8],FaceAlpha,0.5,EdgeAlpha,0);
patch(2*mo,2*md,2*mm,.6*[1 1 1],FaceAlpha,0.5,EdgeAlpha,0);
v = [zeros(3,1) V(:,ceil(N/3))];
line(v(1,:),v(2,:),v(3,:),color,[.2 .2 1],LineWidth,2);
line(V(1,:),V(2,:),V(3,:),color,[0 .8 0]);
view(3); axis image
a = v(4); b = v(5); c = v(6); h = 1.8; p = 0.05;
line(a*(mo+1),md*b,mm*c,Color,mr)
line(a*(mo),md*b,mm*c,Color,mr)
line([0 a NaN 0 a NaN 0 a NaN],[b b NaN b b NaN 0 0 NaN],%
[0 0 NaN c c NaN c c NaN],Color,mr)
H = [h h 2 h]; P = [0 p 0 0];M = [0 0 0 0];
patch(H,P,M,k,FaceAlpha,1,EdgeAlpha,0)
patch(H,M,P,k,FaceAlpha,1,EdgeAlpha,0)
patch(P,H,M,k,FaceAlpha,1,EdgeAlpha,0)
patch(M,H,P,k,FaceAlpha,1,EdgeAlpha,0)
patch(M,P,H,k,FaceAlpha,1,EdgeAlpha,0)
patch(P,M,H,k,FaceAlpha,1,EdgeAlpha,0)
%FIN rotax.m
145
JOM - Transformaciones Lineales
146
JOM - Transformaciones Lineales
Apndice C
Ms sobre Isometras
C-0.1. Reflexin respecto de una recta cualquiera en el plano . . 147
C-0.2. Definiciones importantes . . . . . . . . . . . . . . . . . . . 149
C-0.3. Espacios Normados . . . . . . . . . . . . . . . . . . . . . . 151
C-1.Rotacin alrededor de un punto que no es el origen de coordenadas en el plano . . . . . . . . . . . . . . . . . . . . . . . . . . . .
153
u, dado por y = mx
2v
u
vu
v0
X
Figura C.1: Reflexin alrededor de una recta cualquiera
Nota que vu es la proyeccin de v sobre la direccin de u. Naturalmente, u
es la direccin de la recta y = mx, es decir u = (1, m). Este modelo nos sirve
147
[v 0 ] = [Ru ] [v]
claramente se ve en la figura C.1 la relacin
v 0 = 2vu v
Podemos pensar que hay dos transformaciones lineales:
la primera, Pu , que mapea v en 2vu , dos proyecciones sobre el eje u, y
la segunda,Op , que mapea v en su opuesto v , simblicamente. . .
Pu : R2 R2 | Pu (v) = 2vu
Op : R2 R2 | Op (v) = v
y. . .
000
00
[v ] = [P ] [v]
[v ] = [Q] [v]
[Ru ] = [P ] + [Q]
La matriz Q es simplemente I =
1
0
.
0 1
El problema es entonces encontrar la matriz asociada [P ] a la transformacin Pu . Como siempre, mapearemos la base cannica proyectando sobre u.
El vector proyeccin de v sobre u es colineal con u, y el mdulo es simplemente
el producto escalar de v contra un versor de u
vu =
vu u
vu
=
u
|u| |u|
uu
(1, 0) (1, m)
Pu (e1 ) = 2
(1, m) =
1 + m2
2
2m
,
1 + m2 1 + m2
2
1 + m2
[Pu (e1 )] =
2m
2m
1 + m2
[Pu (e2 )] =
2m2
1 + m2
1 + m2
Recuerda en las secciones 2-4.1 y 2-4.2 que la transformacin suma de dos transformaciones lineales, o la de una TL escalada, es tambin lineal.
148
JOM - Transformaciones Lineales
2
[P ] =
1 + m2
"
m m2
Y la matriz buscada es
2
[Ru ] =
1 + m2
"
1
=
1 + m2
m m2
"
+
0 1
1 m2
2m
2
2m
m 1
Ejercicio C.1.
encuentra la matriz asociada a la reflexin sobre la direccin dada por y = x. (Comprueba el resultado con un ejercicio
similar ya hecho)
Ejercicio C.2.
C-0.2.
Definiciones importantes
Un isomorfismo es una transformacin biyectiva entre espacios de la misma dimensin. Dos conjuntos son isomorfos si se puede definir entre ellos una
transformacin uno a uno, es decir: cada elemento de un conjunto est relacionado con uno y solo un elemento del otro conjunto y viceversa.
Como lo que sucede en una transformacin inversa: si L : V V 0 | L (v) = v 0 ),
su transformacin inversa, tal que
S : V 0 V | S (L (v)) = v
Hagamos S = L1 .
V0
V
L
v
L(v) = v 0
v0
L1 (v 0 ) = v
L1 (L(v)) = v
L1
(V 0 , , K, ) tal que
f (u + v) = f (u) f (v)
f (k v) = k f (v)
149
JOM - Transformaciones Lineales
(C.1)
Los elementos vector posicin o punto del espacio 2dimensional, y los nmeros complejos vienen de estructuras diferentes; slo comparten el hecho de ser
isomorfos.
Inyectiva: un elemento de la imagen tiene una sola pre-imagen, o: distintos elementos del
dominio tienen distintas imgenes.
3
Sobreyectiva : todos los elementos del codominio tienen preimagen, o : el conjunto de las
imgenes es igual al conjunto del codominio
4
Biyectiva : si es a la vez inyectiva y sobreyectiva, o sea hay una relacin uno a uno entre
los elementos del dominio y el codominio, y por lo tanto visto desde arriba ambos conjuntos
son intercambiables
5
Aunque, como en el caso de los reales pueden pensarse como vectores haciendo
(R, +, R, ) de dimensin 1 pueden ser vectores de un espacio vectorial al formar por ejemplo
el espacio (C, +, R, ) de dimensin 2, as como el espacio (C, +, C, ) de dimensin 1
150
JOM - Transformaciones Lineales
C-0.3.
Espacios Normados
Las isometras se refieren a espacios normados, es decir espacios vectoriales donde se puede definir una al menos una norma (concepto muy asociado a distancia). La norma de un vector v se nota kvk . Las normas las puedes
pensar como funciones que tienen condiciones adicionales que cumplir.
N1 : kvk 0
es no negativa
N2 : kvk = 0 v =
(C.2)
N3 : kk vk = |k| kvk
escalamiento
N4 : ku + vk kuk + kvk
desigualdad triangular
Muchas veces las normas estn asociadas a los productos escalares definidos
en un espacio vectorial.
Prueba
en { Rn , +, R, } el producto escalar ms comn es: u v =
i=1 ui vi , exactamente el que conoces.
El resultado es un nmero real (ley de composicin externa).
Pn
Prueba
en { Cn , +, C, } el producto escalar ms comn es: u v =
Pn
kvk2 =
vv
p
= hv, vi
q
= v12 + v22 + + vn2
q
= [v]> [v]
producto escalar
(C.3a)
producto interno
(C.3b)
distancia (componentes)
(C.3c)
matriz de coordenadas
(C.3d)
kvk2 = |v|
en
Rn mdulo
(C.4)
(C.5)
Ejercicio C.3.
Ejercicio C.4.
1 2
2 1
es kAk2 = 3.
Ayuda: v =
cos
sen
es de norma 2 unitaria,
luego v 0 = Av , y |v 0 | =
5 + 4 sen 2
d|v 0 |
Comprueba
que la norma infinito inducida para la matriz
A=
1 2
2 1
es kAk = 3.
1
...
1
|f (t)| dt
0
Hemos visto que a cualquier espacio vectorial se lo puede dotar de una norma.
Todas las normas definibles para un espacio vectorial son equivalentes:
kvkX = k0 kvkY
152
JOM - Transformaciones Lineales
k T (v)kW = kv 0 kW = k0 kvkV
(C.6)
C-1.
B 0000
B
b
A A0000
a
k
1 0 k
[ T1 ] = 0 1 h
0 0
1
traslada A al origen
0 a
traslada el segmento AB al 0B 0 = 0 b
1 1
La matriz asociada a la rotacin es
cos sen
[ T2 ] = sen
cos
0
0
0
0
1
rota B a B
1 0 k
[ T3 ] = 0 1 h
0 0 1
traslada el origen a
153
JOM - Transformaciones Lineales
A0000
1 0 k
cos sen 0
1 0 k
= 0 1 h sen
cos 0 0 1 h
0 0 1
0
0 1
0 0
1
k
a cos b sen + k
=
h
a sen + b cos + h
1
1
o aplicando [ T ] a las diferencias
a
a cos b sen
[ T ] b = a sen + b cos = AB 0000
0
0
naturalmente, T (AB) y AB tienen el mismo mdulo. Concretando, la transformacin T que hace girar todas las cosas un ngulo , a partir del punto A
es
T : R2 R2 |
T (x, y) = k + (x k) cos + (h y) sen ,
h + (x h) sen + (y h) cos
x
. . . como puede comprobarse luego de hacer [ T ] y , y eliminar la tercera
1
ficticia componente.
154
JOM - Transformaciones Lineales
Apndice D
Mas sobre autovalores y
autovectores
D-1.Teorema de Cayley-Hamilton
. . . . . . . . . . . . . . . . . . . . .
155
158
163
. . . 168
Tratamos algunas demostraciones interesantes, y el teorema de CayleyHamilton, muy usado en la teora de control de sistemas dinmicos.
D-1.
Teorema de Cayley-Hamilton
155
Podemos comprobarlo
con los ejemplos que hemos desarrollado, en particular
1 2
, cuyo polinomio caracterstico es A () = |I A| =
2 1
2 2 3, entonces el teorema se aplica a A en la forma:
cuando A =
A (A) = A2 2A 3I
2
1 2
=
2
2 1
5 4
2
=
4 5
4
0 0
=
0 0
=
1 2
2 1
4
3
2
0
3 0
0 3
0
3
D-1.1.
Polinomio Mnimo
pA () =
Este es otro resultado que tambin se usa en ingeniera. Cobrar sentido como
apndice del prximo captulo, cuando no puedas diagonalizar una matriz, y
te conformas con dejarla casi diagonal, lo que se llama la forma cannica
de Jordan.
7 16 8
Para la matriz A = 16
7
8 del ejemplo 4.11, hemos
8
8 5
Ejemplo D.1.
calculado que. . .
p
. . . el polinomio caracterstico es A () = (+9)2 (27), y el TCH asegura
156
JOM - Transformaciones Lineales
que
20
4 4 2
1
=
4
4
2 16
144
8
2
2
1
16 8
20
8
8 32
0 0 0
16 8
20
8 = 0 0 0
0 0 0
8 32
D-1.2.
Lo haremos para una matriz de n = 4, pero el resultado puede generalizarse para cualquier n.
Recuerda que
A (x) = x4 + a3 x3 + a2 x2 + a1 x + a0
para una raz cualquiera x = tenemos que
A () = 0
A v = v
A2 v = A A v = Av = A v = 2 v
A3 v = A A2 v = A2 v = 3 v
A4 v = A A3 v = A3 v = 4 v
Luego...
A (A) v = (A4 + a3 A3 + a2 A2 + a1 A + a0 I) v
= A4 v + a3 A3 v + a2 A2 v + a1 A v + a0 I v
157
JOM - Transformaciones Lineales
= 4 v + a3 3 v + a2 2 v + a1 v + a0 I v
= (4 + a3 3 + a2 2 + a1 + a0 I) v
= A () v
=0v
=
Entonces, en general
Pn
k
Si A (x) =
an = 1 es el polinomio caractek=0 ak x ,
rstico de una matriz A de n n, y es un autovalor de
A, entonces
P
A () = nk=0 ak k = 0 y adems
A (A) =
D-2.
Matrices relacionadas
autovector
D-2.1.
sus
Pn
k=0
ak Ak =
pares
autovalor-
Escaladas
Lema D.1. Sea A una matriz con un par autovalor- autovector , v ; el co
rrespondiente de B = kA ser k, v , provisto que k 6= 0.
Prueba
Supongamos por ahora que el par a-a para B = kA fuera (, w), entonces
debe darse que
Bw = w
158
JOM - Transformaciones Lineales
= (I B) w = k I kA w
k
=k
IA w =
k
pero como para A se cumple (, v), la ltima es
k (I A) v =
recogemos naturalmente que ten en cuenta que k no es cero, ni w ni v
son el vector nulo debe ser w = v y = k, y ya est.
D-2.2.
Inversas
Prueba
Supongamos que una matriz tiene un autovalor cero, asociado a un autovector v , por propiedad de espacio vectorial el producto 0v es el vector
nulo
Av = v = 0v =
en definitiva para ese par se cumple queda
Av =
, admitamos ahora que existe la inversa de A
A1 Av = A1
==v
absurdo
el sostener que A en esas condiciones admite inversa, requiere el imposible de que el autovector asociado sea nulo, con lo cual A no admite
inversa, y ya est.
Prueba
Supongamos A invertible. El contra-recproco del lema anterior nos permite afirmar que 6= 0 en la lgica, p q es equivalente a su contra-
159
JOM - Transformaciones Lineales
recproco q p entonces
1 v = 1 A1 Av
1
matriz identidad
= A v
asociatividad y
=A v
Av = v
A1 v = 1 v
recogemos naturalmente que el par a-a de la inversa es (1 , v) y ya est.
D-2.3.
Producto
Prueba
Supongamos que existen AB y BA, lo cual significa que ambas son cuadradas y de la misma dimensin. Supongamos que una de ellas A es
invertible. De esta manera el polinomio
|I AB| = |I A1 (AB)A|
= |I BA|
por similaridad,
A es invertible
AB : , v A1 ABA = BA : , A1 v
160
JOM - Transformaciones Lineales
T r (A) =
n
X
aii , por ejemplo T r
i=1
1 9
2 5
=1+5=6
A () = 2 T r (A) + |A|
Prueba
a11 a12
Sea a matriz A =
, sabiendo que el determinante y la traza de
a21 a22
A se calculan como
|A| = a11 a22 a12 a21
Tr(A) = a11 + a22
(D.1)
(D.2)
a11
a12
A () =
a21 a22
Matrices de 3 3 A () = 3 T r (A) 2 +
3
P
|Aii | |A|
i=1
Prueba
Recordemos que |Aij | es el determinante del menor que queda despus
de retirar la fila i y la columna
j de la matriz A.
161
JOM - Transformaciones Lineales
de A se calculan como
(D.3)
(D.4)
a11
a
a
12
13
A () = a21 a22
a23
a31
a32 a33
a
a
12
13
+ a32 a11 a13
= a31
a22 a23
a21 a23
a11
a12
+ ( a33 )
a21 a22
= T r(A) +
3
X
|Aii | |A|
i=1
y ya est.
D-2.4.1.
A (s) = s2 4s + 4
A (z) = z 4z + 4
L|F
Transformada Zeta
L (f (t)) =
es t f (t)dt
T. Laplace unilateral
es t f (t)dt
T. Laplace bilateral
L (f (t)) =
162
JOM - Transformaciones Lineales
ej t f (t)dt
F (f (t)) =
T. Fourier
Ambas anteriores son para funciones de tiempo continuo. Finalmente las Zeta,
que son para funciones de tiempo discreto.
Z (f (t)) =
Z (f (t)) =
X
0
f (n T )z n
T. Zeta unilateral
f (n T )z n
T. Zeta bilateral
D-3.
0 (0 ) =
(0 )
0 1
163
JOM - Transformaciones Lineales
()
(0 )
3
0
m0
(1 )
m2 m1
de donde
1 = 0
(0 )
0 (0 )
k+1 = k
(k )
0 (k )
(D.5)
Ejemplo D.2.
p
0
2
La derivada de la funcin es d
d = () = 3 10 4, cuyos ceros
1
0
(c ) = 0 se dan en c = 3 (5 37), es decir que entre dos puntos
crticos en el intervalo [0.4283, 3.7616], debe haber una raz; utilicemos la
164
JOM - Transformaciones Lineales
semilla 0 = 0.3 y efectuemos los clculos iterativos que indica la ec. (D.5):
(0.3)
= 3.03060921248
0 (0.3)
(3.03060921248)
= 3.03060921248 0
(3.03060921248)
(1.51846303533)
= 1.51846303533 0
(1.51846303533)
(1.99930202736)
= 1.99930202736 0
(1.99930202736)
(1.99999995946)
= 1.99999995946 0
(1.99999995946)
(2)
=2 0
=2
(2)
1 = 0.3
1
1
1
1
1
= 1.51846303533
= 1.99930202736
= 1.99999995946
=2
La raz buscada es 2.
Detalles
Cuando sucede como en este caso que la raz
es entera no hay dudas que la sucesin
:
165
JOM - Transformaciones Lineales
D-3.0.2.
Usa esta tcnica para encontrar buenas semillas para el posterior clculo
de las races de un polinomio caracterstico de una matriz A R33 simtrica
mediante el mtodo de Newton-Raphson, cuando el polinomio caracterstico
est dado el la forma general. . .
A () = a0 + a1 + a2 2 + 3
= ( 1 ) ( 2 ) ( 3 )
. . . que est asegurado si procedes a calcular el polinomio caracterstico con
la expresin |I A|. Procede de la siguiente manera:
D-3.0.2.1.
Algoritmo
Semillas
p
a22 3a1
a2
B=
; 0 =
3
3
>0
P = 0 B
Q = 0 + B
() =
( 0 )3
(P )
(Q )
0,0 = 0
0,1 = P B
0,2 = Q + B
=0
=0
= ( Q )2 ( K )
= ( P )2 ( K )
0 = P B
0 = Q + B
Fin
Figura D.2: Algoritmo obtencin de semillas A = A> R33
Las semillas que calcula el algoritmo de la figura D.2 valen para calcular
recursiva y tal vez aproximadamente las races del polinomio mediante la
166
JOM - Transformaciones Lineales
A (k )
A0 (k )
3 + a2 2 + a1 k + a0
= k k 2 k
3k + 2a2 k + a1
3
2 + a2 2k a0
= 2k
3k + 2a2 k + a1
k+1 = k
(D.6)
1
1 2 0
2
0
A= 2 2 0
por fila 3 . . . |I A| =
2 2
0
0 0 3
0
0 3
A () = ( 3) [( 1) ( 2) 4]
= ( 3) 2 3 2
resolviendo slo la parte de segundo grado, tienes
A () = ( 3)
3+ 17
3 17
2
Este
lo podrs hacer tambin cuando la matriz A de la forma
procedimiento
a d e
A = d b f cumpla con cualquier expresin
e f c
ba=
e
f
e f
d;
cb=
e d
d e
f;
ca=
f
d
d f
e
a d e
Por ejemplo la matriz A = d a e cumple con la primera
e e c
167
JOM - Transformaciones Lineales
x a d
e
d x a
Lnea 1 -Lnea 2 arroja
e
e e x c
x a + d (x a + d)
0
d
xa
e
e
e
xc
1
1
0
(x a + d) d x a
e
e e x c
ya tienes un factor
eliminando
e, d()
1
1
0
(x a + d) 0 x a d
e
0
2e
xc
Ese nuevo determinante, por ms complicado que se vea, ser un polinomio de grado 2, de cual calculars los otros dos
valores caractersticos.
D-3.0.3.
A () = a0 + a1 + a2 2 + 3
tenga tres races reales, por lo que la tcnica anterior no ha de funcionar
siempre. Lo que puedes hacer en este caso es
1. Halla un intervalo simtrico [r , r], donde seguro estn todas las races
reales:
168
JOM - Transformaciones Lineales
Apndice E
Ms an sobre autovalores y
autovectores
E-1.Aplicacin de una transformacin ms de una vez
. . . . . . . .
169
171
E-3.Base ortonormal . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
172
. . . . . . . . . . . . . . . . 175
E-1.
[v 0 ] = [L] [v]
y luego
[v 00 ] = [L] [v 0 ]
[v 00 ] = [L]2 [v]
hasta ac no hay nada nuevo, se trata de hallar la composicin L2 = L L
E-1.1.
La pregunta es:
Cmo sera la matriz asociada final si se tomara la base de autovectores de
169
[ L ]?
La respuesta viene luego del anlisis. . . estamos proponiendo que
L : V V | v 0 = L (v)
y entonces
[v 0 ]1 = [L1 ]1 [v]1
= Q1 [L] Q
1 0
0 2
= ..
..
.
.
0 0
[v]1 = DL [v]1
0
v1
0 v2
. .
..
. .. ..
n
vn
Claramente
[ L2 ] = Q1 LQ Q1 LQ = Q1 L2 Q
= DL DL = DL2
(
di,i = i
= (di,j ) donde
di,i = 0
Es una matriz diagonal con los autovalores al cuadrado en la diagonal.
E-1.2.
Movimiento de un autovector
Lv = v
L2 v = Lv = 2 v
Ln v = n v
nmeros, haz clic derecho y elige Crea Matriz. Renombra la matriz creada a
L. Define un nuevo punto en la vista grfica, llmalo v. Vuelve a la planilla, en
C1 escribe =L*v, en C2 escribe =L*C1. Selecciona C2. Copia esto hasta C20,
para tener 21 puntos.
Por otro lado, si se utilizara un vector NO Autovector para hacer el experimento, el resultado no ser una lnea recta: cada vez que se mapee sucesivamente ese vector, no conservar la direccin. Puedes encontrar una transformacin lineal que bajo este experimento describa una espiral?, es decir, algo
como la figura
E-2.
Espacios invariantes
Dada una TL L : V V , con dim (V ) = n finita, un conjunto de autovectores Ei = { v1 , v2 , , vk } todos asociados a un mismo autovalor i , es generador
de un subespacio.
Si el conjunto contiene el mximo nmero de autovectores linealmente independientes asociados al mismo autovalor, el espacio generado se denota Ei de
V ...
Ei = {u | L (u) = i u}, tales espacios se denominan subespacios invariantes y
son muy utilizados en la teora de control de sistemas fsicos dinmicos que
pueden describirse por ecuaciones diferenciales ordinarias, con nombres y
conceptos especficos.
Prueba
Sea A la matriz asociada a la transformacin lineal L. Y sean cada uno
de los autovectores v1 , v2 , , vk asociados a un autovalor i . Todos los
vj cumplen con la relacin
A vj = i vj
j = 1, 2, , k n
(
Ei =
u|u=
k
X
)
j vj
j=1
171
JOM - Transformaciones Lineales
conjunto cumple A u = i u
Au =A
k
X
j vj
la definicin de
j=1
k
X
A (j vj )
j (A vj )
escalamiento en matrices
j=1
k
X
j=1
k
X
j i vj
par autovalor-autovector
j=1
= i
k
X
j vj
i es constante en sumatorio
j=1
= i u
donde hemos probado que cualquier combinacin lineal de los autovectores de un mismo autovalor tambin es autovector del mismo autovalor,
y todos ellos forman un subespacio Ei de dim (Ei ) k nada hemos
dicho acerca de la dependencia o independencia de los autovectores
v1 , v2 , , vk , entonces esta prueba vale tambin para el caso de una
base de autovectores asociados a un solo autovalor.
Formalmente un subespacio invariante se da en las transformaciones lineales de un espacio en s mismo T : V V donde la imagen de un subespacio es
otro subespacio.
E-3.
Base ortonormal
BN = { u1 , u2 , , un } | gen(BN ) = gen(B) ; ui uj = 0 i 6= j
En otras palabras, estamos tratando de encontrar una matriz de diagonalizacin ortogonal.
Este concepto no est solamente ligado a los espacios euclidianos, pero
nosotros nos limitamos a ellos.
172
JOM - Transformaciones Lineales
Ejemplo E.1.
Encuentra una base ortonormal para el espacio generado por
B1 = { v1 , v2 }, siendo los vectores v1 = (2, 1, 0, 0) y v2 = (1, 1, 0, 0).
p
Es evidente que B1 no es ortonormal, ya que |v2 | > 1, y adems v1 v2 6= 0.
Este es un caso para poner en prctica la idea, porque puedes resolverlo
sin necesidad de teora alguna: construye el subespacio generado por B1 ,
el cual es S = {(x, y, 0, 0)} de donde obtienes BN 1 = {(1, 0, 0, 0) , (0, 1, 0, 0)}
por inspeccin.
Para desarrollar la idea, daremos dos mtodos para encontrar una base
BN = {u1 , u2 } que sea ortonormal.
1- Mtodo uno
1- a. Construyamos el espacio generado por B1
1- b. Tomemos un vector con la mayor cantidad de ceros
1- c. Propongamos otro vector del espacio, que adems sea normal a todos
los anteriores
1- d. Repitamos 1-c hasta agotar la cantidad de vectores normales necesarios
1- e. Dividamos cada vector encontrado por su mdulo y presentemos la
base
No es necesario decir que este mtodo en este caso lleva a la base encontrada en primer trmino.
2 - Mtodo dos.
Tomamos directamente el primer vector u1 = v1 y formamos u2 = v2 k1 u1 , de manera que como u1 y u2 deben ser normales el
producto escalar(1 )
u1 u2 = u1 v2 k1 u1 u1 = 0 k1 =
en este caso
k1 =
u1 v2
u1 u1
(2, 1, 0, 0)(1, 1, 0, 0)
5
=
(2, 1, 0, 0)(2, 1, 0, 0)
3
de donde
5
3
(1, 1, 0, 0) (2, 1, 0, 0)
5
5
= (1, 2, 0, 0)
u2 =
Esto parece tedioso, pero es el mtodo ms directo que garantiza la obtencin de la base ortonormal.
1
173
JOM - Transformaciones Lineales
E-3.1.
Mtodo de Grahm-Schmidt
Mtodo de Grahm-Schmidt
1.
tomar
u1 = v1
2.
para k : 2 . . . n
uk = vk
3.
para todo k
uk =
uk
|uk |
k1
X
ui vk
i=1
ui ui
ui
Prueba
La demostracin es sencilla, supondremos tener la base de n vectores vi ,
y haremos los clculos que nos dice el mtodo
2a) u2 = v2
u1 v2
u1 , luego el producto escalar es(a )
u1 u1
u1 u2 = u1 v2
b) u3 = v3
u1 v2
u1
u1 = 0
u1
u1
u1 v3
u2 v3
u1
u2 y los productos escalares
u1 u1
u2 u2
u1 u3 = u1 v3
u2 v3
u1 v3
:0
u1 u1
u1
u
2
u1 u1
u2 u2
=0
u2 u3 = u2 v3
u1 v3
: 0 u2 v3 u u
u2
u
2
2
1
u1 u1
u2 u2
=0
porque ya habamos probado que u1 u2 = u2 u1 = 0
c) repetimos lo anterior, hasta agotar los vectores. Siempre se dar
que
uk ur = vk ur
u1 vk
u2 vk
u3 vk
u1 ur
u2 ur
u3 ur
u1 v1
u2 u2
u3 u3
uk1 vk
uk1 ur
uk1 uk1
174
JOM - Transformaciones Lineales
u1 v2
u1 u1
es un escalar
E-3.2.
Ejemplo E.2.
p
u1 = (1, 0, 0, 1)
2
(1.0, 0, 1) = (0, 1, 0, 0)
2
u2 =
(1, 1, 0, 1)
u3 =
3
6
2
(2, 3, 1, 1) (1, 0, 0, 1) (0, 1, 0, 0)
2
2
2
= (1, 0, 2, 1)
con lo que la base pedida es
BN =
1
1
, 0, 0,
2
2
1
2 1
, (0, 1, 0, 0) , , 0, ,
6
6 6
y
p
no descartemos el mtodo del espacio generado
S = {(x, y, z, z + x)}
de donde podemos extraer dos vectores ralos normales entre s (la dimensin es tres), como si se tratara de la base cannica y actuemos sobre un
tercero.
u1 v3 = 0
y=0
v2 v3 = 0
z + 2x = 0
175
JOM - Transformaciones Lineales
por lo que
u3 = (1, 0, 2, 1)
con lo que
BN =
(0, 1, 0, 0) ,
1
1
, 0, 0,
2
2
1
2 1
, , 0, ,
6
6 6
las bases halladas no sern en general las mismas, como en este caso; que
fueron obtenidas de esa manera slo con fines didcticos
function B = baseort(A)
%
BASEORT Ortogonalizacin
de
bases.
%
uso: BaseOrtogonal = baseort(Base)
%
Base: matriz cuyas columnas son
%
los vectores de la base
m = cell(3,1);
m{1}= sprintf(\t argumento: matriz Base a Nomalizar);
m{3}= sprintf(\t A No es linealmente independiente);
if nargin~=1,error(m{1});end
[f,c]= size(A);G = A.*A;g=det(G);
176
JOM - Transformaciones Lineales
2:N
A(:,k);V=W.*v;
v - W*(V./U);B(:,k)=u;
B(:,1:k);U=[U;u.*u];
baseort.m
177
JOM - Transformaciones Lineales
178
JOM - Transformaciones Lineales
Apndice F
Extras sobre aplicaciones
179
180
181
. . 186
F-1.
v > Av + Bv = c
pero la pudes escribir
v > Av + 2Kv = c,
2K = B
w=
1
v
puedes escibir
w>
w = 0
>
A
ew = 0
w> A
la cual puedes comprobar sencillamente efectuando los clculos. En otras palabras: hemos descripto un cudrica o cnica poniendo toda la informacin en
una sola matriz.
179
Ejemplo F.1.
p
En ese caso
[v] =
B =
x
y
"
,
A=
12 3 + 64
#
3 3
3 3
13
12 64 3
c = 276
escribiramos la matriz central y las variables como
276
6 3 + 32 6 32 3
e = 6 3 + 32
A
7
3 3
6 32 3
3 3
13
w=
x
y
276
6 3 + 32 6 32 3
1 x y
7
3 3
6 3 + 32
6 32 3
3 3
13
1
x = 0
y
es equivalente de
F-2.
Formas cuadrticas
Toda funcin vectorial F (v) = F (x1 , x2 , , xn ) que pueda expresarse como F (v) = v > Av matricialmente o F (v) = Av v matricial
y producto
x1
x2
.. . Las que
.
xn
v=
x
y
Todos los monomios con coeficiente no cero de una forma cuadrtica tienen
el mismo grado total polinomio homogneo.
180
JOM - Transformaciones Lineales
i < 0, i = 1, 2, n
Una forma cuadrtica F (v) es negativa semidefinida si F (v) 0 para toda
v 6= , y F (v) = 0 para v = . Y se puede demostrar que los autovalores de la
matriz asociada son todos no mayores que cero, esto es i 0, i = 1, 2, n
Y por ltimo, una forma cuadrtica F (v) es no definida si no es alguna de
las anteriores
Las formas cuadrticas no definidas expresan por ejemplo parbolas o paraboliodes, o degeneraciones. Las formas no definidas expresan hiprbolas.
Nuevamente, estos conceptos aparecen en el estudio de sistemas dinmicos
de ingeniera, para estimar la estabilidad de los mismos.
F-3.
A=
2 1
0 2
no se pudo diagonalizar porque hay un solo autovector linealmente independiente ligado al autovalor 2 de multiplicidad 2. Pues bien, A est justamente
expresada en la forma de Jordan.
181
JOM - Transformaciones Lineales
2 1 0
A= 0 2 0
0 0 3
2 1
2 1
0 2
A=
0 0
0 0
0
0
3
0
0
0
0
3
tiene tres bloques de Jordan, uno de segundo orden con autovalor 2 y dos de primer orden, con autovalor repetido 3.
En cambio la
2 1
0 2
A=
0 0
0 0
0
0
3
0
0
0
1
3
2
0
A=
0
0
1
2
0
0
0
1
2
0
0
0
0
3
F-3.1.
Para hallar la matriz que diagonalice a la forma de Jordan puedes proceder de la manera siguiente:
Para cada autovalor i , con multiplicidad m:
1. Hallas la estructura de la matriz de Jordan equivalente. Es decir, cuntos
bloques y de qu grado.
Ejemplo F.2.
3 1
, trata de pa1 1
p
El polinomio caracterstico y mnimo de esta matriz es A () = (2)2 ,
con lo que su valor propio es = 2, de multiplicidad algebraica m = 2. El
proceso del clculo de los autovectores arroja solamente un representante
multiplicidad geomtrica g = 1 de v = (a, a), o v1,0 = (1, 1), por lo
que no admite diagonalizacin.
Como la matriz es de 2 2, habr un bloque de Jordan de orden 2, con el
autovalor 2.
Lo podramos haber calculado mediante
r0 = rango (i I A)0 = 2
r1 = rango (i I A)1 = 1
r2 = rango (i I A)2 = 0
d1 = r2 2r1 + r0 = 0
d2 = r3 2r2 + r1 = 1
r>2 = 0
Un bloque de orden 2, es decir J =
2 1
.
0 2
J = V 1 A V
necesitamos dos.
En un caso ms general en esta dimensin, puedes escribir
J =A V
[ v1,0
v1,1 ]
1 1
= A [ v1,0
0 1
v1,1 ]
[ 1 v1,0
Av1,1 ]
Las entradas de estas matrices deben ser iguales, Av1,0 = 1 v1,0 , la cual
representa el par autovalor-autovector (1 , v1,0 ), en el caso del ejemplo:
(2, (x, 0)), usamos (1, 0) y
(1 I A)v1,1 = v1,0
En ese caso, v1,1 = (x, 1 x), utilizamos v1,1 = (1, 0) el autovector as
calculado recibe el nombre de autovector generalizado asociado al autovalor 2. Con lo cual la diagonalizante o mejor: matriz de paso es
V =
1 1
1 0
0 1
1
1
3 1
1 1
1 1
1 0
=
2 1
0 2
Ejemplo F.3.
4
1
1
Repite para el caso donde B = 2
1 1 .
2 1
1
p
El nico autovalor es x = 2, con multiplicidad 3: B (x) = (x 2)3 y el
polinomio mnimo es pB (x) = (x 2)2 , anticipando que hay dos bloques de
Jordan, como la matriz es de 3 3, no puede ser sino un bloque de orden
dos y otro de orden 1.
r0 = rango (i I B)0 = 3
r1 = rango (i I B)1 = 1
r2 = rango (i I B)2 = 0
d1 = r2 2r1 + r0 = 1
d2 = r3 2r2 + r1 = 1
(2IB )v1,1 = v
2 1 1
a
2
1
1
b
2
1
1 2a + b
184
JOM - Transformaciones Lineales
1
0
1
Entonces la matriz de paso ser 1
0
0 y as:
1 1 2
1
1
0
1
4
1
1
1
0
1
2 1 0
1
0
0 2
1 1 1
0
0 = 0 2 0
1 1 2
2 1
1
1 1 2
0 0 2
Ejemplo F.4.
3
0 1
Repite para el caso donde F = 1
4
7 .
0 1 1
p
Otra vez, tenemos que F (x) = (x 2)3 = pF (x) de modo que habr un
solo bloque de Jordan.
El autovector asociado es v1 = (x, 3x, x), es decir, si tomramos v1 =
(1, 3, 1), necesitaramos dos autovectores generalizados:
0
a
1
1
0
1
(2I F )w1 = v1 1 2 7 b0 = 3
0
1
3
c0
1
00
1
0
1
a
1
(2I F )w2 = w1 1 2 7 b00 = 1
0
1
3
c00
0
arroja w1 = (a00 , 3 3a00 , a00 1), que con a00 = 1 formamos w2 = (1, 0, 0)
2 1
equivalente a F ser J =
0 2
0 0
y
1
1 1
= 3 1 0 , y la matriz de Jordan
1
0 0
0
1
2
Esto tambin lo usars en la bsqueda de soluciones para sistemas dinmicos lineales en funcin de una matriz fcil de multiplicarse por si misma.
185
JOM - Transformaciones Lineales
2 1
0 2
A=
0 0
0 0
8 12
0 8
A3 =
0 0
0 0
0
0
3
0
0
0
1
3
4 4
0 4
A2 =
0 0
0 0
n
2 n 2n1
0
2n
An =
0
0
0
0
0 0
0 0
27 27
0 27
0
0
9
0
0
0
6
9
0
0
0
0
n
3 n 3n1
0
3n
J1
Por ejemplo A =
J2
J3
con J1 : bloque de orden 3, con autovalor 5, J2 : bloque de orden 1, con autovalor 5 y J1 : bloque de orden 2, con autovalor
4, sera una matriz A R66
Cuando se eleva la matriz A a la potencia k > 1, los bloques permanecen
independientes, y puedes calcular cada entrada dentro del bloque J` de orden
`, mediante
J`k = j`i,i+m
k km
,0 m k
=
m i
0 , otro m
k
k!
donde
=
y m { 0, 1, , ` };
m
m! (k m)!
y claramente m < p, donde p es el orden del bloque J` .
J1
5 1 0
, donde J1 = 0 5 1, es
J3
0 0 5
186
JOM - Transformaciones Lineales
y su multiplicidad geomtrica es 1
2
5 1 0
J12 = 0 5 1
0 0 5
2
0
2
521
1
2 20
5
0
520
2
1
0
1
5
2
5
1
522
2
2 21
2
1
=
5
15 25
1
0
2 20
5
0
2
0
0
15
2
25 10 1
= 0 25 10
0 0 25
j0i,i+m
k km
0
,0 m k
1 ,m = k
=
=
m
0 , otro m
0
, otro m
0
0
=
0
0
1
0
0
0
0
1
0
0
0
0
, expondremos abajo
1
0
0
A2 =
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
A3 =
0
0
187
JOM - Transformaciones Lineales
0
0
0
0
0
0
0
0
1
0
0
0
0
A4 =
0
0
0
0
0
0
0
0
0
0
0
0
0
0
188
JOM - Transformaciones Lineales
Apndice G
Transformaciones de la
circunferencia
G-1.Mapeos lineales de la circunferencia unitaria . . . . . . . . . . .
190
cos
sen
1 0
1 1
cos
sen
=
cos
sen + cos
x02 = cos2
y 02 = (sen + cos)2 = 1 + 2 sen cos
x0 y 0 = cos2 + sen cos
de donde obtenemos la ecuacin desparametrizada de la imagen de x2 + y 2 = 1 a travs de L
2x02 2x0 y 0 + y 02 = 1
189
(G.1)
tenemos
elipse:
las
herramientas
para
graficar
los !pares
autovalorautovector
son
!)
3+ 5
, (2, 1 5) ,
2
3 5
, (2, 1 + 5)
2
0
Ya
esa
(
X0
X 0 Y 0 su ecuacin es
x02
2
3+ 5
y 02
2
3 5
=1
(G.1)
G-1.
La matriz asociada a esa transformacin lineal es
m n
p q
La circunferencia unitaria se
modeliza
como u = (x, y) = (cos , sen) y
el transformado ser entonces
m n
p q
cos
sen
m cos + n sen
, es
p cos + q sen
decir
(G.2)
o sea...
x0 = m cos + n sen
y 0 = p cos + q sen
190
JOM - Transformaciones Lineales
(G.3)
(G.4)
0 0
(G.5)
(G.6)
permite el tratamiento convencional con autovectores para llegar a una ecuacin sobre ejes rotados, del tipo cannico.
Podemos re-escribir las ecuaciones (G.3)...(G.5) con una notacin de vectores...
a11 (m2 , n2 , 2mn) + a22 (p2 , q 2 , 2pq) + 2a12 (mp , nq , mq + np) = (c, c, 0)
(G.7)
m2 p2
2mp
a11
c
2
2
n
a22 = c
q
2nq
2mn 2pq 2mq + 2np
a12
0
(G.8)
M S =C
Y si (G.8) tuviera solucin, ya podramos caracterizar la (G.6), y por tanto
proceder a la identificacin de la cnica resultante mediante el procedimiento
de canonizacin donde no existe la traslacin del sistema de referencias.
a11 a12 x
w Aw = c x y
=c
a12 a22 y
|
191
JOM - Transformaciones Lineales
G-1.1.
00 00 1 0 x00
= c = 1 x002 + 2 y 002
x y
0 2 y 00
canonizando queda
x002
c
1
y 002
c
2
=1
(G.9)
x002 y 002
+ 2 =1
a21
a2
donde ai =
c
i
(G.10)
G-1.1.1.
Ejemplo G.1.
Sea la transformacin lineal de R2 R2 | L1 (x, y) = (2x y , x +
2y), encuentra la transformada (el mapeo) de la circunferencia unitaria.
p
2 1
m n
En este caso la matriz asociada es [ L ] =
=
. En la
1
2
p q
ec.(G.8) tenemos que
4 1
4
a11
c
1 4 4 a22 = c
4 4
6
a12
0
(G.8)
al resolverla tenemos que a11 = c/5, a22 = c/5, a12 = 0, con lo que haciendo
c = 5 tenemos
L1 (u) : x02 + y 02 = 5
1
192
JOM - Transformaciones Lineales
5.
P0
Y
P
X
G-1.1.2.
Ejemplo G.2.
Sea la transformacin lineal de R2 R2 | L2 (x, y) = (2x + y , x
3y), encuentra la transformada (el mapeo) de la circunferencia unitaria.
p
m n
2
1
=
. En la
En este caso la matriz asociada es [ L ] =
p q
1 3
ec.(G.8) tenemos que
4
1
4
a11
c
1
9 6 a22 = c
4 6 10
a12
0
(G.8)
al resolverla tenemos que a11 = 2c/49, a22 = 3c/133, a12 = c/49, con lo
que haciendo c = 49 tenemos
la matriz de coeficientes es [ A ] =
tores
h
son
15 29
2
: 2, 5
10 1
1 5
, cuyos autovalores y autovec-
i
29 , 15+2 29 : 5 + 29, 2
es decir,
15 29 002 15 + 29 002
x +
y = 49
2
2
aproximadamente
x002
y 002
+
=1
3.19262 2.19262
una elipse de semieje focal aproximadamente 3.19 sobre el eje dado por la
direccin aproximada (1, 5.19), por aproximadamente 2.19 en la direccin
193
JOM - Transformaciones Lineales
Y
P
X
P0
Este es un caso donde los autovectores de la matriz asociada a la transformacin lineal [ L ] y los autovectores de la matriz de coeficientes [ A ] son
numricamente iguales2 , y no ser normalmente as...
Ejemplo G.3.
2
0
1 3
=
m 0
p q
. En la
4
1
4
a11
c
0
9
0 a22 = c
0 6 12
a12
0
(G.8)
al resolverla tenemos que a11 = 5c/18, a22 = 2c/18, a12 = c/18, con lo que
haciendo c = 18 tenemos
la matriz de coeficientes es [ A ] =
5 1
1
2
, cuyos autovalores y auto-
vectores son
2
Recordemos que los ejes principales son los autovectores de la matriz de los coeficientes.
194
JOM - Transformaciones Lineales
7 13
2
i
: 2, 3 13 , 7+2 13 : 3 + 13, 2
es decir,
15 29 002 15 + 29 002
x +
y = 18
2
2
aproximadamente
y 002
x002
+
=1
1.842402 3.256622
Y
P
X
P0
una elipse de semieje focal aproximadamente 3.26 sobre el eje dado por la
direccin aproximada (3.30, 1), por aproximadamente 1.84 en la direccin
normal (1, 3.30).
La pregunta es entonces
G-1.2.
G-1.2.1.
Ejemplo G.4.
195
JOM - Transformaciones Lineales
1 0
0 0
=
m n
, con lo cual, en la
p q
c
a11
1 0 0
0 0 0 a22 = c
0
a12
0 0 0
(G.8)
1 0
0 0
cos
cos
=
0
sen
k 0
0 0
cos
k cos
=
sen
0
(x, y) = (1, 0) ,
[|k|, |k|]
Y
P
, k=2
P0
Ejemplo G.5.
p
A partir de la figura siguiente y teniendo en cuenta que la matriz asociada
no es ms que los mapeos de la base cannica
196
JOM - Transformaciones Lineales
e2
y = mx
ei v
e02
e01 =
e02 =
e01
e1
1
1+m2
m
1+m2
(1, m),
(1, m).
1
En este caso la matriz asociada a la proyeccin pura es
1 + m2
1 m
m m2
,
k
1 m
m m2
cos
cos + m sen
=k
sen
m(cos + m sen )
P0
Y
, k = 2, m = 2
X
La pregunta es:
Ejemplo G.6.
p
197
JOM - Transformaciones Lineales
1
En este caso la matriz asociada a la proyeccin pura es
1 + m2
0 0
,
0 1
0 0
0 k
0
cos
=k
k sen
sen
k [1, 1]
La pregunta es ahora:
Anexo al apndice
En forma genrica...
La solucin depende del determinante
Respecto de los determinantes de L y M puede verificarse3 que
198
JOM - Transformaciones Lineales
2
a11
q + p2
c
a22 =
n2 + m2
2
det (L)
n q m p
a12
q 2 + p2
n q m p
a11 a12
[A] =
=
n q m p n2 + m2
a12 a22
det ([ A ]) = det2 ([ L ])
y si
k=
q
(a22 a11 )2 + 4a212
entonces:
1 =
a22 + a11 k
,
2
2 =
a22 + a11 + k
2
1 x2 + 2 y 2 = 1,
x : v1 ,
199
y : v2
de modo que
x2
1
2
1
y2
1
2
2
=1
p
(a22 a11 )2 + 4a212 > 0
1
1
2 > 2 y entonces
1
x2 y 2
+ 2 = 1,
a2
b
r
semieje mayor : a =
2
a22 + a11 k
XY : {v1 , v2 }
r
2
semieje menor : b =
a22 + a11 + k
Descomposicin SVD
[ L ] = [ U ] [ S ] [ V ]|
El procedimiento usual para calcularlas es
1. Calculamos L L| y sus autovalores no nulos ordenados de mayor a me
nor: 1 > 2 > 0. Los valores singulares son i = i
2. Calculamos una matriz de autoversores normales asociados a esos autovalores [ U ] = [ u1 , u2 , , un ]
3. Calculamos una matriz de autoversores norma les5 [ V ] donde cada columa vi = i1 L| ui
4. La matriz [ S ] es diagonal y carga los valores singulares de mayor a
menor.
Maxima
load(lapack)$ [S,U,VT]:dgesvd (L, true, true);
Freemat
[u,s,v]=svd(L)
200
JOM - Transformaciones Lineales
G-1.2.2.
ejemplo
Ejemplo G.7.
2
0
1 3
=
m 0
p q
. En este
caso
[ LL| ] =
n
o
4 2
2 10
De donde
#
" p
7 + 13 p 0
[S ] =
0
7 13
2
2
2
2
4+(3 13)
4+(3+ 13)
[U ] =
3+
13
3
13
4+(3+ 13)2
3.25662 0
0
1.84240
0.28978
0.95709
0.95709 0.28978
4+(3 13)2
sta es una matriz de reflexin alrededor del eje X seguida de una rotacin 73.15, con lo que sera mejor que la transforme en rotacin pura
cambiando el sentido del segundo vector6 de esa manera
[U ] =
4+(3+ 13)2
3+ 13
4+(3+ 13)2
4+(3 13)2
13
4+(3 13)2
3+
0.28978 0.95709
0.95709
0.28978
[V ]
6
ya que
a
b
b a
1
0
0
1
=
a b
b
a
(G.11)
201
JOM - Transformaciones Lineales
0.47186 0.88167
0.88167 0.47186
V
e01
[S ] [V |] =
1.53666 2.87128
1.62444 0.86935
X
e02
X
e002
e01
e001
segunda parte:
Expansin producida por S
e000
1
X
e002
X
e002
U
U
e001
e001
tercera parte:
Rotacin producida por U , -73.15
e000
2
una elipse de semieje focal 3.26 sobre el eje dado por la direccin
(3.30, 1), por 1.84 en la direccin normal (1, 3.30).
202
JOM - Transformaciones Lineales
Apndice H
Ejercitaciones
Resumen:
La estructura de cada uno de los Trabajos Prcticos incluye los Objetivos y Recomendaciones. Mejor es que los resuelvas a todos. En un principio
podras trabajar de la manera siguiente: asegrate de calcular todos los ejercicios numricos, y luego intenta con los ejercicios conceptuales. Como un
repaso trata de resolver nuevamente los ejercicios
numricos tratando de aplicar los conceptos. Esta
es una tcnica que garantiza resultados de excelencia en la comprensin de los temas. Para laboratorios disponibles, solictalos a la direccin de correoe, mailto:omar.morel@gmail.com.
203
Apndice H. Ejercitaciones
H-1.
204
206
211
215
218
221
H-7.Ejemplo de examen . . . . . . . . . . . . . . . . . . . . . . . . . . .
223
225
. . . . . . . . . . . .
Objetivo:
Este es un prctico que combina elementos que a esta
altura del curso, se deben conocer. Sin embargo hay
algunos ejercicios que piden una demostracin, en estos
casos lo que se espera es que se piense detenidamente
en el mismo, se plantee una propuesta para resolverlo y
que se haga la consulta pertinente. Estos temas ya estn
fuera de evaluacin; se ponen aqu simplemente como una
ayuda de modo que el alumno sepa en qu momento re-leer
algunos temas de los mdulos anteriores para aprovechar
mejor los contenidos actuales.-
|d|
= pg.12, describe tambin la distancia de una
|n|
N=
donde si u =
u1
u2
u =
u2
u1
P u
u
u2
.
Apndice H. Ejercitaciones
y s = Q + s v son coincidentes si u = k1 v = k2 P Q
1
2
3
1
b-
x1
= y 2; z = 0
2
1
3
d- 2 + 1
1
2
c-
y = 5x 4
7. Escribe
matricial
elplanoen forma
a-
1
3
3
2 + 1 1
5
0
2
b-
2x + 3y z = 6
c-
y = 5x 4
d-
e-
z=2
205
JOM - Transformaciones Lineales
Apndice H. Ejercitaciones
H-2.
Objetivo:
Este es un prctico que en donde se fijan la habilidad
para detectar cules transformaciones entre espacios
son lineales y cuales no, para hallar la ligadura
entre las matrices asociadas a las transformaciones
lineales y stas, y la habilidad para aplicar las pocas
propiedades para describir una transformacin lineal
de diferentes maneras cuando se la define ya sea por la
definicin de la ley, por su matriz asociada o por un
conjunto de vectores de los cuales se conoce lo que la
transformacin lineal les hace.-
b- Halla los vectores transformados de v1 = (2, 3) , [v2 ] =
1
1
b-
T2 ((x, y)) =
= (2x y , x + y , y x)
1
1
1
1
(2, 3)
.
(2, 3)
c-
e-
T4
a c
b d
= (2a b, c + d )
T5 (x) = x2 + 1
.
1 3
2 4
1
1
3
4
[1]
f-
(2, 3)
1
1
Apndice H. Ejercitaciones
4. Prueba que
L (u + v) = L (u) + L (v)
reemplaza a
L (u + v) = L (u) + L (v)
L (k v) = k L (v)
R1
f (x) dx
Ta
x
y
x
y
=
0
0
Tb
e-
x
y
x
y
y
x
0
y
f-
Te
=
2x
y
Tf
Que F = C(0 ,1) sea el conjunto de las funciones continuas en el intervalo (0, 1) , de lo
contrario puede que deba referirse a otro tipo de integral distinta a la de Riemman que se
maneja en M7.
207
JOM - Transformaciones Lineales
Apndice H. Ejercitaciones
c-
d-
Tc
x
y
x
y
=
x
0
Td
g-
x
y
x
y
x
y
2x
2y
h-
Tg
=
x
2y
Th
11. Cmo escribiras una transformacin que a un vector del plano le corresponda un polinomio de grado hasta 3 en la que el trmino independiente
se corresponde con la segunda componente del vector, el coeficiente del
trmino lineal es la suma de las componentes, el trmino cuadrtico es
cero, y el coeficiente del trmino cbico es la primera componente del
vector. Llama a esta transformacin T8 .
Por favor, no contines sin resolver este ejercicio
12. Respecto de los ejercicios anteriores, Son T7 y T8 lineales ?
13. Demuestra que una TL de R3 R3 mapea planos en planos. Discute
algn caso en particular donde esto no se diera.
14. Halla las matrices asociadas a todas las transformaciones lineales definidas hasta ahora, intersate especialmente por las Ta a la Th
15. De qu dimensin debe ser la matriz asociada a una TL que mapea
elementos de un espacio de dimensin 10 a un espacio de dimensin 12?
16. En cada caso
A- determina [T ], la matriz asociada a la TL T y
B- verifica
con el elemento cuyas coordenadas sobre base cannica es
[v] = 1
1
x
T y =
z
a-
casos a-b-c-d-
b-
x
2y
3z
c-
x+y
6y z
3x + 2y + 4z
d-
x+y
6y z
[x + y]
17. Grafica
del cubo unitario en los siguientes casos
eltransformado
T
y =
z
a-
casos a-b-c-d-
b-
x
2y
3z
c-
x+y
6y z
3x + 2y + 4z
d-
x
x+y
0
x+y
0
y+z
208
JOM - Transformaciones Lineales
Apndice H. Ejercitaciones
0 1 1 0 0 0 1 1
para el cubo unitario utiluza la matriz 0 0 1 1 1 0 0 1
0 0 0 0 1 1 1 1
18. Aplica la transformacin Tc definida abajo a las siguientes rectas y grafica la recta y su respectivo transformado
Tc
x
y
=
a-
x
y
b-
x
2x
2+
1+
c
d-
2 + 3
2
y = 3 2x
x
2x
T y = y
z
y+z
a-
b-
c-
3 + 2
1 3 + 2
2+
y
0.5 x y
x + 2y z = 4
x
2x + 1
en la recta
x
3x
[Ti ] =
1 4
4
3
0 1 1
2 4
0
0 0
3
0 1 1
0 0
3
Apndice H. Ejercitaciones
a-
b-
U2 ((1, 2)) = 1
U2 ((2, 1)) = 3
,
Ui ((0, 4)) =
Ui ((6, 6)) =
El cuadrado
unitario
210
JOM - Transformaciones Lineales
H-3.
Apndice H. Ejercitaciones
Objetivo:
Este es un prctico que en donde se fijan la habilidad
para detectar cules transformaciones entre espacios
son isomtricas y cuales no; para distinguir que sus
matrices asociadas son ortogonales, con aplicaciones
a la geometra plana, donde se incorporan relaciones
trigonomtricas conocidas en la parte A.2.Una vez terminado el ejercicio debes preguntarte qu
has hecho, cmo lo has hecho y porqu. Pregntate
tambin si haba otras maneras alternativas de hacerlo
y cul hubiese sido el procedimiento ms sencillo y
cul hubiera sido el que involucra menos cuentas y ms
razonamiento; y fundamentalmente: Hay algo genrico o
particular que puedas aprovechar a partir del ejercicio
que acabas de resolver?
Analizar el resultado es ms importante que resolver
bin el ejercicio.
1. Verifica
si las TL Ti: R2 R2 dadas de la forma
x
y
Ti
a-
?
??
=
c-
1
5
x + 2y
2x + 4y
b-
son o no isomtricas
d-
x cos 30 y sin 30
y cos 30 + x sin 30
Apndice H. Ejercitaciones
6. Demuestra que la rotacin
sin
cos
cos
sin
es una isometra tomando
cos
sin
cos
?
sin
7. Halla
el ngulo
"
# de la rotacin en grados dada por
2
2
2
2
22
2
2
por inspeccin.
0. 8 0. 6
0. 6 0. 8
tan ( + 60 ) =
212
JOM - Transformaciones Lineales
Apndice H. Ejercitaciones
2+ 3
= tan ( + 60 ) =
12 3
1. 5146
1
x + 1 un ngulo tal que quede paralela
2
a) al eje de abscisas.
b ) al eje de ordenadas.
c) a la recta y = 3x + 1
17. Rota el vector (3, 4) un ngulo de 30o y luego al transformado, un ngulo
de 45 . Comprueba que la matriz asociada es igual a una trasnformacin
de rotacin de 15 . Es decir que el producto de las matrices asociadas.
R30+45 = R15
18. Verifica si es importante el orden de las matrices anteriores. Ten en cuenta que se est rotando siempre respecto de un mismo eje normal al plano
que contiene al origen.
19. Prueba que la matriz de rotacin R+ = R R (donde ambas son rotaciones en el plano o rotaciones en el espacio alrededor de un mismo
eje)
20. Rota el vector (3, 4) un ngulo de 30o y luego aplcale la transformacin
T ((x, y)) = (x y , 2x + y)
a) Calcula la matriz asociada a la transformacin que hace esas dos
cosas a la vez.
b ) Comprueba que es igual al producto ordenado de las matrices asociadas.
c) Verifica si es importante el orden de las matrices anteriores.
21. Respecto de los ejercicios anteriores (desde 17). Ests en condiciones de
articular verbalmente lo que ocurre en el plano y dos rotaciones; y en el
plano y dos transformaciones que no son ambas rotaciones.
22. Rota el plano x + y + z = 1 un ngulo de 30 alrededor del eje X y luego un
angulo de 60 alrededor del eje Z. Halla la ecuacin general del plano
resultante.
23. Repite el ejercicio anterior pero para el plano
x y z
+ + = 1.
3 4 5
24. Rota el mismo plano anterior de tal manera que quede paralelo
213
JOM - Transformaciones Lineales
Apndice H. Ejercitaciones
a) al eje X.
214
JOM - Transformaciones Lineales
H-4.
Apndice H. Ejercitaciones
Objetivo:
Este es un prctico que en donde se enfatiza sobre las
caractersticas de una matriz cuadrada, que van a tener
suma importancia en la descripcin de transformaciones
lineales o afines. Se calculan los autovalores y
autovectores de las matrices cuadradas.
Una vez terminado el ejercicio debes preguntarte --y
responderte lo ms detalladamanete posible-- qu has
hecho, y cmo, y fundamentalmente: hay algo genrico o
particular que pueda aprovechar a partir del ejercicio
que acabo de resolver? Analizar el resultado es ms
importante que resolver bien el ejercicio.
S=
a b
b a
como S =
a b
b
a
b
0 0
o S2 = 0
a c
0 c a
U =
..
.
..
..
.
..
.
ann
Apndice H. Ejercitaciones
A=
1 4
4
1
1 4
4
2
1 0
4 2
A=
2 1 0
2 1 0
2
1
0
0 2 0 1 2 0 1
2 1
0 0 3
0 0 3
0 1
3
6. Calcula los autovalores y autovectores de las siguientes matrices
A=
a 4
4
a
a 4
4
b
+1 1
1 +1
A=
a a 0
a a 0
a
0 0
a a 0 a
a 0 1
b 0
0 0 a
0
0 b
d 1 c
7. Repite para
A=
4 5 2
2
3
0
10 10
7
0
1 0
0
0 1
2 5 4
1
0
0
8 7 4
20 20 11
A=
4 2 10
5 3 10
2 0 7
0 0
2
1 8 20
1 0 5 0 7 20
0 1
4
0 4 11
8. Puedes establecer una propiedad acerca de los autovalores y autovectores para las matrices traspuestas?
Comprueba que puede sacarse tres, dos, y slo un autovector de las siguientes respectivas matrices
A=
1 0 0
1 1 0
0 1 0 0 1 0
0 0 1
0 0 1
1 1 0
0 1 1
0 0 1
9. Escoge una matriz ortogonal G R33 ; halla sus autovalores y autovectores. Luego efecta el producto escalar de los autovectores asociados
a autovalores diferentes. Informa lo que observas. Forma la matriz de
los autoversores y verifica si es ortogonal o no. Trata de explicrtelo
conectando el tema de Autovalores y Autovectores con el tema de Transformaciones lineales Isomtricas.
10. Obtiene dos matrices similares distintas, para la la matriz A =
1 0
4 2
Apndice H. Ejercitaciones
13. Obtiene los autovalores y autovectores de A =
1 0
4 2
y de B = 4A, y de C = kA donde k 6= 0, k R
14. Discute los resultados anteriores.
15. Si la matriz [T ] tiene un par ( , v) discute cmo encontrar el par ( , w)
asociados a
a) la matriz inversa de [T ] . Discute la validez del resultado.
b ) la matriz traspuesta de [T ] . Este par se asocia al autovector por
izquierda de [T ]
c) sobre la base anterior, la matriz [B] = [T ]> [T ]
d ) asociado a la matriz similar [B] = [M ] [T ] [M ]1 si [M ] es de la misma
dimensin de [T ] y adems invertible
16. Establece el valor de verdad de las proposiciones y justifica, para dos
matrices de n n, una diagonal y otra triangular superior
a) si tienen la misma diagonal , son similares.
b ) si los elementos de la diagonal de una pueden encontrarse tambin
en la diagonal de la otra, pero en orden diferente, son similares.
c) Sobre esa base; verifcalo con las siguientes matrices, y en caso de
que no puedas verificar algo, establece claramente porqu.
A1 =
A3 =
1
0
0
0
0
0
2
0
0
0
0
0
3
0
0
0
0
0
3
0
0
0
0
0
0
A2 =
3
0
0
0
0
0
1
0
0
0
0
2
1
0
0
0
1
0
0
0
0
1
0
0
2
A4 =
217
JOM - Transformaciones Lineales
1
0
0
0
0
3
0
1
4
0
0
2
0
0
0
0
1
0
2
0
1
2 0
1 1 1
3
2 1
0
3 0
0
0 0
0
0
0
1
0
0
0
0
3
0
0
0
0
0
2
Apndice H. Ejercitaciones
H-5.
Objetivo:
Este es un prctico que combina cambios de base
aplicados a las diversas formas de escribir una TL a
travs de una matriz asociada. Descubrimos que la matriz
asociada que vimos en la seccin H-2 no eran nicas y
dependen de las bases adotadas en cada espacio. Existe
mucho inters en desacoplar una TL, que quiere decir
verla desde un punto de vista tal que sea muy simple
entenderla, porque las componentes del transformado solo
dependen del correspondiente original.-
7 16 8
1. Dada la matriz A = 16
7
8 Halla [] de modo que [] tenga
8
8 5
su diagonal
a- ordenada de mayor a menor.
b- ordenada de esta manera {9 , 27 , 9} .
2. Si los autovectores de una matriz de 2 2 son v1 y v2 , Prueba que la
matriz v3 v4 , formada por los vectores
v3 = k1 v1 ,
v4 = k2 v2
5. Diagonaliza la matriz de 2 2 simtrica genrica como S =
a b
b a
1 4
4
1
1 0
4 2
a)
e)
b)
0
0
2
f) 1
0
1 0
1
4
2 0 c)
4
2
0 3
1
0
2 1
1
3
2 1 0
d) 1 2 0
0 0 3
Apndice H. Ejercitaciones
7. Dada una TL
[T ]
a
b
2a
2b que mapea
a+b
x, y,
x+y
2
3
10. Prueba que
para la TL
U : P1 Q R , con
[U ]
a
b
a+b
= a b , la matriz asociada [UA ]B es la identidad ,
2a
219
Apndice H. Ejercitaciones
a b 0
[T ] = b a 0 donde b 6= a 6= 0 .
0 0 a
a) Diagonaliza la matriz asociada haciendo un cambio de base adecuado y verifica los resultados mapeando el vector dado por [u] =
1
1 . (debes encontrar una base nueva)
1
b ) Cambia la transformacin lineal debido al cambio de base o es la
misma transformacin lineal vista desde otra perspectiva ?
c) En qu te parece que se mejora con una forma respecto de la otra?
14. Sea T : R2 R2 la reflexin de v sobre la direccin u dada por y = x .
1- Encuentra la matriz asociada [T ] a la TL T
2- Encuentra una representacin diagonal para [ T ]
15. Sea U : R3 R3 la proyeccin de v
sobre el plano : x + 2y z = 0
1- Encuentra la matriz asociada [U ] a la TL U
2- Encuentra una representacin diagonal para [ U ]
220
JOM - Transformaciones Lineales
H-6.
Apndice H. Ejercitaciones
Objetivo:
Este es un prctico en donde se aplican los conceptos
adquiridos a la gemometra de las ecuaciones de las
figuras cnicas y las superficies cudricas.
Se aprovecha las caractersticas de las matrices
simtricas para resolver elegantemente el problema de
la rotacin de la cnica o cudrica respecto de los ejes
cuando la ecuacin admite el trmino rectangular xy --o
los trminos xy, xz, yz para las cudricas-Se completa esto con una traslacin, que no es una
transformacin lineal, pero en este contexto puede
aplicarse conjuntamente.-
1. Escribe
(a)(b)(c)-
en forma matricial
4x2 + 3y 2 + 8xy + 2x = 4
6y 2 + 5xy 3y + 2x = 1
y 2 + x2 = 4
7
3
3
x
276 =
+
x y
y
3 3
13
x
+ 12 3 + 64 12 64 3
y
1 = 16 ,
2 = 4
(g)-
dada por A =
1 2
2 3
yB=
221
JOM - Transformaciones Lineales
2 1
Apndice H. Ejercitaciones
4. Canoniza
1- 5x2 + 5y 2 + 8xy + 4xz + 4yz + 2z 2 = 1
2- x2 2xy + y 2 2 xz 2yz + z 2 + 2 = 0
2
3- x2 2xy + y 2
z +2zx+y =0
2 xz 2yz +
4- dada por A =
5- dada por A =
1
2
0
1
2
0
2
2
3
0
2
3
0
0
0
0 yB
5
0 2
0
0
5 1
1
6
2 1 4
y B = 2 1 4 0
222
JOM - Transformaciones Lineales
H-7.
Apndice H. Ejercitaciones
Ejemplo de examen
a) x R 0 , y R 0 , lo cual
define:
X V; V =
0
0
0
, +, R, ; V ; V = R , +, R,
Au=Av =
A (u + v) = A u + A v
=+
de las matrices
=
u+v S
verdadero falso
A (a u) = A (aI u) = A (Da u)
= (ADa ) u = (Da A) u
A y Da conmutan
= Da (A u)
de nuevo asociatividad
= (aIA) u = a Au = a (Au)
= a
=
au S
verdadero falso
como conclusin:
2. Para el conjunto { (3, 3, 2, 6), (1, 1, 1, 3) }, encuentra: el espacio generado y la base cannica del mismo.
3. Halla las matrices asociadas a las transformaciones lineales dadas mediante su accin sobre el cuadrado unitario
Y
A0
0
a) O
B0
C0 X
0
b) O
223
JOM - Transformaciones Lineales
C0
A0
Y
C
AX
B0
3X
Apndice H. Ejercitaciones
L3 : R3 7 R2 | L3 (x, y, z) = (x + z, 2x 3y) y
L4 : R2 7 R3 | L4 (x, y) = (x, y, y x)
a) Halla la matriz asociada [ L ] de la composicin entre L3 y L4 , si es
L : R2 7 R2 .
b ) Transforma el cuadrado unitario mediante L, y grafica.
c) Halla los espacios asociados a los autovalores de [L]
d ) Halla la base B1 de R2 para que [ L1 ]1 se vea desacoplada.
224
JOM - Transformaciones Lineales
H-8.
Apndice H. Ejercitaciones
Si el tema de que el EV es una estructura algebraica no es sencillo de incorporar en primer ao de nuestras facultades de ingeniera y el estudiante tiende a pensar en el EV como un conjunto nada ms; el peligro es que
las transformaciones lineales entre espacios vectoriales ingresen a su modelo
mental como una simple extensin de las funciones entre conjuntos. En otras
palabras: la consideracin de las propiedades de esos conjuntos y el hecho
de que estn conectados dentro de estructuras que comparten el cuerpo de
escalares quedara excluida o al menos muy debilitada.
La interpretacin de cualquier algoritmo que usen los estudiantes para resolver sistemas lineales es crucial. Prcticamente ningn concepto puede quedar claro me refiero a que se incluya la parte saber cmo sin este requisito, as que resulta primordial asegurarse al principio de que este tema est
muy bien aprehendido.
La excesiva mecanizacin de procedimientos es un rasgo propio de estos
temas, pensemos en espacios generados, en la determinacin de que un
conjunto de vectores es o no linealmente dependiente, en el clculo de autovectores y as hasta las canonizaciones de cnica y cudrica son sencillas de
resolver con dos o tres tcnicas o procedimientos y el docente debe estar
muy atento para evitar caer en ellas, y para evitar que los estudiantes an
ms propensos justamente por estar expuestos a temas bastante abstractos y
en el proceso del aprendizaje, a tomar este atajo lo hagan.
Hay una cuestin no menor: la naturaleza se rige es general por leyes no
lineales. Lo lineal es una abstraccin que nos permite teorizar bajo supuestos que a estas alturas de la carrera los alumnos no advierten. Por eso es
sumamente conveniente aunque ms no sea tratar tangencialmente las transformaciones no lineales.
Resumir que un si un vector es colineal con su transformado es un autovector es quedarse con el concepto de que los espacios vectoriales solamente
se dan bajo los cuerpos reales, amn de que tampoco es correcto cuando est
asociado a un valor propio cero. Los autovectores de inters en la ingeniera
por ejemplo en el control de sistemas, los sistemas se controlan para que
tengan autovectores complejos en cierta parte del semiplano izquierdo del
plano complejo (si se trata de sistemas dinmicos de tiempo continuo) o que
queden confinados a una regin de diseo dentro del crculo unitario (en el
caso de sistemas de tiempo discreto, digitales o modelos de tiempo continuo
discretizados).
Existen excelentes oportunidades para combinar lo que el alumno est
aprendiendo de los cursos de clculo y aventurarse a mostrar aplicaciones
en otras asignaturas posteriores ecuaciones versus funciones, funciones de
varias variables, esfuerzos en vigas, etctera.
Hay ciertos inconvenientes a la hora de entender que la transformacin de
225
JOM - Transformaciones Lineales
Apndice H. Ejercitaciones
226
JOM - Transformaciones Lineales
Elementos en color(B.2)
Cap.1
B
2
g = (k, 1 + 4k k 2 );
k [1, 4]
Tramo CA:
1
`(` 8)); ` [4
0]
g = (`, 16
para ir de 4 a 8, debe ser ` = 8 k
1
g = (8 k, 16
(8 k)(k)); k [4, 8]
-1
k [0, 1]
Tramo BC:
g = k(1, 2) ;
1 + 4x x2
finalmente
x(x 8)
16
, k [0, 1]
(k, 2k)
g=
(k, 1 + 4k k 2 )
, k [1, 4]
1
(8 k, 16
(8 k)(k)) , k [4, 8]
Cap.2
Transformaciones Lineales
T
V = (V, +, K, )
v
DT = V
V 0 = (V 0 , +0 , K, 0 )
T (v) = v 0
K
(K, +, )
CT = V 0
Para una TL, la imagen del vector nulo; es el otro vector nulo
la TL preserva las combinaciones lineales
una TL T : Rn Rn mapea rectas en rectas.
Sec. 2-2.1, pg. 29
V
v
V0
v 0 = L(v)
[L]
[v]
[v]
CV
CV 0
Z
Z
Z
e3
e03
v0
e2
(a)
e2
(b)
Sec. 3-3Fig.3.3, pg.53 (a) Rotacin en el espacio (b) Alrededor del eje X
B.2 Color
2
JOM - Transformaciones Lineales
Z
n
1/4
uy
1/4
1/2
1/3
1/3
uyz
Z
Y
1/5
1/5
1/2
u0xy
1/2
1/3
u0xy
Y
Vistas luego de la primera rotacin
Z
Y
1/4
1/ 29
1
29
Z
1/2
1/3
Y
Vistas luego de la segunda rotacin
Figuras referidas al ejemplo 3.6, pg. 55
B.2 Color
JOM - Transformaciones Lineales
Cap.4
Autovalores y Autovectores
Y
v4
v30
v3
v40
Y
v10
v50
5
4
3
2
6
v1
2
3
v5
B.2 Color
4
JOM - Transformaciones Lineales
diagonalizar es encontrar una matriz similar diagonal. La matriz diagonalizante est formada por autovectores.
Los autovectores de una matriz diagonalizable forman una base para los espacios que relaciona la transformacin lineal a la que esta
matriz est asociada.
V0
L(v) = v 0
[L]
[v]
[ v0 ]
CV
CV 0
CV
[ L1 ]2
[ v ]1
[v]
[ B1 ]
V0
B1
v0
[ v 0 ]2
B2
[ v0 ]
[ B2 ]
CV 0
V0
V
CV
B1
CV 0
v0
B2
K
V0
V
[v]
[L]
[ v0 ]
[ L1 ]
[ B1 ]
[ B2 ]
[ L ]2
[ L1 ]2
[ v ]1
[ v 0 ]2
B.2 Color
JOM - Transformaciones Lineales
Cap.VI
Canonizacin
Cnicas
Y
00
00
E
0
x
0
x0
0
y
0
y0
[ v ]1 = [ v 0 ]
[v]
C
B1
Los ejes del sistema de referencias rotado tienen las direcciones respecto del sistema original, en las columnas de R , y sta es ortogonal: sus
columnas son versores normales entre s.
B.2 Color
6
JOM - Transformaciones Lineales
Y 00
00
X 00
Y 00
00
Y0
x00 = x0 + 4
0
y 00 = y 0 + 3
X 00
X0
Apx.A
A-1.2
Y0
(1, 0) 7 (1, 2)
1.5
Y0
(1, 0) 7 (1, 2)
1.5
1
0.5
0.5
1.5
0.5
X0
X
-0.5
X0
0.5
-0.5
1.5
-0.5
-0.5
-1
-1
Apx.C
Ms sobre Isometras
C-0.1
en el plano
u, dado por y = mx
2v
u
vu
v0
X
Sec. C-0.1Fig.C.1, pg.147 Reflexin alrededor de una recta cualquiera
(0 )
3
0
m0
(1 )
m2
m1
B.2 Color
8
JOM - Transformaciones Lineales
nada
nada