Académique Documents
Professionnel Documents
Culture Documents
Captulo 1
Matrices y determinantes
Matrices especiales
Rango de una matriz
Sistema de ecuaciones lineales
Conclusiones
2
14
30
35
37
Captulo 2
Espacios vectoriales
Sub-espacios vectoriales
Bases y Dimensin de un Espacio Vectorial
43
Suma Directa de Espacios Vectoriales
45
38
40
Captulo 3
Transformaciones Lineales
47
Ncleo e Imagen
50
Conclusiones
56
Captulo 4
Autovalores
57
Diagonalizacin
58
Conclusiones
72
Captulo 5
Proceso de ortogonalizacin de Gram Schmidt
73
Conclusiones
76
1
autovectores
MATRICES Y DETERMINANTES
Sea K un cuerpo ( K a {Q, R, C} ) , definimos el siguiente conjunto :
[aij]nxm =
a 11 a 1 m
an1 anm
Suma (adicin):
[ ]
1 2
3 5
B=
[ ]
7 9
3 4
Propiedades:
Conmutativa
[aij] + [bij] = [bij] + [aij]
Asociativa
[aij] + ([bij] + [cij]) = ([aij] + [bij] )+ [cij]
, =[ ij] , ij =0
A+B =
[ ]
8 11
6 9
Producto:
Knxp x Kpxm Knxm
([aij] , [bij]) [aij] [bij] = [cij]
Dnde:
p
[cij]=
a il blj
l=1
bpj
Propiedades:
Es decir: I =
I = []
1 0
0 1
ij = { 1 , i=j ; 0 , ij
AI=IA=
A
4
A
Knxn
Obs:
Sea A R2X2, A Existe A-1?
A=
[ ]
1 0
0 0
[ ]
1 0
0 1
entonces B = A-1
A.B = I
[ ] [ ] [ ]
1 0
0 0
x
w
y
z
Producto de matrices:
x
0
y
0
Determinante:
El determinante es una funcin que le asigna a una matriz de orden n, un nico
nmero real llamado el determinante de la matriz. Si A es una matriz de
orden n, el determinante de la matriz A lo denotaremos por Det(A) o tambin
por |A| (las barras no significan valor absoluto).
10
11
12
5. Si una matriz cuadrada tiene todos los elementos de una fila o columna
nulos, su determinante es cero.
13
14
10. Si a una fila o columna de una matriz cuadrada se le suma otra paralela a
ella, su determinante
no vara.
15
11. Si a una fila o columna de una matriz cuadrada se le suma otra paralela a
ella multiplicada por un nmero, su determinante no vara.
16
Det(A) =
1
det( A)
17
MATRICES ESPECIALES
Matriz Cuadrada
Una matriz de n por m elementos, es una matriz cuadrada si el nmero de filas es igual al
nmero columnas, es decir, n = m y se dice, entonces que la matriz es de orden n:
Propiedades:
18
Matriz nula
Por lo tanto, una matriz nula de orden mxn definida sobre un anillo K
asume la forma:
Matriz Singular
Matriz no singular
Matriz identidad
Propiedades:
Matriz
Diagonal
Todos los elementos son nulos excepto los de la diagonal, esto es, los
elementos que tienen el mismo nmero de fila que de columna.
Una matriz A diagonal de dimensin m x n que tiene por elementos de la
diagonal a los elementos del vector v se le denota por
Propiedades:
con lo que son regulares si, y slo si, todos los elementos de la diagonal
son distintos de 0. En tal caso :
Matrices Triangulares
22
Propiedades :
Por tanto, es regular si, y slo si, los elementos de la diagonal son
distintos de 0. En tal caso,
23
Matriz Transpuesta
Propiedades:
Traspuesta de la traspuesta
Traspuesta de la suma
24
Matriz Adjunta
Adjunta de la identidad
Adjunta de la traspuesta
25
Si A es de dimensin n y k un escalar
Si A es regular, su inversa es
26
Propiedades:
simtrica y antisimtrica.
Sea A Rnxn
existe B Sn , C ASn
Matriz idempotente:
28
A 0; Ak-1 0
A2 = A
-
Matriz involutiva:
A2 = i
Matriz hermitiana:
At = A
A Cnxn
Matriz antihermitiana
At = A
Matriz ortogonal
At = A-1
29
A Cnxn
Matriz inversa
,
Donde In es la matriz identidad de orden n y el producto utilizado es el producto
de matrices usual.
Una matriz no invertible se dice que es singular o degenerada. Una matriz es
singular si y solo si su determinante es nulo.
matriz
Ya que
30
Y, evidentemente:
31
Donde
es el determinante de A y
A.
32
es la matriz de adjuntos de
Se construira
33
Ya tenemos el pivote de la primera fila que usamos para hacer ceros debajo
34
35
36
Entonces:
Por consiguiente,
Rango (A) rango(A 2) = 2.
Si esto no hubiese sido posible, entonces:
Rango (A) = 1.
Supongamos que rango (A) rango (A2) y que i = 2 y j = 2.
4. Aadimos filas a la matriz A2 hasta encontrar una matriz que cumpla:
Entonces:
Rango (A) rango (A2) = 3.
37
Ejemplos:
a) Sea la matriz A una matriz de orden tres. Hallar el rango (A).
Como A es una matriz cuadrada de orden tres, como mximo el rango (A)
puede valer tres. Calcularemos primero el determinante o determinantes
de las submatrices de orden dos de A. As pues
38
39
40
Mtodo de Gauss
Para resolver sistemas de ecuaciones lineales, se aplica el mtodo de
Gauss. Este proceso se ilustra en el siguiente ejemplo.
Ejemplo:
Sea el sistema,
41
42
Conclusiones:
43
ESPACIOS VECTORIALES
Definicin:
Sea
es un Espacio Vectorial
Suma:
+:V V V
( u , v ) u+v
Y se cumplen las propiedades:
A1) Conmutativa:
u+ v=v +u ; u , v V
A2) Asociativa:
( u+v )+ w=u + ( v +w ) ; u , v , w V
V /u+=u ; u V
u V ; v V /u+ v=
Notacin:
44
v =u
( , u ) u
: K V V
1.u=u
( + ) u=u+ u
P2) Distributividad:
( u ) =( )
P3) Asociatividad:
Si en el conjunto
es un Espacio Vectorial.
Notacin.-
( V ,+ , )
Espacio Vectorial.
Ejemplo:
Sea
u=( x1 , y 1 , z 1 ) , v=( x 2 , y 2 , z 2 ) R3
V =R3 . Sean
( u , v ) u+v =( x 1+ x 2 , y1 + y 2 , z1 + z 2 )
+: R3 R3 R3
: R R 3 R
Afirmacin:
( , u ) u=( x1 , y 1 , z1 )
( R3 ,+, )
es un Espacio Vectorial.
45
Sub-Espacios Vectoriales
Definicin:
Sea un Espacio Vectorial, y sea
Espacio Vectorial de
V , si
W V . Se dice que
es un Sub-
es un Espacio Vectorial.
Teorema:
Sea un Espacio Vectorial, y sea
1.
2. Si
u , v W u+ v W
Ejemplo:
Sea
R2
R2 .
Sea
R3
Observacin:
R3 .
Nota: A
Definicin:
Sea un Espacio Vectorial, se dice que el conjunto de vectores
{u1 ,u 2 , , uk } V
P V ; 1 , 2 , , k R , tal
Ejemplos:
1)
2)
u1 ,u 2 , , un
47
L {u 1 , u2 , ,u n }= u V /u= i ui , i R
i=1
}
{ u1 ,u 2 , , un }
es el conjunto de
u1 ,u 2 , , un .
combinaciones lineales de
Teorema:
Sean
u1 ,u 2 , , un
L { u1 , u2 , ,un }
Ejemplo:
Hallar el espacio generado por los vectores
u1=( 1 ; 1; 0 ) y
u2=(1; 0 ; 1) .
Solucin:
Buscamos hallar , el cual es el espacio generado por
{ u1 ,u 2 } .
u= ( x , y , z )=( 1 + 2 , 1 , 2 )
x= 1 + 2 ( 1 )
y = 1 ( 2 )
Sustituyendo (2) y (3) en (1):
z= 2 ( 3 )
x= y + z x y z=0
u1
u2
R3
es:
W = {( x , y , z ) R3 / x y z=0 } que
R3 . (Sub-Espacio Propio)
{u1 ,u 2 , , uk } V
1.
L {u 1 , u2 , ,u k }=V
2.
{u1 ,u 2 , , uk }
es linealmente independiente.
Dimensin (Definicin):
49
{u1 ,u 2 , , uk } V
tiene
k .
Notacin.-
dim R V =k
Ejemplo:
Hallar una base y la dimensin del siguiente Sub-Espacio Vectorial:
X ={( x , y , z ) R 3 /2 x +3 z y=0 }
Solucin:
Sea
P=( x , y , z ) X 2 x +3 z y=0
P=( x , y , z )=( x ,2 x+ 3 z , z )
y=2 x+ 3 z
X L { ( 1 ; 2; 0 ) , ( 0 ; 3 ; 1 ) }
dimR X=2
( 1; 2 ; 0 ) , ( 0 ; 3 ;1 ) X
Como
es un Sub-Espacio Vectorial:
( 1; 2 ; 0 )+ (0 ; 3 ; 1) X
L { ( 1 ; 2; 0 ) , ( 0 ; 3 ; 1 ) } X
Propiedades:
50
vectores,
Sean
1) Si
2)
X Y L {X } L {Y }
L{ X } es un Sub-Espacio Vectorial.
3) Si es un Sub-Espacio de
4) Si
Nota:
W V X W L { X } W
V L { W }=W
X .
Ejemplo:
Sean
X ={ u } ,Y ={ u , v } V ; donde V =R2
es un Espacio Vectorial.
X Y L { X }={u / R } L { Y }={u+ v / , R }
Ejemplo:
Sea
V =R
un Espacio Vectorial.
Vectores Cannicos:
ii { e 1 , e 2 , , e n }
Solucin:
i L { e 1 , e 2 , , e n }=R n L {e1 , e 2 , , e n } R n L { e1 , e2 , , en } Rn
[ ] { e1 , e2 , , e n } Rn
L { e1 , e2 , , en } L { R n }=R n
[ ] Sea x=( x 1 , x 2 , , x n ) Rn
51
x L { e 1 , e 2 , , e n }
L { e1 , e2 , , en } =R
x=x 1 . e 1+x 2 . e2 ++ x n . en
R n L {e 1 , e 2 , , e n }
n
[]
e1
ii I = e 2 ; det ( I )=1 0 { e 1 ,e 2 , ,e n }
en
son
L. I .
X ,Y
XyY
X +Y ={u+ v / u X , w Y }
Observaciones:
2)
X +Y X Y , pues
X Y X +Y
3)
{YX XX +Y+Y
1) En general
X Y
no siempre es un Sub-Espacio.
5)
X +Y
X Y W , entonces
es el menor Sub-Espacio que contiene a X Y .
6)
X Y
es un Sub-Espacio Vectorial.
7)
Sean
Si
X ,Y
X Y ={ } , se dice que
X Y
es la suma directa de
52
XyY .
X +Y W .
X Y ={u+v /u X , w Y }
Teorema:
XyY
Si
Observacin:
W V dim W =dimV W =V
Si
Ejemplo:
Sea un Sub-Espacio del Espacio Vectorial
R3 .
X ={( x , y , z ) R3 /x +2 y+ 3 z =0 }
Muestre un Sub-Espacio Vectorial y , tal que
X +Y =R3 X Z =R3 .
Sea
Y ={ ( x , y , z ) R3 /2 x+2 yz =0 }
P=( x , y , z ) Y 2 x+2 yz =0
P=( x , y , z )=( x , y , 2 x +2 y )
z=2 x+2 y
Y =L {(1 ; 0 ; 2),( 0 ; 1; 2) }
dim Y =2
X +Y =R3
53
dim X Y =1
dim Z=1
X Z =R 3
dim X Z =0
54
TRANSFORMACIONES
LINEALES
Sean V y W dos espacios vectoriales sobre el cuerpo K. Una transformacin
lineal T: V
W es una correspondencia que a cada vector v V le asigna un
vector T(v) e W tal que, para cualquier u, v V y a K, se cumple la relacin
Ejemplo 1:
Sea T : una funcin definida por:
T ( x , y)=( x + y , x y , y )
Comprobar que T L( IR , IR ) .
Solucin:
T saca el escalar:
T ( ( x , y))=T (x , y)
(x+ y , xy , y)
( x+ y , x y , y)
T ( x , y )
T preserva la suma:
T (x 1+ x 2 , y 1+ y 2)
L( R , R )
M (m, n , IR)
A M (m , n , IR)
Rn R m
tal que
R ,R
L
A la matriz A le asociamos la
x Rn
TA(x )= Ax
Rn en Rm .
Ejemplo 2:
Hallar la matriz asociada a la transformacin lineal T:
T ( x , y)=(5 x +4 y , 3 x2 y)
56
R2 R2 definida por
( [ ]) [
x = 5 x+ 4 y
y
3 x2 y
][ ]
5 4 x
3 2 y
As obtenemos que
A= 5 4
3 2
es la matriz
R2 x 2 asociada a T.
Observaciones:
0v
T ( 0 v )=T (0 v +0 v)=T (0 v)+T ) .
Luego T (0 v )=0 w . Ntese que usamos el smbolo
referirnos al cero de V y 0 w para el de W.
En efecto,
( ii)
0v
para
T L(V , W )
T (v+u)=T (v )+ T (u)
v ,u V y IR .
57
Ncleo e Imagen
Sea T L( V, W) :
a) El conjunto
b) El conjunto
se l lama ncleo de T.
simplemente
imagen de T.
Teorema 1
Sea T L( V, W)
El Nuc ( T) y la Img ( T) son sub-espacios de V y W respectivamente.
Ejemplo 3:
R3 R3
definido
T ( x , y , z )=( x +3 y + 4 z , 3 x+ 4 y +7 z ,2 x+ 2 y )
Sea
la
t.l.
T:
por
la
a) Hallar la IMAGEN de T
b) Hallar el NUCLEO de T
Solucin:
a) La Imagen de T est formado por vectores de la forma (r, s, t) tal que
(r , s ,t )=( x +3 y +4 z , 3 x+ 4 y +7 z ,2 x+2 y )
x+ 3 y + 4 z=r
3 x+ 4 y +7 z=s
58
regla
2 x +2 y =t
Haciendo ms sencilla la matriz aumentada:
[ ]
3 s4 r
5
1 3 4 r 1 0 1
s+3 r
3 4 7 s 0 1 1
5
2 2 0 t
0 0 0
8 s14 r +5 t
5
][ ] [ ]
b) El ncleo de T se obtiene:
( x+ 3 y + 4 z ,3 x +4 y+7 z ,2 x +2 y )=(0,0, 0)
x+ 3 y + 4 z=0
3 x+ 4 y +7 z=0
2 x +2 y =0
Haciendo ms sencilla la matriz aumentada:
][ ] [ ] [ ]
1 3 4 0 1 0 1 0
3 4 7 0 0 1 1 0
2 2 0 0
0 0 0 0
Haciendo z=t
x+ t=0 x=t
y +t=0 y=t
Entonces el vector solucin es
(x , y , z)=(t ,t , t)
t (1,1,1)
59
que
El ncleo de T es
Teorema 2
Sea T L( V, W) y V de dimensin finita, entonces
a11 a1 n
B2
[T
]
=([T
(
v
1)]B
2
[T
(
vn)]B
2)=
B1
[
a m 1 a mn
Teorema 3
B 2={u 1, , um}
Si
B2
A= ( aij ) m n=[ T ] B 1
una base de W.
es la matriz de T en las bases B1 y B2, entonces
60
[T ( x)] B 2
[T ]BB 21 [x ] B 1 x V .
Ejemplo 4:
T : R3 R 2
Considere la t.l.
[][
x
T y = x+ y
3 xz
z
C 1={e 1, e 2, e 3 } ,
Y sean
tal que
C 2={f 1, f 2 }
R yR
respectivamente. Adems
base de
()
[( e 1)] c2= 1
3
1
=f 1+3 f 2
3
()
()
[ ( e 2 ) ]c 2= 1
0
1
T ( e2 )= =f 1+0 f 2
0
()
(10 )
[(e 3)]c 2=
0
=0 f 1f 2
1
( )
T ( e1 )=
Solucin:
T ( e1 )=
Luego
61
[T ]CC 21
[T ]BB 21 .
[ T ( e1 ) ]C 2 [ T (e 2) ]C 2 [ T (e 3) ]C 2= 13
1 0
0 1
C2
[ T ] C 1=
[] []
[ ][
[][]
1
T 1 = 2 =a11 4 + a21 3
1
1
1
2
[] []
3
T 0 = 3 = a12 4 + a22 3
10
1
1
1
] [] []
2
T 4 = 6 = a13 4 + a23 3
3
1
1
3
[] []
[ ][ ] [ ]
4 3 a11 = 2
1 1 a 21 1
[ ][ ] [ ]
4 3 a 12 = 3
1 1 a 22 10
[ ][ ] [ ]
4 3 a 13 = 6
1 1 a 23 3
Luego:
[[] [[ ] [[]
1
[T ] =( T 1
2
B2
B1
B2
3
T 0
1
B2
2
T 4
3
)
B2
62
1 27 3
2 37 6
zB
imagen
x
x A , z=f ), o equivalentemente si:
f ( x)=f ( y )= x= y
f ( x)=z
tiene solucin z B
Sea T L( R , R
) definida por
T (x , y , z )=
(x y ,x + y + z , y + z ) . Es T sobreyectiva?
Solucin:
T es sobreyectiva si
T (x , y , z )=( a , b , c)
(a , b , c ) R 3
63
tiene solucin
T ( x , y , z )=( a , b , c)
(x y ,x + y + z , y + z)=(a , b , c )
x y=a
x + y + z=b
y + z =c
sobreyectiva.
Verificar la inyectividad de una transformacin lineal a partir de la definicin,
aunque no es en extremo difcil, es ms difcil si se emplea el teorema
siguiente.
Teorema 4
Sea T L (V,W). Se tiene que:
T es inyectiva
Nuc(T )={0}
Teorema 5
Sea T L (V, W)
(a) Si
V =Cl {v 1, , vm }
entonces
T ( v 1) , , T (vm)
En particular:
64
65
CONCLUSIONES:
Se han visto ms detallado y con ms exactitud los teoremas y propiedades
que hilan todos los temas propuestos por este trabajo y se ha se ha llegado a la
conclusin de todos los temas estn relacionados en cierta forma ya que en
varios de estos se necesita recurrir a las propiedades que se han visto en
temas anteriores.
66
Autovalores y Autovectores
Autovalor (Definicin):
R (o a C, aunque no lo consideraremos) es un autovalor de una matriz A,
cuadrada, n n, si existe un vector
x R n ( a En ) , x 0 tal que A x = x .
A x = x
2
2
A x = A x = x
n
n
A x = x
An
n es mucho ms sencillo.
asociado a .
En efecto: si
x ,
A x = x A ( k x )=k ( A x )=k ( x )= ( k x )
67
k x es otro autovector
Diagonalizacin
Una matriz cuadrada A, de orden n, se dice que es diagonalizable si existe una
matriz invertible P, de orden n, y una matriz diagonal, tal que
P1 AP=D .
Caso 1
Cuando todos los autovalores son distintos y pertenecen a los
reales:
Si una matriz cuadrada A, de orden n, tiene n autovalores reales distintos
diferentes de cero, entonces el conjunto { x 1 , x 2, , . , x n } es linealmente
independiente. Luego, la matriz A es diagonalizable.
Puede observarse que si { x 1 , x 2, , . , x n } son L.i
la matriz P={
PD P1= A .
Ejemplos:
1.
3 1 0
A 1= 1 2 1
0 1 3
Diagonalizacin de
| A1 I|=
3 1
0
1 2 1 =0 (3)(1)( 4)=0
0
1 3
Autovalores:
= 3; = 1; = 4
R
la matriz es diagonalizable.
Si = 3,
68
][ ] [ ]
0 1 0 x
0
( A1 I ) x =0 1 1 1 y = 0
0 1 0 z
0
y =0 x=t
x yz=0 y =0
y =0 z=t
[]
[
1
x 1= 0
1
Si = 1,
][ ] [ ]
2 1 0 x
0
I
x
=
0
=
( 1
)
1 1 1 y
0
0 1 2 z
0
2 x y=0 x=t
x + y z=0 y=2 t
y +2 z=0 z=t
[]
1
x 2= 2
1
Si = 4,
][ ] [ ]
1 1 0 x
0
( A1 I ) x =0 1 2 1 y = 0
0 1 1 z
0
x y=0 x=t
x2 y z=0 y=t
y z=0 z=t
69
[]
[ ]
1
x 3= 1
1
La matriz
1 1 1
3 0 3
1
1
P= 0 2 1 P =
1 2 1
6
1 1 1
2 2 2
[ ]
3 0 0
P A 1 P=D= 0 1 0
0 0 4
1
2.
3 0
2
A 2= 1 2 3
2 5 1
Diagonalizacin de
| A2 I|=
3
0
2
1
2
3 =0 (+ 6.341)( + 2.251)( 2.592)=0
2
5
1
Autovalores: =
6.341 ; =
2.251 ; =
Si = 6.341 ,
( A2 I ) x =0
][ ] [ ]
3.341
0
2
x
0
1
4.341 3 y = 0
2
5 5.341 z
0
70
2.592
la matriz es diagonalizable.
[ ]
0.598
x 1= 0.828
1
Si =
2.251 ,
( A2 I ) x =0
][ ] [ ]
0.749
0
2
x
0
=
1
0.251 3 y
0
2
5 1.251 z
0
x+ 0.251 y 3 z =0 y=1.317 t
2 x 5 y +1.251 z=0 z=t
[ ]
2.669
x 2= 1.317
1
Si =
2.592
( A2 I ) x =0
][ ] [ ]
5.592
0
2
x
0
1
4.592
3
y =0
2
5
3.592 z
0
2 x 5 y 3.592 z=0 z =t
[ ]
[
0.357
x 3= 0.575
1
La matriz
6.341
0
0
P A 2 P=D=
0
2.251
0
0
0
2.592
1
Caso 2
Cuando hay autovalores repetidos (multiplicidad) y pertenecen a
los reales:
72
P ( )=| AI |=0
( A I ) x =0
Ejemplos:
3.
4 1 1
A 3= 2 5 2
1 1 2
Diagonalizacin de
| A3 I|=
4
1
1
2
2
5 2 =0 ( 3 ) ( 5 ) =0
1
1
2
Autovalores:
= 3; multiplicidad=2
= 5; multiplicidad=1
Si = 3,
][ ] [ ]
1 1 1 x
0
I
x
=
0
=
( 3
)
2 2 2 y
0
1 1 1 z
0
x+ yz=0 x=t x =0
2 x +2 y2 z=0 y =0 y=t
x+ yz=0 z=t z =t
73
R
R
[] []
1
0
x 1= 0 x 2= 1
1
1
Si =5,
][ ] [ ]
1 1 1 x
0
( A3 I ) x =0 2 0 2 y = 0
1 1 3 z
0
x + y z=0 x=t
2 x 2 z=0 y=2 t
x+ y3 z=0 z=t
[]
1
x 3= 2
1
La matriz
[ ] [
[ ]
1 0 1
1 1 1
1
P= 0 1 2 P1= 2 0
2
2
1 1 1
1
1 1
3 0 0
P1 A 3 P=D= 0 3 0
0 0 5
74
4.
3 1 1
A 4 = 7 5 1
6 6 2
Diagonalizacin de
| A 4I |=
4
1
1
2
2
5 2 =0 ( +2) (4)=0
1
1
2
Autovalores:
multiplicidad=1
= -2; multiplicidad=2
Si = -2,
][ ] [ ]
1 1 1 x
0
( A4 I ) x =0 7 7 1 y = 0
6 6 0 z
0
x + y z=0 x=t
7 x +7 yz =0 y=t
6 x +6 y =0 z=0
[]
1
x 1= 1
0
][ ] [ ]
7 1 1 x
0
( A4 I ) x =0 7 1 1 y = 0
6 6 6 z
0
75
, = 4;
7 x + yz =0 x=0
7 x + yz =0 y=t
6 x +6 y 6 z=0 z=t
[]
0
x 2= 1
1
Caso 3
Cuando hay autovalores que pertenecen a los complejos:
Ejemplos:
5.
Diagonalizacin de
[ ]
1 5 4
A 5= 1 1 3
3 4 1
76
la matriz P={
PD P1= A .
1
5
4
| A5 I|= 1 1 3 =0
3
4
1
( 7.228)( + 2.1140.308 i)( +2.114 +0.308 i)=0
Autovalores: =
7.228 ; =
2.114 0.308 i ; =
2.114 +0.308 i
C
Los autovalores son simples
la matriz es diagonalizable.
7.228 ,
Si =
( A5 I ) x =0
][ ] [ ]
6.228
5
4
x
0
1
6.228
3
y=0
3
4
6.228 z
0
6.228 x +5 y +4 z =0 x=1.181t
[ ]
1.181
x 1= 0.671
1
2.114 0.308 i ,
Si =
( A5 I ) x =0
][ ] [ ]
3.114 +0.308 i
5
4
x
0
1
3.114 +0.308 i
3
y=0
3
4
3.114+ 0.308 i z
0
3 x+ 4 y +(3.114+ 0.308i)z=0 z =t
0.3740.424 i
x 2= 1.059+0.241 i
1
2.114+0.308 i ,
Si =
( A5 I ) x =0
][ ] [ ]
3.1140.308 i
5
4
x
0
=
1
3.114 0.308i
3
y
0
3
4
3.1140.308 i z
0
[
[
0.374 +0.424 i
x 3= 1.0590.241i
1
La matriz
1.181 0.3740.424 i
0.374+ 0.424 i
P= 0 0.671 1.059+ 0.241i 1.0590.241i
1
1
1
17
17
17
P1 A 5 P=D=
7.228
0
0
0
2.1140.308 i
0
0
0
2.114 +0.308 i
78
6.
1 1 1
A 6= 1 2 1
1 1 3
Diagonalizacin de
1
1
1
A
I
=
| 6 | 1 2
1 =0
1
1
3
( +2)(+i (2 i+ 2 ) )( i ( 2i+ 2 ))=0
Autovalores: = 2 ; = i (2i+ 2 ) ; =
Los autovalores son simples
Si =
la matriz es diagonalizable.
2 ,
i ( 2 i+ 2 ) C
][ ] [ ]
1
1 1 x
0
( A6 I ) x = 0 1 0 1 y = 0
1 1 1 z
0
x+ yz=0 x=t
x z=0 y=0
x yz=0 z =t
[]
1
x 1= 0
1
79
i (2i+ 2 ) ,
Si =
( A6 I ) x = 0
][ ] [ ]
i ( 2 i+ 2 )
1
1
x
0
1
i (2i+ 2 )
1
y=0
0
1
1
i (2i+ 2 ) z
1
i (2 i+ 2 ) x+ yz=0 x= (12 i 2) t
3
1
x +i (2 i+ 2 ) y + z=0 y= (2 i+ 2) t
3
x y +i (2 i+ 2 ) z=0 z=t
[ ]
1
(12i 2)
3
x 2= 1
(2 i+ 2)
3
1
Si = i ( 2 i+ 2 ) ,
][ ] [ ]
i ( 2 i+ 2 )
1
1
x
0
( A6 I ) x = 0
1
i ( 2i+ 2 )
1
y=0
0
1
1
i ( 2i+ 2 ) z
1
i ( 2i+ 2 ) x+ y z=0 x= (1+ 2i 2)t
3
xi ( 2 i+ 2 ) y + z=0 y =
1
(2 i+ 2) t
3
80
[ ]
1
(1+2i 2)
3
x 3= 1
(2 i+ 2)
3
1
1
La matriz
P1=
1
1
(12 i 2)
(1+2 i 2)
3
3
1
1
1
(2 i+ 2)
(2i+ 2)
3
3
1
P=[ 1 ]
1
2
1
2
1
1
1
i(i+ 2)
i (2i+ 2)
(1i 2)
4
4
4
1
1
1
i(i+ 2)
i(2i+ 2)
(1+i 2)
4
4
4
2
0
0
P A 6 P=D= 0 i (2i + 2 )
0
0
0
i ( 2i + 2 )
1
Caso 4
Cuando hay autovalores que son iguales a cero:
81
7.
2 3 5
A 7= 0 3 0
6 9 15
Diagonalizacin de
| A7 I|=
2
3
5
0
3
0 =0 ( 3)(17)=0
6
9
15
Autovalores: = 0; = 3; = 17
simples
la matriz es diagonalizable.
Si = 0,
2 3
][ ] [ ]
5 x
0
0 y=0
6 9 15 z
0
( A7 I ) x = 0 0 3
2 x +3 y +5 z=0 x=5 t
3 y=0 y =0
6 x+ 9 y+ 15 z=0 z =2t
[]
5
x 1= 0
2
Si = 3,
][ ] [ ]
1 3 5 x
0
A
I
x
=
0
=
( 7
)
0 0 0 y
0
6 9 12 z
0
x +3 y +5 z=0 x=3 t
0=0 y=14 t
6 x+ 9 y+ 12 z=0 z=9t
82
[ ]
3
x 2= 14
9
Si = 17,
( A7 I ) x = 0
][ ] [ ]
15
3
5 x
0
0 12 0 y = 0
6
9 2 z
0
15 x +3 y +5 z =0 x=t
12 y=0 y=0
6 x+ 9 y2 z=0 z=3 t
[]
1
x 3= 0
3
La matriz
[ ]
3
17
5
3
1
P= 0 14 0 P1= 0
2
9 3
2
17
0 0 0
P1 A 7 P=D= 0 3 0
0 0 17
83
1
14
3
14
1
17
0
5
17
Conclusin
Una vez concluido el captulo tenemos una idea clara de temas antes
desconocidos como son los valores propios y vectores propios y sus
distintas aplicaciones.
84
PROCESO DE
ORTOGONALIZACION DE
GRAM SCHMIDT
Teorema:
Sea V un espacio con producto interno y sean v1,,vn vectores independientes
cualesquiera de V. Entonces se pueden construir vectores ortogonales c en V
tales que para cada k=1,2,, n el conjunto S= {1,,k} sea una base del subespacio generado por v1,,vk.
Demostracin:
La construccin de los vectores ortogonales 1,,k es por un algoritmo
conocido con el nombre de proceso de ortonormalizacion de Gram Schmidt.
1.- Asumimos que 1= v1.
2.- Supongamos que, por induccin, los vectores 1,,m (1mn) hayan sido
elegidos de modo que para cada k {1,,k} , 1km es una base ortogonal
para el sub-espacio de V que es generado por v1,,vk.
El siguiente vector, despus de m es:
m
v m +1 , k
k
2
k=1
k
m +1=v m +1
Vm+1
m+1
k
m
v m +1 , k
k
2
k=1
k
85
(1)
m+1 , j
=0, si 1jm.
Probemos:
m+1
m+1 , k , = v , m m+1 , k ,
m +1 j
k
j
k
j
2
2
k=1
k=1
k
k
v m+1
m +1 , k
k , j
2
k=1
k
v m +1 , j
(2)
v m +1 , k
k , j
2
k=1
k
m+1 , j = v m+1 , j
0
v m +1 , k
k , j = v m+1 , j
2
k=1
k
m+1 , j =
(3)
v m +1 , j v m+1 , j
0
1=v 1
2=v 2
v 2 , 1
1
2
1
3=v 3
v 3 , 1
v3 , 2
2
1
2
2
1
2
4 =v 4
v4 , 1
v4 , 2
v4 , 3
1
2
3
2
2
2
1
2
3
Ejemplos:
Usar el proceso de Gram Schmidt para transformar la base B del espacio euclidiano
R3 en una base ortogonal.
SOLUCION:
1=(1,0,1)
2=( 0,0,1 )
( 0,0,1 ) . (1,0,1 )
3=(1,1,0 )
( 1,0,1 )
(1,0,1)=(
(1,1,0 ) . ( 1,0,1 )
2
( 1,0,1 )
1
1
, 0, )
2
2
( 1,0,1 )
(1,1,0 ) . ( 0,0,1 )
1
1
( 0,0,1 )=(
,1, )
2
2
( 0,0,1 )
87
( 1 1 ) ( 1 1 )
v 1=(1,0,1)
v 2=(0,1,1)
v 3=(1,0,0)
SOLUCION:
1=(1,0,1)
2=( 0,1,1 )
3=( 1,0,0 )
( 0,1,1 ) . ( 1,0,1 )
2
(1,0,1 )
( 1,0,0 ) . ( 1,0,1 )
2
(1,0,1 )
( 1
(1,0,1)=(
( 1,0,1 )
) (1
1
1
, 0, )
2
2
(1,0,0 ) . ( 0,1,1 )
1
1
( 0,1,1 )=( , 0, )
2
2
( 0,1,1 )
1
Luego {( 1,0,1 ) , 2 , 0, 2 , 2 , 0, 2 }
88
CONCLUSIONES:
Este logaritmo nos ayuda inicialmente a poder hallar una base ortogonal,
pero al hallar tambin esta base nos bastara solo el hecho de dividir
cada vector entre su norma para hallar una base ortonormal en lo que se
basa principalmente, y as hacer de una manera ms fcil la resolucin
de este captulo de Algebra Lineal.
89