Académique Documents
Professionnel Documents
Culture Documents
CURSO: ALGEBRA LINEAL II
INTRODUCCION.
INTRODUCCION.
INTRODUCCION.
OBJETIVOS.
OBJETIVOS.
OBJETIVOS.
OBJETIVOS.
OBJETIVOS.
OBJETIVOS.
OBJETIVOS.
OBJETIVOS.
1 Tema 0
Espacios Vectoriales
1 Tema 0
Espacios Vectoriales
2 Tema 1
Espacios Vectoriales con Producto Interno
1 Tema 0
Espacios Vectoriales
2 Tema 1
Espacios Vectoriales con Producto Interno
3 Tema 2
Autovalores y Autovectores
1 Tema 0
Espacios Vectoriales
2 Tema 1
Espacios Vectoriales con Producto Interno
3 Tema 2
Autovalores y Autovectores
4 Tema 3
Formas Cuadraticas
1 Tema 0
Espacios Vectoriales
2 Tema 1
Espacios Vectoriales con Producto Interno
3 Tema 2
Autovalores y Autovectores
4 Tema 3
Formas Cuadraticas
5 Tema 4
Interpretaciones Geometricas
Definiciones y Conceptos
Espacios Vectoriales
Espacios Vectoriales
Espacios Vectoriales
Espacios Vectoriales
K, v V 7 .v
Propiedades
Con estas operaciones y dados , K y u, v, w V
Propiedades
Con estas operaciones y dados , K y u, v, w V
u + v = v + u (Comutatividad).
Propiedades
Con estas operaciones y dados , K y u, v, w V
u + v = v + u (Comutatividad).
u + (v + w) = (u + v) + w (Asociatividad).
Propiedades
Con estas operaciones y dados , K y u, v, w V
u + v = v + u (Comutatividad).
u + (v + w) = (u + v) + w (Asociatividad).
0 V tal que v + 0 = v.
Propiedades
Con estas operaciones y dados , K y u, v, w V
u + v = v + u (Comutatividad).
u + (v + w) = (u + v) + w (Asociatividad).
0 V tal que v + 0 = v.
Para cada v V v V tal que v + (v) = 0 .
Propiedades
Con estas operaciones y dados , K y u, v, w V
u + v = v + u (Comutatividad).
u + (v + w) = (u + v) + w (Asociatividad).
0 V tal que v + 0 = v.
Para cada v V v V tal que v + (v) = 0 .
1 es la unidad del cuerpo K, es decir 1.v = v.
Propiedades
Con estas operaciones y dados , K y u, v, w V
u + v = v + u (Comutatividad).
u + (v + w) = (u + v) + w (Asociatividad).
0 V tal que v + 0 = v.
Para cada v V v V tal que v + (v) = 0 .
1 es la unidad del cuerpo K, es decir 1.v = v.
()v = (v).
Propiedades
Con estas operaciones y dados , K y u, v, w V
u + v = v + u (Comutatividad).
u + (v + w) = (u + v) + w (Asociatividad).
0 V tal que v + 0 = v.
Para cada v V v V tal que v + (v) = 0 .
1 es la unidad del cuerpo K, es decir 1.v = v.
()v = (v).
(v + u) = v + u (Distributiva).
Propiedades
Con estas operaciones y dados , K y u, v, w V
u + v = v + u (Comutatividad).
u + (v + w) = (u + v) + w (Asociatividad).
0 V tal que v + 0 = v.
Para cada v V v V tal que v + (v) = 0 .
1 es la unidad del cuerpo K, es decir 1.v = v.
()v = (v).
(v + u) = v + u (Distributiva).
( + )v = v + v.
Ejemplos
Ejemplos
Ejemplos
Ejemplos
Ejemplos
Ejemplos
Subespacio Vectorial
Subespacio Vectorial
Subespacio Vectorial
Un subespacio vectorial de un espacio vectorial V es un subconjunto
W V que en relacion a las operaciones que viven en V , es tambien
un espacio vectorial.
Un criterio para determinar si W es un subespacio de V es el si-
guiente.
Subespacio Vectorial
Subespacio Vectorial
Un subespacio vectorial de un espacio vectorial V es un subconjunto
W V que en relacion a las operaciones que viven en V , es tambien
un espacio vectorial.
Un criterio para determinar si W es un subespacio de V es el si-
guiente.
Proposicion
Un subconjunto no vaco W de V es un subespacio de este si y solo
si,
Subespacio Vectorial
Subespacio Vectorial
Un subespacio vectorial de un espacio vectorial V es un subconjunto
W V que en relacion a las operaciones que viven en V , es tambien
un espacio vectorial.
Un criterio para determinar si W es un subespacio de V es el si-
guiente.
Proposicion
Un subconjunto no vaco W de V es un subespacio de este si y solo
si,
(u + w) W | , K, u, w W.
Combinacion Lineal
Combinacion Lineal
Combinacion Lineal
Un elemento v V se dice que es combinaci on lineal de los ele-
mentos u1 , ..., un si existen 1 , ..., n K tales que
Combinacion Lineal
Combinacion Lineal
Un elemento v V se dice que es combinaci on lineal de los ele-
mentos u1 , ..., un si existen 1 , ..., n K tales que
v = 1 u1 + ... + 1 un
Combinacion Lineal
Combinacion Lineal
Un elemento v V se dice que es combinaci on lineal de los ele-
mentos u1 , ..., un si existen 1 , ..., n K tales que
v = 1 u1 + ... + 1 un
Combinacion Lineal
Combinacion Lineal
Un elemento v V se dice que es combinaci on lineal de los ele-
mentos u1 , ..., un si existen 1 , ..., n K tales que
v = 1 u1 + ... + 1 un
X S(X) x = 1.x
X S(X) x = 1.x
X S(X) x = 1.x
X S(X) x = 1.x
Dependencia Lineal
Sea V un E-V sobre un K. Un subconjunto W de V se dice que son
linealmente dependiente o L.D si existen elementos w1 , ..., wn W
y escalares 1 , ..., n K no todos nulos tales que
Dependencia Lineal
Sea V un E-V sobre un K. Un subconjunto W de V se dice que son
linealmente dependiente o L.D si existen elementos w1 , ..., wn W
y escalares 1 , ..., n K no todos nulos tales que
w1 1 + ... + wn n = 0 .
Dependencia Lineal
Sea V un E-V sobre un K. Un subconjunto W de V se dice que son
linealmente dependiente o L.D si existen elementos w1 , ..., wn W
y escalares 1 , ..., n K no todos nulos tales que
w1 1 + ... + wn n = 0 .
Independencia Lineal
Sea V un E-V sobre un K. Un subconjunto W de V se dice que son
linealmente independiente o L.I si existen elementos w1 , ..., wn W
y escalares 1 , ..., n K tales que
Dependencia Lineal
Sea V un E-V sobre un K. Un subconjunto W de V se dice que son
linealmente dependiente o L.D si existen elementos w1 , ..., wn W
y escalares 1 , ..., n K no todos nulos tales que
w1 1 + ... + wn n = 0 .
Independencia Lineal
Sea V un E-V sobre un K. Un subconjunto W de V se dice que son
linealmente independiente o L.I si existen elementos w1 , ..., wn W
y escalares 1 , ..., n K tales que
w1 1 + ... + wn n = 0 con 1 = ... = n = 0 .
Bases
Bases
Bases
Sea V un E-V. Una base de V es un conjunto de elementos L.I de
V que lo generan.
Definiciones y Conceptos
Producto Interno
Producto Interno
Producto Interno
<, >: V V K
Producto Interno
<, >: V V K
1 < u, u > 0, si y s
olo si u = 0.
1 < u, u > 0, si y s
olo si u = 0.
2 < u + v, w >=< u, w > + < v, w > u, v, w V .
1 < u, u > 0, si y s
olo si u = 0.
2 < u + v, w >=< u, w > + < v, w > u, v, w V .
3 < u, v >= < u, v > u, v V y K.
1 < u, u > 0, si y s
olo si u = 0.
2 < u + v, w >=< u, w > + < v, w > u, v, w V .
3 < u, v >= < u, v > u, v V y K.
4 < u, v >= < v, u >, donde la barra indica conjugacion com-
pleja.
k u k= + < u, u >.
k u k= + < u, u >.
k u k= + < u, u >.
q
k v k= u21 + ... + u2n con v = (u1 , ..., un ) tq ui R.
Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ
omicas y Sociales - FACES
Escuela de Estadstica y Ciencias Actuariales / Asignatura: Algebra Lineal II
Tema 0 Tema 1 Tema 2 Tema 3 Tema 4
Desigualdad de Cauchy-Schwarz
Desigualdad de Cauchy-Schwarz
Desigualdad de Cauchy-Schwarz
|< u, v >|k u k . k v k .
Demostracion
Sea K y u, v V donde
Demostracion
Sea K y u, v V donde
Demostracion
Sea K y u, v V donde
Sustituyendo se concluye
Sustituyendo se concluye
Proposicion
Sea V un E-V con <, >. Sea u, v V y K.
Sustituyendo se concluye
Proposicion
Sea V un E-V con <, >. Sea u, v V y K.
1 k u k= 0 y k u k 0 u = 0.
Sustituyendo se concluye
Proposicion
Sea V un E-V con <, >. Sea u, v V y K.
1 k u k= 0 y k u k 0 u = 0.
2 k u k=| | . k u k.
Sustituyendo se concluye
Proposicion
Sea V un E-V con <, >. Sea u, v V y K.
1 k u k= 0 y k u k 0 u = 0.
2 k u k=| | . k u k.
3 k u + v kk u k + k v k (Desigualdad Triangular).
Resultados Importantes
Resultados Importantes
1 Si k u k= 1 se dice que u es un vector unitario.
Resultados Importantes
1 Si k u k= 1 se dice que u es un vector unitario.
2 Si < u, v >= 0 entonces u, v son ortogonales.
Resultados Importantes
1 Si k u k= 1 se dice que u es un vector unitario.
2 Si < u, v >= 0 entonces u, v son ortogonales.
3 Cualquier elemento u 6= 0 puede normalizarse. Es decir la ad-
quisicion de un vector unitario de u
b.
u
u
b= .
kuk
Resultados Importantes
1 Si k u k= 1 se dice que u es un vector unitario.
2 Si < u, v >= 0 entonces u, v son ortogonales.
3 Cualquier elemento u 6= 0 puede normalizarse. Es decir la ad-
quisicion de un vector unitario de u
b.
u
u
b= .
kuk
4 Si u, v V , la distancia entre ellos es d(u, v) =k u v k.
Resultados Importantes
1 Si k u k= 1 se dice que u es un vector unitario.
2 Si < u, v >= 0 entonces u, v son ortogonales.
3 Cualquier elemento u 6= 0 puede normalizarse. Es decir la ad-
quisicion de un vector unitario de u
b.
u
u
b= .
kuk
4 Si u, v V , la distancia entre ellos es d(u, v) =k u v k.
5 Si u, v V son elementos no nulos, el angulo (0 )
entre u y v es
< u, v >
cos() = .
kuk.kvk
Ejercicios
Ejercicios
1 Sea C[0, 1] con <, >. Donde f (x) = x + 2 y g(x) = 3x 2
tales que Z 1
< f, g >= f (x)g(x)dx.
0
Ejercicios
1 Sea C[0, 1] con <, >. Donde f (x) = x + 2 y g(x) = 3x 2
tales que Z 1
< f, g >= f (x)g(x)dx.
0
2 Sea C[, ] con <, >. Donde f (x) = sen(x) y g(x) = cos(x)
tales que son elementos ortogonales.
Ejercicios
1 Sea C[0, 1] con <, >. Donde f (x) = x + 2 y g(x) = 3x 2
tales que Z 1
< f, g >= f (x)g(x)dx.
0
2 Sea C[, ] con <, >. Donde f (x) = sen(x) y g(x) = cos(x)
tales que son elementos ortogonales.
3 Pruebe la Ley del Paralelogramo.
k u + v k2 + k u v k2 = 2(k u k2 + k v k2 ).
Ejercicios
1 Sea C[0, 1] con <, >. Donde f (x) = x + 2 y g(x) = 3x 2
tales que Z 1
< f, g >= f (x)g(x)dx.
0
2 Sea C[, ] con <, >. Donde f (x) = sen(x) y g(x) = cos(x)
tales que son elementos ortogonales.
3 Pruebe la Ley del Paralelogramo.
k u + v k2 + k u v k2 = 2(k u k2 + k v k2 ).
4 Demostrar la siguiente igualdad
k u + v k2 k u v k2 = 4 < u, v > u, v R.
Complemento Ortogonal
Sea S un subconjunto de (V, E V, <, >). Se dira que el Comple-
mento Ortogonal de S viene dado por
Complemento Ortogonal
Sea S un subconjunto de (V, E V, <, >). Se dira que el Comple-
mento Ortogonal de S viene dado por
Complemento Ortogonal
Sea S un subconjunto de (V, E V, <, >). Se dira que el Comple-
mento Ortogonal de S viene dado por
Proposicion
Si S es un sub-espacio vectorial de V , entonces S es un sub-espacio
vectorial.
Complemento Ortogonal
Sea S un subconjunto de (V, E V, <, >). Se dira que el Comple-
mento Ortogonal de S viene dado por
Proposicion
Si S es un sub-espacio vectorial de V , entonces S es un sub-espacio
vectorial.
Para la demostracion s
olo basta ver que dados
Complemento Ortogonal
Sea S un subconjunto de (V, E V, <, >). Se dira que el Comple-
mento Ortogonal de S viene dado por
Proposicion
Si S es un sub-espacio vectorial de V , entonces S es un sub-espacio
vectorial.
Para la demostracion s
olo basta ver que dados
u, v S , K = u + v S .
Conjunto Ortogonal
Sea A = {v1 , ..., vn } un conjunto de vectores no nulos en (V, <, >),
decimos que A es un Conjunto Ortogonal. Si los elementos son
ortogonales uno a uno, es decir
Conjunto Ortogonal
Sea A = {v1 , ..., vn } un conjunto de vectores no nulos en (V, <, >),
decimos que A es un Conjunto Ortogonal. Si los elementos son
ortogonales uno a uno, es decir
< vi , vj >= 0 i 6= j.
Conjunto Ortonormal
Se dira que A es un Conjunto Ortonormal si ademas de ser ortogonal
cada uno de sus elementos es unitario, es decir
Conjunto Ortogonal
Sea A = {v1 , ..., vn } un conjunto de vectores no nulos en (V, <, >),
decimos que A es un Conjunto Ortogonal. Si los elementos son
ortogonales uno a uno, es decir
< vi , vj >= 0 i 6= j.
Conjunto Ortonormal
Se dira que A es un Conjunto Ortonormal si ademas de ser ortogonal
cada uno de sus elementos es unitario, es decir
0, si i 6= j
< vi , vj >=
1, si i = j.
Proposicion
Si A es ortonormal, entonces A es linealmente independiente.
Demostraci
on:
Bastara con ver que < 1 v1 +...+n vn , vi >= 0 para luego concluir
que,
A = v1 , ..., vn ortogonal = i = 0.
Proposicion
Si A es ortonormal, entonces A es linealmente independiente.
Demostraci
on:
Bastara con ver que < 1 v1 +...+n vn , vi >= 0 para luego concluir
que,
A = v1 , ..., vn ortogonal = i = 0.
Teorema de Pitagoras
Si {v1 , ..., vn } es ortogonal, entonces
Proposicion
Si A es ortonormal, entonces A es linealmente independiente.
Demostraci
on:
Bastara con ver que < 1 v1 +...+n vn , vi >= 0 para luego concluir
que,
A = v1 , ..., vn ortogonal = i = 0.
Teorema de Pitagoras
Si {v1 , ..., vn } es ortogonal, entonces
k v1 + ... + vn k2 =k v1 k2 +...+ k vn k2 .
Proposicion
Sea {v1 , ..., vn } una base ortogonal de V , entonces para cada vk V
se tiene que
Proposicion
Sea {v1 , ..., vn } una base ortogonal de V , entonces para cada vk V
se tiene que
Proposicion
Sea {v1 , ..., vn } una base ortogonal de V , entonces para cada vk V
se tiene que
Proposicion
Sea {v1 , ..., vn } una base ortogonal de V , entonces para cada vk V
se tiene que
Proposicion
Sea {v1 , ..., vn } una base ortogonal de V , entonces para cada vk V
se tiene que
donde
< vk , vi > < vk , vi >
i = = .
< vi , vi > k vi k2
donde
< vk , vi > < vk , vi >
i = = .
< vi , vi > k vi k2
Proyecciones
6 0 y v V con (V, <, >). La Proyecci
Sea w = on de v sobre w. Si
K tal que v w es ortogonal a w entonces
0 = < v w, w >
0 = < v, w > < w, w >
< v, w > = < w, w >
Proyecciones
6 0 y v V con (V, <, >). La Proyecci
Sea w = on de v sobre w. Si
K tal que v w es ortogonal a w entonces
0 = < v w, w >
0 = < v, w > < w, w >
< v, w > = < w, w >
finalmente
Proyecciones
6 0 y v V con (V, <, >). La Proyecci
Sea w = on de v sobre w. Si
K tal que v w es ortogonal a w entonces
0 = < v w, w >
0 = < v, w > < w, w >
< v, w > = < w, w >
finalmente
< v, w >
= .
< w, w >
Teorema
Sea {w1 , ..., wn } un conjunto ortogonal y v V entonces
Teorema
Sea {w1 , ..., wn } un conjunto ortogonal y v V entonces
< v, wi >
v (1 w1 + ... + n wn ) con i = es ortogonal.
< wi , wi >
Teorema
Sea {w1 , ..., wn } un conjunto ortogonal y v V entonces
< v, wi >
v (1 w1 + ... + n wn ) con i = es ortogonal.
< wi , wi >
Demostraci
on: TAREA
Proyeccion de V sobre S
Proyeccion de V sobre S
Sea {ui } con (1 i n) una base ortogonal de S V con V un
E-V.
n
X < v, ui >
PS (v) = ui .
k ui k2
i=1
Proyeccion de V sobre S
Sea {ui } con (1 i n) una base ortogonal de S V con V un
E-V.
n
X < v, ui >
PS (v) = ui .
k ui k2
i=1
es decir
n n n
X < v, ui > X < v, ui > ui X
PS (v) = ui = = < u, wi > wi .
k ui k2 k ui k k ui k
i=1 i=1 i=1
Proposicion
Sea v V , el punto mas cercano a el subespacio S V es PS (v).
Proposicion
Sea v V , el punto mas cercano a el subespacio S V es PS (v).
Proposicion
Sea v V , el punto mas cercano a el subespacio S V es PS (v).
PS : V V.
Proposicion
Sea v V , el punto mas cercano a el subespacio S V es PS (v).
PS : V V.
Proposicion
Si S un subespacio de dimensi
on finita de un espacio vectorial V
entonces
Proposicion
Si S un subespacio de dimension finita de un espacio vectorial V
entonces
k v PS (v) kk v s k .
Demostraci
on:
Demostraci
on:
Demostraci
on:
k v PS (v) kk v s k .
Demostraci
on:
k v PS (v) kk v s k .
Demostraci
on:
k v PS (v) kk v s k .
Proceso de Ortogonalizaci
on Gram-Schmidt
Sea (V, <, >) y una base = {v1 , ..., vn }. Partiendo de se puede
construir una base ortogonal 0 = {w1 , ..., wn }
Proceso de Ortogonalizaci
on Gram-Schmidt
Sea (V, <, >) y una base = {v1 , ..., vn }. Partiendo de se puede
construir una base ortogonal 0 = {w1 , ..., wn }
Procedimiento
w1 = v 1
< v2 , w1 >
w2 = v 2 w1
< w1 , w1 >
.. .
. = ..
< vn , w1 > < vn , wn1 >
wn = v n w1 . . . wn1 .
< w1 , w1 > < wn1 , wn1 >
Definiciones y Conceptos
Cambio de Base
Sean {v1 , ..., vn } y {w1 , ..., wn } dos bases fijas en V . Donde
Cambio de Base
Sean {v1 , ..., vn } y {w1 , ..., wn } dos bases fijas en V . Donde
w1 = a11 v1 + . . . + an1 vn
.. .. ..
. = . + ... + .
wn = a1n v1 + . . . + ann vn
Cambio de Base
Sean {v1 , ..., vn } y {w1 , ..., wn } dos bases fijas en V . Donde
w1 = a11 v1 + . . . + an1 vn
.. .. ..
. = . + ... + .
wn = a1n v1 + . . . + ann vn
e implica
Cambio de Base
Sean {v1 , ..., vn } y {w1 , ..., wn } dos bases fijas en V . Donde
w1 = a11 v1 + . . . + an1 vn
.. .. ..
. = . + ... + .
wn = a1n v1 + . . . + ann vn
e implica
a11 ... a1n
.. .. .. .
C= . . .
an1 ... ann
v = x1 v1 + . . . + xn vn y v = y 1 w1 + . . . + y n wn
entonces
v = x1 v1 + . . . + xn vn y v = y 1 w1 + . . . + y n wn
entonces
x1 y1
.. .. .
. =C
.
xn yn
B = C 1 AC.
B = C 1 AC.
B = C 1 AC.
Ejemplo
2 0
Sea A = y la base B = {(1, 1); (0, 1)}.
0 3
Matriz Diagonal
Sea A Mn (K) se le dira Matriz Diagonal si todas sus entradas
son nulas excepto la diagonal principal:
Matriz Diagonal
Sea A Mn (K) se le dira Matriz Diagonal si todas sus entradas
son nulas excepto la diagonal principal:
Matriz Diagonal
Sea A Mn (K) se le dira Matriz Diagonal si todas sus entradas
son nulas excepto la diagonal principal:
Notacion
Una matriz diagonal se denota por diag(a1 , ..., an ) tal que
Matriz Diagonal
Sea A Mn (K) se le dira Matriz Diagonal si todas sus entradas
son nulas excepto la diagonal principal:
Notacion
Una matriz diagonal se denota por diag(a1 , ..., an ) tal que
a1 . . . 0
diag(a1 , ..., an ) = ... . . . ... .
0 . . . an
Ejemplo
1 0 0
diag(1, 3, 9) = 0 3 0 ;
0 0 9
Ejemplo
1 0 0
diag(1, 3, 9) = 0 3 0 ;
0 0 9
2
3 0 0 0
2 0 5 0 0
diag , 5, 5, 4 = 0 0
.
3 5 0
0 0 0 4
Ejemplo
1 0 0
diag(1, 3, 9) = 0 3 0 ;
0 0 9
2
3 0 0 0
2 0 5 0 0
diag , 5, 5, 4 = 0 0
.
3 5 0
0 0 0 4
Diagonalizacion
Sea : V V un operador. Se dice que es Diagonalizable si
existe una base de V tal que la matriz asociada a es diagonal.
(v1 ) = 1 v1
.. . .
. = .. + . .
(v1 ) = . . . + . . . + n vn
0 ... n
Esto equivale a calcular i para los que existen unos vectores vi tales
que (vi ) = i . Lo que se reduce al calculo de un vector y un , es
decir dada
0 ... n
Esto equivale a calcular i para los que existen unos vectores vi tales
que (vi ) = i . Lo que se reduce al calculo de un vector y un , es
decir dada
a11 ... a1n x1
A = ... .. .. y vi = ...
. .
an1 ... ann xn
0 ... n
Esto equivale a calcular i para los que existen unos vectores vi tales
que (vi ) = i . Lo que se reduce al calculo de un vector y un , es
decir dada
a11 ... a1n x1
A = ... .. .. y vi = ...
. .
an1 ... ann xn
0 ... n
Esto equivale a calcular i para los que existen unos vectores vi tales
que (vi ) = i . Lo que se reduce al calculo de un vector y un , es
decir dada
a11 ... a1n x1
A = ... .. .. y vi = ...
. .
an1 ... ann xn
Autovalores y Autovectores
Sea (V, E V ) y un operador en V . Si el v 6= 0 y es autovector
de entonces existe un escalar llamado autovalor de V tal que
Autovalores y Autovectores
Sea (V, E V ) y un operador en V . Si el v 6= 0 y es autovector
de entonces existe un escalar llamado autovalor de V tal que
(v) = v.
Autovalores y Autovectores
Sea (V, E V ) y un operador en V . Si el v 6= 0 y es autovector
de entonces existe un escalar llamado autovalor de V tal que
(v) = v.
Teorema
Sea (V, E V ) de dimensi
on n. Si hay n autovectores linealmente
independientes la matriz en la base formada por esos n autovec-
tores es diagonal.
Autovalores y Autovectores
Sea (V, E V ) y un operador en V . Si el v 6= 0 y es autovector
de entonces existe un escalar llamado autovalor de V tal que
(v) = v.
Teorema
Sea (V, E V ) de dimensi
on n. Si hay n autovectores linealmente
independientes la matriz en la base formada por esos n autovec-
tores es diagonal.
NOTA: Para la prueba, basta hallar los i autovalores de mediante: det(A I) = 0 . Mientras que para los
autovectores se basta con: (A i ) v = 0 .
Polinomio Caracterstico
Sea A una matriz cuadrada n n. Se llamara Polinomio Carac-
terstico de A a traves de la siguiente expresi
on
Polinomio Caracterstico
Sea A una matriz cuadrada n n. Se llamara Polinomio Carac-
terstico de A a traves de la siguiente expresi
on
PA () = det (I A) .
Polinomio Caracterstico
Sea A una matriz cuadrada n n. Se llamara Polinomio Carac-
terstico de A a traves de la siguiente expresi
on
PA () = det (I A) .
Proposicion
Sea A y B matrices de un mismo operador (bases distintas), enton-
ces
PA () = PB ().
Ejemplo
Dada una matriz
1 3
A=
1 5
Ejemplo
Dada una matriz
1 3
A=
1 5
1 Para hallar los autovalores det(A I) = 0 .
Ejemplo
Dada una matriz
1 3
A=
1 5
1 Para hallar los autovalores det(A I) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
Ejemplo
Dada una matriz
1 3
A=
1 5
1 Para hallar los autovalores det(A I) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
Ejemplo
Dada una matriz
1 3
A=
1 5
1 Para hallar los autovalores det(A I) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
Soluci
on
Ejemplo
Dada una matriz
1 3
A=
1 5
1 Para hallar los autovalores det(A I) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
Soluci
on
1 3 0
1 PA () = det = 2 6 + 8 = 0 = ( 2)( 4).
1 5 0
1 = 2 y 2 = 4.
Ejemplo
Dada una matriz
1 3
A=
1 5
1 Para hallar los autovalores det(A I) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
Soluci
on
1 3 0
1 PA () = det = 2 6 + 8 = 0 = ( 2)( 4).
1 5 0
1 = 2 y 2 = 4.
Ejemplo
Dada una matriz
1 3
A=
1 5
1 Para hallar los autovalores det(A I) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
Soluci
on
1 3 0
1 PA () = det = 2 6 + 8 = 0 = ( 2)( 4).
1 5 0
1 = 2 y 2 = 4.
Ejemplo
Dada una matriz
1 3
A=
1 5
1 Para hallar los autovalores det(A I) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
Soluci
on
1 3 0
1 PA () = det = 2 6 + 8 = 0 = ( 2)( 4).
1 5 0
1 = 2 y 2 = 4.
La base viene dada como {(3, 1), (1, 1)} La matriz asociada al
operador
Ejemplo
Dada una matriz
1 3
A=
1 5
1 Para hallar los autovalores det(A I) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
Soluci
on
1 3 0
1 PA () = det = 2 6 + 8 = 0 = ( 2)( 4).
1 5 0
1 = 2 y 2 = 4.
La base viene dada como {(3, 1), (1, 1)} La matriz asociada al
operador
2 0
.
0 4
Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ
omicas y Sociales - FACES
Escuela de Estadstica y Ciencias Actuariales / Asignatura: Algebra Lineal II
Tema 0 Tema 1 Tema 2 Tema 3 Tema 4
Corolario
Sea un operador en V , si el polinomio caracterstico de tiene n
races distintas, entonces es diagonalizable en la base construida
de los autovectores.
NOTA: Se puede dar el caso de una base con n autovectores a
un
cuando no haya n autovalores distintos.
Ejemplo
1 0
Dada A = .
0 1
Corolario
Sea un operador en V , si el polinomio caracterstico de tiene n
races distintas, entonces es diagonalizable en la base construida
de los autovectores.
NOTA: Se puede dar el caso de una base con n autovectores a
un
cuando no haya n autovalores distintos.
Ejemplo
1 0
Dada A = .
0 1
1 El PA () = ( 1)2 .
Corolario
Sea un operador en V , si el polinomio caracterstico de tiene n
races distintas, entonces es diagonalizable en la base construida
de los autovectores.
NOTA: Se puede dar el caso de una base con n autovectores a
un
cuando no haya n autovalores distintos.
Ejemplo
1 0
Dada A = .
0 1
1 El PA () = ( 1)2 .
2 Autovalores 1 = 2 = 1.
Corolario
Sea un operador en V , si el polinomio caracterstico de tiene n
races distintas, entonces es diagonalizable en la base construida
de los autovectores.
NOTA: Se puede dar el caso de una base con n autovectores a
un
cuando no haya n autovalores distintos.
Ejemplo
1 0
Dada A = .
0 1
1 El PA () = ( 1)2 .
2 Autovalores 1 = 2 = 1.
3 Autovectores correspondiente son de la forma (a, b) con a, b
R {0}.
Corolario
Sea un operador en V , si el polinomio caracterstico de tiene n
races distintas, entonces es diagonalizable en la base construida
de los autovectores.
NOTA: Se puede dar el caso de una base con n autovectores a
un
cuando no haya n autovalores distintos.
Ejemplo
1 0
Dada A = .
0 1
1 El PA () = ( 1)2 .
2 Autovalores 1 = 2 = 1.
3 Autovectores correspondiente son de la forma (a, b) con a, b
R {0}.
4 La base de autovectores de A es {(1, 0), (0, 1)}.
Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ
omicas y Sociales - FACES
Escuela de Estadstica y Ciencias Actuariales / Asignatura: Algebra Lineal II
Tema 0 Tema 1 Tema 2 Tema 3 Tema 4
Matriz Ortogonal
Sea una matriz A se dira que A es una Matriz Ortogonal si cumple
AAt = I.
Matriz Ortogonal
Sea una matriz A se dira que A es una Matriz Ortogonal si cumple
AAt = I.
Ejemplo
Determine si A es una matriz ortogonal donde
!
2 2
2
2
A= 2 2
.
2 2
rango(A).
rango(A).
NOTA: En la practica no es preciso calcular la forma escalonada
reducida de A. El rango de filas de A coincide con el n umero de
filas no nulas de cualquier matriz escalonada obtenida, realizando
operaciones elementales sobre las filas de A. De hecho, para calcular
el rango(A) se pueden combinar operaciones elementales por filas
y por columnas hasta obtener una matriz en forma escalonada.
Matriz Simetrica
Sea A una matriz n m. Se dira que A es una Matriz Simetrica si
es cuadrada, mediante la cual tiene la propiedad de A = At .
Matriz Simetrica
Sea A una matriz n m. Se dira que A es una Matriz Simetrica si
es cuadrada, mediante la cual tiene la propiedad de A = At .
Propiedades
Sea una matriz A simetrica con n autovalores i i {1, ..., n}..
Se dira que A es
1 Definida Positiva: si y s
olo si todos los autovalores i > 0.
Matriz Simetrica
Sea A una matriz n m. Se dira que A es una Matriz Simetrica si
es cuadrada, mediante la cual tiene la propiedad de A = At .
Propiedades
Sea una matriz A simetrica con n autovalores i i {1, ..., n}..
Se dira que A es
1 Definida Positiva: si y s
olo si todos los autovalores i > 0.
2 Definida Negativa: si y s
olo si todos los autovalores i < 0.
Matriz Simetrica
Sea A una matriz n m. Se dira que A es una Matriz Simetrica si
es cuadrada, mediante la cual tiene la propiedad de A = At .
Propiedades
Sea una matriz A simetrica con n autovalores i i {1, ..., n}..
Se dira que A es
1 Definida Positiva: si y s
olo si todos los autovalores i > 0.
2 Definida Negativa: si y s
olo si todos los autovalores i < 0.
3 olo si todos los autovalores i 0.
Semidefinida Positiva: si y s
Matriz Simetrica
Sea A una matriz n m. Se dira que A es una Matriz Simetrica si
es cuadrada, mediante la cual tiene la propiedad de A = At .
Propiedades
Sea una matriz A simetrica con n autovalores i i {1, ..., n}..
Se dira que A es
1 Definida Positiva: si y s
olo si todos los autovalores i > 0.
2 Definida Negativa: si y s
olo si todos los autovalores i < 0.
3 olo si todos los autovalores i 0.
Semidefinida Positiva: si y s
4 olo si todos los autovalores i 0.
Semidefinida Negativa: si y s
Matriz Simetrica
Sea A una matriz n m. Se dira que A es una Matriz Simetrica si
es cuadrada, mediante la cual tiene la propiedad de A = At .
Propiedades
Sea una matriz A simetrica con n autovalores i i {1, ..., n}..
Se dira que A es
1 Definida Positiva: si y s
olo si todos los autovalores i > 0.
2 Definida Negativa: si y s
olo si todos los autovalores i < 0.
3 olo si todos los autovalores i 0.
Semidefinida Positiva: si y s
4 olo si todos los autovalores i 0.
Semidefinida Negativa: si y s
5 Indefinida: si y solo si se tienen i > 0 y j < 0 (con i 6= j).
Descomposicion Espectral
Sea A una matriz simetrica, con i i {1, ..., n} autovalores y
con sus respectivos autovectores vi normalizados tal que
Descomposicion Espectral
Sea A una matriz simetrica, con i i {1, ..., n} autovalores y
con sus respectivos autovectores vi normalizados tal que
Avi = i vi .
Descomposicion Espectral
Sea A una matriz simetrica, con i i {1, ..., n} autovalores y
con sus respectivos autovectores vi normalizados tal que
Avi = i vi .
Escribiendo estas igualdades en forma matricial. Para esto se define
una matriz P y D tal que
Descomposicion Espectral
Sea A una matriz simetrica, con i i {1, ..., n} autovalores y
con sus respectivos autovectores vi normalizados tal que
Avi = i vi .
Escribiendo estas igualdades en forma matricial. Para esto se define
una matriz P y D tal que
Descomposicion Espectral
Sea A una matriz simetrica, con i i {1, ..., n} autovalores y
con sus respectivos autovectores vi normalizados tal que
Avi = i vi .
Escribiendo estas igualdades en forma matricial. Para esto se define
una matriz P y D tal que
Descomposicion Espectral
Sea A una matriz simetrica, con i i {1, ..., n} autovalores y
con sus respectivos autovectores vi normalizados tal que
Avi = i vi .
Escribiendo estas igualdades en forma matricial. Para esto se define
una matriz P y D tal que
AP = P D A = P DP 1 D = P AP t .
Teorema de Descomposici
on Espectral
Sea A una matriz simetrica, con i (i {1, ..., n}) autovalores y
con sus respectivos autovectores vi normalizados. Si P es la matriz
columna de los vi (ortogonal) y ademas el rango(A) coincide con el
n
umero de i no nulos, entonces A se puede descomponer o expresar
como
Teorema de Descomposici
on Espectral
Sea A una matriz simetrica, con i (i {1, ..., n}) autovalores y
con sus respectivos autovectores vi normalizados. Si P es la matriz
columna de los vi (ortogonal) y ademas el rango(A) coincide con el
n
umero de i no nulos, entonces A se puede descomponer o expresar
como
Xn
A = P DP t = i vi vit .
i=1
Ejemplo
Hacer la descomposici
on espectral de:
3
2 5
A= .
2 5 4
Ejemplo
Hacer la descomposici
on espectral de:
3
2 5
A= .
2 5 4
1 Para hallar los autovalores det(I A) = 0 .
Ejemplo
Hacer la descomposici
on espectral de:
3
2 5
A= .
2 5 4
1 Para hallar los autovalores det(I A) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
Ejemplo
Hacer la descomposici
on espectral de:
3
2 5
A= .
2 5 4
1 Para hallar los autovalores det(I A) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
3 Construir P (simetrica) con una base ortonormal de los auto-
vectores {v1 , v2 }.
Ejemplo
Hacer la descomposici
on espectral de:
3
2 5
A= .
2 5 4
1 Para hallar los autovalores det(I A) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
3 Construir P (simetrica) con una base ortonormal de los auto-
vectores {v1 , v2 }.
4 Verificar D = P AP t .
Ejemplo
Hacer la descomposici
on espectral de:
3
2 5
A= .
2 5 4
1 Para hallar los autovalores det(I A) = 0 .
2 Para hallar los autovectores (A Ii ) v = 0 .
3 Construir P (simetrica) con una base ortonormal de los auto-
vectores {v1 , v2 }.
4 Verificar D = P AP t .
5 Calcular la Descomposici
on Espectral.
Soluci
on
Soluci
on
1 1 = 1 y 2 = 8.
Soluci
on
1 1 = 1 y 2 = 8.
2 u1 = ( 5, 2) y u2 = (2 5, 5).
Soluci
on
1 1 = 1 y 2 = 8.
2 u1 = ( 5, 2) y u2 = (2 5, 5).
!
35 23
3 P = 2 5
.
3 3
Soluci
on
1 1 = 1 y 2 = 8.
2 u1 = ( 5, 2) y u2 = (2 5, 5).
!
35 23
3 P = 2 5
.
3 3
! !
35 2 35 2
4 t 3 3
2 5 3
1 0
D = P AP = = .
2 5 2 5 4 2 5 0 8
3 3 3 3
Soluci
on
1 1 = 1 y 2 = 8.
2 u1 = ( 5, 2) y u2 = (2 5, 5).
!
35 23
3 P = 2 5
.
3 3
! !
35 2 35 2
4 t 3 3
2 5 3
1 0
D = P AP = = .
2 5 2 5 4 2 5 0 8
3 3 3 3
! !
5 295 4 2 5
3 2 5
5 i vi vit = (1) 9 9 9
P
A= +8 = .
295 4
9
2 5
9
5
9
2 5 4
1 ... n 0.
Teorema de Descomposici
on en Valores Singulares
Sea A una matriz con rango(A) = n y valores singulares no nulos
i (i {1, ..., n}) tales que 1 ... n 0. Entonces existen
dos matrices ortogonales P , y otra matriz K tal que
Teorema de Descomposici
on en Valores Singulares
Sea A una matriz con rango(A) = n y valores singulares no nulos
i (i {1, ..., n}) tales que 1 ... n 0. Entonces existen
dos matrices ortogonales P , y otra matriz K tal que
A = P KP t .
Teorema de Descomposici
on en Valores Singulares
Sea A una matriz con rango(A) = n y valores singulares no nulos
i (i {1, ..., n}) tales que 1 ... n 0. Entonces existen
dos matrices ortogonales P , y otra matriz K tal que
A = P KP t .
Donde
1 . . . o
D 0
K= , y D = ... . . . ... .
0 0
0 . . . n
Teorema de Descomposici
on en Valores Singulares
Sea A una matriz con rango(A) = n y valores singulares no nulos
i (i {1, ..., n}) tales que 1 ... n 0. Entonces existen
dos matrices ortogonales P , y otra matriz K tal que
A = P KP t .
Donde
1 . . . o
D 0
K= , y D = ... . . . ... .
0 0
0 . . . n
La descomposicion en valores singulares o SVD(A) es
Teorema de Descomposici
on en Valores Singulares
Sea A una matriz con rango(A) = n y valores singulares no nulos
i (i {1, ..., n}) tales que 1 ... n 0. Entonces existen
dos matrices ortogonales P , y otra matriz K tal que
A = P KP t .
Donde
1 . . . o
D 0
K= , y D = ... . . . ... .
0 0
0 . . . n
La descomposicion en valores singulares o SVD(A) es
n
X 1
A= i wi vit wi = Avi ({vi } base ortonormal).
i
i=1
Ejemplo
Calcular los valores singulares y la SVD(A).
0 0 1
1 1 0
A= 1
.
1 2
1 1 2
1 Hallar At A.
1 Hallar At A.
2 Encontrar los Autovalores con PAt A () = det(I At A) = 0.
1 Hallar At A.
2 Encontrar los Autovalores con PAt A () = det(I At A) = 0.
3 Calcular los valores singulares a traves de i = i .
1 Hallar At A.
2 Encontrar los Autovalores con PAt A () = det(I At A) = 0.
3 Calcular los valores singulares a traves de i = i .
D 0
4 Hallar K = tal que D es una matriz diagonal.
0 0
1 Hallar At A.
2 Encontrar los Autovalores con PAt A () = det(I At A) = 0.
3 Calcular los valores singulares a traves de i = i .
D 0
4 Hallar K = tal que D es una matriz diagonal.
0 0
5 Encontrar autovectores {ui } (base ortogonal).
1 Hallar At A.
2 Encontrar los Autovalores con PAt A () = det(I At A) = 0.
3 Calcular los valores singulares a traves de i = i .
D 0
4 Hallar K = tal que D es una matriz diagonal.
0 0
5 Encontrar autovectores {ui } (base ortogonal).
6 Construir P y P t con una base ortonormal de los autovectores
{vi }.
1 Hallar At A.
2 Encontrar los Autovalores con PAt A () = det(I At A) = 0.
3 Calcular los valores singulares a traves de i = i .
D 0
4 Hallar K = tal que D es una matriz diagonal.
0 0
5 Encontrar autovectores {ui } (base ortogonal).
6 Construir P y P t con una base ortonormal de los autovectores
{vi }.
1
7 Calcular los wi = i Avi .
1 Hallar At A.
2 Encontrar los Autovalores con PAt A () = det(I At A) = 0.
3 Calcular los valores singulares a traves de i = i .
D 0
4 Hallar K = tal que D es una matriz diagonal.
0 0
5 Encontrar autovectores {ui } (base ortogonal).
6 Construir P y P t con una base ortonormal de los autovectores
{vi }.
1
7 Calcular los wi = i Avi .
Pn t
8 Finalmente SVD(A)= A = i=1 i wi vi .
Soluci
on
Soluci
on
0 0 1
0 1 1 1 1 3 1 0
1 0
1 0 1 1 1
1
= 1 3 0 .
1 2
1 0 2 2 0 0 9
1 1 2
Soluci
on
0 0 1
0 1 1 1 1 3 1 0
1 0
1 0 1 1 1
1
= 1 3 0 .
1 2
1 0 2 2 0 0 9
1 1 2
2 1 = 2, 2 = 4, 3 = 9.
Soluci
on
0 0 1
0 1 1 1 1 3 1 0
1 0
1 0 1 1 1
1
= 1 3 0 .
1 2
1 0 2 2 0 0 9
1 1 2
2 1 = 2, 2 = 4, 3 = 9.
3 1 = 2, 2 = 2, 3 = 3.
Soluci
on
0 0 1
0 1 1 1 1 3 1 0
1 0
1 0 1 1 1
1
= 1 3 0 .
1 2
1 0 2 2 0 0 9
1 1 2
2 1 = 2, 2 = 4, 3 = 9.
3 1 = 2, 2 = 2, 3 = 3.
2 0 0
4 D= 0 2 0 .
0 0 3
Soluci
on
0 0 1
0 1 1 1 1 3 1 0
1 0
1 0 1 1 1
1
= 1 3 0 .
1 2
1 0 2 2 0 0 9
1 1 2
2 1 = 2, 2 = 4, 3 = 9.
3 1 = 2, 2 = 2, 3 = 3.
2 0 0
4 D= 0 2 0 .
0 0 3
5 Autovectores u1 = (1, 1, 0), u2 = (1, 1, 0), u3 = (0, 0, 1) (base ortogonal).
Soluci
on
0 0 1
0 1 1 1 1 3 1 0
1 0
1 0 1 1 1
1
= 1 3 0 .
1 2
1 0 2 2 0 0 9
1 1 2
2 1 = 2, 2 = 4, 3 = 9.
3 1 = 2, 2 = 2, 3 = 3.
2 0 0
4 D= 0 2 0 .
0 0 3
5 Autovectores u1 = (1, 1, 0), u2 = (1, 1, 0), u3 = (0, 0, 1) (base ortogonal).
2 2
0
22 2
2 2 2 2 t
6 v1 = , 2 , 0 , v2 = , 2 , 0 , v3 = (0, 0, 1). P = P = 22 0 .
2 2 2
0 0 1
Soluci
on
0 0 1
0 1 1 1 1 3 1 0
1 0
1 0 1 1 1
1
= 1 3 0 .
1 2
1 0 2 2 0 0 9
1 1 2
2 1 = 2, 2 = 4, 3 = 9.
3 1 = 2, 2 = 2, 3 = 3.
2 0 0
4 D= 0 2 0 .
0 0 3
5 Autovectores u1 = (1, 1, 0), u2 = (1, 1, 0), u3 = (0, 0, 1) (base ortogonal).
2 2
0
22 2
2 2 2 2 t
6 v1 = , 2 , 0 , v2 = , 2 , 0 , v3 = (0, 0, 1). P = P = 22 0 .
2 2 2
0 0 1
0
0 1
3
1 0
0
7 Calcular los w1 = , w2 = , w3 = .
2 2
0 2
3
0 2 2
2 3
Soluci
on
0 0 1
0 1 1 1 1 3 1 0
1 0
1 0 1 1 1
1
= 1 3 0 .
1 2
1 0 2 2 0 0 9
1 1 2
2 1 = 2, 2 = 4, 3 = 9.
3 1 = 2, 2 = 2, 3 = 3.
2 0 0
4 D= 0 2 0 .
0 0 3
5 Autovectores u1 = (1, 1, 0), u2 = (1, 1, 0), u3 = (0, 0, 1) (base ortogonal).
2 2
0
22 2
2 2 2 2 t
6 v1 = , 2 , 0 , v2 = , 2 , 0 , v3 = (0, 0, 1). P = P = 22 0 .
2 2 2
0 0 1
0
0 1
3
1 0
0
7 Calcular los w1 = , w2 = , w3 = .
2 2
0 2
3
0 2 2
2 3
0 0 0
0 0 0
0 0 1
3
2 2
0 + 2
0 0 0 0 0 0
8 SVD(A)= 2 0 + 3
2 2 .
1 1 2
0 0 0 2 2 0 0 3
1 1 0 2
0 0 0 2 2 0 0 3
MUCHAS GRACIAS