Álgebra Lineal II-Autovalores y Autovectores

Tema 0 Tema 1 Tema 2 Tema 3 Tema 4
UNIVERSIDAD CENTRAL DE VENEZUELA

CURSO: ALGEBRA LINEAL II
Presentado por: Hovsep N Pernalette M
Enero - Junio / II Semestre 2016
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

INTRODUCCION.



INTRODUCCION.
El contenido programatico que se desarrolla en este curso confor-

ma, junto con el curso de Algebra Lineal I un n ucleo teorico basico
que dota al estudiante de un conjunto de herramientas operativas
de gran interes para el analisis de datos y los metodos estadsticos
multivariantes. Los primeros dos temas 0 y 1 serviran de soporte
y bases fundamentales para el desarrollo t ecnico y te orico de la
asignatura.



INTRODUCCION.
El contenido programatico que se desarrolla en este curso confor-

ma, junto con el curso de Algebra Lineal I un n ucleo teorico basico
que dota al estudiante de un conjunto de herramientas operativas
de gran interes para el analisis de datos y los metodos estadsticos
multivariantes. Los primeros dos temas 0 y 1 serviran de soporte
y bases fundamentales para el desarrollo t ecnico y te orico de la
asignatura.
Tambien se explicara los aspectos generales de la estadstica de-

finiendo su objeto de estudio. En este sentido sera necesario, la
descripcion de los datos y la interacci
on con otros elementos como
las variables (sus tipos), las medidas (sus tipos), tablas entre otros
aspectos.


En el tema 2 se estudian los conceptos de autovalores y autovec-

tores, y las descomposiciones espectral y en valores singulares. En
el tema 3 se estudian las formas cuadr aticas, los procedimientos
de clasificacion y los procedimientos de obtenci
on de sus maximos
y mnimos. En el tema 4 se presentan conceptos geom etricos en
Rn y las tecnicas de construccion de subespacios de mejor ajuste.


OBJETIVOS.


OBJETIVOS.
Se aspira que al finalizar el curso el estudiante este en capacidad de:


OBJETIVOS.
Calcular autovalores y autovectores de matrices simetricas.


OBJETIVOS.

Clasificar una forma cuadratica.


OBJETIVOS.

Desarrollar la descomposici
on en valores singulares de una ma-
triz.


OBJETIVOS.

triz.
Representar geometricamente vectores, rectas y planos en Rn .


OBJETIVOS.

triz.
Construir subespacios de mejor ajuste.


OBJETIVOS.

triz.
Construir subespacios de mejor ajuste.
Aplicar procedimientos para resolver ecuaciones lineales incon-
sistentes.


Echarry Angel. Desarrollo de algunos elementos fundamentales

del Algebra Lineal y su utilidad en la Estimacion Puntual
Mnimo-cuadratica de los parametros del modelo lineal
asociado al Dise
no de Experimentos. Trabajo de Ascenso.
(1983).
Grossman Stanley. Algebra Lineal. McGraw-Hill. (1996).
Noguera William. Algebra Lineal para Estadsticos y Actuarios.
Material Docente. (2006).


1 Tema 0
Espacios Vectoriales


A continuacion se presentan los puntos a tratar:
1 Tema 0
2 Tema 1
Espacios Vectoriales con Producto Interno


1 Tema 0
2 Tema 1
3 Tema 2
Autovalores y Autovectores


1 Tema 0
2 Tema 1
3 Tema 2
4 Tema 3
Formas Cuadraticas


1 Tema 0
2 Tema 1
3 Tema 2
4 Tema 3
Formas Cuadraticas
5 Tema 4
Interpretaciones Geometricas


Definiciones y Conceptos




Espacio Vectorial (E-V)

Un espacio vectorial V es un conjunto sobre un cuerpo K (R o C).
Donde el conjunto cuyos elementos seran llamados vectores y en el
cual se definen operaciones.



Suma
u, v V 7 u + v



Suma
u, v V 7 u + v
Producto - Escalar
K, v V 7 .v




Propiedades
Con estas operaciones y dados , K y u, v, w V


Propiedades
u + v = v + u (Comutatividad).


Propiedades
u + (v + w) = (u + v) + w (Asociatividad).


Propiedades

0 V tal que v + 0 = v.


Propiedades


Para cada v V v V tal que v + (v) = 0 .


Propiedades


1 es la unidad del cuerpo K, es decir 1.v = v.


Propiedades


()v = (v).


Propiedades


()v = (v).
(v + u) = v + u (Distributiva).


Propiedades


()v = (v).
(v + u) = v + u (Distributiva).
( + )v = v + v.


Ejemplos
Veamos si las siguientes estructuras son E-V.


Ejemplos

1 Sea V = F n , donde F n = {(1 , ..., n ) | i F }.


Ejemplos

2 Sea X un conjunto no vaco, V = (X, K) donde
: X K.


Ejemplos

: X K.
3 Sea V = Mmn , donde


Ejemplos

: X K.


Ejemplos

: X K.

a11 . . . a1n
.. .. .. | a F.
Mmn = . . . ij
am1 . . . amn


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.


guiente.
Proposicion
Un subconjunto no vaco W de V es un subespacio de este si y solo
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.


Ejemplos de Subespacios Triviales


1 El mismo espacio y {~0}.



2 W (V = F n ) con F n = {(1 , ..., n ) | i F }. Donde
W = {(1 , ..., n1 , 0) | i F } es un subespacio de F n .



3 W (V = M (m, n)) con M (m, n) = {(aij )mn | aij K}
y ocurre que W = {(aij )mn M (m, n) | aij = aji } es un
subespacio de V .



3 W (V = M (m, n)) con M (m, n) = {(aij )mn | aij K}
y ocurre que W = {(aij )mn M (m, n) | aij = aji } es un
subespacio de V .
4 Sea W V con (K, K) = : K K.
Donde W = { : K K | (x) = 0 + 1 x + ... + n xn }


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
v = 1 u1 + ... + 1 un


Combinacion Lineal
Combinacion Lineal
v = 1 u1 + ... + 1 un
Sea X V , el subconjunto vectorial de V generado por X. Por

definicion.


Combinacion Lineal
Combinacion Lineal
v = 1 u1 + ... + 1 un
Sea X V , el subconjunto vectorial de V generado por X. Por

definicion.
El conjunto de todas las combinaciones lineales 1 u1 + ... + 1 un

de elementos u1 , ..., un .




Denotaremos subespacio por S(X)

o < x >.



o < x >.
X S(X) x = 1.x



o < x >.
X S(X) x = 1.x
Subespacio Generado: S(X) es el menor subespacio de V que

contiene a X.



o < x >.
X S(X) x = 1.x

contiene a X.
Si X es un E-V entonces S(X) = X.



o < x >.
X S(X) x = 1.x

contiene a X.
Si X es un E-V entonces S(X) = X.
Finalmente si S(X) = X entonces se dice que X es un conjunto de

generadores de V .




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

w1 1 + ... + wn n = 0 .


Dependencia Lineal

w1 1 + ... + wn n = 0 .
Independencia Lineal
linealmente independiente o L.I si existen elementos w1 , ..., wn W
y escalares 1 , ..., n K tales que


Dependencia Lineal

w1 1 + ... + wn n = 0 .
Independencia Lineal
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 .




Consecuencias Triviales de la Definici

on:
1 Todo conjunto que contiene un conjunto L.D es L.D.



on:
2 Todo subconjunto de un conjunto L.I es L.I.



on:

3 Todo conjunto que contiene al elemento 0 es L.D; en efecto

1. 0 = 0.



on:

3 Todo conjunto que contiene al elemento 0 es L.D; en efecto

1. 0 = 0.
4 Un conjunto V de elementos L.I si, y s olo si todo subconjunto
olo si, v1 6= ... 6= vn todos en
finito de V es L.I; es decir si y s
V , arbitrariamente elegidos v1 1 + ... + vn 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.




Producto Interno


Producto Interno
El principal objetivo ahora sera el estudio de los espacios vectoriales

en los que tiene sentido hablar de longitud de un vector y de angulo
entre dos vectores. Para esto se realizara un estudio con cierto tipo
de funcion de valor escalar sobre pares de vectores, denominado
como producto interno.


Producto Interno

<, >: V V K


Producto Interno

<, >: V V K
<, >: (u, v) 7< u, v > .




Espacio con Producto Interno <, >

Sean K el cuerpo de R, o C y V un espacio vectorial sobre K. Un
espacio producto interno <, > sobre V es una funcion que relaciona
a cada par ordenado de elementos u, v V , un escalar < u, v > de
K tal que u, v, w V y un K cumple las siguientes condiciones
1 < u, u > 0, si y s
olo si u = 0.



1 < u, u > 0, si y s
olo si u = 0.
2 =< u, w > + < v, w > u, v, w V .



1 < u, u > 0, si y s
olo si u = 0.
2 =< 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, 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.


Elemplos de Algunas Estructuras con <, >


1 Producto escalar en Rn . (Vease para n=2 y n=3)


1 Producto escalar en Rn . (Vease para n=2 y n=3)

2 Sea C[a, b] el E-V de las siguientes funciones reales continuas
en el intervalo [a, b].
Z b
< f, g >= f (x)g(x)dx.
a


Elemplos de Algunos Espacios con <, >



De un espacio con producto interno, al ver que <, > 0 se puede
asociar la longitud de un vector con la siguiente definicion:



Norma de un Vector k ( )k
o longitud de u V
Sea V un E-V con <, >. La norma



o longitud de u V

k u k= + < u, u >.



o longitud de u V

k u k= + < u, u >.
Generalizacon: Norma de un vector en Rn

Sea Rn un E-V con <, >. Si u Rn con (1 i n) entonces



o longitud de u V

k u k= + < u, u >.
Generalizacon: Norma de un vector en Rn

Sea Rn un E-V con <, >. Si u Rn con (1 i n) entonces
q
k v k= u21 + ... + u2n con v = (u1 , ..., un ) tq ui R.

Desigualdad de Cauchy-Schwarz


Proposicion (Desigualdad de Cauchy-Schwarz)

Para cualesquiera u, v V E-V con <, >.
(< u, v >2 < u, u > . < v, v >).


Proposicion (Desigualdad de Cauchy-Schwarz)

Para cualesquiera u, v V E-V con <, >.
(< u, v >2 < u, u > . < v, v >).
|< u, v >|k u k . k v k .




Demostracion
Sea K y u, v V donde
0 (1)

2
< u, u > + < v, u > + < u, v > + < v, v > (2)
< u, u > 2 + 2 < u, v > + < v, v > (3)
2 2 2
k u k + 2 < u, v > + k v k . (4)


Demostracion
0 (1)

2
< u, u > + < v, u > + < u, v > + < v, v > (2)
< u, u > 2 + 2 < u, v > + < v, v > (3)
2 2 2
k u k + 2 < u, v > + k v k . (4)
Usando la resolvente para hallar las races de , donde se considera

de la expresion a2 + b + c = 0 tal que


Demostracion
0 (1)

2
< u, u > + < v, u > + < u, v > + < v, v > (2)
< u, u > 2 + 2 < u, v > + < v, v > (3)
2 2 2
k u k + 2 < u, v > + k v k . (4)
Usando la resolvente para hallar las races de , donde se considera

de la expresion a2 + b + c = 0 tal que

b b2 4ac
= destacando que (b2 4ac 0).
2a




Sustituyendo se concluye


2 < u, v >2 4 k u k2 . k v k2 0 = |< u, v >|k u k . k v k
Proposicion
Sea V un E-V con <, >. Sea u, v V y K.


Proposicion
1 k u k= 0 y k u k 0 u = 0.


Proposicion
1 k u k= 0 y k u k 0 u = 0.
2 k u k=| | . k u k.


Proposicion
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


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


b.
u
u
b= .
kuk
4 Si u, v V , la distancia entre ellos es d(u, v) =k u v k.


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
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
tales que Z 1
< f, g >= f (x)g(x)dx.
0
3 Pruebe la Ley del Paralelogramo.
k u + v k2 + k u v k2 = 2(k u k2 + k v k2 ).


Ejercicios
tales que Z 1
< f, g >= f (x)g(x)dx.
0
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.


Proceso de Ortogonalizacion Gram-Schmidt


Complemento Ortogonal
Sea S un subconjunto de (V, E V, <, >). Se dira que el Comple-
mento Ortogonal de S viene dado por


S = {v V |< v, u >= 0 u S}.


S = {v V |< v, u >= 0 u S}.
Proposicion
Si S es un sub-espacio vectorial de V , entonces S es un sub-espacio
vectorial.


S = {v V |< v, u >= 0 u S}.
Proposicion
vectorial.
Para la demostracion s
olo basta ver que dados


S = {v V |< v, u >= 0 u S}.
Proposicion
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
< 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
< 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
Demostraci
on:
que,
Teorema de Pitagoras
Si {v1 , ..., vn } es ortogonal, entonces


Proposicion
Demostraci
on:
que,
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
< v1 , v1 > < vn , vn >

vk = v1 + ... + vn .
k v1 k2 k vn k2


Proposicion
se tiene que
< v1 , v1 > < vn , vn >

vk = v1 + ... + vn .
k v1 k2 k vn k2
Demostraci
on:


Proposicion
se tiene que
< v1 , v1 > < vn , vn >

vk = v1 + ... + vn .
k v1 k2 k vn k2
Demostraci
on:
Sean vk V y considerando que (V, <, >). Como vk se escribe de
forma u
nica se tiene que


Proposicion
se tiene que
< v1 , v1 > < vn , vn >

vk = v1 + ... + vn .
k v1 k2 k vn k2
Demostraci
on:
forma u
nica se tiene que
vk = 1 v1 +...+n vn = < vk , vi >=< 1 v1 +...+n vn , vi > .
Usando el hecho de que (V, <, >)


Proposicion
se tiene que
< v1 , v1 > < vn , vn >

vk = v1 + ... + vn .
k v1 k2 k vn k2
Demostraci
on:
forma u
nica se tiene que
vk = 1 v1 +...+n vn = < vk , vi >=< 1 v1 +...+n vn , vi > .
Usando el hecho de que (V, <, >)
1 < v1 , vi > +... + n < vn , vi > .




Finalmente como {v1 , ..., vn } una base ortogonal


< vk , vi >= i < vi , vi >
donde
< vk , vi > < vk , vi >
i = = .
< vi , vi > k vi k2


< vk , vi >= i < vi , vi >
donde
< vk , vi > < vk , vi >
i = = .
< vi , vi > k vi k2
Si A = {v1 , ..., vn } es una base ortonormal, entonces v V se

escribe
v =< v, v1 > v1 + ...+ < v, vn > vn .




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
0 = < v w, w >
0 = < v, w > < w, w >
< v, w > = < w, w >
finalmente


Proyecciones
0 = < v w, w >
0 = < v, w > < w, w >
< v, w > = < w, w >
finalmente
< v, w >
= .
< w, w >




Usando la misma idea del ejercicio anterior, es posibble demostrar

el siguiente teorema.



Teorema
Sea {w1 , ..., wn } un conjunto ortogonal y v V entonces



Teorema
< v, wi >
v (1 w1 + ... + n wn ) con i = es ortogonal.
< wi , wi >



Teorema
< v, wi >
v (1 w1 + ... + n wn ) con i = es ortogonal.
< wi , wi >
Demostraci
on: TAREA




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


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
Tomando la expresion anterior y normalizando los {u1 , ..., un }

ui
{w1 , ..., wn } wi = 1in
k ui k
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


Distancia de un Punto a un Subespacio


Proposicion
Sea v V , el punto mas cercano a el subespacio S V es PS (v).


Proposicion
En efecto, un E-V V dotado con un <, > y con S V . La Proyec-

cion Ortogonal sobre S


Proposicion

PS : V V.


Proposicion

PS : V V.
NOTA: Esto se refiere a que PS manda un elemento v V a un

nico elemento s V .
u




Abordando el concepto de distancia no estara demas recordar que

en el caso de R. Dados a, b R es cierto que d(a, b) =| a b |, de
donde se podra generalizar la idea para otros espacios tales como
Rn .



Rn .
Proposicion
Si S un subespacio de dimensi
on finita de un espacio vectorial V
entonces



Rn .
Proposicion
Si S un subespacio de dimension finita de un espacio vectorial V
entonces
k v PS (v) kk v s k .




Demostraci
on:
k v PS (v) k2 k v PS (v) k2 + k PS (v) s k2

k v PS (v) + PS (v) s k2
k v s k2 .


Demostraci
on:

k v s k2 .
Finalmente se van los cuadrados y se obtiene


Demostraci
on:

k v s k2 .


Demostraci
on:

k v s k2 .
Nota: Esta desigualdad satisface la igualdad cuando


Demostraci
on:

k v s k2 .
Nota: Esta desigualdad satisface la igualdad cuando
k PS (v) s k= 0 PS (v) s = 0 PS (v) = s.


Geometricamente La Proyeccion del Elemento v


Geometricamente La Proyeccion del Elemento v




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 >






Cambio de Base
Sean {v1 , ..., vn } y {w1 , ..., wn } dos bases fijas en V . Donde


Cambio de Base
w1 = a11 v1 + . . . + an1 vn
.. .. ..
. = . + ... + .
wn = a1n v1 + . . . + ann vn


Cambio de Base
w1 = a11 v1 + . . . + an1 vn
.. .. ..
. = . + ... + .
wn = a1n v1 + . . . + ann vn
e implica


Cambio de Base
w1 = a11 v1 + . . . + an1 vn
.. .. ..
. = . + ... + .
wn = a1n v1 + . . . + ann vn
e implica
a11 ... a1n
.. .. .. .
C= . . .
an1 ... ann




Esta matriz C es la matriz cambio de base de {v1 , ..., vn } a {w1 , ..., wn }.
Esto es, que si v V tiene coordenadas (x1 , .., xn ) en la base

{v1 , ..., vn } y (y1 , .., yn ) en la base {w1 , ..., wn } respectivamente.
Se obtiene que si



Se obtiene que si
v = x1 v1 + . . . + xn vn y v = y 1 w1 + . . . + y n wn
entonces



Se obtiene que si
v = x1 v1 + . . . + xn vn y v = y 1 w1 + . . . + y n wn
entonces
x1 y1
.. .. .
. =C

.
xn yn




Matrices Similares o Semejantes

Sean {v1 , ..., vn } A y {w1 , ..., wn } B se dira que A y B
son Matrices Similares o Semejante si existe una matriz C tal



B = C 1 AC.



B = C 1 AC.
De manera que matrices de un operador en bases diferentes son

similares.



B = C 1 AC.
De manera que matrices de un operador en bases diferentes son

similares.
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
i, j {1, ..., n} (i 6= j) = Aij = 0.


Matriz Diagonal
i, j {1, ..., n} (i 6= j) = Aij = 0.
Notacion
Una matriz diagonal se denota por diag(a1 , ..., an ) tal que


Matriz Diagonal
i, j {1, ..., n} (i 6= j) = Aij = 0.
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.




Sea : V V asociada a una matriz A en alguna base {v1 , ..., vn }.

Si se desea diagonalizar a , simplemente es construir una matriz C
tal que exista C 1 y C 1 AC es diagonal.



Construccion de la Ecuaci
on Caracterstica



Construccion de la Ecuaci
on Caracterstica
Sea (V, E V ) y un operador lineal en V . Si la matriz de tiene
forma diagonal en base {v1 , ..., vn } si y s
olo si existen 1 , ..., n tales
que
(v1 ) = 1 v1
.. . .
. = .. + . .
(v1 ) = . . . + . . . + n vn




De all se puede plantear en su forma matricial



1 ... 0
= ... . . . ... .

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



1 ... 0
= ... . . . ... .

0 ... n
decir dada

a11 ... a1n x1
A = ... .. .. y vi = ...

. .
an1 ... ann xn



1 ... 0
= ... . . . ... .

0 ... n
decir dada

a11 ... a1n x1
A = ... .. .. y vi = ...

. .
an1 ... ann xn
Avi = i vi Avi = Ivi



1 ... 0
= ... . . . ... .

0 ... n
decir dada

a11 ... a1n x1
A = ... .. .. y vi = ...

. .
an1 ... ann xn
Avi = i vi Avi = Ivi

obteniendo que

Avi Ivi = 0 (A I) vi = 0 .



Finalmente esta expresi

on equivale al siguiente sistema lineal



(a11 )x1 + ... + a1n xn = 0

.. .
. + ... + .. = 0
an1 x1 + ... + ann xn = 0.



(a11 )x1 + ... + a1n xn = 0

.. .
. + ... + .. = 0
an1 x1 + ... + ann xn = 0.
Como todo sistema es posible hallar una soluci

on (No Trivial) con
la ecuacion caracterstica

det (A I) = 0 .




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.


(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.


(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


on
PA () = det (I A) .


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


2 Para hallar los autovectores (A Ii ) v = 0 .


Ejemplo
Dada una matriz
1 3
A=
1 5




Ejemplo
Dada una matriz
1 3
A=
1 5


Soluci
on


Ejemplo
Dada una matriz
1 3
A=
1 5


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


Soluci
on
1 3 0
1 PA () = det = 2 6 + 8 = 0 = ( 2)( 4).
1 5 0
1 = 2 y 2 = 4.
2 (3, 1) y (1, 1).


Ejemplo
Dada una matriz
1 3
A=
1 5


Soluci
on
1 3 0
1 PA () = det = 2 6 + 8 = 0 = ( 2)( 4).
1 5 0
1 = 2 y 2 = 4.
2 (3, 1) y (1, 1).


Ejemplo
Dada una matriz
1 3
A=
1 5


Soluci
on
1 3 0
1 PA () = det = 2 6 + 8 = 0 = ( 2)( 4).
1 5 0
1 = 2 y 2 = 4.
(3, 1) y (1, 1).

2
La base viene dada como {(3, 1), (1, 1)} La matriz asociada al
operador


Ejemplo
Dada una matriz
1 3
A=
1 5


Soluci
on
1 3 0
1 PA () = det = 2 6 + 8 = 0 = ( 2)( 4).
1 5 0
1 = 2 y 2 = 4.
(3, 1) y (1, 1).

2
La base viene dada como {(3, 1), (1, 1)} La matriz asociada al
operador
2 0
.
0 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
un
Ejemplo

1 0
Dada A = .
0 1
1 El PA () = ( 1)2 .


Corolario
un
Ejemplo

1 0
Dada A = .
0 1
1 El PA () = ( 1)2 .
2 Autovalores 1 = 2 = 1.


Corolario
un
Ejemplo

1 0
Dada A = .
0 1
1 El PA () = ( 1)2 .
3 Autovectores correspondiente son de la forma (a, b) con a, b
R {0}.


Corolario
un
Ejemplo

1 0
Dada A = .
0 1
1 El PA () = ( 1)2 .
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)}.



Diagonalizacion de una Matriz



Una matriz A cuadrada es diagonalizable (es una matriz similar a
una matriz diagonal) si y s
olo si A tiene n autovectores linealmente
independiente.



independiente.
De aqu D = P 1 AP donde D es una diagonal y P la matriz

columna construida por los autovectores de A.



independiente.
De aqu D = P 1 AP donde D es una diagonal y P la matriz

columna construida por los autovectores de A.
Ejercicios
Diagonalizar las siguientes matrices:

0 1 1
1 2 4 2
(1) . (2) 1 0 1 . (3) .
3 2 3 3
1 1 0




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 de una Matriz

Sea A una matriz n m. Se dira que el Rango de A es el n umero
de las filas no nulas de la forma escalonada reducida de A, tal que


Rango de una Matriz

rango(A).


Rango de una Matriz

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
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
Propiedades
Se dira que A es
2 Definida Negativa: si y s
olo si todos los autovalores i < 0.


Matriz Simetrica
Propiedades
Se dira que A es
3 olo si todos los autovalores i 0.
Semidefinida Positiva: si y s


Matriz Simetrica
Propiedades
Se dira que A es
Semidefinida Negativa: si y s


Matriz Simetrica
Propiedades
Se dira que A es
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


Avi = i vi .


Avi = i vi .
Escribiendo estas igualdades en forma matricial. Para esto se define
una matriz P y D tal que


Avi = i vi .
P = (v1 |...|vn ) y D = diag{1 , ..., n }.


Avi = i vi .
P = (v1 |...|vn ) y D = diag{1 , ..., n }.
Como P es una matriz ortogonal entonces


Avi = i vi .
P = (v1 |...|vn ) y D = diag{1 , ..., n }.
Como P es una matriz ortogonal entonces
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


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
on espectral de:

3
2 5
A= .
2 5 4

1 Para hallar los autovalores det(I A) = 0 .


Ejemplo
on espectral de:

3
2 5
A= .
2 5 4




Ejemplo
on espectral de:

3
2 5
A= .
2 5 4


3 Construir P (simetrica) con una base ortonormal de los auto-
vectores {v1 , v2 }.


Ejemplo
on espectral de:

3
2 5
A= .
2 5 4


4 Verificar D = P AP t .


Ejemplo
on espectral de:

3
2 5
A= .
2 5 4


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




Descomposicion de Valores Singulares

Sea A una matriz. Se le dira Valores Singulares de A de las races
cuadradas positivas de los autovalores At A.
Es decir det(I At A) = 0. Sidados i (i {1, ..., n}) entonces

los valores singulares de A son i . Denotados i ordenados


Descomposicion de Valores Singulares

Sea A una matriz. Se le dira Valores Singulares de A de las races
cuadradas positivas de los autovalores At A.
Es decir det(I At A) = 0. Sidados i (i {1, ..., n}) entonces

los valores singulares de A son i . Denotados i ordenados
1 ... n 0.




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 .


A = P KP t .
Donde

1 . . . o
D 0
K= , y D = ... . . . ... .

0 0
0 . . . n


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


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.

3 Calcular los valores singulares a traves de i = i .


1 Hallar At A.


D 0
4 Hallar K = tal que D es una matriz diagonal.
0 0


1 Hallar At A.


D 0
0 0
5 Encontrar autovectores {ui } (base ortogonal).


1 Hallar At A.


D 0
0 0
6 Construir P y P t con una base ortonormal de los autovectores
{vi }.


1 Hallar At A.


D 0
0 0
{vi }.
1
7 Calcular los wi = i Avi .


1 Hallar At A.


D 0
0 0
{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

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

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

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

Álgebra Lineal II-Autovalores y Autovectores

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Álgebra Lineal II-Autovalores y Autovectores

Transféré par

Droits d'auteur :

Formats disponibles

Tema 0 Tema 1 Tema 2 Tema 3 Tema 4

UNIVERSIDAD CENTRAL DE VENEZUELA

Presentado por: Hovsep N Pernalette M

Enero - Junio / II Semestre 2016

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

El contenido programatico que se desarrolla en este curso confor-

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

El contenido programatico que se desarrolla en este curso confor-

Tambien se explicara los aspectos generales de la estadstica de-

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

En el tema 2 se estudian los conceptos de autovalores y autovec-

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Se aspira que al finalizar el curso el estudiante este en capacidad de:

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Se aspira que al finalizar el curso el estudiante este en capacidad de:

Calcular autovalores y autovectores de matrices simetricas.

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Se aspira que al finalizar el curso el estudiante este en capacidad de:

Calcular autovalores y autovectores de matrices simetricas.

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Se aspira que al finalizar el curso el estudiante este en capacidad de:

Calcular autovalores y autovectores de matrices simetricas.

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Se aspira que al finalizar el curso el estudiante este en capacidad de:

Calcular autovalores y autovectores de matrices simetricas.

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Se aspira que al finalizar el curso el estudiante este en capacidad de:

Calcular autovalores y autovectores de matrices simetricas.

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Se aspira que al finalizar el curso el estudiante este en capacidad de:

Calcular autovalores y autovectores de matrices simetricas.

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Echarry Angel. Desarrollo de algunos elementos fundamentales

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

A continuacion se presentan los puntos a tratar:

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

A continuacion se presentan los puntos a tratar:

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

A continuacion se presentan los puntos a tratar:

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

A continuacion se presentan los puntos a tratar:

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Espacio Vectorial (E-V)

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Espacio Vectorial (E-V)

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Espacio Vectorial (E-V)

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Hovsep N Pernalette M (0414-261-61-92) Facultad de Ciencias Econ

Veamos si las siguientes estructuras son E-V.