Académique Documents
Professionnel Documents
Culture Documents
Diagonalizacion ............................................................................................. 11
Donde:
Donde:
Definimos la matriz ampliada (o completa) del sistema como la matriz compuesta por la
matriz A a la izquierda y la b a la derecha, es decir:
Veamos un ejemplo:
Los SEL
Dimensión:
o Dimensión cuadrada: si m = n (tiene el mismo número de ecuaciones que de
incógnitas). La matriz de coeficientes es cuadrada de dimensión m.
o Dimensión rectangular: si m ≠ n (no tiene el mismo número de ecuaciones
que de incógnitas).La matriz de coeficientes es rectangular (dimensión m x
n).
Soluciones de un SEL:
Dado un SEL
Que al ser sustituido en el sistema, lo cumple. Es decir, los valores de las incógnitas para los
cuales se verifican todas las ecuaciones del SEL.
Importante
También es solución del SEL que se obtiene al realizar operaciones elementales fila a la
matriz ampliada del SEL inicial, A*. Este hecho será la clave para obtener los métodos de
resolución de un SEL.
Tipos de soluciones de un sistema de ecuaciones
Sistema incompatible (SI): el sistema no tiene solución. No existen valores para las
incógnitas de modo que se verifiquen todas y cada una de las ecuaciones que
conforman el SEL.
Sistema compatible (SC): existe al menos una solución que verifica todas las
ecuaciones del SEL. Pero distinguimos dos casos:
o Sistema compatible determinado (SCD): existe una solución y es única, es
decir, sólo hay una.
En primer lugar, una transformación lineal es una función. Por ser función, tiene
su dominio y su codominio, con la particularidad de que éstos son espacios vectoriales.
Tenemos dos espacios vectoriales VV y WW, y una función que va de VV a WW. O sea una
regla de asignación que transforma vectores de VV en vectores de WW. Pero no toda
función que transforme vectores de VV en vectores de WW es una transformación lineal.
Debe cumplir ciertas condiciones:
Propiedad 1:
La imagen del vector nulo del dominio 0V0V es el vector nulo del codominio 0w0w:
T (0V)=0w
Demostración:
Donde hemos expresado a 0V0V como el producto del escalar 00 por cualquier vector del
espacio vectorial VV, hemos usado la segunda condición que debe cumplir una
transformación lineal, y finalmente hemos vuelto a usar la propiedad de espacios vectoriales
sobre el producto del escalar 0 por cualquier vector.
Propiedad 2:
T (–v)=–T (v)
Demostración:
Propiedad 3:
α1v1+α2v2+α3v3+...+αrvr
Donde αi∈Rαi∈R.
Ejemplo 1:
Resolución
Controlemos primero que el transformado del 0V0V sea el 0W0W. Ésta es una condición
necesaria: si no se cumpliera, no sería transformación lineal. Como T ((0, 0,0))= (0,0) T ((0,
0,0))= (0,0), la función dada es “candidata” a ser transformación lineal. Para demostrar que
es una transformación lineal tenemos que comprobar las condiciones dadas en la definición.
Veamos si:
Ejemplo 1:
Encontramos una matriz que realiza la transformación lineal. Se conoce como la matriz
estándar de la transformación lineal.Notemos que la transformación va de R2R2 a R3R3, y
que el orden de la matriz es 3×23×2.
Vector propio y valor propio
Entonces decimos que v es un vector propio del operador A, y su valor propio asociado es c.
Observe que si v es un vector propio con el valor propio c entonces cualquier múltiplo
diferente de cero de v es también un vector propio con el valor propio c. De hecho, todos los
vectores propios con el valor propio asociado c junto con 0, forman un subespacio de V,
el espacio propio para el valor propio c. Observe además que un espacio propio Z es
un subespacio invariante de A, es decir dado w un vector en Z, el vector Aw también
pertenece a Z