Determinantes. Reducción de matrices. Caso diagonalizable

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Determinantes. Reducción de matrices. Caso diagonalizable"

Transcripción

1 Tema 4 Determinantes Reducción de matrices Caso diagonalizable En este tema consideraremos matrices cuadradas y, para ellas, introduciremos el concepto de autovalor de una matriz Veremos también cómo algunas matrices, tras un cambio de base se pueden reducir a forma diagonal, con elementos en la diagonal igual a dichos autovalores Para definir el concepto de autovalor necesitamos previamente el concepto de determinante 41 Determinantes Desde un punto de vista geométrico y en dimensiones dos y tres, podría definirse el determinante de una matriz en términos de áreas y volúmenes Por ejemplo, dada una matriz 2 2, ( ) a11 a A = 12, a 21 a 22 podría definirse el determinante de A, denotado por det(a), como el área encerrada por el paralelogramo de aristas determinadas por las columnas de A, entendidas como vectores en el plano, de modo que ( ) a11 a det 12 = a a 21 a 11 a 22 a 21 a En el caso de una matriz 3 3, A = a 11 a 12 a 13 a 21 a 22 a 23 a 31 a 32 a 33 el determinante de A podría definirse igualmente como el volumen del paralelepípedo cuyas aristas están generadas por las columnas de A, entendidas como vectores en el espacio En este caso, la fórmula es un poco más complicada de obtener y se llama regla de Sarrus, det a 11 a 12 a 13 a 21 a 22 a 23 = a 11 a 22 a 33 + a 31 a 12 a 23 + a 21 a 32 a 13 a 31 a 32 a 33 a 12 a 21 a 33 a 11 a 32 a 23 a 31 a 22 a 13

2 Para matrices de mayor tamaño no podemos dar una referencia geométrica realista, de manera que la definición sigue otro enfoque Sea A = (a ij ) M n,n (K) Se define el determinante de A como el número det(a) = = π(σ)a 1σ(1) a 2σ(2) a nσ(n) σ S n a 11 a 12 a 1n a 21 a 22 a 2n, a n1 a n2 a nn donde S n es el conjunto de permutaciones de orden n y π(σ) la paridad de la permutación σ (véase el tema preliminar) Cuando σ recorre S n, los términos a 1σ(1) a 2σ(2),, a nσ(n) describen todos los posibles productos de n factores extraídos de los elementos de A con la propiedad de que en dichos productos siempre figura un elemento de cada fila y de cada columna de A En el cálculo efectivo de un determinante no suele usarse la definición salvo en los ejemplos clásicos con n = 2 y n = 3, que hemos mencionado previamente El cálculo de un determinante puede hacerse de varias formas, y aquí mencionaremos algunas La primera está basada en propiedades fundamentales del determinante, que pasamos a describir Dada A = (a ij ) M n,n (K), denotamos sus filas por F 1,, F n, es decir, Las propiedades son las siguientes: A = F 1 F 2 F n 1 det(a) es lineal en cada fila, es decir, si 1 k n, (a) Para λ K, F 1 F 2 λf k F n = λ F 1 F 2 F k F n (b) Si la fila F k = F k + F k es suma de otras dos, entonces F 1 F 2 F k F n = F 1 F 2 F k F n + F 1 F 2 F k F n

3 Por ejemplo = 2 = El determinante cambia de signo al intercambiar dos filas entre sí Por ejemplo, 3 det(i n ) = 1, n = 1, 2, 4 det(λa) = λ n det(a) = 5 Sea σ S n y A σ la matriz obtenida al permutar las filas de A según σ, A σ = F σ(1) F σ(2) F σ(n) entonces det(a σ ) = π(σ)det(a) Por ejemplo, si entonces π(σ) = 1 y por tanto σ = ( = ), 6 Si A tiene dos filas iguales, entonces det(a) = 0 Por ejemplo, = = 0 7 El determinante no cambia cuando a una fila se le suma una combinación lineal de las restantes filas Por ejemplo, = 8 Si A tiene una fila nula, entonces det(a) = = 0 0 2

4 9 Si T = (t ij ) es una matriz triangular (superior o inferior), entonces det(t ) = t 11 t 22 t nn Por ejemplo, = = 4 10 det(ab) = det(a)det(b) En particular, si A es invertible, entonces det(a 1 ) = 1/det(A) 11 det(a T ) = det(a) En consecuencia, cada propiedad para las filas tiene una análoga para las columnas Lo aconsejable para calcular determinantes, sobre todo si son grandes, es hacer uso de estas propiedades fundamentales, aplicándolas para ir transformando el determinante en otros más fáciles de calcular Lo usual suele ser reducir con operaciones elementales el cálculo del determinante al de una matriz triangular (véase el ejemplo en las propiedades 7 y 9) Por lo tanto, parte del proceso de la eliminación gaussiana es de nuevo útil Por ejemplo, = = / /5 3 = / /7 = Desarrollo por los elementos de una ĺınea Otro método más elaborado para calcular un determinante es el desarrollo por los elementos de una fila o una columna Dada una matriz A = (a ij ) M n,n (K) se llama menor complementario α kl del elemento a kl al determinante de la matriz (n 1) (n 1) obtenida de A al suprimir su fila k y su columna l El cofactor de a kl se define como A kl = ( 1) k+l α kl Entonces, para cualquier fila k se satisface la fórmula det(a) = a k1 A k1 + a k2 A k2 + + a kn A kn, llamada desarrollo del determinante por los elementos de la fila k Hay una fórmula análoga para el desarrollo del determinante por una columna cualquiera l: det(a) = a 1l A 1l + a 2l A 2l + + a nl A nl Por ejemplo = = 4 = = 4 Como se ve, el método reduce el cálculo de un determinante de una matriz al de determinantes de matrices de un orden menos

5 42 Semejanza de matrices Sean A, B M n,n (K) Se dice que A es semejante con B si existe una matriz no singular P M n,n (K) tal que B = P 1 AP Hay que notar que si A es semejante con B y λ K entonces λi n A es semejante con λi n B Ya hemos visto un ejemplo de semejanza de matrices al hablar de la matriz de una aplicación lineal en una base Imaginemos que V es un espacio vectorial de dimensión finita, B, B son dos bases de V y T : V V es una aplicación lineal (cuando el espacio de partida y el de llegada es el mismo, T se llama endomorfismo) Denotemos por M(T, B, B) = M(T, B), M(T, B, B ) = M(T, B ) V B M(T, B, B) V B T ( x) M(B, B) M(B, B) V B x M(T, B, B ) V B Recordemos que la relación entre las dos matrices de la aplicación lineal T viene dada por la matriz P = M(B, B) de cambio de base: M(T, B ) = P 1 M(T, B)P Esto no es otra cosa que una relación de semejanza: todas las matrices que representan al endomorfismo T en las distintas bases son semejantes entre sí Presentada la noción de semejanza de matrices, nos planteamos la cuestión de si dada una matriz A M n,n (K) puede haber una matriz semejante con ella cuya expresión sea sencilla, más concretamente diagonal 43 Autovalores y autovectores Polinomio característico Sea una matriz cuadrada A M n,n (K) La expresión p A (z) = det(zi n A), z C,

6 es un polinomio de grado n, de la forma p A (z) = z n + a n 1 z n a 1 z + a 0, que se llama polinomio característico de la matriz A Las raíces de la ecuación p A (z) = 0 se llaman raíces características de la matriz A Factorizando el polinomio según las distintas raíces, p A (z) = (z µ 1 ) m1 (z µ 2 ) m2 (z µ r ) mr, el número m j, 1 j r se denomina multiplicidad algebraica de la raíz característica µ j Puesto que p A tiene grado n, se cumple siempre que n = m 1 + m m r Además det(a) = ( 1) n a 0 = µ m 1 1 µ mr r El conjunto σ(a) = {µ 1,, µ r } se llama espectro de A Observemos que si A, B M n,n (K) son semejantes, entonces comparten el polinomio característico y, por tanto, el espectro y el determinante En particular, como las matrices que representan a un endomorfismo T en distintas bases son semejantes, es posible definir el determinante, el polinomio, las raíces características y el espectro de un endomorfismo T como los correspondientes a una matriz que represente a T en alguna base Sea A M n,n (K) Se dice que λ K es un valor propio o autovalor de A si existe algún vector v tal que A v = λ v Tales vectores se llaman autovectores de A asociados al autovalor λ Teorema 1 En esta situación, las siguientes condiciones son equivalentes: (1) λ es autovalor de A (2) Existe un vector v tal que A v = λ v (3) La matriz λi n A es singular (4) p A (λ) = det(λi n A) = 0 Así pues, los autovalores de A son las raíces características de la matriz A que se encuentran en el cuerpo K considerado Si K = C, el conjunto de valores propios coincide con el espectro de A, mientras que si K = R, los autovalores son las raíces características que son números reales Normalmente, para determinar los autovalores de una matriz se suele hacer uso de la cuarta condición del teorema, determinando si es posible los ceros del polinomio característico que están en el cuerpo considerado Dado un autovalor λ de A, es claro que los vectores del subespacio Ker(λI n A) son los autovectores asociados a λ y sólo ellos El subespacio E(A, λ) = Ker(λI n A), se llama subespacio propio asociado a λ y su dimensión es la multiplicidad geométrica del autovalor λ Ejemplos d(λ) = dime(a, λ) 1,

7 (1) Para la matriz el polinomio característico es A = p A (z) = det(zi 3 A) = det z z z 1 De modo que los autovalores con sus multiplicidades algebraicas son λ 1 = 2, m 1 = 2 λ 2 = 6 m 2 = 1 = (z + 2) 2 (z 6) Buscamos ahora los subespacios propios de cada autovalor y su correspondiente multiplicidad geométrica Para λ 1 = E(A, λ 1 ) = Ker( 2I 3 A) = {(x, y, z) T / x y = 0} z = {(x, y, z) T /2x + y 3z = 0} = span((1, 2, 0) T, (0, 3, 1) T ) d(λ 1 ) = 2 Mientras que para el otro autovalor E(A, λ 2 ) = Ker(6I 3 A) = {(x, y, z) T / x y z = 0} = {(x, y, z) T /2x y + 3z = 0, y + z = 0} = span(( 2, 1, 1) T ) d(λ 2 ) = 1 (2) Para la matriz el polinomio característico es A = p A (z) = det(zi 3 A) = det z z z 1 De modo que los autovalores con sus multiplicidades algebraicas son λ 1 = 0, m 1 = 1 λ 2 = 1 m 2 = 1 λ 3 = 3 m 3 = 1 = z(z 1)(z 3) Buscamos ahora los subespacios propios de cada autovalor y su correspondiente multiplicidad geométrica Para λ 1 = 0 E(A, λ 1 ) = Ker( A) = {(x, y, z) T / x y = 0} z = {(x, y, z) T /x = y = z} = span((1, 1, 1) T ) d(λ 1 ) = 1

8 Mientras que para el segundo autovalor y, para el tercero, E(A, λ 2 ) = Ker(I 3 A) = {(x, y, z) T / x y z = 0} = {(x, y, z) T /y = 0, z = x} = span((1, 0, 1) T ) d(λ 2 ) = 1, E(A, λ 3 ) = Ker(3I 3 A) = {(x, y, z) T / x y z = 0} = {(x, y, z) T /x = z, y = 2z} = span((1, 2, 1) T ) d(λ 3 ) = 1 (3) Para la matriz el polinomio característico es A = p A (z) = det(zi 3 A) = det z 1 z z 2 = (z 2)(z 2 + 1) De modo que, como matriz de elementos complejos, los autovalores con sus multiplicidades algebraicas son λ 1 = 2, m 1 = 1 λ 2 = i m 2 = 1 λ 3 = i m 3 = 1 Como matriz real, sólo hay un valor propio λ 1, mientras que el espectro lo forman las tres raíces Buscamos ahora los subespacios propios de cada autovalor y su correspondiente multiplicidad geométrica, suponiendo que la matriz es compleja Para λ 1 = 2 E(A, λ 1 ) = Ker(2I 3 A) = {(x, y, z) T / x y z = 0} = {(x, y, z) T /y = (2/5)z, x = (1/5)z} = span(( 1, 2, 5) T ) d(λ 1 ) = 1 Mientras que para el segundo autovalor y, para el tercero, E(A, λ 2 ) = Ker(iI 3 A) = {(x, y, z) T / 1 i 1 i i 2 x y z = 0} = {(x, y, z) T /z = 0, x = iy} = span((1, i, 0) T ) d(λ 2 ) = 1, E(A, λ 3 ) = Ker(( i)i 3 A) = {(x, y, z) T / i i i 2 x y z = {(x, y, z) T /z = 0, x = iy} = span((1, i, 0) T ) d(λ 3 ) = 1 = 0} Nota: como λ 2 y λ 3 son conjugados, los vectores que generan cada subespacio propio también lo son Cuando la matriz tiene elementos reales, esta propiedad es general ( por qué?)

9 44 Diagonalización A la vista de los comentarios del ejemplo introductorio y de los elementos que acabamos de definir, es clara la importancia de los autovalores y los autovectores en la determinación de la solución a nuestro problema El objetivo es por tanto encontrar una manera de tratar de transformar una matriz cuadrada A en una matriz diagonal o triangular sin cambiar sus valores propios Esto no se cumple para la eliminación gaussiana: los autovalores de la matriz triangular superior final del proceso de eliminación no son los de la matriz original Comenzamos dando un criterio para determinar cuándo podemos transformar una matriz en otra diagonal Sea A M n,n (K) una matriz cuadrada Se dice que A es diagonalizable si existe una matriz semejante con ella que es diagonal Esto significa que existe una matriz P M n,n (K) no singular tal que es diagonal D = P 1 AP Como los autovalores de una matriz diagonal son precisamente los elementos de la diagonal principal, es claro que la matriz diagonal semejante a la matriz A tiene por entradas diagonales los autovalores de A Teorema 2 Sea A M n,n (K) y λ 1,, λ r los autovalores de A Entonces (a) Los subespacios E(A, λ 1 ),, E(A, λ r ) son independientes (b) La multiplicidad geométrica d(λ j ) de cada autovalor es a lo sumo su multiplicidad algebraica m(λ j ) (c) La matriz A es diagonalizable si y sólo si se verifican las dos condiciones siguientes: (i) λ j K, j = 1,, r (esta condición siempre se cumple si K = C) (ii) d(λ j ) = m(λ j ), j = 1,, r (d) La matriz A es diagonalizable si y sólo si K n = E(A, λ 1 ) E(A, λ r ) Esto equivale a decir que A es diagonalizable si y sólo si existe una base en K n formada por vectores propios de A El criterio práctico para determinar si una matriz A es diagonalizable es el siguiente: (1) Determinar los autovalores de A a través de las raíces de su polinomio característico p A (z) = det(zi n A) Si alguna de sus raíces ya no está en K, la matriz ya no es diagonalizable (2) Supongamos que todas las raíces características λ 1,, λ r están en K La determinación de estas raíces λ j (los autovalores) nos permite conocer cada una de las multiplicidades algebraicas m(λ j ) (que recordemos es la multiplicidad de λ j como cero del polinomio característico) A continuación determinamos la dimensión de cada subespacio propio E(A, λ j ) = Ker(λ j I n A), es decir, la multiplicidad geométrica d(λ j ) Para cada autovalor λ j comprobamos si se cumple la segunda condición: d(λ j ) = m(λ j ) Si para alguno falla, la matriz no es diagonalizable (3) Caso de que todos los autovalores verifiquen las dos condiciones (i) y (ii) del apartado (c) del Teorema 2, determinamos una base B j de cada subespacio propio E(A, λ j ) y juntamos todas las bases para formar una base de K n : B = B 1 B r Entonces, si P es la matriz cuyas columnas son los vectores de la base B, se tiene que P 1 AP es diagonal con los elementos de la diagonal principal siendo los autovalores de A

10 Ejemplos (1) Para la matriz A = ya hemos visto que los autovalores con sus multiplicidades son λ 1 = 2, m λ1 = 2, d λ1 = 2 λ 2 = 6 m λ2 = 1, d λ2 = 1 luego la matriz es diagonalizable en R También calculamos anteriormente una base de cada subespacio propio: E(A, λ 1 ) = span((1, 2, 0) T, (0, 3, 1) T ) E(A, λ 2 ) = span(( 2, 1, 1) T ) Entonces, si se tiene que P = P 1 AP = (2) Para la matriz A = se tiene λ 1 = 0, m λ1 = 1, d λ1 = 1 λ 2 = 1 m λ2 = 1, d λ2 = 1 λ 3 = 3 m λ3 = 1, d λ3 = 1 La matriz es diagonalizable en R La base de autovectores es la siguiente: E(A, λ 1 ) = span((1, 1, 1) T ) E(A, λ 2 ) = span((1, 0, 1) T ) E(A, λ 3 ) = span((1, 2, 1) T ) Luego si P =

11 se tiene que P 1 AP = Este es un ejemplo de un caso particular de matrices diagonalizables: aquéllas cuyos autovalores están en el cuerpo considerado y son todas distintas (3) Para la matriz A = se tiene λ 1 = 2, m λ1 = 1, d λ1 = 1 λ 2 = i m λ2 = 1, d λ2 = 1 λ 3 = i m λ3 = 1, d λ3 = 1 Como matriz real, A no es diagonalizable, pues tiene dos autovalores que no son reales Pero como matriz compleja, A es diagonalizable La base de autovectores es la siguiente: E(A, λ 1 ) = span(( 1, 2, 5) T ) E(A, λ 2 ) = span((1, i, 0) T ) E(A, λ 3 ) = span((1, i, 0) T ) Luego si se tiene que P = P 1 AP = i i i i Ya sabemos que cuando no se cumplen las dos condiciones (i) y (ii) del teorema anterior, la matriz A no es diagonalizable Cuando la segunda de las condiciones de diagonalización falla manteniéndose la primera (los autovalores están en el cuerpo considerado) la matriz aún puede reducirse a forma triangular superior por semejanza Teorema 3 Sea A M n,n (K) Entonces existen una matriz U M n,n (K) no singular y una matriz triangular superior S M n,n (K) tales que S = U 1 AU si y sólo si los autovalores de A están en K (esta condición se satisface siempre cuando K = C) La matriz U puede elegirse unitaria (U = U 1 ) La demostración es constructiva, aunque no la daremos Es importante, sin embargo, retener este resultado, fundamentalmente por dos razones: (i) porque proporciona una reducción intermedia entre el caso más simple (cuando la matriz diagonaliza) y el más general que trataremos en el tema siguiente; (ii) porque se utiliza para deducir que un tipo importante de matrices es diagonalizable y da lugar a una forma especial de diagonalización Esto es lo que vamos a ver ahora

12 45 Diagonalización ortogonal Hemos visto que la diagonalización de una matriz, o de un endomorfismo, es un problema que no siempre tiene solución Hay, sin embargo, un caso particular de matrices que son siempre diagonalizables y para las que las bases de diagonalización tienen estructura especial Recordemos que la adjunta A M n,m (K) de una matriz dada A M m,n (K) se define como la traspuesta conjugada (A = A T ) Además, es importante la relación con el producto interno A x, y = x, A y, x K n, y K m La adjunta se comporta con la suma y el producto por un escalar en el sentido siguiente: Además, (A ) = A Se dice que una matriz A M n,n (R) es simétrica si A T = A = A, antisimétrica si A T = A = A, (A + B) = A + B, (λa) = λa ortogonal si A es no singular y A T = A = A 1 Análogamente, una matriz A M n,n (C) es hermítica si A = A, antihermítica si A = A, unitaria si A es no singular y A = A 1 Recordemos también que A M n,n (R) (resp A M n,n (C)) es ortogonal (resp unitaria) si sus columnas forman una base ortonormal de R n (resp C n ) Las matrices destacables son las simétricas en el caso real y las hermíticas en el caso complejo Ambas son siempre diagonalizables Además, la matriz formada por la base de autovectores es ortogonal en el caso real y unitaria en el caso complejo Teorema 4 Sea A M n,n (R) una matriz simétrica Entonces (1) Todos los autovalores λ 1,, λ r de A son reales (2) Si λ y µ son autovalores de A distintos, los correspondientes subespacios propios E(A, λ), E(A, µ) son ortogonales (3) Existe una matriz ortogonal P M n,n (R) tal que P T AP = P 1 AP es diagonal IMPORTANTE: en la práctica, se procede como en una diagonalización normal, con la única diferencia de que para cada subespacio propio se elige una base ortonormal Ejemplo Vamos a diagonalizar ortogonalmente la matriz A = El polinomio característico es p A (z) = (z 2) 2 (z 5),

13 de manera que los autovalores con sus multiplicidades algebraicas son λ 1 = 2, m(λ 1 ) = 2 λ 2 = 5, m(λ 2 ) = 1 Los subespacios propios son los siguientes Para λ 1 = 2 E(A, λ 1 ) = Ker(2I 3 A) = {(x, y, z) T / = {(x, y, z) T /x + y + z = 0} x y z = 0} = span((1/ 2, 0, 1/ 2) T, (1/ 6, 2/ 6, 1/ 6) T ) d(λ 1 ) = 2 Fijémonos en que hemos elegido una base ortonormal del subespacio Esta es la única diferencia Para el otro autovalor E(A, λ 2 ) = Ker(5I 3 A) = {(x, y, z) T / x y = 0} z = {(x, y, z) T /x 2y + z = 0, y z = 0} = span((1/ 3, 1/ 3, 1/ 3) T ) d(λ 2 ) = 1 Los autovectores asociados a autovalores distintos ya son ortogonales entre sí Como las multiplicidades coinciden, la matriz es diagonalizable La base elegida al juntar las bases de cada subespacio propio, es ortonormal, de modo que la matriz P = 1/ 2 1/ 6 1/ 3 0 2/ 6 1/ 3 1/ 2 1/ 6 1/ 3 es ortogonal Además, P T AP = P 1 AP = Teorema 5 Sea A M n,n (C) una matriz hermítica Entonces (1) Todos los autovalores de A son reales (2) Si λ y µ son autovalores de A distintos, los correspondientes subespacios propios E(A, λ), E(A, µ) son ortogonales (3) Existe una matriz unitaria U M n,n (C) tal que U AU = U 1 AU es diagonal Ejercicio Diagonaliza unitariamente la matriz A = 2 i 2 i 2 i i EJERCICIOS DEL TEMA 4

14 Ejercicio 1 Se considera la aplicación lineal T : R 3 R 3 siguiente T ([x, y, z] T ) = [2x + z, x + y + z, x y + 3z] T Se considera en R 3 la base B = {[3, 1, 0] T, [ 1, 3, 0] T, [0, 0, 1] T } a) Halla la matriz de T respecto de la nueva base B b) Halla una base B de R 3 en la cual la matriz de la aplicación lineal sea diagonal Ejercicio 2 Sea T : R 3 R 3 una aplicación lineal que admite por vectores propios a v 1 = (1, 1, 0) T, v 2 = (1, 1, 0) T, v 3 = (0, 0, 1) T Se sabe además que la imagen del vector w = (3, 1, 1) T es el vector (8, 0, 2) T Halla los valores propios de T Ejercicio 3 Encuentra los autovalores y autovectores de las siguientes matrices: Ejercicio 4 Demuestra que las matrices A = 4 a a 2 B = 1 a a a a son semejantes independientemente del valor de a, pero que las matrices C = D = no son semejantes Ejercicio 5 Estudia para qué valores de los parámetros reales a y b son diagonalizables las siguientes matrices A = B = a 0 a b Halla un sistema completo de autovectores cuando sea posible Ejercicio 6 Encuentra autovalores, autovectores, forma diagonal y matriz de paso para las siguientes matrices Ejercicio 7 Determina si las siguientes matrices son o no diagonalizables En caso afirmativo, encuentra la matriz de paso y la forma diagonal asociada

15 Ejercicio 8 Se consideran las matrices complejas siguientes: 2 i 2 i 2 A = i i B = i 4 2i 8 2i 4 2i 5 Halla matrices unitarias U, V tales que U 1 AU, V 1 BV sean diagonales, y halla dichos productos Ejercicio 9 Diagonaliza ortogonalmente las matrices simétricas A = B = C = encontrando matrices ortogonales P, Q y R tales que P 1 AP, Q 1 BQ y R 1 CR sean diagonales Idem para la matriz D = Ejercicio 10 Sea A = Halla una matriz ortogonal P con det(p )=1 y tal que P T AP sea una matriz diagonal con los elementos diagonales dispuestos en orden decreciente

RESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS

RESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS RESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS 1. Determinantes El determinante de una matriz cuadrada n n A = a 21 a 22 a 2n a n1 a n2 a nn es un número real, y se representa por: A = a 21 a 22 a 2n a

Más detalles

Diagonalización. Tema Valores y vectores propios Planteamiento del problema Valores y vectores propios

Diagonalización. Tema Valores y vectores propios Planteamiento del problema Valores y vectores propios 61 Matemáticas I : Álgebra Lineal Tema 6 Diagonalización 61 Valores y vectores propios 611 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial

Más detalles

Tema 2: Diagonalización

Tema 2: Diagonalización TEORÍA DE ÁLGEBRA II: Tema 2. DIPLOMATURA DE ESTADÍSTICA 1 Tema 2: Diagonalización 1 Introducción Sea f : R n R n lineal. Dada una base B de R n podemos asociar a f la matriz A 1 = [f, B] M n. Si C es

Más detalles

Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos.

Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos. Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada

Más detalles

Podemos pues formular los dos problemas anteriores en términos de matrices.

Podemos pues formular los dos problemas anteriores en términos de matrices. Tema 5 Diagonalización 51 Introducción Valores y vectores propios 511 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial V de dimensión

Más detalles

Sesión 18: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K

Sesión 18: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K Sesión 8: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K ) Calculamos los valores propios de A y sus multiplicidades algebraicas con: d A λ = det A λi nxn = Si d A

Más detalles

Algebra Lineal * Working draft: México, D.F., a 17 de noviembre de 2010.

Algebra Lineal * Working draft: México, D.F., a 17 de noviembre de 2010. Algebra Lineal * José de Jesús Ángel Ángel jjaa@mathcommx Working draft: México, DF, a 17 de noviembre de 2010 Un resumen de los principales temas tratados en un curso de Álgebra Lineal Contenido 1 Sistemas

Más detalles

Autovalores y autovectores Diagonalización y formas canónicas

Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,

Más detalles

6.6. Diagonalización de matrices simétricas o hermitianas. Ejemplo de una diagonalización de una matriz simétrica

6.6. Diagonalización de matrices simétricas o hermitianas. Ejemplo de una diagonalización de una matriz simétrica 6.6 Diagonalización de matrices simétricas o hermitianas Ejemplo de una diagonalización de una matriz simétrica Matrices hermitianas Los autovalores de las matrices reales simétricas o complejas hermitianas

Más detalles

Tema 6: Diagonalización de matrices

Tema 6: Diagonalización de matrices Tema 6: Diagonalización de matrices La intención en este tema es, dada una matriz cuadrada, ver si existe otra matriz semejante a ella que sea diagonal. Recordemos del Tema 4 que dos matrices cuadradas

Más detalles

Tema 5: Diagonalización de matrices

Tema 5: Diagonalización de matrices Tema : Diagonalización de matrices La intención en este tema es, dada una matriz cuadrada, ver si existe otra matriz semejante a ella que sea diagonal. Recordemos del Tema 4 que dos matrices cuadradas

Más detalles

Matrices. José Vicente Romero Bauset. ETSIT-curso 2009/2010. José Vicente Romero Bauset Tema 1.- Matrices. 1

Matrices. José Vicente Romero Bauset. ETSIT-curso 2009/2010. José Vicente Romero Bauset Tema 1.- Matrices. 1 Matrices José Vicente Romero Bauset ETSIT-curso 2009/2010 José Vicente Romero Bauset Tema 1- Matrices 1 Introducción Por qué estudiar las matrices? Son muchas las situaciones de la vida real en las que

Más detalles

ALGEBRA LINEAL Y GEOMETRÍA I

ALGEBRA LINEAL Y GEOMETRÍA I ALGEBRA LINEAL Y GEOMETRÍA I TEMA 3: Autovalores y Autovectores. Introducción Ya conoces que las aplicaciones lineales entre espacios vectoriales, al elegir bases en ellos, las puedes representar por matrices.

Más detalles

Capítulo 1: Diagonalización de matrices

Capítulo 1: Diagonalización de matrices Capítulo : Diagonalización de matrices Matrices y determinantes Definición Una matriz es un arreglo rectangular de números reales a a a m a A a a m a n a n a nm La matriz es de orden n m si consta de n

Más detalles

Definición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.

Definición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:

Más detalles

Grado en Edificación MATERIAL DOCENTE: PRESENTACIÓN DEL TEMA III. Ana Isabel Garralda Guillem y Manuel Ruiz Galán

Grado en Edificación MATERIAL DOCENTE: PRESENTACIÓN DEL TEMA III. Ana Isabel Garralda Guillem y Manuel Ruiz Galán MATEMÁTICAS TICAS I Grado en Edificación MATERIAL DOCENTE: PRESENTACIÓN DEL TEMA III Ana Isabel Garralda Guillem y Manuel Ruiz Galán Tema. Diagonalización de matrices.1. Diagonalización de matrices por

Más detalles

Sistemas de Ecuaciones Lineales y Matrices

Sistemas de Ecuaciones Lineales y Matrices Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una

Más detalles

Geometría afín y proyectiva, 2016 SEMANA 4

Geometría afín y proyectiva, 2016 SEMANA 4 Geometría afín y proyectiva, 2016 SEMANA 4 Sonia L. Rueda ETS Arquitectura. UPM September 30, 2016 Geometría afín y proyectiva 1. Álgebra Lineal 2. Geometría afín y eucĺıdea 3. Cónicas y cuádricas Álgebra

Más detalles

Tema 9: REDUCCIÓN POR SEMEJANZA DE UNA MATRIZ. DIAGONALIZACIÓN

Tema 9: REDUCCIÓN POR SEMEJANZA DE UNA MATRIZ. DIAGONALIZACIÓN Álgebra I - Curso 2005/06 - Grupos M1 y M2 Tema 9: REDUCCIÓN POR SEMEJANZA DE UNA MATRIZ DIAGONALIZACIÓN por Mario López Gómez 1 Valores y vectores propios Definición- Dada una matriz cuadrada A K n n,

Más detalles

ALGEBRA. Escuela Politécnica Superior de Málaga

ALGEBRA. Escuela Politécnica Superior de Málaga ALGEBRA. Escuela Politécnica Superior de Málaga Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Espacio vectorial. Espacios vectoriales R n. Dependencia e independencia lineal. Base. Matrices y determinantes.

Más detalles

Aplicaciones Lineales. Diagonalización de matrices.

Aplicaciones Lineales. Diagonalización de matrices. Tema 2 Aplicaciones Lineales. Diagonalización de matrices. 2.1. Definiciones y propiedades Nota 2.1.1. En este tema trabajaremos con los Espacios Vectoriales R n y R m definidos sobre el cuerpo R. Definición

Más detalles

Tema 3: MATRICES. Prof. Rafael López Camino Departamento de Geometría y Topología Universidad de Granada

Tema 3: MATRICES. Prof. Rafael López Camino Departamento de Geometría y Topología Universidad de Granada Tema 3: MATRICES Prof. Rafael López Camino Departamento de Geometría y Topología Universidad de Granada Material docente para el alumno Asignatura: Geometría I. Curso 2003/04 Licenciatura: Matemáticas

Más detalles

Tema 1: Matrices. Sistemas de ecuaciones. Determinantes

Tema 1: Matrices. Sistemas de ecuaciones. Determinantes Tema 1: Matrices. Sistemas de ecuaciones. Determinantes José M. Salazar Octubre de 2016 Tema 1: Matrices. Sistemas de ecuaciones. Determinantes Lección 1. Matrices. Sistemas de ecuaciones. Determinantes

Más detalles

Contenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices

Contenido. 2 Operatoria con matrices. 3 Determinantes. 4 Matrices elementales. 1 Definición y tipos de matrices elementales Diciembre 2010 Contenido Definición y tipos de matrices elementales 1 Definición y tipos de matrices 2 3 4 elementales 5 elementales Definición 1.1 (Matriz) Una matriz de m filas y n columnas

Más detalles

Problemas y Ejercicios Resueltos. Tema 6: Diagonalizacion.

Problemas y Ejercicios Resueltos. Tema 6: Diagonalizacion. Problemas y Ejercicios Resueltos. Tema 6: Diagonalizacion. Ejercicios 1.- Sea f End V. Demostrar que la suma de subespacios f-invariantes es f-invariante. Solución. Sean U, W dos subespacios f-invariantes

Más detalles

Algunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices

Algunos Tipos de matrices. Matrices. Algunos Tipos de matrices. Algunos Tipos de matrices Matrices Una matriz de orden m n es un conjunto ordenado de m n números reales dispuestos en m filas y n columnas de la forma: A = a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n a i1 a i2 a ij a in a m1 a m2

Más detalles

Matrices y sistemas de ecuaciones lineales. Autovalores y autovectores.

Matrices y sistemas de ecuaciones lineales. Autovalores y autovectores. Tema 5 Matrices y sistemas de ecuaciones lineales Autovalores y autovectores 5 Introducción Una matriz es una disposición ordenada de elementos de la forma: a a a m a a a m a n a n a nm Sus filas son las

Más detalles

ALGEBRA. Escuela Politécnica Superior de Málaga

ALGEBRA. Escuela Politécnica Superior de Málaga ALGEBRA. Escuela Politécnica Superior de Málaga Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Espacio vectorial. Espacios vectoriales R n. Dependencia e independencia lineal. Base. Matrices y determinantes.

Más detalles

Matrices. Álgebra de matrices.

Matrices. Álgebra de matrices. Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,

Más detalles

Matrices, Determinantes y Sistemas Lineales.

Matrices, Determinantes y Sistemas Lineales. 12 de octubre de 2014 Matrices Una matriz A m n es una colección de números ordenados en filas y columnas a 11 a 12 a 1n f 1 a 21 a 22 a 2n f 2....... a m1 a m2 a mn f m c 1 c 2 c n Decimos que la dimensión

Más detalles

f(x, y, z, t) = (x + y t, x + 2y z 3t, 3x + 5y 2z 7t).

f(x, y, z, t) = (x + y t, x + 2y z 3t, 3x + 5y 2z 7t). Universidade de Vigo Departamento de Matemática Aplicada II E.T.S.I. Minas Álgebra Convocatoria de enero de 20 de enero de 20 (2.5 p.) ) Se considera la aplicación lineal f : R 4 R definida por: f(x y

Más detalles

Definición: Dos matrices A y B son iguales si tienen el mismo orden y coinciden los elementos que ocupan el mismo lugar.

Definición: Dos matrices A y B son iguales si tienen el mismo orden y coinciden los elementos que ocupan el mismo lugar. UNIDAD 03: MATRICES Y DETERMINANTES. 3.1 Conceptos de Matrices. 3.1.1 Definición de matriz. Definición: Se lama matriz de orden m x n a un arreglo rectangular de números dispuestos en m renglones y n columnas.

Más detalles

1 Autovalores y autovectores asociados a un endomor smo f. Diagonalización.

1 Autovalores y autovectores asociados a un endomor smo f. Diagonalización. utovalores y autovectores asociados a un endomor smo f Diagonalización Dado un endomor smo f de un espacio vectorial real V y jada una base B de V obtenemos una única matriz asociada a f respecto de la

Más detalles

Tema 11.- Autovalores y Autovectores.

Tema 11.- Autovalores y Autovectores. Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica

Más detalles

Matrices 3. Matrices. Verónica Briceño V. agosto 2012

Matrices 3. Matrices. Verónica Briceño V. agosto 2012 3 agosto 2012 En esta Presentación... En esta Presentación veremos: Matriz Inversa En esta Presentación... En esta Presentación veremos: Matriz Inversa Determinante En esta Presentación... En esta Presentación

Más detalles

Diagonalización de matrices

Diagonalización de matrices 7 Diagonalización de matrices 7.1. Matrices diagonalizables Existen diversos procesos en los que el estado en cada uno de sus pasos se puede representar por un determinado vector y en los que, además,

Más detalles

Conjuntos y matrices. Sistemas de ecuaciones lineales

Conjuntos y matrices. Sistemas de ecuaciones lineales 1 Conjuntos y matrices Sistemas de ecuaciones lineales 11 Matrices Nuestro objetivo consiste en estudiar sistemas de ecuaciones del tipo: a 11 x 1 ++ a 1m x m = b 1 a n1 x 1 ++ a nm x m = b n Una solución

Más detalles

Espacios Vectoriales, Valores y Vectores Propios

Espacios Vectoriales, Valores y Vectores Propios , Valores y Vectores Propios José Juan Rincón Pasaye, División de Estudios de Postgrado FIE-UMSNH Curso Propedéutico de Matemáticas para la Maestría en Ciencias opciones: Sistemas de Control y Sistemas

Más detalles

ÁLGEBRA LINEAL E.T.S. DE INGENIERÍA INFORMÁTICA INGENIERÍAS TÉCNICAS EN INFORMÁTICA DE SISTEMAS Y GESTIÓN BOLETÍN DE PROBLEMAS DE

ÁLGEBRA LINEAL E.T.S. DE INGENIERÍA INFORMÁTICA INGENIERÍAS TÉCNICAS EN INFORMÁTICA DE SISTEMAS Y GESTIÓN BOLETÍN DE PROBLEMAS DE E.T.S. DE INGENIERÍA INFORMÁTICA BOLETÍN DE PROBLEMAS DE ÁLGEBRA LINEAL para las titulaciones de INGENIERÍAS TÉCNICAS EN INFORMÁTICA DE SISTEMAS Y GESTIÓN 1. Matrices y determinantes Ejercicio 1.1 Demostrar

Más detalles

Menor, cofactor y comatriz

Menor, cofactor y comatriz Menor, cofactor y comatriz Sea A una matriz cuadrada de orden n. Al quitarle la línea i y la columna j se obtiene una submatriz de orden n-1, que se denota habitualmente A i,j. Por ejemplo, con n = 4,

Más detalles

TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS.

TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. TEMA 1. MATRICES, DETERMINANTES Y APLICACIÓN DE LOS DETERMINANTES. 1. MATRICES. CONCEPTO DE MATRIZ. LA MATRIZ COMO EXPRESIÓN DE TABLAS Y GRAFOS. DEFINICIÓN: Las matrices son tablas numéricas rectangulares

Más detalles

APÉNDICE A. Algebra matricial

APÉNDICE A. Algebra matricial APÉNDICE A Algebra matricial El estudio de la econometría requiere cierta familiaridad con el álgebra matricial. La teoría de matrices simplifica la descripción, desarrollo y aplicación de los métodos

Más detalles

Tema 4: Matrices y Determinantes. Algunas Notas sobre Matrices y Determinantes. Álgebra Lineal. Curso

Tema 4: Matrices y Determinantes. Algunas Notas sobre Matrices y Determinantes. Álgebra Lineal. Curso Tema 4: Matrices y Determinantes Algunas Notas sobre Matrices y Determinantes Álgebra Lineal Curso 2004-2005 Prof. Manu Vega Índice 1. Determinantes 3 2. Regla de Sarrus 3 3. Propiedades de los determinantes

Más detalles

Matrices, determinantes, sistemas de ecuaciones lineales.

Matrices, determinantes, sistemas de ecuaciones lineales. UNIVERSIDAD DE MURCIA Departamento de Matemáticas Óptica y Optometría Resúmenes Curso 2007-2008 Matrices, determinantes, sistemas de ecuaciones lineales. Una matriz A de orden m n es una colección de m

Más detalles

Matrices y determinantes

Matrices y determinantes Matrices y determinantes 1 Ejemplo Cuál es el tamaño de las siguientes matrices? Cuál es el elemento a 21, b 23, c 42? 2 Tipos de matrices Matriz renglón o vector renglón Matriz columna o vector columna

Más detalles

Valores y vectores propios

Valores y vectores propios Valores y vectores propios Problemas teóricos El los siguientes problemas se denota por L(V ) conjunto de los operadores lineales en un espacio vectorial V (en otras palabras, de las transformaciones lineales

Más detalles

Es decir, det A = producto de diagonal principal producto de diagonal secundaria. Determinante de una matriz cuadrada de orden 3

Es decir, det A = producto de diagonal principal producto de diagonal secundaria. Determinante de una matriz cuadrada de orden 3 1.- DETERMINANTE DE UNA MATRIZ CUADRADA Determinante de una matriz cuadrada de orden 1 Dada una matriz cuadrada de orden 1, A = (a), se define det A = det (a) = a Determinante de una matriz cuadrada de

Más detalles

6. DIAGONALIZACIÓN DE ENDOMORFISMOS

6. DIAGONALIZACIÓN DE ENDOMORFISMOS Diagonalización de endomorfismos 6. DIAGONALIZACIÓN DE ENDOMORFISMOS SUMARIO: INTRODUCCIÓN OBJETIVOS INTRODUCCIÓN TEÓRICA.- Autovalores y vectores propios. Propiedades..- Multiplicidad algebraica y geométrica

Más detalles

DETERMINANTES MATRICES EQUIVALENTES POR FILAS RANGO DE UNA MATRIZ. APLICACIONES

DETERMINANTES MATRICES EQUIVALENTES POR FILAS RANGO DE UNA MATRIZ. APLICACIONES Tema 2.- DETERMINANTES DETERMINANTES MATRICES EQUIVALENTES POR FILAS RANGO DE UNA MATRIZ. APLICACIONES 1 Un poco de historia Los determinantes es uno de los temas más útiles del Álgebra Lineal, con muchas

Más detalles

6. Forma canónica de matrices

6. Forma canónica de matrices 6. Forma canónica de matrices Manuel Palacios Departamento de Matemática Aplicada Centro Politécnico Superior Universidad de Zaragoza Otoño 2010 Contents 6 6. Forma canónica de matrices 7 6.1 Introducción....................................

Más detalles

Matrices y determinantes. Sistemas de ecuaciones lineales

Matrices y determinantes. Sistemas de ecuaciones lineales Tema 0 Matrices y determinantes Sistemas de ecuaciones lineales 01 Introducción Definición 011 Se llama matriz a un conjunto ordenado de números, dispuestos en filas y columnas, formando un rectángulo

Más detalles

Matrices, determinantes y sistemas de ecuaciones lineales

Matrices, determinantes y sistemas de ecuaciones lineales Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente

Más detalles

Tema 1. 1 Álgebra lineal. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. 1.1 Vectores de R n. 1. Vectores. 2.

Tema 1. 1 Álgebra lineal. Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid. 1.1 Vectores de R n. 1. Vectores. 2. Aurea Grané. Máster en Estadística. Universidade Pedagógica. 1 Aurea Grané. Máster en Estadística. Universidade Pedagógica. 2 Tema 1 Álgebra lineal 1. Vectores 2. Matrices 1 Álgebra lineal Aurea Grané

Más detalles

Matrices y Determinantes

Matrices y Determinantes Capítulo 1 Matrices y Determinantes 11 Matrices Generalidades Definición 11 Sea E un conjunto cualquiera, m, n N Definimos matriz de orden m n sobre E a una expresión de la forma: a 11 a 12 a 1n a 21 a

Más detalles

4. Endomorfismos. 2 Autovalores y autovectores. 1 Introducción. 2.1 Definición y propiedades. 2.2 Subespacios característicos.

4. Endomorfismos. 2 Autovalores y autovectores. 1 Introducción. 2.1 Definición y propiedades. 2.2 Subespacios característicos. Tema III Capítulo 4 Endomorfismos Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 4 Endomorfismos 1 Introducción Vimos en el capítulo anterior que un endomorfismo es una aplicación

Más detalles

!DETERMINANTES. Tema 3.- DETERMINANTES !MATRICES EQUIVALENTES POR FILAS!RANGO DE UNA MATRIZ. APLICACIONES. Un poco de historia

!DETERMINANTES. Tema 3.- DETERMINANTES !MATRICES EQUIVALENTES POR FILAS!RANGO DE UNA MATRIZ. APLICACIONES. Un poco de historia Tema 3.- DETERMINANTES!DETERMINANTES!MATRICES EQUIVALENTES POR FILAS!RANGO DE UNA MATRIZ. APLICACIONES 1 Un poco de historia Los determinantes es uno de los temas más útiles del Álgebra Lineal, con muchas

Más detalles

VALORES Y VECTORES PROPIOS

VALORES Y VECTORES PROPIOS VALORES Y VECTORES PROPIOS En diversos campos de la ingeniería y las matemáticas surge el problema de calcular los valores escalares λ y los vectores x 0 tales que para la matriz cuadrada A se cumple Ax

Más detalles

Matrices. Operaciones con matrices.

Matrices. Operaciones con matrices. Matrices. Operaciones con matrices. Ejercicio. Dadas las matrices ( ) ( ) 4 A = B = ( ) C = D = 4 5 ( ) 4 E = F = seleccione las que se pueden sumar y súmelas. Ejercicio. Dadas las matrices ( ) ( ) A =

Más detalles

!MATRICES INVERTIBLES

!MATRICES INVERTIBLES Tema 4.- MATRICES INVERTIBLES!MATRICES INVERTIBLES!TÉCNICAS PARA CALCULAR LA INVERSA DE UNA MATRIZ REGULAR 1 Hemos hablado anteriormente de la matriz cuadrada unidad de orden n (I n ).. Es posible encontrar

Más detalles

ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2.3

ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2.3 ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2. Transformaciones ortogonales (Curso 2010 2011) 1. Se considera el espacio vectorial euclídeo IR referido a una base ortonormal. Obtener la expresión

Más detalles

Diagonalización de Matrices Cuadradas.

Diagonalización de Matrices Cuadradas. de Matrices Cuadradas. * Vector propio * Valor propio * Polinomio característico * Cómo se hallan? * Diagonalizabilidad. * Criterios * Aplicaciones Cuadernos Genius, el secreto de los mejores. Tema: de

Más detalles

DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES

DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas

Más detalles

Resumen de Teoría de Matrices

Resumen de Teoría de Matrices Resumen de Teoría de Matrices Rubén Alexis Sáez Morcillo Ana Isabel Martínez Domínguez 1 de Octubre de 2004 1. Matrices. Generalidades. Definición 1.1. Se llama matriz de orden m n sobre un cuerpo K a

Más detalles

Tema 2: Teorema de estructura de los grupos abelianos finitamente generados.

Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con

Más detalles

2. Teorema de las multiplicidades algebraica y geométrica.

2. Teorema de las multiplicidades algebraica y geométrica. Guía. Álgebra III. Examen parcial II. Valores y vectores propios. Forma canónica de Jordan. Teoremas con demostraciones que se pueden incluir en el examen El examen puede incluir una demostración entera

Más detalles

TEMA 1: MATRICES Y DETERMINANTES

TEMA 1: MATRICES Y DETERMINANTES TEMA 1: MATRICES Y DETERMINANTES 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales de la forma a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Las líneas horizontales (verticales)

Más detalles

Tema 1: MATRICES. OPERACIONES CON MATRICES

Tema 1: MATRICES. OPERACIONES CON MATRICES Tema 1: MATRICES. OPERACIONES CON MATRICES 1. DEFINICIÓN Y TIPO DE MATRICES DEFINICIÓN. Una matriz es un conjunto de números reales dispuestos en filas y columnas. Si en ese conjunto hay m n números escritos

Más detalles

1. Lección 3: Matrices y Determinantes

1. Lección 3: Matrices y Determinantes Apuntes: Matemáticas Empresariales II 1. Lección 3: Matrices y Determinantes Se define matriz de orden n m a todo conjunto de n m elementos de un cuerpo K, dispuestos en n filas y m columnas: A n m = (

Más detalles

Hoja de diagonalización MATEMÁTICAS I

Hoja de diagonalización MATEMÁTICAS I Hoja de diagonalización MATEMÁTICAS I 8-9.- En los siguientes casos estudiar si f es una aplicación lineal y en caso afirmativo hallar una matriz A tal que f(x) Ax así como los subespacios vectoriales

Más detalles

Tema 3: Espacios vectoriales

Tema 3: Espacios vectoriales Tema 3: Espacios vectoriales K denotará un cuerpo. Definición. Se dice que un conjunto no vacio V es un espacio vectorial sobre K o que es un K-espacio vectorial si: 1. En V está definida una operación

Más detalles

Tema I. Capítulo 5. Equivalencia, congruencia y semejanza de matrices.

Tema I. Capítulo 5. Equivalencia, congruencia y semejanza de matrices. 5 Equivalencia, congruencia y semejanza de matrices 1 Equivalencia de matrices por filas 11 Definición y propiedades Definición 11 Dos matrices A, B M m n se dicen equivalentes por filas o equivalentes

Más detalles

Matrices, determinantes y sistemas de ecuaciones lineales

Matrices, determinantes y sistemas de ecuaciones lineales Capítulo 4 Matrices, determinantes y sistemas de ecuaciones lineales DEFINICIÓN DE MATRIZ DE NÚMEROS REALES Una matriz de números reales de tamaño m n es un conjunto ordenado por filas y columnas de números

Más detalles

Tema I. Matrices y determinantes

Tema I. Matrices y determinantes Tema I. Matrices y determinantes 2007 Carmen Moreno Valencia 1. Matrices sobre un cuerpo 2. Operaciones con matrices 3. Determinante de una matriz cuadrada 4. Menor complementario y adjunto 5. Cálculo

Más detalles

TEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.

TEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas. TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A

Más detalles

DETERMINANTES Profesor: Fernando Ureña Portero

DETERMINANTES Profesor: Fernando Ureña Portero : CONCEPTO, CÁLCULO DE. Definición: A cada matriz cuadrada A=a ij, de orden n, se le asigna un número real, denominado determinante de A, denotado por A o por det (A). A =det (A)= 1.-Determinante de orden

Más detalles

Fundamentos Matemáticos de la Ingeniería. Tema 4: Diagonalización de matrices. Curso

Fundamentos Matemáticos de la Ingeniería. Tema 4: Diagonalización de matrices. Curso Fundamentos Matemáticos de la Ingeniería Tema 4 Hoja Escuela Técnica Superior de Ingeniería Civil e Industrial Esp en Hidrología Fundamentos Matemáticos de la Ingeniería Tema 4: Diagonaliación de matrices

Más detalles

Capítulo 9: Diagonalización de matrices

Capítulo 9: Diagonalización de matrices Capítulo 9: Diagonalización de matrices 1. Lección 33. Transformaciones lineales Del mismo modo que el estudio de las funciones usuales es importante para analizar las relaciones y la evolución de magnitudes

Más detalles

Diagonalización. Índice General. Nelson Möller. 1 Matrices Semejantes 2. 2 Matrices diagonalizables 2

Diagonalización. Índice General. Nelson Möller. 1 Matrices Semejantes 2. 2 Matrices diagonalizables 2 Diagonalización Nelson Möller Índice General 1 Matrices Semejantes 2 2 Matrices diagonalizables 2 3 Polinomio característico de una matriz 4 3.2 Valores propios.... 5 4 Vectores propios. 6 4.1 Ejemplo...

Más detalles

Apuntes de álgebra lineal. Eduardo Liz Marzán. Enero de 2015.

Apuntes de álgebra lineal. Eduardo Liz Marzán. Enero de 2015. Apuntes de álgebra lineal Eduardo Liz Marzán Enero de 2015 Índice general 1 Introducción 7 11 Operaciones internas y estructura de cuerpo 7 12 Números complejos 8 13 Vectores 10 2 Matrices y determinantes

Más detalles

1 Aplicaciones lineales

1 Aplicaciones lineales UNIVERSIDAD POLITÉCNICA DE CARTAGENA Departamento de Matemática Aplicada y Estadística Aplicaciones lineales y diagonalización. El objetivo principal de este tema será la obtención de una matriz diagonal

Más detalles

Matrices y Determinantes

Matrices y Determinantes Tema 2 Matrices y Determinantes 21 Introducción Presentaremos en este tema las matrices y los determinantes, centrándonos en particualar en el caso de matrices constituidas por números reales 22 Matrices

Más detalles

Diagonalización de una Matriz

Diagonalización de una Matriz Diagonalización de una Matriz Departamento de Matemáticas, CCIR/ITESM 9 de febrero de 2011 Índice 19.1.Introducción............................................... 1 19.2.Matriz diagonalizable..........................................

Más detalles

5.1. Concepto de diagonalización y ejemplo de aplicación. Supongamos que queremos calcular una potencia elevada de una matriz cuadrada, por ejemplo,

5.1. Concepto de diagonalización y ejemplo de aplicación. Supongamos que queremos calcular una potencia elevada de una matriz cuadrada, por ejemplo, Apuntes de Álgebra Lineal Capítulo 5 Diagonalización 51 Concepto de diagonalización y ejemplo de aplicación Supongamos que queremos calcular una potencia elevada de una matriz cuadrada, por ejemplo, calcular

Más detalles

ALN. Repaso matrices. In. Co. Facultad de Ingeniería Universidad de la República

ALN. Repaso matrices. In. Co. Facultad de Ingeniería Universidad de la República ALN Repaso matrices In. Co. Facultad de Ingeniería Universidad de la República Definiciones básicas - Vectores Definiciones básicas - Vectores Construcciones Producto interno: ( x, y n i x y i i ' α Producto

Más detalles

Esta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )

Esta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n ) Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder

Más detalles

Tema 1: Matrices y Determinantes

Tema 1: Matrices y Determinantes Tema 1: Matrices y Determinantes September 14, 2009 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Se dice que una matriz

Más detalles

4.1. Determinante de una matriz cuadrada de orden 2. , entonces el determinante de A es a 21 a 22 a 11 a 12 = a 11a 22 a 12 a 21

4.1. Determinante de una matriz cuadrada de orden 2. , entonces el determinante de A es a 21 a 22 a 11 a 12 = a 11a 22 a 12 a 21 Capítulo 4 Determinante Los determinantes se calculan para matrices cuadradas. Se usan para saber cuando una matriz tiene inversa, en el cálculo de autovalores y también para resolver sistemas de ecuaciones

Más detalles

Diagonalización de matrices, Semejanza.

Diagonalización de matrices, Semejanza. diagonalizacion.nb 1 Diagonalización de matrices, Semejanza. Practica 8, 28 de abril de 2004 En esta práctica aprenderemos/repasaremos los comandos: Eigenvalues[ matriz ] Calcula los autovalores de una

Más detalles

Matrices 1. Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.

Matrices 1. Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Matrices 1 Concepto de matriz Se denomina matriz a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se

Más detalles

Una forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes.

Una forma fácil de recordar esta suma (regla de Sarrus): Primero vamos a estudiar algunas propiedades de los determinantes. Una forma fácil de recordar esta suma (regla de Sarrus): Ejemplos: Tarea: realizar al menos tres ejercicios de cálculo de determinantes de matrices de 2x2 y otros tres de 3x3. PARA DETERMINANTES DE MATRICES

Más detalles

ALGEBRA y ALGEBRA LINEAL

ALGEBRA y ALGEBRA LINEAL 520142 ALGEBRA y ALGEBRA LINEAL Primer Semestre, Universidad de Concepción CAPITULO 7. MATRICES DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición: Matriz Sean

Más detalles

Aquella que tiene nulos los elementos nos situados en la diagonal principal. Los elementos situados por encima de la diagonal principal son nulos.

Aquella que tiene nulos los elementos nos situados en la diagonal principal. Los elementos situados por encima de la diagonal principal son nulos. Álgebra lineal Matrices Rango de una matriz Orden del mayor menor complementario no nulo. Matriz regular det A Diagonal principal Elementos a ii de la matriz. Si la matriz es cuadrado son los elementos

Más detalles

Factorización de rango completo y aplicaciones

Factorización de rango completo y aplicaciones XXI Congreso de Ecuaciones Diferenciales y Aplicaciones XI Congreso de Matemática Aplicada Ciudad Real, 21-25 septiembre 2009 (pp. 1 8) Factorización de rango completo y aplicaciones R. Cantó 1, B. Ricarte

Más detalles

Valores propios y vectores propios Diagonalización

Valores propios y vectores propios Diagonalización CAPÍTULO Valores propios y vectores propios Diagonalización Este capítulo consta de cuatro secciones Con el fin de dar una idea de lo que se hará en las dos primeras secciones, se considerará un espacio

Más detalles

Diagonalización de matrices

Diagonalización de matrices Capítulo 6 Diagonalización de matrices 6.. Introducción 6... Un ejemplo preliminar Antes de plantearlo de manera general, estudiaremos un ejemplo que servirá para situar el problema. Supongamos que, en

Más detalles

Matemáticas 2.º Bachillerato. Matemáticas 2.º Bachillerato. Matemáticas 2.º Bachillerato. Ejemplo:

Matemáticas 2.º Bachillerato. Matemáticas 2.º Bachillerato. Matemáticas 2.º Bachillerato. Ejemplo: Mapa conceptual Determinante de segundo orden Dada una matriz cuadrada de segundo orden: a a 11 12 A = a a 21 22 se llama determinante de A al número real: det (A)= A = a11 a 12 = a a a a a21 a22 11 22

Más detalles

de la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).

de la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ). INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.

Más detalles

Tema 1: Espacios vectoriales

Tema 1: Espacios vectoriales PROBLEMAS DE MATEMÁTICAS Parte I: Álgebra Primero de Ingeniería Química FACULTAD DE CIENCIAS QUÍMICAS Departamento de Matemáticas Universidad de Castilla-La Mancha Tema 1: Espacios vectoriales 1 Determina

Más detalles

Determinante de una matriz

Determinante de una matriz 25 Matemáticas I : Preliminares Tema 3 Determinante de una matriz 31 Determinante de una matriz cuadrada Definición 67- Sea A una matriz cuadrada de orden n Llamaremos producto elemental en A al producto

Más detalles

MATRICES DETERMINANTES

MATRICES DETERMINANTES MATRICES Y DETERMINANTES INTRODUCCIÓN, MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de

Más detalles