CAPÍTULO 5: AUTOVALORES Y AUTOVECTORES, FORMA CANÓNICA DE JORDAN
|
|
- Martín de la Fuente Gómez
- hace 6 años
- Vistas:
Transcripción
1 CAPÍTULO 5: AUTOVALORES Y AUTOVECTORES, FORMA CANÓNICA DE JORDAN 5.1- Definición: matrices semejantes. Se dice que dos matrices A y B son semejantes si existe una matriz regular P tal que se verifica B = P 1 AP. La matriz P se denomina matriz de paso. Nótese que si tenemos un endomorfismo f: E E de matriz A cuya expresión matricial respecto de dos bases es Y = AX y realizamos el mismo cambio de base en los espacios de llegada y partida (Y = PY y X = PX) entonces tenemos Y = (P 1 AP)X respecto de las nuevas bases. De aquí se sigue que las matrices de un endomorfismo respecto de diferentes bases son semejantes Propiedades de las matrices semejantes. a) Si A y B son semejantes se tiene que A = B b) Si A y B son semejantes entonces también lo son A n = B n c) Si A es semejante a A y B es semejante a B con la misma matriz de paso P entonces la matriz λa + μb es semejante a λa + μb con matriz de paso P para cualesquiera escalares λ, μ. d) Las matrices de un endomorfismo en diferentes bases son semejantes Definición de autovalor y autovector. Dado λ C diremos que λ es autovalor del endomorfismo f: E E si existe un vector u E tal que f(u ) = λu. Diremos que u es un autovector asociado al autovalor λ. Si la matriz de f es A entonces diremos que λ es autovalor de la matriz A si λ es autovalor del endomorfismo f: E E. Si f(u ) = λu entonces Au = λu y operando se llega a (A λi)u = 0. Si queremos que u sea un vector no nulo es necesario que el sistema anterior sea compatible indeterminado para lo cual es necesario que se verifique A λi = 0. La idea de los autovalores y autovectores es buscar una base respecto de la cual la matriz de f sea totalmente diagonal Polinomio característico y espectro de una matriz. Dada una matriz cuadrada A de orden n se llama polinomio característico de A a: P(λ) = A λi y sus raíces son los autovalores de A. Si λ i es un cero de P(λ) de multiplicidad r diremos que λ i es un autovalor de multiplicidad r de A. El espectro de una matriz se define como los autovalores de dicha matriz. Pedro_CC 1
2 - Ejemplo: demostrar que toda matriz cuadrada estocástica tiene el autovalor λ = 1 (una matriz es estocástica si la suma de todos los elementos de cada columna es igual a 1). a 11 a 12 a 1n a 21 a 22 Sea A =, tenemos que: a n1 a nn a 11 λ a 12 a 1n a P(λ) = A λi = 21 a 22 λ = a n1 a nn λ 1 λ 1 λ 1 λ a 21 a 22 λ a = (1 λ) 21 a 22 λ a n1 a nn λ a n1 a nn λ donde le hemos sumado a la primera fila todas las demás y hemos sacado (1 λ) fuera del determinante. La última expresión implica que λ = 1 es autovalor, que es lo que queríamos Propiedades. Si A es una matriz cuadrada de orden n y λ 1, λ 2,, λ n son sus autovalores repetidos tantas veces como su multiplicidad se verifica: Tr(A) = λ 1 + λ λ n 5.6- Subespacio vectorial propio o invariante. A = λ 1 λ 2 λ n Sea A una matriz de autovalores conocidos. Dado un λ i cualquiera se verifica f(u ) = λ i u y también (A λ i I)u = 0. Los vectores u que verifican la ecuación anterior pertenecen al núcleo del endomorfismo que tiene por matriz (A λ i I) y, por tanto, tienen estructura de subespacio vectorial. Dicho subespacio vectorial se denomina subespacio propio o invariante asociado a λ i y se denota por N 1,λi, es decir: N 1,λi = ker(a λ i I) = {u E Au = λ i u } - Propiedad: si λ i es un autovalor de multiplicidad r de A es necesario que se verifique que: dim(a λ i I) = r = dim (N 1,λi ) para que la matriz A sea diagonalizable. Lamentablemente 1 dim (N 1,λi ) r por lo que A no es siempre diagonalizable. La mínima dimensión de N 1,λi es 1 pues el sistema tiene infinitas soluciones Más propiedades de autovalores. Sea A una matriz cuadrada de orden n. Entonces se verifica: Pedro_CC 2
3 a) A y A t tienen los mismos autovalores. b) Si λ es autovalor de A entonces kλ es autovalor de ka para cualquier escalar k. c) Si λ es autovalor de A entonces λ k es autovalor de A ki para cualquier escalar k. d) Si λ es autovalor de A y existe A 1 entonces λ 1 es autovalor de A 1. e) Si A, B son semejantes tienen el mismo polinomio característico y, por tanto, los mismos autovalores. f) Si λ es autovalor de A entonces λ n es autovalor de A n para cualquier n N. g) λ = 0 es autovalor de A si y solo si ker (f) 0. (Es decir, λ = 0 es autovalor de A si y solo si f no es inyectiva). h) Si u 1, u 2,, u n es un sistema de autovectores asociados a autovalores distintos, entonces son linealmente independientes. Además, si u es un autovector de A asociado al autovalor λ se verifica: - u es un autovector de ka asociado al autovalor kλ. - u es un autovector de A ki asociado al autovalor λ k. - u es un autovector de A 1 asociado al autovalor λ 1. - u es un autovector de A n asociado al autovalor λ n Matrices estrictamente diagonalizables. Una matriz cuadrada A es estrictamente diagonalizable si es semejante a una matriz diagonal J. Es decir, si existe una matriz P de determinante no nulo tal que J = P 1 AP. Esto es posible si somos capaces de encontrar una base B de E formada únicamente por autovectores linealmente independientes, lo que sucede si dim N 1,λ es igual a la multiplicidad de λ. Además, la matriz P tendrá en sus columnas las coordenadas de los autovectores de B. - Cálculo de J y P: Sea A una matriz cuadrada de orden n con autovalores λ 1, λ 2,, λ s de multiplicidad s r 1, r 2,, r s. Nótese que se debe verificar que i=1 r i = n. Consideremos una base de cada subespacio invariante N 1,λi : B N 1,λi = {u i 1, u i 2,, u i ri } Respecto de la base formada por la unión de todos los elementos de cada base B = B N 1,λ1 B N 1,λs tenemos que la matriz de la aplicación lineal f será: Pedro_CC 3
4 λ λ λ J = 0 0 λ λ s λ s Es decir: J es una matriz cuyos elementos de la diagonal principal son λ 1, λ 2,, λ s repetidos tantas veces como indica su multiplicidad. Los elementos de J que no están en la diagonal principal son todos nulos. Además, la matriz P que verifica J = P 1 AP es la que tiene en sus columnas las coordenadas de los elementos de B. Es decir, la primera columna de P será u 1 1, la segunda será u 2 1 si el 2 autovalor λ 1 tiene multiplicidad al menos dos y será u 1 si el autovalor λ 1 tiene multiplicidad uno y así sucesivamente hasta llegar a la última columna de P, que será u s rs. - Ejemplo: Calcular la forma canónica de Jordan y la matriz de paso del endomorfismo cuya matriz respecto de una cierta base B tiene la expresión: A = λ 0 4 Tenemos P(λ) = A λi = 0 3 λ 0 = (3 λ)[(5 λ)( 1 λ) + 8] = λ (3 λ)(3 λ)(λ 1) por lo que λ = 3 es autovalor doble y λ = 1 es autovalor simple. Calculamos los subespacios invariantes: Si λ = 1 tenemos: x 0 (A I)u = y = 0 de donde obtenemos las ecuaciones implícitas z 0 y = 0, x = z por lo que el subespacio asociado a este autovalor viene dado por L{(1,0,1)} Si λ = 3 tenemos: x 0 (A 3I)u = y = 0 de donde obtenemos la ecuación implícitas x = 2z por z 0 lo que el subespacio asociado a este autovalor viene dado por L{(2,0,1), {0,1,0}} Por tanto una posible forma canónica de Jordan y su matriz de paso asociada vienen dadas por: J = 0 3 0, P = Pedro_CC 4
5 5.9- Teorema. La condición necesaria y suficiente para que una matriz A sea diagonalizable es que los ceros del polinomio característico tengan raíces en el cuerpo en el que estamos trabajando (normalmente R) y que dim (N 1,λ ) sea igual a la multiplicidad de λ para todos los autovalores de A Teorema de Cayley-Hamilton. Toda matriz cuadrada de orden n es raíz de su polinomio característico Forma canónica de Jordan. Toda matriz cuadrada A de orden n es semejante a una matriz J de la forma: J J J = J n λ i 0 0 Siendo J i una matriz de la forma 0 0 (todos los elementos fuera de la diagonal 0 0 λ i λ i principal son cero) o bien de la forma λ i 0 0 (debajo de la diagonal principal o 0 λ i hay tantos unos como vectores no propios se necesiten para construir la base B y el resto son ceros). Para cada autovalor λ de multiplicidad r podemos tener dos casos: a) dim N 1,λ = r, en este caso existen r autovectores linealmente independientes que forman λ 0 0 una base de N 1,λ respecto de la cual la matriz de f es de la forma λ b) dim N 1,λ = s < r Definimos N h,λ de la siguiente manera: N h,λ = ker(a λi) h = {x E (A λi) h x = 0 } Resulta que se cumple que (reflexionar sobre ello): N 1,λ N 2,λ N 3,λ N k,λ = N k+1,λ para algún k natural. Esto sucederá cuando dim N k,λ = r Tomamos una base de N k,λ \N k 1,λ, es decir, de los vectores contenidos en N k,λ que no están en N k 1,λ. Sea {u 1, u 2,, u p } dicha base. Para el primer vector de la base construimos una caja de la siguiente manera: Pedro_CC 5
6 u 1 = (A λi)u 1 N k 1,λ u 2 = (A λi)u 1 N k 2,λ u k 1 = (A λi)u k 2 N 1,λ Respecto de la base {u 1, u 2,, u k 1 } la caja asociada J i será de la forma: λ λ λ Ahora repetimos el proceso anterior con los vectores restantes de {u 1, u 2,, u p } obteniendo una caja de orden k para cada uno de ellos. Después repetimos el proceso con los vectores de N k 1,λ \N k 2,λ que estén sin usar obteniendo cajas de orden k 1 y así hasta el final. Si al final hay autovalores de N 1,λ sin usar pondremos una caja de orden uno por cada uno de ellos. - Ejemplo: Calcular la forma canónica de Jordan y la matriz de paso del endomorfismo que tiene matriz A respecto de una cierta base B A = Tenemos P(λ) = A λi = (λ + 1)(λ 1) 2 por lo que λ = 1 es autovalor doble y λ = 1 es autovalor simple. Calculamos los subespacios invariantes: Si λ = 1 tenemos: x 0 (A + I)u = y = 0 de donde obtenemos las ecuaciones implícitas z 0 11x + 4y + 13z = 0, 5x + 4y + 7z = 0 (podemos quitar una) por lo que el subespacio asociado a este autovalor viene dado por L{( 2, 1,2)} (se aconseja que hagáis las cuentas). Si λ = 1 tenemos: x 0 (A I)u = y = 0 de donde obtenemos las ecuaciones implícitas z 0 9x + 4y + 13z = 0, 5x + 2y + 7z = 0 por lo que el subespacio asociado a este autovalor viene dado por L{( 1, 1,1)} (de nuevo, se aconseja que hagáis las cuentas). Como λ = 1 es autovalor doble y sólo hemos obtenido un autovector tenemos que calcular ker (A I) 2, y resulta: Pedro_CC 6
7 x 0 (A I) 2 u = y = 0 de donde obtenemos la ecuación implícita z 0 2x + y + 3z = 0 que equivale a L{(3,0, 2), (0,3, 1)}. Tomamos el vector w = (0,3, 1) y resulta (A I)w = (1,1, 1) por lo que una posible forma canónica de Jordan y su matriz de paso asociada vienen dadas por: J = 0 1 0, P = Observación: para ver que realmente la forma canónica de Jordan de este endomorfismo es la matriz que hemos obtenido anteriormente podemos calcular la matriz del endomorfismo en la base B = {( 2, 1,2), (0, 3,1), (1,1, 1)} tal y como hacíamos en el capítulo de aplicaciones lineales: f( 1, 1,1) = = el último vector tiene coordenadas ( 1,0,0) respecto de B por lo que la primera columna de la matriz de la aplicación lineal es ( 1,0,0) t f(0,3, 1) = = 2 = que tiene por coordenadas (0,1,1) respecto de B por lo que la segunda columna de la matriz de la aplicación lineal es (0,1,1) t f(1,1, 1) = = que tiene por coordenadas (0,0,1) respecto de B por lo que la tercera columna de la matriz de la aplicación lineal es (0,0,1) t. Por tanto, hemos efectuado correctamente el cálculo de la forma canónica de Jordan. Para que penséis un poco os aconsejo que calculéis cómo sería la matriz del endomorfismo anterior respecto de la base B = {(1,1, 1), (0, 3,1), ( 2, 1,2)} (he cambiado el primer y el tercer vector de la base, deberíais poder ver lo que va a salir sin hacer muchas cuentas pero si no lo veis haced las cuentas y reflexionar sobre lo que os sale) - Ejemplo: sea λ un autovalor asociado a un endormorfismo que verifica f 2 = f. Hallar los posibles valores de λ. Solución 1: Si f 2 = f entonces A 2 = A siendo A la matriz del endomorfismo f en cualquier base B. Operando y tomando determinantes resulta A ( A 1) = 0. Si A = 0 entonces λ = 0 es autovalor de f puesto que A λi = A en este caso. Veamos que si λ 0 entonces necesariamente tiene que ser λ = 1 si A es estrictamente diagonalizable. Pedro_CC 7
8 Supongamos que A es una matriz estrictamente diagonalizable y sea C la forma canónica de Jordan del endomorfismo f y P la correspondiente matriz de paso. Como se verifica que A 2 = A entonces tenemos PC 2 P 1 = PCP 1 que equivale a C 2 = C. Tenemos: λ λ C = 0 0 = 0 0 = C λ 2 n 0 0 λ n de donde se sigue que todos los autovalores de A verifican λ 2 λ = 0 y las únicas posiblidades son λ = 0 (como ya hemos visto) y λ = 1. Se propone como ejercicio ver si es posible que A no sea estrictamente diagonalizable y, en este caso, ver cuáles serían los posibles valores de λ. - Observación: esta solución es un poco de andar por casa en el sentido de que da la impresión de que la persona que la ha escrito no tiene las cosas del todo claras. Sin embargo, es correcta (lo que está hecho: falta lo que se propone como ejercicio) y muestra la clase de cosas que tenéis que intentar hacer en el examen para rascar puntos de las preguntas que no sabéis muy bien cómo hacer. Solución 2: Aplicando el teorema de Cayley-Hamilton se sigue que A 2 = A implica λ 2 = λ y por tanto las únicas posibilidades son λ = 0 y λ = 1. - Observación: el teorema de Cayley-Hamilton nos garantiza que si el polinomio característico es de la forma λ n + a n 1 λ n 1 + = 0 entonces la matriz A verifica la expresión A n + a n 1 A n 1 + = 0 siendo 0 la matriz nula. Sin embargo, la otra implicación no es estrictamente cierta y por tanto solo obtenemos posibles valores de λ al utilizarla. De hecho, es sencillo ver que la matriz nula y la matriz identidad cumplen A 2 = A y una solo tiene el autovalor 0 y la otra sólo tiene el autovalor 1. Solución 3: Si λ es autovalor asociado al autovector v entonces f(v )= λv y aplicando f a ambos miembros de la igualdad y teniendo en cuenta que f es lineal resulta f f(v ) = f(λv ) = λf(v ) = λ 2 v. Como f 2 = f resulta f f(v ) = f(v )= λv por lo que igualando esta expresión con la anterior resulta λ 2 v = λv y como v tiene que ser no nulo las únicas posibilidades son λ = 0 y λ = Algunas preguntas frecuentes. a) Qué pasa si en las cadenas tomamos los vectores de abajo a arriba? Pedro_CC 8
9 λ 1 0 Los unos pasan arriba de la diagonal principal. En concreto, J = 0 λ 1 respecto de 0 0 λ B = {v 3, v 2, v 1}. b) Será posible la situación del gráfico? No, veámoslo por contradicción. Si suponemos (A λi)v 1 = (A λi)v 2 entonces (A λi)(v 1 v 2 ) = 0 lo que implica que v 1 v 2 N 1,λ. Esto es imposible ya que v 1 v 2 N 3,λ por ser N 3,λ subespacio vectorial. c) Será posible la situación del gráfico? No, veámoslo por contradicción. Si esto fuera cierto tendríamos que (A λi)v 1 N 1,λ lo que implica que (A λi) 2 v 1 = 0. Sin embargo esto es imposible puesto que v 1 N 2,λ Exponencial de una matriz. Si A es una matriz cuadrada de orden n. Se define la exponencial de la matriz A como: e A = I + A + A2 2! + + An n! Pero si J es la forma canónica de Jordan de la matriz A se verifica que: e A = Pe J P 1 Por lo que para calcular e A basta con conocer P y e J. Pedro_CC 9
10 J J Además, si tenemos J = entonces se cumple que J n e J e J = 0 e J por lo que es suficiente con saber calcular e J i para los distintos e J n tipos de cajas J i. λ 0 0 e λ 0 0 -Si J i = 0 0 entonces se tiene que e J i = λ 0 0 e λ λ / λ 0 0 -Si J i = entonces se tiene que e J i = e λ 0 0 1/2! 1/ λ 1/r! 1/2! 1/1 1 Análogamente podemos definir e At, y tenemos e At = Pe Jt P 1. De forma análoga tenemos que: λ 0 0 e λt 0 0 -Si J i = 0 0 entonces se tiene que e Jit = λ 0 0 e λt λ t/ λ 0 0 -Si J i = entonces se tiene que e Jit = e λt 0 0 t 2 /2! t/ λ t r /r! t 2 /2! t/ Cálculo de la potencia de una matriz. Si A es una matriz cuadrada y J es su forma canónica de Jordan se verifica que A n = PJ n P 1 y n J J J si tenemos J = n 0 J se verifica que Jn = Por tanto basta J n n J n con calcular J n i para cualquier tipo de caja. Distinguimos dos casos: λ 0 0 λ n Si J i = 0 0 entonces se tiene que J n i = λ 0 0 λ n Pedro_CC 10
11 λ λ Si J i = entonces se tiene que: λ λ J n 0 λ i = λ n = n 0 Dn C 0 + n 1 Dn 1 C 1 + (siendo D la matriz estrictamente diagonal y C la que tiene los unos debajo de la diagonal principal) La matriz C verifica que C m = 0 a partir de un cierto entero, por lo que en la práctica suele bastar con calcular los primeros dos o tres términos del desarrollo del binomio de Newton Ejemplo: Calcular A n siendo A = Tenemos D = 0 3 0, C = Como C 3 es la matriz nula resulta (empleando la expresión del apartado anterior de teoría): 3 n n n 0 0 A n = 0 3 n 0 + n n 1 0 = n3 n 1 3 n n n 1 0 n3 n 1 3 n -Resumen capítulo 5: Este tema es el más complicado de toda la asignatura. Afortunadamente, no da tiempo a verse en profundidad antes de los exámenes de diciembre, por lo que los electromecánicos podéis esperar un ejercicio de unos 2 puntos en dicho examen y los telemáticos, con suerte, tendréis alguna pregunta de álgebra de Boole en su lugar y este tema os entrará en el segundo cuatrimestre, aunque si no tenéis suerte también podría caeros algo de este tema y aconsejo que por lo menos tengáis unas nociones básicas y hagáis el problema siguiente: Problema 2 (Enero ,2 puntos) Se considera el espacio vectorial de las matrices simétricas de orden 2 S 2 y B = { , 0, } una base del mismo. Sea f: S 2 S 2 un endomorfismo y A su matriz asociada en la base B. Se sabe que: f 1 0 β 1 1 α 0 2β 2 = 2α, f 0 = 0, f 0 = 2α α + β 1 0 α α + 2β Estudiar para qué valores de α y β el endomorfismo f es estrictamente diagonalizable. Para dichos valores hallar una forma canónica de Jordan J y una matriz de paso P de A. Pedro_CC 11
12 No creo que en el examen de diciembre os pongan un problema mucho más difícil que éste. a) Del enunciado se deduce que la matriz de la aplicación en la base B es: 2α β 0 2α 2β M = 1 α 2 α + β 0 α + 2β Los autovalores vienen dados por la expresión M λi = (α λ) 2 (β λ) por lo que podemos distinguir dos casos. - Si α β entonces f tendrá el autovalor doble λ = α y el autovalor simple λ = β. Calculamos los autovalores asociados a λ = α para ver si en este caso f es diagonalizable: α β 0 2α 2β x 0 (M αi)u = y = 0 α + β 0 2α + 2β z 0 Obtenemos la ecuación x + 2z = 0 por lo que los autovalores asociados a λ = α son u 1 = (0,1,0), u 2 = (2,0, 1). Esto implica que f es estrictamente diagonalizable. Calculamos el autovalor asociado a λ = β: 2α 2β 0 2α 2β x 0 (M βi)u = 1 α β 2 y = 0 α + β 0 α + β z 0 de donde obtenemos las ecuaciones (dividiendo por α β la primera): x + z = 0 x + (α β)y + 2z = 0 pasando la variable y a la columna de términos independientes y resolviendo el sistema se obtiene que el autovector asociado a λ = β es u 3 = ((α β), 1, (α β)). La forma canónica de Jordan es: α 0 0 J = 0 α β y la matriz de paso es: 0 2 α β P = (α β) - Si α = β entonces f tendrá el autovalor triple λ = α. Calculamos los autovectores asociados a dicho autovalor: α β 0 2α 2β x 0 (M αi)u = y = 0 α + β 0 2α + 2β z 0 y obtenemos (como en el caso anterior) la ecuación x + 2z = 0. Esto implica que la aplicación f sólo tiene dos autovectores asociados al autovalor λ = α y al ser triple la multiplicidad de dicho autovalor esto implica que f no es estrictamente diagonalizable. Pedro_CC 12
13 Veamos otro problema un poco más complicado: Problema 4 (Mayo , 2.5 puntos) Sea la familia de endomorfismos f α : R 2 [x] R 2 [x], siendo R 2 [x] el espacio vectorial de los polinomios de grado menor o igual que 2 en R y sea A = 0 α la matriz de f α en la base B = {1 + x, x 2, x x 2 }. Se pide: a) Calcular la forma canónica de Jordan de f α para los diferentes valores del parámetro real α. b) Siendo A la matriz de f α en la base canónica B = {1, x, x 2 }, calculese para el valor de α R para el que f α no es estrictamente diagonalizable: i) Una matriz de paso P tal que J = P 1 AP ii) Los autovalores de la matriz (A 5 2I) 3 a) Calculamos los autovalores de A: A λi = (2 λ)(α λ)( λ) por lo que la matriz A tiene los autovalores λ = 0, λ = α, λ = 2. Distinguimos varios casos: - Si α es distinto de 2 y de 0 la forma canónica de Jordan de la matriz A es: α 0 0 J = Si α = 2 calculamos los autovectores asociados a λ = α = 2: x 0 (A αi)u = y = z 0 tenemos la ecuación y 2z = 0 por lo que el autovalor λ = α = 2 tiene dos autovectores asociados por lo que f es estrictamente diagonalizable y su forma canónica de Jordan es: J = Si α = 0 calculamos los autovectores asociados a λ = α = 0: x 0 (A αi)u = y = z 0 Tenemos las ecuaciones {2x + y 2z = 0, y = 0} por lo que el autovalor λ = α = 0 tiene un único autovector asociado y la forma canónica de Jordan de f es: Pedro_CC 13
14 2 0 0 J = b) Teniendo en cuenta el apartado anterior tenemos α = 0. Calculamos primero el autovector asociado a λ = 2: x 0 (A 2I)u = y = z 0 de donde obtenemos las ecuaciones {y = 0, y 2z = 0} y el autovector u 1 = (1,0,0) Calculamos N 2,0 : x 0 A 2 u = y = z 0 de donde se obtenemos la ecuación x = z y los vectores u = (0,1,0), v = (1,0,1). Teniendo en cuenta el apartado a) es fácil ver que u N 1,0 mientras que v N 1,0. Esto implica que el vector de la base asociada a la columna no estrictamente diagonal de J será u mientras que el autovector asociado al autovalor cero que aparecerá en la base será Au = (1,0,1) (que coincide por casualidad con v, pero no podemos poner v en la base sin hacer cuentas más: hay que poner Au para que las cosas salgan bien). Para la J calculada en el apartado a) cuando α = 0 parece lógico que la matriz de paso será: P = Sin embargo, hay un pequeño detalle que estamos pasando por alto: la matriz de A nos la dan en la base B = {1 + x, x 2, x x 2 } mientras que la matriz de paso nos la piden para pasar de la base B = {1, x, x 2 } a la base formada por los vectores que acabamos de calcular. Por tanto, tenemos los vectores de la matriz de paso expresados en B y necesitamos expresarlos en B. Esto implica que el primer vector de la matriz de paso no es (1,0,0), sino 1(1 + x) + 0x 2 + 0(x x 2 ) expresado como coordenadas en B, que es (1,1,0). Procediendo de la misma manera con el resto de columnas de la matriz de paso anterior tenemos que la matriz de paso que realmente nos piden es: P = Observación: reconozco que el detalle de cambiar las bases que acabamos de ver está puesto un poco a traición. En el examen de diciembre no habrá sutilezas de este estilo, pero sí que pueden caer las propiedades de los autovalores con cuestiones como la parte ii) de este apartado y un problema como el primero del resumen de este capítulo. Para resolver el apartado ii) basta con aplicar las propiedades del apartado 5.7 y se sigue que los autovalores de (A 5 2I) 3 serán (2 5 2) 3 simple y (0 5 2) 3 doble. Pedro_CC 14
15 Estad atentos para ver hasta dónde veis antes del examen de diciembre para no estudiar este tema más de la cuenta. Como ya he comentado, los telemáticos veréis muy poquito del tema antes de navidad y algunos grupos de electromecánicos sólo van a ver 3 o 4 clases de esto antes de navidad. Pedro_CC 15
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 detallesun conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:
CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse
Más detallesTema 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 detallesGeometría 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 detallesAplicaciones 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 detallesTema 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 detallesDiagonalización. 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 detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detallesTema 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 detallesf(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 detallesTEMA 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 detallesDiagonalización 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 detallesTema 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 detallesRESUMEN 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 detallesParte 3. Vectores y valores propios
Parte 3. Vectores y valores propios Gustavo Montero Escuela Universitaria Politécnica Universidad de Las Palmas de Gran Canaria Curso 2004-2005 1 Introducción a los valores y vectores propios 2 3 4 5 Valores
Más detallesCAPÍTULO 3: DETERMINANTES Y SISTEMAS DE ECUACIONES
CAPÍTULO 3: DETERMINANTES Y SISTEMAS DE ECUACIONES Parte A: determinantes. A.1- Definición. Por simplificar, consideraremos que a cada matriz cuadrada se le asocia un número llamado determinante que se
Más detallesProblemas de Espacios Vectoriales
Problemas de Espacios Vectoriales 1. Qué condiciones tiene que cumplir un súbconjunto no vacío de un espacio vectorial para que sea un subespacio vectorial de este? Pon un ejemplo. Sean E un espacio vectorial
Más detalles1 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 detallesCapítulo 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 detallesFundamentos 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 detallesHoja 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 detallesÁLGEBRA LINEAL. EXAMEN FINAL 18 de Enero de b) (0, 5 puntos) Estudia si la siguiente afirmación es verdadera o falsa, justificando
ÁLGEBRA LINEAL EXAMEN FINAL 8 de Enero de Apellidos y Nombre: Duración del examen: 3 horas Publicación de notas: enero Revisión de Examen: feb Ejercicio. ( puntos a (, puntos Estudia si la siguiente afirmación
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detallesAlgunos 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 detallesCuestiones de Álgebra Lineal
Cuestiones de Álgebra Lineal Algunas de las cuestiones que aparecen en esta relación están pensadas para ser introducidas en un plataforma interactiva de aprendizaje de modo que los parámetros a, b que
Más detallesTema 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 detallesSistemas 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 detalles2. 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 detallesCONJUNTO R n. = (5, 2, 10) de 3, son linealmente. = (2,1,3) y v 3. = (0,1, 1) y u 3. = (2,0,3, 1), u 3. = (1,1, 0,m), v 2
CONJUNTO R n.- Considerar los vectores u = (, -3, ) y v = (, -, ) de 3 : a) Escribir, si es posible, los vectores (, 7, -4) y (, -5, 4) como combinación lineal de u y v. b) Para qué valores de x es el
Más detallesTema 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 detallesDiagonalización de matrices.
Diagonalización de matrices. 1. Diagonalización de matrices. Definición 1.1 Sea A una matriz cuadrada,, decimos que es un autovalor de A si existe un vector no nulo tal que En esta situación decimos que
Más detallesDiagonalización 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 detallesÁLGEBRA 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 detalles1 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 detallesEsta 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 detallesSesión 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 detallesALGEBRA. 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 detallesEJERCICIOS DE ÁLGEBRA LINEAL TEMA 2 APLICACIONES LINEALES
EJERCICIOS DE TEMA APLICACIONES LINEALES APLICACIONES LINEALES ) Estudiar cuáles de las siguientes aplicaciones son lineales entre los espacios vectoriales dados: x y a) f: f(x, y) = x y x b) f: x f(x)
Más detallesMatrices. 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 detallesTema 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 detallesALGEBRA. 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 detallesEspacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1
Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...
Más detallesObjetivos formativos de Álgebra
Objetivos formativos de Álgebra Para cada uno de los temas el alumno debe ser capaz de hacer lo que se indica en cada bloque. Además de los objetivos que se señalan en cada tema, se considera como objetivo
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 1 Resumen Unidad n 3
Universidad Nacional de Colombia Departamento de Matemáticas 1000003-5 Álgebra Lineal - Grupo 1 Resumen Unidad n 3 Vectores en R n Definición. El conjunto de las n-tuplas ordenadas de números reales se
Más detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesDemostraciones Elementales del Teorema de Jordan para Matrices 2 2 y 3 3.
Demostraciones Elementales del Teorema de Jordan para Matrices 2 2 y 3 3. RESUMEN. Se presentan aquí demostraciones elementales de la existencia de bases de Jordan para endomorfismos lineales del plano
Más detallesc-inversa o inversa generalizada de Rao
c-inversa o inversa generalizada de Rao Definición.- Sea A m n. Se dice que una matriz A c de orden n m es una c-inversa o inversa generalizada en el sentido de Rao si y sólo si se verifica AA c A = A.
Más detalles6.6. 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 detallesCAPÍTULO 4. Sistemas de ecuaciones lineales de primer orden
CAPÍTULO 4 Sistemas de ecuaciones lineales de primer orden Hasta ahora hemos considerado únicamente ecuaciones diferenciales aisladas Sin embargo, en muchas aplicaciones aparecen situaciones en las que
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesMatrices, 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 detallesTema 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 detalles1 Isometrías vectoriales.
Eugenia Rosado ETSM Curso 9-. Isometrías vectoriales. Sea E un espacio vectorial euclídeo. De nición Una aplicación f : E! E se dice transformación ortogonal o isometría vectorial si conserva el producto
Más detallesMATEMÁTICAS I 13 de junio de 2007
MATEMÁTICAS I 13 de junio de 2007 2º EXAMEN PARCIAL Sólo una respuesta a cada cuestión es correcta. Respuesta correcta: 0.2 puntos. Respuesta incorrecta: -0.1 puntos Respuesta en blanco: 0 puntos 1.- Si
Más detallesConjuntos 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 detallesAPUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES
APUNTES DE ÁLGEBRA LINEAL TEMA 2. SISTEMAS DE ECUACIONES LINEALES Ignacio López Torres. Reservados todos los derechos. Prohibida la reproducción total o parcial de esta obra, por cualquier medio electrónico
Más detallesTema 1. Espacios Vectoriales Definición de Espacio Vectorial
Tema 1 Espacios Vectoriales. 1.1. Definición de Espacio Vectorial Notas 1.1.1. Denotaremos por N, Z, Q, R, C, a los conjuntos de los números Naturales, Enteros, Racionales, Reales y Complejos, respectivamente.
Más detallesTema 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 detallesTema 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 detallesDiagonalización 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 detallesTema 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 detallesVALORES 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 detallesEspacios 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 detallesEspacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados
Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones
Más detallesAlgebra Lineal. Gustavo Rodríguez Gómez. Verano 2011 INAOE. Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano / 21
Algebra Lineal Gustavo Rodríguez Gómez INAOE Verano 2011 Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano 2011 1 / 21 Espacios Vectoriales Espacios Vectoriales INAOE Gustavo Rodríguez Gómez (INAOE)
Más detallesÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3
ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 010 011). Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí. Demostrar
Más detalles5. Aplicaciones lineales
5. Aplicaciones lineales Manuel Palacios Departamento de Matemática Aplicada Centro Politécnico Superior Universidad de Zaragoza Otoño 2010 Contents 5 Aplicaciones lineales 7 5.1 Definición y propiedades..............................
Más detallesEcuaciones de la recta en el espacio
Ecuaciones de la recta en el espacio Ecuación vectorial de la recta Sea P(x 1, y 1 ) es un punto de la recta r y uu su vector director, el vector PPXX tiene igual dirección que uu, luego es igual a uu
Más detallesGrado 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 detallesDefinición 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 detallesTema 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 detallesLas variedades lineales en un K-espacio vectorial V pueden definirse como sigue a partir de los subespacios de V.
Capítulo 9 Variedades lineales Al considerar los subespacios de R 2, vimos que éstos son el conjunto {(0, 0)}, el espacio R 2 y las rectas que pasan por el origen. Ahora, en algunos contextos, por ejemplo
Más detalles2.1 Proyección ortogonal sobre un subespacio. El teorema de la proyección ortogonal
Tema 2- Proyecciones, simetrías y giros ÍNDICE 21 Proyección ortogonal sobre un subespacio El teorema de la proyección ortogonal 22 Simétría ortogonal respecto de un subespacio 23 Matrices de Householder
Más detallesCapítulo 7. Espacios vectoriales. 7.1 Definición y ejemplos
Capítulo Espacios vectoriales.1 Definición y ejemplos Un espacio vectorial sobre un cuerpo K (que supondremos conmutativo es un conjunto no vacío junto con 1. una operación interna, +, a la que llamaremos
Más detallesAPÉNDICE 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 detallesEs 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 detallesTema 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 detallesTEMA 7: MATRICES. OPERACIONES.
TEMA 7: MATRICES. OPERACIONES. 1. MATRICES. TIPOS DE MATRICES. Se llama matriz de orden m x n (m filas y n columnas) a un conjunto de m n elementos, distribuidos en m filas y n columnas y encerrados entre
Más detallesEspacios vectoriales
Espacios vectoriales [Versión preliminar] Prof. Isabel Arratia Z. Algebra Lineal 1 En el estudio de las matrices y, en particular, de los sistemas de ecuaciones lineales realizamos sumas y multiplicación
Más detallesDiagonalización simultánea de formas cuadráticas.
Diagonalización simultánea de formas cuadráticas Lucía Contreras Caballero 14-4-2004 Dadas dos formas cuadráticas, si una de ellas es definida positiva, se puede encontrar una base en la que las dos diagonalizan
Más detallesSistemas lineales de ecuaciones diferenciales. Juan-Miguel Gracia
Sistemas lineales de ecuaciones diferenciales Juan-Miguel Gracia Índice Sistemas lineales 2 Búsqueda de una solución especial 3 Aplicación a sistemas 4 Problema de condiciones iniciales 2 / 2 Sistemas
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
Más detallesEJERCICIOS REPASO 2ª EVALUACIÓN
MATRICES Y DETERMINANTES 1.) Sean las matrices: EJERCICIOS REPASO 2ª EVALUACIÓN a) Encuentre el valor o valores de x de forma que b) Igualmente para que c) Determine x para que 2.) Dadas las matrices:
Más detallesEspacios vectoriales y aplicaciones lineales
resumen05 1 Espacios vectoriales y aplicaciones lineales Espacios y subespacios vectoriales Un espacio vectorial sobre un conjunto de números K es intuitivamente un conjunto en el que tenemos definida
Más detallesÍNDICE. Capítulo 1. ESPACIOS VECTORIALES Conceptos Teóricos Ejercicios y Problemas resueltos... 13
00_Principios 10/8/10 09:47 Página 7 ÍNDICE Prólogo... 9 Capítulo 1. ESPACIOS VECTORIALES... 11 Conceptos Teóricos... 11 Ejercicios y Problemas resueltos... 13 Capítulo 2. MATRICES Y DETERMINANTES... 21
Más detallesProblemas de exámenes de Aplicaciones Lineales y Matrices
1 Problemas de exámenes de Aplicaciones Lineales y Matrices 1. Consideramos f End(R n ), que tiene matriz A respecto la base canónica. Cuál de las siguientes afirmaciones es incorrecta? a) Si v es un vector
Más detalles1 CÓNICAS Cónicas. Estudio particular. 1 x y. 1 x y. a 00 a 01 a 02 a 10 a 11 a 12 a 20 a 21 a 22
CÓNICAS. CÓNICAS.. Cónicas. Estudio particular. Una cónica se dene como el lugar geométrico de los puntos del plano euclídeo que, respecto de una referencia cartesiana rectangular, satisfacen una ecuación
Más detallesEjercicio 1 Dada la matriz A = 1. Calcula los valores propios. 2. Determina una base de vectores propios. 3. Diagonaliza la matriz.
Métodos Numéricos: soluciones Tema 7: Valores y vectores propios Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Mayo 8 Versión. Ejercicio Dada
Más detallesResumen 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 detallesDiagonalización de matrices, Semejanza.
para cada i de 1 a n. Cuando se encuentra un número real l y un vector no nulo x que verifican la relpractica6.nb 1 Diagonalización de matrices, Semejanza. Introducción Si A es una matriz real cuadrada
Más detallesGEOMETRÍA. que pasa por el punto P y es paralelo a π. (0,9 puntos) b) Determinar la ecuación del plano π
GEOMETRÍA 1.- Se considera la recta r : ( x, y, z) = ( t + 1, t,3 t), el plano π: x y z = 0y el punto P (1,1,1). Se pide: a) Determinar la ecuación del plano π 1 que pasa por el punto P y es paralelo a
Más detallesIntroducción a los espacios vectoriales
1 / 64 Introducción a los espacios vectoriales Pablo Olaso Redondo Informática Universidad Francisco de Vitoria November 19, 2015 2 / 64 Espacios vectoriales 1 Las 10 propiedades de un espacio vectorial
Más detallesDiagonalización de Matrices
Tema Diagonalización de Matrices Introducción En los dos temas previos de este bloque hemos visto cómo problemas de la realidad son escritos, tratados y resueltos a través de espacios vectoriales y sistemas
Más detallesTEMA 8. GEOMETRÍA ANALÍTICA.
TEMA 8. GEOMETRÍA ANALÍTICA. 8..- El plano. Definimos el plano euclideo como el conjunto de puntos ( x, y) R. Así, cada punto del plano posee dos coordenadas. Para representar puntos del plano utilizaremos
Más detallesMatrices, 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 detallesde 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 detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesEspacios Vectoriales
Leandro Marín Octubre 2010 Índice Definición y Ejemplos Paramétricas vs. Impĺıcitas Bases y Coordenadas Para definir un espacio vectorial tenemos que empezar determinando un cuerpo sobre el que esté definido
Más detallesÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3
ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 2011 2012) 2. Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí.
Más detallesMatrices, 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