5.1.- Autovalores y autovectores. Definición y propiedades. La ecuación característica. El teorema de Cayley-Hamilton.
|
|
- Adolfo Fernando Calderón Pérez
- hace 6 años
- Vistas:
Transcripción
1 MATEMÁTICAS I (Curso 2-22) Primer Curso del Grado en Ingeniería Electrónica, Robótica y Mecatrónica, Ingeniería de la Energía e Ingeniería de Organización Industrial Departamento de Matemática Aplicada II. Universidad de Sevilla Lección 5: Autovalores y Autovectores (Tema 4 del temario) 5..- Autovalores y autovectores. Definición y propiedades. La ecuación característica. El teorema de Cayley-Hamilton Diagonalización. Matrices diagonalizables. Matrices no diagonalizables. Forma canónica de Jordan y matriz exponencial Aplicaciones del cálculo de autovalores y autovectores Ejercicios. A lo largo de todo el tema trataremos esencialmente con matrices cuadradas reales (aunque muchos de los resultados que veamos también serán válidos para el caso de matrices cuadradas complejas). De todos modos, aun trabajando con matrices reales, será imprescindible hacer referencia a los números (y a los vectores) complejos. La razón es que necesitaremos considerar las raíces de un polinomio con coeficientes reales (si la matriz es real) y éstas pueden ser complejas con parte imaginaria no nula. Una matriz A cuadrada m m define una transformación lineal sobre K m, x K m y = Ax K m. Aunque la matriz sea real, cuando algunas de las raíces del llamado polinomio característico de A (que será un polinomio real) sean números complejos, con parte imaginaria no nula, será conveniente referirnos a la transformación definida por A sobre el espacio complejo C m. En estos casos, tendremos que considerar para vectores complejos todos los aspectos lineales que hemos considerado en el tema 4: combinaciones lineales, dependencia/independencia lineal, subespacios vectoriales de C m, dimensión, espacios nulo y columna, etc. La transformación de vectores que efectúa la matriz A puede ser más o menos sencilla de describir dependiendo del vector (o de la dirección) sobre la que se efectúe. El problema fundamental que se aborda es el de la determinación de las llamadas direcciones principales: direcciones sobre las que la matriz A actúa como la multiplicación por un número. Calculemos para algunos ejemplos geométricos en el plano y en el espacio, los vectores sobre los cuales la transformación asociada a una matriz actúa simplemente multiplicando por un número.
2 2 Lección 5.- Autovalores y autovectores. Ejemplos. () Consideremos la transformación lineal en el plano consistente en la simetría respecto de una recta r que pase por el origen de coordenadas. Aplicando esta transformación sobre un vector de dicha recta se obtiene el mismo vector y aplicándola sobre un vector de la recta s perpendicular a r que pasa por el origen de coordenadas se obtiene el vector opuesto. Los vectores (no nulos) de las rectas r y s se denominan vectores propios o autovectores de la transformación dada. Las rectas a veces se denominan direcciones principales de la transformación y los coeficientes λ = y λ 2 =, asociados a dichas direcciones, se suelen denominar valores propios o autovalores. (2) Consideramos un plano π que pase por el origen en el espacio R 3 y la transformación lineal T : R 3 R 3 que asocia a cada vector v R 3 el vector T(v) R 3 que se obtiene al proyectar v (ortogonalmente) sobre el plano considerado. Si {v,v 2 } son dos vectores que generan el plano y v 3 es un vector (no nulo) perpendicular al plano tenemos que T(v ) = v, T(v 2 ) = v 2, T(v 3 ) = con lo cual v,v 2 y v 3 son autovectores y los coeficientes respectivos, y son autovalores. Puesto que los vectores v,v 2 y v 3 forman una base de R 3, cualquier vector v R 3 puede expresarse como combinación de ellos y teniendo dicha expresión v = αv +βv 2 +γv 3 es inmediato obtener T(v) como combinación lineal de los vectores v,v 2 y v 3, T(v) = αt(v )+βt(v 2 )+γt(v 3 ) = αv +βv 2. Por ejemplo, para el plano π 2x 3y +z = podemos tomar los vectores v = 3 2, v 2 = 2 y v 3 = (latransformaciónlinealnodependedecómoelijamoslosvectores v,v 2 yv 3 ).Notemos que a partir de lo anterior es fácil obtener la matriz A de T respecto a la base canónica (puesto que tenemos los vectores v,v 2 y v 3 y sus transformados expresados respecto a la base canónica). La matriz A verifica A v v 2 v 3 = 2 3 Av Av 2 Av 3 y puesto que la matriz P = v v 2 v 3 tiene inversa (por ser sus columnas linealmente independientes), podemos despejar la 2
3 5..- Autovalores y autovectores. 3 matriz A, A = = Av Av 2 Av v v 2 v = = (3) Si A es una matriz diagonal con elementos diagonales d,d 2,...,d m, es claro que para los vectores canónicos e,e 2,...,e m se verifica Ae k = d k e k. (4) Si tomamos dos vectores {v,v 2 } linealmente independientes del plano, cualquier transformación lineal T : R 2 R 2 queda determinada si conocemos cómo actúa sobre estos vectores. Si A es la matriz asociada a T respecto a la base canónica, podemos determinar dicha matriz a partir de Av y Av 2 (si conocemos las coordenadas de los vectores v,v 2,Av y Av 2 respecto a la base canónica). Si tomamos por ejemplo los vectores æ é æ é 2 v =, v 2 2 =, T(v ) = Av = 3v, T(v 2 ) = Av 2 = 2v 2 (con lo cual tenemos una situación en la que conocemos las direcciones sobre las cuales la transformación actúa multiplicando por un número), es fácil determinar la matriz A teniendo en cuenta que, puesto que v y v 2 son linealmente independientes, la matriz cuyas columnas son v y v 2 tiene inversa y A v v 2 = 3v 2v 2 = A = v v 2 = A æ 3 2 v v 2 = é v v 2 v v 2 æ 3 2 é = Notemos que de esta última expresión es fácil obtener las matrices A n,n =,2,... A n = v v 2 æ é ( 3) n 2 n v v 2 y, por tanto, los vectores que se obtienen al aplicar sucesivamente la matriz A sobre un vector dado u,au,a(au) = A 2 u,...,a n u,... 3
4 4 Lección 5.- Autovalores y autovectores Autovalores y autovectores Definición y propiedades. Definición. Sea A una matriz cuadrada de orden m. Diremos que un escalar λ C es un autovalor de A si existe un vector v C m, v tal que Av = λv, en cuyo caso se dice que v es un autovector de A asociado al autovalor λ. Obviamente, si tenemos un autovector v de A asociado a un autovalor λ, cualquier múltiplo no nulo de v también es un autovector de A asociado al mismo autovalor λ. Por otra parte, si tenemos dos autovectores v y v 2 asociados a un mismo autovalor λ, cualquier combinación lineal no nula de dichos autovectores también es un autovector de A asociado al mismo autovalor λ. Observaciones. (a) Al hacer transformaciones fila (o columna) sobre una matriz A, los autovalores y los autovectores de la matriz que se obtiene NO guardan relación(en general) con los autovalores y autovectores de la matriz original. En general, tampoco es cierto que los autovalores de una matriz suma/resta/producto de otras dos sean suma/resta/producto de los autovalores de cada uno de los sumandos. Ejercicio. Busca ejemplos de todo lo anterior. (b) El concepto de autovalor y autovector no es exclusivo de los espacios de coordenadas, ni de los espacios vectoriales de dimensión finita. Por ejemplo, siendo V el espacio vectorial de las funciones y : R R indefinidamente derivables y siendo T : V V la aplicación lineal y T(y) = y, se tiene que λ = es un autovalor de T y todo polinomio de primer grado es un autovector asociado. Por otra parte λ = también es autovalor y la función y(x) = e x es un autovector asociado La ecuación característica. El teorema de Cayley-Hamilton. Proposición. Dada una matriz cuadrada A y un número λ C, son equivalentes: () λ es un autovalor de A. (2) El sistema homogéneo (A λ I)x = es un sistema compatible indeterminado. (3) dim [Nul (A λ I)]. (3 ) El rango[a λ I] no es máximo. (4) La matriz (A λ I) no tiene inversa. (5) det[a λ I] =. Por tanto, los autovalores de A son las soluciones de la ecuación p(λ) = det [A λi] =. Esta ecuación se denomina ecuación característica de la matriz A y p(λ) = det [A λi] se denomina polinomio característico. Siendo A = [a ij ] una matriz m m, p(λ) = det [A λi] = a λ a 2... a m a 2 a 22 λ... a 2m a m a m2... a mm λ 4 = ( ) m λ m +c m λ m + +c
5 5..- Autovalores y autovectores. 5 es un polinomio de grado m y, por tanto, tiene m raíces (contando cada una según su multiplicidad) que pueden ser reales o complejas no-reales (aun en el caso en que la matriz A sea real). El subespacio vectorial Nul [A λ I] se denomina espacio propio asociado al autovalor λ (notemos que en general estará compuesto por vectores complejos, los autovectores de A asociados a λ y el vector nulo), Nul [A λ I] = {} {autovectores asociados a λ }. De manera habitual cuando hablemos de autovectores asociados a un autovalor nos referiremos a una base del espacio propio asociado, es decir autovectores linealmente independientes de forma que cualquier autovector asociado al autovalor en cuestión sea combinación lineal de ellos. Ejemplos. Además de los ejemplos considerados anteriormente, veamos algunos ejemplos en los que la matriz A viene dada. () Consideremos la matriz A = æ 2 2 Autovalores: Para cualquier escalar λ tenemos que A λi = æ λ 2 2 λ é Por tanto det(a λi) = λ = 3 ó λ =. Autovectores é. = det(a λi) = ( λ) 2 4 = λ 2 2λ 3 = (λ 3)(λ+). asociados a λ = 3 : son los vectores no-nulos que están en el espacio nulo de A 3I, (A 3I)x = æ é æ é x = x 2 æ é æ v = é, asociados a λ 2 = : son los vectores no-nulos que están en el espacio nulo de A+I, (A+I)x = æ é æ é x = x 2 æ é v 2 = æ é. (2) Consideremos la matriz asociada a un giro (en el plano) de centro el origen de coordenadas y ángulo ϕ [,2π). En el caso ϕ = se obtiene la identidad y en el caso ϕ = π la simetría respecto al origen de coordenadas. Si ϕ,π, al aplicar el giro sobre un vector (real) distinto de cero se obtiene otro vector que en ningún caso será un múltiplo (real) del vector al que se aplica el giro. Esto quiere decir que la matriz del giro no tiene ningún autovalor real (salvo en los casos ϕ =,π). Resolvamos la ecuación 5
6 6 Lección 5.- Autovalores y autovectores. característica cos(ϕ) sen(ϕ) G = sen(ϕ) cos(ϕ) p(λ) = det(g λi) = cos(ϕ) λ sen(ϕ) sen(ϕ) cos(ϕ) λ = = (cos(ϕ) λ)(cos(ϕ) λ)+sen(ϕ) 2 = = λ 2 2cos(ϕ)λ+ = λ = cos(ϕ)±isen(ϕ) = e ±iϕ. Calculemos los autovectores asociados a cada uno de los autovalores. λ = e iϕ Tenemos que resolver el problema homogéneo (G λ I)x =, æ é æ é isen(ϕ) sen(ϕ) F2 if isen(ϕ) sen(ϕ) sen(ϕ) sen(ϕ) i sen(ϕ) = = æ x x 2 é = x æ i λ 2 = e iϕ Es fácil comprobar que é Nul [G λ 2 I] = Gen Nul [G λ I]Gen æ v 2 = i é. æ v = i é. Las propiedades referidas a autovalores las podemos agrupar dependiendo de si pueden obtenerse directamente de la definición (con lo cual estarán involucrados los autovectores) o si se obtienen a partir del polinomio característico (algunas de ellas pueden obtenerse de las dos formas). Proposición. Sea λ un autovalor de A y v un autovector asociado, entonces: () αλ es un autovalor de αa y v es un autovector asociado. (2) (λ µ) es un autovalor de A µi y v es un autovector asociado. (3) λ k es un autovalor de A k y v es un autovector asociado. (4) Si q( ) es un polinomio, entonces q(λ) es un autovalor de q(a) y v es un autovector asociado. (Ejemplo: 3λ 3 +5λ 2 7λ+2 es unautovalor dela matriz3a 3 +5A 2 7A+2I). (5) Si A tiene inversa, entonces λ, λ es un autovalor de A y v es un autovector asociado. (6) Sea Aesuna matriz real, λ = a+bi C,(a,b R) unautovalordeayv = u+iw C m un autovector de A asociado a λ. Entonces λ = a bi C también es autovalor de A y v = u iw C m es un autovector de A asociado a λ. 6
7 5..- Autovalores y autovectores. 7 Proposición. Sea A una matriz m m. Se verifica: (a) A tiene a lo sumo m autovalores distintos. (b) A y A T tienen los mismos autovalores (aunque los autovectores asociados pueden ser distintos). Proposición. Sea A una matriz m m y sea p(λ) = det [A λi] = ( ) m λ m +c m λ m + +c λ+c = = ( ) m (λ λ ) (λ λ m ) su polinomio característico (es decir λ,,λ m son los autovalores de A, iguales o distintos). Se verifica: (a) El determinante de A es igual al producto de sus autovalores (apareciendo cada uno, en dicho producto, tantas veces como indique su multiplicidad como raíz del polinomio característico) λ λ m = det(a) = p() = c. (b) La traza de A (la suma de los elementos diagonales de A) es igual a la suma de sus autovalores (apareciendo cada uno, en dicha suma, tantas veces como indique su multiplicidad como raíz del polinomio característico) λ +λ 2 + +λ m = ( ) m c m = traza(a) := a +a a mm. Uno de los resultados más importantes referidos a autovalores y autovectores es el siguiente. Teorema. A autovalores distintos corresponden autovectores linealmente independientes. Es decir, si λ,...,λ p son autovalores de A distintos dos a dos y v,...,v p son autovectores de A asociados respectivamente a λ,...,λ p, entonces {v,...,v p } es linealmente independiente. Demostración.- En el caso de tener un solo autovector (p = ) no hay nada que discutir. Supongamos que p 2 y que los vectores v,...,v p son linealmente dependientes, entonces para un cierto índice k tendremos que {v,...,v k } son linealmente independientes y v k+ es combinación lineal de ellos. Entonces, tendremos unos coeficientes α,...,α k C tales que v k+ = α v +α 2 v 2 + +α k v k. ( ) Multiplicando por la matriz A en los dos miembros de esta igualdad tenemos Av k+ = α Av +α 2 Av 2 + +α k Av k λ k+ v k+ = α λ v +α 2 λ 2 v 2 + +α k λ k v k. ( ) Multiplicando los dos miembros de la igualdad (*) por λ k+ tenemos λ k+ v k+ = α λ k+ v +α 2 λ k+ v 2 + +α k λ k+ v k. 7
8 8 Lección 5.- Autovalores y autovectores. y restando (**) obtenemos = α (λ k+ λ )v +α 2 (λ k+ λ 2 )v 2 + +α k (λ k+ λ k )v k. Puesto que los vectores v,...,v k son linealmente independientes, de la última igualdad tenemos que los coeficientes tienen que ser todos nulos α (λ k+ λ ) = α 2 (λ k+ λ 2 ) = = α k (λ k+ λ k ) = y puesto que los autovalores son distintos entre sí λ k+ λ,...,λ k obtenemos α = α 2 = = α k = y, por tanto v k+ = en contradicción con el hecho de ser un autovector de A (asociado a λ k+ ). El siguente resultado tiene un carácer esencialmente teórico aunque puede utilizarse para obtener algunas matrices relacionadas con una matriz A. No estamos en condiciones de dar la demostración en el caso general. Más adelante veremos la demostración en un caso especial. Teorema (de Cayley-Hamilton). Sea p(λ) = det(a λi) el polinomio característico de una matriz cuadrada A, entonces p(a) = Es decir, si una matriz A de orden 3 tiene como polinomio característico, por ejemplo entonces la matriz verifica que p(λ) = λ 3 +2λ 2 5λ+7, p(a) = A 3 +2A 2 5A+7I =. En este caso, puesto que el término independiente es no-nulo, de la anterior ecuación podemos despejar A en función de potencias de A con exponente no-negativo. Ejercicio.- Hazlo Diagonalización. Consideremos una transformación lineal T : K m K m y la matriz A asociada (cuadrada, m m) respecto de la base canónica C de K m. Es decir, siendo x lascoordenadas canńicas de un vector v y siendo y las coordenadas canónicas del transformado T(v), tenemos que y = Ax. Consideremos otra base B y denotemos por x e y a las coordenadas de v y T(v), respectivamente, respecto de dicha base B. Si P es la matriz del cambio de base C B tenemos que x = Px e y = Py. Por tanto, la transformación lineal T se puede expresar, en coordenadas respecto a B mediante y = Ax Py = APx y = P APx. Es decir, de la misma forma que A representa a T respecto a la base canónica, la matriz B = P AP también representa a T, pero respecto a la base B. Cuando dos matrices A y B (cuadradas del mismo orden) están relacionadas mediante la igualdad B = P AP para alguna matriz P no-singular, se dice que A y B son semejantes. En este caso se trata de matrices que representan a la misma transformaión lineal respecto de bases distintas. En este apartado vamos a considerar el problema de intentar determinar una matriz P para la cual B = P AP sea una matriz lo más sencilla posible (que permita describir la transformación T asociada de la forma más simple). La forma más simple que se puede plantear es el de una matriz diagonal. Para algunas matrices A será posible obtener una matriz diagonal y para otras no. 8
9 5.2.- Diagonalización Matrices diagonalizables. Definición. Se dice que una matriz A m m es diagonalizable si existe alguna matriz P no singular tal que P AP es una matriz diagonal D. En este caso, se dice que P es una matriz de paso que diagonaliza A y que la expresión A = PDP es una diagonalización de A. Notemos que si d... d 2... P AP = D = d d m entonces de la igualdad matricial AP = PD, A v v 2... v m = v v 2... v m d... d d m se obtiene que cada columna, Av k, de la matriz AP es igual a la correspondiente columna de PD. Es decir, cada columna de P es un autovector de A asociado al correspondiente elemento diagonal de D, que será un autovalor de A. Por otra parte, el que la matriz P sea no-singular ( tiene inversa det(a) ) es equivalente a que sus m columnas sean linealmente independientes. Cuando sea posible, para construir una diagonalización de A bastará con obtener m autovectores linealmente independientes. La matriz P de orden m que tenga a dichos autovectores linealmente independientes como columnas (en un cierto orden) será no-singular y verificará AP = PD siendo D la matriz diagonal cuyos elementos diagonales son los autovalores (en el mismo orden en el que hayamos puesto los autovectores en la matriz P). Por tanto tenemos una diagonalización de A. Notemos que si en una diagonalización A = PDP, cambiamos el orden en las columnas de P y de forma simultánea cambiamos el orden en los elementos diagonales de D, de manera que se correspondan columnas de P- elementos diagonales de D, se obtiene otra diagonalización de A; sustituimos cada columna de P por un múltiplo no-nulo de dicha columna, se obtiene otra matriz de paso distinta que también diagonaliza a A (la matriz D no cambia). Proposición. Sea A una matriz m m. Se verifica: () A es diagonalizable si y sólo si tiene m autovectores linealmente independientes. (2) Si A es diagonalizable también lo es cualquier potencia A k,k =,2, (3) Si A es diagonalizable también lo es cualquier matriz de la forma A µi. 9
10 Lección 5.- Autovalores y autovectores. (4) Si A es diagonalizable también lo es cualquier polinomio en A q(a) = c k A k + +c A+c I. (5) Si A tiene inversa, A es diagonalizable si y sólo si lo es su inversa A. (6) A es diagonalizable si y sólo si lo es A T. Si tenemos una diagonalización de A, P AP = D A = PDP se obtienen las siguientes diagonalizaciones de A k,a µi,a T y A (si existe) A k = PD k P, A µi = P(D µi)p, A T = (P T ) D(P T ), A = PD P. Recordemos que a autovalores distintos corresponden autovectores linealmente independientes. Por tanto, Teorema. Si todos los autovalores de A son simples (A tiene m autovalores distintos), entonces A es diagonalizable. Para que una matriz sea diagonalizable no es imprescindible que todos sus autovalores sean simples. Por ejemplo λ = es un autovalor doble de la matriz A = 2 2 y A es diagonalizable(compruébalo!). Aunque hay matrices que no son diagonalizables, como por ejemplo æ é 2 B =. 2 Para analizar de forma más detallada cuando una matriz es diagonalizable consideramos los siguientes conceptos. Definición. Sea A una matriz m m y sea λ un autovalor de A. Se llama: (a) Multiplicidad algebraica de λ, y se denota por m a (λ ), a la multiplicidad de λ como raíz del polinomio característico p(λ) = det(a λi) de A. Es decir, p(λ) puede factorizarse como p(λ) = (λ λ ) ma(λ ) q(λ), siendo q(λ) un polinomio (de grado m m a (λ )) que no se anula para λ, q(λ ). (b) Multiplicidad geométrica de λ, y se denota por m g (λ ), a la dimensión del espacio nulo de A λ I, dim [Nul (A λ I)] = m rango[(a λ I)]. Es decir, la multiplicidad geométrica es el número (máximo) de autovectores linealmente independientes asociados al autovalor.
11 5.2.- Diagonalización. Lo único que se puede afirmar en general sobre la relación entre las multiplicidades algebraica y geométrica de un autovalor de una matriz viene dado por el siguiente resultado. Lema. Sea λ un autovalor de una matriz A, entonces m g (λ ) m a (λ ). Teorema. A es diagonalizable si y sólo si para cada autovalor λ se verifica que m a (λ) = m g (λ). En ese caso, si λ,...,λ p son (todos) los autovalores distintos de A y tenemos una base B k de cada uno de los subespacios Nul [A λ k I] (es decir, tenemos tantosautovectores linealmente independientes asociados a λ k como indica su multiplicidad algebraica), entonces es una base de R m o de C m. Por tanto: B = B B p Para determinar si una matriz es diagonalizable habrá que determinar si cada autovalor múltiple tiene asociados tantos autovectores linealmente independientes como indique su multiplicidad algebraica. Para construir una diagonalización, cuando sea posible, habrá que obtener tanto autovectores linealmente independientes, asociados a cada autovalor, como indique su multiplicidad algebraica; Vamos a demostrar el teorema de Cayley-Hamilton para las matrices diagonalizables. Teorema (de Cayley-Hamilton). Sea p(λ) = det(a λi) el polinomio característico de una matriz cuadrada A, entonces p(a) =. D. Aunque el resultado es cierto para una matriz cuadrada arbitraria, aquí sólo vamos a considerar el caso en que A es diagonalizable. Si A es diagonalizable mediante una matriz de paso P, P AP = D = A = PDP = p(a) = Pp(D)P = P = P P =.... p(λ )... p(λ 2 ) p(λ m ) P =
12 2 Lección 5.- Autovalores y autovectores. Observación.- Para una matriz diagonalizable A, el tener una diagonalización P AP = D (diagonal), permite obtener funciones de dicha matriz que esten definidas por polinomios o por series de potencias. Por ejemplo, A k = PD k P, polinomio(a) = Ppolinomio(D)P, e A = k= A k k! = P k= D k P = P k! e λ e λ e λm P puesto que calcular la correspondiente función matricial para una matriz diagonal se reduce a obtener el valor de dicha función en cada uno de los elementos de la diagonal principal Matrices no diagonalizables. Una matriz cuadrada A es diagonalizable si, y sólo si, hay una base (de R n ó C n ) formada por autovectores de A. Cuando A no es diagonalizable hay situaciones en las que es necesario encontrar también una base cuyos elementos verifiquen ciertas propiedades similares a las de los autovectores de A. Éstos serán los denominados autovectores generalizados de A. Definición. Sea A una matriz m m y sea λ un autovalor de A. Se dice que un vector v es un autovector generalizado de A asociado a λ si se verifica que (A λi) k v = para algún entero positivo k. Es decir, los autovectores generalizados de A asociados a λ son (excluyendo al vector nulo), los vectores de los espacios nulos de las matrices (A λi) k, k =,2,3,... Observaciones. ) Es fácil comprobar que Nul (A λi) Nul ä (A λi) 2ç Nul ä (A λi) kç Nul ä (A λi) k+ç... 2) Puesto que la dimensión del espacio es finita, los subespacios anteriores no pueden crecer de manera indefinida, sino que para un cierto valor r se verificará Nul [A λi] Nul ä (A λi) 2ç Nul [(A λi) r ] = Nul ä (A λi) r+ç =. 3) Si v Nul ä (A λi) kç entonces Av Nul ä (A λi) kç. Es decir, si v es un autovector generalizado, Av también lo es (o es el vector nulo). El siguiente resultado indica que para calcular los autovectores generalizados hay que llegar, a lo sumo, hasta la potencia m a (λ). Nos indica además que, si bien en general no es cierto que para un autovector generalizado v asociado a λ se tenga que Av es λv, se tiene en cambio que Av es también autovector generalizado asociado a λ. 2
13 5.2.- Diagonalización. 3 Teorema. Sea A matriz m m y sea λ autovalor de A de multiplicidad algebraica m a (λ). Existe un valor r m a (λ) tal que dim (Nul [A λi]) < < dim (Nul [(A λi) r ]) = dim Nul ä (A λi) ma(λ)ç = m a (λ), y Nul ä (A λi) kç = Nul ä (A λi) ma(λ)ç para k r. Observaciones. ) La proposición anterior no contradice lo visto hasta ahora para autovectores: si A es diagonalizable y λ es autovalor de multiplicidad algebraica m a (λ) = l (su multiplicidad geométrica será por tanto m g (λ) = l) el valor r de la proposición anterior es r =. 2) Observe que según el teorema anterior los autovectores generalizados siempre son los elementos de Nul ä (A λi) ma(λ)ç, aunque dependiendo de cada caso, dicho espacio nulo puede coindicir con el espacio nulo de una potencia inferior de A λi. Ejemplo. Consideremos la matriz A = Vamos a calcular una base de R 4 formada por autovectores y autovectores generalizados de A. Su polinomio característico es p A (x) = (x ) 3 (x+), luego sus autovalores son λ = con multiplicidad algebraica m a (λ ) = y λ 2 = con multiplicidad algebraica m a (λ 2 ) = 3. Como λ = es autovalor simple, sus multiplicidades algebraica y geométrica coinciden. Un autovector asociado a λ = es, por ejemplo, v = (,,3,3) T y los demás autovectores asociadosalmismoautovalorsonmúltiplosdev.paraelautovalortripleλ 2 =,lasmatrices A λ 2 I y la escalonada superior obtenida de ella por eliminación gaussiana son A λ 2 I = Elim. Gauss Puesto que A λ 2 I tiene rango 3, sólo hay un autovector independiente asociado al autovalor λ 2 = ypor tanto, Ano es diagonalizable. Losautovectores asociados sonlosmúltiplos (no nulos) de v 2 = (2,,3,) T. Calculemos una base de autovectores generalizados asociados al autovalor λ 2 =. Para ello, debemos calcular las potencias A λ 2 I hasta que una de ellas tenga rango m m a (λ 2 ) = 4 3 = con lo cual el espacio nulo de dicha potencia de A λ 2 I tendrá dimensión 3. La matrices (A λ 2 I) 2 y la escalonada superior obtenida por eliminación gaussiana son (A λ 2 I) 2 = Elim. Gauss ,
14 4 Lección 5.- Autovalores y autovectores. cuyo rango es 2 (todavía distinto de = 4 m a (λ 2 )). Por tanto la dimensión del espacio nulo de (A λ 2 I) 2 es 2 y podemos obtener en dicho espacio nulo un autovector generalizado v 3 linealmente independiente con v 2, por ejemplo v 3 = (,,,) T. Notemos que Nul ((A λ 2 I) 2 ) = Gen{v 2,v 3 }. La matriz (A λ 2 I) 3 es (A λ 2 I) 3 = cuyo rango es = 4 m a (λ 2 ). Por tanto, el espacio nulo de (A λ 2 I) 3 tiene dimensión 3. En este espacio nulo podemos obtener un autovector generalizado v 4 que sea linealmente independiente con {v 2,v 3 }, por ejemplo v 4 = (,,,) T. Notemos que Nul((A I) 3 ) = Gen{v 2,v 3,v 4 } y que los vectores de este espacio son, además del vector nulo, todos los autovectores y autovectores generalizados asociados al autovalor λ =. Así, hemos obtenido tres autovectores (generalizados) asociados al autovalor triple λ = de una determinada forma, ampliando de una base de Nul(A I) a una de Nul((A I) 2 ) y de ésta a una de Nul((A I) 3 ). Podríamos haber obtenido una base de Nul((A I) 3 ) sin necesidad de pasar por bases de los espacios intermedios. Por ejemplo, los vectores w 2 = (,,,) T, w 3 = (,,,) T, w 4 = (,,,) T forman una base de Nul((A I) 3 ). Por tanto, tenemos como bases de R 4 {v,v 2,v 3,v 4 } y {v,w 2,w 3,w 4 }. Para observar la diferencia entre ellas (y entender por qué, en general, es más conveniente encontrar una base por el procedimiento seguido para construir {v,v 2,v 3,v 4 }) se propone como ejercicio determinar la matriz P AP tomando respectivamente como matriz P la matriz cuyas columnas son las coordenadas de los vectores de cada una de las bases anteriores. Así, si formamos P = [v,v 2,v 3,v 4 ] y P 2 = [v,w 2,w 3,w 4 ] obtenemos P AP =, P 2 AP 2 =, Observamos que con P, en el bloque correspondiente al autovalor, éste aparece en la diagonal y además es un bloque triangular superior, es decir, en la matriz obtenida (que no puede ser diagonal pues A no es diagonalizable), los autovalores aparecen en la diagonal y el bloque del autovalor al menos tiene ceros por debajo de la diagonal. Sin embargo, con P 2 ni el autovalor aparece en la diagonal ni su bloque correspondiente es triangular. Si una matriz es diagonalizable al juntar autovectores independientes de autovalores diferentes se obtiene una base de R m (o de C m ). De la misma forma cuando se unen bases 4.
15 5.2.- Diagonalización. 5 de los espacios de autovectores generalizados se obtiene una base de R m (o de C m ). Siendo más preciso, tenemos el siguiente resultado. Proposición. Sea A una matriz cuadrada de orden m, con polinomio característico p A (λ) = (λ λ ) m...(λ λ p ) mp, con λ,...,λ p distintos entre sí. Si B j es base de Nul(A λ j I) m j, para j =,...,p, la unión de dichas bases B = {B,...,B p } es base de R m (o de C m ). Observación-Ejercicio. Según vimos en el estudio de las propiedades del cálculo de autovalores y autovectores, todo autovector de una matriz A es autovector de cualquiera de sus potencias A 2,A 3,... El recíproco no es cierto, en general. Por ejemplo, tomando la matriz æ é A = se verifica que A 2 es la matriz nula y, por tanto, cualquier vector no-nulo de R 2 es autovector de A 2 asociado a su único autovalor λ =. Sin embargo, hay vectores de R 2 que no son autovectores de A, por ejemplo v = [, ]. Determina los autovectores de cada una de las potencias de A = Forma canónica de Jordan y matriz exponencial. En esta sección veremos que los autovectores generalizados pueden elegirse de forma que la matriz A puede escribirse de la forma A = PJP siendo J la forma canónica de Jordan que definimos a continuación y P una matriz cuyas columnas son autovectores generalizados independientes. Definición. Un bloque de Jordan es una matriz cuadrada triangular superior J(λ) tal que: a) Todos los elementos de la diagonal principal son iguales a λ. b) Todos los elementos en la primera sobre diagonal son iguales a. c) Todos los demás elementos son iguales a.. Por ejemplo un bloque de Jordan de orden cuatro es la matriz J(λ) = λ λ λ λ 5.
16 6 Lección 5.- Autovalores y autovectores. Puede probarse el siguiente resultado Teorema. Dada una matriz A de orden m m existe una base de autovectores generalizados tal que A = PJP, siendo P la matriz cuyas columnas es la base de autovectores generalizados y J, a la que se denomina forma canónica de Jordan de A, es la matriz J = J J 2... J s donde cada J r es un bloque de Jordan de orden n r. El número de bloques s es igual a la suma de las multiplicidades geométricas de los autovalores diferentes de la matriz A. El mismo autovalor puede estar en distintos bloques de Jordan J r, pero el número total de bloques con ese autovalor es igual a su multiplicidad geométrica, mientras que el número total de elementos en la diagonal prinicpal con cada autovalor es su multiplicidad algebraica. Los números n r y el número total de bloques quedan determinados por la matriz A. Observar que la matriz J es una matriz diagonal por bloques y tiene una estructura muy particular. Es triangular superior, con los autovalores de A en la diagonal, la sobre diagonal está formada por unos o ceros y todos los demás elementos son ceros. Por tanto el teorema anterior nos dice que aunque una matriz no sea diagonalizable siempre es semejante a una matriz diagonal por bloques. (Aunque la matriz A sea real, las matrices J y P no tienen por qué ser reales). Veamos algunos ejemplos que expliquen el contenido del teorema anterior. Ejemplo. Forma canónica de Jordan de la matriz A = Obtenemos su polinomio característico det(a λi) = (2 + λ)(4 λ) 2. Por lo tanto los autovalores de A son λ = 2 con multiplicidad algebraica m a (λ ) = y λ 2 = 4 con m a (λ 2 ) = 2. Comoλ = 2esunautovalorsimple,sumultiplicidadalgebraicaygeométricacoinciden, y su valor es uno. Ya que el rango de la matriz A 4I es 2, la multiplicidad geométrica del autovalor λ 2 es m g (λ 2 ) = 3 2 =. Por lo tanto la matriz A no es diagonalizable. De acuerdo con el teorema anterior la forma canónica de Jordan deberá tener dos bloques de Jordan, uno con el autovalor λ de orden uno (porque este autovalor sólo debe aparecer una vez en la diagonal de J) y otro bloque de Jordan de orden dos asociado al autovalor λ 2 ya que este autovalor debe aparecer dos veces en la diagonal de J. Por lo tanto la forma canónica de Jordan de A es: J = La matriz de paso P = ä v v 2 v 3 ç la obtenemos con la condición de que A = PJP, o lo que es lo mismo AP = PJ. Entonces los vectores v, v 2 y v 3 deben verificar las siguientes 6..
17 5.2.- Diagonalización. 7 condiciones: Av = 2v Av 2 = 4v 2 Av 3 = v 2 +4v 3 La condición Av = 2v nos dice que v es un autovector asociado al autovalor λ = 2, por ejemplo, v = ä ç T. La condición Av 2 = 4v 2 nos dice que v 2 es un autovector asociado al autovalor λ 2 = 4, por ejemplo, v 2 = ä ç T. Para obtener v 3 debemos resolver el sistema Av 3 = v 2 + 4v 3, es decir (A 4I)v 3 = v 2. Utilizando el método de Gauss, obtenemos y la solución es v 3 = +α α α siendo α un parámetro arbitrario. Tomando α =, obtenemos que v 3 = ä ç T. Observar que, ya que (A 4I)v 3 = v 2 se obtiene que (A 4I) 2 v 3 = (A 4I)v 2 =, por lo tanto v 3 es un autovector generalizado asociado al autovalor λ 2. Finalmente, hemos conseguido descomponer A de la forma A = y por lo tanto A = PJP. Ejemplo 2. Forma canónica de Jordan de la matriz A = Obtenemos su polinomio característico det(a λi) = ( λ) 3. Por lo tanto A tiene un único autovalor λ = de m a (λ ) = 3, con lo que en la diagonal de J el autovalor λ = aparecerá tres veces. Ya que el rango de la matriz A I = es, la multiplicidad geométrica del autovalor es m g (λ ) = 3 = 2, con lo que habrá dos bloques de Jordan. Ya que la 7
18 8 Lección 5.- Autovalores y autovectores. matriz es de orden tres uno de los bloques es de orden uno y otro de los bloques es de orden dos. Es decir que la forma canónica de Jordan de esta matriz es: J = La matriz de paso P = ä v v 2 v 3 ç la obtenemos con la condición de que A = PJP, o lo que es lo mismo AP = PJ. Entonces los vectores v, v 2 y v 3 deben verificar las siguientes condiciones: Av = v Av 2 = v 2 Av 3 = v 2 +v 3 La condición Av = v nos dice que v es un autovector asociado al autovalor λ =. La condición Av 2 = v 2 nos dice que v 2 es un autovector asociado al autovalor λ =. Para obtener v 3 debemos resolver el sistema Av 3 = v 2 +v 3, es decir (A I)v 3 = v 2. Obtenemos losautovectores asociadosalautovalorλ =.Para ello resolvemos el sistema homogéneo (A I)x =, cuyas soluciones son los vectores de la forma v = 2β +α β α., α,β R. Por tanto para obtener v y v 2, no tendríamos más que dar valores a α y β para que v y v 2 fuesen independientes. Por ejemplo podríamos tomar α = y β =, para obtener que 2 v = y α = y β =, para obtener que v 2 =. Ahora tendríamos que resolver el sistema (A I)v 3 = v 2. Aplicamos el método de Gauss al sistema que claramente no tiene solución. El motivo de esta aparente contradicción es que no podemos fijar desde el principio el vector v 2 y debemos trabajar con autovector v 2 genérico. Es decir 2β +α tomamos como vector v 2 = β y al resolver (A I)v 3 = v 2 obtendremos los α valores de α y β adecuados para que dicho sistema tenga solución. Resolvemos por el método de Gauss el sistema 2 2β +α 2 β 2 α 2 2β +α β +α β +α yobtenemos que el sistema tiene solución si y sólo si β+α =. Resuelvo el sistema anterior tomando α = β = y obtenemos que v 3 = +t 2s s t 8, t,s R.
19 5.2.- Diagonalización. 9 Si elegimos t = s =, obtenemos que v 3 = generalizados está formada por los vectores y v = A = PJP =,v 2 = Ejemplo 3. Forma canónica de Jordan de la matriz A =. Finalmente la base de autovectores, v 3 = Para esta matriz ya obtuvimos en la sección anterior dos bases de autovectores generalizados. Con la primera de las bases obtuvimos que A era semejane a una matriz tiangular superior con los autovalores de la matriz en la diagonal, pero esa matriz no es la forma canónica de Jordan, con la segunda obtuvimos que A era semejante a una matriz que ni siquiera era triangular. Ahora vamos a obtener una base adecuada para comprobar que A es semejante a su forma canónica de Jordan. De la sección anterior tenemos que los autovalores de la matriz son λ = con multiplicidad algebraica y geométrica uno y λ 2 = con m a (λ 2 ) = 3 y m g (λ 2 ) =. Por lo tanto la forma canónica de Jordan tiene dos bloques, uno asociado al autovalor λ de orden uno y otro asociado al autovalor λ 2 de orden tres. Por lo tanto su forma canónica de Jordan es J = ä ç La matriz de paso P = v v 2 v 3 v 4 la obtenemos con la condición de que A = PJP, o lo que es lo mismo AP = PJ. Entonces los vectores v, v 2, v 3 y v 4 deben verificar las siguientes condiciones: Av = v Av 2 = v 2 Av 3 = v 2 +v 3 Av 4 = v 3 +v 4 La condición Av = v nos dice que v es un autovector asociado al autovalor λ =, por ejemplo v = ä 3 3 ç T La condición Av 2 = v 2 nos dice que v 2 es un autovector asociado al autovalor λ 2 =. Tomamos como vector v 2 = ä 2α α 3α α ç T, siendo α un parámetro arbitrario α. 9.
20 2 Lección 5.- Autovalores y autovectores. La condición Av 3 = v 2 +v 3 da lugar al sistema (A I)v 3 = v 2. Determinamos α con la condición de que este sistema tenga solución. Por el método de Gauss obtenemos α α α α que este sistema tiene solución para todo α y su solución es v 3 = 2β β α+3β β α α α 5 5 5α α α 3 α siendo α y β parámetros arbitrarios con la condición de que α. La condición Av 4 = v 3 +v 4 da lugar al sistema (A I)v 4 = v 3. Determinamos α y β con la condición de que este sistema tenga solución. Por el método de Gauss obtenemos β β α+3β β β β β +α 5 5 5β que este sistema tiene solución para todo α y β y su solución es v 4 = α+γ α γ α+β +3γ γ β β 3 α+β siendo α, β y γ parámetros arbitrarios con la condición de que α. Eligiendo los valores α =, β = y γ =, obtenemos que la base de autovectores generalizados que nos da la matriz P es la formada por los vectores: por lo tanto A = v = 3 3,v 2 = , v 3 = 2, v 4 =
21 5.2.- Diagonalización. 2 Acabamos esta sección introduciendo brevemente el concepto de exponencial de una matriz. Es conocido que la función exponencial e x puede desarrollarse en serie de potencias de x y que dicha serie de potencias es convergente para todo x, e x = k= k! xk. Si A es una matriz cuadrada de orden m m entonces puede probarse que la serie k= k! Ak = I +A+ 2! A2 + 3! A3 + es convergente. A la matriz resultante (que es no singular) se le llama expnencial de la matriz y se escribe e A, es decir e A = k! Ak k= Evidentemente, si queremos obtener e A, debemos ser capaces de calcular previamente A k. Veamos las distintas situaciones que pueden presentarse: Si A es una matriz diagonal A = λ λ 2... λ m entonces y e A = = k= A k = k! Ak = λ k λ k 2... λ k m È k= k! λk e λ e λ 2... e λm. È k= k! λk 2. È k=. k! λk m Si A es diagonalizable, entonces existe una matriz diagonal D con los autovalores de A en la diagonal de D y una matriz de paso P no singular tal que A = PDP. En este caso 2
22 22 Lección 5.- Autovalores y autovectores. A k = PD k P y la mariz exponencial es e A = = P k= k! Ak = P k= e λ e λ 2 k! Dk P... P. e λm Cuando la matriz A no es diagonalizable haremos uso de la forma canónica de Jordan. En primer lugar veremos que calcular potencias de bloques de Jordan es sencillo (aunque no tan sencillo como calcular la potencia de una matriz diagonal). Por comodidad escribimos la k potencia para un bloque de orden cuatro, pero es sencillo intuir como sería para un bloque de orden n. λ λ Si J(λ) = λ entonces λ J k (λ) = λ k kλ k k(k ) λ k 2 k(k )(k 2) λ k 3 2! 3! λ k kλ k k(k ) λ k 2 2! λ k kλ k λ k y la matriz exponencial de un bloque de Jordan sería e J(λ) = = È È k! λk È k! kλk k(k ) È λ k 2 2!k! k= k= k=2 k=3 È È k! λk È k! kλk k= k= k=2 È È k! λk k= k= e λ e λ 2! eλ 3! eλ e λ e λ 2! eλ e λ e λ. e λ k(k )(k 2) λ k 3 3!k! k(k 2!k! λ k 2 k! kλk Si A no es diagonalizable podemos descomponerla en la forma A = PJP, siendo J = J J 2 su forma canónica de Jordan. Entones... J s A k = P J k J k 2... Js k 22 P È k= k! λk
23 5.2.- Diagonalización. 23 y e A = P e J e J 2... e Js P Acabamos con unos cuantos ejemplos. Ejemplo 4. Calcular la matriz exponencial e A de la matriz A = 2 Calculamos el polinomio característico de la matriz A, det(a λi) = λ(λ )(λ 3) Como la matriz tiene tres autovalores simples, es diagonaizable. Calculamos los autovectores asociados a cada uno de los autovalores, que son: a λ = el autovector v = ä ç T, al autovalor λ 2 = el autovector v = ä ç T y al autovalor λ3 = 3 el autovector v = ä 2 ç T. Por lo tanto e A = 2 e e 3 2 Ejemplo Calcular la matriz exponencial e A de la matriz A del ejemplo, A = 3 2 Como ya tenemos calculada su forma canónica de Jordan, su matiz exponencial será e A = e 2 e 4 e 4 e 4 Ejemplo Calcular la matriz exponencial e A de la matriz A del ejemplo 3, A = Como ya tenemos calculada su forma canónica de Jordan, su matiz exponencial será e A = e e e 2! e2 e e e
24 24 Lección 5.- Autovalores y autovectores Aplicaciones del cálculo de autovalores y autovectores. Vamos a considerar la relación del cálculo de autovalores y autovectores con los llamados problemas de evolución. Dichos problemas vendrán expresados por una ecuación en diferencias en el caso discreto y por una ecuación diferencial en el caso continuo. En forma genérica se tratará de obtener una función vectorial de variable discreta(en cuyo caso tendremos una sucesión de vectores) o de variable continua (en cuyo caso tendremos una función vectorial de variable real) determinadas por una condición sobre su evolución. Como es natural sólo consideraremos problemas lineales. De esta forma los correspondientes conjuntos de soluciones tendrán una estructura similar a la del conjunto de soluciones de un sistema de ecuaciones lineales. Es decir, tendrán una estructura de subespacio vectorial (o de variedad lineal) y podrán manipularse de forma análoga a la manipulación de vectores de coordenadas Sistemas de ecuaciones en diferencias. Aquí trataremos de obtener las sucesiones de vectores en R m (ó C m ) u,u,u 2,u 3,...,u n,... en la que la relación entre dos términos consecutivos es lineal, constante y homogénea. De forma más precisa, la relación entre dos vectores consecutivos será de la forma u n+ = Au n siendo A una matriz cuadrada m m constante (independiente de n). Definición. Sea A una matriz cuadrada de orden m y sea u,u 2,...,u n,... una sucesión de vectores en R m definidos de manera recurrente por u n = Au n, n =,2,... a partir de un vector inicial u R m. Una relación de recurrencia de esta forma se llama sistema de ecuaciones en diferencias lineal homogéneo de primer orden (con coeficientes constantes). No nos ocuparemos aquí ni del caso no homogéneo, ni del caso de coeficientes no constantes y muchisimos menos de casos no lineales. A partir de la relación u n = Au n se tiene que u n = A n u y tenemos la expresión del término general u n en función del vector original u. El problema es determinar las potencias A n de A. Tendremos esencialmente dos situaciones. Por un lado, el caso en que A sea diagonalizable será fácil detratar y por otro,el caso enel que A no sea diagonalizableque necesitará de más elaboración puesto que tendremos que recurrir al cálculo de autovectores generalizados. Uno de los aspectos que permite estudiar la expresión del término general u n (a partir de u ) es el comportamiento asintótico, es decir el comportamiento a largo plazo de la sucesión u n, qué sucede con los vectores u n cuando n se hace grande? Proposición. Sea A una matriz cuadrada de orden m y u R m. Entonces (a) Si A es diagonalizable, A = PDP (P matriz de paso de orden m cuyas columnas son autovectores de A linealmente independientes, D matriz diagonal cuyos elementos diagonales son los autovalores correspondientes de A), se verifica que A n = PD n P y u n = A n u = PD n P u, n =,2,... 24
25 5.3.- Aplicaciones del cálculo de autovalores y autovectores. 25 (b) Si u es combinación lineal de autovectores de A (independientemente de que A sea diagonalizable o no), u = c v + +c k v k y Av j = λ j v j, j =,...,k, entonces A n u = c λ n v + c k λ n k v k. Observaciones. Qué sucede si A no es diagonalizable y u no es combinación lineal de autovectores? Sea A una matriz m m no diagonalizable. (a) Si v es un autovector generalizado de A asociado a un autovalor λ, para un cierto valor k se verifica que (A λi)v,..., (A λi) k v, (A λi) k v =. Utilizando esto podemos determinar la solución (sucesión de vectores) del sistema de ecuaciones en diferencias u n = Au n que tiene como valor inicial u = v. Para ello, basta considerar la fórmula del binomio de Newton: n (a+b) n = p q a n b + := n a n b + n 2 p(p ) (p q +) q! a n 2 b 2 + = n n n a b n + n p!, (! := ) q!(p q)! a b n que es aplicable a la potencia de una suma de matrices si estas conmutan. Es decir, si A y B son dos matrices cuadradas que conmutan (AB = BA), se verifica la igualdad (A+B) n n = A n B n + A n B n + A n 2 B 2 n + + A B n 2 n siendo A = B = I. Puesto que las matrices A λi y λi conmutan, podemos aplicar la fórmula del binomio de Newton y para n k obtenemos A n v = [λi +(A λi)] n v = æ n n = (λi) n + n (λi) n (A λi) + + n ä ç puesto que (A λi) k v = (A λi) k+ v = (A λi) k+2 v = = (A λi) n é v = λ n v +nλ n (A λi)v + n(n ) λ n 2 (A λi) 2 v n + +λ n k+ (A λi) k k v y aparecen (a lo sumo) k sumandos en el sumatorio, independientemente de lo grande que sea n. En los ejemplos que veremos k será pequeño y aparecerán pocos términos en el sumatorio. 25
26 26 Lección 5.- Autovalores y autovectores. (b) Si obtenemos una base {v,...,v m } (de R m ó C m ) formada por autovectores generalizados de A, entonces puede encontrarse la solución general del sistema de ecuaciones en diferencias u n = Au n para cualquier u R n. Para ello, expresamos u como combinación lineal de los autovectores generalizados {v,...,v m }, con lo que u = α v + +α m v m u n = A n u = α A n v + +α m A n v m y, por tanto, bastará determinar (A n v j ) para cada autovector generalizado v j. (c) Cálculo de A n.apartirdeunabaseformadaporautovectoresgeneralizados{v,...,v m } podemos calcular A n sin más que obtener los vectores {A n v,...,a n v m } y despejar A n de la igualdad matricial A n v v 2... v m = A n v A n v 2... A n v m. (d) Comportamiento asintótico de A n u. Con este término se designa al estudio del comportamiento de la sucesión de vectores u,u,u 2,... a largo plazo. Es decir se trata de estudiar qué sucede cuando n. Los vectores u n convergen a un cierto vector? oscilan entre ciertos vectores? tienden a? Es decir, lím n u n =? Si tenemos un vector u expresado como combinación lineal de autovectores y autovectores generalizados u = c v + +c m v m, la sucesión generada viene dada mediante u n = A n u = c A n v + +c m A n v m con lo cual podemos reducir el estudio al comportamiento de las sucesiones A n v siendo v un autovector o un autovector generalizado de A. En la situación más simple, que v sea un autovector asociado a un cierto autovalor λ tenemos que y, por tanto, A n v = λ n v Si λ <, tenemos que (λ n ) y (A n v) = (λ n v). Si λ >, tenemos que (λ n ) y ( A n v ) = ( λ n v ) +. Si λ = hay que distinguir dos casos (al menos): Si λ =, la sucesión de vectores A n v = v es constante. 26
27 5.3.- Aplicaciones del cálculo de autovalores y autovectores. 27 Si λ =,λ, puesto que λ n = para todo n =,2,..., los coeficientes λ,λ 2,λ 3,... recorren la circunferencia unidad (no completa, infinitas veces) y los vectores A n v = λ n v presentan un comportamiento oscilante. Veamos a continuación dos ejemplos de cómo obtener A n v. Ejemplo. Calcular u n = A n u siendo A = 2 y u = Por ser A triangular es inmediato que los autovalores son λ = (doble) y λ 2 = 2 (simple). Como es fácil comprobar, m g (λ = ) = < m a (λ = ) = 2 y la matriz A no es diagonalizable. No existe una base de autovectores (λ y λ 2 aportan uno cada uno) y necesitamos recurrir a un autovector generalizado de λ para obtener una base de R 3 formada por autovectores y autovectores generalizados. Autovectores asociados a λ =, 2 (A I)x = = Nul(A I) = Gen Autovectores generalizados asociados a λ =, (A I) 2 x = = Nul ä (A I) 2ç = Gen Autovectores asociados a λ 2 = 2, (A 2I)x = = Nul(A 2I) = Gen. v = v,v 2 = v 3 =... Es decir, trabajaremos con la base de R 3 formada por {v,v 2,v 3 } (que en este caso sencillo coincide con la canónica). Así, Por ser v y v 3 autovectores: u n = A n u = A n (2v +v 2 v 3 ) = 2A n v +A n v 2 A n v 3. A n v = λ n v = n v = v y A n v 3 = λ n 2v 3 = 2 n v 3. Mientras que por ser v 2 autovector generalizado de λ =, que verifica (A I) 2 v 2 = (k = 2 en la fórmula dada anteriormente): A n v 2 = [λ I +(A λ I)] n v 2 = λ n v 2 +nλ n (A λ I)v 2 + n(n ) 2 λ n 2 (A λ I) 2 v 2 + = n v 2 +n n v = v 2 +nv ya que (A I)v 2 = v. 27
28 28 Lección 5.- Autovalores y autovectores. Finalmente u n = A n u = 2v +(v 2 +nv ) 2 n v 3 = (n+2)v +v 2 2 n v 3 = 2+n 2 n Ǒ. Ejemplo 2. Calcular u n = A n u siendo A = 3/2 /2 /2 2 /2 /2 5/2 y u = Autovalores. Calculamos sus autovalores mediante la ecuación característica, 2. A λi = λ 3 6λ 2 +2λ 8 = (λ 2) 3 =, de donde obtenemos que λ = 2 es un autovalor triple (m a (λ ) = 3). (Recuérdese que la traza de la matriz debe coincidir con la suma de los autovalores; en este caso ambas valen 6, puesto que tr(a) = 3/2+2+5/2 = = 6). Si calculamos su multiplicidad geométrica m g (λ = 2) = 3 rango(a 2I) = 3 2 = vemos que sólo tiene un autovector asociado linealmente independiente, con lo que necesitaremos encontrar dos autovectores generalizados (linealmente independientes) para formar una base de R 3 con autovectores y autovectores generalizados. Autovectores: (A 2I)x = x x 2 x 3 Tomamos como autovector, por ejemplo, v = (,,) T. Autovectores generalizados: (A 2I) 2 x = x x 2 x 3 x x = 2 +x 3 = x 3 = x = x 2 = x x 2 +x 3 = x = x +x 3 Tomamos como primer autovector generalizado (que debe ser linealmente independiente con v ), por ejemplo, v 2 = (,,) T. Finalmente, (A 2I) 3 x = x x 2 x 3 = x = x x 2 x 3 R 3 arbitrario. Podemos tomar como segundo autovector generalizado cualquier vector de R 3 que sea linealmente independiente con {v,v 2 }, por ejemplo, v 3 = (,,) T. 28..
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 detallesAutovalores 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 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 6.- Autovalores y autovectores.
Ingeniería Civil. Matemáticas I. -3. Departamento de Matemática Aplicada II. Escuela Superior de Ingenieros. Universidad de Sevilla. Tema 6.- Autovalores autovectores. 6..- Autovalores autovectores. Definición
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 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 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 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 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 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 detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
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 detalles1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS
1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS 1.1 SISTEMAS DE ECUACIONES LINEALES Una ecuación lineal es una ecuación polinómica de grado 1, con una o varias incógnitas. Dos ecuaciones son equivalentes
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 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 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 detallesTema 4.- Espacios vectoriales. Transformaciones lineales.
Ingenierías: Aeroespacial, Civil y Química Matemáticas I - Departamento de Matemática Aplicada II Escuela Superior de Ingenieros Universidad de Sevilla Tema 4- Espacios vectoriales Transformaciones lineales
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 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 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 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 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 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 detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesTEMA 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 detallesSistemas lineales homogéneos
Lección 9 Sistemas de ecuaciones diferenciales lineales con coeficientes constantes 1 Sistemas lineales homogéneos Estudiaremos los sistemas de la forma x (t) = Ax(t) + b(t) Sistemas homogéneos: x = Ax
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 detalles1 ÁLGEBRA DE MATRICES
1 ÁLGEBRA DE MATRICES 1.1 DEFINICIONES Las matrices son tablas numéricas rectangulares. Se dice que una matriz es de dimensión m n si tiene m filas y n columnas. Cada elemento de una matriz se designa
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 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 detallesTema 3: Sistemas de ecuaciones lineales
Tema 3: Sistemas de ecuaciones lineales 1. Introducción Los sistemas de ecuaciones resuelven problemas relacionados con situaciones de la vida cotidiana que tiene que ver con las Ciencias Sociales. Nos
Más detallesDos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
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 detallesSistemas de ecuaciones lineales dependientes de un parámetro
Vamos a hacer uso del Teorema de Rouché-Frobenius para resolver sistemas de ecuaciones lineales de primer grado. En particular, dedicaremos este artículo a resolver sistemas de ecuaciones lineales que
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 detallesTema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.
Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz
Más detallesSISTEMAS DE ECUACIONES LINEALES
SISTEMAS DE ECUACIONES LINEALES Índice: 1.Introducción--------------------------------------------------------------------------------------- 2 2. Ecuaciones lineales------------------------------------------------------------------------------
Más detallesDETERMINANTES UNIDAD 3. Página 76
UNIDAD 3 DETERMINANTE Página 76 Determinantes de orden 2 Resuelve cada uno de los siguientes sistemas de ecuaciones y calcula el determinante de la matriz de los coeficientes: 2x + 3y 29 5x 3y 8 4x + y
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 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 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 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 reales.
Tema 3 Espacios vectoriales reales. 3.1 Espacios vectoriales. Definición 3.1 Un espacio vectorial real V es un conjunto de elementos denominados vectores, junto con dos operaciones, una que recibe el nombre
Más detallesModelización por medio de sistemas
SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES. Modelización por medio de sistemas d y dy Ecuaciones autónomas de segundo orden: = f ( y, ) Una variable independiente. Una variable dependiente. La variable
Más detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
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 detallesVectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos
Tema 3: Repaso de Álgebra Lineal Parte I Virginia Mazzone Contenidos Vectores y Matrices Bases y Ortonormailizaciòn Norma de Vectores Ecuaciones Lineales Algenraicas Ejercicios Vectores y Matrices Los
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 detallesUNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS
UNIDAD I: SISTEMAS DE DOS ECUACIONES CON DOS INCÓGNITAS Sistemas de dos ecuaciones con dos incógnitas. Método de igualación. Método de reducción. Método de sustitución Método de eliminación Gaussiana.
Más detallesCURSO CERO DE MATEMATICAS. Apuntes elaborados por Domingo Pestana Galván. y José Manuel Rodríguez García
INGENIEROS INDUSTRIALES Y DE TELECOMUNICACIONES CURSO CERO DE MATEMATICAS Apuntes elaborados por Domingo Pestana Galván y José Manuel Rodríguez García UNIVERSIDAD CARLOS III DE MADRID Escuela Politécnica
Más detallesTeoría Tema 9 Ecuaciones del plano
página 1/11 Teoría Tema 9 Ecuaciones del plano Índice de contenido Determinación lineal de un plano. Ecuación vectorial y paramétrica...2 Ecuación general o implícita del plano...6 Ecuación segmentaria
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 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 detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesEJERCICIOS DE ÁLGEBRA LINEAL TEMA 1 ESPACIOS VECTORIALES
EJERCICIOS DE ÁLGEBRA LINEAL TEMA ESPACIOS VECTORIALES Formas reducidas y escalonada de una matriz SISTEMAS DE ECUACIONES LINEALES ) Encuentre una sucesión de matrices elementales E, E,..., E k tal que
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 detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
3 RESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES Página 74 Determinantes de orden 2 Resuelve cada uno de los siguientes sistemas de ecuaciones y calcula el determinante de la matriz de los coeficientes:
Más detallesEspacios Vectoriales www.math.com.mx
Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................
Más detallesDEFINICIONES 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 detallesTema 2: Espacios Vectoriales
Tema 2: Espacios Vectoriales José M. Salazar Octubre de 2016 Tema 2: Espacios Vectoriales Lección 2. Espacios vectoriales. Subespacios vectoriales. Bases. Lección 3. Coordenadas respecto de una base. Ecuaciones.
Más detallesDeterminantes. Determinante de orden uno. a 11 = a 11 5 = 5
DETERMINANTES Determinantes Concepto de determinante A cada matriz cuadrada A se le asigna un escalar particular denominado determinante de A, denotado por A o por det (A). A = Determinante de orden uno
Más detallesIES Fco Ayala de Granada Junio de 2012 (Común Modelo 4) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Granada Junio de 01 (Común Modelo 4) Soluciones Germán-Jesús Rubio Luna Opción A Ejercicio 1 opción A, modelo Junio 01 común Sea f : R R la función definida como f(x) = e x.(x ). [1 punto]
Más detallesDETERMINANTES 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 detallesMatemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 2011/ ?
Matemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 011/1 1) (1 punto) Dado el subespacio vectorial,,,,,,,,,,, a) Obtener la dimensión, unas ecuaciones implícitas, unas
Más detallesSistem as de ecuaciones lineales
Sistem as de ecuaciones lineales. Concepto, clasificación y notación Un sistema de m ecuaciones lineales con n incógnitas se puede escribir del siguiente modo: a x + a 2 x 2 + a 3 x 3 + + a n x n = b a
Más detallesMatrices 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 detallesELEMENTOS DE GEOMETRÍA. Eduardo P. Serrano
ELEMENTOS DE GEOMETRÍA Eduardo P. Serrano Este Apunte de Clase está dirigido a los alumnos de la materia Elementos de Cálculo Numérico para Biólogos. Tiene por objeto exponer algunos conceptos básicos
Más detallesSolución de Sistemas de Ecuaciones Diferenciales Lineales
Solución de Sistemas de Ecuaciones Diferenciales Lineales Departamento de Matemáticas, CCIR/ITESM 9 de febrero de Índice..Introducción.................................................Ejemplo.................................................3.Ejemplo................................................
Más detallesCapítulo 8: Vectores
Capítulo 8: Vectores 1. Lección 30. Operaciones con vectores 1.1. Vectores El concepto de vector aparece en Física para describir magnitudes, tales como la fuerza que actúa sobre un punto, en las que no
Más detallesSemana 09 [1/28] Sucesiones. 29 de abril de Sucesiones
Semana 09 [1/28] 29 de abril de 2007 Semana 09 [2/28] Definición Sucesión Una sucesión real es una función: f : N R n f (n) Observaciones Para distinguir a una sucesión de las demás funciones, se ocupará
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 detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 0 REFLEXION Y RESUELVE Resolución de sistemas Ò mediante determinantes y Resuelve, aplicando x x e y, los siguientes sistemas de ecuaciones: 3x 5y 73 a
Más detalles1 0 4/ 5 13/
1 1 1 7 1 0 4/ 5 13/ 5 R1 R 1+1/5R3 0 0 0 2 R2 R3 0 5 9 22 0 5 9 22 0 0 0 2 Como la matriz tiene un renglón (0, 0, 0, 2) indica que el sistema no tiene solución ya que no existe un número que sea 2 y al
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales 1. Estudiar el sistema de ecuaciones según los valores del parámetro a. ax + y + z = a x y + z = a 1 x + (a 1)y + az = a + 3 Resolverlo (si es posible) para a = 1. (Junio
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 detallesMATRICES 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 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 detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detallesMATEMÁTICAS 1º BACH. C. N. Y S. 25 de enero de 2010 Geometría y Logaritmos
MATEMÁTICAS 1º BACH. C. N. Y S. 5 de enero de 010 Geometría y Logaritmos x yz 1) Tomar logaritmos, y desarrollar, en la siguiente expresión: A 4 ab log x log b 4log a log y ) Quitar logaritmos: log A )
Más detallesMatrices 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 detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales Sistemas de ecuaciones lineales Generalidades Definición [Sistema de ecuaciones lineales] Un sistema de m ecuaciones lineales con n incógnitas, es un conjunto de m igualdades
Más detallesÁlgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes
Álgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes CNM-108 Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción
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 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 detallesNÚMEROS COMPLEJOS: C
NÚMEROS COMPLEJOS: C Alejandro Lugon 21 de mayo de 2010 Resumen Este es un pequeño estudio de los números complejos con el objetivo de poder usar las técnicas de solución de ecuaciones y sistemas diferenciales
Más detallesMatrices: repaso. Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas. Una matriz A M m n es de la forma A =
Matrices: repaso Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas Una matriz A M m n es de la forma a 11 a 1n A = a m1 a mn Denotaremos A ij = a ij el coeficiente
Más detallesSistemas de ecuaciones lineales
Sistemas de ecuaciones lineales TIPOS DE SISTEMAS. DISCUSIÓN DE SISTEMAS. Podemos clasificar los sistemas según el número de soluciones: Incompatible. No tiene solución Compatible. Tiene solución. Compatible
Más detallesALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Espacios vectoriales
Resumen teoría Prof. Alcón ALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Espacios vectoriales Sea (K, +,.) un cuerpo con característica 0. Podemos pensar K = Q, R o C. Si V es un conjunto cualquiera en el que
Más detalles2. El conjunto de los números complejos
Números complejos 1 Introducción El nacimiento de los números complejos se debió a la necesidad de dar solución a un problema: no todas las ecuaciones polinómicas poseen una solución real El ejemplo más
Más detallesSistemas de ecuaciones diferenciales lineales J.L. Mancilla Aguilar
Sistemas de ecuaciones diferenciales lineales JL Mancilla Aguilar Sistemas de ecuaciones diferenciales A lo largo de estas notas consideraremos sistemas de ecuaciones diferenciales lineales a coeficientes
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 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 detallesSistemas de ecuaciones lineales
Tema 1 Sistemas de ecuaciones lineales 11 Definiciones Sea K un cuerpo Una ECUACIÓN LINEAL CON COEFICIENTES EN K es una expresión del tipo a 1 x 1 + + a n x n = b, en la que n es un número natural y a
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 detallesA1.- Determina a y b sabiendo que el sistema de ecuaciones. x + 3y +z = 1 -x + y +2z = -1 ax + by + z = 4 tiene, al menos, dos soluciones distintas.
A1.- Determina a y b sabiendo que el sistema de ecuaciones x + 3y +z = 1 -x + y +z = -1 ax + by + z = 4 tiene, al menos, dos soluciones distintas. Para que el sistema tenga, al menos, dos soluciones distintas
Más detallesMatriz A = Se denomina MATRIZ a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
MATRICES Matriz Se denomina MATRIZ a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. a 11 a 12 a 1j a 1n a 21 a 22 a 2j a 2n A = a i1 a ij a in a m1 a
Más detallesIES Fco Ayala de Granada Sobrantes de 2011 (Modelo 4) Soluciones Germán-Jesús Rubio Luna
IES Fco Ayala de Granada Sobrantes de 011 (Modelo 4) Soluciones Germán-Jesús Rubio Luna Opción A Ejercicio 1 opción A, modelo 4 del 011 [ 5 puntos] Queremos hacer junto a la carretera un cercado rectangular
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 detallesEstructuras Algebraicas
Tema 1 Estructuras Algebraicas Definición 1 Sea A un conjunto no vacío Una operación binaria (u operación interna) en A es una aplicación : A A A Es decir, tenemos una regla que a cada par de elementos
Más detallesFactorización ecuación identidad condicional término coeficiente monomio binomio trinomio polinomio grado ax3
Factorización Para entender la operación algebraica llamada factorización es preciso repasar los siguientes conceptos: Cualquier expresión que incluya la relación de igualdad (=) se llama ecuación. Una
Más detalles