Diagonalización de matrices. Kepler C k
|
|
- José Carlos Farías Correa
- hace 6 años
- Vistas:
Transcripción
1 Kepler C k 24
2 Índice. Problema de diagonalización 3.. Semejanza de matrices Valores propios y vectores propios Matrices y valores propios Polinomio característico Multiplicidad algebraica y geométrica Propiedades de los vectores propios Propiedades de los valores propios Diagonalización Diagonalización de operadores y matrices Tipos de matrices y valores propios Matrices triangulares Producto escalar Método de Gram Schmidt Matrices simétricas. Diagonalización ortogonal Matrices estocásticas Matrices idempotentes Teorema de Perron Fröbenius 4
3 . Problema de diagonalización Se plantea el siguiente problema: Dado un espacio vectorial V de dimensión n sobre el cuerpo IK = IR ó IC y T L(V ) un endomorfismo lineal, T : V V aplicación lineal el objetivo es encontrar condiciones que garanticen la existencia de una base de vectores de V respecto a la cuál la matriz asociada a T sea diagonal. Recordemos que una matriz D se dice que es diagonal si todos sus elementos excepto los de la diagonal principal son nulos, es decir, si es de la forma: d D =..... d nn Un caso particular de matriz diagonal es el de una matriz escalar, es decir, aquella que es de la forma k ki =..... k para algún escalar k IK... Semejanza de matrices Definición. Dos matrices cuadradas de orden n, A, B M n, son semejantes y se denota por A B, si existe una matriz invertible o regular P M n tal que B = P AP. La semejanza de matrices es una relación de equivalencia, pues cumple las propiedades reflexiva, simétrica y transitiva. Dos matrices son semejantes si y sólo si representan al mismo endomorfismo lineal de V en distintas bases, donde V es un espacio vectorial arbitrario de dimensión n sobre el cuerpo IK. La matriz P es la matriz del cambio de base..2. Valores propios y vectores propios Definición.2 Sea V un espacio vectorial sobre el cuerpo IK y sea T L(V ), diremos que un escalar λ IK es un valor propio o autovalor de T si existe un vector no nulo v V tal que T v = λv. En tal caso, se dice que v es un vector propio o autovector asociado al valor propio λ. Observación. El conjunto de vectores propios asociados a un valor propio λ junto con el vector nulo forman un subespacio vectorial de V que se llama subespacio propio asociado al valor propio λ. V (λ) = ker(t λi) = {v V T (v) = λv} Un vector propio no puede estar asociado a dos valores propios distintos; en efecto, supongamos que λ y µ son dos valores propios distintos y que existe un vector propio v V asociado a ambos, es decir, tal que T (v) = λv y T (v) = µv; entonces λv = µv (λ µ)v =, pero como λ µ se tendría que v =, lo cuál es una contradicción pues, por hipótesis, es v no nulo. 3
4 .3. Matrices y valores propios Proposición. Sean V un espacio vectorial de dimensión n sobre el cuerpo IK, T L(V ) un endomorfismo lineal y A la matriz asociada a T respecto de una base B = {v,..., v n } de V dada. Recordemos que las columnas de la matriz A son las coordenadas respecto de la base B de V de las imágenes por T de los vectores de dicha base. Entonces se verifican:. T (v) = λv Av = λv 2. dimv (λ) = n rg(a λi) 3. λ IK es un valor propio de A si y sólo si A λi = ( ). Si es v = n n α j v j, entonces T (v) = T α j v j = n α j T (v j ) = ( n n ) ( ) α j a ij v i = n n a ij α j v i = Av i= i= 2. Si f : V V es un endomorfismo lineal arbitrario se tiene que dim(v ) = dim ker(f) + dim Im(f) Como (T λi) es un endomorfismo lineal es claro. Recuérdese que por definición rg(a) = dim Im(T ) 3. Si λ IK es un valor propio de A, entonces existe un vector no nulo v V tal que Av = λv (A λi)v =. Si fuera A λi = entonces el sistema homogéneo de ecuaciones lineales (A λi)x = x donde X =. y =., tendría como solución única la trivial, es decir, X = x n con lo que se tendría que v =, lo cuál es una contradicción. Proposición.2 Si A, B M n son dos matrices semejantes entonces tienen los mismos valores propios; en efecto, P M n invertible tal que B = P AP luego B λi = P AP λi = P AP λp P = P (A λi)p = A λi Como consecuencia, si A, B M n son matrices asociadas a una misma aplicación lineal en distintas bases entonces tienen los mismos valores propios..4. Polinomio característico Definición.3 Si A M n es una matriz cuadrada de orden n se llama polinomio característico de A al polinomio de grado n dado por p(λ) = A λi 4
5 Se tiene que λ IK es un valor propio de A si y sólo si p(λ) =, es decir, si λ es una raíz del polinomio característico. Si A, B M n son dos matrices semejantes entonces tienen el mismo determinante y la misma traza; en efecto, B = P AP = P A P = A tr(b) = tr(p AP ) = tr(ap P ) = tr(ai) = tr(a). Este segundo resultado es consecuencia de la propiedad tr (MN) = tr (NM).5. Multiplicidad algebraica y geométrica Definición.4 Sean V un espacio vectorial de dimensión n sobre el cuerpo IK, T L(V ) un endomorfismo lineal, A la matriz asociada a T respecto de una base B dada y λ,..., λ r los distintos valores propios de T (o de A), se llama multiplicidad algebraica del valor propio λ i a su multiplicidad como raíz del polinomio característico, es decir, al exponente M i del factor (λ λ i ) en la descomposición factorial del polinomio p(λ), el cuál es el mayor exponente k tal que el polinomio (λ λ i ) k divide al polinomio p(λ). Se llama multiplicidad geométrica del valor propio λ i y se denota por m i a la dimensión del subespacio propio V (λ i ). Ejemplo. Hallar los valores propios y sus multiplicidades algebraica y geométrica de la matriz A = 2 Solución: λ A λi = 2 λ = = λ(λ 3)( λ) = λ Luego los valores propios de A son, 3 y. La multiplicidad algebraica M(λ) de cada uno de ellos es ; hallemos la multiplicidad geométrica m(λ) de cada valor propio. V () = {v IR 3 Av = } 2 v v 2 v 3 = v = v 2, v 2 = v 3 luego V () =< (,, ) >; por tanto, m() = dim V () = = M(). V (3) = {v IR 3 (A 3I)v = } 2 v v 2 = 2v = v 2, v 2 = 2v 3 luego 2 v 3 V (3) =< (, 2, ) >; por tanto, m(3) = dim V (3) = = M(3). V () = {v IR 3 (A I)v = } v v 2 = v 2 =, v 3 = v luego v 3 V () =< (,, ) >; por tanto, m() = dim V () = = M(). 5
6 .6. Propiedades de los vectores propios Proposición.3 Sean V un espacio vectorial de dimensión n sobre el cuerpo IK, T L(V ) un endomorfismo lineal, A la matriz asociada a T respecto de una base B dada y λ,..., λ r los distintos valores propios de T (o de A); se verifica que:. La multiplicidad geométrica de λ i es menor o igual que su multiplicidad algebraica, es decir, i =,..., r, es m i M i. 2. Los vectores propios asociados a valores propios distintos son linealmente independientes. 3. V (λ i ) j i V (λ j ) = {}, i =,..., r. Supongamos que dimv (λ i ) = m i y que {v,..., v mi } es una base de V (λ i ). Podemos completarla hasta formar una base de V, digamos {v,..., v mi, v mi +,..., v n }. La matriz asociada al endomorfismo lineal T respecto a esta nueva base es ( ) λi I H = mi B C donde B es una matriz de orden m i (n m i ) y C es una matriz cuadrada de orden (n m i ). Como H y A han de tener el mismo polinomio característico resulta r p(λ) = (λ λ j ) M j = λi n A = λi n H = (λ λ i )I mi λi n mi C = (λ λ i ) m i q(λ), donde q(λ) es un polinomio de grado (n m i ). Así pues, es claro que m i M i 2. Lo demostramos por inducción sobre k. Si es k = es claro (obsérvese que por ser vector propio no es nulo). Supongamos que la propiedad es cierta para cualquier familia de vectores de cardinalidad menor que k; entonces si α,..., α k son escalares tales que se deduce que y que o equivalentemente α v + + α k v k = λ k α v + + λ k α k v k = () A (α v + + α k v k ) = A = α A v + + α k A v k = α λ v + + α k λ k v k = (2) Si restamos las igualdades (2) y () se tiene: α (λ λ k ) v + + α k (λ k λ k ) v k = Por la hipótesis de inducción, como hay (k ) vectores, necesariamente es α i (λ i λ k ) =, i =,..., k, y como los valores propios eran todos distintos, se deduce que α = = α k = y consecuentemente de α k v k = se decuce que también es α k = c.q.d. 6
7 3. Sea v V (λ i ) V (λ j ); entonces v V (λ i ) y existen escalares tales que v = α j v j donde j i j i cada v j V (λ j ). Por tanto, Av = α j Av j λ i v = α j λ j v j j i j i y como la familia {v j } j i {v} es libre resulta una contradicción; así pues, necesariamente es v =..7. Propiedades de los valores propios Sea A M n una matriz cuyos valores propios son λ,..., λ n, entonces se verifica:. Los valores propios de A y de A t son los mismos. 2. A = A t = n λ j 3. Los valores propios de la matriz αa son αλ,..., αλ n. 4. Si A = entonces los valores propios de A son λ,..., λ n 5. λ p j es un valor propio de A p para cada j =,..., n. A t λi = A t (λi) t = (A λi) t = A λi = 2. Como existe una matriz triangular H semejante a A cuya diagonal principal está formada por los valores propios, resulta A = A t = H = n λ j 3. αa λi = α n A λ α I = A λ α I = λ α = λ i, i =,..., n λ = αλ i, i =,..., n 4. A λi = A (I λa) = I λa = Aλ I = A λ I = λ = λ i, i =,..., n λ = λ i, i =,..., n 5. A p λ p i I = A p (λ i I) p = A λ i I A p + λ 2 i A p λ p i I = 7
8 2. Diagonalización 2.. Diagonalización de operadores y matrices Definición 2. Se dice que una matriz cuadrada A es diagonalizable si A es semejante a una matriz D diagonal. Si V es un espacio vectorial de dimensión n sobre el cuerpo IK se dice que T L(V ) es diagonalizable si existe una base de V respecto de la cuál la matriz asociada a T sea diagonal. Proposición 2. T L(V ) es diagonalizable si y sólo si existe una base de V formada por vectores propios. Teorema 2. Sean V un espacio vectorial de dimensión n sobre el cuerpo IK, T L(V ), λ,..., λ r los distintos valores propios de T y m,..., m r y M,..., M r sus multiplicidades geométricas y algebraicas respectivamente. Entonces T es diagonalizable si y sólo si se verifican las siguientes condiciones: a) M + + M r = n b) m j = M j, j =,..., r Observación 2. La condición a) es equivalente a que todas las raíces del polinomio característico de T, es decir, todos los valores propios de T, estén en IK. Corolario 2.2 Sea A M n con n valores propios distintos entonces A es diagonalizable. Observación 2.2 Si A M n es una matriz diagonalizable entonces la unión de las bases de los subespacios propios V (λ j ) constituye una base de V. La matriz regular P que tiene por columnas esta base de vectores propios es una matriz que cumple que la matriz D = P AP es diagonal. Ejemplo 2. Estudiar si la matriz A = es diagonalizable y en caso afirmativo hallar una matriz de paso P. Solución: 4 λ A λi 3 = 3 λ = = (λ 3) 2 (5 λ) = 4 λ Luego los valores propios de A son 3 y 5. La multiplicidad algebraica de 5 es M(5) = y la de 3 es M(3) = 2; veamos la multiplicidad geométrica m(λ) de cada valor propio. V (5) = {v IR 3 (A 5I)v = } 2 v v 2 v 3 = v 3 = v, v 2 = luego V (5) =< (,, ) >; por tanto, m(5) = dim V (5) = = M(5). 8
9 V (3) = {v IR 3 (A 3I)v = } v v 2 = v = v 3 luego v 3 V (3) =< (,, ), (,, ) >; así es, m(3) = dim V (3) = 2 = M(3). Por tanto, A es diagonalizable; basta tomar la matriz y se cumple D = P AP si y sólo si 5 3 = 2 3 P = Tipos de matrices y valores propios 3.. Matrices triangulares Proposición 3. Si A M n es una matriz cuadrada triangular de orden n entonces los valores propios de A son los elementos de la diagonal principal. Si A es una matriz triangular superior entonces A λi también lo es, luego y así, los valores propios de A, son a,..., a nn 3.2. Producto escalar Si x = x. x n, z = z. z n n A λi = (a jj λ) c.q.d. IKn, se define el producto escalar de x y z como sigue: n (x z) = x j z j = x t z Se dice que x y z son ortogonales si (x z) =. Un subconjunto F de IK n es ortonormal si para cada a F se verifica que la norma a = (a a) = y cualesquiera dos elementos distintos de F son ortogonales. Proposición 3.2 El producto escalar definido en IK n, es decir, ( ) : IK n IK n IK (x, z) (x z) = x t z es una forma sesquilineal, es decir, es una aplicación lineal en la primera variable y conjugado lineal en la segunda, que es hermítica y definida positiva; en efecto: 9
10 . (αx + βy z) = (αx + βy) t z = (αx t + βy t ) z = αx t z + βy t z = α(x z) + β(y z) (x αy + βz) = x t (αy + βz) = x t (αy + βz) = αx t y + βx t z = α(x y) + β(x z) α, β IK, x, y, z IK n, La restricción del producto escalar a IR n es bilineal (lineal en cada variable). 2. Se verifica que (x y) = (y x), x, y IK n En efecto, (x y) = x t y = y t x = y t x = (y x) 3. Si es x entonces (x x) = n x j 2 > 4. Si A es una matriz cuadrada de orden n con coeficientes en IK se verifica (Ax y) = (x Āt y) En efecto, (Ax y) = (Ax) t y = x t A t y = x t Āt y = (x Āt y), x, y IK n Así, como el conjunto IK n está dotado de un producto escalar se dice que es un espacio prehilbert Método de Gram Schmidt Proposición 3.3 Todo subespacio vectorial M de IK n tiene una base ortonormal; es más, cualquier subconjunto ortonormal de M se puede ampliar a una base ortonormal de M. Además, si {u,..., u r } es una base de M, es posible conseguir una base ortonormal {v,..., v r } de M tal que L(u,..., u k ) = L(v,..., v k ), k r donde L(u,..., u k ) denota el subespacio vectorial engendrado o generado por los vectores u,..., u k. Probamos la segunda afirmación por inducción sobre la dimensión de M. Si es r = y {u } es una base de M, basta tomar v = u u y así es {v } base ortonormal de M. Supongamos que el enunciado es cierto para subespacios de dimensión r y que M es un subespacio vectorial de IK n de dimensión r + siendo {u,..., u r+ } una base de M. Por la hipótesis de inducción, el subespacio generado por {u,..., u r } admite, al menos, una base ortonormal {v,..., v r } que verifica L(u,..., u k ) = L(v,..., v k ), k r; definimos ahora el vector r v = u r+ (u r+ v j )v j Es claro que v M y es no nulo, ya que {u,..., u r+ } una base de M. Además v es ortogonal a todos los v s, s =,..., r; en efecto, s r es r (v v s ) = (u r+ v s ) (u r+ v j )(v j v s ) = (u r+ v s ) (u r+ v s )(v s v s ) = Tomando ahora v r+ = v v resulta que {v,..., v r+ } es una base ortonormal de M que verifica el enunciado de la proposición. c.q.d.
11 3.4. Matrices simétricas. Diagonalización ortogonal Teorema 3. Sea A una matriz cuadrada de orden n simétrica y real; se verifican:. Todos los valores propios de A son reales. 2. Los vectores propios asociados a dos valores propios distintos de A son ortogonales respecto al producto escalar canónico de IR n. 3. Para cada valor propio de A su multiplicidad algebraica y geométrica coinciden. 4. A es diagonalizable.. Supongamos que λ Cl es un valor propio de A; entonces A λi = y si x IK n es un vector propio asociado se tiene que (Ax x) = (x Āt x) = (x Ax) = (Ax x) luego (Ax x) = (λx x) = λ x 2 = λ x 2 y como x, λ = λ y λ IR. 2. Sean λ y µ dos valores propios distintos de A y x, z dos vectores propios asociados respectivamente a ellos, entonces (Ax z) = (λx z) = λ(x z), (Ax z) = (x Āt z) = (x Az) = (x µz) = µ(x z) luego (λ µ)(x z) = y como λ µ se deduce que (x z) = y así x y z son ortogonales, c.q.d. 3. Para cada valor propio de A la multiplicidad algebraica coincide con la geométrica. Sean {λ,..., λ r } IR los valores propios de A con multiplicidades algebraicas M,..., M r respectivamente, las cuáles verifican r M j = n Sea W = V (λ ) V (λ r ) donde V (λ j ) es el subespacio propio asociado a λ j, j =,..., r y supongamos, por reducción al absurdo, que W IR n. Por tanto, su ortogonal no es nulo, es decir, W = {v IR n (v w) =, w W } = {} Sea T el operador a sociado a A y veamos que T (W ) W ; en efecto, si z W entonces w W, usando que Aw W, se cumple que (Az w) = (z Āt w) = (z Aw) = = Az W c.q.d. Finalmente, como la restricción de T a W es también simétrico, ha de existir algún valor propio y algún vector propio, por tanto, no nulo, asociado a él, digamos v W ; y esto es absurdo, pues se tendría que v W y así W W {}.
12 Corolario 3.2 Si A es una matriz cuadrada real y simétrica entonces es diagonalizable ortogonalmente, es decir, existe una matriz cuadrada regular P del mismo orden que es ortogonal y existe una matriz diagonal tal que D = P t AP Gracias al teorema anterior, es suficiente con tomar una base ortonormal de vectores propios que serán las columnas de P, y así P = P t. Ejemplo 3. Diagonalizar por semejanza ortogonal la matriz A = Solución: Como A es real y simétrica es diagonalizable ortogonalmente. 3 λ A λi = 3 λ = = (λ 2) 2 (5 λ) = 3 λ Luego los valores propios de A son 5 y 2. La multiplicidad algebraica de 5 es M(5) = y la de 2 es M(2) = 2; veamos la multiplicidad geométrica m(λ) de cada valor propio. V (5) = {v IR 3 (A 5I)v = } 2 v 2 v 2 = v 3 = v = v 2 luego 2 v 3 V (5) =< (,, ) >; por tanto, m(5) = dim V (5) = = M(5). V (2) = {v IR 3 (A 2I)v = } v v 2 = v 3 v 3 = v v 2 luego V (2) =< (,, ), (,, ) >; así es, m(2) = dim V (2) = 2 = M(2). Para calcular la matriz ortogonal P hay que buscar una base ortonormal de vectores propios; normalizamos el vector de V (5), es decir, (,, ) y a partir de la base de V (2) hallamos otra base que sea ortogonal y que normalizaremos; basta coger el primero de ellos (,, ) y otro que sea combinación lineal de ambos pero que cumpla la condición de ortogonalidad. ((,, ) + α(,, )) (,, ) = α = 2 luego tomamos (,, ) y (, 2, ). Así pues es P =
13 y se cumple que P P t = I P = P t y que D = P t AP, es decir, = Matrices estocásticas Definición 3. Sea A M n una matriz cuadrada de orden n positiva, es decir, a ij >, i, j n; se dice que A es estocástica si la suma de los elementos de cada fila es, es decir, si n a ij =, i n Se dice que A es doblemente estocástica si es estocástica y además la suma de los elementos de cada columna es también, es decir, si n a ij =, j n i= Proposición 3.4 A es estocástica si y sólo si es un valor propio de A con vector propio asociado v = (,,..., ). A es doblemente estocástica si y sólo si es un valor propio de A con vector propio asociado v = (,,..., ) y lo mismo cumple su traspuesta A t. Si A es estocástica entonces n a ij =, i n = Av = v, donde v =. c.q.d. Si A es doblemente estocástica entonces también es n a ij =, j n = A t v = v, c.q.d Matrices idempotentes Definición 3.2 Sea A M n una matriz cuadrada de orden n, se dice que A es idempotente si A 2 = A. Proposición 3.5 Sea A M n una matriz idempotente; entonces. Los únicos valores propios de A son y. 2. Si las multiplicidades algebraicas de y de son respectivamente M() y M() entonces m() = M() y m() = M() donde m() = dimv () y m() = dimv (). 3. tr(a) = rg(a) = 3
14 . Si λ es un valor propio de A y x es un vector propio asociado a λ entonces λx = Ax = A 2 x = λ 2 x (λ λ 2 )x = y como es x resulta que λ( λ) = de donde λ = ó λ = c.q.d. 2. Por el apartado anterior, la descomposición factorial del polinomio característico de A es p(λ) = A λi = λ M() (λ ) M() y así, es M() + M() = n. Si denotamos por T al operador asociado a la matriz A respecto a la base canónica, veamos que se cumple IK n = V () V () Es claro que V () = ker(t ); además V () = ker(t I) = Im(T ); en efecto, si v V () entonces T (v) = v luego v Im(T ) y recíprocamente, si v Im(T ) entonces existe x IK n tal que v = T (x), luego T (v) = T 2 (x) = T (x) = v y así, v V (). Por tanto, es suficiente probar que IK n ker(t ) + Im(T ) y que ker(t ) Im(T ) = {}. Sea x IK n, entonces se cumple que x = (x T (x)) + T (x) kert + Im(T ) ya que T (x T (x)) = T (x) T 2 (x) = T (x) T (x) =. Por otra parte, si x kert Im(T ) = V () V () entonces T (x) = y T (x) = x luego x = c.q.d. En definitiva, n m() = m() M() = n M() = M() m() luego m() = M(); finalmente M() = n M() = n m() = m(), c.q.d. 3. Por el teorema de la dimensión se sabe que M() + M() = n = dim ker(t ) + rg(a) = M() + rg(a) luego rg(a) = M(). Por otra parte, como las matrices semejantes tienen la misma traza (también tienen el mismo determinante y el mismo polinomio característico) resulta que si es D = P AP con D la matriz diagonal... D =... tr (A) = tr (D) = + M() + = M() = rg (A), c.q.d. 4. Teorema de Perron Fröbenius Teorema 4. (Perron Fröbenius) Sea A M n una matriz cuadrada real de orden n no nula y tal que a ij >, i, j n entonces A tiene un valor propio real positivo que es mayor que el módulo de todos los demás valores propios de A y tal que tiene un vector propio asociado con todas sus componentes positivas. Notación: Si x IR n es tal que x j, j =,..., n, escribiremos x y si x IR n es tal que x j >, j =,..., n, escribiremos x > 4
15 Observación 4. En las hipótesis del teorema anterior si es x entonces Ax > Consideramos el conjunto C A = {t IR x, tal que Ax tx} Veamos que C A contiene algún número real positivo. Sea x = (,..., ), entonces el vector y = Ax verifica que y > ; por tanto, si tomamos ε = mín y j > se tiene que Ax = y εx luego ε C A. j n Como las aplicaciones x Ax y x tx son lineales en IR n podemos suponer en la definición de C A que n x j = Probamos ahora que C A es cerrado; sea {t m } una sucesión en C A que converge a t, es decir, {t m } t Para cada m IN existe x m con n (x m ) j = tal que Ax m t m x m luego al ser la sucesión {x m } IR n acotada admite una subsucesión convergente, digamos {x mk } x con x IR n. Como es x mk, m IN y n (x mk ) j = resulta que x y n x j =. Puesto que también es Ax mk t m x mk, k IN, al tomar límites se tiene y así, t C A, c.q.d. Ax tx Veamos ahora que C A está mayorado; en efecto, sea t C A y sea x con vector ( asociado ) a t. Sumando las coordenadas tenemos n t = t x j = n (tx) j n (Ax) j = n ( n ) a jr x r = r= ( ) n n x r a jr n n a ij = M. r= r= n x j = el Como C A es cerrado y mayorado tiene máximo que denotaremos por λ. Veamos que éste es el valor propio que buscamos. Como λ C A se cumple que existe x tal que Ax λ x. Veamos que necesariamente es Ax = λ x, es decir, que es un valor propio de A. Si fuera Ax λ x entonces < (A(Ax λ x)) j para cada j =,..., n y si llamamos y = Ax esto equivale a que para cada j resulta (Ay) j > λ y j y así existe ε > tal que Ay > (λ + ε)y luego (λ + ε) C A y esto contradice la maximalidad de λ ; en definitiva, Ax = λ x. Además, por la observación tenemos que Ax >, luego dicho vector propio x tiene todas sus componentes estrictamente positivas. Falta comprobar que λ es mayor que el módulo del resto de valores propios. Sea λ otro valor propio de A e y un vector propio asociado suyo. Si denotamos por y = ( y,..., y n ) se verifica que A( y ) Ay = λy = λ y luego λ C A y, por tanto, λ λ. De hecho, probaremos que si λ λ entonces es λ < λ ; en efecto, por ser A estrictamente 5
16 positiva, existe δ > suficientemente pequeño tal que A δ = A δi es también estrictamente positiva. Es claro que λ δ y λ δ son valores propios de A δ y que λ δ = máx C Aδ. Así pues, se tiene que λ δ λ δ. Por otra parte, si fuera λ λ pero λ = λ se tendría λ δ λ δ = λ δ = λ δ de donde λ δ = λ δ = λ δ, pero esto nos lleva a una contradicción; en efecto,. Si es λ IR entonces ha de ser λ = λ con lo que λ δ = λ δ λ + δ = λ δ δ = 2. Si es λ = a + bi Cl ha de ser a 2 + b 2 = λ 2 y, por tanto, λ δ 2 = (λ δ) 2 (a δ) 2 + b 2 = λ 2 + δ 2 2λ δ a 2 + δ 2 2aδ + b 2 = λ 2 + δ 2 2λ δ de donde, tras cancelar términos y simplificar, se deduce que a = λ y, por tanto, b = con lo que λ IR. En definitiva, si λ λ entonces λ < λ. c.q.d. Por tanto, al Rey de los siglos, inmortal, invisible, al único y sabio Dios, sea honor y gloria por los siglos de los siglos. Amén. Timoteo :7 Referencias [] Antonio Vera López, Introducción al Álgebra. Tomo I. Bilbao, 986. [2] 6
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 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 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 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 detallesMMAF: Espacios normados y espacios de Banach
MMAF: Espacios normados y espacios de Banach Licenciatura en Estadística R. Álvarez-Nodarse Universidad de Sevilla Curso 2011/2012 Espacios vectoriales Definición Sea V un conjunto de elementos sobre el
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 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 detalles1. ESPACIOS DE HILBERT Y OPERADORES
1. ESPACIOS DE HILBERT Y OPERADORES 1. DEFINICIÓN, PROPIEDADES Y EJEMPLOS Definición. Sea H un espacio vectorial sobre el cuerpo C de los números complejos, un producto escalar sobre H es una aplicación
Más detalles2. Ortogonalidad. En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U.
2 Ortogonalidad En todo el capítulo trabajaremos sobre un espacio vectorial euclídeo U 1 Vectores ortogonales Definición 11 Dos vectores x, ȳ U se dicen ortogonales si: x ȳ = 0 Veamos algunas propiedades
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 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 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 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 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 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 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 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 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 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 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 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 detallesPAIEP. Complemento Ortogonal
Programa de Acceso Inclusivo, Equidad y Permanencia PAIEP Universidad de Santiago de Chile Complemento Ortogonal Veamos ahora una aplicación de los vectores ortogonales a la caracterización de subespacios
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 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
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 detallesDescomposición en valores singulares de una matriz
Descomposición en valores singulares de una matriz Estas notas están dedicadas a demostrar una extensión del teorema espectral conocida como descomposición en valores singulares (SVD en inglés) de gran
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 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 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 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 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 II. Capítulo 5. Aplicaciones bilineales y formas cuadráticas.
Tema II Capítulo 5 Aplicaciones bilineales y formas cuadráticas Álgebra Departamento de Métodos Matemáticos y de Representación UDC 5 Aplicaciones bilineales y formas cuadráticas o simplemente f( x, ȳ)
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 detallesDescomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)
Valores Singulares Descomposición en valores singulares Notas para los cursos y (JL Mancilla Aguilar) Tanto los valores singulares como la descomposición en valores singulares de una matriz son conceptos
Más detallesGrado en Física. Ejercicios de autoevaluación. Temas 1 4. Departamento de Álgebra, Universidad de Sevilla
Álgebra Lineal y Geometría Grado en Física Ejercicios de autoevaluación. Temas 1 4 Departamento de Álgebra, Universidad de Sevilla El contenido de estas notas ha sido diseñado y redactado por el profesorado
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 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 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 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 detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALÍTICO DE LA ASIGNATURA: ALGEBRA LINEAL Código L2.07.1 PLAN DE ESTUDIOS: 2002 CARRERA: Licenciatura en Matemática DEPARTAMENTO:
Más detallesEjemplo 1 Sea V un espacio con producto interno sobre un cuerpo K. A las transformaciones lineales T : V K las llamamos funcionales lineales.
Facultad de Ingeniería - IMERL - Geometría y Álgebra Lineal 2 - Curso 2008. 1 Transformaciones lineales en espacios con producto interno Notas para el curso de Geometría y Algebra Lineal 2 de la Facultad
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 detallesMatrices. José Vicente Romero Bauset. ETSIT-curso 2009/2010. José Vicente Romero Bauset Tema 1.- Matrices. 1
Matrices José Vicente Romero Bauset ETSIT-curso 2009/2010 José Vicente Romero Bauset Tema 1- Matrices 1 Introducción Por qué estudiar las matrices? Son muchas las situaciones de la vida real en las que
Más detallesApuntes de álgebra lineal. Eduardo Liz Marzán. Enero de 2015.
Apuntes de álgebra lineal Eduardo Liz Marzán Enero de 2015 Índice general 1 Introducción 7 11 Operaciones internas y estructura de cuerpo 7 12 Números complejos 8 13 Vectores 10 2 Matrices y determinantes
Más detallesPolaridad. Tangentes. Estudio geométrico de cónicas y cuádricas
Tema 6- Polaridad Tangentes Estudio geométrico de cónicas y cuádricas En este tema pretendemos estudiar propiedades de V(Q), especialmente en los casos real y complejo, con n =2,3 Para ello, necesitamos
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 detallesMatrices positivas y aplicaciones. María Isabel García Planas Profesora Titular de Universidad
Matrices positivas y aplicaciones María Isabel García Planas Profesora Titular de Universidad Primera edición: Septiembre 2008 Editora: la autora c M ā Isabel García Planas ISBN: 978-84-612-6101-7 Depósito
Más detallesProblemas de VC para EDVC elaborados por C. Mora, Tema 4
Problemas de VC para EDVC elaborados por C. Mora, Tema 4 Ejercicio Determinar las funciones enteras f para las que Solución f( + w) = f()f(w), w C. En primer lugar, f(0) = f(0 + 0) = f(0)f(0) = f(0) 2,
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 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 4: Matrices y Determinantes. Algunas Notas sobre Matrices y Determinantes. Álgebra Lineal. Curso
Tema 4: Matrices y Determinantes Algunas Notas sobre Matrices y Determinantes Álgebra Lineal Curso 2004-2005 Prof. Manu Vega Índice 1. Determinantes 3 2. Regla de Sarrus 3 3. Propiedades de los determinantes
Más detallesALN. Repaso matrices. In. Co. Facultad de Ingeniería Universidad de la República
ALN Repaso matrices In. Co. Facultad de Ingeniería Universidad de la República Definiciones básicas - Vectores Definiciones básicas - Vectores Construcciones Producto interno: ( x, y n i x y i i ' α Producto
Más 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 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 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 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 detallesCONCEPTOS BÁSICOS DE ESPACIOS VECTORIALES Alumno. Cristina Mª Méndez Suero
Fundamento Científico del Currículum de Matemáticas en Enseñanza Secundaria CONCEPTOS BÁSICOS DE ESPACIOS VECTORIALES Alumno. Cristina Mª Méndez Suero ESPACIOS VECTORIALES DEFINICIÓN... 1 PROPIEDADES DE
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 detallesTEMA 6 FORMAS BILINEALES Y PRODUCTO ESCALAR
TEMA 6 FORMAS BILINEALES Y PRODUCTO ESCALAR Índice 6.1. Formas bilineales....................... 154 6.1.1. Representación matricial de una forma bilineal. 155 6.1.. Formas multilineales reales............
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 detallesEJERCICIOS DE SELECTIVIDAD DE ÁLGEBRA
EJERCICIOS DE SELECTIVIDAD DE ÁLGEBRA 2003 (4) Ejercicio 1. Considera los vectores u = (1,1,1), v = (2,2,a) y w = (2,0,0), (a) [1'25 puntos] Halla los valores de a para que los vectores u, v y w sean linealmente
Más detallesAnillo de polinomios con coeficientes en un cuerpo
Capítulo 2 Anillo de polinomios con coeficientes en un cuerpo En el conjunto Z se ha visto cómo la relación ser congruente módulo m para un entero m > 1, es compatible con las operaciones suma y producto.
Más detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
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 detallesTransformaciones lineales y matrices
CAPíTULO 5 Transformaciones lineales y matrices 1 Matriz asociada a una transformación lineal Supongamos que V y W son espacios vectoriales de dimensión finita y que T : V W es una transformación lineal
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 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 detalles2.1. Estructura algebraica de espacio vectorial
Tema 2 Espacios vectoriales de dimensión finita 21 Estructura algebraica de espacio vectorial Los vectores libres en el plano son el sustento geométrico del concepto de espacio vectorial Se trata de segmentos
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 detallesTemario de Matemáticas
Temario de Matemáticas BLOQUE I: ÁLGEBRA LINEAL Y GEOMETRÍA 1 o Grado en Biología Alma Luisa Albujer Brotons Índice general 1. Matrices 1 1.1. Conceptos básicos y ejemplos...............................
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 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 detallesEspacios Vectoriales. Tema Introducción. 1.2 Repaso de Estructuras Algebraicas
Tema 1 Espacios Vectoriales 1.1 Introducción Estas notas se han escrito con el ánimo de facilitar al estudiante una guía para el estudio de la asignatura, y no como un libro de texto o manual de Álgebra
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 detallesEspacios vectoriales. Capítulo Espacios vectoriales y subespacios Preliminares
Capítulo 1 Espacios vectoriales En diversos conjuntos conocidos, por ejemplo los de vectores en el plano o en el espacio (R 2 y R 3 ), o también el de los polinomios (R[X]), sabemos sumar sus elementos
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 detallesÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; (A ) = A. 2. La inversa de A 1 es A; (A 1 ) 1 = A. 3. (AB) = B A.
ÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; A = A. 2. La inversa de A 1 es A; A 1 1 = A. 3. AB = B A. 4. Las matrices A A y AA son simétricas. 5. AB 1 = B 1 A 1, si A y B son no singulares. 6. Los escalares
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 detallesUn subconjunto no vacío H de un espacio vectorial V es un subespacio de V si se cumplen las dos reglas de cerradura:
4 Subespacios 29 b) x 5 [25;5], 5 [;24], z 5 [4;4] Use a 5 2, a 5 / a 5 2 / 2 c) Su propia elección de x,, z /o a 2 a) Elija algunos valores para n m genere tres matrices aleatorias de n m, llamadas X,
Más detallesEs trivial generalizar la definición al caso de varios conjuntos: A B C, etc.
Tema 1 Espacios Vectoriales 1.1 Introducción Estas notas están elaboradas pensando simplemente en facilitar al estudiante una guía para el estudio de la asignatura, y en consecuencia se caracterizan por
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 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 detallesTrabajo Práctico N 5: ESPACIOS VECTORIALES
Trabajo Práctico N 5: ESPACIOS VECTORIALES Ejercicio 1: Determine si los siguientes conjuntos con las operaciones definidas en cada caso son o no espacios vectoriales. Para aquellos que no lo sean, indique
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 detallesDiagonalización de Endomorfismos
Capítulo VII Diagonalización de Endomorfismos Fijemos, para todo este capítulo, un espacio vectorial E sobre un cuerpo k y un endomorfismo T : E E. Vamos a estudiar cuándo existe una base de E respecto
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 detallescomo el número real que resulta del producto matricial y se nota por:
Espacio euclídeo 2 2. ESPACIO EUCLÍDEO 2.. PRODUCTO ESCALAR En el espacio vectorial se define el producto escalar de dos vectores y como el número real que resulta del producto matricial y se nota por:,
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 detallesESPACIOS VECTORIALES
MATEMÁTICA I - - Capítulo 8 ------------------------------------------------------------------------------------ ESPACIOS VECTORIALES.. Espacios Vectoriales y Subespacios... Definición. Un espacio vectorial
Más detallesMATRICES. M(n) ó M nxn A =
MTRICES Definición de matriz. Una matriz de orden m n es un conjunto de m n elementos pertenecientes a un conjunto, que para nosotros tendrá estructura de cuerpo conmutativo y lo denotaremos por K, dispuestos
Más detallesTema I 1. EL CUERPO DE LOS REALES, EL CUERPO DE LOS COMPLEJOS
1 Tema I 1. EL CUERPO DE LOS REALES, EL CUERPO DE LOS COMPLEJOS 1.1 Los Números Naturales. Los números naturales aparecen por la necesidad que tiene el hombre (primitivo) tanto de contar como de ordenar
Más detallesIntroducción al Álgebra Lineal. Juan Rada Departamento de Matemáticas Facultad de Ciencias Universidad de Los Andes
Introducción al Álgebra Lineal Juan Rada Departamento de Matemáticas Facultad de Ciencias Universidad de Los Andes Primera versión: 19 de febrero del 2005 Segunda versión: 17 de junio del 2005 ii Índice
Más detallesFunciones de Clase C 1
Capítulo 7 Funciones de Clase C 1 Vamos a considerar ahora la extensión a varias variables del concepto de función de clase C 1. Cada vez que establezcamos una propiedad de las funciones diferenciables,
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 detallesEspacios topológicos. 3.1 Espacio topológico
Capítulo 3 Espacios topológicos 3.1 Espacio topológico Definición 3.1.1. Un espacio topológico es un par (X, τ), donde X es un conjunto, y τ es una familia de subconjuntos de X que verifica las siguientes
Más detallesMATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesMay 4, 2012 CAPÍTULO 5: OPTIMIZACIÓN
May 4, 2012 1. Optimización Sin Restricciones En toda esta sección D denota un subconjunto abierto de R n. 1.1. Condiciones Necesarias de Primer Orden. Proposición 1.1. Sea f : D R diferenciable. Si p
Más detallesEjercicios del Tema 2: Estructuras algebraicas básicas
Ejercicios del Tema 2: Estructuras algebraicas básicas En los ejercicios 1, 2, 8 y 9 se utilizará que si G = {g 1,...,g n } es un conjunto finito y * una operación interna definida en G, podemos utilizar
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 detallesMétodos directos para resolver sistemas de ecuaciones lineales
Métodos directos para resolver sistemas de ecuaciones lineales Problemas para examen Si en algún problema se pide calcular el número de flops (operaciones aritméticas con punto flotante), entonces en el
Más detalles