Relaciones de Mayorización para Productos de Hadamard.

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

Download "Relaciones de Mayorización para Productos de Hadamard."

Transcripción

1 Relaciones de Mayorización para Productos de Hadamard. (T.Ando, Linear Algebra Appl. 223/224:57-64 (1995 Jorge Abel Antezana /5 Francisco D. Martínez Pería /5 Febrero de

2 Índice 1. Introducción Preliminares El logaritmo de una matriz positiva Operadores Positivos Pruebas de los teoremas Teorema Teorema Teorema

3 1. Introducción. Sea A una matriz autoadjunta de n n, ordenaremos sus autovalores en forma decreciente µ 1 (A... µ n (A. Dadas matrices autoadjuntas A y B escribiremos A B en lugar de µ(a µ(b para notar la mayorización entre los autovalores de A y los de B. Cuando A y B son definidas positivas escribiremos A B en lugar de log A log B. (log Por medio de A B indicaremos el producto de Hadamard de las matrices A y B. Es obvio que A B B A y que A I es la diagonal de la matriz A. El principal objetivo de este trabajo es probar la conjetura de Johnson-Bapat: Teorema 1. Sean A y B matrices positivas de n n. Entonces µ i (A B µ i (AB (k 1, 2,..., n. Este teorema mejora el resultado de Bapat-Sunder: µ i (A B µ i (Aµ i (B (k 1, 2,..., n pues, de acuerdo al Teorema de Horn, µ i (AB µ i (Aµ i (B (k 1, 2,..., n. También verificaremos la siguiente variante del Teorema 1. Teorema 2. Sean A y B matrices positivas de n n. Entonces µ i (A B µ i (AB t (k 1, 2,..., n. De los Teoremas 1 y 2 se deducen los clásicos teoremas de Fiedler que aseguran que, para A, B > 0 A B µ n (ABI y A B µ n (AB t I Definición 1.1. Cuando 0 1, la -media de A, B > 0 se define y se nota por medio de A# B A 1/2 (A 1/2 BA 1/2 A 1/2. En particular, la media geométrica A#B es la 1 2-media, o sea, Puede probarse que (A#B 2 A#B A 1/2 (A 1/2 BA 1/2 1/2 A 1/2. (log µ i (A#B 2 A1/2 BA 1/2, es decir, µ i (AB (k 1, 2,..., n. En consecuencia, el siguiente resultado mejora el Teorema 1. Teorema 3. Sean A, B > 0. Entonces µ i (A B µ i (A#B 2 (k 1, 2,..., n. 3

4 2. Preliminares El logaritmo de una matriz positiva. Definición 2.1. Sea A M n, el logaritmo de A es una matriz L M n que satisface la siguiente identidad: e L A. Proposición 2.1. Si A > 0 entonces existe una única matriz L H(n tal que e L A (2.1 Demostración. Sea σ(a {λ 1,..., λ k } R + los autovalores distintos de A, H i ker(a λ i I i 1,..., k y P i la proyección ortogonal de R n en H i, luego Definimos L del siguiente modo A L λ i P i. log λ i P i. Como log λ i R i 1,..., k, L resulta autoadjunta. Dado que los subespacios H i son mutuamente ortogonales P i P j 0 si i j; razón por la cual, para todo polinomio p C[X] Luego, e L lím m m n0 L n n! lím p(l m p(log λ i P i. ( m (log λ i n P i n! n0 e log λi P i A. Supongamos ahora que L H(n también cumple (2.1. Como A es una serie de potencias en L, A y L conmutan, en consecuencia, son simultaneamente diagonalizables y por lo tanto existe una matriz unitaria U tal que A U diag(λ i1,..., λ in U L U diag(d1,..., d n U A e el lím m L h m h0 h! U diag(e d1,..., e dn U U lím m diag Por lo tanto, L U diag(log λ i1,..., log λ in U y L ( m h0 log λ i P i L. Definición 2.2. Sean A > 0 y R, entonces A e log A. d h m 1 h!,..., h0 d h n h! U 4

5 Observación: Si A k λ ip i con P i proyecciones ortogonales tales que P i P j 0 si i j y λ 1,..., λ n números reales positivos, entonces A k λ i P i. Proposición 2.2. Si A > 0 entonces d d A A h I : lím log A 0 h 0 h Demostración. Supongamos que A k λ ip i. Como A h I h λ h i 1 P i h λ h i y claramente lím 1 P i log λ i P i para todo i, se tiene h 0 h log A log λ i P i lím h 0 λ h i 1 P i lím h A h I. h 0 h Proposición 2.3. Sean A, B > 0, luego log(a B (log A I + I (log B. Demostración. Supongamos que A k µ ip i y que B h λ jq j, luego A B µ i λ j P i Q j Notemos que (P i Q j (i,j es una familia de proyecciones ortogonales tales que (P i1 Q j1 (P i2 Q j2 0 si (i 1, j 1 (i 2, j 2. 5

6 Luego, si u v R n R n log(a B(u v log(µ i λ j [P i Q j (u v] log(µ i log(µ i [ P i Q j (u v + log(λ j P i (u Q j (v + [ log(λ j log(µ i P i (u Q j (v + ] P i Q j (u v ] P i (u Q j (v log(µ i [P i (u v] + log(λ j [u Q j (v] ( log(µ i P i (u v + u log(λ j Q j (v [(log A I] (u v + [I (log B] (u v [( ] log(λ j P i (u Q j (v [(log A I + I (log B] (u v. La igualdad en el resto de los elementos de R n R n se obtiene por linealidad. Proposición 2.4. Sea A > 0. Entonces log(a t (log A t. Demostración. e (log At (e log A t A t Operadores Positivos. Definición 2.3. Un operador (lineal Φ : M m M n es positivo si Φ(X 0 para toda X 0 y es unital si Φ(I m I n. Lema 2.5. Sean A 1,..., A k matrices positivas de n n tales que A A k I. Si x 1,..., x k C n, entonces: 2 A j x j A j x j, x j (2.2 y si a 1,..., a n son números reales cualesquiera entonces a j A j 2 a 2 ja j (2.3 6

7 Demostración. En k Cn definimos el siguiente producto interno: (u 1,..., u k, (v 1,..., v k : A j u j, v j Sea z : k A jx j. Por la desigualdad de Cauchy Schwarz que puede reescribirse como A j z, x j Ahora bien y (z,..., z, (x 1,..., x j 2 (z,..., z 2 (x 1,..., x k 2 A j z, x j luego de (2.4 se deduce A j z, z A j x j, x j (2.4 2 z, A j x j z, A j x j z, z z 2 A j z, z A j z, z z, z z 2 z 2 A j x j, x j En cuanto a (2.3, fijando u C n y reemplazando en (2.2 x j por a j u se tiene: A j (a j u, A j (a j u A j (a j u, a j u que puede reescribirse del siguiente modo a j A j u, a j A j u a 2 ja j u, u Como los a j (j 1,..., k son reales, el operador k a ja j es autoadjunto, por lo tanto de la expresión anterior se deduce que 2 a j A j u, u a 2 ja j u, u o equivalentemente 2 a 2 ja j a j A j u, u 0 quedando verificada la segunda desigualdad del lema, dado que el u C n era arbitrario. Teorema 2.6. Si Φ : M m M n es un operador positivo y unital, entonces Φ(X 2 Φ(X 2 (X > 0. 7

8 Demostración. Fijemos una matriz positiva X. Supongamos que X k a jp j con a 1,..., a k los autovalores de X y P 1,..., P k proyecciones ortogonales a los espacios de autovectores correspondientes. Sea A j Φ(P j para j 1,..., k. Por ser Φ un operador positivo y unital, las matrices A 1,..., A k cumplen las hipótesis del lema anterior, en consecuencia 2 a j A j a 2 ja j (2.5 Finalmente, basta notar que: a j A j a 2 ja j a j Φ(P j Φ a j P j Φ(X a 2 jφ(p j Φ a 2 jp j Φ(X 2 Corolario. Si X > 0 y Φ : M m M n es un operador positivo y unital entonces, k, k N Φ(X 1/2k Φ(X 1/2k. Demostración. Lo haremos por inducción sobre k. Para k 0 es trivial. Si k > 0, y suponemos que vale para k 1, aplicando el Teorema 2.6 a X 1/2k se tiene que Φ(X 1/2k 1 Φ(X 1/2k 2 Por hipótesis inductiva, Φ(X 1/2k 1 Φ(X 1/2k 1, luego Φ(X 1/2k 1 Φ(X 1/2k 2 y por lo tanto, 1 Φ(X 1/2k Φ(X 1/2k. Proposición 2.7. Si Φ : M m M n es un operador positivo y unital, entonces Demostración. log(φ(x Φ(log X (X > 0. log(φ(x lím k 2k (Φ(X 1/2k I n lím k 2k (Φ(X 1/2k I n Φ( lím k 2k (X 1/2k I m Φ(log X. Definición 2.4. Identificando M n 2 con M n M n, definimos Φ n : M n 2 M n del siguiente modo: Φ n (A B A B (A, B M n. Proposición 2.8. Φ n es un operador positivo y unital. 1 Recordemos que la función f(x x es monótona de operadores. 8

9 Demostración. Definición 2.5. Sea A (a ij M n. Dados, β {1, 2,..., n}, notaremos A(, β a la (submatriz de A cuyas entradas son los a ij con (i, j β. Si β, la submatriz A(, se denomina submatriz principal de A y se abrevia A(. El determinante de una submatriz cuadrada de A se llama menor de A. Si la submatriz es una submatriz principal, entonces el menor es un menor principal. Recordemos que la matriz A B es el producto de Kronecker de las matrices A y B, es decir, a 11 B a 12 B... a 1n B a 21 B a 22 B... a 2n B A B M n 2 a n1 B a n2 B... a nn B Luego, si {1, n + 2,..., (n + 1k n,..., n 2 }, es claro que A B ((A B i,j (i,j A B (, es decir, A B es una submatriz principal de A B. Por lo tanto la aplicación A B A B es lineal, resulta positiva por el teorema de entrelace y claramente es unital pues I n 2 I n I n I n I n I n. 3. Pruebas de los teoremas Teorema 1. Dadas matrices positivas A y B, se cumple que log A + log B log(a 1/2 BA 1/2 (3.1 Dicha mayorización será clave en la verificación del Teorema 1 y se basa en un resultado de Araki que demostraremos a continuación de los siguientes lemas: Lema 3.1. Si A es una matriz positiva de n n y k es un entero tal que 1 k n entonces, para todo r R ( k A r k (A r Demostración. Como ( k A 2 k (A 2, la veracidad del enunciado cuando r N se deduce a través de una simple inducción. Recordando que ( k A 1 k (A 1, es claro que también vale si r Z. Para extender el resultado a los r Q, basta notar que si m N {0} entonces: ( k A 1/m m k [(A 1/m m ] k A Finalmente, el caso general se obtiene por continuidad. Lema 3.2. Sean A, B > 0. Entonces, para todo r (0, 1 1 (A r B r µ 1 (AB. 9

10 Demostración. Sea 2 µ 1 (AB. Dado que 0 entonces 2 por lo tanto o equivalentemente µ 1 ( A ( (A 1/2 B B µ 1 ( 1/2 A B B ( 1/2 A I ( 1 A ( 1/2 A 1 Como r (0, 1, la función f(x x r es monótona de operadores, luego o bien en consecuencia µ 1 (( A ( A ( B r r/2 ( B r ( r ( (A B µ 1 ( A r r ( r/2 A I r/2 ( B r ( r/2 A 1 concluyendo que µ 1 (A r B r 2r [µ 1 (AB] r, es decir, 1 (A r B r µ 1 (AB. Teorema 3.3 (Araki. Si A y B son matrices positivas de n n entonces, para todo r (0, 1 (A r/2 B r A r/2 1/r (log A1/2 BA 1/2 Demostración. Fijemos un r (0, 1. Como σ(a r/2 B r A r/2 σ(a r B r y σ(a 1/2 BA 1/2 σ(ab, basta ver que y k j (A r B r j (A r B r k µ j (AB (j 1,..., n 1 µ j (AB Aplicando el lema 3.2 a las matrices k A y k B 3 y usando el lema 3.1 se obtiene 1 (( k A r ( k B r 1 (( k A r ( k B r µ 1 (( k A( k B 2 µ 1 (AB µ 1 (A 1/2 BA 1/2 > 0 pues A 1/2 BA 1/2 > 0. 3 Las cuales son positivas por serlo A y B. 10

11 y como ( k A( k B k (AB entonces k j (A r B r 1 ( k (A r B r µ 1 ( k (AB La igualdad en el caso k n es consecuencia de lo siguiente: k µ j (AB j (A r B r det(a r B r 1/r [det(a r det(b r ] 1/r (det(a r det(b r 1/r det(a det(b det(ab µ j (AB Demostración de la ecuación (3.1. Por la fórmula de Lie Trotter e log A+log B lím r 0 (A r/2 BA r/2 1/r El Teorema de Araki nos asegura que (A r/2 BA r/2 1/r luego y por lo tanto log A+log B e (log (A1/2 BA 1/2 log A + log B log(a 1/2 BA 1/2 (log (A1/2 BA 1/2 para todo r (0, 1, Demostración del Teorema 1. Por la Prop. 2.8 tenemos que Φ n es un operador positivo y unital. Como A, B > 0, de las Prop. 2.3 y 2.7 obtenemos: lo que implica que ( n log µ i (A B log(a B (log A I n + I n (log B {log A + log B} I n, n µ i (log(a B n µ i ({log A + log B} I n (k 1, 2,..., n. De acuerdo al Teorema de Schur sobre la mayorización de las entradas de la diagonal de una matriz autoadjunta por sus autovalores, y entonces n µ i ({log A + log B} I n {log A + log B} I n log A + log B, n µ i (log A + log B (k 1, 2,..., n. 11

12 Por otro lado, ya vimos que log A + log B log(a 1/2 BA 1/2, luego, ( n n n µ i (log A + log B µ i (log(a 1/2 BA 1/2 log µ i (AB Combinando estos resultados obtenemos que µ i (A B µ i (AB (k 1, 2,..., n. (k 1, 2,..., n Teorema 2. Demostración del Teorema 2. Como log B t (log B t, tenemos que (log B t I (log B t I (log B I. Por lo tanto, en la demostración anterior podemos reemplazar {log A + log B} I por {log A + log B t } I y queda demostrado el teorema Teorema 3. Antes de la demostración del Teorema 3 necesitamos probar algunos lemas: Lema 3.4. Sean A, B > 0. Entonces A 1/2 (A#BB 1/2 es una matriz unitaria. Demostración. A 1/2 (A#BB 1/2 A 1/2 (A 1/2 (A 1/2 BA 1/2 1/2 A 1/2 B 1/2 (A 1/2 BA 1/2 1/2 A 1/2 B 1/2 Luego, usando que A y B son positivas, vemos que (A 1/2 (A#BB 1/2 (A 1/2 (A#BB 1/2 ((A 1/2 BA 1/2 1/2 A 1/2 B 1/2 ((A 1/2 BA 1/2 1/2 A 1/2 B 1/2 ((A 1/2 BA 1/2 1/2 A 1/2 B 1/2 (B 1/2 A 1/2 (A 1/2 BA 1/2 1/2 (A 1/2 BA 1/2 1/2 (A 1/2 B 1 A 1/2 (A 1/2 BA 1/2 1/2 (A 1/2 BA 1/2 1/2 (A ( 1/2 1 B 1 A ( 1/2 1 (A 1/2 BA 1/2 1/2 (A 1/2 BA 1/2 1/2 (A 1/2 BA 1/2 1 (A 1/2 BA 1/2 1/2 I. Por lo tanto, A 1/2 (A#BB 1/2 es unitaria. 12

13 Lema Sea A M n. Si A sp 1 entonces ( I A A I 0. Lema 3.6. Sean A, B M n. Si ( A B 0 B A entonces A B. Demostración. Sea u C n, entonces: 2 (A Bu, u 2u (A Bu 2u (Au Bu u Au u Bu u Bu + u Au ( (u, u Au Bu Bu Au ( ( u Au Bu u Bu Au ( ( ( u A B u 0 u B A u Demostración del Teorema 3 Como A 1/2 (A#BB 1/2 es unitaria, A 1/2 (A#BB 1/2 sp 1, entonces por el lema 3.5 ( I A 1/2 (A#BB 1/2 B 1/2 (A#BA 1/2 0 I y por lo tanto: ( A A#B A#B B ( A B 1 2 ( I A 1 2 (A#BB 1 2 B 1 2 (A#BA 1 2 ( B A#B A#B A y en consecuencia por el teorema de Schur ( A B (A#B (A#B 0 (A#B (A#B 0 A B Ahora, usando el lema 3.6 se deduce que A B (A#B (A#B y por ende µ i (A B µ i [(A#B (A#B] (k 1, 2,..., n. Finalmente, aplicando el Teorema 1 al miembro de la derecha se obtiene µ i [(A#B (A#B] µ i (A#B 2 (k 1, 2,..., n. completanto la demostración del teorema 3. 4 Demostrado en la teoría. I ( A B

Tema 2: Diagonalización

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

Más detalles

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

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

Más detalles

AP = A p 1 p 2 p n = Ap 1 Ap 2. λ 1 p 21 λ 2 p 22 λ n p 2n. .. = λ 1 p 1 λ 2 p 2

AP = A p 1 p 2 p n = Ap 1 Ap 2. λ 1 p 21 λ 2 p 22 λ n p 2n. .. = λ 1 p 1 λ 2 p 2 Capítulo 6 Diagonalización 6 Valores y vectores propios 6 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial V, nos planteamos el problema

Más detalles

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

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

Más detalles

6. Ortogonalidad. Universidad de Chile Conjuntos ortogonales y ortonormales. Ingeniería Matemática SEMANA 12: ORTOGONALIDAD

6. Ortogonalidad. Universidad de Chile Conjuntos ortogonales y ortonormales. Ingeniería Matemática SEMANA 12: ORTOGONALIDAD FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 7- SEMANA : ORTOGONALIDAD 6 Ortogonalidad 6 Conjuntos ortogonales y ortonormales Recordemos que la proyección de u sobre v

Más detalles

Transformaciones Lineales y Espacio Dual

Transformaciones Lineales y Espacio Dual Transformaciones Lineales y Espacio Dual Juan Pablo De Rasis 22 de abril de 2018 El presente artículo tiene como objetivo la exposición de soluciones a problemas de Álgebra Lineal concernientes a transformaciones

Más detalles

Tema 11.- Autovalores y Autovectores.

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

Más detalles

Métodos Matemáticos: Análisis Funcional

Métodos Matemáticos: Análisis Funcional Licenciatura en Ciencias y Técnicas Estadísticas Universidad de Sevilla http://euler.us.es/ renato/clases.html Espacios eucĺıdeos Definición Se dice que un espacio vectorial E es un espacio eucĺıdeo si

Más detalles

Valores y vectores propios

Valores y vectores propios Valores y vectores propios Tareas adicionales Algunos de estos problemas compuso Gustavo Antonio Sandoval Angeles (como parte de su servicio social). Estos problemas son más difíciles o más laboriosos

Más detalles

Capítulo 1: Diagonalización de matrices

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

Más detalles

Material para el examen parcial 1

Material para el examen parcial 1 Algebra Lineal 2, FAMAT-UG, aug-dic, 2009 Material para el examen parcial 1 (17 oct, 2009) Definiciones: Hay que saber las definiciones precisas de todos los siguientes términos, y conocer ejemplos concretos

Más detalles

Métodos Matemáticos: Análisis Funcional

Métodos Matemáticos: Análisis Funcional Licenciatura en Ciencias y Técnicas Estadísticas Universidad de Sevilla http://euler.us.es/ renato/clases.html Qué son esos espacios de Hilbert? Qué son esos espacios de Hilbert? David Hilbert Para relajarnos

Más detalles

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

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

Más detalles

Soluciones a los ejercicios del examen final C =. 1 0

Soluciones a los ejercicios del examen final C =. 1 0 Universidade de Vigo Departamento de Matemática Aplicada II E T S E de Minas Álgebra Lineal Curso 205/6 de enero de 206 Soluciones a los ejercicios del examen final Se considera el subespacio U {X M 2

Más detalles

2 Polinomio característico de una matriz

2 Polinomio característico de una matriz Lección 4: Teoría de Operadores 1 Semejanza Sean A, B M n,n. Se dice A es semejante con B cuando existe una matriz regular P GL n de suerte que B = P 1 AP. Si A es semejante con B, entonces B es semejante

Más detalles

Determinantes. Capítulo Definición y ejemplos básicos Funciones multilineales alternadas

Determinantes. Capítulo Definición y ejemplos básicos Funciones multilineales alternadas Capítulo 5 Determinantes Los determinantes aparecieron originalmente al tratar de resolver sistemas de ecuaciones lineales A continuación vamos a dar una definición precisa de determinante y a relacionarlo,

Más detalles

Álgebra II(61.08, 81.02) Segundo cuatrimestre 2017 Práctica 4. Autovalores y autovectores de matrices. Diagonalización.

Álgebra II(61.08, 81.02) Segundo cuatrimestre 2017 Práctica 4. Autovalores y autovectores de matrices. Diagonalización. Álgebra II(6108, 8102) Segundo cuatrimestre 2017 Práctica 4 Autovalores y autovectores de matrices Diagonalización Nota: salvo indicación particular, se considera que todas las matrices pertenecen a C

Más detalles

2.7 Aplicaciones del Teorema de Jordan

2.7 Aplicaciones del Teorema de Jordan 26 Álgebra lineal 27 Aplicaciones del Teorema de Jordan En esta sección seguimos suponiendo que K C Endomorfismos y matrices nilpotentes Definición Decimos que una matriz A M n (C es nilpotente si existe

Más detalles

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

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

Más detalles

Diagonalización de Endomorfismos

Diagonalización de Endomorfismos Tema 5 Diagonalización de Endomorfismos 5.1 Introducción En este tema estudiaremos la diagonalización de endomorfismos. La idea central de este proceso es determinar, para una aplicación lineal f : E E,

Más detalles

Espacios vectoriales con producto interno

Espacios vectoriales con producto interno Espacios vectoriales con producto interno Mariano Suárez-Alvarez 24 de junio, 2011 1. Espacios con producto interno... 1 2. Normas y distancias... 3 3. Ortogonalidad... 5 4. Proyectores ortogonales...

Más detalles

Examen Final - soluciones

Examen Final - soluciones Algebra Lineal 2, FAMAT-UG, agsto-dic, 2009 PARTE A (60 puntos). Cierto o Falso. Examen Final - soluciones 9 dic, 2009 1. Para todo operador ortogonal T en R n, det(t ) = 1. Falso. T : (x 1,..., x n )

Más detalles

UNIVERSIDAD NACIONAL DE ROSARIO

UNIVERSIDAD NACIONAL DE ROSARIO UNIVERSIDAD NACIONAL DE ROSARIO Facultad de Ciencias Exactas, Ingeniería y Agrimensura Licenciatura en Matemática y Profesorado en Matemática Cátedra: Álgebra Sistemas de Ecuaciones Matrices Determinantes

Más detalles

RESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS

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

Más detalles

TEMA III: DIAGONALIZACIÓN.

TEMA III: DIAGONALIZACIÓN. TEMA III: DIAGONALIZACIÓN. OBJETIVOS: Generales: 1. Captar el motivo que justifica el problema de la diagonalización de endomorfismos. 2. Resolver y aplicar dicho problema cuando sea posible. Específicos:

Más detalles

Estadística III Repaso de Algebra Lineal

Estadística III Repaso de Algebra Lineal Repaso de Algebra Lineal Vectores Un vector columna de dimensión n 1 es una serie de números dispuestos como sigue: x 1 x 2 x =. x n Un vector fila de dimensión 1 p es una serie de números dispuestos como

Más detalles

Transformaciones lineales autoadjuntas (hermíticas)

Transformaciones lineales autoadjuntas (hermíticas) Transformaciones lineales autoadjuntas (hermíticas) Objetivos. Estudiar propiedades elementales de transformaciones lineales autoadjuntas. Demostrar que para toda transformación lineal autoadjunta en un

Más detalles

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

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

Más detalles

Valores y Vectores Propios

Valores y Vectores Propios Valores y Vectores Propios Iván Huerta Facultad de Matemáticas Pontificia Universidad Católica de Chile ihuerta@mat.puc.cl Segundo Semestre, 1999 Definición Valores y Vectores Propios Valores y Vectores

Más detalles

UNIVERSIDAD DE CONCEPCION FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA MATEMATICA

UNIVERSIDAD DE CONCEPCION FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA MATEMATICA AL GEBRA III UNIVERSIDAD DE CONCEPCION FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA MATEMATICA ALGEBRA III DEFINICION : Sea L : V V un operador lineal sobre el espacio vectorial

Más detalles

Clase 7 Herramientas de Álgebra Lineal

Clase 7 Herramientas de Álgebra Lineal Clase 7 Herramientas de Álgebra Lineal 1 Formas cuadráticas La descomposición en valores singulares 3 Normas de matrices 4 Ejercicios Dada una matriz M R n n, la función escalar x T Mx, donde x R n, es

Más detalles

Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos.

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

Más detalles

Valores y Vectores Propios

Valores y Vectores Propios Respuestas Guía de ejercicios N 7 parte Complemento Valores y Vectores Propios. λ 7 λ λ λ λ + 3λ. Sea v el vector propio asociado al valor propio λ 3 y v el vector propio asociado al valor propio λ. Para

Más detalles

Valores y vectores propios

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

Más detalles

Capítulo V. Valores y vectores propios. Diagonalización de operadores lineales.

Capítulo V. Valores y vectores propios. Diagonalización de operadores lineales. Capítulo V Valores y vectores propios. Diagonalización de operadores lineales. Hemos visto que la aplicaciones lineales de en están definidas a través de una expresión de la forma ; pero esta fórmula puede

Más detalles

ax + by = 1 cx + dy = 0

ax + by = 1 cx + dy = 0 1.61. Considere el sistema ax + by = 1 cx + dy = 0 Muestre que si ad bc 0, el sistema tiene solución única x = d/(ad bc, y = c/(ad bc. Demostrar además que si ad bc = 0, c 0 o d 0, entonces el sistema

Más detalles

Formas canónicas de Jordan

Formas canónicas de Jordan Capítulo 6 Formas canónicas de Jordan 61 Subespacios propios generalizados Introducción En el capítulo anterior se han estudiado los endomorfismos diagonalizables y se han dado condiciones necesarias y

Más detalles

ALGEBRA LINEAL. 1. Sea V un espacio vectorial sobre F. Sean S, T y U subespacios de V tal que. { 0 i = 1,..., k si i > k. v i

ALGEBRA LINEAL. 1. Sea V un espacio vectorial sobre F. Sean S, T y U subespacios de V tal que. { 0 i = 1,..., k si i > k. v i ALGEBRA LINEAL 1 Sea V un espacio vectorial sobre F Sean S, T y U subespacios de V tal que i) S T = S U ii) S + T = S + U iii) T U Demuestre que T = U 2 Sea F = C y sea n un entero positivo Demuestre que

Más detalles

7 Aplicaciones ortogonales

7 Aplicaciones ortogonales Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 7 Aplicaciones ortogonales 7.1 Aplicación ortogonal Se llama aplicación ortogonal a un endomorfismo f : V V sobre un espacio vectorial

Más detalles

7.1 Transformaciones lineales nilpotentes

7.1 Transformaciones lineales nilpotentes Capítulo 7 Forma de Jordan En este capítulo continuaremos estudiando la estructura de los endomorfismos de un espacio vectorial de dimensión finita Veremos que si V es un K-espacio vectorial de dimensión

Más detalles

6. Forma canónica de matrices

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

Más detalles

3. Sistemas de n ecuaciones diferenciales lineales de primer orden

3. Sistemas de n ecuaciones diferenciales lineales de primer orden Dpto Matemática Aplicada, Facultad de Informática, UPM EDO Sistemas Lineales 1 3 Sistemas de n ecuaciones diferenciales lineales de primer orden Se define un sistema de ecuaciones diferenciales lineales

Más detalles

Método de Gradientes Conjugados.

Método de Gradientes Conjugados. Método de Gradientes Conjugados. Lourdes Fabiola Uribe Richaud & Juan Esaú Trejo Espino. Instituto Politécnico Nacional Escuela Superior de Física y Matemáticas February 17, 2015 1 Método de Direcciones

Más detalles

Determinantes. Problemas teóricos. i=1. 2. De la fórmula general (1) deduzca la fórmula para el determinante de orden 3.

Determinantes. Problemas teóricos. i=1. 2. De la fórmula general (1) deduzca la fórmula para el determinante de orden 3. Determinantes Problemas teóricos Adradezco por varios problemas e ideas a los profesores de la ESFM Myriam Rosalía Maldonado Ramírez y Eliseo Sarmiento Rosales y al estudiante de servicio social Sadi Manuel

Más detalles

1 Espacios de Banach:

1 Espacios de Banach: Ecuaciones Diferenciales - 2 cuatrimestre 2003 Resultados preliminares parte II Espacios de Banach: Sea X un IR-espacio vectorial. Definición. Una función : X [0, + ) se dice una norma si. x + y x + y

Más detalles

APÉNDICE A. Algebra matricial

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

Más detalles

ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3

ÁLGEBRA 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 detalles

Formas canónicas reales

Formas canónicas reales Capítulo 7 Formas canónicas reales Introducción Sea V un espacio vectorial sobre C, f End(V y M B (f = A M(n n Sea λ = a + bi es una autovalor complejo de f de multiplicidad m Para tal autovalor complejo

Más detalles

9. Teoremas espectrales

9. Teoremas espectrales 9 Teoremas espectrales Lema de Schur Ejercicio 9 En los siguientes casos, use el lema de Schur para descomponer, sobre C, la matriz A como producto A = U TU de modo que T sea triangular superior y U unitaria:

Más detalles

Matrices. Operaciones con matrices.

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

Más detalles

ALGEBRA LINEAL Y GEOMETRÍA I

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

Más detalles

Preliminares. 1.1 Acciones de Grupo

Preliminares. 1.1 Acciones de Grupo Capítulo 1 Preliminares En este capítulo se presentan algunas definiciones y hechos fundamentales de la Teoría de Grupos y recordar nociones básicas de Álgebra Lineal. También se presentan algunos resultados

Más detalles

2. Teorema de las multiplicidades algebraica y geométrica.

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

Más detalles

Ejemplo 1 Sea V un espacio con producto interno sobre un cuerpo K. A las transformaciones lineales T : V K las llamamos funcionales lineales.

Ejemplo 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 detalles

Tema 9: REDUCCIÓN POR SEMEJANZA DE UNA MATRIZ. DIAGONALIZACIÓN

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

Más detalles

Vectores y Valores Propios

Vectores y Valores Propios Capítulo 11 Vectores y Valores Propios Las ideas de vector y valor propio constituyen conceptos centrales del álgebra lineal y resultan una valiosa herramienta en la solución de numerosos problemas de

Más detalles

Integración de Funciones Reales

Integración de Funciones Reales Capítulo 20 Integración de Funciones Reales Nos proponemos estudiar en este capítulo las propiedades fundamentales del operador integral. n particular, extenderemos aquí al caso de funciones medibles con

Más detalles

Autovalores y autovectores Diagonalización y formas canónicas

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

Más detalles

Capítulo V. T 2 (e, e

Capítulo V. T 2 (e, e Capítulo V Métricas En este capítulo y en los siguientes, el cuerpo base de los espacios vectoriales que se consideren será de característica distinta de 2. Empecemos recordando las nociones básicas que

Más detalles

Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados

Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados Capítulo 5 Espacios Vectoriales Euclídeos. Métodos de los mínimos cuadrados En este tema iniciamos el estudio de los conceptos geométricos de distancia y perpendicularidad en K n. Empezaremos con las definiciones

Más detalles

Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1. Se llama producto escalar sobre un espacio vectorial real V a cualquier aplicación

Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1. Se llama producto escalar sobre un espacio vectorial real V a cualquier aplicación Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 6 Espacios euclídeos 6.1 Producto escalar. Espacio euclídeo Se llama producto escalar sobre un espacio vectorial real V a cualquier aplicación

Más detalles

2. El Teorema del Valor Medio

2. El Teorema del Valor Medio 2.24 45 2. El Teorema del Valor Medio Comenzaremos esta sección recordando dos versiones del teorema del valor medido para funciones de 1-variable y por tanto ya conocidas: 2.22 Sea f : [a, b] R R una

Más detalles

Tema 5: Espacios Eucĺıdeos.

Tema 5: Espacios Eucĺıdeos. Espacios Euclídeos 1 Tema 5: Espacios Eucĺıdeos. 1. Producto escalar. Espacios eucĺıdeos. Definición. Sea E un R-espacio vectorial y sea f : E E R una forma bilineal simétrica. Se dice que f es un producto

Más detalles

Métodos matemáticos: Análisis funcional

Métodos matemáticos: Análisis funcional Métodos matemáticos: Análisis funcional Conceptos y resultados fundamentales Curso 2011/2012 Aquí encontrarás los Teoremas hay que saber para el primer parcial ( 1) así como las definiciones, problemas

Más detalles

Descomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)

Descomposición 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 detalles

VI. TEORÍA ESPECTRAL EN ESPACIOS DE HILBERT

VI. TEORÍA ESPECTRAL EN ESPACIOS DE HILBERT VI. TEORÍA ESPECTRAL EN ESPACIOS DE HILBERT La teoría espectral de cierta clase de operadores en espacios de Hilbert fue iniciada por el propio Hilbert en 1904; tiene importantes aplicaciones a problemas

Más detalles

ALGEBRA LINEAL Y GEOMETRÍA. REPASO DE ÁLGEBRA LINEAL-2: CAMBIOS DE BASE GRADO DE MATEMÁTICAS. CURSO

ALGEBRA LINEAL Y GEOMETRÍA. REPASO DE ÁLGEBRA LINEAL-2: CAMBIOS DE BASE GRADO DE MATEMÁTICAS. CURSO ALGEBRA LINEAL Y GEOMETRÍA. REPASO DE ÁLGEBRA LINEAL-2: CAMBIOS DE BASE GRADO DE MATEMÁTICAS. CURSO 2012-2013 José García-Cuerva Universidad Autónoma de Madrid 11 de febrero de 2013 JOSÉ GARCÍA-CUERVA

Más detalles

MAT1202: Algebra Lineal GUIA N 6 Otoño 2002 Valores y Vectores Propios

MAT1202: Algebra Lineal GUIA N 6 Otoño 2002 Valores y Vectores Propios Pontificia Universidad Católica de Chile Facultad de Matemáticas MAT1202: Algebra Lineal GUIA N 6 Otoño 2002 Valores y Vectores Propios 1. Determine los valores y vectores propios de 0 3 A + I = 1 3 A

Más detalles

8.1. Extensiones algebraicas. Grado.

8.1. Extensiones algebraicas. Grado. 1 Tema 8.-. Extensiones algebraicas. Cuerpos de descomposición. Elemento primitivo. 8.1. Extensiones algebraicas. Grado. Si k es un subcuerpo de K, diremos que K es una extensión de k, que notaremos K

Más detalles

Práctica 5. Autovalores y autovectores. Diagonalización de matrices y de transformaciones lineales.

Práctica 5. Autovalores y autovectores. Diagonalización de matrices y de transformaciones lineales. Práctica 5 Autovalores y autovectores Diagonalización de matrices y de transformaciones lineales Nota: salvo indicación particular, se considera que todas las matrices pertenecen a C n n 1 Encuentre los

Más detalles

5. Aplicaciones Lineales

5. Aplicaciones Lineales Contents 5 Aplicaciones Lineales 2 5.1 Aplicaciones lineales. Definición y propiedades........................ 2 5.2 Núcleo e Imagen.................................................... 3 5.3 Descomposición

Más detalles

Tema 1: Matrices. Sistemas de ecuaciones. Determinantes

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

Más detalles

Espacios vectoriales con producto interno

Espacios vectoriales con producto interno Espacios vectoriales con producto interno Problemas teóricos En todos los problemas relacionados con el caso complejo se supone que el producto interno es lineal con respecto al segundo argumento. Definición

Más detalles

Universidad de Los Andes Álgebra lineal 1. Parcial 3 - Tema A. 20 de abril 2013 MATE 1105

Universidad de Los Andes Álgebra lineal 1. Parcial 3 - Tema A. 20 de abril 2013 MATE 1105 Universidad de Los Andes Álgebra lineal Parcial 3 - Tema A de abril 3 MATE 5 Esto es un examen individual. No se permite el uso de libros, apuntes, calculadoras o cualquier otro medio electrónico. Los

Más detalles

Matrices. Álgebra de matrices.

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

Más detalles

Elementos Básicos de Análisis Funcional en. Dr. Oldemar Rodríguez Rojas

Elementos Básicos de Análisis Funcional en. Dr. Oldemar Rodríguez Rojas Elementos Básicos de Análisis Funcional en Análisis Numérico Dr. Oldemar Rodríguez Rojas Agosto 2008 Contents 1 Elementos Básicos de Análisis Funcional 2 1.1 Espacios normados...........................

Más detalles

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

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

Más detalles

Diagonalización de matrices

Diagonalización de matrices Diagonalización de matrices María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Diagonalización de matrices Matemáticas I 1 / 22 Valores y vectores propios de una matriz Definición

Más detalles

AUTOVECTORES GENERALIZADOS Y SOLUCIONES DE SEDL HOMOGÉNEAS A COEFICIENTES CONSTANTES

AUTOVECTORES GENERALIZADOS Y SOLUCIONES DE SEDL HOMOGÉNEAS A COEFICIENTES CONSTANTES AUTOVECTORES GENERALIZADOS Y SOLUCIONES DE SEDL HOMOGÉNEAS A COEFICIENTES CONSTANTES JOSÉ CARLOS MARTÍN Damos en estas notas una forma alternativa a la dada en [], para calcular las soluciones de un sistema

Más detalles

ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3

ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 010 011). Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí. Demostrar

Más detalles

Extensiones algebraicas. Cuerpos de descomposición.

Extensiones algebraicas. Cuerpos de descomposición. Temas 10-11.- 10-11.1 Extensiones algebraicas. Cuerpos de descomposición. Si k es un subcuerpo de K, diremos que K es una extensión de k, que notaremos K k. Si K k es una extensión y E K es un subconjunto,

Más detalles

Álgebra Lineal 2015 Práctica 5: Diagonalización.

Álgebra Lineal 2015 Práctica 5: Diagonalización. Álgebra Lineal 2015 Práctica 5: Diagonalización. 1. Sean T (a, b) = (4a b, b+2a), B = {(1, 0), (0, 1)} y C = {(1, 3), (2, 5)}. (a) Hallar la matriz camio de base de B a C, la matriz cambio de base de C

Más detalles

ÁLGEBRA Ejercicios no resueltos de la Práctica 3

ÁLGEBRA Ejercicios no resueltos de la Práctica 3 ÁLGEBRA Ejercicios no resueltos de la Práctica 3 Matrices y determinantes (Curso 2007 2008) 15. Encontrar la (única) respuesta correcta, de entre las indicadas, a las siguientes cuestiones: (b) En una

Más detalles

DIAGONALIZACIÓN DE MATRICES

DIAGONALIZACIÓN DE MATRICES Tema 2 DIAGONALIZACIÓN DE MATRICES 2.1. Introducción El álgebra matricial proporciona herramientas elementales para simplificar y resolver problemas donde intervienen un número elevado de datos. El siguiente

Más detalles

1. ESPACIO EUCLÍDEO. ISOMETRÍAS

1. ESPACIO EUCLÍDEO. ISOMETRÍAS 1 1. ESPACIO EUCLÍDEO. ISOMETRÍAS Muchos de los fenómenos que se investigan en la geometría utilizan nociones como las de longitud de un vector y ángulo entre vectores. Para introducir estos dos conceptos

Más detalles

Diagonalización de matrices. Kepler C k

Diagonalización de matrices. Kepler C k Kepler C k 24 Índice. Problema de diagonalización 3.. Semejanza de matrices................................. 3.2. Valores propios y vectores propios........................... 3.3. Matrices y valores propios...............................

Más detalles

Comenzaremos dando algunas definiciones previas para poder después presentar la definición precisa de espacio vectorial.

Comenzaremos dando algunas definiciones previas para poder después presentar la definición precisa de espacio vectorial. 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 detalles

COMPLEMENTO DEL TEÓRICO

COMPLEMENTO DEL TEÓRICO ÁLGEBRA I PRIMER CUATRIMESTRE - AÑO 2016 COMPLEMENTO DEL TEÓRICO El material de estas notas fue dictado en las clases teóricas pero no se encuentra en el texto que seguimos en las mismas ( Álgebra I -

Más detalles

Determinantes. Reducción de matrices. Caso diagonalizable

Determinantes. Reducción de matrices. Caso diagonalizable Tema 4 Determinantes Reducción de matrices Caso diagonalizable En este tema consideraremos matrices cuadradas y, para ellas, introduciremos el concepto de autovalor de una matriz Veremos también cómo algunas

Más detalles

Guía N o 7. En esta guía E λ (A) denota el espacio propio asociado a λ de la matriz A. 1. Calcular el determinante de las siguientes matrices:

Guía N o 7. En esta guía E λ (A) denota el espacio propio asociado a λ de la matriz A. 1. Calcular el determinante de las siguientes matrices: FACULTAD DE CIENCIAS EXACTAS DPTO. DE MATEMÁTICAS UNIVERSIDAD ANDRÉS BELLO Álgebra Lineal FMM3 Guía N o 7 En esta guía E λ (A) denota el espacio propio asociado a λ de la matriz A.. Calcular el determinante

Más detalles

6.5.7 Orientación de un espacio vectorial eucĺıdeo Producto vectorial Diagonalización de formas bilineales simétricas...

6.5.7 Orientación de un espacio vectorial eucĺıdeo Producto vectorial Diagonalización de formas bilineales simétricas... Contents 6 Formas Bilineales y Producto Escalar 3 6.1 Formas bilineales............................... 3 6.1.1 Matriz de una forma bilineal....................... 4 6.1. Formas bilineales simétricas.......................

Más detalles

Producto tensorial entre tensores

Producto tensorial entre tensores Tensores cartesianos Producto tensorial entre tensores Producto tensorial entre tensores Se define el producto tensorial entre los tensores S CT(m) y T CT(n) como el tensor S T CT(n + m): S T = S i1...i

Más detalles

Teoría espectral. ISABEL MARRERO Departamento de Análisis Matemático Universidad de La Laguna 1. Introducción 1

Teoría espectral. ISABEL MARRERO Departamento de Análisis Matemático Universidad de La Laguna 1. Introducción 1 Teoría espectral ISABEL MARRERO Departamento de Análisis Matemático Universidad de La Laguna imarrero@ull.es Índice 1. Introducción 1 2. Diagonalización de matrices 1 3. Espectro de un operador 3 4. El

Más detalles

Geometría afín y proyectiva, 2016 SEMANA 4

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

Más detalles