ALGEBRA LINEAL Segundo Semestre. Parte II
|
|
- Pablo Soto Martin
- hace 5 años
- Vistas:
Transcripción
1 1 Universidad Nacional de La Plata Facultad de Ciencias Astronómicas y Geofísicas ALGEBRA LINEAL 2015 Segundo Semestre Parte II
2 2 1. Valores y Vectores propios. Diagonalización.Forma de Jordan Polinomios Repaso P K [x] son los polinomios en la variable x con coeficientes en K. Es un anillo conmutativo con unidad. (Tiene neutro con el producto pero no hay inverso multiplicativo). Es un espacio vectorial sobre K Divisibilidad en P K [x]: Sean p y d P K [x], d 0. Se dice que p es divisible por d si existe q P K [x] tal que p = q.d. Se anota también p/d. Recordar que c K, p P K [x], entonces (x c)/p sí y sólo sí p(c) = 0. Se dice que c es raíz de p(x). Recordar también que si p es un polinomio no nulo de grado n de K [x], entonces p tiene, a lo sumo n raíces distintas.
3 3 DEFINICIÓN: Si c es raíz de p P K [x], la multiplicidad de c como raíz de p es el mayor entero r tal que (x c) r divide a p, es decir c es raíz de multiplicidad r de p sí y sólo sí (x c) r /p pero (x c) r+1 no divide a p DEFINICIÓN: Sea K un cuerpo. Un ideal M de P K [x] es un subespacio vectorial de P K [x] tal que f.g M, para todo f P K [x] y para todo g M. (Un polinomio cualquiera multiplicado por uno de M debe darme un polinomio de M).
4 4 EJEMPLO 1: K cuerpo, d P K [x], fijo. M = d.p K [x] = {d.f, f P K [x]} es un ideal, llamado ideal principal generado por d. Vamos a ver que todo ideal de polinomios es principal, generado por un sólo polinomio que es el MCD entre todos los polinomios que lo generan. EJEMPLO 2: Sean d 1, d 2, d n un número finito de polinomios de P K [x], M = d 1.P K [x] + d 2.P K [x] + d n.p K [x] es un ideal de P K [x]. A M se lo llama ideal generado por d 1, d 2, d n
5 5 Teorema: Sea K un cuerpo y sea M un ideal no nulo de P K [x]. Entonces existe un único polinomio d P K [x] tal que M es el ideal principal generado por d, es decir M = d.p K [x] Demostración Corolario: Si p 1, p 2, p n son polinomios sobre un cuerpo K, no todos nulos, existe un único polinomio d P K [x] tal que: 1. d está en el ideal generado por p 1, p 2, p n 2. d/p i, i = 1, n
6 6 Cualquier polinomio que satisface los dos puntos anteriores necesariamente satisface 3. d es divisible por todos los polinomios que dividen a cada uno de los p i. DEFINICIÓN: Si p 1, p 2, p n son polinomios sobre un cuerpo K, no todos nulos, el generador mónico del ideal d 1.P K [x] + d 2.P K [x] + d n.p K [x] se llama máximo común divisor de p 1, p 2, p n. Se dice que p 1, p 2, p n son primos entre sí si su MCD es 1 (en ese caso el ideal generado por ellos es todo P K [x] DEFINICIÓN: Sea K un cuerpo. Un polinomio f P K [x] es reducible sobre K si existen polinomios f, g P K [x], ambos de grado 1 tal que f = g.h. f es primo o irreducible sobre K cuando ésto no se cumple.
7 7 Teorema: Sean p, f y g polinomios sobre el cuerpo K. Supongamos que p es primo sobre K y que p/f.g. Entonces p/f o p/g. Teorema de la factorización prima: Sea K un cuerpo, un polinomio mónico no escalar de P K [x] puede factorizarse como producto de factores primos en P K [x] de manera única, salvo el orden f = p n 1 1.pn 2 2 pn k k DEFINICIÓN: El cuerpo K es algebraicamente cerrado si todo polinomio primo sobre K tiene exactamente grado 1. NOTA: R no es un cuerpo algebraicamente cerrado mientras que C sí lo es
8 Introducción a valores y vectores propios Cuando vimos en el punto 2.4 Cambio de base para aplicaciones lineales vimos que dada un aplicación lineal T era posible encontrar una base tal que la matriz sea diagonal. ( ) 6 2 T = Y surge la pregunta Esto siempre es posible? T = 6 1 ( )
9 9 Dada la matriz T = ( Supongamos existe una matriz C de cambio de base tal que ) C 1 T C = T = ( α 0 0 β ) Se llega a una contradicción. No todas las matrices son diagonalizables.
10 10 Veremos que siempre es posible encontrar la forma más sencilla en que una matriz dada puede transformarse mediante un cambio de base. Esta forma más sencilla se denomina matriz de Jordan de la matriz dada. (El nombre se debe al matemático Camille Jordan ). La forma de Jordan puede usarse para clasificar las aplicaciones lineales y también para hallar potencias de matrices. T 6 = ( ) 6 como T = CT C 1
11 Subespacios invariantes. Valores y vectores propios de una aplicación lineal Dado un espacio vectorial V y una aplicación lineal T : V V, es decir T L(V ), un subespacio vectorial W de V se llama invariante respecto a L si T (W ) W, es decir la imagen T x de todo vector x W es un elemento de W. EJEMPLO 1: Sea T L(R 2 ) una aplicación lineal en R 2 cuya matriz respecto de la base { e 1, e 2 } de R 2 está dada por ( ) 2 0 T = 0 1 Entonces W 1 = {x 1 e 1, x 1 R} y W 2 = {x 2 e 2, x 2 R} son invariantes respecto de T.
12 12 En efecto y T (x 1 e 1 ) = x 1 T ( e 1 ) = x 1 (2 e 1 ) = (2x 1 ) e 1 W 1 T (x 2 e 2 ) = x 2 T ( e 2 ) = x 2 e 2 W 2 EJEMPLO 2: Sea R α una rotación de ángulo α 0 en R 3 con respecto al eje Oz. Geométricamente se observa que el plano xoy y la recta Oz son invariantes con respecto a esta aplicación. Para comprobar algebraicamente que el plano xoy es invariante obsevar que la matriz de R x con respecto a la base canónica de R 3 es R = cosα senα 0 senα cosα
13 13 EJEMPLO 3: Sea P la proyección ortogonal de R 3 sobre el plano xoy; todo plano π que contiene al eje Oz es invariante. En efecto, como la matriz de P es P = con respecto a la base canónica, y los elementos de π son de la forma v = x 1 e 1 +λx 1 e 2 +x 3 e 3, λ R, tenemos que P ( v) es de nuevo un elemento del plano π. Otros subespacios invariantes de esta proyección ortogonal son el plano xoy, el eje Oz y cualquier recta del plano xoy que pase por el origen de coordenadas. NOTA: Para cualquier aplicación lineal T L(V ) el subespacio E = { 0}, formado sólo por el elemento nulo, es invariante ya que T ( 0) = 0 y el propio espacio vectorial V es también invariante.
14 14 PROPOSICIÓN 1: La intersección y la suma de subespacios invariantes respecto de una aplicación lineal T L(V ) son subespacios invariantes respecto de T. DEFINICIÓN: Valores y Vectores propios Un vector x 0 de un espacio vectorial V sobre K se llama autovector o vector propio de una aplicación lineal T L(V ) si existe un escalar λ K tal que T ( x) = λ x; este número λ se denomina autovalor o valor propio de la aplicación T correspondiente al vector x. NOTA: Si x es un vector propio de T con autovalor λ, todo elemento no nulo del subespacio unidimensional generado por x es un autovector de T con el mismo autovalor λ.
15 15 Supongamos que una aplicación lineal T en un espacio V de dimensión n tiene n vectores propios linealmente independientes, e 1, e 2,, e n con valores propios λ 1, λ 2,, λ n respectivamente, tomando { e 1, e 2,, e n } como una base de V se tiene que T ( e 1 ) = λ 1 e 1, T ( e 2 ) = λ 2 e 2,, T ( e n ) = λ n e n y, por lo tanto, la matriz de T con respecto a esta base es la matriz diagonal T = λ λ λ n
16 16 Recíprocamente, toda aplicación lineal que tiene una matriz diagonal en una cierta base, tiene a los elementos de esta base como vectores propios. Si decimos que una aplicación lineal T L(V ) es diagonalizable si existe una base de V en la cual la matriz de T es diagonal, hemos probado el siguiente resultado: PROPOSICIÓN 3: Una aplicación lineal T L(V ) es diagonalizable sí y sólo sí existe una base de V formada por vectores propios DEFINICIÓN: Una matriz T M n n (K) se dice diagonalizable en K si la aplicación lineal T : K n K n que la tiene como matriz es diagonalizable Veremos a continuación cómo se calculan autovalores y autovectores de una aplicación lineal.
17 17 Supongamos que x es un vector propio de una aplicación lineal T en un espacio vectorial V y que λ es su autovalor, es decir T ( x) = λ x. Sea { e 1, e 2,, e n } una base de V y x = n j=1 x j e j. Si (a ij es la matriz de T con respecto a la base tenemos que n j=1 λx j e j = λ n j=1 n x j e j = λ x = T ( x) = T ( x j e j ) j=1
18 18 = n j=1 x j T ( e j ) = n j=1 x j ( n i=1 a ij e i ) = n n ( i=1 j=1 a ij x j ) e i ) Como { e 1, e 2,, e n } es una base de V se tiene (a 11 λ).x 1 + a 12.x a 1n.x n = 0 a 21.x 1 + (a 22 λ).x a 2n.x n = 0 a n1.x 1 + a n2.x (a nn λ).x n = 0 (1)
19 19 Como es un sistema homogéneo, para que exista una solución no nula debe ocurrir que Det(T λi) = 0, donde I denota la matriz identidad. Esto es una ecuación de grado n en λ y sus soluciones en K (R o R) son los autovalores de T. Si V es un espacio vectorial complejo, por el teorema fundamental del álgebra la ecuación anterior tiene n soluciones complejas contando cada una con su multiplicidad. Si V es un epacio vectorial real, no podemos asegurar que la ecuación anterior tenga n soluciones reales. EJEMPLO 1: Determinar los valores y vectores propios de la aplicación lineal de T : V V, V = R 2, que tiene como matriz, T = ( )
20 20 Al polinomio Det(T λi) se lo denomina polinomio característico de la aplicación T o de la matriz T. Este polinomio no depende de la base elegida. Para demostrar esto, sea P B (λ) = Det(T λi) el polinomio característico de la aplicación T en la base B = { e 1, e 2,, e n } como una base de V y sea P{ B (λ) = Det(T λi) el polinomio característico de T en la base B = e 1, e 2,, e m} ; si C es la matriz del cambio de base, sabemos que T = CT C 1, y se tiene (dem) P B (λ) = P B (λ) Esto prueba que el polinomio característico no depende de la base elegida en V para representar T.
21 21 EJEMPLO 2: Determinar los valores y vectores propios de la aplicación lineal que corresponde a la rotación de ángulo α que tiene como matriz, ( ) cosα senα R α = senα cosα con respecto a la base canónica de R 2 EJEMPLO 3: Idem para una rotación de ángulo α en R 3 con respecto al eje Oz, que tiene como matriz, R = cosα senα 0 senα cosα
22 22 La proposición 3 nos da una condición necesaria y suficiente para saber cuándo una aplicación lineal es diagonalizable, a saber, que exista una base del espacio vectorial V formada por vectores propios. En algunos casos puede resultar laborioso encontrar esta base. Una condición que es suficiente para poder asegurar la diagonalizaciónde una matriz está contenida en la proposición siguiente: PROPOSICIÓN 4: Los vectores propios de una aplicación T correspondientes a valores propios distintos dos a dos, son linealmente independientes Demostración NOTA: La condición Det(T λi) = 0 es equivalente a que T λi no es inyectivo, o sea N(T λi) 0
23 23 EJEMPLO 4: Estudiar si las matrices son diagonalizables. EJEMPLO 5: Sea A = 0 α 0 α A = ( ) 0 1 T = 1 0 Analizar para qué valores de α R la matriz es diagonalizable.
24 24 Sea T L(V ). Al subespacio de vectores propios correspondientes a λ se lo llama espacio propio asociado a λ y se lo anota E(λ) = N(T λi) E(λ) contiene todos los vectores propios correspondientes a λ junto con el vector 0 De los resultados ya vistos se tiene que E(λ) es un subespacio vectorial de V y dim(e(λ)) = dim(v ) dim(im(t λi)) = dim(v ) r(t λi)
25 25 Teorema: Sea T L(V ), V de dim <. Sean λ 1, λ 2,, λ n los autovalores distintos de T. Son equivalentes: 1. T es diagonalizable 2. Si el polinomio característico de T es (x λ 1 ) α 1(x λ 2 ) α 2 (x λ n ) α n entonces α i = dim(e(λ i )) Corolario: Si T es diagonalizable y λ 1, λ 2,, λ k los autovalores distintos de T, entonces V = E(λ 1 ) E(λ 2 ) E(λ k )
26 26 Teorema: Sea T L(V ), V de dim <. Si T es diagonalizable y λ 1, λ 2,, λ k son los autovalores distintos de T, entonces existen E 1, E 2,, E k aplicaciones lineales tales que 1. E 1 + E E k = I 2. T = λ 1 E 1 + λ 2 E 2, λ k E k 3. E i oe j = 0 i j 4. E 2 i = E i, 1 = 1, 2,, k 5. Im(E i ) = E(λ i ) Por lo anterior, si T = λ 1 E 1 + λ 2 E 2, λ k E k T 2 = T (λ 1 E 1 + λ 2 E 2, λ k E k ) = (λ 1 E 1 + λ 2 E 2, λ k E k )(λ 1 E 1 + λ 2 E 2, λ k E k ) T 2 = λ 2 1 E 1 + λ 2 2 E 2, λ 2 k E k
27 27 Por ejemplo T 2 + T 3 = (λ λ3 1 )E 1 + (λ λ3 2 )E 2 + (λ 2 k + λ3 k )E k o sea si P (x) = (x 2 + x 3 ) P (T ) = P (λ 1 )E 1 + P (λ 2 )E P (λ k )E k En general, si P P K [x] y T es diagonalizable, entonces P (T ) = P (λ 1 )E 1 + P (λ 2 )E P (λ k )E k Cuándo P (T ) = 0?
28 28 P (T ) = 0 sí y sólo sí P (λ 1 ) = P (λ 2 ) = = P (λ k ) = 0 P anula al operador T sí y sólo sí λ i es raíz de P para todo i = 1, 2,, k sí y sólo sí (x λ i )/P i = 1, 2,, k sí y sólo sí (x λ 1 )(x λ 2 ) (x λ k )/P DEFINICIÓN: Sea T una aplicación lineal cualquiera sobre un espacio vectorial V sobre K. Se llama anulador de T { } Anul(T ) = P P K [x] P (T ) = 0 NOTA: Anul(T ) es un subespacio vectorial de P K [x]
29 29 PROPOSICIÓN 5: Anul(T ) es un ideal de P K [x] Demostración Corolario: Si Anul(T ) 0 entonces existe m P K [x] tal que Anul(T ) = m.p K [x] NOTA: Anul(T ) 0 Si dim(v ) = n, dim(l(v, V )) = n 2. Luego I, T, T 2,, T n son n operadores lineales de L(V, V ), entonces existe una combinación lineal con escalares no todos nulos tales que α 0 I + α 1 T + α 2 T α n 2T n2 = 0 Sea P (x) = α 0 + α 1 x + α 2 x α n 2x n2 = 0 P K [x] P 0 y P (T ) = 0 y entonces Anul(T ) 0
30 30 DEFINICIÓN: Se llama polinomio minimal de T al polinomio generador del ideal Anul(T ) y lo simbolizamos m T NOTA: m T se caracteriza por 1. m T (T ) = 0 2. m T es mónico y es el de menor grado que anula a T 3. Si P (T ) = 0 entonces m T /P EJEMPLO 6: T = El polinomio característico es P (λ) = (λ 2) 2 (λ 1) Y se puede verificar que m T (T ) = (T 2I)(T 1I) = 0, y entonces el polinomio minimal es m T (λ) = (λ 2)(λ 1) Hallar la matriz que diagonaliza a T.
31 31 NOTA: Anul(T ) = Anul((T ) B ) ya que para P P K [x], (P (T )) B = P ((T ) B ) pues si P (x) = α 0 + α 1 x + α 2 x α n x n P (T ) = α 0 + α 1 T + α 2 T α n T n (P (T )) B = α 0 I + α 1 (T ) B + α 2 (T ) 2 B + + α n(t ) n B = P ((T ) B) NOTA: Anul((T ) B ) = Anul((T ) B ) PROPOSICIÓN 6: Sea T L(V ), V espacio vectorial sobre K. Sea P P K [x], T ( v) = λ v, v 0. λ K, entonces P (T ) v = P (λ) v Demostración
32 32 Teorema: Sea T una aplicación lineal sobre un espacio vectorial de V de dim <. El polinomio característico y el polinomio minimal tienen las mismas raíces. Demostración Teorema: Sea T una aplicación lineal sobre un espacio vectorial de V de dim <. Sean λ 1, λ 2,, λ k los autovalores distintos de T. T es diagonalizable sí y sólo sí m T (λ) = (λ λ 1 )(λ λ 2 ) (λ λ k ) Demostración Si v es un autovector, entonces, uno de los operadores (T λ 1 I), (T λ 2 I),, (T λ k I) al aplicarlo a v da 0. Por lo tanto (T λ 1 I)(T λ 2 I) (T λ k I)v = 0
33 33 para todo autovector. Como existe una base de autovectores, se tiene que p(t ) = (T λ 1 I)(T λ 2 I) (T λ k I) = 0 (es el operador nulo por anularse en un base) falta la vuelta Teorema de Cayley-Hamilton: Sea T una aplicación lineal sobre un espacio vectorial de V de dim <. Si P C es el polinomio característico de T, entonces P C (T ) = 0 Demostración Sea { v 1, v 2,, v n } una base de V y sea A la matriz que representa a T en la base dada. Entonces T v i = n j=1 A ji v j, 1 i n Estas ecuaciones pueden escribirse en forma equivalente
34 34 n (A ji I δ ij T )v j = 0, 1 i n j=1 Sea B K n n con elementos B ij = δ ij T A ji I Cuando n = 2, ( ) A11 I T A B = 21 I A 12 I A 22 I T y det(b) = (A 11 I T )(A 22 I T ) A 12 A 21 I det(b) = T 2 (A 11 + A 22 )T + (A 11 A 22 A 12 A 21 )I det(b) = f(t ) donde f es el polinomio característico
35 35 f = λ 2 (traza(a))λ + det(a) Para n > 2, también se tiene det(b) = f(t ), ya que f es el determinante de la matriz (A λi) cuyos elementos son los polinomios (A λi) ij = A ij δ ij Se quiere ver que f(t ) = 0, y para eso es necesario y suficiente ver que det(b)v k = 0 para 1 k n Por la definición de B, los vectores v 1, v 2,, v n satisfacen n j=1 B ij v j = 0, 1 i n Cuando n = 2, ( A11 I T A 21 I A 12 I A 22 I T ) ( v1 v 2 ) = ( 0 0 )
36 B B = ( det(b) 0 0 det(b) ) 36 Luego, se tiene (det(b)) ( v1 v 2 ) = B (B = ( 0 0 = B B ( v1 v 2 ) ) ) ( v1 v 2 ) En el caso general, se tiene que, como n j=1 B ij v j = 0, 1 i n n B ki B ij v j = 0
37 37 n i=1 n j=1 B ki B ijv j = 0 n n ( j=1 i=1 B ki B ij)v j = 0 Ahora B B = det(b)i. con lo que n i=1 B ki B ij = δ ij det(b) Por lo tanto n j=1 δ kj (det(b))v j = 0 = (det(b))v k, 1 k n
38 38 Teorema de la descomposición prima: Sea T una aplicación lineal sobre un espacio vectorial de V de dim <. Sea m T (λ) el polinomio minimal de T cuya factorización prima es m T (λ) = p r 1 1 pr 2 2 pr k k los p i son los polinomios primos en P K [λ], todos distintos. Sea W i = Nu(p r i i (T )). Entonces 1. V = W 1 W 2 W k 2. Cada W i es invariante por T (T (W i ) W i ) como poli- 3. Si T i = T W i ( W restringido a W i ), entonces T i tiene a p r i i nomio minimal Demostración EJEMPLO 1 : (hecho en clase) Aplicar el TDP a T =
39 39 Por el TDP p 1 = (λ 2) 2, (r 1 = 2) y p 2 = (λ 1), (r 2 = 1) W i = Nu(p r i i (T )). W 1 = Nu(p r 1 1 (T )) = Nu(T 2I)2. Una base de W 1 es (1, 1, 2), (1, 1, 0) ((1, 1, 2) es base de Nu(T 2I)) W 2 = Nu(p r 2 2 (T )) = Nu(T 1I) = E(1). Una base es (1, 0, 2) En la base B = (1, 1, 2), (1, 1, 0)(1, 0, 2). Como, T (1, 1, 2) = 2(1, 1, 2), T (1, 1, 0) = (4, 4, 4) = 2(1, 1, 2) + 2(1, 1, 0) y T (1, 0, 2) = (1, 0, 2) la matriz de T es casi diagonal! y se tiene que V = R 3 = W 1 W 2 (T ) B =
40 40 EJEMPLO 2 : (hacer) T : V V, V = R 5 y m T (λ) = (λ 2 + 1)(λ 1)(λ + 1) 2 W 1 = Nu(p r 1 1 (T )) = Nu(T 2 + I) W 2 = Nu(p r 2 2 (T )) = Nu(T 1I) = E(1) W 3 = Nu(p r 3 3 (T )) = Nu(T + I)2 V = R 5 = W 1 W 2 W 3 NOTA: Si aplicamos el teorema anterior en el caso que T sea un operador diagonalizable se tiene que m T (λ) = (λ λ 1 )(λ λ 2 ) (λ λ k ) donde λ 1, λ 2,, λ k son los autovalores distintos de T y entonces, W i = Nu(T λ i I) = E(λ i ) V = E(λ 1 ) E(λ 1 ) E(λ k ) (ver Corolario de la página 25)
41 41 DEFINICIÓN: Sea N una aplicación lineal sobre un espacio vectorial V. Se dice que N es nilpotente si existe algún entero positivo r tal que N r = 0. Se tiene el siguiente resultado: Teorema: Sea T una aplicación lineal sobre un espacio vectorial de V de dim <. Supongamos que m T (x) = (x λ 1 ) r 1 (x λ 2) r 2 (x λ k) r k. Entonces existe un operador D diagonalizable y N un operador lineal nilpotente tal que 1. T = D + N 2. DN = ND k 1.4. Forma de Jordan de matrices de orden 2 Sea T L(V ), V espacio vectorial de dimensión dos, y supongamos su matriz, en cierta base es ( ) a b T = c d
42 42 Su polinomio característico es P (λ) = (a λ)(d λ) cb con lo que P (λ) = 0 es una ecuación de grado 2 en la variable λ y se tendrán dos casos diferentes según las dos soluciones sean iguales o distintas. 1. Caso I Las raíces del polinomio característico son distintas λ 1 λ 2. En este caso la matriz T es diagonalizable. (ver...). Su forma de Jordan es J = ( λ1 0 0 λ 2 y T = P JP 1 donde la matriz P del cambio de base tiene en sus columnas las coordenadas de vectores x e y Nu(T λ i I), i = 1, 2 respectivamente 2. Caso II Las raíces del polinomio característico coinciden λ 1 = λ 2 En este caso, si Nu(T λ 1 I) tiene dimensión 1, no podremos encontrar una base de autovectores en V y se tiene el siguiente resultado: )
43 43 Lema: Si T tiene dos autovalores iguales λ, (T λ i I) 2 = 0 Demostración Sea E 1 = Nu(T λi) y E 2 = Nu(T λi) 2, el lema anterior nos dice que E 2 coincide con el espacio vectorial V que estamos considerando y es de dimensión dos. Como E 1 tiene dimensión 1 podemos encontrar u 2 E 2 E 1, tomar u 1 = (T λi) u 2. u 1 y u 2 son linealmente independientes ya que u 1 E 1, u 2 / E 2 y ninguno de ellos es el vector nulo. Como V es un espacio de dimensión 2, u 1 y u 2 forman una base de V. En esta base tenemos, (T λi) u 1 = 0 T u 1 = λ u 1 (T λi) u 2 = u 1 T u 2 = u 1 + λ u 2
44 44 con lo que la matriz de la transformación lineal en esta base es ( λ 1 0 λ ) Se pueden resumir estos resultados en la siguiente proposición, en donde K designa el cuerpo de los números reales o el de los complejos PROPOSICIÓN: Dada una matriz T M 2 2 (K) siempre puede encontrarse una matriz J M 2 2 (K) de una cualquiera de las formas ( ) ( ) λ1 0 λ 1 o 0 λ 2 0 λ con λ 1, λ 2 K y una matriz P M 2 2 (K) tal que T = P JP 1 La matriz J se denomina matriz de Jordan de T.
45 Forma de Jordan de matrices de orden 3 Ahora veremos lo anterior para aplicaciones lineales entre espacios vectoriales de dimensión 3. Servirá para comprender los resultados teóricos necesarios para obtener la forma de Jordan en espacios vectoriales de cualquier dimensión. Intentaremos reducir la matriz a su forma de Jordan. Sus autovalores son λ 1 = 2 (simple) y λ 2 = 2 (doble) E 1 (2) = Nu(T 2I) = α α K
46 E 1 ( 2) = Nu(T + 2I) = α α K 46 Como E 1 (2) + E 1 ( 2) no llena todo el espacio no podemos elegir una base de autovectores. Se debe realizar un trabajo análogo al realizado en el caso de raíces iguales para matrices de orden 2. Calculamos E 2 ( 2) = Nu(T + 2I) 2. Es el subespacio vectorial de dimensión 2, E 2 ( 2) = Nu(T + 2I) 2 = α β α, β K Como E 1 (2) + E 2 ( 2) llena todo el espacio podemos elegir una base de V de manera que la matriz de T en esta base sea sencilla.
47 47 Sea u 3 = un vector de E 2 ( 2) que no está en E 1 ( 2) y tomemos u 2 = (T + 2I) = { u 1, u 2, u 3 } es una base y en esa base la expresión para la aplicación que tiene a T como matriz es T u 1 = 2 u 1, T u 2 = 2 u 1, T u 3 = u 2 2 u 3
48 Teorema de clasificación de Jordan Denominamos matriz elemental de Jordan de orden k y autovalor λ C a la matriz de orden k cuyos elementos son todos nulos, excepto los de la diagonal principal, que valen λ y los situados inmediatamente encima de la diagonal principal que son unos. Por ejemplo: J 1 (λ) = (λ) J 2 (λ) = y así sucesivamente. ( λ 1 0 λ ) J 3 (λ) = λ λ λ
49 49 Se llama matriz de Jordan a cualquier matriz cuadrada formada por yuxtaposición de matrices elementales de Jordan a lo largo de la diagonal, de la forma donde J ij = λ i λ i λ i J 1j J 2j J nj Un operador T puede expresarse en la forma canónica de Jordan si sus polinomios característico y minimal se factorizan en polinomios lineales. Esto siempre es verdader si el cuerpo K es C. Análogamente toda matriz es semejante a una matriz en forma canónica de Jordan.
50 NOTA: La matriz J se llama forma canónica de Jordan del operador T. A J ij se lo llama bloque de Jordan correspondiente al valor propio λ i. 50 Teorema de Jordan: Sea T L(V ) cuyos polinomios característico y minimal son respectivamente, P (λ) = (λ λ 1 ) n 1(λ λ 2 ) n 2 (λ λ k ) n k m T (λ) = (λ λ 1 ) m 1(λ λ 2 ) m 2 (λ λ k ) m k donde los λ i son distintos. Entonces T tiene una representación matricial J que es diagonal por bloques. Para cada λ i los bloques correspondientes J ij tienen las siguientes propiedades: 1. Existe al menos un J ij de orden m i, los demás J ij son de orden m i 2. La suma de los órdenes de los J ij es n i 3. La cantidad de J ij es igual a la multiplicidad geométrica de λ i (dimensión de E(λ i ) 4. La cantidad de J ij de cada orden posible está determinado únicamente por T.
51 51 EJEMPLO: Supongamos P (λ) = (λ 2) 4 (λ 3) 3 y m T (λ) = (λ 2) 2 (λ 3) 2 Se quiere hallar su matriz de Jordan aplicando el teorema anterior: Como m 1 = m 2 = 2 existe al menos un bloque de orden 2 para cada λ, λ 1 = 2 y λ 2 = 3. La suma de los órdenes de los bloques para λ 1 = 2 es n 1 = 4 y para λ 2 = 3 es n 2 = 3 La cantidad de bloques es la multiplicidad geométrica. Para λ 2 = 3, hay un bloque de orden 2 y uno de orden 1. Para λ 1 = 2 hay 2 posibilidades, dependiendo de su multiplicidad geométrica:
52 52 En el primer caso, la multiplicidad geométrica es 2, hay 2 bloques de orden 2. En el segundo, la multiplicidad geométrica es 3, hay 3 bloques, 1 de orden 2 y 2 de orden 1. Observar que la cantidad de 1 en la matriz de Jordan corresponde a la resta: multiplicidades algebraicas - mult. geométricas. 3 = en el primer caso y 2 = en el segundo.
ALGEBRA LINEAL Segundo Semestre. Parte II
1 Universidad Nacional de La Plata Facultad de Ciencias Astronómicas y Geofísicas ALGEBRA LINEAL 2015 Segundo Semestre Parte II 2 1. Valores y Vectores propios. Diagonalización.Forma de Jordan. 1.1. Polinomios
Más detallesAutovalores y autovectores Diagonalización y formas canónicas
Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,
Más detallesValores 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 detallesGeometría afín y proyectiva, 2016 SEMANA 4
Geometría afín y proyectiva, 2016 SEMANA 4 Sonia L. Rueda ETS Arquitectura. UPM September 30, 2016 Geometría afín y proyectiva 1. Álgebra Lineal 2. Geometría afín y eucĺıdea 3. Cónicas y cuádricas Álgebra
Más detallesUNIVERSIDAD 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 detallesDiagonalización 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 detallesTEMA 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 detallesTEMA 7. DIAGONALIZACION Y Y FORMAS CANONICAS 1. ENDOMORFISMOS NILPOTENTES
TEMA 7. DIAGONALIZACION Y Y FORMAS CANONICAS 1. ENDOMORFISMOS NILPOTENTES Definición 1.1. Endomorfismo Nilpotente. Un endomorfismo T End(V ) es nilpotente si existe n N tal que f n 0. Definición 1.. Matriz
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 detallesPodemos 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 detallesTema 2: Diagonalización
TEORÍA DE ÁLGEBRA II: Tema 2. DIPLOMATURA DE ESTADÍSTICA 1 Tema 2: Diagonalización 1 Introducción Sea f : R n R n lineal. Dada una base B de R n podemos asociar a f la matriz A 1 = [f, B] M n. Si C es
Más detallesDiagonalización. Tema Valores y vectores propios Planteamiento del problema Valores y vectores propios
61 Matemáticas I : Álgebra Lineal Tema 6 Diagonalización 61 Valores y vectores propios 611 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial
Más detallesPreparaduría V. 1.- Sea A una matriz diagonal n n cuyo polinomio característico es
Preparaduría V 1.- Sea A una matriz diagonal n n cuyo polinomio característico es (x c 1 ) d1 (x c 2 ) d2... (x c k ) d k donde los c 1,..., c k son distintos dos a dos. Sea V el espacio de matrices n
Más detallesPráctica 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 detallesÁlgebra Lineal. Maestría en Ciencias Matemáticas. x y + z = 1 x y z = 3 2x y z = 1. x + y + 2z = 1 4x 2ty + 5z = 2 x y + tz = 1
Álgebra Lineal Maestría en Ciencias Matemáticas Resuelva el siguiente sistema usando la factorización LU o P T LU (según sea el caso) x y + z = x y z = 3 2x y z = 2 Calcule A usando el algoritmo de Gauss-Jordan:
Más detallesTema 2. Aplicaciones lineales. Diagonalización de endomorfismos.
Tema 2. Aplicaciones lineales. Diagonalización de endomorfismos. Álgebra Lineal Escuela Politécnica Superior Universidad de Málaga Emilio Muñoz-Velasco (Basado en los apuntes de Jesús Medina e Inmaculada
Más detallesTema 3: Forma canónica de Jordan de una matriz.
Forma canónica de Jordan de una matriz 1 Tema 3: Forma canónica de Jordan de una matriz. 1. Planteamiento del problema. Matrices semejantes. Matrices triangularizables. El problema que nos planteamos en
Más detalles1. DIAGONALIZACIÓN Y FORMAS CANÓNICAS
1 1. DIAGONALIZACIÓN Y FORMAS CANÓNICAS Sea f : V V un endomorfismo de V, f End(V, con V un K-espacio vectorial de dimensión n, y sean B = {e 1,..., e n } B = {e 1,..., e n} bases de V. La matriz de f
Más detallesÁlgebra 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 detallesÁlgebra 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 detallesValores 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 detallesAP = 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 detallesDiagonalización 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 detallesSea V un conjunto no vacío (cuyos elementos se llamarán vectores) y sea K un cuerpo (cuyos elementos se llamarán escalares).
Capítulo 6 Espacios Vectoriales 6.1 Definiciones Sea V un conjunto no vacío (cuyos elementos se llamarán vectores) y sea K un cuerpo (cuyos elementos se llamarán escalares). Definición 6.1.1 Se dice que
Más detallesRESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS
RESUMEN DEL TEMA 7 VALORES Y VECTORES PROPIOS 1. Determinantes El determinante de una matriz cuadrada n n A = a 21 a 22 a 2n a n1 a n2 a nn es un número real, y se representa por: A = a 21 a 22 a 2n a
Más detallesÁlgebra Lineal. Tema 8. Valores y vectores propios. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Tema 8. Valores y vectores propios Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S. V ILLASEÑOR
Más detallesÁlgebra Lineal UCR. Sétimo tema, 2013
Álgebra Lineal UCR Sétimo tema, 2013 Presentaciones basadas principalmente en Arce,C, Castillo,W y González, J. (2004) Álgebra lineal. Tercera edición. UCR. San Pedro. Otras fuentes serán mencionadas cuando
Más detalles5. Autovalores y autovectores
172 Autovalores y autovectores Al ser x 0 = y = P 1 x 0yportanto,λ es un autovalor de A. Recíprocamente, si λ es un autovalor de A existe un vector x 0talque A x = λx y por tanto, 5. Autovalores y autovectores
Más detalles5. 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 detallesMATEMÁTICAS I 2º EXAMEN PARCIAL 12 junio de 2009
Sólo una respuesta a cada cuestión es correcta. Respuesta correcta: 0.2 puntos. Respuesta incorrecta: -0.1 puntos Respuesta en blanco: 0 puntos 1.- Un sistema generador G de R 3 : a) Está constituido por
Más detallesProposición Sea V un espacio vectorial sobre K de dimensión n y B una base de V. Gl(n, K) = {A M(n n, K) A = 0}.
Tema 6 Formas canónicas 6.1 Introducción Proposición 6.1.1. Sea V un espacio vectorial sobre K de dimensión n y B una base de V. La aplicación Φ B : End(V ) M(n n, K) definida por Φ B (f) = M B (f), es
Más detallesÁLGEBRA LINEAL. EXAMEN FINAL 18 de Enero de b) (0, 5 puntos) Estudia si la siguiente afirmación es verdadera o falsa, justificando
ÁLGEBRA LINEAL EXAMEN FINAL 8 de Enero de Apellidos y Nombre: Duración del examen: 3 horas Publicación de notas: enero Revisión de Examen: feb Ejercicio. ( puntos a (, puntos Estudia si la siguiente afirmación
Más 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 detallesAPÉNDICE A. Algebra matricial
APÉNDICE A Algebra matricial El estudio de la econometría requiere cierta familiaridad con el álgebra matricial. La teoría de matrices simplifica la descripción, desarrollo y aplicación de los métodos
Más detalles2 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 detallesMaterial para el examen final
Algebra Lineal 2, FAMAT-UG, ene-jun, 2004 Material para el examen final 31 de mayo, 2004 Definiciones: Hay que saber las definiciones precisas de todos los siguientes términos, y conocer ejemplos concretos
Más detallesSesión 18: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K
Sesión 8: Diagonalización (I) Método práctico para diagonalizar una matriz cuadrada A M nxn K ) Calculamos los valores propios de A y sus multiplicidades algebraicas con: d A λ = det A λi nxn = Si d A
Más detalles2.7 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 detallesProducto Escalar. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31
Producto Escalar AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Producto Escalar 1 / 31 Objetivos Al finalizar este tema tendrás que: Saber usar el producto escalar. Calcular
Más detalles2.5 Ejercicios... 59
Índice General 1 Espacios vectoriales 1 1.1 Espacios vectoriales y subespacios......................... 1 1.1.1 Preliminares................................. 1 1.1.2 Espacios vectoriales.............................
Más detallesRelación 1. Espacios vectoriales
MATEMÁTICAS PARA LA EMPRESA Curso 2007/08 Relación 1. Espacios vectoriales 1. (a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy) Demuestra que IR
Más detalles2. Teorema de las multiplicidades algebraica y geométrica.
Guía. Álgebra III. Examen parcial II. Valores y vectores propios. Forma canónica de Jordan. Teoremas con demostraciones que se pueden incluir en el examen El examen puede incluir una demostración entera
Más detalles1 Autovalores y autovectores asociados a un endomor smo f. Diagonalización.
utovalores y autovectores asociados a un endomor smo f Diagonalización Dado un endomor smo f de un espacio vectorial real V y jada una base B de V obtenemos una única matriz asociada a f respecto de la
Más detallesSEGUNDO PARCIAL - EJERCICIOS DE REPASO
Algebra y Geometría 28 SEGUNDO PARCIAL - EJERCICIOS DE REPASO 3-6-8 ESPACIOS VECTORIALES. Construya en R 2 un subconjunto que sea: a cerrado para la suma y resta de vectores, pero no para la multiplicacion
Más detallesÁlgebra Lineal. Tema 7. La forma canónica de Jordan
Álgebra Lineal Tema 7 La forma canónica de Jordan Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J S ALAS, A T ORRENTE Y EJS V ILLASEÑOR Índice
Más detallesTema 21. Exponencial de una matriz Formas canónicas de Jordan.
Tema 21 Exponencial de una matriz En este tema vamos a definir y calcular la exponencial de una matriz cuadrada mediante una expresión formalmente análoga al desarrollo en serie de potencias de la exponencial
Más detallesMatemáticas para la Empresa
Matemáticas para la Empresa 1 o L. A. D. E. Curso 2008/09 Relación 1. Espacios Vectoriales 1. a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy)
Más detallesDiagonalización de matrices
7 Diagonalización de matrices 7.1. Matrices diagonalizables Existen diversos procesos en los que el estado en cada uno de sus pasos se puede representar por un determinado vector y en los que, además,
Más detalles4. Endomorfismos. 2 Autovalores y autovectores. 1 Introducción. 2.1 Definición y propiedades. 2.2 Subespacios característicos.
Tema III Capítulo 4 Endomorfismos Álgebra Lineal I Departamento de Métodos Matemáticos y de Representación UDC 4 Endomorfismos 1 Introducción Vimos en el capítulo anterior que un endomorfismo es una aplicación
Más 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 detallesDepartamento de Ingeniería Matemática - Universidad de Chile
Ingeniería Matemática FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS UNIVERSIDAD DE CHILE Álgebra Lineal 08-2 SEMANA 7: ESPACIOS VECTORIALES 3.5. Generadores de un espacio vectorial Sea V un espacio vectorial
Más detallesFormas 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 detallesAplicaciones Lineales. Diagonalización de matrices.
Tema 2 Aplicaciones Lineales. Diagonalización de matrices. 2.1. Definiciones y propiedades Nota 2.1.1. En este tema trabajaremos con los Espacios Vectoriales R n y R m definidos sobre el cuerpo R. Definición
Más detalles2 Espacios vectoriales
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 2 Espacios vectoriales 2.1 Espacio vectorial Un espacio vectorial sobre un cuerpo K (en general R o C) es un conjunto V sobre el que hay
Más detallesGabriela Jeronimo, Juan Sabia y Susana Tesauri. Álgebra lineal
Gabriela Jeronimo, Juan Sabia y Susana Tesauri Álgebra lineal Buenos Aires, agosto de 2008 Prefacio El álgebra lineal es una herramienta básica para casi todas las ramas de la matemática así como para
Más detalles. Calcular como en el ejercicio 3: A 1 1. i 0., iii) 1 i i a
Primer Cuatrimestre 2006 Álgebra Lineal - Práctica 8 1 Sea A C n n y sean λ 1,, λ n las raíces del polinomio característico de A contadas con multiplicidad (a) Probar que det(a) = (b) Probar que tr(a)
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 detallesTÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA
ESCUELA ESTUDIOS DE TÉCNICA SUPERIOR DE INGENIERÍA INFORMÁTICA DEPARTAMENTO DE INGENIERÍA INFORMÁTICA MATEMÁTICA APLICADA I ÁLGERA LINEAL OLETINES DE PROLEMAS Curso 8-9 Sistemas de ecuaciones lineales.
Más detallesUniversidad de Salamanca
Universidad de Salamanca Gloria Serrano Sotelo Departamento de MATEMÁTICAS 1. Subespacios invariantes por un endomorfismo Sea E un k-espacio vectorial y T un endomorfismo de E. Un subespacio vectorial
Más detallesALGEBRA 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 detallesA = [a 1 a 2 a 3. El sistema Ax = c tiene infinitas soluciones N. Existe un único vector x tal que T (x) = c X. T es suprayectiva
Asignatura: ÁLGEBRA LINEAL Fecha: 6 de Julio de Fecha publicación notas: 6 de Julio de Fecha revisión examen: de Julio de Duración del examen: horas y media APELLIDOS Y NOMBRE: DNI: Titulación:. ( punto:,
Más detallesExamen 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 detalles1. Espacio vectorial. Subespacios vectoriales
Álgebra lineal y Geometría I Gloria Serrano Sotelo Departamento de MATEMÁTICAS Sea k un cuerpo. 1. Espacio vectorial. Subespacios vectoriales Definición 1.1. Un k-espacio vectorial o espacio vectorial
Más detallesFormas 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 detalles6. 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 detallesAlgebra 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 detallesEndomorfismos: autovalores, autovectores, diagonalización
Capítulo 14 Endomorfismos: autovalores, autovectores, diagonalización Consideraremos en este capítulo endomorfismos f : IR n IR n, siendo IR n espacio vectorial sobre IR. 14.1 Valores y vectores propios
Más detallesÁlgebra lineal II Examen Parcial 1
UNIVERSIDAD DE COSTA RICA ESCUELA DE MATEMATICA Álgebra lineal II Examen Parcial II Semestre 204 Nick Gill Instrucciones: Puede usar cualquier proposición de las lecciones, inclusive los ejercicios. Si
Más detallesDiagonalización y Formas canónicas en la semejanza. Antonia González Gómez Dep. de Matemáticas Aplicadas a los Recursos Naturales ETSI de Montes UPM
y Formas canónicas en la semejanza Antonia González Gómez Dep. de Matemáticas Aplicadas a los Recursos Naturales ETSI de Montes UPM Índice 1. Introducción 2 2. Autovalores, autovectores y autoespacios
Más detalles7.1 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 detallesAutovalores y Autovectores - Diagonalización
Autovalores y Autovectores - Diagonalización Última edición: 9//9 Autovalores y Autovectores Sea A K nxn (matriz cuadrada): Denición K es autovalor (ava) de A si existe v K n ; no nulo (v 6= K n) tal que
Más detallesCapítulo 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 detallesMatrices. 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 detallesTema 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 detallesUNIVERSIDAD DEL NORTE Departamento de Matemáticas y Estadística Álgebra Lineal Ejercicios resueltos- Mayo de 2018
UNIVERSIDAD DEL NORTE Departamento de Matemáticas y Estadística Álgebra Lineal Ejercicios resueltos- Mayo de 2018 I. Sistemas homogéneos, subespacios, dependencia e independencia lineal 1. En cada caso
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 detallesAplicaciones lineales.
Tema 4 Aplicaciones lineales. Definición 4. Sea f: V W una aplicación entre los espacios vectoriales reales V y W. Se dice que f es una aplicación lineal si: a f(u + v = f(u + f(v; u, v V, b f(ku = kf(u;
Más detallesPráctica 6: Autovalores y autovectores - Diagonalización
ALGEBRA LINEAL Primer Cuatrimestre 2010 Práctica 6: Autovalores y autovectores - Diagonalización 1. Calcular el polinomio característico, los autovalores y los autovectores de la matriz A en cada uno de
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesTema 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 detallesValores y vectores propios
Valores y vectores propios Departamento de Matemáticas, CCIR/ITESM 4 de enero de 20 Índice 8.. Definición de valor y vector propio.................................. 8.2. Determinación de los valores propios.................................
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 detallesMATRICES Y SISTEMAS DE ECUACIONES
MATRICES Y SISTEMAS DE ECUACIONES Definición Una matriz real de orden m n es una tabla ordenada de m n números reales a 11 a 12 a 1n A = a 21 a 22 a 2n a m1 a m2 a mn en la cual las líneas horizontales
Más detallesAUTOVALORES Y AUTOVECTORES
12 de Julio de 2011 AUTOVALORES Y AUTOVECTORES (Clase 01) Departamento de Matemática Aplicada Facultad de Ingeniería Universidad Central de Venezuela 1 Puntos a tratar 1. Valores y vectores propios 2.
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 detallesÁlgebra Lineal. Ejercicios de evaluación. Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas
Álgebra Lineal Ejercicios de evaluación Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S. V ILLASEÑOR Problema
Más detallesTEMA 5: Aplicaciones Lineales. Diagonalización.
TEMA 5: Aplicaciones Lineales. Diagonalización. 1. Aplicaciones Lineales 1.1. Definición, propiedades y ejemplos. Definición 1. Dados dos espacios vectoriales V y V sobre un mismo cuerpo K, una aplicación
Más detallesa n1 a n2 a nn x n a ij x i x j = [x] t B A+At ) t = At +(A t ) t = At +A x j x i = s ij x i x j + s ji x j x i 2 x i x j + a ij + a ji
16 Fundamentos de Matemáticas : Álgebra Lineal Capítulo 1 Formas cuadráticas Aunque, pueda parecernos que vamos a estudiar un nuevo concepto, un caso particular de las formas cudráticas ya ha sido estudiado,
Más detallesExámenes Finales Álgebra Lineal Matemática - Computación
Exámenes Finales Álgebra Lineal Matemática - Computación Escrito y editado por: Gabriel R. (Estudiante de Lic. en Ciencias Matemáticas FCEN UBA) Website: WWW.FDXMATHS.COM Facebook: WWW.FACEBOOK.COM/FDXMATHS
Más detallesAquella que tiene nulos los elementos nos situados en la diagonal principal. Los elementos situados por encima de la diagonal principal son nulos.
Álgebra lineal Matrices Rango de una matriz Orden del mayor menor complementario no nulo. Matriz regular det A Diagonal principal Elementos a ii de la matriz. Si la matriz es cuadrado son los elementos
Más detallesTema 1: Espacios vectoriales
PROBLEMAS DE MATEMÁTICAS Parte I: Álgebra Primero de Químicas FACULTAD DE CIENCIAS QUÍMICAS Departamento de Matemáticas Universidad de Castilla-La Mancha Tema 1: Espacios vectoriales 1 Determina si cada
Más detallesEl grupo lineal proyectivo. Homologías. Afinidades.
Tema 3- El grupo lineal proyectivo Homologías Afinidades 31 El grupo lineal proyectivo Recordamos que en el tema anterior hemos definido, para una variedad lineal proyectiva L P n no vacía, el grupo lineal
Más detallesMaterial 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 detallesÁLGEBRA LINEAL. EXAMEN EXTRAORDINARIO 5 de Julio de T (e 1 ) = e 1 e 2 + 2e 3 T (e 2 ) = e 1 + 2e 2 3e 3. [T (e 1 ) T (e 2 )] =
ÁLGEBRA LINEAL EXAMEN EXTRAORDINARIO 5 de Julio de Apellidos y Nombre: Ejercicio. Sea T : R R 3 una transformación lineal definida como: T (e ) = e e + e 3 T (e ) = e + e 3e 3 donde {e, e }, {e, e, e 3}
Más detalles