Valores y Vectores Propios
|
|
- Ramona del Río Valverde
- hace 6 años
- Vistas:
Transcripción
1 Valores y Vectores Propios Iván Huerta Facultad de Matemáticas Pontificia Universidad Católica de Chile ihuerta@mat.puc.cl Segundo Semestre, 1999
2 Definición Valores y Vectores Propios Valores y Vectores Propios Definición 1. Sea A matriz compleja de n n. Sean λ C y x 0 tal que Ax = λx El escalar λ se llama valor propio de A. El vector x se llama vector propio de A asociado al valor propio λ. 1
3 Definición Ejemplo 1. Sea A = [ [ Puesto que [ 1 1 = 3 [ 1 1 Valores y Vectores Propios tenemos que λ 1 = 3 es valor propio de A, y v 1 = [1 1 T es vector propio de A asociado al valor propio λ = 3 2
4 Cálculo de Valores Propios Polinomio Característico Además, puesto que [ [ 1 1 = [ 1 1 tenemos que λ 2 = 1 es valor propio de A v 2 = [1 1 T es vector propio de A asociado a λ = 1 3
5 Cálculo de Valores Propios Polinomio Característico Cálculo de Valores Propios λ es valor propio de A x 0 tal que Ax = λx x 0 tal que Ax λx = 0 x 0 tal que (A λi)x = 0 A λi no tiene inversa A λi = 0 Para determinar los valores propios de A hay que resolver la ecuación A λi = 0. 4
6 Cálculo de Valores Propios Polinomio Característico Definición 2. El polinomio característico de una matriz A es P A (λ) = A λi a 1,1 λ a 1,2 a 1,n 1 a 1,n a 2,1 a 2,2 λ a 2,n 1 a 2,n = a n 1,1 a n 1,2 a n 1,n 1 λ a n 1,n a n,1 a n,2 a n,n 1 a n,n λ = ( λ) n + b n 1 λ n b 1 λ + b 0 Si A de n n entonces P A (λ) es un polinomio de grado n pues A λi es la sumatoria de n! términos donde cada uno de ellos es el producto n elementos de la matriz A λi (tomados de distintas filas y columnas de A). 5
7 Cálculo de Valores Propios Polinomio Característico Entonces donde P A (λ) = (λ 1 λ) s 1 (λ 2 λ) s2 (λ p λ) s p λ i C, i = 1,..., p son las raices distintas de P A s i es la multiplicidad algebraica del valor propio λ = λ i s 1 + s s p = n Proposición 1. a) λ = λ i es valor propio de A sii P A (λ i ) = 0 b) Una matriz A de n n tiene a lo más n valores propios. Una matriz real puede tener valores propios complejos. 6
8 Cálculo Vectores Propios Subespacios Propios Cálculo de Vectores Propios Suponga que λ = λ i es un valor propio (conocido). Para calcular sus vectores propios asociados hay que resolver el sistema Ax = λ i x. Ax = λ i x Ax λ i x = 0 (A λ i I)x = 0 x Ker(A λ i I) 7
9 Cálculo Vectores y Valores Propios Ejemplos Definición 3. W λi = Ker(A λ i I) se llama subespacio propio asociado al valor propio λ = λ i. Cada vector x 0 perteneciente a W λi es un vector propio. Si x, y x son vectores propios para λ = λ i y α 0 entonces x + y, αx son también vectores propios para λ = λ i. g i = dim(ker(a λ i )) se llama la multiplicidad geométrica del valor propio λ = λ i.la multiplicidad geométrica de un valor propio es igual al máximo número de vectores propios linealmente independientes asociados a λ = λ i. 8
10 Cálculo Vectores y Valores Propios Ejemplos Ejemplo 2. Para la matriz A del Ejemplo 1 tenemos: A λi = = [ [ λ λ λ = (1 λ) 2 4 = (1 λ 2)(1 λ + 2) = (3 λ)( 1 λ) = 0 Por lo tanto λ 1 = 3 con multiplicidad algebraica s 1 = 1 y λ 2 = 1 con multiplicidad algebraica s 2 = 1 son los valores propios de A. 9
11 Cálculo Vectores y Valores Propios Ejemplos Para λ 1 = 3 tenemos que resolver (A 3I)x = 0. [ [ x1 x 2 = [ [ x1 x 2 = [ 0 0 Tomamos como variable libre a x 2 y variable básica a x 1.Entonces [ 1 W λ1 = Ker(A 3I) = 1 La multiplicidad geométrica de λ 1 = 3 es g 1 = dim(w λ1 ) = 1. El vector [1 1 T es un vector propio de A con valor propio λ = 3. 10
12 Cálculo Vectores y Valores Propios Ejemplos Para λ 2 = 1 tenemos que resolver (A + I)x = 0. [ [ x1 x 2 = [ [ x1 x 2 = [ 0 0 Tomamos como variable libre a x 2 y variable básica a x 1.Entonces [ 1 W λ1 = Ker(A + I) = 1 La multiplicidad geométrica de λ 2 = 1 es g 1 = dim(w λ1 ) = 1. El vector [1 1 T es un vector propio de A con valor propio λ = 1. 11
13 Cálculo Vectores y Valores Propios Ejemplo 3. Sea A = A λi = = [ Entonces, [ [ λ λ 1 1 λ = λ2 + 1 = (i λ)( i λ) Ejemplos Por lo tanto λ 1 = i = 1 con multiplicidad algebraica s 1 = 1 y λ 2 = i con multiplicidad algebraica s 2 = 1 son los valores propios de A. 12
14 Cálculo Vectores y Valores Propios Ejemplos Para λ 1 = i tenemos que resolver (A ii)x = 0. [ i 1 1 i [ x1 x 2 = [ 0 0 El sistema es equivalente a x 1 = ix 2 y por lo tanto [ i W λ1 = Ker(A ii) = 1 La multiplicidad geométrica de λ 1 = i es g 1 = dim(w λ1 ) = 1. El vector [ i 1 T es un vector propio de A con valor propio λ = i. 13
15 Cálculo Vectores y Valores Propios Ejemplos Para λ 2 = i tenemos que resolver (A + ii)x = 0. [ i 1 1 i [ x1 x 2 = [ 0 0 El sistema es equivalente a x 1 = ix 2 y por lo tanto [ i W λ2 = Ker(A + ii) = 1 La multiplicidad geométrica de λ 2 = i es g 1 = dim(w λ2 ) = 1. El vector [i 1 T es un vector propio de A con valor propio λ = i. 14
16 Cálculo Vectores y Valores Propios Ejemplos Observe que Ax = [ [ x1 x 2 = [ x2 x 1 Es decir, Ax es una rotación en 90 o del vector x en el sentido de las manecillas del reloj. Una rotación en 90 o no tiene direcciones invariantes reales, es decir, no tiene vectores propios reales. 15
17 Cálculo Vectores y Valores Propios Ejemplo 4. Para la matriz A = A λi = = [ tenemos: [ [ λ λ λ = (1 λ) 2 Ejemplos Por lo tanto λ 1 = 1 tiene multiplicidad algebraica s 1 = 2 y es el único valor propio de A. 16
18 Diagonalización Matrices de Valores y Vectores Propios Para λ 1 = 1 tenemos que resolver (A I)x = 0. [ [ x1 x 2 = [ [ x1 x 2 = [ 0 0 El sistema es equivalente a la ecuación x 2 = 0. Tenemos que x 2 es variable básica y x 1 variable libre. Entonces [ 1 W λ1 = Ker(A I) = 0 La multiplicidad geométrica de λ 1 = 1 es g 1 = dim(w λ1 ) = 1. El vector [1 0 T es un vector propio de A con valor propio λ = 1. 17
19 Diagonalización Matrices de Valores y Vectores Propios Diagonalización Definición 4. Una matriz A de n n se dice diagonalizable si existen matrices V de n n invertible y D diagonal tal que V 1 AV = D El problema fundamental es: determinar si una matriz A es diagonalizable o nó, y en caso afirmativo, determinar las matrices V y D 18
20 Diagonalización Este es un problema de cambio de base. tiene n vectores propios l.i. Entonces, Matrices de Valores y Vectores Propios Suponga que A A(v 1 ) = λ 1 v 1 = λ 1 v v v n A(v 2 ) = λ 2 v 2 = 0 v 1 + λ 2 v v n. A(v i ) = λ i v i = 0 v λ i v i v n. A(v n ) = λ n v n = 0 v v λ n v n 19
21 Diagonalización Matrices de Valores y Vectores Propios Por el teorema de cambio de base, la matriz que representa a la T.L y = Ax con respecto a la nueva base B es D = V 1 AV, donde D = λ λ λ n λ n = diag(λ 1, λ 2,..., λ n 1, λ n ) 20
22 Diagonalización Matrices de Valores y Vectores Propios Una manera puramente matricial de ver la igualdad V 1 AV = D = diag(λ 1,..., λ n ) es la siguiente: V 1 AV = D AV = V D A[v 1 v 2 v n = [v 1 v 2 v n D [Av 1 Av 2 Av n = [λ 1 v 1 λ 2 v 2 λ n v n Av i = λ i v i La columna i de V es un vector propio de A con valor propio λ = λ i La matriz V es invertible sii sus columnas son linealmente independientes 21
23 Diagonalización Matrices de Valores y Vectores Propios Por ejemplo, para A de 2 2, la relación vectorial Av 1 = λ 1 v 1 Av 2 = λ 2 v 2 puede escribirse como A[v 1 v 2 = [Av 1 Av 2 = [λ 1 v 1 λ 2 v 2 = [v 1 v 2 AV = V D [ λ1 0 0 λ 2 donde V = [v 1 v 2 es la matriz de vectores propios y D = diag(λ 1, λ 2 ) es la matriz diagonal de valores propios Si V tuviera inversa entonces se tendría que V 1 AV = D. 22
24 Diagonalización Matrices de Valores y Vectores Propios Teorema 1. Una matriz A es diagonalizable sii A tiene una base de vectores propios. Más precisamente, donde V 1 AV = D D = diag(λ 1,, λ n ) si y sólo si la columa i-ésima de V es un vector propio v i de A con valor propio λ i. 23
25 Diagonalización Matrices de Valores y Vectores Propios La matriz A del Ejemplo 2 es diagonalizable A = [ V = [ D = [ V es la matriz de vectores propios y D la matriz de valores propios. La matriz A del Ejemplo 3 es diagonalizable en los complejos pero no es diagonalizable en los reales. A = [ V = [ i i 1 1 D = A = [ i 0 0 i V es la matriz de vectores propios y D la matriz de valores propios. 24
26 Diagonalización Matrices de Valores y Vectores Propios La matriz A del Ejemplo 4 no es diagonalizable. No tiene un base de vectores propios. A tiene un sólo vector propio linealmente independiente. 25
27 Diagonalización Ejemplo Ejemplo 5. Sea A = a) Determine los valores propios de A y sus multiplicidades algebraicas y geométricas. b) Es A diagonalizable?, En caso afirmativo muestre dos posibilidades para P y D tal que P 1 AP = D donde D es matriz diagonal. 26
28 Diagonalización Ejemplo Solución El polinomio característico de A es det(a λi) = 28 λ λ λ = λ 2 λ 3 = (λ + 1) ( 2 + λ) 2 Los valores propios de A son: λ 1 = 1 con multiplicidad algebraica 1, y λ 2 = 2 con multiplicidad algebraica igual a 2. 27
29 Diagonalización Ejemplo Para λ 1 = 1 tenemos W λ1 = Ker(A + I) = Ker( ) Por eliminación Gaussiana obtenemos que 5 Ker(A + I) = 2 1 Por lo tanto la multiplicidad geométrica de λ 1 dim(ker(a + I)) = 1. = 1 es 28
30 Diagonalización Ejemplo Para λ 2 = 2 tenemos W λ2 = Ker(A 2I) = Ker( ) Por eliminación Gaussiana resolvemos (A 2I)x = 0 obteniendo 9/2 0 Ker(A 2I) = 0, 1 El valor propio λ = 2 tiene entonces multiplicidad geométrica 2. Es decir, λ = 2 tiene 2 vectores propios l.i
31 Diagonalización Podemos formar infinitas matrices P diagonales D tal que P 1 AP = D. Ejemplo y sólo 3 matrices Dos posibilidades para P y D son P = 0 9/ D = y P = D =
32 Diagonalización Ejemplo Importante: Los vectores propios y los valores propios correspondientes van en las mismas columnas (Los vectores propios en las columnas de V y los valores propios en la diagonal de D). 31
33 Teorema Diagonalización Independencia Lineal de Vectores Propios Teorema 2. Suponga que Av i = λ i v i donde v i 0 y λ i λ j, i j. Entonces el conjunto {v 1, v 2,..., v k } es linealmente independiente. Es decir, vectores propios asociados a valores propios distintos son linealmente independiente. Demostración: La demostración es por inducción. cierta para k = 2. Demostramos que es Supongamos que Av 1 = λ 1 v 1, Av 2 = λ 1 v 2 y λ 1 λ 2. 32
34 Teorema Diagonalización Si α 1 v 1 + α 2 v 2 = 0, (1) entonces, multiplicando por A obtenemos α 1 A(v 1 ) + α 2 A(v 2 ) = 0 Por lo tanto α 1 λ 1 v 1 + α 2 λ 2 v 2 = 0 (2) Sumando λ 1 veces la ecuación 1 a la ecuación 2 obtenemos α 2 (λ 2 λ 1 )v 2 = 0 y por lo tanto α 2 = 0 y entonces α 1 = 0. proposición se cumple para k = 2. Por lo tanto la 33
35 Teorema Diagonalización Supongamos ahora que la proposición se cumple para k 1 y demostramos que es cierta para k Supongamos que α 1 v 1 + α 2 v α k v k = 0 Multiplicando por A obtenemos y por lo tanto α 1 A(v 1 ) + α 2 A(v 2 ) + + α k A(v k ) = 0 α 1 λ 1 v 1 + α 2 λ 2 v α k λ k v k = 0 Sumando λ k veces la ecuación 3 a la ecuación 3 obtenemos α 1 (λ 1 λ k )v 1 +α 2 (λ 2 λ k )v 2 + +α k 1 (λ k 1 λ k )v k 1 = 0 34
36 Teorema Diagonalización Por la hipótesis de inducción v 1,..., v k 1 son l.i. y por lo tanto α 1 (λ i λ k ) = 0 y entonces α i = 0 para i = 1,..., k 1. Reemplazando en 3 obtenemos α k = 0. Hemos demostrado que si la proposición se cumple para k 1 entonces se cumple para k, lo que completa la demostración por inducción. 35
37 Teorema Diagonalización Teorema 3. Si una matriz A de n n tiene n valores propios distintos entonces A es diagonalizable. Demostración: Si Av i = λ i v i donde λ i λ j para i j entonces el conjunto de vectores propios {v 1, v 2,..., v n } es linealmente independiente. Por lo tanto la matriz de n n V = [v 1 v 2 v n de vectores propios de A tiene inversa y entonces V 1 AV = D = diag(λ 1,..., λ n ). 36
38 Teorema Diagonalización Teorema 4. Sean λ i, i = 1,..., p los valores propios distintos de A. Sea B i base de W λi = Ker(A λ i I), del subespacio propio de A, i = 1,..., p. Entonces B i es un conjunto linealmente independiente, o equivalentemente, la suma de los subespacios W λi es directa. Es decir, el máximo número de vectores propios linealmente independientes para un matriz A es igual a la suma de las multiplicidades geométricas de sus valores propios. 37
39 Teorema Diagonalización Demostración: Sea v i,j, j = 1,..., g i base de W λi. Supongamos que α 1,1 v 1, α 1,g1 v 1,g α p,1 v p, α p,g1 v p,g1 + = 0 Sea u i = α i,1 v i, α i,gi v i,gi W λi. Entonces u 1 + u u p = 0 Si algún u i fuera no nulo sea u j1, u j2,..., u jr nulo de los vectores u j. el subconjunto no Entonces este conjunto sería l.d. lo que es una contradicción pues ellos son l.i. por el teorema anterior. 38
40 Teorema Diagonalización Entonces cada u i es nulo y por lo tanto u i = α i,1 v i, α i,gi v i,gi = 0 Como los vectores v i,j, j = 1,..., g i son base de W λi ellos son l.i. y por lo tanto α i,j = 0 para j = 1,..., g i, i = 1,..., p. Hemos demostrado el teorema. 39
41 Teorema Diagonalización Proposición 2. Para cada valor propio la multiplicad geométrica es menor o igual a su multiplicidad algebraica. Es decir, si entonces P A (λ) = (λ 1 λ) s1 (λ p λ) s p. (sin demsotración) 1 g i = dim(ker(a λ i )) s i 40
42 Teorema Diagonalización Teorema 5. A es diagonalizable si y sólo si para cada valor propio de A la multiplicidad geométrica es igual a la multiplicidad algebráica. Demostración: Por la proposición anterior tenemos 1 g i s i. Por lo tanto el máximo número de vectores propios l.i. nvp = g 1 + g g p cumple con nvp = g 1 + g g p s 1 + s 2... s p = n Si algún g i fuera menor que el s i se tendría que nvp < n y por lo tanto no existirían n vectores propios l.i. y A no sería diagonalizable. Si g i = s i para i = 1,..., p se tendría nvp = n. Es decir, A tendría n vectores propios l.i. y A sería diagonalizable. 41
43 Teorema Ejemplo 6. Diagonalización Demuestre que toda matriz de 4 4 de la forma J α = α α α α no es diagonalizable (las matrices de esta forma se llaman bloques de Jordan) 42
44 Teorema Diagonalización El polinomio característico de J α es P A (x) = α x α x α x α x = (α x) 4 Por lo tanto λ 1 = α tiene multiplicidad algebraica 4. 43
45 Teorema Diagonalización Ahora, como A αi = que ya está en la forma escalonada reducida, vemos que dim(ker(a αi)) = 1 y la multiplicidad geométrica de λ 1 = α es 1. Por lo tanto no hay una base de vectores propios (se requieren 4 l.i. pero hay sólo 1) para J α y entonces la matriz no es diagonalizable. 44
46 Teorema Diagonalización Ejemplo 7. Idem que el problema anterior pero para las matrices A = B =
47 Teorema Diagonalización El polinomio característico de A es det(a xi) = x x x x = 13 x 2 6 x 3 12 x + x = ( 1 + x) 2 (x 2) 2 Ambos, λ 1 = 1 y λ 2 = 2 tienen multiplicidad algebraica 2. 46
48 Teorema Diagonalización Calculamos una base de vectores propios para λ 1 = 1. Como Ker (A I) = Ker = [ T vemos que la multiplicidad geométrica de λ 1 = 1 es dim(ker(a I)) = 1. Como la multiplicidad geométrica es menor que la multiplicidad algebraica la matriz A no es diagonalizable. 47
49 Teorema Diagonalización El polinomio característico de B es x 1 1 B xi = 1 x x = x x = x ( x ) Por lo tanto los valores propios de B son λ = 0, i 3, i 3 con i = 1 Como B tiene 3 valores propios distintos, B es diagonalizable. 48
50 Teorema Diagonalización Calculamos bases de los subespacios propios. Ker(B 0 I) = Ker( ) = Ker(B i 3I)) = Ker i i i 3 49
51 Teorema = 1/2 i 3 2 i /2 1 Diagonalización Ker(B + i 3I)) = Ker = 1/2 + i 3 2 1/2 + i i i i 3 50
52 Teorema Diagonalización Por lo tanto una base de vectores propios para B es 1 1 1, 1/2 i 3 2 i /2 1, 1/2 + i 3 2 1/2 + i Una posibilidad para V y D es V = i i i i
53 Prof. I. Huerta D = i i 3 52
54 Propiedades Valores y vectores propios Clase del Jueves 2 de Diciembre Continuación... 53
55 Propiedades Valores y vectores propios Propiedades Matrices Similares Proposición 3. Sea B = P 1 AP entonces i) P A (λ) = P B (λ). ii) A y B tienen los mismos valores propios con las mismas multiplicidades algebraicas y geométricas iii) x es vector p. de B sii P x es vector p. de A. iv) A es diagonalizable sii B es diagonalizable La partes i) y iii) de la proposición son la base de variados métodos computacionales para calcular los valores y vectores propios de una matriz A. 54
56 Propiedades Valores y vectores propios Demostración P B (λ) = P 1 AP λi = P 1 (A λi)p = P 1 A λi P = A λi = P A (λ) Entonces A y B tienen el mismo polinomio característico y por lo tanto los mismos valores propios y multiplicidades algebraicas. Por otra parte Bx = λx P 1 AP x = λx AP x = λp x Ay = λy con y = P x 55
57 Propiedades Valores y vectores propios Sea {v 1, v 2,..., v k } base de Ker(B λi). Puesto que {P v 1, P v 2,..., P v k } es l.i. sii {v 1, v 2,..., v k } es l.i. (pues P
58 Propiedades Valores y vectores propios Solución: El polinomio característico de A es A λi = λ λ = 4 λ + λ2 + 4 = (2 λ) 2 Por lo tanto A tiene un sólo valor propio λ 1 = 2 con multiplicidad algebraica 2. Calculamos los valores propios para λ = 2. [ 2 4 (A 2I)x = 1 2 [ x1 x 2 = 0 57
59 Propiedades Valores y vectores propios Por lo tanto [ 2 Ker(A λi) = 1 A no es diagonalizable pues A no tiene una base de vectores propios. Observe que la condición que define a J dice que J es una matriz similar a A y por lo tanto J tiene que tener los mismos valores propios que A (incluyendo sus multiplicidades) y por lo tanto sin realizar ningún cálculo adicional se puede deducir que β = 2, pues una matriz triangular tiene sus valores propios en la diagonal principal. 58
60 Propiedades Valores y vectores propios Sea V = [v 1 v 2. V 1 AV = J AV = V J [ β 1 A[v 1 v 2 = [v 1 v 2 0 β [Av 1 Av 2 = [βv 1 v 1 + βv 2 Av 1 = βv 1, Av 2 = v 1 + βv 2 Av 1 = βv 1, (A βi)v 2 = v 1 Por lo tanto β es un valor propio de A y entonces β = 2. Además, v 1 es un vector propio asociado a λ = 2 y por lo tanto podemos tomar v 1 = (2, 1) T. 59
61 Propiedades Valores y vectores propios El vector v 2 se obtiene resolviendo el sistema (A 2I)v 2 = [ v 2 = [ 2 1 La solución general es v 2 = ( 1 + 2x 2, x 2 ) T con x 2 libre. Una posibilidad para v 2 es v 2 = ( 1, 0). Por lo tanto V = [ J = [ Hay infinitas posibilidades para V y una sóla para J. 60
62 Propiedades Polinomio Característico Sea A = Propiedades Polinomio Característico [ a b c d. con valores propios λ 1, λ 2. Entonces P A (λ) = (λ 1 λ)(λ 2 λ) = λ 2 (λ 1 + λ 2 )λ + λ 1 λ 2 (3) Por otra parte P A (λ) = a λ b c d λ = (a λ)(d λ) bc = λ 2 (a + d)λ + ad cb (4) Igualando los coeficientes del polinomio P λ (A) en las ecuaciones 61
63 Propiedades Polinomio Característico 3 y 4 obtenemos T r(a) = a + d = λ 1 + λ 2 A = λ 1 λ 2 Definición 5. La traza de una matriz A es la suma de los elementos de la diagonal principal de A T r(a) = n i=1 a i,i 62
64 Propiedades Polinomio Característico Teorema 6. Sean λ 1, λ 2,..., λ n los n valores propios de A (posiblemente repetidos) entonces T r(a) = n a i,i = n λ i, A = λ 1 λ 2 λ n i=1 i=1 Es decir, la traza de A es la suma de sus valores propios (contando las repeticiones) y el determinante de A es el producto de los valores propios (contando las repeticiones). 63
65 Propiedades Polinomio Característico Demostración: P A (λ) = A λi = (λ 1 λ)(λ 2 λ) (λ n λ) = ( λ) n + b n 1 λ n b 1 λ + b 0 Entonces b n 1 = ( 1) n 1 (λ 1 + λ λ n ) P A (0) = b 0 = λ 1 λ 2 λ n Por otra parte P A (0) = A 0 I = A. 64
66 Propiedades Polinomio Característico Además, de la ecuación P A (λ) = a 1,1 λ a 1,2 a 1,n 1 a 1,n a 2,1 a 2,2 λ a 2,n 1 a 2,n a n 1,1 a n 1,2 a n 1,n 1 λ a n 1,n a n,1 a n,2 a n,n 1 a n,n λ = ( λ) n + b n 1 λ n b 1 λ + b 0 obtenemos que b n 1 = ( 1) n 1 (a 1,1 + a 2,2 + a n,n ). Por lo tanto b 0 = A = λ 1 λ 2 λ n y T r(a) = n i=1 λ i. 65
67 Propiedades Polinomio Característico Corolario 1. a) A no tiene inversa sii λ = 0 es valor propio de A. b) Si A, B son matrices de n n similares (B = P 1 AP ) entonces T r(a) = T r(b) 66
68 Funciones de Matrices Potencias Potencias de A Si V 1 AV = D entonces A = V DV 1. Por lo tanto A 2 = A A = (V DV 1 )(V DV 1 ) = V D 2 V 1 A 3 =. A 2 A = (V D 2 V 1 )(V DV 1 ) = V D 3 V 1 A k = A k 1 A = (V D k 1 V 1 )(V DV 1 ) = V D k V 1 Por lo tanto En general, si A k = V D k V 1 D = diag(λ 1, λ 2,..., λ n ) 67
69 Funciones de Matrices entonces Por ejemplo, si A = 1/ D k = diag(λ k 1, λk 2,..., λk n ), entonces A k = (1/2) k k k Potencias 68
70 Funciones de Matrices Potencias se Por lo tanto para evaluar A k para una matriz A diagonalizable calculan sus valores y vectores propios, se forma la matriz de vectores propios V valores propios D y su matriz de Entonces A k = V D k V 1, donde D k se obtiene elevando a k los elementos de la diagonal de D. 69
71 Funciones de Matrices Potencias En muchas aplicaciones es importante estudiar el comportamiento de A k v para un vector v. Si v fuera un vector propio entonces el análisis es sencillo. Si Av = λv entonces A 2 v = A(Av) = A(λv) = λav = λ 2 v. Por inducción A k v = λ k v Si λ > 1, entonces lim k A k v = no existe ( explota ) Si λ < 1, entonces lim k A k v = 0. Si λ = 1, entonces A k v = v. 70
72 Funciones de Matrices Potencias Si b C n y A es diagonalizable entonces las n columnas de V (vectores propios de A) son base de C n. Entonces, b = V x = x 1 v 1 + x 2 v 2 + x n v n Por lo tanto A k b = x 1 λ k 1 v 1 + x 2 λ k 2 v x n λ n n v n Por lo tanto si b tiene una componente no nula con respecto a un vector propio con valor propio con valor absoluto mayor que 1, se tiene que A k b crece sin cota. Si b tiene sólo componentes no nulas con respecto a vectores propios con valor propio con valor absoluto menor que 1, se tiene que lim k A k b = 0. 71
73 Funciones de Matrices Potencias Ejemplo 9. Sea A = [ 0 1 1/2 3/2 a) Determine A 100. b) Determine los vectores x tal que lim n A n x = 0 c) Determine los vectores x tal que lim n A n x existe. d) Calcule lim n A n. e) Determine una matriz X tal que X 2 = A. 72
74 Funciones de Matrices Potencias Solución Calculamos los valores y vectores propios de A. A λi = λ 1 1/2 3/2 λ = λ 2 3/2 λ + 1/2 = (1/2 λ)(1 λ) Por lo tanto los valores propios de A son λ 1 = 1/2, λ 2 = 1. Como A no tiene valores propios repetidos A es diagonalizable. Calculamos los vectores propios de A [ 1/2 1 Ker(A 1/2I) = Ker( 1/2 1 [ 2 ) = 1 73
75 Funciones de Matrices Ker(A I) = Ker( [ 1 1 1/2 1/2 [ 1 ) = 1 Potencias Las matrices de vectores y valores propios son [ 2 1 [ 1/2 0 V = 1 1 D =
76 Funciones de Matrices Potencias Por lo tanto A 100 = V [ D 100 V 1 [ [ (1/2) = [ 2 (1/2) (1/2) = (1/2) (1/2)
77 Funciones de Matrices Potencias lim k A k = lim k V D k V 1 = V [ (lim k ( D k )V 1 [ 2 1 (1/2) k 0 = lim k 1 1 [ ) 1 2 [ [ [ 1 1 = 1 1 [ =
78 Funciones de Matrices Potencias Si x = α 1 [ α 2 [ 1 1 entonces A k x = α 1 (1/2) k [ α 2 [ 1 1 Por lo tanto el conjunto de vectores x tal que lim k A k x = 0 es el subespacio propio W 1/2 = (2, 1) T. El lim k A k x existe para todo x. 77
79 Funciones de Matrices Potencias Finalmente, sea X = V D X V 1. Entonces X 2 = V DX 2 V 1 = A implica que V DX 2 V 1 = V DV 1. Por [ lo tanto si DX 2 = D, 1/2 0 entonces X 2 = A. Puesto que D X = cumple con 0 1 DX 2 = D tenemos que una matriz X que cumple con X2 = A es [ [ [ 2 1 1/ X = V D X V 1 = [ 2 (1/2) 1/2 1 2 (1/2) 1/2 + 2 = (1/2) 1/2 1 (1/2) 1/
80 Polinomios en A Funciones de Matrices Polinomios en A Para q(x) = c 0 + c 1 x + c 2 x 2 + c n x n (c i C) definimos q(a) = c 0 I + c 1 A + c 2 A c n A n Si A es diagonalizable entonces A = V DV 1 matriz diagonal de valores propios. Entonces donde D es la q(a) = c 0 I + c 1 A + c 2 A c n A n = c 0 I + c 1 V DV 1 + c 2 V D 2 V 1 + V D n V 1 = V (c 0 I + c 1 D + c 2 D 2 + D n )V 1 = V q(d)v 1 79
81 Polinomios en A Pero q(d) = c 0 I + c 1 = = +c n λ n 1 n k=0 c kλ k 1 q(λ 1 )... λ λ n n... q(λ n ) λ n + n k=0 c kλ k n Funciones de Matrices 80
82 Polinomios en A Funciones de Matrices Por lo tanto q(a) = V q(λ 1 )... q(λ n ) V 1 Observe que si A es diagonalizable y P A (x) es su polinomio característico entonces P A (A) = V P A (λ 1 )... P A (λ n ) V 1 81
83 Polinomios en A Funciones de Matrices Pero P A (λ i ) = 0. Por lo tanto P A (A) = O n n Esta propiedad se cumple aunque A no sea diagonalizable Teorema 7. (Teorema de Caley-Hamilton) Toda matriz es anulada por su polinomio característico. Es decir, P A (A) = O n n. Por ejemplo, si P A (λ) = λ 3 λ 2 10 entonces A 3 A 2 10I = O. Por lo tanto A(A 2 A)/10 = I y entonces A 1 = (A 2 A)/10. 82
84 Matrices Simétricas Valores y Vectores Propios Matrices Simétricas Ejemplo 10. Sea A = a) Determine los valores y vectores propios de A. b) Verifique que W λi W λj para valores propios λ i λ j c) Determine una base ortonormal de vectores propios para A. d) Determine una matriz ortogonal V tal que V T AV = D, donde D es una matriz diagonal. e) Determine si A es positiva definida 83
85 Matrices Simétricas Valores y Vectores Propios Solución: A λi = λ λ λ = λ 3 +3 λ+2 = (2 λ)(1+λ) 2 Por lo tanto los valores propios de A son λ 1 = 2 con mult. alg. 1 y λ 2 = 1 con mult. alg. 2 84
86 Matrices Simétricas Valores y Vectores Propios Por eliminación gaussiana se obtiene que W λ1 = Ker(A 2I) = Ker( = ) 85
87 Matrices Simétricas W λ2 = Ker(A + I) = Ker( = 1 1 0, Valores y Vectores Propios ) Como tenemos que W λ1 W λ2. 86
88 Matrices Simétricas Valores y Vectores Propios Aplicamos Gram-Schmidt a la base de W λ2 v 1 = u 1 = ( 1, 1, 0) T v 2 = u 2 r 1,2 v 1 r 1,2 = (v 1, u 2 )/(v 1, v 1 ) = 1/2 = ( 1, 0, 1) T 1/2( 1, 1, 0) = ( 1/2, 1/2, 1) T Por lo tanto una base ortonormal de W λ2 es {ˆv 1, ˆv 2 } donde ˆv 1 = ( 1 2, 1 2, 0) T ˆv 2 = ( 1 6, 1 6, 6 3 )T Una base ortnormal de W λ1 es {ˆv 3 } donde ˆv 3 = ( 1 3, 1 3, 1 3 ) T 87
89 Matrices Simétricas Valores y Vectores Propios Por lo tanto una matriz ortogonal de vectores propios V con su correspondiente matriz de valores propios es 1/2 2 1/6 6 1/3 3 V = 1/2 2 1/6 6 1/ /3 6 1/3 3 D = Puesto que V es ortogonal tenemos que V T V = I, es decir, V 1 = V T. Por lo tanto V 1 AV = D es equivalente a V T AV = D. 88
90 Matrices Simétricas Valores y Vectores Propios Para determinar si A es positiva definida usamos que A = V DV T. x T Ax = x T (V DV T )x = (x T V )D(V T x) = (V T x) T D(V T x) = y T Dy donde y = V T x = y1 2 y2 2 + y2 3 De donde concluimos que A no es positiva definida. (Recuede la proposición: A simétrica es positiva definida sii C T AC es positiva definida, donde C es cualquier matriz invertible) 89
91 Matrices Simétricas Valores y Vectores Propios Proposición 4. Sea A real simétrica. Entonces, a) A tiene valores propios reales b) Si λ i λ j son valores propios de A entonces W λi W λj. c) A es diagonalizable y A tiene una base de vectores propios ortonormales. Es decir existe V matriz ortogonal tal que V T AV = D donde V es una matriz con columnas ortonormales de vectores propios de A y D es la matriz correspondiente de valores propios. d) Sean λ i, i = 1,..., n los valores propios de A. Entonces A es positiva definida sii λ i > 0, i = 1,..., n 90
92 Matrices Simétricas Valores y Vectores Propios A es semi positiva definida sii λ i 0, i = 1,..., n A es negativa definida sii λ i < 0, i = 1,..., n A es semi negativa definida sii λ i 0, i = 1,..., n La propiedad c) es consecuencia directa de la propiedad ii). Los interesados en la demostración de a) y b) pueden leer el texto de Richard Hill o G. Strang. 91
Autovalores y autovectores Diagonalización y formas canónicas
Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,
Más detallesTema 11.- Autovalores y Autovectores.
Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica
Más 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 detallesCapítulo 1: Diagonalización de matrices
Capítulo : Diagonalización de matrices Matrices y determinantes Definición Una matriz es un arreglo rectangular de números reales a a a m a A a a m a n a n a nm La matriz es de orden n m si consta de n
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más 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 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 detallesALN. Repaso matrices. In. Co. Facultad de Ingeniería Universidad de la República
ALN Repaso matrices In. Co. Facultad de Ingeniería Universidad de la República Definiciones básicas - Vectores Definiciones básicas - Vectores Construcciones Producto interno: ( x, y n i x y i i ' α Producto
Más detalles3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE
3. ÁLGEBRA LINEAL // 3.1. SISTEMAS DE ECUACIONES LINEALES Y MATRICES COMPLEMENTOS PARA LA FORMACIÓN DISCIPLINAR EN MATEMÁTICAS Curso 2011-2012 3.1.1. Resolución de sistemas de ecuaciones lineales. Método
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 detallesEspacios vectoriales
Espacios vectoriales [Versión preliminar] Prof. Isabel Arratia Z. Algebra Lineal 1 En el estudio de las matrices y, en particular, de los sistemas de ecuaciones lineales realizamos sumas y multiplicación
Más detallesResumen de Teoría de Matrices
Resumen de Teoría de Matrices Rubén Alexis Sáez Morcillo Ana Isabel Martínez Domínguez 1 de Octubre de 2004 1. Matrices. Generalidades. Definición 1.1. Se llama matriz de orden m n sobre un cuerpo K a
Más detallesEspacios Vectoriales www.math.com.mx
Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................
Más detallesTema 5: Sistemas de ecuaciones lineales.
TEORÍA DE ÁLGEBRA: Tema 5 DIPLOMATURA DE ESTADÍSTICA 1 Tema 5: Sistemas de ecuaciones lineales 1 Definiciones generales Definición 11 Una ecuación lineal con n incognitas es una expresión del tipo a 1
Más detallesVectores 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 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 detallesProblemas de exámenes de Aplicaciones Lineales y Matrices
1 Problemas de exámenes de Aplicaciones Lineales y Matrices 1. Consideramos f End(R n ), que tiene matriz A respecto la base canónica. Cuál de las siguientes afirmaciones es incorrecta? a) Si v es un vector
Más detallesEspacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1
Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...
Más detallesDescomposición en valores singulares de una matriz
Descomposición en valores singulares de una matriz Estas notas están dedicadas a demostrar una extensión del teorema espectral conocida como descomposición en valores singulares (SVD en inglés) de gran
Más detallesDiagonalización simultánea de formas cuadráticas.
Diagonalización simultánea de formas cuadráticas Lucía Contreras Caballero 14-4-2004 Dadas dos formas cuadráticas, si una de ellas es definida positiva, se puede encontrar una base en la que las dos diagonalizan
Más detallesEs decir, det A = producto de diagonal principal producto de diagonal secundaria. Determinante de una matriz cuadrada de orden 3
1.- DETERMINANTE DE UNA MATRIZ CUADRADA Determinante de una matriz cuadrada de orden 1 Dada una matriz cuadrada de orden 1, A = (a), se define det A = det (a) = a Determinante de una matriz cuadrada de
Más detallesAlgebra Lineal Tarea No 22: Valores y vectores propios Solución a algunos problemas de la tarea (al 29 de junio de 2014)
Algebra Lineal Tarea No : Valores y vectores propios a algunos problemas de la tarea (al 9 de junio de 04. Para la matriz A A Indique cuáles vectores son vectores propios: ( ( ( v, v, v 3 3 Recordemos
Más detallesDefinición de la matriz inversa
Definición de la matriz inversa Objetivos Aprender la definición de la matriz inversa Requisitos Multiplicación de matrices, habilidades básicas de resolver sistemas de ecuaciones Ejemplo El número real
Más detallesTEMA 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
Más detallesProblemas de Espacios Vectoriales
Problemas de Espacios Vectoriales 1. Qué condiciones tiene que cumplir un súbconjunto no vacío de un espacio vectorial para que sea un subespacio vectorial de este? Pon un ejemplo. Sean E un espacio vectorial
Más detallesGrado en Física. Ejercicios de autoevaluación. Temas 1 4. Departamento de Álgebra, Universidad de Sevilla
Álgebra Lineal y Geometría Grado en Física Ejercicios de autoevaluación. Temas 1 4 Departamento de Álgebra, Universidad de Sevilla El contenido de estas notas ha sido diseñado y redactado por el profesorado
Más detallesEspacios Vectoriales, Valores y Vectores Propios
, Valores y Vectores Propios José Juan Rincón Pasaye, División de Estudios de Postgrado FIE-UMSNH Curso Propedéutico de Matemáticas para la Maestría en Ciencias opciones: Sistemas de Control y Sistemas
Más detallesVectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos
Tema 3: Repaso de Álgebra Lineal Parte I Virginia Mazzone Contenidos Vectores y Matrices Bases y Ortonormailizaciòn Norma de Vectores Ecuaciones Lineales Algenraicas Ejercicios Vectores y Matrices Los
Más detallesEJERCICIOS DE ÁLGEBRA LINEAL TEMA 1 ESPACIOS VECTORIALES
EJERCICIOS DE ÁLGEBRA LINEAL TEMA ESPACIOS VECTORIALES Formas reducidas y escalonada de una matriz SISTEMAS DE ECUACIONES LINEALES ) Encuentre una sucesión de matrices elementales E, E,..., E k tal que
Más detallesÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3
ÁLGEBRA LINEAL I Algunas soluciones a la Práctica 3 Matrices y determinantes (Curso 2011 2012) 2. Sea A una matriz diagonal n n y supongamos que todos los elementos de su diagonal son distintos entre sí.
Más detallesConjuntos y matrices. Sistemas de ecuaciones lineales
1 Conjuntos y matrices Sistemas de ecuaciones lineales 11 Matrices Nuestro objetivo consiste en estudiar sistemas de ecuaciones del tipo: a 11 x 1 ++ a 1m x m = b 1 a n1 x 1 ++ a nm x m = b n Una solución
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detallesVectores y matrices. v 1 v 2. = [v. v = v n. Herramientas de A.L. p.1/64
Vectores y matrices Los elementos básicos en teoría de sistemas lineales son vectores n 1 (columna) o 1 n (fila) y matrices n m con elementos reales (i.e. v R n y A R n m ). Denotamos el elemento i del
Más detallesCálculo numérico. Sistemas de ecuaciones lineales.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2010. Las raíces de x 2 bx + c = 0. r = b ± b 2 4c 2 b = 3.6778, c = 0.0020798 r 1 = 3.67723441190... r 2 = 0.00056558809...
Más detallesMMAF: Espacios normados y espacios de Banach
MMAF: Espacios normados y espacios de Banach Licenciatura en Estadística R. Álvarez-Nodarse Universidad de Sevilla Curso 2011/2012 Espacios vectoriales Definición Sea V un conjunto de elementos sobre el
Más detallesMatrices, determinantes, sistemas de ecuaciones lineales.
UNIVERSIDAD DE MURCIA Departamento de Matemáticas Óptica y Optometría Resúmenes Curso 2007-2008 Matrices, determinantes, sistemas de ecuaciones lineales. Una matriz A de orden m n es una colección de m
Más detallesApuntes de álgebra lineal. Eduardo Liz Marzán. Enero de 2015.
Apuntes de álgebra lineal Eduardo Liz Marzán Enero de 2015 Índice general 1 Introducción 7 11 Operaciones internas y estructura de cuerpo 7 12 Números complejos 8 13 Vectores 10 2 Matrices y determinantes
Más detallesEJERCICIOS DE SELECTIVIDAD DE ÁLGEBRA
EJERCICIOS DE SELECTIVIDAD DE ÁLGEBRA 2003 (4) Ejercicio 1. Considera los vectores u = (1,1,1), v = (2,2,a) y w = (2,0,0), (a) [1'25 puntos] Halla los valores de a para que los vectores u, v y w sean linealmente
Más detallesPAIEP. Complemento Ortogonal
Programa de Acceso Inclusivo, Equidad y Permanencia PAIEP Universidad de Santiago de Chile Complemento Ortogonal Veamos ahora una aplicación de los vectores ortogonales a la caracterización de subespacios
Más detallesSistemas de ecuaciones diferenciales lineales J.L. Mancilla Aguilar
Sistemas de ecuaciones diferenciales lineales JL Mancilla Aguilar Sistemas de ecuaciones diferenciales A lo largo de estas notas consideraremos sistemas de ecuaciones diferenciales lineales a coeficientes
Más detallesDEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES
ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesDETERMINANTES Profesor: Fernando Ureña Portero
: CONCEPTO, CÁLCULO DE. Definición: A cada matriz cuadrada A=a ij, de orden n, se le asigna un número real, denominado determinante de A, denotado por A o por det (A). A =det (A)= 1.-Determinante de orden
Más 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 detallesAnexo 1: Demostraciones
75 Matemáticas I : Álgebra Lineal Anexo 1: Demostraciones Espacios vectoriales Demostración de: Propiedades 89 de la página 41 Propiedades 89- Algunas propiedades que se deducen de las anteriores son:
Más detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALÍTICO DE LA ASIGNATURA: ALGEBRA LINEAL Código L2.07.1 PLAN DE ESTUDIOS: 2002 CARRERA: Licenciatura en Matemática DEPARTAMENTO:
Más detalles3. Determinantes. Propiedades. Depto. de Álgebra, curso
Depto de Álgebra curso 06-07 3 Determinantes Propiedades Ejercicio 3 Use la definición para calcular el valor del determinante de cada una de las siguientes matrices: 3 0 0 α A = 5 4 0 A = 6 A 3 = 0 β
Más detallesSistemas lineales homogéneos
Lección 9 Sistemas de ecuaciones diferenciales lineales con coeficientes constantes 1 Sistemas lineales homogéneos Estudiaremos los sistemas de la forma x (t) = Ax(t) + b(t) Sistemas homogéneos: x = Ax
Más detallesTema 2: Espacios Vectoriales
Tema 2: Espacios Vectoriales José M. Salazar Octubre de 2016 Tema 2: Espacios Vectoriales Lección 2. Espacios vectoriales. Subespacios vectoriales. Bases. Lección 3. Coordenadas respecto de una base. Ecuaciones.
Más detallesMATEMÁTICAS 2º BACH TECNOL. MATRICES. Profesor: Fernando Ureña Portero MATRICES
CONCEPTO DE MATRIZ Definición: Se denomina matriz A o (a ij ) a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas : Columnas Filas Elemento a ij : Cada uno
Más detallesModelización por medio de sistemas
SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES. Modelización por medio de sistemas d y dy Ecuaciones autónomas de segundo orden: = f ( y, ) Una variable independiente. Una variable dependiente. La variable
Más detallesFactorización de matrices
CAPÍTULO Factorización de matrices En este capítulo se estudian algunas de las técnicas más utilizadas para factorizar matrices, es decir, técnicas que permiten escribir una matriz como producto de dos
Más detallesTema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.
Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz
Más detallesPROGRAMA DE CURSO. Resultados de Aprendizaje
PROGRAMA DE CURSO Código Nombre MA1102 Algebra Lineal Nombre en Inglés Linear Algebra SCT es Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal 6 10 3,0 2,0 5,0 Requisitos MA1101
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detallesMatrices, Determinantes y Sistemas Lineales.
12 de octubre de 2014 Matrices Una matriz A m n es una colección de números ordenados en filas y columnas a 11 a 12 a 1n f 1 a 21 a 22 a 2n f 2....... a m1 a m2 a mn f m c 1 c 2 c n Decimos que la dimensión
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más detallesRESOLUCIÓN DE SISTEMAS MEDIANTE DETERMINANTES
UNIDD 4 RESOLUCIÓN DE SISTEMS MEDINTE DETERMINNTES Página 00 Resolución de sistemas mediante determinantes x y Resuelve, aplicando x = e y =, los siguientes sistemas de ecuaciones: x 5y = 7 5x + 4y = 6x
Más detallesCAPÍTULO 4. Sistemas de ecuaciones lineales de primer orden
CAPÍTULO 4 Sistemas de ecuaciones lineales de primer orden Hasta ahora hemos considerado únicamente ecuaciones diferenciales aisladas Sin embargo, en muchas aplicaciones aparecen situaciones en las que
Más detallesBase y Dimensión de un Espacio Vectorial
Base y Dimensión de un Espacio Vectorial 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Qué es un sistema generador?... 4 2 Base de un espacio vectorial... 4 3 Dimensión de un
Más detallesMatrices y determinantes
Matrices y determinantes 1 Ejemplo Cuál es el tamaño de las siguientes matrices? Cuál es el elemento a 21, b 23, c 42? 2 Tipos de matrices Matriz renglón o vector renglón Matriz columna o vector columna
Más detallesMatrices: repaso. Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas. Una matriz A M m n es de la forma A =
Matrices: repaso Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas Una matriz A M m n es de la forma a 11 a 1n A = a m1 a mn Denotaremos A ij = a ij el coeficiente
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Departamento de Matemáticas ITESM Álgebra Lineal - p. 1/16 En esta lectura veremos el proceso para obtener la factorización QR de una matriz. Esta factorización es utilizada para
Más detallesSolución de Sistemas de Ecuaciones Diferenciales Lineales
Solución de Sistemas de Ecuaciones Diferenciales Lineales Departamento de Matemáticas, CCIR/ITESM 9 de febrero de Índice..Introducción.................................................Ejemplo.................................................3.Ejemplo................................................
Más detallesCapítulo 7. Espacios vectoriales. 7.1 Definición y ejemplos
Capítulo Espacios vectoriales.1 Definición y ejemplos Un espacio vectorial sobre un cuerpo K (que supondremos conmutativo es un conjunto no vacío junto con 1. una operación interna, +, a la que llamaremos
Más detallesFormulación del problema de la ruta más corta en programación lineal
Formulación del problema de la ruta más corta en programación lineal En esta sección se describen dos formulaciones de programación lineal para el problema de la ruta más corta. Las formulaciones son generales,
Más detallesALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Espacios vectoriales
Resumen teoría Prof. Alcón ALGEBRA 1- GRUPO CIENCIAS- TURNO TARDE- Espacios vectoriales Sea (K, +,.) un cuerpo con característica 0. Podemos pensar K = Q, R o C. Si V es un conjunto cualquiera en el que
Más detallesFundamentos Matemáticos de la Ingeniería. Tema 4: Diagonalización de matrices. Curso
Fundamentos Matemáticos de la Ingeniería Tema 4 Hoja Escuela Técnica Superior de Ingeniería Civil e Industrial Esp en Hidrología Fundamentos Matemáticos de la Ingeniería Tema 4: Diagonaliación de matrices
Más detallesÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; (A ) = A. 2. La inversa de A 1 es A; (A 1 ) 1 = A. 3. (AB) = B A.
ÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; A = A. 2. La inversa de A 1 es A; A 1 1 = A. 3. AB = B A. 4. Las matrices A A y AA son simétricas. 5. AB 1 = B 1 A 1, si A y B son no singulares. 6. Los escalares
Más detallesEspacios vectoriales con producto interno
Capítulo 8 Espacios vectoriales con producto interno En este capítulo, se generalizarán las nociones geométricas de distancia y perpendicularidad, conocidas en R y en R 3, a otros espacios vectoriales.
Más detallesTema 1: Espacios vectoriales
PROBLEMAS DE MATEMÁTICAS Parte I: Álgebra Primero de Ingeniería Química FACULTAD DE CIENCIAS QUÍMICAS Departamento de Matemáticas Universidad de Castilla-La Mancha Tema 1: Espacios vectoriales 1 Determina
Más detallesÁlgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes
Álgebra y Trigonometría Clase 7 Sistemas de ecuaciones, Matrices y Determinantes CNM-108 Departamento de Matemáticas Facultad de Ciencias Exactas y Naturales Universidad de Antioquia Copyleft c 2008. Reproducción
Más detallesDefinición. Un conjunto de ecuaciones diferenciales con varias funciones incógnitas, se llama sistema de ecuaciones diferenciales.
Unidad 4. Sistemas de Ecuaciones Diferenciales Las ecuaciones diferenciales tienen una gran utilidad en ingeniería así como en la ciencia, pero la mayoría de los problemas no dependen de una ecuación,
Más detallesAplicaciones de la Forma Normal de Smith de una Matriz Entera
Aplicaciones de la Forma Normal de Smith de una Matriz Entera Rafael Heraclio Villarreal Rodríguez Departmento de Matemáticas CINVESTAV-IPN, México D.F. XLV Congreso Nacional Sociedad Matemática Mexicana
Más detallesTEMA 11. Autovalores y autovectores. Diagonalización y formas canónicas.
TEMA 11 F MATEMÁTICOS TEMA 11 Autovalores y autovectores Diagonalización y formas canónicas 1 Introducción Definición 1 (Matrices semejantes) Sean A y B dos matrices cuadradas de orden n Decimos que A
Más detallesALGEBRA. Escuela Politécnica Superior de Málaga
ALGEBRA. Escuela Politécnica Superior de Málaga Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Espacio vectorial. Espacios vectoriales R n. Dependencia e independencia lineal. Base. Matrices y determinantes.
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS C.C. SOCIALES CAPÍTULO 1 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesTrabajo Práctico N 5: ESPACIOS VECTORIALES
Trabajo Práctico N 5: ESPACIOS VECTORIALES Ejercicio 1: Determine si los siguientes conjuntos con las operaciones definidas en cada caso son o no espacios vectoriales. Para aquellos que no lo sean, indique
Más detallesHerramientas de Álgebra Lineal
Capítulo 3 Herramientas de Álgebra Lineal 3.1. Vectores y Matrices Los elementos básicos en teoría de sistemas lineales son vectores n 1 (columna) o 1 n (fila) y matrices n m con elementos reales, es decir,
Más detallesDeterminantes. Determinante de orden uno. a 11 = a 11 5 = 5
DETERMINANTES Determinantes Concepto de determinante A cada matriz cuadrada A se le asigna un escalar particular denominado determinante de A, denotado por A o por det (A). A = Determinante de orden uno
Más detallesUn subconjunto no vacío H de un espacio vectorial V es un subespacio de V si se cumplen las dos reglas de cerradura:
4 Subespacios 29 b) x 5 [25;5], 5 [;24], z 5 [4;4] Use a 5 2, a 5 / a 5 2 / 2 c) Su propia elección de x,, z /o a 2 a) Elija algunos valores para n m genere tres matrices aleatorias de n m, llamadas X,
Más detallesTEMA 8. GEOMETRÍA ANALÍTICA.
TEMA 8. GEOMETRÍA ANALÍTICA. 8..- El plano. Definimos el plano euclideo como el conjunto de puntos ( x, y) R. Así, cada punto del plano posee dos coordenadas. Para representar puntos del plano utilizaremos
Más detallesTEMA 6 FORMAS BILINEALES Y PRODUCTO ESCALAR
TEMA 6 FORMAS BILINEALES Y PRODUCTO ESCALAR Índice 6.1. Formas bilineales....................... 154 6.1.1. Representación matricial de una forma bilineal. 155 6.1.. Formas multilineales reales............
Más detalles1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS
1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS 1.1 SISTEMAS DE ECUACIONES LINEALES Una ecuación lineal es una ecuación polinómica de grado 1, con una o varias incógnitas. Dos ecuaciones son equivalentes
Más detallesTema 1: Matrices y Determinantes
Tema 1: Matrices y Determinantes September 14, 2009 1 Matrices Definición 11 Una matriz es un arreglo rectangular de números reales a 11 a 12 a 1m a 21 a 22 a 2m A = a n1 a n2 a nm Se dice que una matriz
Más detallesTema 4: Matrices y Determinantes. Algunas Notas sobre Matrices y Determinantes. Álgebra Lineal. Curso
Tema 4: Matrices y Determinantes Algunas Notas sobre Matrices y Determinantes Álgebra Lineal Curso 2004-2005 Prof. Manu Vega Índice 1. Determinantes 3 2. Regla de Sarrus 3 3. Propiedades de los determinantes
Más detallesAlgebra Lineal. Gustavo Rodríguez Gómez. Verano 2011 INAOE. Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano / 21
Algebra Lineal Gustavo Rodríguez Gómez INAOE Verano 2011 Gustavo Rodríguez Gómez (INAOE) Algebra Lineal Verano 2011 1 / 21 Espacios Vectoriales Espacios Vectoriales INAOE Gustavo Rodríguez Gómez (INAOE)
Más detalles1. Producto escalar. Propiedades Norma de un vector. Espacio normado. 1.2.Ortogonalidad. Ángulos. 1.4.Producto escalar en V 3.
. Producto escalar. Propiedades... Norma de un vector. Espacio normado...ortogonalidad. Ángulos..3.Producto escalar en V..4.Producto escalar en V 3.. Producto vectorial de dos vectores de V 3...Expresión
Más detallesTema 2. Aplicaciones lineales y matrices.
Tema 2 Aplicaciones lineales y matrices. 1 Índice general 2. Aplicaciones lineales y matrices. 1 2.1. Introducción....................................... 2 2.2. Espacio Vectorial.....................................
Más detallesPAU Madrid. Matemáticas II. Año Examen modelo. Opción A. Ejercicio 1. Valor: 2 puntos.
PAU Madrid. Matemáticas II. Año 22. Examen modelo. Opción A. Ejercicio 1. Valor: 2 puntos. Se considera una varilla AB de longitud 1. El extremo A de esta varilla recorre completamente la circunferencia
Más detallesA1.- Determina a y b sabiendo que el sistema de ecuaciones. x + 3y +z = 1 -x + y +2z = -1 ax + by + z = 4 tiene, al menos, dos soluciones distintas.
A1.- Determina a y b sabiendo que el sistema de ecuaciones x + 3y +z = 1 -x + y +z = -1 ax + by + z = 4 tiene, al menos, dos soluciones distintas. Para que el sistema tenga, al menos, dos soluciones distintas
Más detallesMENORES, COFACTORES Y DETERMINANTES
MENORES, COFACTORES Y DETERMINANTES 1. Introducción. 2. Determinante de una matriz de 3 x 3. 3. Menores y cofactores. 4. Determinante de una matriz de n x n. 5. Matriz triangular. 6. Determinante de una
Más detalles3.3. Número de condición de una matriz.
96 33 Número de condición de una matriz Consideremos el sistema Ax = b, de solución u Queremos controlar qué cambios se producen en la solución cuando hacemos pequeños cambios en las componentes de b o
Más detallesÁLGEBRA LINEAL II Algunas soluciones a la práctica 2.3
ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2. Transformaciones ortogonales (Curso 2010 2011) 1. Se considera el espacio vectorial euclídeo IR referido a una base ortonormal. Obtener la expresión
Más detallesTEMA 4: CALCULO NUMERICO DE AUTOVALORES
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 4: CALCULO NUMERICO DE AUTOVALORES 1 INTRODUCCION La determinación de autovalores y autovectores de una matriz cuadrada A de orden n es un problema
Más detallesUniversidad Nacional de Colombia Departamento de Matemáticas Álgebra Lineal - Grupo 1 Resumen Unidad n 3
Universidad Nacional de Colombia Departamento de Matemáticas 1000003-5 Álgebra Lineal - Grupo 1 Resumen Unidad n 3 Vectores en R n Definición. El conjunto de las n-tuplas ordenadas de números reales se
Más detallesCapítulo 8: Vectores
Capítulo 8: Vectores 1. Lección 30. Operaciones con vectores 1.1. Vectores El concepto de vector aparece en Física para describir magnitudes, tales como la fuerza que actúa sobre un punto, en las que no
Más detallesIES Fco Ayala de Granada Septiembre de 2011 (Septiembre Modelo 2) Solución Germán-Jesús Rubio Luna
IES Fco Ayala de Granada Septiembre de 0 (Septiembre Modelo ) Germán-Jesús Rubio Luna UNIVERSIDADES DE ANDALUCÍA PRUEBA DE ACCESO A LA UNIVERSIDAD CURSO 00-0. MATEMÁTICAS II Opción A Ejercicio opción A,
Más detallesDefinición de la matriz inversa
Definición de la matriz inversa Ejercicios Objetivos Aprender la definición de la matriz inversa Requisitos Multiplicación de matrices, matriz identidad, habilidades básicas de resolver sistemas de ecuaciones
Más detalles