Professional Documents
Culture Documents
A
Transformaciones
Lineales
-------]
ki . vi
ki
i =1
r
ki . vi
i =1
i =1
Por ejemplo: si k1 0
k1. v1 =
ki . vi
v1 =
i=2
1
k1
ki . vi
i=2
ki . vi = es aquella
i =1
tales que
a =
i =1
v 0,
v =0v=
N2) k . v = k v
N3) v + v
N4)
v1 + v 2
v .v
(desigualdad triangular)
04) si a v , a v , ..., a v a
ki vi
i =1
<a , b> = a . bT =
ai bi
i =1
a =
< a, a > =
i =1
mdulo y se nota
a.
n
(ai bi ) 2
i =1
u =1
Para normalizar un vector v (obtener un vector unitario en su misma
direccin y sentido) se dividen sus componentes por su mdulo:
vn
v v1 v 2
=
,
,
,
v v v
v
u=
1)
i
2) a a
i
si i j
u =
3) lo normalizamos: u =
5) lo normalizamos: u3 =
en general: y
h+1
h+1
=v
h+1
<v
, u> u
donde u =
i =1
(a1 , a 2 ,
ai = 0 si i h
, a n ) donde
ai = 1 si i = h
v = 1+ 4 + 4 = 3
u1=(
1 2
2
,
, 0, )
3 3
3
1 2
2
,
, 0, )> u1=
3 3
3
1 2
2
2 1
2
, 0, ) = (
, , 2, ) podemos verificar
= (0,-1,2,2) 2( ,
3 3
3
3 3
3
y = 5
u2=(
2
1
2
2
,
,
,
)
3 5 3 5 5 3 5
2
1
2
2
,
,
,
)>u2
3 5 3 5 5 3 5
1 2 2
<(-1,0,1,2) , ( ,
,0, )> u1 =
3 3
3
4
2
1
2
2
1 2 2
(
,
,
,
) ( ,
,0, ) =
= (-1,0,1,2)
3 3
3
5 3 5 3 5 5 3 5
= (-1,0,1,2) <(-1,0,1,2) , (
= (-1,0,1,2) (
8 4 8 8
1 2 2
4 2 3 4
,
, ,
)( ,
,0, ) = (
, , , )
15 15 5 15
3 3
3
5 5 5 5
45
3
5 4 2 3 4
=
u3 =
(
, , , )
25
3
5 5 5 5
5
1 2 2 2 1
2
2
,0, ;
,
,
,
La base ortonormal es B = ,
;
3 3 5 3 5 5 3 5
3 3
4 5 2 5 3 5 4 5
15 , 15 , 15 , 15
Teorema: si B={u1, u2, ..., un} es una base ortonormal para un espacio con
producto interno eucldeo V entonces cualquier vector a de V puede
expresarse como a = <a , u1> u1 + <a , u2> u2 + ... + <a , un> un
Dem.: si B es una base de V, el vector a puede expresarse en forma
unvoca como a = k1 u1+ k2 u2+...+ ki ui+...+ kn un (1)
para cada vector ui de B se tiene que
<a , u1> = <(k1 u1+ k2 u2+...+ ki ui+...+ kn un) , ui>
= k1<u1, ui>+ k2<u2, ui>+...+ ki<ui, ui>+...+ kn<un, ui>
=k1 0 + k2 0 +...+ ki 1+...+ kn 0
(por producto interno de
vectores ortonormales)
<a , ui> = ki (2)
reemplazando (2) en (1) a = <a, u1> u1 + <a, u2> u2+...+ <a, un> un (3) que
es lo que se quera demostrar.
De (3) obtenemos <a , un> un = a <a , u1> u1 <a , u2> u2 ... <a , un-1> un-1
que es la frmula que se usa para hallar cada vector ortogonal a los
anteriores en el proceso de Gram-Schmidt.
8
entonces se verifica: t (
ki v ) = ki t(vi) =
i =1
i =1
k w
i
i =1
Nota: basta que no se cumpla una de las condiciones para que no sea TL.
Toda matriz Amxn representa una transformacin lineal del espacio eucldeo
de n dimensiones En en el espacio eucldeo de m dimensiones Em, ya que
dado cualquier vector x En, existe un vector nico y Em tal que y = Ax.
La transformacin es lineal, puesto que si x1 En, x2 En, k K:
A(x1+x2) = Ax1 + Ax2 ; A k x = k A x
IGUALDAD: se dice que dos transformaciones t1 y t2 de V en W son iguales
si para cada vector v V, t1(v) = t2(v)
SUMA: la suma de dos TL de V en W es tambin una TL:
(t1+ t2) (v) = t1(v) + t2(v) v V
La suma de dos matrices A=[aij] y B=[bij] se puede realizar slo si ambas son
de la misma dimensin A + B = [aij + bij]
PRODUCTO POR UN ESCALAR: el producto de una TL de V en W por un
escalar es tambin una TL: (k t) (v) = k t(v)
vV
El producto de una matriz Amxn por un escalar k K es la matriz
Bmxn= k A = [k aij]
COMPOSICIN DE TL: sean f:VU y
compuesta (gof):VW es tambin una TL.
definamos
integracin.
DOMINIO: de una TL es el conjunto de elementos a los que se aplica la
transformacin. En t : VW, V es el dominio.
CODOMINIO: de una TL es el conjunto al cual pertenecen los elementos
transformados: W
RECORRIDO o CONJUNTO IMAGEN: de una TL es el conjunto de
elementos transformados o imgenes de los elementos del dominio:
11
a1 j
a
2j
j
1
2
n
A = (a , a ,, a ) donde a =
a mj
y, entonces, y = A x = x1 a1 + x2 a2 +...+ xn an el subespacio generado por las
y es el subespacio de Em generado por las columnas de A. Por lo tanto, la
dimensin de ese subespacio es igual al mayor nmero de columnas LI de
A. De modo que el rango de la TL es igual al mayor nmero de columnas LI
de A. Como A tiene slo n columnas, dicho rango no puede ser mayor que n
(dimensin del dominio de t).
El rango de la matriz A asociada a la TL t es igual al rango de la
transformacin (dimensin de su recorrido), es decir, es igual al mayor
nmero de columnas LI de A. Se demuestra que este nmero es igual al
mayor nmero de filas LI de A y se nota r(A). Como sabemos que un
determinante es nulo si y slo si hay dependencia lineal entre sus lneas
(filas y columnas), basta encontrar el determinante de mayor orden en A que
no se anule. El orden de dicho determinante es igual al rango de A.
El rango de una matriz no se altera si se realizan con sus filas y columnas
algunas operaciones llamadas elementales:
12
2 0 0 1
A = 0 1 0
3 aplicada a cualquier
6 0 4 0
x1
2 0 0 1 y1
x
A = 0 1 0
3 2 = y 2
x
6 0 4 0 3 y 3
x4
2
0
0
1
y1
0 x1 + 1 x 2 + 0 x3 + 3 x 4 = y 2
6
0
4
0
y 3
de modo que cualquier vector imagen y puede expresarse como CL de los
vectores columna de la matriz A. El recorrido o conjunto imagen de la TL es
el subespacio de 3 generado por los vectores columna de A. Si estos
vectores son LI constituirn una base del recorrido; si no lo son, podemos
hallar una base escalonando la matriz A:
2 0 0
2 0 0 1
0 1 0
3
una base es: B = 0 , 1 , 0 , otra es
0 0 4
F3 3F1 0 0 4 3
la base cannica de 3, ya que en este caso el recorrido es 3; el rango de
la TL es r = 3, que es tambin el rango de la matriz A
El ncleo de la TL es el conjunto de vectores del dominio (4) cuya imagen
es el vector nulo del codominio (3), o sea, la solucin del sistema
homogneo A x = :
13
x1
2 0 0 1 0
x1 = 2 x 4
0 1 0
x 2 = 0
3
x 2 = 3 x 4
3
6 0 4 0 3 0
x3 = x 4
x
4
4
1
3
1
3
x4, x4)T = k( ,3,
, 1)T
Todos los vectores de la forma ( x4, 3x4,
2
4
2
4
pertenecen al ncleo; para base podemos tomar uno cualquiera de ellos,
por ejemplo: (2, 12, 3, 4)T ; la nulidad es n(t)=1; la suma de la nulidad ms
el rango es igual a la dimensin del dominio: 4
Ejemplo econmico de TL: supongamos que los costos directos de
produccin de 3 bienes Y1, Y2, Y3, estn dados por las ecuaciones:
(1)
a11 p1 + a12 p 2 = c1
a 21 p1 + a 22 p 2 = c 2
a p + a p = c
32
2
3
31 1
o sea
A p = c
donde las pj
p
p = 1 , las ci corresponden a los costos directos de los bienes Yi ,
p2
c1
formando el vector columna c = c 2 y las aij representan la cantidad del
c3
insumo xj necesaria para producir una unidad del bien Yi. Cada vector de
precios de 2 se transforma en un vector de costos de 3; el vector c es la
imagen del vector p; la matriz A es la matriz de la transformacin: t(p) = c
Ap=c
El sistema lineal (1) tambin puede expresarse en la forma
a11
a12 c1
p1 + p 2 = c1
2 p1 + p 2 = c 2
p + 3p = c
2
3
1
donde
1 1
A = 2 1
1 3
1 -1
t k0
k
1 -1
A k0
k
1
Adj(A)
| A|
v h v j si h j (1)
A A=I j
v = 1 ( j = 1, 2,, n) (2)
T
( )
( ) [v , v
v1
2
v
T
A A=I
n
v
( )
( )
] ( )
(v ) v
(v ) v
2 T
( )
(v ) v
v1 T v1
2 T 1
v v
n
2
,, v =
n T 1
v v
1 T
n 1
n
2
n
n
< v , v > < v , v > < v , v
n T
(v ) v
(v ) v
( )
n
=
T
v n v n
1 T
2 T
> 1 0 0
> 0 1 0
=
> 0 0 1
j
j
j
< v , v >= 1 v = 1 ( j = 1, 2, , n) ( 2)
v i v k si i k (1)
AA =I i
v = 1 (i = 1, 2, , n) (2)
T
AT A = I = 1
AT A = 1 como AT = A
2
A = 1 A = 1
Se denomina matriz ortogonal propia a la que tiene determinante = 1
No toda matriz con determinante de mdulo 1 es ortogonal, por ejemplo:
2 0
A=
0 1 / 2
MATRICES SIMTRICAS: una matriz cuadrada A tal que es igual a su
traspuesta se denomina simtrica: AT = A
o sea aij = aji
i, j
TRAZA: de una matriz cuadrada nxn se denomina a la suma de todos los
n
aii
i =1
1 0 1
1
1
Ejemplo: A = 1 2 1
2
x = 1 es vector propio correspondiente a =2 porque A x2 = 2 x2
2
2
20
1
x = 1 es vector propio correspondiente a =3 porque A x3 = 3 x3
2
3
(1)
1
1
En el ejemplo anterior: A I =
1
2
1
2
3
0
21
0 0 1 x1 0
x3 = 0
x3 = 0
1 1 1 x = 0
2 x + x + x = 0 x = x
2
3
2
1
2 2 2 x3 0 1
x 2
1
x = k 1 con k 0 es
de modo que cualquier vector de la forma
2
0
0
un vector propio de A correspondiente al valor propio 1=1
Para 2 = 2 tenemos el sistema
1 0 1 x1 0
x1 = x3
x1 = x3
1 0 1 x = 0
2 2 x + 2 x + x = 0 2 x = x
2
3
3
2
2 2 1 x3 0 1
x3
2
1
de modo que cualquier vector de la forma
2 x3 = k 1 con k 0 es
x3
2
un vector propio de A correspondiente al valor propio 2 = 2
Para 3 = 3 tenemos el sistema
2 0 1 x1 0
1
1 1 1 x = 0 x3 = 2 x1 k 1
2 x2 = x
2
2
2 0 x3 0
con k 0 es un
(1)
(2)
(3)
1 2 1
P = 1
1 1
0
2 2
cuya inversa es
P 1
0 1 1 / 2
= 1 1
0
1 1 1 / 2
1 0 0
0 0 3
los valores propios de depende del orden en que tomamos los vectores
propios para formar la matriz P.
3 1
13 3
Ejemplo 2: A =
= 2i
A I = 2 + 4 = 0 1
2 = 2i
Para 1 = 2i tenemos
1 x1 0
3 2i
=
x 2 = (3 2i ) x1
13
3 2i x 2 0
1
v1 =
3 2i
Para 2 = 2i tenemos
1 x1 0
3 + 2i
x 2 = (3 + 2i ) x1
=
13
3 + 2i x 2 0
1
v2 =
3 + 2i
1
1
P=
3 2i 3 + 2i
1
(recordar que = i )
i
P = 4i
P 1 =
i 3 + 2i 1
4 3 + 2i 1
1 3 3
= 2 = 2
A = 3 5 3 A I = 3 + 12 + 16 = 0 1
3 = 4
6 6 4
1
1
2
v = 0 v = 1
1
0
1
3 3 3
18
1
3
9 3 v = 18 = 18 1
para 3 = 4 A 4 I = 3
6 6 0
36
2
1 3 1
2 2 0
1
1
La matriz modal puede ser
0 1 1 P = 2 1 3 1
1 0 2
1 1 1
2 0 0
0
0 4
1
Ejemplo 4:
3 9 12
3
4
A = 1
0
0
1
= 2 = 0
A I = 3 + 2 = 0 1
3 = 1
1
0
por ejemplo J =
0
0
0
donde 1=2 y 3=4
1
2 1 0
0
0 4
0 1 0
y en el ejemplo 4 J = 0 0 0
0 0 1
Si todas las races son diferentes la matriz de Jordn coincide con la matriz
diagonal .
CLCULO DE LOS VECTORES PROPIOS POR ADJUNTOS: para obtener
un vector propio vi correspondiente al valor propio i debemos resolver el
sistema (A iI) vi = (1).
26
0 7 6
A = 1 4 0
0 2 2
1 = 1
A I = + 2 + 2 = 0 2 = 1
=2
3
3
1
0
( A I ) = 7 4
2
6
2
0
6( 4 )
(4 )(2 ) 7(2 ) 12
B* = Adj ( A I ) =
2
( 2 )
6
2
2
(4 ) + 7
27
9 9 18
3 3 6
B1* (para 1 = 1 ) =
2 2 4
cualquiera de su columnas es un
1 7 6
obtenido directamente de B1 = 1 3
0 tomando, por ejemplo, los
0
2 3
9
1
adjuntos de la 1 fila: v = 3
2
5
4
3
De manera similar obtenemos v = 1 y v = 2
2
1
2
Ejemplo 2: A = 0
12
8 0 6
B1 = 0 0 0
12 0 10
9 5 4
P = 3 1 2
2 2 1
0 6
1 0 A I = (1 )(2 9) = 0
0 9
1 = 1
2 = 3
= 3
3
0
0
1
v = 8 o v = 1
0
0
1
0
6
6
B2 = 0 2
0 tomando los adjuntos de la 1 fila:
12 0 12
28
1
24
v = 0 0
1
24
2
12 0 6
B3 = 0 4 0 tomando los adjuntos de la 1 fila:
12 0 6
1
24
3
v = 0 0
2
48
0 1 1
0 1 0
P = 1 0 0 cuya inversa es P 1 = 2 0 1
0 1 2
1 0 1
Dem.:
S6) si A B An = P-1 Bn P
Dem.:
A B A = P-1 B P
A2 = (P-1 B P) (P-1 B P) = P-1 B P P-1 B P = P-1 B2 P
A3 = (P-1 B2 P) (P-1 B P) = P-1 B2 P P-1 B P = P-1 B3 P
.....................
si Ak = P-1 Bk P
q.q.d.
1 =
i
i =1
a
i =1
ii
= tr(A)
igual al determinante de A:
n =
i =1
= |A|
n
menores principales de orden i.
i
n
productos posibles.
i
La observacin 1) corresponde a i = 1 y la 2 a i = n
4) si la matriz A es diagonalizable el nmero de valores propios no nulos
de A es igual al rango de A.
Para probar las primeras tres observaciones con respecto a los valores
propios de A recordamos que si A es diagonalizable es semejante a una
1
0
matriz diagonal = 0
0
0
0
propios de A.
Como las matrices semejantes tienen igual polinomio caracterstico:
| I| = |A I |. Supongamos que sea de dimensin 3 x 3
0
0
1
I = 0
2
0 = (1 )( 2 )(3 ) =
0
0
3
= 3 + (1 + 2 + 3 )2 + (13 + 2 3 + 1 2 )( ) + 1 2 3
1 =
3 =
I = (1 )( 2 )(3 )( 4 ) =
31
= 4 + (1 + 2 + 3 + 4 )( ) 3 +
i
+ (1 2 + 13 + 1 4 + 2 3 + 2 4 + 3 4 )2 +
1 =
+ 1 2 3 + 1 2 4 + 13 4 + 2 3 4 ( ) + 1 2 3 4
3
4 =
a11
a12
a 21
a31
a 22
a32
A I =
+ 0
0
a12
a13
a 22
a32
a12
a13
a11
a12
a 23 = a 21
a33
a31
a 22
a32
a13
a13
a 23 +
a33
a13
a 23 +
a33
a11
a13
a 22
a32
a 23 + 0
a 33
0
a11
a12
a13
a11
a12
= a 21
a 22
a 23 + a 21
a 22
0 + a 21
a31
a32
a33
a32
a11
a 23 + a 21
a33 a 31
+ 0
0
a31
a 22
a32
a 23 = a 21
a33 a 31
a11
a13
a12
a 23 =
a33
a11
a 31
a13
a 23 + a 21
a33
a31
0
0 +
32
+ 0
a12
a 22
a13
a 23 + 0
a12
a 22
a32
a33
a32
= A+
a11
a 21
a
a12
( ) + 11
a 22
a31
0 + 0
a13
a33
a13
a 23 + 0
a33
( ) + a11 ( ) 2 +
a 22
a 23
a32
a 33
0
0 =
( ) +
a
+ 11
a 21
a12 a11
+
a 22 a31
a13 a 22
+
a33 a32
a 23
( ) + A
a33
3
1 1 1
Ejemplo 1: A = 0 1 1
0 2 2
1 = 0
A I = + 2 + 3 = 0 2 = 1
=3
3
3
1 = 2 2 = -3 3 = 0
1) Con valores propios: 1 = i = 0 -1+3 = 2
2 = 12+13+23
= 0(-1) + 0.3 + (-1)3 = -3
3 = i = 0 (-1) 3 = 0
2) Con elementos de la matriz: 1= tr(A) = -1+1+2 = 2
2 =
1 1 1 1 1 1
+
+
= 1 + 0 2 = 3
0 1 2 2
0 2
3 = |A| = 0
33
Ejemplo 2:
1 4 0
A = 1 2 0
0 2 1
1 = i = 1
2 = (1) (
1 = 1
3
2
A
I
2
3
2 0
1
7
2,3 = 2 2 i
7 1
7
1
+
i
i = 2 = tr(A)
2
2
2
2
7
7
7 1
7
1
1
1
+
i) + (1) (
i) + (
+
i) (
i) =
2
2
2
2
2
2
2
2
7
7
1 7 2
1
1
i+
+
i+
i =3
2
2
4 4
2
2
1 4 2 0 1 0
+
2 =
+
= 2 + 2 1 = 3
1 2
2 1 0 1
=
3 = i = 1(
7 1
7
1 7
1
+
i) (
i) = ( + ) = 2 = |A|
2
2
4 4
2
2
1
1
Ejemplo 3: A =
0
0
3
2
0
0 2
0 1
1 0
0 1
1 = 1
A I = 4 + 6 12 + 9 = 0 2 = 3
= 3
3, 4
1 = i = 4 + 3 i 3 i = 4 = tr (A)
4 = i = 3. 3 i ( 3 i) = 9=|A|
4
2 = 1.3 + 1. 3 i 1. 3 i + 3. 3 i 3. 3 i
2 =
3i
3i = 6
1 0 1 0
1
2
3 0 3 1
1 0
+
+
+
+
+
=6
1 3 0 1 2 1 2 1 0 1 0 1
34
3 = 1.3 3 i + 1.3 ( 3 i) + 3. 3 i ( 3 i) + 1. 3 i ( 3 i) = 12
0 0
3 0
3 = 1 3 0 + 1 3
0
2 1
1 + 0 1 0 + 2 1 0 = 12
2 0 1 2 0 1 0 0 1
de la matriz A,
F = max F i
i
C = max C j
j
Fi =
a ij
j =1
C j = aij
i =1
x1 = a11 x1 + a12 x2 +
x1
x
x = a x + a x +
21 1
22 2
x = 2 tal que x=Ax o sea 2
xn = an1 x1 + an 2 x2 +
x
n
+ a1n xn
+ a2 n xn
(1)
+ ann xn
x1 a11 x1 + a12 x 2 +
x 2 a 21 x1 + a 22 x 2 +
x n a n1 x1 + a n 2 x 2 +
+ a1n x n
+ a2n xn
+ a nn x n
35
( x1 + x 2 +
+ ( a12 + a 22 +
+ x n ) ( a11 + a 21 +
+ an 2 ) x2 +
+ a n1 ) x1 +
C1
+ ( a1n + a 2 n +
C2
+ a nn ) + x n
Cn
como Cj C resulta || (|x1| + |x2| + ... + |xn|) C (|x1| + |x2| + ... + |xn|) como
x es un vector propio sus componentes no pueden ser todas nulas, de modo
que la suma de sus mdulos ser positiva; dividiendo m. a m. por dicha
suma || C
Como una matriz cuadrada A y su traspuesta AT tienen el mismo polinomio
caracterstico, y por lo tanto, iguales races, partiendo de la ecuacin
x = Atx se demuestra que || F
si C
min {F, C} que es lo que se quera demostrar.
y F
MATRIZ IDEMPOTENTE: una matriz cuadrada es idempotente sii es igual a
1 / 2 1 / 2
1 / 2 1 / 2
1 0
0 1
por ejemplo: A =
0 0
2 0
por ejemplo: A =
36
7 2 0
A = 2 6 2 A I = 3 + 182 99 + 162 = 0
0 2 5
1 = 3
2 = 6
= 9
3
4 2 0
2
1
A 3I = 2 3 2 v 1 = 4 = 2 2
0 2 2
4
2
< v1 v 2 > = 0 v1 v 2
1 2 0
A 6 I = 2 0 2
0 2 1
4
2
v = 2 = 2 1
4
2
2
< v2 v3 > = 0 v2 v3
2 2 0
8
2
3
A 9 I = 2 3 2 v = 8 = 4 2
0 2 4
4
1
< v1 v 3 > = 0 v1 v 3
como los vectores propios son ortogonales entre s, basta normalizarlos:
u1= 1/3 v1, u2= 1/3 v2, u3= 1/3 v3 entonces podemos diagonalizar la matriz
simtrica A mediante la matriz ortogonal P
37
2
1 2
3 0 0
1
T
P = 2 1 2 de modo que = P AP = 0 6 0
3
2 2 1
0 0 9
7 2 1
Ejemplo 2: A = 2 10 2
1 2 7
1 = 2 = 6
A I = + 24 180 + 432 = 0
= 12
3
1 2 1
A 6I = 2 4 2 las soluciones del sistema A - 6I = son de
1 2 1
x1 = 2 x 2 x3 . Si x2 = x3 =1 tenemos el vector propio
la forma
3
v 2 = [ 1, 0, 1]
5 2 1
A 12 I = 2 2 2
1 2 5
x1 = x3
x2 = 0
1
6
v = 12 = 6 2
1
46
3
38
como |v1| =
3 ; |v2| = 2 ; |v3| =
1 0 i
Ejemplo 3: A = 0 2 0
i 0 1
P=
3
1
3
1
3
0
1
2
6
2
6
1
= 2 = 0
A I = 3 + 2 2 = 0 1
3 = 2
2 4
1
A = 2 2 2
4 2 1
= 2 = 3
A I = 3 + 27 + 54 = 0 1
3 = 6
2 4
4
0
1
A + 3I = 2
1 2 x 2 = 2 x3 2 x1 v = 2 para obtener v2
4 2 4
1
0 x1 + 2 x 2 + 1 x3 = 0
x 2 = 2 x3 2 x1
5
una solucin es v = 2
4
2
39
5 2 4
2
P=
3 5
2
5
1
3 5
4
3 5
2
3
0 5 2 5
1
1
=
6 2
5
3 3 5
2
3 4 2 5
3 0 0
P T AP = 0 3 0 =
0
0 6
Teorema: los autovalores (o valores propios) de una matriz simtrica real
son todos reales.
Dem.: sea A una matriz simtrica real y P()= |AI| su polinomio
caracterstico (con coeficientes reales por ser A una matriz real).
Si existiera una raz compleja 1= + i existira su conjugada 2 = i.
Formamos la matriz B = (A1I) (A2I) = [A (+i) I] [A (iI)]
= A2 A +Ai I A i A + (2+2) I2
= A2 2A + 2 I2 + 2 I2 = (A I)2 + 2 I teniendo en cuenta que A es
simtrica se puede expresar B = (A I)T (A I) + 2 I . Como B es una
matriz singular (producto de dos matrices singulares de la forma A iI)
existe un vector x / Bx=
Si premultiplicamos esta ltima igualdad m.a m. por xT
x TB x = x T = 0
T
T
T
T 2
reemplazando: x B x = x (A I) (A I) x + x I x = 0
= [(A I) x]T [(A I) x] + 2 I x = 0
= <[(A I) x] . [(A I) x]> + 2 <x . x> = 0
como el primer trmino del 2do. m. es el cuadrado de la norma de (A I)x
es no negativo y en el segundo trmino <x . x> es el cuadrado de la norma
de x que debe ser positiva por ser x un vector propio, de modo que para que
40
1
1
Adj(M) =
M
| M|
| M|
ser
M = |M| M-1
premultiplicando por M
M M = |M| I
M M = P() I
(3)
pero la matriz M es una matriz cuyos elementos son polinomios de grado a
lo sumo (n1) en (los determinantes adjuntos de cada elemento de la
matriz traspuesta de M) y por lo tanto puede escribirse como un polinomio
matricial de grado (n1) en , o sea:
41
(4)
M M = (A I) M
M M = A M M
(5)
igualando (3) y (5) resulta
A M M = P() I
reemplazando M por (4) y P() por (1):
Por otro lado
A (M0 + M1 + M22 + ... + Mn-2 n-2 + Mn-1 n-1) (M0 + M1 + M22 + ... +
+Mn-2 n-2 + Mn-1 n-1) = (c0 + c1 + c2 2 + ... + cn-1 n-1 + cn n) I
efectuando las operaciones indicadas:
A M0 + (A M1 M0) + (A M2 M1) 2 + ... + (A Mn-2 Mn-3) n-2 +
+ (A Mn-1 Mn-2) n-1 Mn-1n =
=c0 I + c1 I + c2 I 2 + ... + cn-2 I n-2 + cn-1 I n-1 + cn I n
(6)
Igualando coeficientes
homlogos en (6)
A M0 = c0 I
A M1 - M0 = c1 I
A M2 - M1 = c2 I
.....................................
A Mn-2 - Mn-3 = cn-2 I
A Mn-1 - Mn-2 = cn-1 I
-Mn-1 = cn I
premultiplicados
por
I
A
A2
..........................
An-2
An-1
An
resulta
A M0 =c0 I
A2 M1 - A M0 = c1 A
A3 M2 - A2M1 = c2 A2
.............................................
An-1 Mn-2 - An-2 Mn-3 = cn-2 An-2
An Mn-1 - An-1 Mn-2 = cn-1 An-1
-An Mn-1 = cn An
Ejemplo 1:
1
(c1I + c2 A + c3 A2 + ... + cn-1 An-2 + cn An-1)
c0
1 0 2
A = 1 2 0 A I = 3 + 42 6
2 0 1
42
5 0
4 4 0 8
1
1
A 1 = A 2 + 4 A I = 3 4 2 + 4 8 0 +
6
6
4 0 5 8 0 4
0
1 0
2 0 4
1
+ 0 1 0 = 1 3 2
6
0
4 0 2
0 1
Ejemplo2:
0
1 3 0
0 2
1 2
A=
A I = 4 33 + 32 12 + 5
0 0 1 3
0
1
2 1
13 15
6 15 3
27 9 18
12
10
13
1
4
6
3 9
1
+
A 1 = A3 + 3 A 2 3 A + 12 I =
+
9
3
0
5
6 12 2 3 18
2 19
8 12
9
4
3 3
0
0 12 0 0 0
1 3 3 3
3 9
0 6 3 6 0 12 0 0
1 2 1 1 1
+
+
=
0
0
3 9 0 0 12 0 5 12 21 16 6
7
7 2
4
6 3 0 3 0 0 0 12
43