Professional Documents
Culture Documents
2015
1
ndice
PARTE 1
Captulo 1
Matrices y determinantes
Matrices especiales
Rango de una matriz
Sistema de ecuaciones lineales
Conclusiones
3
14
28
32
34
Captulo 2
Espacios vectoriales
Sub-espacios vectoriales
Bases y Dimensin de un Espacio Vectorial
38
Suma Directa de Espacios Vectoriales
41
Conclusiones
42
Captulo 3
Transformaciones Lineales
43
Ncleo e Imagen
45
Conclusiones
49
Captulo 4
Autovalor
50
Autovector
51
Conclusiones
53
Captulo 5
Proceso de ortogonalizacin de Gram Schmidt
54
Conclusiones
56
2
35
37
PARTE 2
Casos de diagonalizacion
57
MATRICES Y DETERMINANTES
Sea K un cuerpo ( K a {Q, R, C} ) , definimos el siguiente conjunto :
[aij]nxm =
a 11 a 1 m
an1 anm
Suma (adicin):
[ ]
1 2
3 5
B=
[ ]
7 9
3 4
Propiedades:
Conmutativa
[aij] + [bij] = [bij] + [aij]
Asociativa
[aij] + ([bij] + [cij]) = ([aij] + [bij] )+ [cij]
, =[ ij] , ij =0
A+B =
[ ]
8 11
6 9
Producto:
Knxp x Kpxm Knxm
([aij] , [bij]) [aij] [bij] = [cij]
Dnde:
p
[cij]=
a il blj
l=1
bpj
Propiedades:
Es decir: I =
I = []
1 0
0 1
ij = { 1 , i=j ; 0 , ij
AI=IA=
A
Obs:
A
Knxn
5
A=
[ ]
1 0
0 0
[ ]
1 0
0 1
entonces B = A-1
A.B = I
[ ] [ ] [ ]
1 0
0 0
x
w
y
z
Producto de matrices:
x
0
y
0
Determinante:
El determinante es una funcin que le asigna a una matriz de orden n, un nico
nmero real llamado el determinante de la matriz. Si A es una matriz de
orden n, el determinante de la matriz A lo denotaremos por Det(A) o tambin
por |A| (las barras no significan valor absoluto).
10
11
5. Si una matriz cuadrada tiene todos los elementos de una fila o columna
nulos, su determinante es cero.
12
13
10. Si a una fila o columna de una matriz cuadrada se le suma otra paralela a
ella, su determinante
no vara.
14
11. Si a una fila o columna de una matriz cuadrada se le suma otra paralela a
ella multiplicada por un nmero, su determinante no vara.
Det(A) =
1
det( A)
15
MATRICES ESPECIALES
Matriz Cuadrada
Una matriz de n por m elementos, es una matriz cuadrada si el nmero de filas es igual al
nmero columnas, es decir, n = m y se dice, entonces que la matriz es de orden n:
Propiedades:
16
Matriz nula
Por lo tanto, una matriz nula de orden mxn definida sobre un anillo K
asume la forma:
Matriz Singular
Matriz no singular
17
Matriz identidad
Propiedades:
18
Matriz
Diagonal
Todos los elementos son nulos excepto los de la diagonal, esto es, los
elementos que tienen el mismo nmero de fila que de columna.
Una matriz A diagonal de dimensin m x n que tiene por elementos de la
diagonal a los elementos del vector v se le denota por
Propiedades:
con lo que son regulares si, y slo si, todos los elementos de la diagonal
son distintos de 0. En tal caso :
19
Matrices Triangulares
20
Propiedades :
Por tanto, es regular si, y slo si, los elementos de la diagonal son
distintos de 0. En tal caso,
Matriz Transpuesta
21
Propiedades:
Traspuesta de la traspuesta
Traspuesta de la suma
22
Matriz Adjunta
Adjunta de la identidad
Adjunta de la traspuesta
Si A es de dimensin n y k un escalar
23
Si A es regular, su inversa es
Propiedades:
simtrica y antisimtrica.
Sea A Rnxn
existe B Sn , C ASn
A 0; Ak-1 0
Matriz idempotente:
A2 = A
Matriz involutiva:
A2 = i
Matriz hermitiana:
At = A
A Cnxn
Matriz antihermitiana
25
At = A
A Cnxn
Matriz ortogonal
At = A-1
Matriz inversa
,
Donde In es la matriz identidad de orden n y el producto utilizado es el producto
de matrices usual.
Una matriz no invertible se dice que es singular o degenerada. Una matriz es
singular si y solo si su determinante es nulo.
matriz
Ya que
Y, evidentemente:
27
Donde
es el determinante de A y
es la matriz de adjuntos de
A.
Se construira
28
Ya tenemos el pivote de la primera fila que usamos para hacer ceros debajo
29
dimensin del espacio fila determina el rango. El rango de A ser, por tanto, un
nmero no negativo, menor o igual que el mnimo entre m y n:
Entonces:
Por consiguiente,
Rango (A) rango(A 2) = 2.
Si esto no hubiese sido posible, entonces:
Rango (A) = 1.
Supongamos que rango (A) rango (A2) y que i = 2 y j = 2.
4. Aadimos filas a la matriz A2 hasta encontrar una matriz que cumpla:
Entonces:
Rango (A) rango (A2) = 3.
En caso de no haber sido posible encontrar dicho menor, entonces:
Rango (A) = rango (A2) = 2.
Suponiendo que rango (A) rango (A3) y que i = 3 y j = 3, se procedera
como en los casos anteriores, y as sucesivamente hasta agotar todas las
filas de la matriz A.
Ejemplos:
a) Sea la matriz A una matriz de orden tres. Hallar el rango (A).
32
Como A es una matriz cuadrada de orden tres, como mximo el rango (A)
puede valer tres. Calcularemos primero el determinante o determinantes
de las submatrices de orden dos de A. As pues
33
Mtodo de Gauss
Para resolver sistemas de ecuaciones lineales, se aplica el mtodo de
Gauss. Este proceso se ilustra en el siguiente ejemplo.
Ejemplo:
Sea el sistema,
35
Conclusiones:
36
ESPACIOS VECTORIALES
Definicin:
Sea
es un Espacio Vectorial
Suma:
+:V V V
( u , v ) u+v
Y se cumplen las propiedades:
A1) Conmutativa:
u+ v=v +u ; u , v V
A2) Asociativa:
( u+v )+ w=u + ( v +w ) ; u , v , w V
V /u+=u ; u V
37
u V ; v V /u+ v=
A4) Dado
Notacin:
v =u
( , u ) u
: K V V
1.u=u
( + ) u=u+ u
P2) Distributividad:
( u ) =( )
P3) Asociatividad:
Si en el conjunto
es un Espacio Vectorial.
Notacin.-
( V ,+ , )
Espacio Vectorial.
Ejemplo:
Sea
V =R
u=( x1 , y 1 , z 1 ) , v=( x 2 , y 2 , z 2 ) R
. Sean
( u , v ) u+v =( x 1+ x 2 , y1 + y 2 , z1 + z 2 )
+: R3 R3 R3
3
: R R R
Afirmacin:
( , u ) u=( x1 , y 1 , z1 )
( R3 ,+, )
es un Espacio Vectorial.
Sub-Espacios Vectoriales
Definicin:
38
V , si
W V . Se dice que
es un Sub-
es un Espacio Vectorial.
Teorema:
Sea un Espacio Vectorial, y sea
1.
u , v W u+ v W
2. Si
Ejemplo:
Sea
Sea
R3
R3 .
W ={ }
Observacin:
39
Definicin:
Sea un Espacio Vectorial, se dice que el conjunto de vectores
{u1 ,u 2 , , uk } V
P V ; 1 , 2 , , k R , tal
Ejemplos:
1)
2)
u1 ,u 2 , , un
L {u 1 , u2 , ,u n }= u V /u= i ui , i R
i=1
}
{u1 ,u 2 , , un }
es el conjunto de
u1 ,u 2 , , un .
Teorema:
Sean
u1 ,u 2 , , un
L { u1 , u2 , ,un }
40
Ejemplo:
Hallar el espacio generado por los vectores
u1=( 1 ; 1; 0 ) y
u2=(1; 0 ; 1) .
Solucin:
Buscamos hallar , el cual es el espacio generado por
{ u1 ,u 2 } .
u= ( x , y , z )=( 1 + 2 , 1 , 2 )
x= 1 + 2 ( 1 )
y = 1 ( 2 )
Sustituyendo (2) y (3) en (1):
z= 2 ( 3 )
x= y + z x y z=0
u1
u2
es:
W = {( x , y , z ) R3 / x y z=0 } que
. (Sub-Espacio Propio)
{ u1 ,u 2 , , uk } V
1.
L {u 1 , u2 , ,u k }=V
2.
{ u1 ,u 2 , , uk }
es linealmente independiente.
Dimensin (Definicin):
41
{u1 ,u 2 , , uk } V
tiene
k .
Notacin.-
dim R V =k
Ejemplo:
Hallar una base y la dimensin del siguiente Sub-Espacio Vectorial:
X ={( x , y , z ) R 3 /2 x +3 z y=0 }
Solucin:
Sea
P=( x , y , z ) X 2 x +3 z y=0
P=( x , y , z )=( x ,2 x+ 3 z , z )
y=2 x+ 3 z
X L { ( 1 ; 2; 0 ) , ( 0 ; 3 ; 1 ) }
dimR X=2
( 1; 2 ; 0 ) , ( 0 ; 3 ;1 ) X
Como
es un Sub-Espacio Vectorial:
( 1; 2 ; 0 )+ (0 ; 3 ; 1) X
L { ( 1 ; 2; 0 ) , ( 0 ; 3 ; 1 ) } X
Propiedades:
Sean
42
vectores,
1) Si
X Y L {X } L {Y }
L{ X } es un Sub-Espacio Vectorial.
2)
3) Si es un Sub-Espacio de
4) Si
Nota:
W V X W L { X }W
V L { W }=W
X .
Ejemplo:
Sean
X ={ u } ,Y ={ u , v } V ; donde V =R2
es un Espacio Vectorial.
X Y L { X }={u / R } L { Y }={u+ v / , R }
Ejemplo:
Sea
V =R n un Espacio Vectorial.
Vectores Cannicos:
ii { e 1 , e 2 , , e n }
Solucin:
i L { e 1 , e 2 , , e n }=R
[ ] { e1 , e2 , , e n } Rn
L {e1 , e 2 , , e n } R L { e1 , e2 , , en } R
L { e1 , e2 , , en } L { R n }=R n
[ ] Sea x=( x 1 , x 2 , , x n ) Rn
x=( x 1 ,0, , 0 ) + ( 0, x 2 , ,0 ) ++ ( 0,0, , x n )
x L { e 1 , e 2 , , e n }
R n L {e 1 , e 2 , , e n }
43
x=x 1 . e 1+x 2 . e2 ++ x n . en
L { e1 , e2 , , en } =R
[]
e1
ii I = e 2 ; det ( I )=1 0 { e 1 ,e 2 , ,e n }
en
son
L. I .
X ,Y
XyY
X +Y ={u+ v / u X , w Y }
Observaciones:
2)
X +Y X Y , pues
X Y X +Y
3)
{YX XX +Y+Y
1) En general
X Y
no siempre es un Sub-Espacio.
5)
X +Y
X Y W , entonces
es el menor Sub-Espacio que contiene a X Y .
6)
X Y
es un Sub-Espacio Vectorial.
X ,Y
X Y ={ } , se dice que
X Y
es la suma directa de
X Y ={u+v /u X , w Y }
Teorema:
44
XyY .
X +Y W .
XyY
Si
Observacin:
W V dim W =dimV W =V
Si
Ejemplo:
Sea un Sub-Espacio del Espacio Vectorial
R3 .
X ={( x , y , z ) R3 /x +2 y+ 3 z =0 }
Muestre un Sub-Espacio Vectorial y , tal que
X +Y =R3 X Z =R3 .
Sea
Y ={ ( x , y , z ) R3 /2 x+2 yz =0 }
P=( x , y , z ) Y 2 x+2 yz =0
P=( x , y , z )=( x , y , 2 x +2 y )
z=2 x+2 y
dim Y =2
X +Y =R3
dim X Y =1
Z ={ t ( 1 ; 2; 3 ) /t R } =L {(1; 2 ; 3) }
45
dim Z=1
X Z =R
dim X Z =0
dim( X Z)=dim X +dim Z=2+1=3
Conclusiones:
Un espacio vectorial es una estructura algebraica. Muchos conjuntos poseen
esta misma estructura, con las operaciones usuales. Por ejemplo, los pares
ordenados de nmeros reales, las ternas, los polinomios, las matrices, etc.
Cuando se estudian los espacios vectoriales, se obtienen conclusiones
comunes a todos estos conjuntos.
46
TRANSFORMACIONES LINEALES
Sean V y W dos espacios vectoriales sobre el cuerpo K. Una transformacin
lineal T: V
W es una correspondencia que a cada vector v V le asigna un
vector T(v) e W tal que, para cualquier u, v V y a K, se cumple la relacin
Ejemplo 1:
Sea T : una funcin definida por:
T ( x , y)=( x + y , x y , y )
Comprobar que T L( IR , IR ) .
Solucin:
T saca el escalar:
T ( ( x , y))=T (x , y)
(x+ y , xy , y)
( x+ y , x y , y)
T ( x , y )
T preserva la suma:
T (x 1 , y 1)+T ( x 2 , y 2)
L( Rn , R m)
M (m, n , IR)
A M (m , n , IR)
R R
tal que
Rn , R m
L )
A la matriz A le asociamos la
TA(x )= Ax
x R
R en R
Ejemplo 2:
Hallar la matriz asociada a la transformacin lineal T:
T ( x , y)=(5 x +4 y , 3 x2 y)
( [ ]) [
x = 5 x+ 4 y
y
3 x2 y
][ ]
5 4 x
3 2 y
48
R2 R2 definida por
A= 5 4
3 2
As obtenemos que
es la matriz
R2 x 2 asociada a T.
Observaciones:
0v
T ( 0 v )=T (0 v +0 v)=T (0 v)+T ) .
Luego T (0 v )=0 w . Ntese que usamos el smbolo
referirnos al cero de V y 0 w para el de W.
En efecto,
( ii)
0v
para
T L(V , W )
T (v+u)=T (v )+ T (u)
v ,u V y IR .
Ncleo e Imagen
Sea T L( V, W) :
a) El conjunto
b) El conjunto
se l lama ncleo de T.
simplemente
imagen de T.
Teorema 1
Sea T L( V, W)
El Nuc ( T) y la Img ( T) son sub-espacios de V y W respectivamente.
Ejemplo 3:
R3 R3
definido
T ( x , y , z )=( x +3 y + 4 z , 3 x+ 4 y +7 z ,2 x+ 2 y )
Sea
la
t.l.
T:
49
por
la
regla
a) Hallar la IMAGEN de T
b) Hallar el NUCLEO de T
Solucin:
a) La Imagen de T est formado por vectores de la forma (r, s, t) tal que
(r , s ,t )=( x +3 y +4 z , 3 x+ 4 y +7 z ,2 x+2 y )
x+ 3 y + 4 z=r
3 x+ 4 y +7 z=s
2 x +2 y =t
Haciendo ms sencilla la matriz aumentada:
[ ]
3 s4 r
5
1 3 4 r 1 0 1
s+3 r
3 4 7 s 0 1 1
5
2 2 0 t
0 0 0
8 s14 r +5 t
5
][ ] [ ]
b) El ncleo de T se obtiene:
( x+ 3 y + 4 z ,3 x +4 y+7 z ,2 x +2 y )=(0,0, 0)
x+ 3 y + 4 z=0
3 x+ 4 y +7 z=0
2 x +2 y =0
Haciendo ms sencilla la matriz aumentada:
][ ] [ ] [ ]
1 3 4 0 1 0 1 0
3 4 7 0 0 1 1 0
2 2 0 0
0 0 0 0
Haciendo z=t
x+ t=0 x=t
50
que
y +t=0 y=t
Entonces el vector solucin es
(x , y , z)=(t ,t , t)
t (1,1,1)
El ncleo de T es
Teorema 2
Sea T L( V, W) y V de dimensin finita, entonces
a11 a1 n
[ [T ] =([T ( v 1)]B 2 [T ( vn)]B 2)=
a m 1 a mn
B2
B1
Teorema 3
B 2={u 1, , um}
Si
B2
A= ( aij ) m n=[ T ] B 1
[T ( x)] B 2
una base de W.
es la matriz de T en las bases B1 y B2, entonces
[T ]BB 21 [x ] B 1 x V .
Ejemplo 4:
Considere la t.l.
T : R3 R 2
tal que
51
[][
x
T y = x+ y
3 xz
z
C 1={e 1, e 2, e 3 } ,
Y sean
C 2={f 1, f 2 }
R3 y R2
respectivamente. Adems
base de
(13)
1
=f 1+3 f 2
3
()
T ( e1 )=
()
[ ( e 2 ) ]c 2= 1
0
T ( e2 )= 1 =f 1+0 f 2
0
()
(10 )
[(e 3)]c 2=
0
=0 f 1f 2
1
( )
T ( e1 )=
Luego
[ T ( e1 ) ]C 2 [ T (e 2) ]C 2 [ T (e 3) ]C 2= 13
Solucin:
[( e 1)] c2=
R3
1 0
0 1
C2
C1
[ T ] =
52
C2
[T ]C 1
B2
[T ]B 1 .
[] []
[ ][
[][]
1
T 1 = 2 =a11 4 + a21 3
1
1
1
2
[] []
3
T 0 = 3 = a12 4 + a22 3
10
1
1
1
] [] []
2
T 4 = 6 = a13 4 + a23 3
3
1
1
3
[] []
[ ][ ] [ ]
4 3 a11 = 2
1 1 a 21 1
[ ][ ] [ ]
4 3 a 12 = 3
1 1 a 22 10
[ ][ ] [ ]
4 3 a 13 = 6
1 1 a 23 3
Luego:
[[] [[ ] [[]
1
[T ] =( T 1
2
B2
B1
B2
3
T 0
1
B2
2
T 4
3
)
B2
1 27 3
2 37 6
zB
imagen
x
x A , z=f ), o equivalentemente si:
f ( x)=f ( y )= x= y
f ( x)=z
tiene solucin z B
Sea T L( R , R
) definida por
T (x , y , z )=
(x y ,x + y + z , y + z ) . Es T sobreyectiva?
Solucin:
T es sobreyectiva si
(a , b , c ) R
T (x , y , z )=( a , b , c)
tiene solucin
T ( x , y , z )=( a , b , c)
(x y ,x + y + z , y + z)=(a , b , c )
x y=a
x + y + z=b
y + z =c
sobreyectiva.
54
Nuc(T )={0}
Teorema 5
Sea T L (V, W)
(a) Si
V =Cl {v 1, , vm }
entonces
T ( v 1) , , T (vm)
En particular:
CONCLUSIONES:
Se han visto ms detallado y con ms exactitud los teoremas y propiedades
que hilan todos los temas propuestos por este trabajo y se ha se ha llegado a la
conclusin de todos los temas estn relacionados en cierta forma ya que en
varios de estos se necesita recurrir a las propiedades que se han visto en
temas anteriores.
Autovalores y Autovectores
Sea
R talque
det [ AI ] =0=det [ I A ]
55
P A ()=det [ AI ] =0
Donde:
PA : es llamado polinomio caracteristico.
Las raices del polinomio caracterisitico son llamados autovalores de A.
Ejemplo:
[ ]
4 8
7 6
A=
det [ AI ] =0
A-
[ ]
4 8
6 6
I=
PA() =
[ ]
0
0
4
8
7
6
( 4 )( 6 )48=0
1=12 2=2
210 24=0
TEOREMA:
Sea A Rnxn diagonal,
{ a11 ,a 22 , , ann }
TEOREMA:
A= [ aij ] ;
aij =0
,i>j
{a11 ,a 22 , , ann }
Sea A Rnxn y
autovector si:
56
Av =v
det [ AI ] =0
: Autovalor,
A I no invertible
Rang ( A I < n
Nu
( T A I )
{}
OBS:
Sea v Rn autovector de A asociado al autovalor
Av =v
Sea Rj
A(v) = Av
v=w
= v = (v) Aw = w
W A ()=
Rnxn
TA
Rn
u
Rn
T A(u)= Au
3 1 0
A 1= 1 2 1
0 1 3
]
57
3 1
0
| A1 I|= 1 2 1 =0 (3)(1)( 4)=0
0
1 3
Autovalores:
= 3; = 1; = 4
Si = 3,
][ ] [ ]
0 1 0 x
0
( A1 I ) x =0 1 1 1 y = 0
0 1 0 z
0
y =0 x=t
x yz=0 y =0
y =0 z=t
[]
[
1
x 1= 0
1
Si = 1,
][ ] [ ]
2 1 0 x
0
( A1 I ) x =0 1 1 1 y = 0
0 1 2 z
0
2 x y=0 x=t
x + y z=0 y=2 t
y +2 z=0 z=t
[]
1
x 2= 2
1
Si = 4,
][ ] [ ]
x
1 1 z
1 1
( A1 I ) x =0 1 2 1 y = 0
0
58
x y=0 x=t
x2 y z=0 y=t
y z=0 z=t
[]
1
x 3= 1
1
Conclusin
Una vez concluido el captulo tenemos una idea clara de temas antes
desconocidos como son los valores propios y vectores propios y sus
distintas aplicaciones.
59
PROCESO DE
ORTOGONALIZACION DE
GRAM SCHMIDT
Teorema:
Sea V un espacio con producto interno y sean v1,,vn vectores independientes
cualesquiera de V. Entonces se pueden construir vectores ortogonales c en V
tales que para cada k=1,2,, n el conjunto S= {1,,k} sea una base del subespacio generado por v1,,vk.
Demostracin:
La construccin de los vectores ortogonales 1,,k es por un algoritmo
conocido con el nombre de proceso de ortonormalizacion de Gram Schmidt.
1.- Asumimos que 1= v1.
2.- Supongamos que, por induccin, los vectores 1,,m (1mn) hayan sido
elegidos de modo que para cada k {1,,k} , 1km es una base ortogonal
para el sub-espacio de V que es generado por v1,,vk.
El siguiente vector, despus de m es:
m
v m +1 , k
k
2
k=1
k
m +1=v m +1
(1)
Vm+1
m+1
k
m
v m +1 , k
k
2
k=1
k
m+1 , j
=0, si 1jm.
Probemos:
60
m+1
m+1 , k , = v , m m+1 , k ,
m +1 j
k
j
k
j
2
2
k=1
k=1
k
k
v m+1
m +1 , k
k , j
2
k=1
k
v m +1 , j
(2)
v m +1 , k
k , j
2
k=1
k
m+1 , j = v m+1 , j
0
v m +1 , k
k , j = v m+1 , j
2
k=1
k
m+1 , j =
(3)
v m +1 , j v m+1 , j
0
1=v 1
2=v 2
v 2 , 1
1
2
1
61
3=v 3
v 3 , 1
v3 , 2
1
2
2
2
1
2
4 =v 4
v4 , 1
v4 , 2
v4 , 3
3
1
2
2
2
2
1
2
3
Ejemplos:
Usar el proceso de Gram Schmidt para transformar la base B del espacio
euclidiano R3 en una base ortogonal.
SOLUCION:
1=(1,0,1)
2=( 0,0,1 )
( 0,0,1 ) . (1,0,1 )
3=(1,1,0 )
( 1,0,1 )
(1,0,1)=(
(1,1,0 ) . ( 1,0,1 )
2
( 1,0,1 )
1
1
, 0, )
2
2
( 1,0,1 )
( 1 1 ) ( 1 1 )
(1,1,0 ) . ( 0,0,1 )
1
1
( 0,0,1 )=(
,1, )
2
2
( 0,0,1 )
62
v 2=(0,1,1)
v 3=(1,0,0)
SOLUCION:
1=(1,0,1)
2=( 0,1,1 )
3=( 1,0,0 )
( 0,1,1 ) . ( 1,0,1 )
2
(1,0,1 )
( 1,0,0 ) . ( 1,0,1 )
2
(1,0,1 )
( 1
(1,0,1)=(
( 1,0,1 )
) (1
1
1
, 0, )
2
2
(1,0,0 ) . ( 0,1,1 )
1
1
( 0,1,1 )=( , 0, )
2
2
( 0,1,1 )
1
Luego {( 1,0,1 ) , 2 , 0, 2 , 2 , 0, 2 }
CONCLUSIONES:
-
Este logaritmo nos ayuda inicialmente a poder hallar una base ortogonal,
pero al hallar tambin esta base nos bastara solo el hecho de dividir
cada vector entre su norma para hallar una base ortonormal en lo que se
basa principalmente, y as hacer de una manera ms fcil la resolucin
de este captulo de Algebra Lineal
Parte 2:
CASOS DE DIAGONALIZACIN
63
P1 AP=D .
Caso 1
Cuando todos los autovalores son distintos y pertenecen a los
reales:
Si una matriz cuadrada A, de orden n, tiene n autovalores reales distintos
diferentes de cero, entonces el conjunto { x 1 , x 2, , . , x n } es linealmente
independiente. Luego, la matriz A es diagonalizable.
Puede observarse que si { x 1 , x 2, , . , x n } son L.i
la matriz P={
1
PD P = A .
Ejemplos:
1.
3 1 0
A 1= 1 2 1
0 1 3
Diagonalizacin de
3 1
0
A
I
=
| 1 | 1 2 1 =0 (3)(1)( 4)=0
0
1 3
Autovalores:
= 3; = 1; = 4
R
la matriz es diagonalizable.
Si = 3,
][ ] [ ]
x
( A1 I ) x =0 1 1 1 y = 0
64
y =0 x=t
x yz=0 y =0
y =0 z=t
[]
[
1
x 1= 0
1
Si = 1,
][ ] [ ]
2 1 0 x
0
( A1 I ) x =0 1 1 1 y = 0
0 1 2 z
0
2 x y=0 x=t
x + y z=0 y=2 t
y +2 z=0 z=t
[]
1
x 2= 2
1
Si = 4,
][ ] [ ]
x
1 1 z
1 1
( A1 I ) x =0 1 2 1 y = 0
0
x y=0 x=t
x2 y z=0 y=t
y z=0 z=t
[]
1
x 3= 1
1
65
La matriz
1 1 1
3 0 3
1
1
P= 0 2 1 P =
1 2 1
6
1 1 1
2 2 2
[ ]
3 0 0
P A 1 P=D= 0 1 0
0 0 4
1
2.
3 0
2
A 2= 1 2 3
2 5 1
Diagonalizacin de
3
0
2
| A2 I|= 1 2 3 =0 (+ 6.341)( + 2.251)( 2.592)=0
2
5
1
Autovalores: =
6.341 ; =
2.251 ; =
][ ] [ ]
3.341
0
2
x
0
1
4.341 3 y = 0
2
5 5.341 z
0
[ ]
0.598
x 1= 0.828
1
Si =
2.251 ,
66
la matriz es diagonalizable.
Si = 6.341 ,
( A2 I ) x =0
2.592
( A2 I ) x =0
][ ] [ ]
0.749
0
2
x
0
1
0.251 3 y = 0
2
5 1.251 z
0
[ ]
2.669
x 2= 1.317
1
Si =
2.592
( A2 I ) x =0
][ ] [ ]
5.592
0
2
x
0
=
1
4.592
3
y
0
2
5
3.592 z
0
[ ]
[
0.357
x 3= 0.575
1
La matriz
]
67
6.341
0
0
P A 2 P=D=
0
2.251
0
0
0
2.592
1
Caso 2
Cuando hay autovalores repetidos (multiplicidad) y pertenecen a
los reales:
P ( )=| AI |=0
( A I ) x =0
Ejemplos:
3.
4 1 1
A 3= 2 5 2
1 1 2
Diagonalizacin de
| A3 I|=
4
1
1
2
2
5 2 =0 ( 3 ) ( 5 ) =0
1
1
2
Autovalores:
= 3; multiplicidad=2
= 5; multiplicidad=1
68
Si = 3,
][ ] [ ]
1 1 1 x
0
( A3 I ) x =0 2 2 2 y = 0
1 1 1 z
0
x+ yz=0 x=t x =0
2 x +2 y2 z=0 y =0 y=t
x+ yz=0 z=t z =t
[] []
1
0
x 1= 0 x 2= 1
1
1
Si =5,
][ ] [ ]
1 1 1 x
0
0 2 y = 0
1 1 3 z
0
( A3 I ) x =0 2
x + y z=0 x=t
2 x 2 z=0 y=2 t
x+ y3 z=0 z=t
[]
1
x 3= 2
1
69
La matriz
[ ] [
[ ]
1 0 1
1 1 1
1
1
P= 0 1 2 P = 2 0
2
2
1 1 1
1
1 1
3 0 0
P A 3 P=D= 0 3 0
0 0 5
1
4.
3 1 1
A 4 = 7 5 1
6 6 2
Diagonalizacin de
| A 4I |=
4
1
1
2
2
5 2 =0 ( +2) (4)=0
1
1
2
Autovalores:
multiplicidad=1
= -2; multiplicidad=2
Si = -2,
][ ] [ ]
1 1 1 x
0
A
I
x
=
0
=
( 4
)
7 7 1 y
0
6 6 0 z
0
x + y z=0 x=t
7 x +7 yz =0 y=t
6 x +6 y =0 z=0
[]
1
x 1= 1
0
, = 4;
Si =4,
][ ] [ ]
7 1 1 x
6 6 6 z
( A4 I ) x =0 7 1 1 y = 0
7 x + yz =0 x=0
7 x + yz =0 y=t
6 x +6 y 6 z=0 z=t
[]
0
x 2= 1
1
Caso 3
Cuando hay autovalores que pertenecen a los complejos:
Ejemplos:
71
la matriz P={
1
PD P = A .
5.
[ ]
1 5 4
A 5= 1 1 3
3 4 1
Diagonalizacin de
| A5 I|=
1
5
4
1
1
3 =0
3
4
1
Autovalores: =
7.228 ; =
2.114 0.308 i ; =
2.114 +0.308 i
C
Los autovalores son simples
la matriz es diagonalizable.
7.228 ,
Si =
( A5 I ) x =0
][ ] [ ]
6.228
5
4
x
0
=
1
6.228
3
y
0
3
4
6.228 z
0
6.228 x +5 y +4 z =0 x=1.181t
x6.228 y +3 z=0 y=0.671t
3 x+ 4 y6.228 z=0 z =t
[ ]
1.181
x 1= 0.671
1
2.114 0.308 i ,
Si =
( A5 I ) x =0
][ ] [ ]
3.114+0.308 i
5
4
x
0
=
1
3.114 +0.308 i
3
y
0
3
4
3.114+ 0.308 i z
0
72
0.3740.424 i
x 2= 1.059+0.241 i
1
2.114+0.308 i ,
Si =
( A5 I ) x =0
][ ] [ ]
3.1140.308 i
5
4
x
0
1
3.114 0.308i
3
y=0
3
4
3.1140.308 i z
0
[
[
0.374 +0.424 i
x 3= 1.0590.241i
1
La matriz
1.181 0.3740.424 i
0.374+ 0.424 i
P= 0 0.671 1.059+ 0.241i 1.0590.241i
1
1
1
17
17
17
7.228
0
0
P A 5 P=D= 0
2.1140.308 i
0
0
0
2.114 +0.308 i
1
73
6.
1 1 1
A 6= 1 2 1
1 1 3
Diagonalizacin de
| A6 I|=
1
1
1
1
2
1 =0
1
1
3
Autovalores: = 2 ; = i (2i+ 2 ) ; =
Los autovalores son simples
Si =
la matriz es diagonalizable.
2 ,
][ ] [ ]
1
1 1 x
0
A
I
x
=
0
=
( 6
)
1 0
1 y
0
1 1 1 z
0
x+ yz=0 x=t
x z=0 y=0
x yz=0 z =t
[]
1
x 1= 0
1
Si =
i ( 2 i+ 2 ) C
i (2i+ 2 ) ,
74
( A6 I ) x = 0
][ ] [ ]
i ( 2 i+ 2 )
1
1
x
0
1
i (2i+ 2 )
1
y=0
0
1
1
i (2i+ 2 ) z
1
i (2 i+ 2 ) x+ yz=0 x= (12 i 2) t
3
1
x +i (2 i+ 2 ) y + z=0 y= (2 i+ 2) t
3
x y +i (2 i+ 2 ) z=0 z=t
[ ]
1
(12i 2)
3
x 2= 1
(2 i+ 2)
3
1
Si = i ( 2 i+ 2 ) ,
( A6 I ) x = 0
][ ] [ ]
i ( 2 i+ 2 )
1
1
x
0
1
i ( 2i+ 2 )
1
y=0
0
1
1
i ( 2i+ 2 ) z
1
i ( 2i+ 2 ) x+ y z=0 x= (1+ 2i 2)t
3
xi ( 2 i+ 2 ) y + z=0 y =
1
(2 i+ 2) t
3
75
[ ]
1
(1+2i 2)
3
x 3= 1
(2 i+ 2)
3
1
1
1
(12 i 2)
(1+2 i 2)
3
3
1
1
1
(2 i+ 2)
(2i+ 2)
3
3
1
P=[ 1 ]
1
La matriz
P =
1
2
1
2
1
1
1
i(i+ 2)
i (2i+ 2)
(1i 2)
4
4
4
1
1
1
i(i+ 2)
i(2i+ 2)
(1+i 2)
4
4
4
2
0
0
P A 6 P=D= 0 i (2i + 2 )
0
0
0
i ( 2i + 2 )
1
Caso 4
Cuando hay autovalores que son iguales a cero:
7.
2 3 5
A 7= 0 3 0
6 9 15
Diagonalizacin de
2
3
5
| A7 I|= 0 3 0 =0 ( 3)(17)=0
6
9
15
76
Autovalores: = 0; = 3; = 17
simples
la matriz es diagonalizable.
Si = 0,
][ ] [ ]
2 3 5 x
0
( A7 I ) x = 0 0 3 0 y = 0
6 9 15 z
0
2 x +3 y +5 z=0 x=5 t
3 y=0 y =0
6 x+ 9 y+ 15 z=0 z =2t
[]
5
x 1= 0
2
Si = 3,
][ ] [ ]
1 3 5 x
0
0 0 y=0
6 9 12 z
0
( A7 I ) x = 0 0
x +3 y +5 z=0 x=3 t
0=0 y=14 t
6 x+ 9 y+ 12 z=0 z=9t
[ ]
3
x 2= 14
9
Si = 17,
( A7 I ) x = 0
][ ] [ ]
15
3
5 x
0
0 12 0 y = 0
6
9 2 z
0
15 x +3 y +5 z =0 x=t
77
12 y=0 y=0
6 x+ 9 y2 z=0 z=3 t
[]
1
x 3= 0
3
La matriz
[ ]
3
17
5
3
1
P= 0 14 0 P1= 0
2
9 3
2
17
0 0 0
1
P A 7 P=D= 0 3 0
0 0 17
78
1
14
3
14
1
17
0
5
17