Professional Documents
Culture Documents
lgebra Lineal
Prof. Luis Javier Vsquez Serpa
Alumno
ndice
Matrices y Determinantes
Producto de Matrices
12
30
35
37
Espacios Vectoriales
38
Sub-Espacios Vectoriales
39
40
40
44
45
Transformaciones Lineales
46
47
Ncleo e Imagen 48
Matriz de una Transformacin Lineal 50
Inyectividad, Sobreyectividad y Biyectividad
Conclusin
52
53
Autovalores y Autovectores 54
Diagonalizacin: Casos 54
Conclusin
68
69
72
69
Matrices y Determinantes
Sea K un cuerpo ( K {Q , R ,C } , definimos el siguiente
conjunto:
Knxm = { [aij] / aij K i {1;2;3;..n} ; j {1;2;3;..n} }
. Notacin:
[aij]nxm =
a 11 a 1 m
an1 anm
Suma (adicin):
Knxm x Knxm Knxm
([aij] , [bij]) [aij] + [bij] = [aij + bij ]
Ejemplo:
[ ]
[ ]
A=
1 2
3 5
B=
[ ]
7 9
3 4
8 11
6 9
Propiedades:
Conmutativa
[aij] + [bij] = [bij] + [aij]
Asociativa
[aij] + ([bij] + [cij]) = ([aij] + [bij] )+ [cij]
2
A+B =
, =[ ij] , ij =0
[cij]=
a il blj
l=1
Es decir: I =
I = []
1 0
0 1
ij = { 1 , i=j ; 0 , ij }
AI=IA
=A
A
Knxn
Obs:
[ ]
1 0
0 0
[ ]
1 0
0 1
A.B = I
entonces B = A-1
[ ].[ ]= [ ]
1 0
0 0
x
w
y
z
tiene A-1
Producto de matrices:
x
0
y
0
entonces no
A=[aij ]
de orden n ,
A , al nmero real
a11 a1 n
Si A=
a n 1 ann
n
1+j
det ( A ) = (1 )
j=1
]
a1 j det ( A 1 j ) Frmula de LaPlace
Donde: A 1 j es submatriz de
eliminando la fila 1 y la
j -sima columna.
10
11
12
Det(A) =
1
det( A)
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:
13
Propiedades:
Toda matriz cuadrada se puede descomponer en la suma de
una matriz simtrica y una matriz antisimtrica.
Si A y B son matrices del mismo orden, entonces se
pueden sumar entre s. Los productos de matrices son vlidos
en ambos sentidos, AB y BA. Adems, surgen los conceptos
de determinante y traza solo aplicables a matrices cuadradas.
Una matriz cuadrada A de orden n es singular si
su determinante es nulo. En tal caso se dice que dicha matriz
no tiene inversa.
14
- Matriz nula
En matemticas, en particular en lgebra lineal,
una matriz cero o matriz nula es una matriz con todos sus
elementos iguales a cero. Algunos ejemplos de matrices
nulas son:
- Matriz Singular
15
- Matriz no singular
Es aquella cuya determinante es diferente de cero,
tambin es llamada matriz invertible.
- Matriz identidad
Llamamos matriz identidad a la matriz cuadrada (mismo
nmero de filas que de columnas) formada por unos en la
diagonal y ceros en las dems entradas (posiciones). La
representamos por In donde n es la dimensin de la matriz.
Propiedades:
Es el neutro del producto de matrices. Es decir, para toda
matriz A de dimensin m x n,
- 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
17
Propiedades:
Son un caso particular de las matrices triangulares.
La matriz traspuesta de una matriz diagonal de
dimensin m x n es la matriz diagonal de dimensin n x
m con la misma diagonal.
En las matrices cuadradas, el determinante es el
producto de los elementos de la diagonal:
con lo que son regulares si, y slo si, todos los elementos
de la diagonal son distintos de 0. En tal caso :
- Matrices Triangulares
Distinguimos dos tipos:
Triangular superior: todos los elementos por debajo de
la diagonal de la matriz son 0, es decir,
Propiedades :
La matriz traspuesta de una triangular superior es
triangular inferior y viceversa.
19
20
Propiedades:
Traspuesta de la traspuesta
Traspuesta de la suma
- Matriz Adjunta
21
Adjunta de la traspuesta
Si A es de dimensin n y k un escalar
Si A es regular, su inversa es
E
22
Propiedades:
La inversa de una matriz simtrica regular es simtrica.
La adjunta de una simtrica es simtrica.
La suma de simtricas es simtrica. El producto lo es si,
y slo si, tambin es conmutativo.
Los autovalores (valores propios) de una matriz
cuadrada, real y simtrica son reales.
23
Teorema:
Sea A Rnxn existe B Sn , C ASn
Tal que A=B+C
- Matriz nilpotente: (1kn)
Ak = 0
A 0; Ak-1 0
- Matriz idempotente:
A2 = A
- Matriz involutiva:
A2 = i
- Matriz hermitiana:
At = A
24
A Cnxn
- Matriz antihermitiana
At = A
A Cnxn
Matriz ortogonal
At = A-1
- Matriz inversa
25
. As por ejemplo la
Ya que
Dada una matriz de 3x3 con determinante no nulo:
26
Y, evidentemente:
Donde
es el determinante de A y
adjuntos de A.
27
es la matriz de
se construira
28
29
- Matriz triangular
En lgebra lineal, una matriz triangular es un tipo especial
de matriz cuadrada cuyos elementos por encima o por debajo
de su diagonal principal son cero. Debido a que los sistemas
de ecuaciones lineales con matrices triangulares son mucho
ms fciles de resolver, las matrices triangulares son
utilizadas en anlisis numrico para resolver sistemas de
ecuaciones lineales, calcular inversas y determinantes de
matrices. El mtodo de descomposicin LU permite
descomponer cualquier matriz invertible como producto de
una matriz triangular inferior L y una superior U.
30
}
se dice que es una matriz triangular inferior.
31
Entonces:
33
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:
34
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).
35
36
37
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,
38
39
Conclusiones:
40
Espacios Vectoriales
Definicin.- Sea V un conjunto no vaco, sea K un cuerpo
en el cual estn definidas las operaciones de Suma y
Producto. Se dir que V es un Espacio Vectorial sobre K , si
est provisto de las 2 operaciones siguientes
Suma:
+:V V V
( u , v ) u+v
u+ v=v +u ; u , v V
A2) Asociativa:
( u+ v )+ w=u + ( v +w ) ; u , v , w V
Notacin: v =u
( , u ) u
es un Espacio
Notacin.( V ,+ , )
Espacio Vectorial.
Ejemplo:
3
3
Sea V =R . Sean u=( x1 , y 1 , z 1 ) , v=( x 2 , y 2 , z 2 ) R
3
+: R R R
( u , v ) u+v =( x 1+ x 2 , y1 + y 2 , z1 + z 2 )
( , u ) u=( x1 , y 1 , z1 )
: R R 3 R
3
Afirmacin: ( R ,+, ) es un Espacio Vectorial.
Sub-Espacios Vectoriales
Definicin.- Sea un Espacio Vectorial, y sea W V . Se
dice que W es un Sub-Espacio Vectorial de V , si W
Espacio Vectorial.
es un
Teorema:
Sea un Espacio Vectorial, y sea W V . ser un SubEspacio Vectorial, si, y slo si cumple con las siguientes
propiedades:
1. W
2. Si
u , v W u+ v W
Ejemplo:
42
2
Sea R el Espacio Vectorial. Sea Sub-Espacio
2
Vectorial de R .
3
Sea R el Espacio Vectorial. Sea Sub-Espacio
3
Vectorial de R .
W =R3
W ={ }
Observacin:
L={P /P=u ; R }(Recta que pasa por el origen de coordenadas)
P={P /P=u + v ; , R }(Plano que pasa por el origen de coordenadas)
P V ; 1 , 2 , , k R , tal
k
Ejemplos:
2
1) { i, j } es un conjunto generador de R ; i= (1 ; 0 ) , j=(0 ; 1) .
2) { i, j , k } es un conjunto generador de
R3 ;i=( 1; 0 ; 0 ) , j=( 0 ; 1; 0 ) , k =( 0 ; 0 ; 1 ) .
L {u 1 , u2 , ,u n }= u V /u= i ui , i R
i=1
L { u1 , u2 , ,un }
es un Sub-Espacio Vectorial de .
Ejemplo:
Hallar el espacio generado por los vectores u1=( 1 ; 1; 0 ) y
u2=(1; 0 ; 1) .
Solucin:
44
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
3
El espacio generado por u1 y u2 es: W = { ( x , y , z ) R / x y z=0 }
R3 . (Sub-
Vectorial , si:
1.
L {u 1 , u2 , ,u k }=V
2. { u1 ,u 2 , , uk } es linealmente independiente.
Definicin.- Sea un Espacio Vectorial, cuya base
Ejemplo:
Hallar una base y la dimensin del siguiente Sub-Espacio
Vectorial:
3
X ={( x , y , z ) R /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 X
es un Sub-Espacio Vectorial:
( 1; 2 ; 0 )+ (0 ; 3 ; 1) X
L { ( 1 ; 2; 0 ) , ( 0 ; 3 ; 1 ) } X
Propiedades:
Sean X , Y V ; donde es un Espacio Vectorial.
1) Si
X Y L {X } L {Y }
2) L{ X } es un Sub-Espacio Vectorial.
3) Si es un Sub-Espacio de
4) Si
W V X W L { X } W
V L { W }=W
.
46
Ejemplo:
2
Sean X ={ u } ,Y ={ u , v } V ; donde V =R es un Espacio Vectorial.
X Y L { X }={u / R } L { Y }={u+ v / , R }
L { X }={u / R }
es un Sub-Espacio Vectorial.
Ejemplo:
n
Sea V =R un Espacio Vectorial.
Vectores Cannicos:
e 1=( 1; 0; ; 0 ) ,e 2=( 0 ; 1 ; 0 ; ; 0 ) , , en =(0 ; 0 ; ; 1) R n
i L { e 1 , e 2 , , e n }=R
ii { e 1 , e 2 , , e n }
son Linealmente
Independientes.
Solucin:
i L { e 1 , e 2 , , e n }=R
[ ] { e1 , e2 , , e n } Rn
[ ] Sea
L {e1 , e 2 , , e n } R L { e1 , e2 , , en } R
L { e1 , e2 , , en } L { R n }=R n
x=( x 1 , x 2 , , x n ) Rn
x L { e 1 , e 2 , , e n }
R L {e 1 , e 2 , , e n }
L { e1 , e2 , , en } =Rn
47
x=x 1 . e 1+x 2 . e2 ++ x n . en
[]
e1
ii I = e 2 ; det ( I )=1 0 { e 1 ,e 2 , ,e n }
en
son L. I .
Observaciones:
1) En general X +Y X Y , pues X Y
Espacio.
2) X Y X +Y
3)
no siempre es un Sub-
{YX XX +Y+Y
4) Si es un Sub-Espacio de , tal que X Y W , entonces
5)
6)
X +Y W .
X +Y es el menor Sub-Espacio que contiene a
X Y es un Sub-Espacio Vectorial.
X Y .
Si X Y ={ } , se dice que X Y
48
es la suma directa de X y Y .
X Y ={u+v /u X , w Y }
Teorema:
Si X y Y son dos Sub-Espacios de , y la dimensin de es
finita, entonces:
Observacin:
W V dim W =dimV W =V
Si
Ejemplo:
Sea un Sub-Espacio del Espacio Vectorial
X ={( x , y , z ) R3 /x +2 y+ 3 z =0 }
Solucin:
Sea
Y ={ ( x , y , z ) R /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
49
Y =L {(1 ; 0 ; 2),( 0 ; 1; 2) }
dim Y =2
X +Y =R
dim X Y =1
Z ={ t ( 1 ; 2; 3 ) /t R } =L {(1; 2 ; 3) }
dim Z=1
X Z =R 3
dim X Z =0
dim( X Z)=dim X +dim Z=2+1=3
Conclusin
Un espacio vectorial es una estructura algebraica. Muchos
conjuntos tienen esta estructura, con las operaciones usuales.
Por ejemplo, los pares ordenados de nmeros reales, las ternas,
los polinomios, los vectores libres del plano, los del espacio, las
sucesiones, las matrices, etc. Cuando se estudian los espacios
vectoriales, se obtienen conclusiones comunes a todos estos
conjuntos.
Transformaciones Lineales
Sean
V yW
T :V W
50
K .
es una correspondencia
le asigna un vector T (v )W
tal que,
(decimos que
extrae al escalar
Comprobar que T L( IR , IR ) .
Solucin
T extrae al 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)+(x 2 , y 2))
T (x 1+ x 2 , y 1+ y 2)
( x 1+ x 2+( y 1+ y 2), x 1+ x 2( y 1+ y 2), y 1+ y 2)
( x 1+ y 1 , x 1 y 1 , y 1)+( x 2+ y 2 , x 2 y 2 , y 2)
51
T (x 1 , y 1)+T ( x 2 , y 2)
Relacin
matrices
Cada
entre
matriz
en
transformacin en
transformaciones
M (m, n , IR)
n
L( R , R )
,
n
transformacin lineal en
determina
R ,R
L
una
inversamente,
y
nica
cada
n
m
TA : R R
tal que
TA(x )= Ax
x Rn
2
2
T: R R definida por
T ( x , y)=(5 x +4 y , 3 x2 y)
( [ ]) [
x = 5 x+ 4 y
y
3 x2 y
]
52
][ ]
5 4 x
3 2 y
5 4
As obtenemos que A= 3 2
2x 2
es la matriz R
asociada a T.
Observaciones:
(i) Una consecuencia directa de la propiedad ( b) de la
definicin
de t. l. es que T hace corresponder el cero de
V con el cero de W.
0v
T ( 0 v )=T (0 v +0 v)=T (0 v)+T ).
Luego T (0 v )=0 w . Ntese que usamos el smbolo
0v
para referirnos al cero de V y 0 w para el
En efecto,
de W.
( ii) Las propiedades ( a) y ( b) definitorias de una t. l.
, se pueden resumir en una sola como se puso al
principio:
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
ncleo de T.
se
l lama
Img
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:
por
la
regla
a) Hallar la IMAGEN de T
b) Hallar el NUCLEO de T
Solucion:
a) La Imagen de T esta 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
[ ]
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
][ ] [ ] [ ]
1 3 4 0 1 0 1 0
3 4 7 0 0 1 1 0
2 2 0 0
0 0 0 0
54
que
Haciendo z=t
x+ t=0 x=t
y +t=0 y=t
a11 a1 n
B2
[T
]
=([T
(v
1)]B
2
[T
(
vn)]B
2)=
B1
[
a m 1 a mn
una base de W.
B2
B1
Si A= ( aij ) m n=[ T ]
es la matriz de T en las bases B1 y B2,
entonces
[T ( x)] B 2 = [T ] BB 21 [x ]B 1 x V .
Ejemplo 4:
3
2
Considere la t.l. T : R R tal que
55
[][
x
T y = x+ y
3 xz
z
C 1={e 1, e 2, e 3 } ,
Y sean
3
R yR
]
C 2={f 1, f 2 }
respectivamente. Adems
B 1={ ( 1,1, 2 ) t , (3, 0, 1 ) t , ( 2, 4, 3 ) t } una base de R3 y
B 2={(4, 1),(3, 1) }
base de
[T ]BB 21 .
Solucin:
Resulta fcil ver que:
T
()
[( e 1)] c2= 1
3
T ( e1 )= 1 =f 1+3 f 2
3
()
( 10 )
[ ( e 2 ) ]c 2=
1
=f 1+0 f 2
0
()
T ( e2 )=
( )
[(e 3)]c 2= 0
1
T ( e1 )= 0 =0 f 1f 2
1
( )
Luego
56
[T ]CC 21
[ T ( e1 ) ]C 2 [ T (e 2) ]C 2 [ T (e 3) ]C 2= 13
1 0
0 1
C2
C1
[ T ] =
[] []
[] []
[ ][
] [] []
[][]
[] []
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
B2
[T ]B 1=( T 1
2
B2
3
T 0
1
B2
2
T 4
3
)
B2
1 27 3
2 37 6
57
Inyectividad,
Biyectividad
Sobreyectividad
zB
tiene a lo
x
x A , z=f ), o equivalentemente si:
f ( x)=f ( y )= x= y
T ( x , y , z )=
(x y ,x + y + z , y + z ) . Es T sobreyectiva?
Solucin:
T es sobreyectiva si T (x , y , z )=( a , b , c) tiene solucin
3
(a , b , c ) R .
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
Resolviendo
el
sistema
se
tiene
que
3
(x , y , z)=(2 a+bc , a+bc ,a+ b) . Luego para cada (a, b, c) R el
sistema tiene solucin por lo tanto es sobreyectiva.
58
Conclusin
Se han visto de forma ms detallada y con ms exactitud los
teoremas y propiedades que hilan todos los temas propuestos
por este trabajo y se ha llegado a la conclusin de que 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.
59
Autovalores y autovectores
Definicin de autovalor: R (o a C, aunque no lo
consideraremos) es un autovalor de una matriz A, cuadrada, n
n
n
n, si existe un vector x R ( a E ) , x 0 tal que A x = x .
A x se le llama autovector asociado al autovalor .
Tambin se utilizan los nombres valor propio y vector propio,
respectivamente, para autovalor y autovector.
Observaciones:
2
2
1. Si A x = x A x = A x = x .
n
n
A x = x
An
resulta til
Diagonalizacin: Casos
Una matriz cuadrada A, de orden n, se dice que es
diagonalizable si existe una matriz invertible P, de orden n, y
1
una matriz diagonal, tal que P AP=D .
los
autovalores
son
distintos
A es diagonalizable.
Puede observarse que si { x 1 , x 2, , . , x n } son L.i
la
Ejemplos:
1. Diagonalizacin de
3 1 0
A 1= 1 2 1
0 1 3
3 1
0
| A1 I|= 1 2 1 =0 (3)(1)( 4)=0
0
1 3
Autovalores: = 3; = 1; = 4 R
. Los tres
autovalores son simples
la matriz es diagonalizable.
Si = 3,
][ ] [ ]
x
( A1 I ) x =0 1 1 1 y = 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
61
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,
][ ] [ ]
1 1 0 x
0
I
x
=
0
=
( 1
)
1 2 1 y
0
0 1 1 z
0
x y=0 x=t
x2 y z=0 y=t
y z=0 z=t
[]
1
x 3= 1
1
La matriz
1 1 1
3 0 3
1
P= 0 2 1 P1 =
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. Diagonalizacin de
3 0
2
A 2= 1 2 3
2 5 1
62
| A2 I|=
3
0
2
1
2
3 =0 (+ 6.341)( + 2.251)( 2.592)=0
2
5
1
R
Autovalores: = 6.341 ; = 2.251 ; = 2.592
Los tres autovalores son simples
la matriz es
diagonalizable.
Si = 6.341 ,
( A2 I ) x =0
][ ] [ ]
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 ,
( A2 I ) x =0
][ ] [ ]
0.749
0
2
x
0
=
1
0.251 3 y
0
2
5 1.251 z
0
x+ 0.251 y 3 z =0 y=1.317 t
2 x 5 y +1.251 z=0 z=t
[ ]
2.669
x 2= 1.317
1
63
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
P1 A 2 P=D=
6.341
0
0
0
2.251
0
0
0
2.592
64
autosistema ( A I ) x =0
Ejemplos:
3. Diagonalizacin de
4 1 1
A 3= 2 5 2
1 1 2
4
1
1
| A3 I|= 2 5 2 =0 ( 3 )2 ( 5 ) =0
1
1
2
Autovalores:
= 3; multiplicidad=2
= 5; multiplicidad=1
Si = 3,
][ ] [ ]
1 1 1 x
1 1 1 z
( A3 I ) x =0 2 2 2 y = 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
65
R
R
Si =5,
][ ] [ ]
1 1 1 x
0
I
x
=
0
=
( 3
)
2 0 2 y
0
1 1 3 z
0
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
[ ]
1 0 1
1 1 1
1
1
P= 0 1 2 P = 2 0
2
2
1 1 1
1
1 1
La matriz
[ ]
3 0 0
P1 A 3 P=D= 0 3 0
0 0 5
4. Diagonalizacin de
3 1 1
A 4 = 7 5 1
6 6 2
4
1
1
| A 4I |= 2 5 2 =0 ( +2)2 (4)=0
1
1
2
66
Autovalores:
= -2; multiplicidad=2
= 4; multiplicidad=1
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
Si =4,
][ ] [ ]
7 1 1 x
0
( A4 I ) x =0 7 1 1 y = 0
6 6 6 z
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
67
A es diagonalizable.
Puede observarse que si { x 1 , x 2, , . , x n } son L.i
la
Ejemplos:
5. Diagonalizacin de
[ ]
1 5 4
A 5= 1 1 3
3 4 1
1
5
4
| A5 I|= 1 1 3 =0
3
4
1
( 7.228)( + 2.1140.308 i)( +2.114 +0.308 i)=0
( A5 I ) x =0
][ ] [ ]
6.228
5
4
x
0
1
6.228
3
y=0
3
4
6.228 z
0
68
6.228 x +5 y +4 z =0 x=1.181t
[ ]
1.181
x 1= 0.671
1
Si = 2.114 0.308 i ,
( 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
3 x+ 4 y +(3.114+ 0.308i)z=0 z =t
0.3740.424 i
x 2= 1.059+0.241 i
1
Si = 2.114 +0.308 i ,
( 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
69
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
6. Diagonalizacin de
1 1 1
A 6= 1 2 1
1 1 3
1
1
1
| A6 I|= 1 2
1 =0
1
1
3
( +2)(+i (2 i+ 2 ) )( i ( 2i+ 2 ))=0
Autovalores: = 2 ; = i (2i+ 2 ) ; = i ( 2 i+ 2 ) C
Los autovalores son simples
diagonalizable.
Si = 2 ,
70
la matriz es
][ ] [ ]
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 (2i+ 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 (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 ) ,
71
( 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
[ ]
1
(1+2i 2)
3
x 3= 1
(2 i+ 2)
3
1
La matriz 0
P1=
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
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
72
2 3 5
A 7= 0 3 0
6 9 15
2
3
5
| A7 I|= 0 3 0 =0 ( 3)(17)=0
6
9
15
Autovalores: = 0; = 3; = 17 R
. Los tres
autovalores son simples
la matriz es diagonalizable.
Si = 0,
][ ] [ ]
2 3 5 x
0
A
I
x
=
0
=
( 7
)
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
( A7 I ) x = 0 0 0 0 y = 0
6 9 12 z
0
x +3 y +5 z=0 x=3 t
0=0 y=14 t
6 x+ 9 y+ 12 z=0 z=9t
73
[ ]
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
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
P1 A 7 P=D= 0 3 0
0 0 17
1
14
3
14
1
17
0
5
17
Conclusin
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
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)
2
k=1
k
v m +1 , j
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 (3)
2
k=1
k
v m +1 , j v m+1 , j
1=v 1
2=v 2
v 2 , 1
1
2
1
3=v 3
v 3 , 1
v3 , 2
1
2
2
2
1
2
4 =v 4
v4 , 1
v4 , 2
v4 , 3
1
2
3
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.
1.B={ ( 1,0,1 ) , ( 0,0,1 ) , (1,1,0 ) }
v 1=(1,0,1)
v 2=(0,0,1)
v 3=(1,1,0)
Solucin:
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 )
(1,1,0 ) . ( 0,0,1 )
1
1
( 0,0,1 )=(
,1, )
2
2
( 0,0,1 )
1
1 1
1
Luego {( 1,0,1 ) , 2 , 0, 2 , 2 ,1, 2 } es una base ortogonal de R3.
)(
77
v 1=(1,0,1)
v 2=(0,1,1)
v 3=(1,0,0)
Solucin:
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 )
(1,0,1)=(
( 1,0,1 )
1
1
, 0, )
2
2
(1,0,0 ) . ( 0,1,1 )
1
1
( 0,1,1 )=( , 0, )
2
2
( 0,1,1 )
1
1 1
1
Luego {( 1,0,1 ) , 2 , 0, 2 , 2 , 0, 2 }
)(
R3.
Conclusin
Este procedimiento 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.
78