Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Mathematica .
Aplicaciones Lineales
En una determinada base, una aplicacin lineal viene representada por una matriz. Por lo tanto, podemos
utilizar nuestros conocimientos de matrices para representar una aplicacin lineal, y su actuacin sobre un
vector ser el producto de la matriz por el vector correspondiente.
Por ejemplo, sea la matriz 2x3, de R3 a R2 , dada por:
1 3 1
O
2 -1 0
Para conocer la imagen de la aplicacin lineal, podemos calcular el rango de la matriz, que coincide con la
dimensin de dicha imagen con la instruccin MatrixRank[matriz], que en nuestro caso es:
MatrixRank@mD
2
El rango de la matriz es dos, y la aplicacin lineal es epiyectiva.
En cuanto al clculo del ncleo, utilizamos la expresin:
NullSpace@matrizD
Que nos da el subespacio que es transformado en el cero por la aplicacin lineal, que es el ncleo de dicha
aplicacin lineal.
Practica n 4
NullSpace@mD
88-1, -2, 7<<
Podemos comprobar que efectivamente se trata de un vector del ncleo:
Eigenvalues@matrizD
que nos da una lista de todos los autovalores de la matriz (los valores propios), y:
Eigenvectors@matrizD
que nos da una lista con los autovectores de la matriz.
Por ejemplo, dada la matriz a= { { 2, 1, 0}, { -1, 0, 1}, { 1, 3, 1 }}, vamos a calcular, en primer lugar, los
valores propios y los vectores propios utilizando comandos de Mathematica, y posteriormente vamos a
comparar el resultado obtenido con el que nos proporcionan sus definiciones matemticas.
Eigenvectors@aD
881, 0, 1<, 80, 0, 0<, 81, -3, 4<<
De la lista de vectores propios nos interesan aquellos que son distintos de cero, v1 = ( 1, -3, 4), asociado al
primer valor propio, y v2 = ( 1, 0, 1 ), asociado al segundo valor propio.
Vamos a comparar este resultado con el que obtendramos utilizando las definiciones matemticas de los
elementos implicados. Comenzamos por obtener el polinomio caracterstico de la matriz , que se calcula
como p(x)=|a-xI|:
i = IdentityMatrix@3D;
p@xD = Det@a - x iD
-4 + 3 x2 - x3
Practica n 4
Solve@p@xD == 0, xD
88x -1<, 8x 2<, 8x 2<<
Los valores propios de la matriz a son k1 = -1, k2 = k3 =2 (valor doble), como habamos visto.
Calculemos a continuacin los vectores propios correspondientes a cada uno de ellos. Para el valor propio
-1 tenemos:
Solve::svars : Equations may not give solutions for all "solve" variables.
::x
,y-
3z
4
>>
generado por V1 = < ( 1, -3, 4 )> (tomando z=4 en la expresin de las soluciones de la ecuacin matricial),
que se corresponde al vector obtenido previamente.
Solve::svars : Equations may not give solutions for all "solve" variables.
88x z, y 0<<
generado por V2 = < ( 1, 0, 1 )> (tomando z=1 en la expresin de las soluciones de la ecuacin matricial),
como ocurra antes.
Se puede comprobar fcilmente que los citados vectores son, efectivamente, vectores propios de a de valor
propio -1 y 2, respectivamente:
Diagonalizacin de matrices.
Si A es la matriz de un endomorfismo f en una determinada base, diagonalizar A es equivalente a encontrar
una nueva base en la cual la matriz asociada a f sea diagonal, D, de manera que D = B -1 A B, siendo B la
matriz de cambio de base, formada a partir de los vectores propios de A.
Practica n 4
Eigenvalues@mD
8-2, 1, 1<
La instruccin Eigenvectors calcula todos los vectores propios linealmente independientes, que
podemos ver que forman una base de diagonalizacin (hay 3 vectores linealmente independientes):
b = Eigenvectors@mD
881, 2, 1<, 80, 1, 1<, 81, 0, 0<<
MatrixRank@bD
3
La matriz del cambio de base (la matriz de los vectores propios) ser la traspuesta de la matriz obtenida al
aplicar el comando Eigenvectors:
base = Transpose@bD
881, 0, 1<, 82, 1, 0<, 81, 1, 0<<
diagonal = Inverse@baseD.m.base
MatrixForm@diagonalD
88-2, 0, 0<, 80, 1, 0<, 80, 0, 1<<
-2 0 0
0 1 0
0 0 1