Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Primera edicin, febrero de 2006 Todos los derechos reservados. No se permite la reproduccin, archivo o transmisin total o parcial de este texto mediante ningn medio, ya sea electrnico, mecnico, ptico, de fotorreproduccin, memoria o cualquier otro sin permiso de los editores Ude@. Impreso en Medelln, Colombia. Imagen de la portada Fotografa de la escultura Fuente ceremonial La Fuente ceremonial fue la obra ganadora del concurso promovido por el municipio de Medelln para la celebracin de los 200 aos de la Universidad. Esta pieza en ferroconcreto, enchapada en granito, est inspirada en los sitios rituales y hace parte de una serie que su autor, el maestro Germn Botero Giraldo, viene trabajando desde 1990 con el tema de lo prehispnico. La forma circular invita a la reunin y a la comunin csmica presente en las culturas indgenas. El elemento vertical es un hacha de la cual fluye agua, convirtindola en fuente. El agua est presente como elemento refrescante, de sonido, brillo y vida, as como los rboles dentro de la escultura, que crecern y crearn sombra; ms que una escultura, es un espacio escultrico, un sitio para que la gente lo habite, dice su autor. La Fuente ceremonial, situada junto a la entrada occidental de la calle Barranquilla, forma parte de las grandes obras que embellecen el campus universitario y refuerza el ideal de hacer de ste un espacio abierto a la cultura, la ciencia y el conocimiento.
Acerca de la
Autora
autora
Clara Elena Meja Laverde
Ingeniera industrial (1977) de la Universidad Nacional y magster (1996) en Educacin (Pensamiento Lgico-Matemtico) de la Universidad de Antioquia. Actualmente es profesora titular del Departamento de Matemticas de la Universidad de Antioquia.
Como estudiante del programa Ude@, usted es el centro del modelo educativo y puede controlar el proceso de aprendizaje mediante la organizacin del tiempo alrededor de sus intereses. La autonoma, la disciplina, la creatividad y el trabajo en equipo son caractersticas que le ayudarn en su formacin, para solucionar problemas reales de la sociedad, recurriendo al mtodo de la ingeniera. La Universidad de Antioquia, a travs del programa Ude@, ha puesto a su disposicin contenidos acadmicos en diferentes medios con el fin de facilitarle el aprendizaje mediante las tecnologas de informtica y telecomunicaciones clsicas y modernas: Radio Televisin Impresos Web Multimedia Videoconferencias
El texto Ude@
En el modelo Ude@ los conocimientos son aportados por cada medio en igualdad de importancia y con las fortalezas propias de cada uno de ellos, pero el texto desempea un papel fundamental en el aprendizaje ya que es el que ms diversidad ofrece en trminos de funcionalidad y cantidad de contenidos. El texto Ude@ no slo permite analizar con ms detalle y profundidad los contenidos de cada curso, sino que facilita en mayor medida la realizacin de ejercicios, tareas y autoevaluaciones.
Los iconos de radio, televisin, multimedia, mapa conceptual, videoconferencia o web le indicarn la ruta a seguir. Por ello es importante que sepa que sobre el tema que est estudiando en el mdulo impreso, tambin hay material disponible en otros medios, y que ese material representa valor agregado puesto que el contenido de los diferentes formatos no se repite sino que se complementa.
El mapa conceptual
Al comienzo del texto Ude@ usted encontrar un mapa conceptual del curso, que lo orientar en el universo temtico de la disciplina. Esta herramienta pedaggica hace posible la integracin conceptual, jerrquica y funcional, en forma grfica y espacial, de todos los contenidos.
lgebra Lineal
Contenido
21 33 35 40 43 49 51 58
61
69
71
80
83
93
Captulo 2: Ortogonalidad
Mdulo 8 Bases ortonormales y proyecciones en Ejercicios Captulo 2, mdulo 8 Mdulo 9 Mtodo de aproximacin por mnimos cuadrados Ejercicios Captulo 2, mdulo 9 Mdulo 10 Espacios con producto interno Ejercicios Captulo 2, mdulo 10
n
99
113
115
123
125
135
150
153
161
163
178
183
193
195
203
Tabla de contenido
caractersticos, Captulo 4: Valores cara ctersticos, vectores caractersticos, caractersticos, diagonalizacin y formas cannicas
Mdulo 16 Valores y vectores caractersticos Ejercicios Captulo 4, mdulo 16 Mdulo 17 El problema de la diagonalizacin Ejercicios Captulo 4, mdulo 17 Mdulo 18 Aplicaciones de la teora de valores y vectores cartactersticos Ejercicios Captulo 4, mdulo 18 Mdulo 19 Forma cannica de Jordan Ejercicios Captulo 4, mdulo 19 207
225
227
233
235
248
251
260
271
273
288
289
299
301 305
lgebra Lineal
El objetivo al redactar este texto ha sido desarrollar las ideas bsicas del lgebra lineal y mostrar algunas aplicaciones interesantes, haciendo un balance para no recargar demasiado el desarrollo terico y mantener un equilibrio entre la abstraccin y la aplicacin. As, algunas demostraciones de teoremas que resultan fcilmente accesibles a los estudiantes se dejan propuestas como ejercicios, y otras, demasiado dificiles para el nivel de un curso introductorio, no se presentan. El hilo conductor en la presentacin de los temas ha sido la solucin de los problemas bsicos del lgebra lineal, enunciados por el profesor William Perry, as: 1. El problema de la solucin de un sistema de ecuaciones lineales. 2. El problema de la construccin de una base para un espacio vectorial. 3. El problema de la construccin de una matriz que represente una transformacin lineal. 4. El problema de los valores y los vectores caractersticos. 5. El problema de la diagonalizacin.
Prlogo
En la actualidad existen muchos programas de computador que permiten desarrollar una amplia variedad de tpicos y resolver gran cantidad de problemas que de otra forma consumiran mucho tiempo y probablemente induciran a cometer errores, dada la magnitud de los clculos que se tienen que realizar. El lenguaje de computacin MATLAB es un excelente programa, fcil de usar, y calificado para trabajar problemas de lgebra lineal. Este libro no ensea el manejo de ese programa; sin embargo, en la multimedia disponible para el curso se plantean algunos ejercicios utilizando esta herramienta. Agradezco cualquier sugerencia que pueda contribuir a mejorar posteriores ediciones de este texto. Todas ellas pueden enviarse a: clame@matematicas.udea.edu.co. La autora
De stos, el problema de la solucin de un sistema de ecuaciones lineales ya fue tratado en el texto de Geometra Vectorial, en el cual se hace una introduccin al lgebra lineal. Es importante entonces hacer notar que en este texto no hay un desarrollo completo del lgebra lineal bsica, sino que contina la exposicin de los temas ya comenzada en el curso anterior y por este motivo no se tratan los temas de sistemas de ecuaciones lineales y determinantes. El problema de la construccin de una base para un espacio vectorial se trata en el captulo 1 sobre espacios vectoriales, y en el captulo 2, ortogonalidad, donde se introduce un algoritmo para la construccin de una base ortonormal en un espacio vectorial. El tercer problema, la construccin de una matriz que represente una transformacin lineal, se resuelve en el captulo 3 sobre transformaciones lineales, y los problemas de valores y vectores caractersticos y diagonalizacin son tratados en los captulos 4 y 5.
Captulo 1
Espacios vectoriales
Mdulo 1 Definicin y propiedades del espacio vectorial Ejercicios Mdulo 1 Mdulo 2 Subespacios Ejercicios Mdulo 2 Mdulo 3 Combinacin lineal y subespacio generado Ejercicios Mdulo 3 En el desarrollo de la geometra vectorial hemos identificado los vectores con los elementos de 2 y 3 escribindolos como parejas o ternas ordenadas de nmeros reales, respectivamente; una vez hecho esto surge el problema de generalizar este concepto y tener vectores como n-tuplas, conjuntos ordenados de n componentes en un espacio de n dimensiones. Ahora, por qu querramos hacer esto? La respuesta puede ser tan simple como decir que la mayora de los problemas de la vida real involucran ms variables que slo dos o tres. Es claro que cuando generalizamos el concepto de vector a n dimensiones ya no tenemos la intuicin geomtrica que desarrollamos para el plano (
(
3
2
El poder lanzar al espacio un trasbordador es el fruto de aos de trabajo y un triunfo de la ingeniera de sistemas de control. Matemticamente, las seales de entrada y de salida de un sistema de control son funciones y es importante que estas seales puedan sumarse y multiplicarse por escalares. Estas dos operaciones con funciones tienen propiedades algebraicas anlogas a las operaciones de sumar vectores en n y multiplicar un vector por un escalar. Por esta razn, el conjunto de todas las posibles entradas (funciones) se llama espacio vectorial.
Mdulo 4 Independencia lineal Ejercicios Mdulo 4 Mdulo 5 Bases y dimensin Ejercicios Mdulo 5 Mdulo 6 Subespacios asociados con una matriz
) y el espacio
Nos proponemos definir una estructura algebraica llamada espacio vectorial, donde se pueden reunir los conjuntos 2 , 3 y, en general, n , adems de otros conjuntos tales como las matrices y los polinomios. Con esta abstraccin podemos
identificar los vectores como los elementos de un espacio vectorial y en esta forma tratar las matrices o los polinomios como vectores. Dentro de los espacios vectoriales podemos reconocer conjuntos que guardan en su interior la estructura de espacio vectorial, llamados subespacios. Una vez establecida la estructura desarrollamos los conceptos de combinacin lineal, independencia lineal, base y dimensin, los cuales constituyen los ladrillos para la construccin de espacios vectoriales. Ubicamos como problema central en este captulo la determinacin de una base para un espacio vectorial. Otros elementos que aportan a la solucin de este problema bsico se presentan en el estudio de los subespacios asociados con una matriz y en el establecimiento de coordenadas y cambio de base.
20
El matemtico y lingista alemn Hermann Grassmann (1809-1877) fue el primero en definir un espacio vectorial n dimensional y la independencia lineal.
Preguntas bsicas
1. Qu es un espacio vectorial? 2. Qu propiedades deben cumplir las operaciones definidas de suma y producto por un escalar? 3. Cules son los espacios vectoriales ms usuales? 4. Qu propiedades tienen el mdulo del espacio y el inverso aditivo de cada vector? 5. Qu otras propiedades algebraicas se desprenden de la definicin de espacio vectorial?
Introduccin
Iniciamos este mdulo presentando algunos ejemplos en los cuales observamos propiedades comunes que sern los puntos de partida o axiomas para la definicin de espacio vectorial. Una vez establecido este concepto se ilustra con otros ejemplos y se extraen las principales propiedades algebraicas de los espacios vectoriales.
Vea el mdulo 1 del programa de televisin lgebra Lineal
21
1.1 Ejemplos introductorios 1.1.1 Las fuerzas que pueden actuar sobre un punto
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Propiedades de los espacios vectoriales
Representemos F1 y F2 por vectores cuya direccin y sentido corresponden a los de las fuerzas dadas y su longitud (en una escala determinada) mide la magnitud; entonces, la resultante queda determinada por la diagonal del paralelogramo, dos de cuyos lados son los segmentos correspondientes a F1 y F2 (figura 1.1).
Figura 1.1
Sea T el conjunto de todas las fuerzas que actan sobre P; entonces, podemos decir que: i. Si F1 y F2 pertenecen a T, F1 + F2 pertenece a T. Si sobre P tenemos tres fuerzas distintas F1 , F2 y F3 , podemos calcular su resultante de dos formas distintas: ( F1 + F2 ) + F3 o bien F1 + ( F2 + F3 ). Es decir, calculando primero F = F1 + F2 y luego la resultante de F con F3 , o bien calculando primero F = F2 + F3 y luego la resultante de F1 y F . Una representacin geomtrica nos muestra que (figura 1.2): ii.
( F1 + F2 ) + F3 = F1 + ( F2 + F3 ).
22
Figura
1.2
Por otra parte, existe una fuerza de magnitud cero, fuerza nula, que podemos designar 0 y tiene la propiedad de que: iii.
F + 0 = 0 + F = F.
Ahora, si llamamos la opuesta de F a una fuerza F que tiene la misma magnitud y direccin que F pero sentido contrario, encontramos que la resultante de F y F es cero, es decir: iv. Para cada F existe F , tal que F + F = 0. Esta F se llamar F . Por ltimo, es claro que el orden en que se consideran las fuerzas no altera la resultante, esto es: v.
F1 + F2 = F2 + F1 .
Veamos ahora otra operacin: si F es una fuerza y un nmero real, llamamos F la fuerza que tiene la misma direccin de F, su magnitud es veces la de F y su sentido es el mismo de F si es positivo, y opuesto a F si es negativo. Hemos entonces definido una operacin cuyos factores son una fuerza y un nmero real y su resultado es otra fuerza. Esta operacin se dice que es externa ya que hace intervenir un elemento (el nmero ) que no pertenece al conjunto T. Veamos algunas propiedades de esta operacin: vi. Si es un nmero real y F T , entonces F T . Razonando geomtricamente, podemos verificar que (figura 1.3): lgebra Lineal Elemental y Aplicaciones
23
( F1 + F2 ) = F1 + F2 .
Figura 1.3
( F ) = ( ) F .
1 F = F .
2)
una operacin binaria interna (es decir, los elementos que intervie2
( x1 , y1 ) + ( x2 , y2 ) = ( x1 + x2 , y1 + y2 ) ,
es otra pareja de
; se cumple entonces
, entonces ( x1 , y1 ) + ( x2 , y2 )
24
As mismo, para cada par ( x, y ) podemos tomar el par ( x, y ), de modo que: iv.
( x, y ) + ( x, y ) = (0, 0).
Entonces, v.
( x1 , y1 ) + ( x2 , y2 ) = ( x2 , y2 ) + ( x1 , y1 ).
Definimos ahora una segunda operacin, externa, entre un nmero real y un par as:
( x, y ) = ( x, y ),
cuyo resultado es un elemento de siguientes propiedades: vi. Si
y ( x, y )
2
, entonces ( x, y )
(( x1 , y1 ) + ( x2 , y2 )) = ( x1 , y1 ) + ( x2 , y2 ).
Demostracin
(( x1 , y1 ) + ( x2 , y2 )) = ( x1 + x2 , y1 + y2 ) = ( ( x1 + x2 ), ( y1 + y2 ))
= ( x1 + x2 , y1 + y2 ).
De otro lado,
( x1 , y1 ) + ( x2 , y2 ) = ( x1 , y1 ) + ( x2 , y2 ) = ( x1 + x2 , y1 + y2 ).
viii.
( + )( x, y ) = ( x, y ) + ( x, y ).
25
( x, y) + ( x, y) = ( x, y) + ( x, y) = ( x + x, y + y).
ix.
( ( x, y)) = ( )( x, y).
Demostracin
( ( x, y)) = ( x, y) = ( x, y) y
( )( x, y ) = ( x, y ).
x.
1( x, y ) = ( x , y ).
Demostracin
1( x, y ) = (1x,1 y ) = ( x, y ).
1.2 Definicin
Los ejemplos anteriores nos sirven para obtener un conjunto de propiedades comunes a ellos. Todos los resultados que podamos deducir a partir de dichas propiedades sern vlidos en los ejemplos realizados y en cualquier otro que goce de las mismas propiedades. A estas propiedades comunes las llamamos axiomas en la siguiente definicin. Un espacio vectorial V es un conjunto de objetos llamados vectores con dos operaciones, suma y producto por un escalar, que satisface los siguientes axiomas: i. Si a y b son elementos de V, entonces a + b pertenece a V; o de otra forma, la suma es una operacin cerrada en V.
(a + b) + c = a + (b + c) para todo a, b, c V .
Existe un elemento 0 en V tal que a + 0 = 0 + a = a para toda a V . Para cada a V existe un elemento a V tal que a + (a) = 0.
a + b = b + a para todo a, b en V .
Si a V y es un escalar ( o C), entonces a V . Es decir, V es cerrado bajo la operacin producto por un escalar.
vii.
26
Nota: cuando los escalares son nmeros reales, decimos que se trata de un espacio vectorial real, y en caso de que sean nmeros complejos hablamos de un espacio vectorial complejo. En el axioma viii debe notarse que el signo + al lado izquierdo de la igualdad se refiere a la suma en el conjunto de escalares, y el signo + al lado derecho denota la suma en el conjunto de vectores V.
1.3 Ejemplos
1.
, con las operaciones de suma y producto por un escalar definidas usualmente, tiene estructura de espacio vectorial.
n n 1 Sea V = Pn = { P / p ( x ) = an x + an 1 x + ... + a1 x + a0 , ai
2.
} el conjunto
de los polinomios de grado menor o igual que n. El elemento 0 (neutro) en Pn es 0( x ) = 0 x n + 0 x n 1 + ... + 0 x + 0. Si P ( x) = an x n + an 1 x n 1 + ... + a1 x + a0 y
Q ( x ) = bn x n + bn 1 x n 1 + ... + b1 x + b0 ,
entonces
( P + Q) ( x) = P ( x) + Q( x) =
( an + bn ) x n + (an 1 + bn 1 ) x n 1 + ... + ( a1 + b1 ) x + (a0 + b0 ).
Se ve claramente que la suma de dos polinomios de grado menor o igual que n es otro polinomio de grado menor o igual que n. Se pueden comprobar las propiedades ii y v a x con:
( p ) ( x) = ( p ( x)) = an x n + an 1 x n 1 + ... + a1 x + a0 , p Pn .
27
4.
Como la suma de funciones continuas es continua, el axioma i se cumple; de la misma forma el producto de un escalar por una funcin continua tambin es una funcin continua (propiedad vi). Los otros axiomas se verifican fcilmente con 0, la funcin 0 y (f)(x) = f (x). Luego C[a, b], con las operaciones definidas, tiene estructura de espacio vectorial. 6. Sea V el conjunto de los nmeros reales ( ) con las operaciones
x y = x y ( es la resta ordinaria) y la multiplicacin por un escalar como la multiplicacin ordinaria. Veamos si V es un espacio vectorial.
x y = 2 3 = 1, y x = 3 2 = 1,
luego
x y y x.
Adems las propiedades ii, iii y iv tampoco se cumplen. Las propiedades vii, ix y x se cumplen, pero la propiedad viii no; veamos por qu: Sea = 2, = 3, x = 4.
( + ) x = (2 + 3)4 = 5 4 = 20,
28
x x = 2 4 3 4 = 8 12 = 4.
7. Sea V = {( x, y, z ): ax + by + c z = 0, a, b, c
}.
Esto es, V es el conjunto de puntos en 3 que estn en el plano con vector normal (a, b, c) y que pasa por el origen. Veamos si se cumplen las dos propiedades de cerradura, es decir, i y vi. Sean ( x1 , y1 , z1 ) y ( x2 , y2 , z2 ) elementos de V; veamos si
( x1 + x2 , y1 + y2 , z1 + z2 ) V .
Como ( x1 , y1 , z1 ) V ,
ax1 + by1 + cz1 = 0.
(1)
De igual forma,
ax2 + by2 + cz2 = 0.
(2)
(a x1 + b y1 + c z1 ) = 0 = 0, a x1 + b y1 + c z1 = 0.
Por tanto,
( x1 , y1 , z1 ) V ,
esto es,
( x1 , y1 z1 ) V .
Adems, si = 0, se tiene que (0, 0, 0) V , y con = 1 tenemos que
( x1 , y1 z1 ) V ,
29
Captulo 1: Espacios vectoriales con lo cual verificamos las propiedades iii y iv. Las dems propiedades se comprueban fcilmente aplicando las propiedades de los nmeros reales. 8. El siguiente ejemplo nos muestra que no necesariamente la suma vectorial ha de estar relacionada con la suma ordinaria, y que el vector cero, 0, no tiene que relacionarse con el nmero real 0. Sea V = {x / x , x > 0} . La suma y la multiplicacin escalar se definen as:
xy = xy y x = x , .
Veamos que V, junto con estas operaciones, es un espacio vectorial. Comprobemos inicialmente las dos propiedades de cerradura i y vi. Sean x, y V ; entonces, x y = x y V . El producto de dos reales positivos es un real positivo. Ahora, sean y x V ; entonces, x = x . Como x es un real positivo, al elevarlo a cualquier potencia real se obtiene un nmero real positivo. Ejemplifiquemos algunas sumas y multiplicaciones escalares en V.
3 4 = 3 4 = 12 4 8 = 32...
2 Escalar
3 = 32 = 9 Vector
1 2
4 = 41 2 = Vector
1 1 = 12 4 2
Escalar
x 0 = x, x 0 = x.
Luego 0 = 1. Es decir, el nmero real positivo 1 es el idntico aditivo o cero para este espacio.
30
Mdulo 1: Definicin y propiedades del espacio vectorial Inverso aditivo. Para todo xV , x debe satisfacer que
x (x) = 0,
luego x(x) = 1.
As que x = 1 . x
Como x > 0,
x V .
Las dems propiedades las dejamos como ejercicio.
1.4 Propiedades
Teorema 1 Sea V un espacio vectorial. Entonces: i. ii. iii. iv. v. vi. El elemento neutro, 0, de V es nico. Para todo x V existe un nico x V tal que x + x = 0.
Si x = 0, entonces = 0 x = 0 (o ambos).
( 1) x = x para todo x V .
Demostremos las partes i, iii y vi del teorema. i. Supongamos que 0 y 0 son elementos neutros de V; entonces,
0 + 0 = 0 y 0 + 0 = 0 ,
luego 0 = 0 + 0 = 0 + 0 = 0.
31
iii.
0 + 0 = 0,
propiedad iii multiplicando por propiedad vii (suma a ambos lados 0) propiedades ii y iv propiedad iv propiedad iii
( 0 + 0) = 0, 0 + 0 = 0,
( 0 + 0) + ( 0) = 0 + ( 0),
0 + ( 0 + ( 0)) = 0, 0 + 0 = 0, 0 = 0.
vi.
1 + (1) = 0, 0 = 0 x = [1 + ( 1)]x = 1x + ( 1) x = 0, 1x + ( 1) x + ( x ) = x , ( x + ( x )) + ( 1) x = x , 0 + ( 1) x = x , ( 1) x = x.
32
Mdulo 1
1. 2. 3. 4. 5. Verifique con detalle que
n
es un espacio vectorial.
Verifique con detalle que Pn es un espacio vectorial. En el ejemplo 7, verifique los axiomas ii, v, vii, viii, ix y x de la definicin de espacio vectorial. Verifique con detalle que M mn es un espacio vectorial. En el ejemplo 8 verifique el cumplimiento de los axiomas v, vii, viii, ix y x de la definicin de espacio vectorial.
En los ejercicios 6 a 16 determine si el conjunto dado, junto con las operaciones dadas, es un espacio vectorial. Si no lo es, mencione al menos un axioma de la definicin que no se cumple. 6. 7. 8. 9. 10. 11. 12. 13. Sea V = {( x, y , z )
3
/ z = 0, x, y
Sea V el conjunto de matrices simtricas reales de n n con las operaciones matriciales usuales. Sea V el conjunto de matrices antisimtricas reales de n n con las operaciones matriciales usuales. Sea V el conjunto de matrices invertibles n n con las operaciones matriciales ordinarias. Sea V el conjunto de matrices no invertibles n n con las operaciones matriciales ordinarias. Sea V = { Ann / AC = 0, C es una matriz constante de n n} con las operaciones matriciales ordinarias. Sea V el conjunto de todos los pares ordenados de nmeros reales ( x, y ) con x 0, con las operaciones usuales en
2
14.
Sea V = {C} (un conjunto con un solo elemento) con las operaciones de suma y producto por un escalar definidas por C + C = C y C = C para todo .
15.
Sea V el conjunto
con la operacin de suma usual y la operacin producto por un escalar definida por:
( x, y, z ) = ( x,1, z ), .
16.
Sea V el conjunto 3 con la operacin de suma dada por ( x1 , y1 , z1 ) ( x2 , y2 , z2 ) = ( x2 , y1 + y2 , z2 ) y la operacin producto por un escalar usual. Demuestre las partes ii, iv y v del teorema 1. Si x e y son vectores de un espacio vectorial V, demuestre que existe un vector nico z V tal que x + z = y .
17. 18.
34
Subespacios
Contenidos del mdulo
2.1 Definicin y criterio de subespacio 2.2 Ejemplos 2.3 Propiedades
2
En las rectas y los planos que pasan por el origen son subespacios.
3
Preguntas bsicas
1. Qu es un subespacio? 2. Si H es un subespacio de V, el elemento neutro de V pertenece a H? 3. Es la interseccin de subespacios de V un subespacio de V? Lo es la unin? 4. En todo espacio vectorial hay subespacios?
Introduccin
En muchas aplicaciones es necesario emplear subconjuntos de espacios vectoriales, que son a su vez espacios vectoriales. En el mdulo 1 vimos que el conjunto de ternas ordenadas que forman un plano que pasa por el origen es un espacio vectorial, as que tanto
3
35
La demostracin del teorema consiste en verificar que al darse las dos reglas de cerradura se verifican los dems axiomas de la definicin de espacio vectorial. Como los vectores de H tambin estn en V, las leyes de asociatividad, conmutatividad, de distribucin y de identidad multiplicativa (axiomas ii, v, vii, viii, ix y x) se cumplen. Ahora, si x H , entonces 0x H por (2) y 0 x = 0 (teorema 1, mdulo 1). De igual manera, (1)x H y ( 1) x = x (teorema 1, mdulo1), verificndose el axioma iv. Con esto queda completa la demostracin. El teorema anterior establece que para probar si un conjunto H, H V, es o no un subespacio de V, basta con probar las dos reglas de cerradura. Como consecuencia del teorema podemos expresar lo siguiente: i. ii. Todo subespacio de un espacio vectorial V contiene el 0. Todo espacio vectorial tiene dos subespacios triviales: el mismo espacio (V V) y el conjunto que tiene como nico elemento el mdulo. Por qu?
2.2 Ejemplos
1. Sea H = {( x, y) / y = mx, m es un real fijo y x
H
2
}.
y H .
36
Mdulo 2: Subespacios
(x1 , y1 ) = ( x1 , m x1 ) y (x2 , y2 ) = ( x2 , m x2 ).
( x1 + x2 , y1 + y2 ) = ( x1 + x2 , mx1 + mx2 ) = (( x1 + x2 , m( x1 + x2 )).
Luego
( x1 + x2 , y1 + y2 ) H .
( x, y ) = ( x, mx) = ( x, mx) = ( x, m( x) ) ,
( x, m( x)) H . Por tanto,
( x, y ) H .
En consecuencia, el conjunto de puntos del plano que estn sobre una recta que pasa por el origen forma un subespacio de 2. Sea H = {( x, y )
2
2
/ y = mx + b} , H
2
, H
Veamos si H es un subespacio de
H est formado por los puntos sobre una recta de pendiente m e intercepto con el eje y igual a b. Es decir, una recta que no pasa por el origen. Sean (x1 , y1 ) y (x2 , y2 ) elementos de H. Veamos si (x1 , y1 ) + (x2 , y2 ) H .
(x1 , y1 ) = ( x1 , m x1 + b), (x2 , y2 ) = ( x2 , m x2 + b).
(x1 , y1 ) + (x2 , y2 ) = ( x1 + x2 , y1 + y2 ) = (x1 + x2 , m x1 + b + mx2 + b) = (x1 + x2 , m ( x1 + x2 ) + 2b).
/ x = at , y = bt , z = ct ; a, b, c, t
}.
H es el conjunto de puntos de 3 que estn sobre una recta del espacio que pasa por el origen. Comprobemos para H las dos reglas de cerradura. Sean ( x1 , y1 , z1 ) y ( x2 , y2 , z2 ) H ; entonces,
( x1 , y1 , z1 ) = (at1 , bt1 , ct1 ) , ( x2 , y2 , z2 ) = (at2 , bt2 , ct2 ) ,
37
As que H es un subespacio de En
2
.
2
Sabemos que todo polinomio es una funcin continua, as que el conjunto de polinomios de grado menor o igual que n en el intervalo cerrado
[ a, b], Pn [ a, b] es un subconjunto del conjunto de funciones continuas dentro del mismo intervalo. Pn [a, b] C [a, b].
Como Pn es un espacio vectorial para todo entero n, entonces es un subespacio de C[a, b] . 5. Sea C [a, b] el conjunto de funciones con primera derivada continua, definidas en [a, b] . Como toda funcin derivable es continua, entonces C [a, b] C [ a, b]. Adems, la suma de funciones diferenciables es una funcin diferenciable, y un mltiplo constante de una funcin diferenciable es diferenciable. Se ve entonces que C [a, b] es un subespacio propio de C [a, b] , ya que no toda funcin continua es diferenciable.
2.3 Propiedades
Teorema 2 Sean H1 y H 2 subespacios de un espacio vectorial V. Entonces H1 H 2 es un subespacio de V.
38
Es decir,
(x1 + x2 ) H1 H 2 .
x1 H1 H 2 .
Por tanto, se cumplen las dos reglas de cerradura y H1 H 2 es un subespacio. La interseccin de subespacios es un subespacio, pero la unin ( H1 H 2 ) no necesariamente es un subespacio. Ejemplo
H1 = {( x, y )
2
/ y = x} .
H 2 = {( x, y )
/ y = 2 x} .
(1, 1) H1 y (1, 2) H 2 .
Entonces
(1, 1) ( H1 H 2 ) y (1, 2) H1 H 2 .
39
Mdulo 2
En los ejercicios 1 a 12 se dan un espacio V y un subconjunto W. Determine si W es un subespacio. 1. 2. 3. 4. 5. 6. 7.
V=
, W = {( x, y) : x = y} .
, W = {( x, y, z ) : ( x, y, z ) es perpendicular a ( a, b, c)} .
V = M nn , W = { A M nn : A es simtrica} .
V =
3 3
V = P4 , W = { p P4 : p(0) = 0} . V = P4 , W = { p P4 : p(0) = 1} .
V = P4 , W = { p P4 : grado de p = 4} .
La traza de una matriz An n se define como:
tr A = a11 + a22 + ... + ann .
Sean V = M nn y W = { A M nn : tr A = 0} . 8.
a 0 V = M 22 , W = A M 22 : A = . 0 b a b V = M 23 , W = A M 23 : A = d e c , donde a = 2c + 1 . f
9.
a b c V = M 23 , W = A M 23 : A = , donde b = a + c . d 0 0
a. b.
40
14.
Sea W = {x
: AX = 0, con A M m n } .
n
y sea
: u = x + y , con ,
3
}.
42
{( )}
1 1
{x }
2
Preguntas bsicas
1. Qu es una combinacin lineal? 2. Cundo un conjunto genera un espacio vectorial? 3. Cmo se genera un subespacio de V a partir de un subconjunto de V?
Introduccin
Iniciamos el mdulo definiendo lo que es una combinacin lineal, concepto ste necesario para la construccin de subespacios a partir de subconjuntos finitos del espacio vectorial V. Al subconjunto dado lo llamamos conjunto generador, y al subespacio construido, subespacio generado.
43
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Combinacin lineal
Observaciones 1. Toda combinacin lineal de vectores de un espacio dado es otro vector del mismo espacio. El mdulo de un espacio vectorial es combinacin lineal de cualquier conjunto de vectores del mismo espacio.
0 = 0 v1 + 0v2 + ... + 0vn .
2.
3.
4.
Todo vector es combinacin lineal del conjunto que contiene dicho vector.
v1 = 1 v1 + 0 v 2 + ... + 0 v n .
Figura
3.1
2.
44
3.
En
4 1 1 y 0 ya 2 1
5 4 1 que 2 = 2 1 + 3 0 . 7 2 1
4. En
2
Luego
6 = 2a1 4 a2 , 3 = a1 2a2 , 2 4 a1 6 1 2 a = 3 . 2
El sistema tiene infinitas soluciones dadas por a1 = 3 + 2 a2 y a2 . Por ejemplo, si a2 = 1, a1 = 5 y (6, 3) = 5(2, 1) + (4, 2); pero si hacemos
a2 = 0, a1 = 3 y (6, 3) = 3(2, 1) + 0(4, 2), etc.
De modo que v es una combinacin lineal de v1 y v2 de muchas maneras. Podemos entonces observar que si un vector v es una combinacin lineal de v1, v2,..., vk , entonces esa combinacin lineal puede no ser nica. 5. En P3 , sea A = {1 + x, 1 + x 2 , 2 x + x 3 } . Veamos si Q ( x ) = 3 + x 2 + x 3 es una combinacin lineal de A. Expresemos a Q ( x ) como una combinacin lineal de los polinomios de A. lgebra Lineal Elemental y Aplicaciones
45
Igualando los coeficientes de los trminos del mismo grado en ambos lados de la igualdad tenemos: (1) (2) (3) (4) 3 = a1 + a2 . 0 = a1 + 2a3 . 1 = a2. 1 = a3.
Con el valor a2 = 1 en (1), 3 = a1 + 1, entonces a1 = 2. Con a1 = 2 y a3 = 1, la ecuacin (2) se expresa como 0 = 2 + 2(1). Por tanto, hemos determinado escalares a1 , a2 , a3 tales que:
3 + x 2 + x 3 = 2( 1 + x ) + (1 + x 2 ) + (2 x + x 3 ).
Ejemplos
1 0 Los vectores y generan 0 1 2 1 0 Por ejemplo, 4 = 2 0 + 4 1 ,
6.
1 y los vectores 0 , 0
0 0 1 , 0 generan 0 1
46
Mdulo 3: Combinacin lineal y subespacio generado 7. En Pn todo polinomio se puede expresar como combinacin lineal de los monomios 1, x, x 2 ,..., x n ; luego generan a Pn .
a b 1 0 0 1 0 0 0 0 En M 22 : =a + b + c +d . c d 0 0 0 0 1 0 0 1
8.
1 0 0 1 0 0 0 0 Entonces, , , , generan M 22 . 0 0 0 0 1 0 0 1
, sea A = {1} .
gen A = { x x = a 1, a
}=
.
}.
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Mezcla de concreto
47
1 3 x 1 R R + 2 R 2 1 0 1 y 2 2 R3 R3 0 1 z 0
3 7 1
1 1 R2 R2 y + 2x 7 0 z R3 R3 R2 0
3 1 0
y + 2x 7 y + 2x z 7 x
o sea
2 x + y + 7 z = 0.
gen ( A) = {( x, y, z ) / 2 x + y + 7 z = 0} (plano que pasa por el origen).
Nota: el espacio generado por dos vectores no nulos en es un plano que pasa por el origen. Teorema 2 Sean v1, v2,..., vn , v n +1 , n + 1 vectores que estn en un espacio vectorial V. Si v1, v2,..., vn genera a V, entonces v1 , v2 ,..., vn , vn+1 tambin genera a V. Esto es, la adicin de uno o ms vectores a un conjunto generador de V da por resultado otro conjunto generador de V. Demostracin Sea v V ; como { v1 , v2 ,..., v n } genera a V , entonces existen escalares a1 , a2 ,..., an tales que v = a1 v1 + a2 v 2 + ... + an vn . As que v tambin puede expresarse como
v = a1 v1 + a2 v 2 + ... + an v n + 0 v n +1 ,
3
El espacio vectorial
48
Mdulo 3
En los ejercicios 1 a 3 determine si el vector dado w es combinacin lineal de v1 y v2 . Si lo es, encuentre a1 y a2 tales que
w = a1 v1 + a2 v 2 .
1.
v1 = (2, 1) y v 2 = (4, 2) .
a. b. c. 2.
v1 = (1, 3) y v 2 = ( 2, 6).
a. b. c.
3.
1 2 3 2 v1 = , v2 = . 2 1 1 1
a.
1 0 w= . 0 1 3 2 w= . 4 1
13 6 w= . 1 3
b.
c.
4.
Sean p1 = x + x 2 , p2 = x + x 3 y p3 = x + x 2 + x 3 . Determine cul o cules de los siguientes polinomios son combinacin lineal de p1 , p2 y p3 . a. b. c. d.
2x + x 2
2 3x + 4 x 2 + x 3 0 x
lgebra del mdulo 3 Ejercicios Lineal Elemental y Aplicaciones 49
5.
6.
2 v1 = 1 , 0
1 v2 = 3 . 0
7.
3 v1 = 0 , 1
3 0 A= , 0 1
6 v2 = 0 , 1
7 v3 = 0 . 2
8.
2 0 B= . 0 1
9. 10.
p1 = 2 x + 3, p2 = 3 x 5.
p1 = 3 x + 4 x 2 , p2 = 2 x 5 x 2 , p3 = x + x 2 .
En los ejercicios 11 a 14 determine si el conjunto dado de vectores genera el espacio vectorial dado.
1 2 ; , . 3 0
11.
En
12.
En
1 ; , 2
2 3 , . 4 6
13.
En
1 2 0 ; 2 , 3 , 1 . 0 5 3 1 ; 1 , 1 2 4, 1 5 9. 3
3
14.
En
15. 16.
no puede generar a
50
Independencia lineal
Contenidos del mdulo
4
3
4.1 Definicin y ejemplos de conjuntos linealmente independientes (LI) y linealmente dependientes (LD) 4.2 Interpretacin geomtrica de la dependencia lineal en 4.3 Propiedades
Si v1 y v2 son dos vectores no paralelos se dice que son LI o sea que uno no es mltiplo escalar del otro y generan un plano. Si los vectores son paralelos ya no pueden generar un plano, sino slo una recta, en este caso son LD.
Preguntas bsicas
1. Cundo un conjunto es LD? 2. Cundo un conjunto es LI? 3. Qu significa que un subconjunto de tres vectores de 3 sea LD? 4. Tiene sentido hablar de un vector LI? 5. Por qu los conceptos de independencia y dependencia lineal se vinculan con la solucin de sistemas homogneos de ecuaciones lineales?
Introduccin
En el mdulo anterior vimos que pueden tenerse infinitud de conjuntos generadores de un espacio vectorial. Es claro, por razones de economa, que lo que se desea es hallar los conjuntos generadores ms pequeos posibles para los espacios vectoriales. Para lograr esto se requiere el concepto de independencia lineal. Mostraremos el significado de independencia lineal y su relacin con la teora de sistemas homogneos de ecuaciones y determinantes.
Vea el mdulo 4 del programa de televisin lgebra Lineal
51
4.1 Def inicin y ejemplos de conjuntos linealmente Definicin linealmente in independientes (LI) y linealmente dependientes (LD)
Definicin 1 Sean v1 , v2 ,..., vn , n vectores diferentes de un espacio vectorial V. Se dice que los vectores son linealmente dependientes, LD, si existen n escalares c1 , c2 ,..., cn , no todos cero, tales que:
c1 v1 + c2 v2 + ... + cn vn = 0.
(1)
Si los vectores no son linealmente dependientes, se dice que son linealmente independientes, LI, es decir, la ecuacin:
c1 v1 + c2 v 2 + ... + cn vn = 0
es vlida slo si c1 = c2 = ... = cn = 0. Si los vectores v1 , v2 ,..., vn son distintos y formamos el conjunto A = { v1 , v2 ,..., vn } , entonces tambin decimos que el conjunto A es LD o LI segn el caso. Es claro que la ecuacin (1) siempre se satisface si elegimos todos los escalares
c1 , c2 ,..., cn iguales a cero. Lo importante es ver si es posible satisfacer la ecuacin con al menos uno de los escalares diferente de cero.
Ejemplos 1. En
3
la cual, igualando los componentes en ambos lados de la ecuacin, nos lleva al siguiente sistema homogneo de ecuaciones:
c1 c2 + 3c3 = 0 7c1 + c2 + 5c3 = 0 2c1 2c3 = 0
A x = 0,
c1 x = c2 . c3
52
La fila nula de esta matriz nos indica que el sistema tiene infinitas soluciones, es decir, hay soluciones con x 0 (c3 0) y, por tanto, A es LD. 2. En P2 , sea B = {1 + x 2 , 2 + x, x 2 } . Es B LD o LI? Solucin Dada la ecuacin
c1 ( 1 + x 2 ) + c2 (2 + x ) + c3 x 2 = 0 + 0 x + 0 x 2 ,
veamos cmo son c1 , c2 , c3 . (1) c1 + 2c2 = 0. (2) c2 = 0. (3) c1 + c3 = 0. (2) en (1), c1 = 0, o sea c1 = 0 (4). (4) en (3), c3 = 0. Luego c1 = c2 = c3 = 0 y, por tanto, B es LI. Proposiciones 1. Dos vectores en un espacio vectorial V son LD si y slo si uno de ellos es un mltiplo escalar del otro. Todo conjunto que tenga como elemento el mdulo de un espacio vectorial es LD. Todo conjunto unitario cuyo elemento no sea el mdulo es LI.
2.
3.
53
c1 c u 2 v = u + v, c3 c3
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Conjunto de vectores coplanares
y =
c2 . c3
Recuerde que tres vectores del espacio son coplanares si y slo si su producto triple es igual a cero. Por qu u (u v) y v (u v) son iguales a cero? En conclusin: si u, v, w son tres vectores LD en
3
Ser cierta la recproca de esta implicacin? Es decir, si u, v, w son tres vectores coplanares de
3
, entonces u, v, w son LD
4.3 Propiedades
Teorema 1 Un conjunto de n vectores de Demostracin Sean v1 , v2 ,..., vn n vectores en Examinemos la ecuacin
c1 v1 + c2 v 2 + ... + cn vn = 0 ,
a11 a12 a1n a21 a a , v 2 = 22 ,..., v n = 2 n . donde v1 = am1 am 2 amn
m
siempre es LD si n > m.
54
Como n > m (n de incgnitas > n de ecuaciones), el sistema tiene infinitas soluciones. Por tanto, existen escalares c1 , c2 ,..., cn , no todos cero, que satisfacen la ecuacin y { v1 , v2 ,..., vn } es LD. Corolario Un conjunto de vectores LI en Teorema 2
a11 a 21 Sea A = am1 a12 a22 am 2 a1n a2 n . amn
n
contiene a lo ms n vectores.
Entonces las columnas de A consideradas como vectores son LD si y slo si el sistema A x = 0 tiene soluciones no triviales (diferentes a x = 0 ). Teorema 3 Sean v1 , v2 ,..., vn , n vectores en
n
homogneo A x = 0 es la trivial x = 0 . Teorema 4 Sea A una matriz n n . Entonces det A 0 si y slo si las columnas de A son LI. Teorema 5 Todo conjunto de n vectores LI en Demostracin
a11 a12 a1n x1 a a a x v1 = 21 , v 2 = 22 ,..., v n = 2 n son LI y sea v = 2 un Suponga que an1 an 2 ann xn
n
genera
vector de
Luego xn = c1an1 +
55
Captulo 1: Espacios vectoriales El sistema A C = v tiene matriz nAn , tal que det A 0 ya que las columnas de A son LI. Por tanto, el sistema tiene solucin nica C y el teorema queda establecido. Teorema 6 Sea S = {v1 , v2 ,..., vn } V . S es LD si y slo si existe al menos un vector de S que pueda expresarse como combinacin lineal de los vectores restantes de S. Demostracin i. Supongamos que S es LD. Existen a1 , a2 ,..., an escalares, no todos nulos, tales que:
a1 v1 + a2 v 2 + ... + ai v i + ... an v n = 0.
Sea ai 0, entonces,
vi = a a1 a v1 2 v 2 ... n v n . ai ai ai
Luego v i es una combinacin lineal de los restantes n 1 vectores de S. ii. Si v i es una combinacin lineal de los restantes vectores de S, entonces
vi = 1v1 + 2 v2 + ... + 1 vi 1 + i +1 vi +1 + ... + n vn .
Por tanto,
56
57
Mdulo 4
En los ejercicios 1 a 4 muestre por inspeccin que los vectores son linealmente dependientes, LD. 1. 2. 3.
u1 = (2, 3), u 2 = ( 4, 6), en
2
.
3
P = 1 + 4 x, P2 = 1
1 2 A1 = , 0 1
1 2 x, en P1 . 2
1 3 A3 = , en M 22 . 4 1
4.
0 1 A2 = , 4 2
.
4
.
4 2
P ( x ) = 1 + x + x , P2 ( x ) = 2 x + 3 x , P3 ( x) = 1 + 5 x 3 x , en P2 . 1
P ( x ) = 1 + x, P2 ( x) = x 2 + x 3 , P3 ( x) = 2 2 x + 3 x 2 + 3 x 3 , en P3 . 1
1 3 2 A1 = , 0 0 0
0 6 4 A2 = , 4 6 2
1 0 0 A3 = , en M 23 . 2 3 1
1 0 0 1 1 1 1 1 3 1 , 1 0 , 0 6 , 1 2 , en M 22 .
Si {u1 , u2 , u3 } es un conjunto LI, demuestre que {u1 , u 2 } , {u1 , u3 } , {u1} , {u2 } son LI. Justifique las proposiciones 1, 2, 3 de este mdulo. Construya argumentaciones para justificar los teoremas 2, 3 y 4. Si {u1 ,..., un } es LI, pruebe que cualquier subconjunto no vaco de este conjunto es LI. Si {u1 ,..., un } es LD, pruebe que {u1 ,..., un , un +1 ,..., uk } tambin es LD.
58
17.
Sea A una matriz cuadrada n n cuyas columnas son los vectores v1, v2 ,..., vn . Demuestre que v1 , v2 ,..., vn son LI si y slo si la forma escalonada reducida por renglones de A no contiene un rengln de ceros.
En los ejercicios 18 y 19 escriba la solucin del sistema homogneo dado en trminos de uno o ms vectores LI. 18.
x1 x2 + 7 x3 x4 = 0 2 x1 + 3 x2 8 x3 + x4 = 0 x1 + 2 x2 x3 = 0 2 x1 + 5 x2 + 4 x3 = 0
19.
Demuestre que cualesquiera cuatro polinomios en P2 son LD. Demuestre que cualesquiera n + 2 polinomios en Pn son LD. Demuestre que cualesquiera siete matrices en M 32 son LD. Sea { v1 , v2 ,..., vn } un conjunto LI. Demuestre que los vectores v1 , v1 + v2 , v1 + v2 + v3 , ..., v1 + v2 + ... + vn son LI. Suponga que { v1 , v2 ,..., vk } es un conjunto LI y que vk +1 no est en gen { v1 , v2 ,..., vk } . Demuestre que
24.
es un conjunto LI.
3
Para cules valores de son LD los vectores (1, 0, 1), (2, 1, 2) y (1, 1, ) en Para cules valores de son LD los vectores 3 + x y 2 + 2 + 2 x en P1 ? Encuentre un conjunto de tres vectores LI en Si u, v y w son tres vectores coplanares en
3
3
60
Bases y dimensin
Contenidos del mdulo
5.1 5.2 5.3 5.4
5
2 3 Base estndar {1, x, x , x } de P3 .
Definicin y ejemplos de bases Propiedades de las bases Dimensin. Definicin, ejemplos y propiedades El problema de la base
Preguntas bsicas
1. Qu es una base para un espacio vectorial? 2. Cmo se construye una base? 3. Cmo se relacionan los conceptos de base y dimensin? 4. Cundo se dice que un espacio tiene dimensin infinita? 5. Un conjunto generador de
n
6. Un conjunto LI de n vectores de
Introduccin
Veamos que si un conjunto S, linealmente dependiente, genera un espacio vectorial, podemos eliminar en S aquellos vectores que son combinacin lineal del resto, hasta cuando en S slo quedan los vectores que son LI. Este nuevo conjunto es el generador del tamao mnimo para el espacio vectorial. Dicho conjunto de vectores es una base para el espacio y el nmero de elementos del conjunto, su dimensin. Llegamos ac al punto central del captulo de espacios vectoriales; las nociones anteriores nos permitirn definir estos dos conceptos a partir de los cuales podemos construir espacios vectoriales.
61
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Bases
. Los vectores
3
y, en gene-
, respectivamente.
n
genera a
n
. Por
es una base de
2 n En Pn la base estndar est formada por el conjunto {1, x, x ,..., x } . Por qu?
4.
. Vamos a determinar
x y z = 3x + 2 y. z
62
x 1 0 , y = x 0 + y1 3x + 2 y 3 2
lo que muestra que estos dos vectores generan . Adems, son LI ya que uno no es un mltiplo escalar del otro.
1 0 0 , 1 Es decir, es una base para . 3 2
Contienen todas las bases de un espacio vectorial el mismo nmero de vectores? El siguiente teorema nos da la respuesta a esta pregunta. Teorema 2 Si {u1 , u 2 ,..., u m } y { v1 , v2 ,..., vn } son bases en un espacio vectorial V, entonces
m = n.
63
Captulo 1: Espacios vectoriales Demostracin Sean S1 = {u1 , u 2 ,..., u m } y S 2 = { v1 , v 2 ,..., v n } dos bases para el espacio vectorial V. Suponga que m n, entonces m > n o n > m. Si m > n, veamos que S1 es LD. Cada vector de S1 se puede expresar como combinacin lineal de los vectores de la base S 2 .
u1 = a11 v1 + u2 = a21 v1 + um = am1 v1
a12 v 2 + a22 v 2 + am 2 v 2
+ + +
a1n v n a2 n v n amn v n .
(1)
existe ci 0.
c1 (a11 v1 + a12 v 2 + ... + a1n v n ) + c2 (a21 v1 + a22 v 2 + ... + a2 n v n ) + ... +cm (am1 v1 + am 2 v 2 + ... + amn v n ) = 0.
el cual es un sistema homogneo de n ecuaciones con m incgnitas, con m > n, luego tiene infinitas soluciones y, por tanto, existen escalares c1 , c2 ,..., cm , no todos cero, que verifican (1), y en consecuencia S1 es LD. De forma anloga se razona para el caso en que n > m.
64
= n.
La dimensin de un espacio vectorial es el mximo nmero de vectores LI que hay en el espacio vectorial. Teorema 4 Sea H un subespacio del espacio vectorial V de dimensin finita; entonces,
dim H dim V .
Demostracin Sea { v1 , v2 ,..., vn } una base para V, es decir, dim V = n. Cualquier conjunto LI de vectores de V tiene a lo ms n vectores. Como H V , todo conjunto LI de H tambin es LI en V. Luego H es de dimensin finita y dim H n. Ejemplos 8. Sea P [0,1] el conjunto de polinomios definidos en el intervalo [0,1] . Como todo polinomio es una funcin continua, entonces P [0, 1] C[0, 1] (funciones continuas en el intervalo [0, 1] ). Si C[0, 1] fuese de dimensin finita, lgebra Lineal Elemental y Aplicaciones
65
Captulo 1: Espacios vectoriales entonces P [0, 1] tendra tambin dimensin finita, pero no existe un conjunto finito de polinomios que genere P [0, 1], luego C[0, 1] es de dimensin infinita. Todo espacio vectorial que contenga un subespacio de dimensin infinita es de dimensin infinita. 9.
n Sea A una matriz m n y sea S = {x R : Ax = 0} .
y dim S n .
A S se le llama espacio solucin del sistema homogneo Ax = 0 o ncleo de la matriz A. 10. Determinemos una base para el espacio solucin del sistema homogneo
x y z = 0, 2x y + z = 0.
1 1 1 1 1 1 1 0 2 . 2 1 1 0 1 3 0 1 3
Luego,
x = 2 z, y = 3 z. z = 1z.
2 Todo vector del espacio solucin es mltiplo escalar del vector 3 . 1
Por tanto,
2 B = 3 . 1
Un conjunto de vectores en un espacio vectorial V es una base para V si genera a V y es LI. Ahora, si se sabe que la dimensin del espacio es n, basta verificar una de las dos condiciones. Teorema 5 Sea V un espacio vectorial de dimensin n y sea S = { v1 , v2 ,..., vn } un conjunto de n vectores en V.
66
Mdulo 5: Bases y dimensin a. b. Si S es LI, entonces es una base para V. Si S genera a V, entonces es una base para V.
Demostracin a. Como S es LI, debemos demostrar que S genera a V. Si S no genera a V, existe un v n +1 V tal que v n +1 gen { v1 , v 2 ,..., v n } , luego
dim V > n, lo cual es absurdo. Para determinar si un subconjunto S de n es una base para n , primero contamos el nmero de elementos de S. Si S tiene n elementos, cualquiera de las partes del teorema 5 nos permite determinar si S es base. Si S no tiene n elementos, no es base para n . De la misma forma se procede en cualquier espacio o subespacio vectorial cuya dimensin sea conocida. Teorema 6 Si S es un conjunto LI de vectores en un espacio vectorial V de dimensin finita, entonces existe una base B para V, que contiene a S. El teorema nos dice que un conjunto LI de vectores en un espacio vectorial V se puede extender a una base para V.
2.
que contenga a S.
67
Captulo 1: Espacios vectoriales El conjunto S es LI, ya que los vectores de S no son uno un mltiplo escalar del otro, luego lo que hace falta es aadir otro vector v tal que v gen S.
y por tanto
0 1 1 1 1 1
1 0 x1 operaciones x2 0 1 elementales 0 1 x3
x1 1 0 x1 + x2 0 1 x3 x1 0 0
x1 . x1 + x2 x3 x1 + x1 + x2 x3 + x2
As que si x3 + x2 = 0, v gen S , entonces tomamos v de tal manera que x3 + x2 0; por ejemplo, v = (0, 1, 0) . Una base para
3
Otra forma de solucin Si v = ( x1 , x2 , x3 ) es tal que {(1, 1, 1), (0, 1, 1), ( x1 , x2 , x3 )} fuera LD, entonces:
1 0 x1
1 1 x2
1 1 = 0 x3
1( x3 + x2 ) + x1 (1 1) = 0 x3 + x2 = 0.
Luego para que el conjunto sea LI, lo que se requiere es que x3 + x2 0 . Otra manera podra ser probar los vectores de la base cannica hasta que uno de ellos funcione.
68
Mdulo 5
En los ejercicios 1 a 4 explique mediante inspeccin por qu los vectores dados no forman una base del espacio vectorial dado. 1. 2. 3.
u1 = (3, 2), u 2 = (1, 2) , u 3 = (2, 4), para
2
.
4
P = 1 + 2 x + 3 x 2 , P2 = 2 x + x 2 , P3 = 5 3 x, P4 = 3 5 x + x 2 , para P2. 1
4.
3 0 5 7 9 7 M1 = , M 2 = 1 0 , M 3 = 2 5 , en M 22 . 0 2
En los ejercicios 5 a 11 determine cundo los vectores dados forman una base del espacio vectorial dado. 5. 6. 7. 8. 9. 10.
u1 = (3, 5), u 2 = (4, 8), en u1 = (1, 1), u 2 = (2, 2), en
2
.
2
.
3
.
3
11.
1 0 M1 = , 0 0
1 1 M2 = , 0 0
1 1 M3 = , 1 0
1 1 M4 = , en M 22 . 1 1
En los ejercicios 12 a 17 encuentre una base del espacio vectorial dado y determine su dimensin. 12. 13. Todos los vectores en
2
Todas las matrices antisimtricas de 3 3. Todos los vectores de Todos los vectores de
3
2 Determine todos los valores de a para los cuales {( a , 0, 1), (0, a, 2), (1, 0, 1)} es una base para
En los ejercicios 22 a 25 encuentre una base para el espacio solucin del sistema homogneo dado. 22.
x+ yz =0 2x y + 2z = 0
23.
x y =0 3x + 3 y = 0
24.
x 3y + 2z = 0 2 x + y + 3 z = 0 3x 4 y + 5 z = 0
25.
x + 3 y 2z = 0 3 x + 9 y 6 z = 0 2x 6 y + 4z = 0
Elabore una argumentacin que justifique el teorema 3. Elabore una argumentacin que justifique el teorema 5b. Elabore una argumentacin que justifique el teorema 6.
70
3 A = 3 4
0 1 0 0
1 , R 5 C
N A : eje x2
A
Preguntas bsicas
1. Cules son los subespacios asociados con A? En las siguientes preguntas, la matriz B es la matriz escalonada equivalente por renglones a A. 2. Cmo son los espacios nulo y rengln de las matrices A y B? 3. Qu relacin existe entre los espacios rengln y columna de A? 4. Cmo se relacionan los espacios nulo y rengln de A? 5. Qu es el rango de una matriz? 6. Cmo se relacionan los rangos de A y B? 7. Qu condicin debe cumplir el trmino b en la ecuacin matricial Ax = b para que el sistema tenga solucin? 8. Cmo se relacionan el rango y la nulidad de A con el nmero de columnas de A?
Introduccin
En esta seccin se darn tcnicas que nos permiten determinar una base para un espacio vectorial que surge como generado por un conjunto de vectores que no son linealmente independientes. Adems, asignaremos a cada matriz A un nmero que nos informa acerca del nmero de renglones o columnas LI de A. Este nmero ser el rango de la matriz.
Vea el mdulo 6 del programa de televisin lgebra Lineal
71
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Base para el espacio nulo de A
Ax = 0}
se llama espacio nulo de A o ncleo de A y se denota por NA. En el ejemplo 9 del mdulo 5 mostramos que este conjunto es un subespacio de
n
Determine el espacio nulo de A. Solucin La matriz A es la matriz de coeficientes del sistema homogneo Ax = 0 . Hacemos operaciones elementales de rengln para hallar las soluciones de este sistema.
1 3 1 1 2 1 R2 R2 3R1 0 0 1 4 2 1 1 R2 R2 6 4 0 1 1 2 32
1 R1 R1 + R2 0
0 1
1 x1 = x3 2 3 x2 = x3 2 x3 = x3
1 2 N A = gen 3 2 , ( A) = 1. 1
Definicin 2
a11 a 21 Sea mAn = am1 a12 a22 am 2 a1n a2 n . amn
72
Mdulo 6: Subespacios asociados con una matriz i. El espacio generado por los renglones de A,
r1 = (a11 , a12 ,..., a1n ), r2 = (a21 , a22 ,..., a2 n ) ,..., rm = (am1 , am 2 ,..., amn ),
es un subespacio de ii.
es un subespacio de
6.2 Propiedades
Teorema 1 Si A y B son matrices m n equivalentes por renglones, entonces los espacios generados por los renglones de A y de B son iguales. Demostracin Si A y B son equivalentes por renglones, entonces B se obtiene de A por operaciones elementales de rengln. Es claro que la operacin de intercambio de renglones no afecta el espacio rengln. Las otras operaciones CRi y R j + CRi son combinaciones lineales entre los renglones de A, las cuales pertenecen al espacio rengln A. Por tanto, el espacio generado por los renglones de B est contenido en el espacio generado por los renglones de A, RB RA . De forma anloga se ve que RA RB . En consecuencia, RA = RB . Este resultado nos permite determinar una base para un espacio vectorial generado por un conjunto de vectores dado de Ejemplo 2
2 3 Sea S = 4 , 1 2 4 6 5 , 3 4 10 15 14 , 3 7 8 12 10 . 4 9
n
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Espacio de renglones y columnas
73
Captulo 1: Espacios vectoriales Solucin Tomamos los vectores de S como renglones de una matriz A y por medio de operaciones elementales obtenemos una matriz equivalente B en forma escalonada. Los renglones no nulos de B sern LI y formarn una base para RB que es el mismo RA. Estos vectores tomados como columnas sern una base para gen S.
2 4 A= 10 8 2 1 6 5 3 4 operaciones elementales B = 0 0 15 14 3 7 12 10 4 9 0 4 1 3
3
2 1 0 0
2 3
0 0 0
1 0
1 3 . 1 10 0
8
0 0 1 , 1 3 8 3
0 0 0 . 1 1 10
Observacin Si B es una matriz escalonada, entonces dim RB es igual al nmero de pivotes de B. Teorema 2 Sea B una matriz m n en la forma escalonada por renglones. Las columnas de B que contienen los pivotes forman una base para CB y, por tanto, dim CB es igual al nmero de pivotes de B. Demostracin Las columnas de B que contiene n pivotes son LI porque sus entradas distintas de cero estn en forma escalonada (en el ejemplo 2 las columnas 1, 3 y 4 son LI) . Veamos que estas columnas generan CB . Sea el nmero de pivotes de B. Los primeros renglones de B son diferentes de cero y los ltimos m son todos cero. Sea b CB , b es combinacin lineal de las columnas de B, luego los ltimos m componentes de b son todos cero. Formemos una matriz Tm ( : # de renglones de B diferente de cero) tomando las columnas de B que contienen los pivotes y las colocamos ordenadamente,
74
* 0 0
Tm
Las entradas sealadas con * son los pivotes de B y por tanto diferentes de cero.
b Por la forma especial de T y b, la ecuacin T x1 = m1 puede resolverse por sustitu
cin regresiva. Luego b es combinacin lineal de las columnas de T y, por tanto, de las columnas de B que contienen pivotes. Teorema 3 Sea mAn y mBn la matriz que resulta al reducir A a su forma escalonada. Los vectores columna de B que contienen los pivotes forman una base para CB , entonces los vectores columna correspondientes de A formarn una base para C A y, en consecuencia,
dim C A = dim CB .
: nmero de pivotes de B.
dim RB = dim RA = . dim CB = . dim CB = dim C A .
Luego dim RA = dim CA = . Definicin 3 El rango de A, denotado por ( A), es la dimensin de los espacios fila y columna de A.
Consulte el apndice Una aplicacin interesante de los espacios vectoriales al final de este texto.
75
La dimensin de N A es igual al nmero de parmetros en la solucin del sistema equivalente reducido B x = 0. La dimensin del espacio rengln de B es igual al nmero de variables principales del sistema Bx = 0. El nmero de variables principales ms el nmero de parmetros es n. De todos estos hechos se deduce el siguiente teorema. Teorema 4 Si A es una matriz m n , entonces:
dim RA + dim N A = n dim C A + dim N A = n o ( A) + ( A) = n.
Teorema 5 Sea mAn . Cada vector del espacio rengln de A, RA es ortogonal a todo vector del espacio nulo de A, N A .( RA N A ). Demostracin Consideremos la ecuacin A x = 0 .
r1 a11 r2 a21 rm am1
a12 a22 am 2 a1n x1 0 a2 n x2 0 = . amn xn 0
i = 1,..., m .
Ahora, si y R A , entonces
y = C1r1 + C 2 r2 + ... + C m rm y y x = C1r1 x + C2 r2 x + ... + Cm rm x = 0,
luego todo vector del espacio rengln es ortogonal a todo vector del espacio nulo.
76
0 Sea A = 0 0
1 3 6
2 3 4 6
1 7
2 .
Determinemos N A , C A , A , A . Solucin
0 0 0
2 3 2 3 4 6
1 3 6
0 0 operaciones elementales 0 7 2 1
1 0 0
0 0
1 0
1 4 . 0
x2 =
3 1 3 3 5 x3 x5 x5 = x3 x5 . 2 2 4 2 8
Parmetros: x1 , x3 y x5 . Entonces:
x1 = x1 , x2 = x3 = x4 = x5 = 3 5 x3 x5 , 2 8 x3 , 3 x5 , 4 x5 .
x1 x1 1 0 0 3 5 x2 x2 0 2 8 x3 N A x3 = x1 0 + x3 1 + x5 0 . 3 x4 x4 0 0 4 0 0 1 x x 5 5
lgebra Lineal Elemental y Aplicaciones
77
Observamos que la nulidad de A es igual al nmero de parmetros en la solucin del sistema homogneo Ax = 0.
3 1 3 RA = gen 0, 1, , , 1 , 0, 0, 0, 1, . 2 2 4
Los pivotes se encuentran en la 2. y 4. columnas de la matriz escalonada equivalente a A, luego en A las columnas 2. y 4. son LI y constituyen una base para C A .
2 C A = gen 2 , 4 1 3 , 6
A = 2.
El rango de A es el nmero de variables principales en la solucin del sistema homogneo Ax = 0. Podemos comprobar que cada vector de RA es ortogonal a cualquier vector de NA.
a. b.
( A) = 0.
( A) = n.
78
De modo que b es combinacin lineal de las columnas de A. Es decir que b CA . Nota: el teorema anterior establece que para que A x = b tenga solucin es necesario y suficiente que
x+ yz = 7 6 x + y + 3 z = 20 4 x y + 5z = 4
tiene solucin. Solucin
1 6 4 1 1 1
1 0 0
1 3 5
1 7 20 0 0 4
1 1 0 1
9 5
1 5 5
1 9 9
1 7 22 0 0 24
1 5 0
1 9 0
7 22 2
22
7 5 ( A) = 2 , b CA 1 ( A b) = 3
79
Mdulo 6
En los ejercicios 1 a 3 se da una matriz en forma escalonada. Encuentre una base para su espacio rengln, una base para su espacio columna y determine su rango. 1.
1 5 3 0 1 0 0 1 7 3 0 0 0 0 1
2.
1 0 0 0
4 0 0 0
5 1 0 0
3.
1 0 0 0
4 0 5 1 3 0 0 1 0 0 0 1
En los ejercicios 4 a 9 encuentre bases para los espacios nulo, rengln y columna de la matriz dada. Determine adems el rango y la nulidad y verifique en cada caso que A + A = n. 4.
3 4 1 0 2 5 3 2 7 8 6 1
5.
1 2 3 2 4 5 3 6 0
6.
2 4 0 0 1 0 3 5 2 6 4 0
7.
0 2 3 1 2 0 2 3 3 1 0 4 6 6 7
8.
1 4 1 2 2 3 1 6 0 2 8 9
0 1 2 0
9.
1 1 0 0 0 2 4 0 2 3 1 0
0 3 1 4
En los ejercicios 10 a 12 encuentre una base para el espacio generado por los conjuntos de vectores dados. 10. 11.
(2, 3, 5), (1, 0, 2), (5, 6, 12), (2, 1, 0).
2 1 , 2 1 3 2 , 3 2 1 2 , 1 2 1 1 , 1 1 5 3 . 5 3
12.
80
x+ yz = 2 x + 2 y + 2 z = 3 2x + 3y + z = 1
14.
x+ yz = 2 x + 2 y + 2 z = 3 2 x + 3 y + z = 1
15.
x 2y + z + w = 2 3x 5x + 2 z 2w = 8 4y z w =1 + 3z w = 3
Sea A una matriz diagonal. Demuestre que ( A) es el nmero de componentes diferentes de cero en la diagonal. Demuestre que para cualquier matriz A, ( A) = ( At ). Sea A una matriz triangular n n con ceros en la diagonal. Demuestre que ( A) < n. Sea A una matriz n n . Demuestre que ( A) < n si y slo si existe un vector x Son los siguientes enunciados verdaderos o falsos? Justifique su respuesta. a. b. c. d. Si A es una matriz de m n, entonces
A
tal que x 0 y Ax = 0.
= CA.
Si A es una matriz 5 3, entonces las columnas de A deben ser LI. Si A es una matriz 3 5 , las columnas de A no pueden ser LI. Si A es una matriz de m n y las columnas de A son LI, entonces Ax = b puede o no tener solucin. Pero si tiene solucin, sta es nica.
21.
Sea A una matriz m n. a. b. c. Si las columnas de A son LI, cul es el rango de A y cul es la relacin entre m y n? Si las columnas de A generan
m
82
5.5 B 1 = v1 , v 2 , v B = 1 4.5
2 2 B2 = v1 , v , v B = 2 2
Preguntas bsicas
1. Cmo se expresa un vector como vector coordenado en una base B? 2. Cmo se realizan las operaciones de suma y producto por un escalar entre los vectores de coordenadas de un espacio V? 3. Cmo estn formadas las columnas de la matriz de transicin de una base B1 a una base B2 ? 4. Cmo se relacionan las matrices de transicin de B1 a B2 y de B2 a B1 ? 5. Cmo se realiza el cambio de la expresin de un vector de una base B1 a una base B2 ? 6. Cmo se emplean los vectores coordenados para determinar si un conjunto es LI?
Introduccin
Hemos introducido las llamadas bases estndar o cannicas que, por lo general, son ms fciles de usar. Sin embargo, hay muchos problemas de la fsica y la ingeniera donde es ms adecuado el uso de otras bases. En este mdulo veremos la manera de pasar la expresin de un vector de una base a otra.
83
El vector cuyos componentes son los escalares a1 , a2 ,..., an se llama vector de coordenadas o vector coordenado de v con respecto a B y se escribe:
a1 a = 2 . an
[ v ]B
Es importante observar que [ v ]B depende del orden de los elementos de B. Luego al dar la base B debe siempre asumirse sta como una base ordenada. Un vector de coordenadas es una n-tupla ordenada. Ejemplo 1 En
2
Cuando no se dice explcitamente en qu base est expresado x, se asume que el vector est en la base estndar.
1 3 x = Sea B2 = , , 2 5 x=
1 3 2 1 2 5 2 v1 1v 2
84
Figura
7.1
i.
} , es: [ P( x)]
B1
3 = 2 . 1
ii.
En la base B2 = {1 + x, 1 x 2 , 1 + x + x 2 } es ?
c1 + c2 + c3 = 3 , c1 + c3 = 2, c2 + c3 = 1.
85
luego c1 = 0, c2 = 1 y c3 = 2, as que:
3 + 2 x + x 2 = 0(1 + x ) + (1 x 2 ) + 2(1 + x + x 2 ),
[ P ( x ) ]B
Teorema 1
0 = 1 . 2
[u]B = [ u]B .
Observacin Con los vectores de coordenadas se opera en la misma forma que en
n
para
. Si v
c1 , entonces ( v) B1 = c2 , es decir, c 3
(1)
v = c1v1 + c2 v2 + c3 v3 .
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Cambio de base por rotacin en
2
86
Mdulo 7: Coordenadas y cambio de base Ahora, cada uno de los vectores v1 , v2 , v3 podemos expresarlo en la base B2 , as:
v1 = a11w1 + a21w 2 + a31w3 . v 2 = a12 w1 + a22 w 2 + a32 w3 . v3 = a13 w1 + a23 w 2 + a33 w3 .
(2)
Luego
( v ) B2
( v1 ) B2 ( v 2 ) B2 ( v 3 ) B2
= ( v1 ) B2 ( v 2 ) B2 ( v 3 ) B2 ( v ) B1 = PB2 B1 ( v ) B1 .
Definicin 2 La matriz PB2 B1 cuyas columnas son los vectores de la base B1 expresadas en la base B2 recibe el nombre de matriz de transicin de la base B1 a la base B2. Si B1 = { v1 , v2 ,..., vn } y B2 = {w1 , w2 ,..., wn } ,
PB2 B1
a11 a = 21 an1 ( v1 ) B2
a12 a22 an 2 ( v 2 ) B2
a1n a2 n ann ( v n ) B2
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Cambio 3 de base por rotacin en
87
Demostracin Sabemos que (x) B2 = P(x) B1 . Como P es invertible, multipliquemos por P 1 a la izquierda, en cada lado de la ecuacin.
P 1 (x) B2 = P 1 P (x) B1
= I (x) B1 = (x) B1 ,
1 luego (x) B1 = P (x) B2 .
cualquiera, la matriz de transicin PB1 B2 es la matriz cuyas columnas son los vectores de B2 expresados en B1 ; como los vectores de B2 estn dados en la base estndar, entonces
PB1 B2 = [ v1 v 2 ... v n ],
o sea que PB1 B2 se forma escribiendo la base B2 como una matriz. Luego, aplicando el teorema,
PB2 B1 = ( PB1 B2 )1.
Ejemplo 3
1 0 0 1 1 1 , sean B1 = 0 , 1 , 0 y B2 = 0 , 1 , 1 . 0 0 1 0 0 1
En
x Expresemos el vector y z
en trminos de la base B2 .
88
0 1 0
0 0 1
1 0 0
PB2 B1
x x y = PB2 B1 y z z B2 B1
1 1 0 x x y = 0 1 1 y = y z . 0 0 1 z z
Ejemplo 4 Escribamos el polinomio a0 + a1 x + a2 x 2 de P2 en trminos de la base
B2 = {1, x 1, x 2 1} .
2 Empleando la base estndar, B1 = {1, x, x } , se tiene:
1 (1) B1 = 0 , 0
1 ( x 1) B1 = 1 , 0
1 ( x 1) B1 = 0 . 1
2
PB1 B2
1 1 1 = 0 1 0 . 0 0 1
Determinemos PB2 B1
89
1 0 0
1 1 0
1 0 1
1 0 0
0 1 0
0 0 1
1 0 0
0 0 1 0 0 1
1 0 0
1 1 0
PB B 2 1
1 0 1
a0 1 1 1 a0 a0 + a1 + a2 a1 = 0 1 0 a1 = a1 . a 0 0 1 a2 a2 2 B2
Ejemplo 5 En
2
0 5 trminos de la base B2 = , . 3 1
2 0 5 = a12 + a22 . 3 3 1
A cada una de estas ecuaciones vectoriales la llevamos a un sistema de dos ecuaciones lineales, as:
5a21 = 1 3a11 1a21 = 1 5a22 = 2 3a12 1a22 = 3
0 3
5 1
1 1
0 3
5 1
2 3
Estos dos sistemas poseen la misma matriz de coeficientes y por tanto podemos formar una sola estructura con la matriz de coeficientes al lado izquierdo y los trminos independientes al lado derecho.
90
0 3
5 1
1 1
2 operaciones elementales 1 3 0
0 1
2 1
5 5
17
5
15 2
1 2 1 B2 3 B2
Luego
25 PB2 B1 = 15 Entonces,
17 2 15
. 5
2 5 17 15 2 (x) B2 = 1 5 2 5 1 13 = . 0
PB2 B1 .
Entonces {x1 , x 2 ,..., x n } es LI si y slo si det A 0. Este teorema se desprende fcilmente del hecho de que los vectores en coordenadas son n-tuplas ordenadas o sea elementos de n , y del teorema 4 del mdulo 4, el cual dice que det A 0 si y slo si las columnas de A son LI.
91
4 + 6 x + 3x 2 + 7 x3 son LD o LI.
2 3 Usando la base estndar de P3 , B1 = {1, x, x , x } , se tiene:
1 0 (1 + x 2 ) B1 = , 1 0 1 3 (1 3 x + 4 x 2 + 5 x 3 ) B1 = , 4 5 2 5 (2 + 5 x 6 x 3 ) B1 = y 0 6 4 6 (4 + 6 x + 3 x 2 + 7 x 3 ) B1 = . 3 7
Entonces
1 1 2 0 3 5 det A = 1 4 0 0 5 6 4 6 0. 3 7
92
Mdulo 7
En los ejercicios siguientes, todas las bases son bases ordenadas. En los ejercicios 1 a 7 calcule el vector coordenado de v con respecto a la base B dada para el espacio vectorial V.
1 0 B = , , 0 1 3 v = . 1
4 v = 1 . 0
1.
V es
2.
V es
1 0 0 B = 0 , 1 , 0 , 0 0 1
3.
V es
1 0 1 2 B = 1 , 1 , 0 , v = 3 . 0 0 2 1
4. 5. 6. 7.
V es P1 ,
V es P2 ,
B = {1 + x, 1 + 2 x} ,
B = {1, x 1, x 2 1} ,
v = 3 + 4 x.
v = 1 + 2x x2 . v = 3 2x + 4x2 .
V es P2 ,
V es M 22 ,
B = {1 x + x 2 ,1 + x,1 + x 2 } ,
1 0 1 1 1 1 1 1 B = , , , 0 0 0 0 1 0 1 1
2 0 v= . 1 3
1 2 1 B1 = , , B2 = 1 2 , 3 1 2
bases para 8.
2
1 1
2 1 , B3 = , , B4 = 2 1 3
2
3 1
1 2 , 3 2
Multiplique las matrices de a y b en ambas formas. Est alguno de estos productos relacionado con la matriz de c? lgebra Lineal vectoriales Captulo 1: Espacios Elemental y Aplicaciones 93
9. 10.
En los ejercicios 11 a 13 calcule el vector v si el vector de coordenadas [ v ]B est dado con respecto a la base B de V.
2 B = , 1 1 , 1 1 ( v) B = . 2
11.
V es
12.
V es P2 ,
B = {1 x, 1, 1 + x + x 2 } ,
1 ( v) B = 1 . 2
2 1 ( v)B = . 1 3
13.
V es P3 ,
B = {1 + x 2 , 2 + 2 x + x 3 , 1 + 2 x x 2 + 3 x 3 , 2 x 2 + 3 x 3 } ,
14.
Determine los vectores de coordenadas de v y w con respecto a la base B2 . Determine la matriz de transicin PB1 B2 de la base B2 en la base B1 . Determine los vectores de coordenadas de v y w con respecto de B1 utilizando PB1 B2 . Determine los vectores de coordenadas de v y w con respecto de S de manera directa. Determine la matriz de transicin PB2 B1 de la base B1 en la base B2 . Determine los vectores de coordenadas de v y w con respecto de B2 utilizando PB2 B1 . Compare las respuestas con las del literal a.
15.
16.
17.
94
18.
19.
Suponga que los ejes x e y en el plano se rotan un ngulo en sentido antihorario generando nuevos ejes x, y. a. b. Determine las coordenadas x, y de los vectores i y j rotados.
cos Demuestre que la matriz de cambio de coordenadas est dada por sen sen . cos
En los ejercicios 20 a 24 determine si el conjunto de vectores dado es LI o LD. 20. 21. 22. 23. 24.
En P2 : 3 + 2 x, 1 x + x 2 , 2 x x 2 . En P2 : 2 + 2 x, 2 x + x + 12 x 2 , x + 4 x 2 .
2 3 0 7 1 0 1 1 En M 22 : , , , . 4 1 9 6 4 2 0 3
En Pn : { p1 , p2 ,..., pn +1 : pi (0) = 0, i = 1,..., n + 1} . En M mn : { A1 , A2 ,..., Amn : la primera componente de cada matriz es cero}.
Captulo 2
Ortogonalidad
En este captulo trabajamos con el producto escalar definido en n para construir bases ortonormales de sus subespacios, las cuales tienen la ventaja de su fcil manejo algebraico. Empleando estas bases desarrollamos el concepto de proyeccin ortogonal de un vector sobre un subespacio, y como una aplicacin importante se presenta el mtodo de aproximacin por mnimos cuadrados. Para hacer una ampliacin de estos temas, tratados en n , a otros espacios vectoriales, introducimos la operacin producto interno. En aquellos espacios vectoriales donde se define producto interno se pueden construir bases ortonormales y proyecciones ortogonales. El producto escalar corresponde al producto interno en
n
98
El matemtico dans Jrgen Pedersen Gram (1850-1916) es conocido por el mtodo de ortogonalizacin, aunque se presume que no fue l quien primero lo utiliz. Aparentemente fue ideado por Pierre Simon de Laplace y utilizado tambin por Augustin Louis Cauchy en 1836. Gram muri arrollado por una bicicleta a la edad de 61 aos. El matemtico alemn Erhard Schmidt (1876-1959) fund el primer instituto de matemticas aplicadas de Berln. Alumno de David Hilbert, Schmidt hizo sus mayores contribuciones en ecuaciones integrales y teora de funciones en el espacio de Hilbert.
.
n
Preguntas bsicas
1. Qu es un conjunto ortogonal? 2. Qu propiedades tienen los conjuntos ortogonales? 3. Cmo se construye una base ortonormal para un subespacio de n ? 4. Cmo se calcula la proyeccin ortogonal de un vector sobre un subespacio? 5. Cmo se encuentra el complemento ortogonal de un subespacio H de
?
n
, como a = p + q con p H y
Introduccin
En
n
99
Captulo 2: Ortogonalidad Hemos podido apreciar lo cmoda que resulta esta base en el manejo algebraico de los vectores de
n
de bases con las caractersticas de la base estndar de n . A estas bases las llamaremos bases ortonormales. Adems veremos el concepto de proyeccin ortogonal de un vector de n sobre un subespacio de ste, concepto que nos ser de gran utilidad cuando se trata de aproximar la solucin de un sistema inconsistente y = Ax de manera que se minimice el error cometido.
100
ui = 1.
Cuando se cumple la condicin 1, se dice que el conjunto es ortogonal. Como los vectores de S son de magnitud unitaria, se dice que son vectores normalizados. De ah que un conjunto que cumpla las dos condiciones se llame ortonormal. Recordemos que si x
n
2 2 x = x x = x12 + x2 + ... + xn .
Si ui = 1, entonces ui ui = 1. Nota: los conceptos de ortogonalidad y magnitud de los vectores de n estn dados en trminos del producto escalar. Es importante, antes de seguir adelante, recordar las propiedades del producto escalar. Ejemplo 1 Sean a = (1, 3, 0) , b = (3, 1, 1) y c = (3, 1, 10) ; entonces {a, b, c} es un conjunto ortogonal en
3
ya que a b = a c = b c = 0.
a = 10 , b = 11 y c = 110 .
Los vectores
u1 = a 1 b 1 c 1 = (1, 3, 0), u 2 = = (3, 1, 1) y u 3 = = (3, 1, 10) a b c 10 11 110
son vectores unitarios en las direcciones de a, b y c, luego {u1 , u 2 , u 3 } es un conjunto ortonormal. Adems, gen {a, b, c} = gen {u1 , u 2 , u3 } .
Captulo 2: Ortogonalidad Teorema 1 Sea S = {u1 , u 2 ,..., u k } un conjunto ortogonal de vectores no nulos de ces S es linealmente independiente. Demostracin Planteamos la ecuacin
c1u1 + c2u 2 + ... + ci ui + ... + ck u k = 0.
n
. Enton-
es linealmente independiente.
ortonormal B = {u1 ,u2 ,..., uk } . La solucin a este problema nos la brinda el siguiente teorema, conocido como proceso de ortonormalizacin de Gram-Schmidt.
Teorema 2 Sea H un subespacio de dimensin k de Demostracin Supongamos que { v1 , v2 ,..., vk } es una base para H.
n
102
Mdulo 8: Bases ortonormales y proyecciones en Paso 1 Construccin de un vector unitario en la direccin de v1, v1 0, ya que
v = v2 proyu1 v2 . 2
proyu1 v 2 =
como u1 = 1,
v = v 2 ( v 2 u1 )u1 . 2
( v 2 u1 ) u1
2
u1 ;
Figura
8.1
Captulo 2: Ortogonalidad
Entonces, {u1 , u 2 } es un conjunto ortonormal. Supongamos que se ha construido {u1 , u 2 ,..., u p } ; p < k un conjunto ortonormal.
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Proyeccin sobre el plano en R 3
Veamos cmo agregar un nuevo vector al conjunto de modo que siga siendo ortonormal. Paso 4 Construccin de un vector ortogonal a {u1 , u 2 ,..., u p } . Sea v p +1 = v p +1 ( v p +1 u1 )u1 ... ( v p +1 u i )u i ... ( v p +1 u p )u p .
v p + 1 se construye quitndole al vector v p+1 sus proyecciones ortogonales sobre
los vectores del conjunto ortonormal construido. Este vector es ortogonal a todos los vectores del conjunto. Vemoslo.
v p +1 u i = v p +1 ui ( v p +1 u1 ) (u1 u i )... ( v p +1 u i ) (ui u i ) ... ( v p +1 u p ) (u p u i )
0 1 0
= 0.
un vector de n . Entonces la proyeccin ortogonal de v sobre H, denotada proyH v, es un vector de H dado por:
proy H v = ( v u1 )u1 + ( v u 2 )u 2 + ... + ( v u k )u k .
Ejemplo 2
x Sea W = y : x y + 2 z = 0 un subespacio en z
3
i.
104
Mdulo 8: Bases ortonormales y proyecciones en ii. Determine una base ortonormal para W.
iii.
2 Si a = 1 1
, determine proyW a.
Solucin
x x y 2z y W y = y = z z z 1 2 y 1 + z 0 . 0 1
i.
1 2 W = gen 1 , 0 . Como los vectores son LI, entonces 0 1 1 2 v1 = 1 , v 2 = 0 es una base para W . dim W = 2. 0 1
A partir de esta base, podemos construir una base ortonormal para W. ii. Designemos {u1 , u 2 } la base ortonormal.
1.
1 v1 1 1 . u1 = = v1 2 0
v = v 2 ( v 2 u1 ) u1 2 2 2 1 2 1 2 1 1 1 = 0 0 . 2 2 = 1 . 1 1 0 0 1
2.
3.
u2 =
1 v 1 2 = 1 . v 3 2 1
. 3 3
3
1 2 1 Base ortonormal de W = 1 2 , 1 1 0
Captulo 2: Ortogonalidad
iii.
proyW a = (a u1 )u1 + (a u 2 )u 2 . 2 1 2 1 2 2 1 1 1 1 = 1 . 2 2 + 1 . 1 0 0 1 1 1 1 3 1 3
3
13 6 5 3 = 6 . 2 3 3
3
Figura 8.2
Los vectores u1 y u 2 forman una base ortonormal para el plano generado por los vectores v1 y v2 (figura 8.2). Calcular las coordenadas de un vector relativas a una base puede ser un problema relativamente difcil; ahora, si la base es ortonormal, esto es bastante sencillo, como se ve en el siguiente teorema. Teorema 3 Sea B = {u1 , u 2 ,..., u n } una base ortonormal de
v = ( v u1 )u1 + ( v u 2 )u 2 + ... + ( v u n )u n .
n
y sea v
. Entonces,
Es decir, el vector v es la suma de las proyecciones ortogonales sobre los vectores de la base ortonormal de
v = proy Rn v.
n
106
Mdulo 8: Bases ortonormales y proyecciones en Multiplicando escalarmente por ui , i = 1,..., n, a ambos lados de la igualdad tenemos:
= ci .
Como esto es vlido para todo i, la demostracin queda completa. Ejemplo 3
2 1 1 2 B = u1 = , 0, , 0, , u2 = , u 3 = (0, 1, 0) 5 5 5 5
Sea
una base
ortonormal para 3 . Expresemos el vector v = (2, 3, 1) como una combinacin lineal de los vectores de B.
v = c1u1 + c2 u 2 + c3u3 tal que : c1 = v u1 = 4 / 5,
c2 = v u 2 = 3 / 5 ,
c3 = v u 3 = 3. (2, 3, 1) = 4 1 2 3 2 1 , 0, , 0, 3(0, 1, 0). 5 5 5 5 5 5
El siguiente teorema establece la unicidad de la proyeccin ortogonal de v sobre el subespacio H. Teorema 4 Sean H un subespacio de
n
y v en
= ( v t1 )t1 + ( v t 2 )t 2 + ... + ( v t m )t m .
. Un vector u en
es ortogonal a H si es ortogonal
n
y se denota H .
H = {u
: u h = 0 , para todo h H } .
}.
W est formado por todos los vectores ortogonales a (1, 2, 3); se puede mostrar
que W es el plano que pasa por el origen con vector normal (1, 2, 3). Teorema 5 Sea H un subespacio de a. b. c.
n
; entonces
n
H es un subespacio de
H H = {0} .
dim H = n dim H .
Demostracin a.
H , (0, 0,..., 0) H ya que h H (0, 0,..., 0) h = 0.
Sean x1 , x 2 H , x1 h = 0 y x 2 h = 0, h H . Luego
(x1 + x 2 ) h = x1 h + x 2 h = 0 + 0 = 0.
Ahora,
x1 h = (x1 h) = 0 = 0,
lo que prueba que H es un subespacio de b.
n
y, por tanto,
108
Mdulo 8: Bases ortonormales y proyecciones en el proceso de Gram-Schmidt, B se puede transformar en una base ortonormal de
n
y v
donde p = proy H v y q = proy H v. Ejemplo 5 En el plano del ejemplo 2, determinamos la base ortonormal
1 2 1 B = 1 2 , 1 1 0 3 3
3
p = proyW a y q = proyW a,
lgebra Lineal Elemental y Aplicaciones 109
Captulo 2: Ortogonalidad
a = p + q q = a p = a proyW a, 2 13 6 1 6 q = 1 5 6 = 1 6 = proyW a, 1 2 3 3 3 x W = y : x y + 2 z = 0 . z
dim W = 2; como dim W + dim W = 3, entonces dim W = 1 . Luego el vector
q q puede ser una base para W y q una base ortonormal para W.
q=
entonces
1 6
1 6 1 q = 6 16 = 1 q 1 2 3
. 6 6
6
1 Base ortonormal de W = 1 2
. 6 6
6
. 6 6
Teorema 7: Teorema de aproximacin de la norma Sea H un subespacio de cuando h = proy H v . Demostracin Sea h un vector cualquiera de H. Entonces
v h = ( v proy H v) + (proy H v h).
n
, el vector de H
110
= v proy H v + proy H v h .
2 2
.
n
. Entonces
ab a b .
a b = a b si y slo si a = 0 o b = a para algn real .
Captulo 2: Ortogonalidad Demostracin i. Tomemos dos vectores a y b de n tales que uno no es mltiplo escalar del otro, o sea que estn sobre rectas en distintas direcciones (figura 8.3).
a b La proyeccin ortogonal de b sobre a est dada por proy b a = 2 a . a
Figura
8.3
La distancia (al cuadrado) del punto b a la recta que lleva la direccin de a es:
a b 2(a b) 2 a b 2 2 b 2 a = b + 2 a 2 a a a
b a (a b) 2
2 2
Como esta distancia es mayor que cero, entonces el numerador en la expresin anterior debe ser positivo, luego
b a (a b ) 2 > 0,
2 2
b a > (a b)2 .
2 2
b a > ab .
Cuando a y b tienen la misma direccin, o sea que b = a para algn escalar , la distancia calculada ser igual a cero y por tanto se tendr que
ab = a b .
Luego, en general, tenemos que a b a b .
112
Mdulo 8
1. Verifique que las siguientes son bases ortogonales para a. b. 2.
3
{(0, 0, 1), (1, 1, 0), (1, 1, 0)} . {(0, 1, 1), (1, 1 2, 1 2), (1, 1, 1)} .
3
Utilice el proceso de Gram-Schmidt para transformar la base de un subespacio de una base ortonormal.
3. 4.
Igual que en el ejercicio 2, con la base {(1, 1, 0), (2, 0, 1)} . Utilice el proceso de Gram-Schmidt para determinar una base ortonormal para el subespacio de
4
con base
. Escriba el vector
6.
Sea W el subespacio de
p + q con p W y q W .
7.
Determine la distancia del punto (2, 3, 1) al plano 3x 2 y + z = 0. (Sugerencia: encuentre la proyeccin ortogonal de (2, 3, 1) sobre el plano.)
8.
Construya una base ortonormal para el espacio solucin del sistema homogneo:
x + 3 y 5z = 0 2x y + z = 0 3x + 2 y 4 z = 0
9.
En los ejercicios 10 a 12 se dan un subespacio H y un vector v. a. b. c. Calcule proyH v. Encuentre una base ortonormal para H . Escriba v = p + q con p H y q H .
3 : 2 x y = 0 ; v = . 5
3 : 3x 2 y + 6 z = 0 ; v = 1 . 4
10.
x H = y
x H = y z
11.
12.
x y H = z w
1 1 4 : x = 2 y, w = y ; v = . 2 3
n
13. 14.
Si a y b son vectores de
114
Preguntas bsicas
1. En qu consiste el mtodo de aproximacin por mnimos cuadrados? 2. Cundo se aplica este mtodo? 3. Por qu cuando se da y = Ax, decimos que y C A ? 4. Por qu el vector x que minimiza el error cometido es tal que Ax es igual a la proyeccin ortogonal de y sobre C A ? 5. Cmo se determina el error cometido en el clculo?
Introduccin
Muchos experimentos relacionados con ciencias fsicas, biolgicas o sociales se proponen encontrar la relacin existente entre las variables presentes en un determinado fenmeno por medio de una ley matemtica. En estos procesos se trata de ajustar una curva a los diversos puntos obtenidos experimentalmente. En general, el resultado obtenido es un sistema de ecuaciones Ax = y inconsistente. El problema entonces es encontrar un x en R n tal que Ax sea tan cercano a y como sea posible.
Captulo 2: Ortogonalidad
Figura
9.1
La grfica ilustra la ubicacin de algunos puntos obtenidos del experimento y sus distancias (errores i ) a los respectivos puntos sobre la recta y = b + mx . El problema puede plantearse as: encontrar m y b de la recta tal que el error cometido sea mnimo. Una forma de minimizar los errores es hacer mnima la suma de los cuadrados de los
2 2 errores (12 + 2 + ... + n ) .
1 = y1 (b + mx1 ) 2 = y2 (b + mx2 )
. . . . n = yn (b + mxn ).
Desarrollaremos un mtodo matricial para encontrar esta aproximacin de mnimos cuadrados. Si los puntos ( x1 , y1 ), ( x2 , y2 ),..., ( xn , yn ) estuvieran sobre la recta y = b + mx , se cumplira que:
y1 = (b + mx1 ) y2 = (b + mx2 ) yn = (b + mxn ) o Y = AX
116
y1 y2 con Y = , yn
1 1 A= 1
x1 x2 xn
b y X = . m
Si los puntos no estn todos sobre la recta, el sistema Y = AX es inconsistente, es decir, Y AX 0 , y el problema ser: encontrar un vector X tal que Y AX sea mnima.
( Y AX) es un vector de R n cuyas componentes son los errores cometidos en la obtencin de los n datos experimentales.
1 Y AX = 2 , n
2 2 Y AX = 12 + 2 + ... + n .
Si Y = AX , entonces Y es una combinacin lineal de las columnas de A, o sea que Y CA ; como Y = AX es inconsistente, Y C A . Por el teorema de aproximacin de la norma en R n , Y AX es mnimo cuando
AX = proyCA Y.
Sea X el vector, tal que AX = proyCA Y. Podemos hacer una representacin geomtrica en R 3 . El espacio columna de A, CA, puede ser un plano o una recta que pasa por el origen. Representemos C A como un plano que pasa por el origen (figura 9.2).
Captulo 2: Ortogonalidad
Figura
9.2
X R 2 .
Esta ecuacin matricial representa dos ecuaciones con dos incgnitas, que frecuentemente se denominan ecuaciones normales. Si AT A es invertible (se puede demostrar que esto sucede cuando los n datos no son colineales), X tiene solucin nica dada por:
X = ( AT A) 1 AT Y.
Ejemplo 1 Encuentre la recta que da el mejor ajuste para los datos (2, 1), (3, 2), (4, 3), (5, 2). En este caso:
1 1 A= 1 1 2 1 3 , Y = 2 , 3 4 5 2
b X= m
AT AX = AT Y
118
4 14 b 8 14 54 m = 30 4 14 8 operaciones elementales 1 0 14 54 30 0 1
3 2 Ecuacin de la recta: y = + x. 5 5
. 2 5
3 5
Figura 9.3
en el sentido de mnimos cuadrados a n datos ( x1 , y1 ), ( x2 , y2 ),..., ( xn , yn ), el procedimiento que se debe seguir es exactamente anlogo al mtodo desarrollado
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Crecimiento de poblacin
Figura
9.4
y1 = a + bx1 + cx12
2 y2 = a + bx2 + cx2
o yn = a + bxn + cx
con
y1 y Y = 2 , yn 1 1 A= 1 x1 x2 xn
2 n
Y = AX
x12 2 x2 2 xn
a X = b . c
Como los puntos no satisfacen las ecuaciones, el sistema Y AX es inconsistente y, por tanto, el problema ser encontrar un vector X en R3 tal que Y AX tenga un valor mnimo; luego AX = proyC A Y. Si llamamos X el vector minimizador, entonces
AT Y = AT AX.
Ejemplo 2 El mtodo de ajuste cuadrtico se puede usar para hacer estimaciones de las constantes fsicas. Vemoslo:
120
Mdulo 9: Mtodo de aproximacin por mnimos cuadrados Un cubito se desliza sin friccin sobre el plano inclinado de la figura 9.5 y partiendo del punto 0.
Figura
9.5
Su ley de movimiento est dada por: x(t ) = v0 t + Se tienen las siguientes mediciones:
g 2 t . 4
t = 1s t = 2s t = 3s t = 4s
A partir de estos datos podemos hacer estimaciones para los valores de v0 y g y adems calcular el error cometido. Sean
1 1 4 A = 2 9 , 3 4 16
X = v0 . g
4
( )
Captulo 2: Ortogonalidad
X = 9.96 = v0 . g 2.46 4 g 9.84 m/s 2 . El error cometido est dado por Y AX . 1 1 12.42 4 29.76 AX = 2 9 9.96 = 52.02 . 3 16 2.46 79.2 4 29.8 29.76 = 52.0 52.02 = 0.04 = (0.02) 2 + (0.04) 2 + (0.02) + (0.01) 2 0.02 79.21 79.2 0.01 12.4 12.42 0.02
( ) ( )
= 0.05.
122
Mdulo 9
En los ejercicios 1 a 4 determine la recta de mnimos cuadrados para los datos dados. 1. 2. 3. 4.
(2, 1), (3, 2), (4, 3), (5, 2). (1, 4), (2, 5), (3, 1), (4, 1). (2, 2), (1, 0), (0, 2), (1, 0). (0, 2), (1, 2), (2, 0).
En los ejercicios 5 y 6 determine el polinomio cuadrtico de mnimos cuadrados para los puntos dados. 5. 6.
(7, 3), (2, 8), (1, 5). (0, 3.2), (0.5, 1.6), (1, 2), (2, 0.4), (2.5, 0.8), (3, 1.6), (4, 0.3), (5, 2.2).
1 2 3 1 2 e y = 1 . Sean A = 0 3 4 2 5 2
7.
a. b. 8. 9.
Encuentre una solucin por mnimos cuadrados de Ax = y. Calcule el error de mnimos cuadrados asociado a la solucin encontrada en a.
Encuentre el mejor ajuste cuadrtico para los datos del ejemplo 2. Qu tipo de ajuste ocasiona el menor error? Se tienen dos magnitudes relacionadas cuadrticamente x e y, es decir, existen constantes a, b y c tales que y = a + bx + cx 2 . En las mediciones experimentales de estas magnitudes se obtuvieron los siguientes datos:
x y
0 3.2
4 5 0.3 2.2
124
10
Preguntas bsicas
1. Qu es un producto interno? 2. Por qu es importante definir un producto interno en un espacio vectorial? 3. Cmo se construye una base ortonormal en un subespacio vectorial con producto interno?
Introduccin
En el mdulo 8 vimos cmo los conceptos de ortogonalidad, base ortonormal y proyecciones en n se construyen con base en el producto escalar. En esta seccin se har una generalizacin de estos conceptos a otros espacios vectoriales, para lo cual es necesario definir una operacin en ellos llamada producto interno. Se podr comprobar que el producto escalar corresponde al producto interno en
n
Captulo 2: Ortogonalidad
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Espacios con producto interno
Del espacio vectorial V se dice que es un espacio con producto interno. Nota: en las condiciones v y vii la barra indica conjugacin compleja. Si (x, y ) es un nmero real, ( x, y ) = (x, y ) . Ejemplo 1 En
n
x y = x y = (x y ).
Las propiedades i a iv del producto escalar corresponden a las propiedades del producto interno.
126
Mdulo 10: Espacios con producto interno La propiedad v del producto escalar se convierte en propiedad conmutativa ya que
( y x ) = (y x) debido a que el producto escalar es un nmero real.
Del mismo modo la propiedad vii del producto interno queda integrada con la propiedad vi ya que los escalares son nmeros reales y (x y ) = (x y ) . Ejemplo 2 En
n
= x1 + x2 + ... + x j + ... + xn 0.
2
ii.
(x , x) = 0 x = 0.
Las condiciones iii y iv se deducen del hecho de que z1 ( z2 + z3 ) = z1 z2 + z1 z3 para cualesquier nmeros complejos z1 , z2 , z3 . Veamos la condicin v.
( f , g) =
b a
f (t ) g (t ) dt.
(f, f) =
b a
b a
h(t ) dt 0. Ahora, si
b a
h(t ) dt = 0, entonces
h = 0 sobre [a, b] . Con esto se prueban i y ii. Las propiedades de las integrales definidas permiten deducir iii a vii. En este espacio trabajamos con escalares reales, luego las propiedades se dan en la misma forma que cuando se trabaja con el producto escalar.
Ejemplo 5 En
2
128
Entonces
( f , g) = =
1 0 1 0
(t 2 + 3)(2t 2 t ) dt (2t 4 t 3 + 6t 2 3t ) dt
1
= 2
t5 t 4 t3 t2 13 +6 3 = . 5 4 3 2 0 20
ii.
Ejemplo 7 En
2
, sea x = (2 + i, 1 + 3i ). Calculemos x .
x = ( x, x) ,
Ejemplo 8 En
(sen t , cos t ) =
sen t cos t dt =
1 2 cos 2t 0 sen 2t dt = 4 2
= 0.
0
cos t =
2 (1 + cos 2t ) dt = 2 0
2 1 sen 2t = t + 2 2 0
Los teoremas dados en el mdulo 8 para vectorial con producto interno. Definicin 3
{u1 , u 2 ,..., uk } V .
{u1 , u2 ,..., uk }
i. ii.
(u i , u j ) = 0 para i j.
ui = 1.
un subespacio de C [1, 1] y por tanto emplearemos el producto interno definido en funciones continuas. Sea u1 =
1 . 1
1 =
(1, 1) =
( 1 dx )
1 2 1
= ( x 1 )
1
= 2
2.
130
u1 =
1 2
1 1 v = v 2 ( v 2 , u1 )u1 = x x, . 2 2 2
1 x, = 2
v = x. 2 x , u2 = x = 3 x. 2
1 1
1 x2 x dx = = 0. 2 2 2 1 1
x =
( x, x ) =
1 1
x dx
x3 1 = 3 1
2 . 3
v = v 3 ( v 3 , u1 )u1 ( v 3 , u 2 )u 2 3 1 1 3 3 = x2 x2 , x2 , x x. 2 2 2 2
2 1 x , = 2 2 x , 3 x = 2
1 1
x2 .
2
1 2
dx =
1 x3 = 2 3 1
1
2 , 3
1 1
3 x dx = 2
3 x4 = 0. 2 4 1
Luego
v = x 2 3 2 1 1 = x2 . 3 2 3
1 2
2 3 5 2 1 3 5 ( 3x 1) u3 = = x = 3 3 8 8
1 2 1 2 1 = x v3 = x dx 3 3 1
2
8 3 5 5 8
(3 x 2 1).
Captulo 2: Ortogonalidad
proy H v ya que sta no est definida debido a que H tiene dimensin infinita.
iii.
El teorema de aproximacin de la norma debe tener la restriccin de que H sea de dimensin finita para poder construir proy H v como la mejor aproximacin del vector v de V al subespacio H.
Ejemplo 11
2 Sea H P3 [0, 1] tal que H = gen {1, x } .
Encontremos una base para H . Sea p ( x ) = a0 + a1 x + a2 x 2 + a3 x 3 un elemento de H . Como p ( x) debe ser ortogonal a los vectores de la base de H, entonces
( p ( x ), 1) = 0 y ( p ( x ), x 2 ) = 0.
132
1 0
(a0 + a1 x + a2 x 2 + a3 x 3 ) dx
1
x2 x3 x4 = a0 x + a1 + a2 + a3 2 3 4 0 = a0 + a1 a2 a3 + + = 0. 2 3 4
(1)
( p( x), x 2 ) =
1 0
(a0 x 2 + a1 x3 + a2 x 4 + a3 x5 ) dx x3 x4 x5 x6 + a1 + a2 + a3 3 4 5 6 0
1
= a0 =
a0 a1 a2 a3 + + + = 0. 3 4 5 6
(2)
Debemos resolver simultneamente las ecuaciones (1) y (2) para determinar la base de H .
a1 a2 a3 + + = 0, 2 3 4 a0 a1 a2 a3 + + + = 0. 3 4 5 6
operaciones elementales 1 0 0 1 6
4 1 16 1 4 . 1
a0 +
1 1 3
1 1
2 4
1 1
3 5
1 1
15
Luego a0 =
1 1 16 base para H = x + x 2 , x + x3 . 4 5 15
134
Mdulo 10
1. En
2
x y , si x = 1 , y = 1 , sea ( x, y ) = 2 x1 y1 + 2 x2 y2 . x2 y2
3.
Considere una forma de normar el ascenso a una montaa. Los ndices de dificultad son como se muestra: Categora 1 2 3 ngulo de ascenso
0 < 10 10 < 25 25 < 45
ndice de dificultad 1 2 4
Una norma de dificultad para un viaje de x1 millas en la categora 1, x2 millas en la categora 2 y x3 millas en la categora
2 2 2 3 es ( x1 , x2 , x3 ) = x1 + 2 x2 + 4 x3 , la cual se genera mediante el producto interno
(( x1 , x2 , x3 ), ( y1 , y2 , y3 )) = x1 y1 + 2 x2 y2 + 4 x3 y3 .
Categora 1 3 0 5
Categora 2 2 6 0
Categora 3 1 0 1
(en millas)
4.
Captulo 2: Ortogonalidad
5. 6. 7. 8.
Encuentre una base ortonormal para Dn . Encuentre una base ortonormal para P2 [0, 1] . En
2
Si A = ( aij ) es una matriz real de n n, la traza de A, que se escribe tr A, es la suma de los componentes de la diagonal de A : tr A = a11 + a22 + ... + ann . En M nn se define ( A, B) = tr ( ABt ) . Demuestre que con esta operacin M nn es un espacio con producto interno.
9. 10.
Encuentre una base ortonormal para M 22 . En P3 [0, 1], sea W el subespacio de P3 con base B = { x, x 2 } . Determine una base ortonormal para W.
136
Captulo 3
Transformaciones lineales
Mdulo 11 Definiciones, ejemplos y lgebra de las transformaciones lineales Ejercicios Mdulo 11 Mdulo 12 Propiedades de las transformaciones lineales. Ncleo e imagen Ejercicios Mdulo 12 Mdulo 13 El problema de la representacin matricial de las transformaciones lineales El concepto de funcin es uno de los ms importantes en matemticas. En particular, uno de los objetos principales del lgebra lineal es el anlisis de las funciones lineales definidas entre espacios vectoriales de dimensin finita. Estas funciones reciben el nombre de transformaciones lineales y son de gran aplicacin en mltiples problemas de las ciencias fsicas, naturales y sociales y en economa. Nuestros ejemplos principales van a ser funciones de das con matrices.
n
Un caricaturista emplea computadores y lgebra lineal para transformar la imagen y dar la sensacin de movimiento a la figura que dibuja. En la figura, la imagen de la izquierda se trasforma en la de la derecha, haciendo una transformacin que consiste en multiplicar cada punto (vector) de la figura inicial por una matriz A: (T ( x ) = Ax ).
Ejercicios Mdulo 13 Mdulo 14 Isomorfismos o transformaciones lineales invertibles Ejercicios Mdulo 14 Mdulo 15 Isometras Ejercicios Mdulo 15
en
Como resultado fundamental del captulo vamos a asociar a cada transformacin lineal definida entre espacios vectoriales de dimensin finita una matriz de transformacin; este hecho lo hemos destacado como el tercer problema bsico del lgebra lineal. La asociacin de las transformaciones lineales con sus respectivas matrices de transformacin nos permite estudiar estas funciones a travs del lgebra matricial.
138
11
Preguntas bsicas
1. Qu es una transformacin lineal? 2. Toda funcin lineal es una transformacin lineal? 3. Cualquier transformacin T : R n R m tal que T ( x) = Ax es lineal? 4. Cmo se suman transformaciones lineales? 5. Cmo se realiza la operacin producto por escalar con transformaciones lineales? 6. Son las operaciones de suma y producto por un escalar cerradas en el conjunto de transformaciones de V en W? 7. Cmo se realiza la composicin de transformaciones lineales?
Introduccin
De los cursos anteriores de matemticas sabemos que una funcin f consta de dos conjuntos A y B y una regla f ( x) que asigna a cada elemento de A un nico elemento de B. El conjunto A se llama dominio de f y B codominio de f . Escribimos
f : A B para indicar que f es una funcin del conjunto A en el conjunto B.
Por lo general, se ha trabajado con funciones donde el dominio es el conjunto de nmeros reales y el codominio es algn subconjunto de . Un tipo especial de estas funciones son las llamadas funciones lineales , ya que la grfica de la funcin es una lnea recta.
Captulo 3: Transformaciones lineales Queremos destacar dos propiedades que poseen algunas funciones lineales, las rectas que pasan por el origen, esto es, f : pendiente de la recta. Veamos que: 1. 2.
, f ( x) = mx, donde m es la
Es decir, la funcin f transforma sumas en sumas y productos por escalares en productos por escalares. Geomtricamente esto se ve en la siguiente figura:
Nos proponemos hacer una generalizacin algebraica de este tipo de funciones, donde tanto el dominio como el codominio son espacios vectoriales. A estas funciones las llamamos transformaciones lineales. Mostraremos adems que el conjunto de las transformaciones lineales de un espacio vectorial V en un espacio vectorial W es cerrado a la suma y al producto por un escalar. Es decir, el conjunto de transformaciones lineales de V en W tiene estructura de espacio vectorial.
140
b.
Para todo x V y
T ( x) = T (x).
(o )
A las transformaciones lineales tambin se les llama operadores lineales. Una transformacin lineal es, entonces, una funcin entre dos espacios vectoriales que preserva las operaciones de espacio vectorial. Es decir, la imagen de la suma de dos vectores del dominio es la suma de las imgenes de cada uno de los vectores y la imagen del producto de un vector del dominio por un escalar es el producto de la imagen del vector por el escalar. Grficamente es como se representa en la figura 11.1.
Ejemplo 1 La funcin f : , tal que f (x) = mx analizada en la introduccin, es una transformacin lineal.
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Grfica de una transformacin lineal
Captulo 3: Transformaciones lineales Ejemplo 2 Sea T : tal que T (x) = mx + b, donde m y b son nmeros reales y b 0. Demostremos que T no es una transformacin lineal. Solucin Veamos si se cumple el primer requisito:
T ( x + y ) = m ( x + y ) + b = mx + my + b. T (x) + T ( y ) = ( m x + b) + ( my + b) = mx + my + 2b.
(1) (2)
Podemos observar que (1) (2) y, por tanto, no se verifica la condicin a de la definicin. En consecuencia, T no es lineal. Las funciones correspondientes a los ejemplos 1 y 2 son lneas rectas. Sin embargo, la recta dada en el ejemplo 2 no es una transformacin lineal; la diferencia entre ellas es el trmino constante; en el ejemplo 1, donde el b es cero, hay linealidad; si b 0 como en el ejemplo 2, no hay linealidad. En conclusin, las nicas rectas que representan transformaciones lineales son las rectas que pasan por el origen. Ejemplo 3 Sea A una matriz m n y T : T es lineal. a. b.
n
Ms adelante veremos que no slo T ( x ) = Ax es una transformacin lineal, sino que toda transformacin lineal entre espacios vectoriales de dimensin finita se puede representar mediante una matriz. Ejemplo 4
3 2 1 Sea A = , T : 1 0 2
tal que
x 3 T y = 1 z
2 0
142
Figura 11.2
x Sea v = un vector en el plano xy. Supongamos que v se gira un ngulo en y x sentido antihorario. Sea v ' = el vector rotado, el cual no cambia su magnitud al y
x = r cos , y = r sen ,
r cos ( + ) x = = = v. r sen ( + ) y
Captulo 3: Transformaciones lineales Ejemplo 6 Un fabricante produce tres artculos diferentes para lo cual requiere dos materias primas. La tabla 11.1 nos muestra el nmero de unidades de cada materia prima que se requieren para la elaboracin de cada artculo.
Tabla 11.1
Si se necesita producir cierta cantidad de los artculos A1, A2, A3 debemos preguntarnos: cuntas unidades de las materias primas M1 y M2 se requieren?
a1 2 1 2 m1 1 2 3 a2 = m , 2 a3
o tambin Ap = m. La funcin inducida por A es tal que dado un vector de produccin p, lo transforma en un vector de materia prima m. As que m = T (p). La ecuacin matricial planteada tiene la forma Ax = b, que es la expresin matricial de un sistema de ecuaciones lineales, donde A es una matriz m n, x n y b m . Cuando se trata de resolver el sistema de ecuaciones lineales, debe hallarse x conocidos A y b. En el ejemplo, el enfoque es diferente; ac la ecuacin Ax = b dice: si se tiene un x de
n
podemos encontar b
144
Mdulo 11: Definiciones, ejemplos y lgebra de las transformaciones lineales Ejemplo 7 Sea D : Pn Pn 1 tal que para f Pn , D ( f ) = f . Como ( f + g ) = f + g y
( f ) = f , ya que f y g son funciones polinmicas, las cuales son diferenciables,
entonces D es una transformacin lineal y se llama operador diferencial. Ejemplo 8 Sea L : C[a, b]
C[a, b] : a.
definida por L ( f ) =
b a
b a
( f + g )( x) dx =
b a
( f ( x) + g ( x)) dx =
b a
f ( x) dx + g ( x) dx
a
L( f + g ) = L( f ) + L( g ).
b.
b a
( f )( x) dx =
b a
( f ( x)) dx = f ( x) dx
b a
L ( f ) = L( f ).
Por tanto, L es lineal y se llama operador integral. Ejemplo 9 Sean V y W espacios vectoriales y T : V W una transformacin tal que T ( v ) = 0 para todo v que pertenece a V. Entonces
T ( v1 + v 2 ) = 0 = 0 + 0 = T ( v1 ) + T ( v 2 ) y T ( v ) = 0 = 0 = T ( v).
Luego la transformacin es lineal y se llama transformacin cero. Ejemplo 10 Sea V un espacio vectorial. Definamos I : V V una transformacin tal que
I ( v ) = v para todo v en V. Es evidente que esta transformacin es lineal y se denomina transformacin identidad u operador identidad.
i.
1 0 a + e b + f 1 0 a b e f = = + g h 1 2 c + g d + h 1 2 c d 1 0 a b 1 0 e = + 1 2 g 1 2 c d a b e f =T + T g h . c d a b a b 1 0 a T = T c d = 1 2 c c d 1 0 a b 1 = c d = 1 1 2 a b = T . c d
f h
ii.
b d
0 a b 2 c d
146
Mdulo 11: Definiciones, ejemplos y lgebra de las transformaciones lineales Teorema 1 Sean T1 y T2 transformaciones lineales entre los espacios vectoriales V y W; entonces, T1 + T2 y T1 son transformaciones lineales de V en W. Demostracin Sean v1 , v 2 V y sean 1 y 2 . Entonces
(T1 + T2 )( v1 + v 2 ) = T1 ( v1 + v 2 ) + T2 ( v1 + v 2 ) = T1 ( v1 ) + T1 ( v 2 ) + T2 ( v1 ) + T2 ( v 2 ) = (T1 ( v1 ) + T2 ( v1 )) + (T1 ( v 2 ) + T2 ( v 2 )) = (T1 + T2 )( v1 ) + (T1 + T2 )( v 2 ).
Luego T1 + T2 es una transformacin lineal. La demostracin de que T1 es una transformacin lineal se deja como ejercicio.
Figura
11.3
Captulo 3: Transformaciones lineales Teorema 2 Sean U, V, W espacios vectoriales, T2 : U V y T1 : V W transformaciones lineales; entonces, la transformacin T1 o T2 : U W es una transformacin lineal. Demostracin
De i y ii concluimos que T1 o T2 es una transformacin lineal. La composicin T o T suele escribirse T2. En forma semejante, se escribe T3 en vez de T 2 o T . Tambin se define T 1 como T y T 0 como I, la transformacin identidad. Ejemplo 13 Sean T1 : P2 P1 definida por T1 (a + bx + cx 2 ) = b + cx, T2 : P2 P1 definida por T2 ( a + bx + cx 2 ) = c ax. Evale T1 + T2 y 5T1 .
148
Mdulo 11: Definiciones, ejemplos y lgebra de las transformaciones lineales Ejemplo 14 Sean T2 :
2
y T1 :
x+ y x T2 = x y y 2x
x y x x+ y T1 y = . x+ z z 2z
2 x Determine T1 o T2 , T1 o T2 . 4 y
8 6 2 4 2 T1 o T2 = T1 T2 = T1 2 = 10 4 4 4 8
x+ yx+ y x+ y x x x+ y+ x y T1 o T2 = T1 T2 = T1 x y = x + y + 2x y y 2x 4x 2y 2x = . 3x + y 4x
Mdulo 11
En los ejercicios 1 a 4 determine cules de las siguientes transformaciones T : 1. 2. 3. 4.
T ( x, y) = 3x + y.
T ( x, y ) = x 2 y.
2
son lineales.
T ( x, y) = y. T ( x, y) = 2.
2
son lineales.
T ( x, y) = ( xy, x + y).
En los ejercicios 9 a 11 determine cules de las siguientes transformaciones T : P P son lineales. 2 3 9. 10. 11.
T (a0 + a1 x + a2 x 2 ) = a0 + a1 x 2 + a2 x3 . T (a0 + a1 x + a2 x 2 ) = (a0 + a1 ) x (2a1 + a2 ) x 3 .
12.
dada por T ( A) = a11 + a22 + ... + ann . dada por T ( A ) = a11 a 22 ... a nn . dada por T ( A) = det A. dada por T ( x1 , x2 ,..., xn ) = a1 x1 + a2 x2 + ... + an xn , con a1, a2 ,..., an constantes dadas.
T:
dada por T ( f ( x)) = f ( x 1). dada por T ( f ( x)) = f ( x) + 1. dada por T ( f ) = f (1).
2
En los ejercicios 21 y 22 se describe geomtricamente una transformacin T : macin y muestre que es lineal. 21.
Figura 1
Figura 2
22.
Figura 3
Figura 4
23.
Sea B una matriz cuadrada de orden n. Considere la transformacin T : M nn M nn dada por T ( A) = AB BA (B es una matriz fija de orden n). Demuestre que T es una transformacin lineal. Si T : V W es una transformacin lineal, demuestre que T tambin es una transformacin lineal de V en W. Sean T1 y T2 transformaciones lineales de a. b.
(T1 + T2 )(x). (T1 T2 )(x).
n
24. 25.
26.
en
dadas por:
x x y + z T1 y = x+ y z
Calcule T1 + T2 , 4T1.
x x + y T2 y = . 2x y z z
27.
Sean T1 :
x x y + z tal que T y = y T2 : x + 2z z
x+ y x tal que T2 = x 4 y . y x y
152
12
Preguntas bsicas
Sea T : V W una transformacin lineal: 1. Cmo se transforma el cero de V? 2. Cmo se calcula la transformacin de una combinacin lineal de vectores de V? 3. Si {v1, v2 ,..., vn} es una base de V, cmo se calcula T ( v) para cualquier v V ? 4. Cmo se determina el ncleo de T? 5. Cmo se determina la imagen de T? 6. Qu son la nulidad y el rango en una transformacin lineal?
Introduccin
Cuando establecemos una funcin entre dos conjuntos nos interesa saber qu caractersticas particulares tiene, cules son los ceros de la funcin y cul es el conjunto de valores que ella toma. En esta seccin estudiaremos estas propiedades para las transformaciones lineales.
{1 , 2 ,..., n }
Demostracin a. b.
mentos de V, respectivamente.
c.
Razonemos por induccin sobre n: Si n = 2, T (1 v1 + 2 v 2 ) = T (1 v1 ) + T ( 2 v 2 ) = 1 T ( v1 ) + 2 T ( v 2 ). Supongamos que la proposicin se cumple para n = k y veamos que se verifica para n = k + 1.
T (1 v1 + 2 v 2 + ... + k v k + k +1 v k +1 ) = T ((1 v1 + 2 v 2 + ... + k v k ) + k +1 v k +1 ) = T (1 v1 + 2 v 2 + ... + k v k ) + T ( k +1 v k +1 ) =
1 T ( v1 ) + 2 T ( v 2 ) + ... + k T ( v k ) + k +1 T ( v k +1 ),
aplicando la suposicin establecida y el hecho de que la transformacin es lineal. Observacin Es importante notar que en la parte a del teorema anterior, el cero del lado izquierdo de la igualdad es el cero de V y el del lado derecho es el de W. Adems la parte c del teorema es una generalizacin de las partes a y b. En general, cuando se define una funcin de V en W, sta se especifica mediante una regla que asigna a cada elemento de V un nico elemento de W, ya que sera imposible decir para cada uno de los elementos de V cul es el asignado en W debido a que se trata de la asignacin de una infinidad de elementos. Sin embargo, cuando se trata de una transformacin lineal, es posible saber cmo est definida T en todo el espacio vectorial V, conociendo lo que hace T a una base de V. As que en un espacio de dimensin finita, es posible describir T proporcionando slo las imgenes de un conjunto finito de vectores.
154
Mdulo 12: Propiedades de las transformaciones lineales. Ncleo e imagen Teorema 2 Sea T : V W una transformacin lineal de un espacio vectorial V de dimensin n en un espacio vectorial W. Sea B = { v1 , v1 ,..., vn } una base para V; entonces, para
v V, T (v) est completamente determinada por { T ( v1 ), T (v2 ),..., T (vn )} .
Ejemplo 1 Sea T :
2
1 0 1 2 T = 0 y T = 2 . 2 2 1 1
1 2 2 , luego la transformacin est Los vectores 2 y 1 forman una base de completamente determinada en todo el espacio vectorial.
x Veamos cmo est dada T . y
x 1 2 1 2 = C1 + C2 ; y 2 1 2 1 = 2y x 1 2x y 2 + . 3 2 3 1
1 x operaciones elementales 0 y
0 1
2y x 3 2x y 3
x 2 y x 1 2x y 2 T = T + T y 3 2 3 1 1 0 2 y x 2x y 1 = 0 + 2 = 3 3 3 2 1
x 2y 4x 2 y . 4 x + 5 y
2 0 1 T = 2 . 1 3 5
Teorema 3 Sea V un espacio vectorial de dimensin finita con base B = { v 1 , v 2 , ..., v n } y sean w1 , w2 ,..., wn n vectores en un espacio vectorial W. Entonces existe una nica transformacin lineal T : V W tal que T (vi ) = wi para i = 1, 2, ..., n. La demostracin de este teorema se deja como ejercicio.
Ahora, T ( x) = T (x) = 0 = 0. Por tanto, x nu T . En consecuencia, nu T es un subespacio de V. b. Sean w1 y w2 elementos de imagen T, luego existen v1 y v2 elementos de V tales que T (v1) = w1 y T (v2) = w2; entonces, T (v1 + v2 ) = T (v1) + T (v2) = w1 + w2.
156
Mdulo 12: Propiedades de las transformaciones lineales. Ncleo e imagen Por tanto, (w1 + w2 ) imagen T. Adems, w1 = T ( v1 ) = T ( v1 ), es decir, w1 imagen T y, en consecuencia, imagen T es un subespacio de W.
Figura
12.1
Definicin 2 Sea T una transfomacin lineal de V en W; entonces: a. b. La dimensin del ncleo de T, denotada (T ) , se denomina nulidad de T. La dimensin de la imagen T, denotada (T ) , se denomina rango de T.
Ejemplo 2 Sea T :
3
dada por:
x x + 2y + z T y = . z x + 3y + z
Determine nu T, imagen T, (T ) y (T ). Solucin Para hallar el conjunto de vectores (x, y, z) de debemos resolver el sistema homogneo
3
La dimensin de nu T es 1; (T ) = 1 .
a Sea b
2
a x + 2y + z = b x + 3y + z 1 a operaciones elementales b 0 0 1
1 5
1 1
2 3
1 1
3a 2b 5 a+b 5
x=
3a 2b 1 z 5 5 a+b 2 y= z 5 5 z=z
x=
1 (3a 2b z ), 5 1 y = (a + b 2 z ), 5 z = z.
y (T ) = 2.
Una forma de ver la accin de una transformacin lineal consiste en hallar las imgenes determinadas por T sobre figuras geomtricas tales como polgonos o crculos. Ejemplo 3
x 1 1 x Sea T definida por T = . Halle la imagen debida a T, del cuadrado y 2 0 y de vrtices (0, 0), (0, 1), (1, 0), (1, 1).
Solucin Se hallan las transformaciones de los vrtices. Como los lados del cuadrado son segmentos de recta, la imagen del cuadrado resulta de unir las imgenes de los vrtices mediante segmentos de recta.
158
Figura 12.2
definida por:
x y = z
a 0 0 x 0 b 0 y a, b, c > 0, 0 0 c z
Figura
12.3
Ejemplo 5 Sea T : M nn M nn tal que T (A) = AT + A. Pruebe que T es una transformacin lineal y determine ncleo e imagen. Solucin T es lineal ya que:
T ( A + B ) = ( A + B )T + ( A + B ) = AT + BT + A + B = ( AT + A) + ( BT + B ) = T ( A) + T ( B ). T ( A) = ( A)T + A = AT + A = ( AT + A) = T ( A).
Determinemos el ncleo de T.
nu T = A : AT + A = 0( n n )
n n
AT + A = 0( n n ) AT = A.
{ C : C = A + A}.
T nn
160
Mdulo 12
En los ejercicios 1 a 7 encuentre ncleo, imagen, rango y nulidad de la transforrmacin lineal dada:
x x + y T = . y x y
1.
T:
2.
T:
x+ y x T = 5x + 5 y . y x y
x x + y T y = x + z . z y + z
3.
T:
4. 5. 6. 7. 8.
T : P P2 , T (a0 + a1 x + a2 x 2 + a3 x 3 ) = a0 + a1 + a2 x + a3 x 2 . 3 T : P2 P3 , T ( p) = xp. T : M 33 , T ( A) = tr A.
T : C [0, 1] , T ( f ) = f (1).
Sea D : P P (P es el espacio vectorial de todos los polinomios) dada por D( p) = p ' (la derivada del polinomio p). Describa el ncleo de D. Sea T : 2 2 la transformacin lineal tal que T (1, 1) = (0, 0) y T (0, 1) = (1, 1). Demuestre que tanto el ncleo como la imagen de T son rectas en el plano xy que pasan por el origen. Encuentre las ecuaciones de estas rectas. Sea T :
3
9.
10.
una transformacin lineal tal que T (1, 1, 0) = T (0, 2, 1) = (0, 0) y T (1, 2, 4) = v 0. Demuestre
3
Sea T : n m la transformacin lineal T (X) = AX, donde A es una matriz m n. Qu relacin guardan el ncleo de T y el espacio solucin del sistema homogneo de ecuaciones lineales AX = 0?
tal que nu T = {( x, y, z ) : 2 x y + z = 0} .
15.
162
13
Preguntas bsicas
1. Cmo est formada la matriz de una transformacin lineal referida a un par de bases? 2. Si AT es la matriz de una transformacin referida a un par de bases B1 y B2 , cmo se obtiene (T (x))B2 ? 3. Qu procedimiento se sigue para hallar la matriz de una transformacin lineal
T : V W referida a las bases B1 y B2 de V y W, respectivamente? 4. Si A y B son representaciones matriciales de la transformacin lineal T, qu relacin hay entre A y B? 5. Qu propiedades tienen las matrices similares?
Introduccin
En el ejemplo 3 del mdulo 11 vimos que una matriz mAn induce una transformacin lineal de n en m dada por T (x) = Ax . Cuando T tiene esta forma, el ncleo de T es el ncleo de A, y la imagen de T, formada por los vectores y = Ax para algn
Vea el mdulo 13 del programa de televisin lgebra Lineal
En esta seccin veremos que cualquier transformacin lineal definida entre espacios vectoriales de dimensin finita se puede expresar en la forma T (x) = Ax, donde A es la matriz que representa la transformacin.
164
; entonces
x = c1 e1 + c2 e 2 + ... + cn en ,
de modo que:
T (x) = c1 T (e1 ) + c2 T (e 2 ) + ... + cn T (e n ).
(1)
(2)
0 0 Si x = ei = , 1 0
lgebra Lineal Elemental y Aplicaciones 165
luego las columnas de A y B coinciden, por lo cual A = B. La matriz A = [T (e1 ) T (e 2 ).. . T (e n )] es la matriz de la transformacin referida a la base estndar o cannica. Ejemplo 1 Sea T =
3
x x+ y T y = . z y 2z
Encontremos la matriz A que representa la transformacin referida a las bases estndar
1 1 + 0 1 T (e1 ) = T 0 = = = Col1 ( A), 0 0 2.0 0 0 0 + 1 1 T (e 2 ) = T 1 = = = Col2 ( A), 0 1 2.0 1 0 0+0 0 T (e 3 ) = T 0 = = = Col3 ( A). 1 0 2.1 2
Por tanto,
1 1 0 A= . 0 1 2 As que:
x 1 1 0 T y = z 0 1 2
Teorema 2
x y = x + y . y 2z z
Sea T : V W una transformacin lineal de un espacio vectorial V de dimensin n en un espacio vectorial W de dimensin m y sean B1 = { v1 , v2 ,..., vn } y
166
(T (x)) B2 = AT (x) B1 .
Demostracin
c1 c 2 Si x V , x = c1 v1 + c2 v 2 + ... + cn v n , o sea que (x) B1 = . cn
Sean: T ( v1 ) = y 1 , T ( v 2 ) = y 2 ,..., T ( v n ) = y n y
AT = [(y1 ) B2 (y 2 ) B2 ... (y n ) B2 ].
Ahora,
1 0 0 ,..., ( v ) = 0 . = n B1 0 1
( v1 ) B1
Entonces,
AT ( v i ) B1 = (y i ) B2 ,
c1 c = [(y 1 ) B2 (y 2 ) B2 ... (y n ) B2 ] 2 cn
AT (x) B1
= c1 (y1 ) B2 + c2 (y 2 ) B2 + ... + cn (y n ) B2 .
De otro lado,
T (x) = T (c1 v1 + c2 v 2 + ... + cn v n ) = c1 T ( v1 ) + c2 T ( v 2 ) + ... + cn T ( v n ) = c1 y1 + c2 y 2 + ... + cn y n ,
(1)
de manera que
(2)
[T (x)]B2 = AT (x) B1 .
La unicidad de la matriz AT se demuestra igual que en el teorema 1. lgebra Lineal Elemental y Aplicaciones 167
B1 = { v1 , v2 ,..., vn }
[ w1 , w 2 ,...w m
operaciones elementales
T ( v1 ) T ( v 2 ),..., T ( v n )]
I (T ( v1 )) B2 (T ( v 2 )) B2 ... (T ( v n )) B2 .
Paso 3.
Figura 13.1
B1 = { v1 , v 2 , v 3 } y B2 = {w1 , w 2 } bases de
1 v1 = 0 , 1 0 v 2 = 1 , 1 1 v 3 = 1 , 1
, respectivamente, con
1 w1 = , 2
2 w2 = . 0
168
Mdulo 13: El problema de la representacin matricial de las transformaciones lineales Determinemos la matriz de T con respecto a B1 y B2 . Solucin
1 T ( v1 ) = , 2 1 T (v2 ) = , 1 2 T ( v3 ) = . 1
operaciones elementales
, y
1 3 2 1 5 2
1 (T (x)) B2 = 1
(x) B1 .
1 Ahora, si x = 2 , 3
1 1 2 = 1 1 0 2 = 3 , T 0 1 2 4 3 3
empleando la matriz de la transformacin referida a las bases estndar, encontrada en el ejemplo 1. Expresemos x en la base B1
1 0 1 1 0 1 1 2 1 1 1 3
operaciones elementales
1 0 0 1 0 1 0 2 . 0 0 1 0
(T (x)) B2
Entonces,
1 = 1
1 3
1 5
1 2 2 = 5 . 0 2
1 T ( x) = 2 + 2
2 3 0 = 4 ,
lo cual coincide con el valor encontrado utilizando la matriz de T referida a las bases estndar. Las matrices halladas en los ejemplos 1 y 2 son diferentes, aunque T es la misma en ambos casos. Ms adelante veremos que estas dos matrices estn vinculadas por una relacin de semejanza o similaridad. Ejemplo 3 Sea T : P2 P1 , tal que T (1) = 6, T ( x ) = x y T ( x 2 ) = x + 1. Determine: a. b. La matriz de T con respecto a las bases estndar en P2 y P1 .
2 2 2 La matriz de T con respecto a las bases B1 = {1 + x , x + x , 1 + x + x } y
B2 = {1 + x, 2 x} de P2 y P1 , respectivamente.
c. Si P ( x ) = 2 + 3 x + x 2 , calcule T ( P ( x)) utilizando las matrices halladas en a y b.
luego
6 0 1 CT = . 0 1 1
170
6 a + a2 = 0 a1 + a2 = 6a0 + a2 + (a1 + a2 ) x.
b. Hallemos las transformaciones de los vectores de B1 .
T (1 + x 2 ) = 6(1) + 1 + (0 + 1) x = 7 + x, T ( x + x 2 ) = 6(0) + 1 + (1 + 1) x = 1 + 2 x, T (1 + x + x 2 ) = 6(1) + 1 + (1 + 1) x = 7 + 2 x.
3 3
operaciones elementales
. 3
3
3 3
. 3
3
c.
Si P( x) = 2 + 3x + x 2 ,
2 P = 3 , 1
T ( P ( x)) = A( P ( x)) 2 6 0 1 13 = 3 = 4 0 1 1 1 = 13 + 4 x.
1 0 1 2 0 1 1 3 1 1 1 1
operaciones elementales
1 0 0 2 2 0 1 0 1 , ( P( x)) = 1 , B1 0 0 1 4 4
(T ( P( x))) B2
3 = 2
3 3
11
2 7 1 = , 5 3 3 4
3
Captulo 3: Transformaciones lineales Teorema 3 Sean V y W espacios vectoriales de dimensin finita con dim V = n y T : V W
Escuche la biografa de Benoit Mandelbrot en su multimedia de lgebra Lineal
(T ) = ( AT ). (T ) = ( AT ). (T ) + (T ) = n.
La demostracin del teorema se deja como ejercicio. El siguiente teorema muestra otra forma de calcular la matriz de una transformacin lineal. Aplicando este mtodo la matriz se obtiene como un producto de tres matrices. Teorema 4 Sean V y W espacios vectoriales de dimensiones n y m, respectivamente, y T : V W una transformacin lineal. Si C es la matriz de la transformacin con respecto a las bases cannicas S n y Sm de V y W, respectivamente, P la matriz de transicin de B1 a Sn en V, P2 la matriz 1 de transicin de B2 a Sm en W y AT la matriz de la transformacin con respecto a
B1 y B2 , entonces
AT = P21 C P . 1
Figura 13.2
Demostracin (figura 13.2) Sea (x) B1 ; entonces, P (x) B1 = (x) Sn , C (x) Sn = (T (x)) Sm . 1 Ahora, como P2 hace la transicin de B2 a Sm, P21 hace la transicin de Sm a B2.
1 Luego (T (x)) B2 = P2 (T (x)) Sm , y reemplazando
172
3 3
Figura
13.3
1 1 2 1 1 2 = P21 = , 3 1 1 3 1 1
AT
1 0 1 3 1 1 2 6 0 1 = 0 1 1 0 1 1 = 2 3 1 1 1 1 1
3 3
11 5
. 3
3
x 2 x 2 y definida por T = . y 5 x + y
2 2 CT = . 5 1
1 Sea B1 = , 1
base B1 .
1 2 AT = T T , 1 B1 5 B1
1 4 T = , 1 4 2 6 T = . 5 15
La matriz de T referida a B1 es
4 0 AT = . 0 3
Por el lgebra matricial sabemos que, en ciertas operaciones, los clculos son ms fciles si las matrices son diagonales, por ejemplo: hallar inversas, calcular determinantes, hacer potencias. Estas consideraciones son relevantes cuando se trabaja con matrices de gran tamao.
174
Mdulo 13: El problema de la representacin matricial de las transformaciones lineales No es evidente cul es la base que debemos escoger para que AT sea una matriz diagonal. Este problema lo resolveremos cuando abordemos el problema de la diagonalizacin en el siguiente captulo. La pregunta que podemos resolver en este momento es la siguiente: qu relacin existe entre las diferentes representaciones matriciales de una transformacin lineal dada? Vemoslo para el caso en que la transformacin lineal est definida de V en V. Teorema 5 Sea T : V V una transformacin lineal con matriz AT respecto a una base B1 y matriz BT respecto a una base B2 . Si P es la matriz de transicin de la base B2 a la base B1 , entonces:
BT = P 1 AT P .
Figura
13.4
Definicin 2 Dos matrices A y B de n n son similares o semejantes si existe una matriz invertible P tal que B = P 1 A P.
Captulo 3: Transformaciones lineales Del teorema 5 y la definicin 2 podemos establecer la siguiente proposicin: sea T : V V una transformacin lineal. Dos matrices cualesquiera que representen a T son similares. Teorema 6 Sean A, B y C matrices similares de n n. Entonces: a. b. c. d. e. f. A es similar a A. Si A es similar a B, entonces B es similar a A. Si A es similar a B y B es similar a C, entonces A es similar a C. Si A es similar a B, entonces det A = det B. Si A es similar a B, entonces Am es similar a B m para cualquier entero positivo m. Si A es similar a B, entonces A es invertible si y slo si B es invertible. En ese caso A 1 es similar a B 1 . Demostracin a. b. Como A = I A I = I 1 A I , A es similar a A. Si A es similar a B, B = P 1 A P, luego
P B P 1 = P ( P 1 A P ) P 1 = ( PP 1 ) A ( PP 1 ) = A,
y entonces
A = ( P 1 ) 1 B ( P 1 )
e.
Si A es similar a B, entonces B = P 1 A P.
B 2 = ( P 1 A P )( P 1 A P) = P 1 A( PP 1 ) A P = P 1 A I A P = P 1 A2 P.
Luego A 2 es similar a B 2 .
176
Mdulo 13: El problema de la representacin matricial de las transformaciones lineales Aplicando induccin, supngase que A k es similar a B k , esto es, B k = P 1 Ak P y veamos que la propiedad se cumple para k + 1, o sea: B k + 1 = P 1 Ak + 1 P.
B k + 1 = B k B = ( P 1 Ak P ) B = ( P 1 Ak P)( P 1 A P) = P 1 Ak ( PP 1 ) A P = P 1 Ak I A P = P 1 Ak + 1 P.
Luego Ak + 1 es similar a B k + 1 y la proposicin queda demostrada para todo entero positivo m. Las partes c y f se dejan como ejercicio.
Mdulo 13
1. Sea T :
2
Sea T :
B2 y B1 B2
3.
Sea T :
, respectivamente;
1 adems, sean B1 1 , 0
1 2 bases para
de T con respecto a: a. b.
B1 y B2 B1 y B2
c.
178
4.
Sea T : P1 P2 definida por T ( p( x)) = xp( x) + p(0) . Sean B1 = {1, x} y B1 ' = {1 + x, 1 + x} bases para P1 .
2 2 Sean B2 = {1, x, x } y B2 = {1 + x , 1 + x, 1 + x} bases para P2 .
6.
Sea T : R 3 R 3 la transformacin lineal cuya matriz con respecto a las bases naturales para R 3 es:
1 3 1 1 2 0 0 1 1
Determine:
a.
1 T 2 3
b.
0 T 1 1
8.
1 0 1 1 1 1 , v = 1 , v = 0 , donde v1 = 2 3 w1 = 2 , w 2 = 1 . 0 1 0
a. b. Calcule (T ( v1 )) B2 , (T ( v 2 )) B2 , (T (v3 ))B2 . Calcule T ( v1 ), T ( v2 ) y T ( v3 ).
c.
2 Calcule T 1 . 1
x Calcule T y . z
2
d.
9.
Sea T :
2 3 1 1 A= , donde v1 = , v2 = . 1 4 2 1
a. b. c.
10.
Sea T : P P una transformacin lineal. Suponga que la matriz de T con respecto a las bases B1 = { v1 , v2 } y 1 2
1 0 B2 = {w1 , w 2 , w 3 } es A = 2 1 , donde v1 = 1 + x, v2 = 1 + x, w1 = 1 + x 2 , w 2 = x, w 3 = 1 + x. 1 2
180
a. b. c. d. 11.
En las transformaciones lineales definidas en los ejercicios 1, 3, 5 y 7 describa su ncleo y su imagen por medio de alguna de sus matrices asociadas. Demuestre las partes c y f del teorema 6. Se dan parejas de matrices A y B. En cada caso mustrese que A y B no son similares.
1 0 A= 2 3 3 1 B= . 3 2
12. 13.
a.
b.
9 3 7 A = 0 5 6 0 0 0
2 0 A= 1 2
1 2 3 B = 4 5 6 . 7 8 9
2 0 B= . 0 2
c.
182
14
Preguntas bsicas
Sea T : V W una tranformacin lineal: 1. Cundo T es uno a uno? 2. Cundo T es sobreyectiva? 3. Cundo T es un isomorfismo? 4. Si dim V = n y dim W = m, cundo T no puede ser uno a uno? Cundo T no puede ser sobre? 5. Si dim V = dim W = n , qu condicin ser suficiente para que T sea un isomorfismo? 6. Si T es un isomorfismo, qu propiedades de V se trasladan a W? 7. Si T es un isomorfismo entre espacios vectoriales de dimensin finita, cmo es la matriz de transformacin de T?
Introduccin
En este mdulo se caracteriza un tipo especial de transformacin lineal llamada isomorfismo. Esta transformacin T : V W reproduce fielmente la estructura de V en W, ya que establece una correspondencia biyectiva entre los elementos de
Vea el mdulo 14 del programa de televisin lgebra Lineal
Captulo 3: Transformaciones lineales V y W y por otra parte T traslada sumas y productos por escalares las operaciones de espacio vectorial de los elementos de V a sumas y productos por escalares de los correspondientes elementos de W. As pues, desde el punto de vista del lgebra lineal, cuando entre V y W hay un isomorfismo, esto es, cuando son espacios vectoriales isomorfos, V y W son indistinguibles. Demostraremos que los espacios vectoriales de dimensin finita n son isomorfos, es decir, prcticamente todos ellos son en esencia
n
184
Figura 14.1
La figura 14.1a muestra una trasformacin lineal inyectiva y la 14.1b una transformacin lineal no inyectiva. Definicin 2 Sea T : V W una transformacin lineal. T se llama sobre W o sobre, si para todo
w W existe al menos un v V tal que T ( v) = w. En otras palabras, T es sobre si la imagen de T es todo el espacio W.
imagen T = W. El teorema siguiente dice que para demostrar si una transformacin lineal es uno a uno slo se necesita examinar qu vectores se transforman en 0.
Teorema 1 Sea T : V W una transformacin lineal. T es uno a uno si y slo si nu T = {0} . Demostracin a. Suponga que T es 1 - 1 y sea x nu T ; entonces T (x) = 0. Como
T (0) = 0 y T es 1 - 1, se concluye que x = 0, luego nu T = {0} .
Vea la animacin Transformaciones uno a uno y sobre en su multimedia de lgebra Lineal
b.
Suponga que nu T = {0} y sea T ( v1 ) = T ( v 2 ); entonces T ( v1 ) T ( v 2 ) = 0, esto es, T ( v1 v 2 ) = 0, es decir, ( v1 v 2 ) nu T y, por tanto, v1 v 2 = 0,
Sea T :
x 0 T = , y 0
x + y 0 = . x y 0
x+ y =0
Resolvemos el sistema lineal
x y =0
Ejemplo 2
3
Sea T :
2 nu T = N A = gen 1 . Luego 1
Por tanto, T no es 1 - 1.
186
Mdulo 14: Isomorfismos o transformaciones lineales invertibles Veamos si T es sobre: Examinando las columnas de AT, vemos que cualesquiera dos columnas son LI, de modo que C A = Ejemplo 3 Sea T :
3
2
. En consecuencia, T es sobre.
definida por:
x T y = z
x+ y yz z+ x . y + 2x
0 nu T 0 ; 0
luego T es 1 - 1. En la forma escalonada reducida de AT podemos observar tres pivotes, luego las tres columnas de AT son LI. Entonces,
1 0 imagen T = C A = gen , 1 2 1 1 , 0 1 0 1 , 1 0
4
En los ejemplos podemos observar que una transformacin lineal puede ser 1 - 1 y no ser sobre, o ser sobre y no ser 1 - 1. El siguiente teorema muestra que cada una de estas propiedades implica la otra si los espacios V y W tienen la misma dimensin.
Captulo 3: Transformaciones lineales Teorema 2 Sea T : V W una transformacin lineal y sea dim V = dim W . a. b. Si T es 1 - 1, entonces T es sobre. Si T es sobre, entonces T es 1 - 1.
La demostracin del teorema se deja como ejercicio. Teorema 3 Sea T : V W una transformacin lineal. Suponga que dim V = n y dim W = m; entonces a. b. Si n > m, T no es 1 - 1. Si m > n, T no es sobre.
Demostracin a. Sea { v1 , v2 ,..., vn } una base para V. Sea w i = T ( vi ) para i = 1, 2,..., n. Puesto que n > m, entonces {w1 , w 2 ,..., w n } es LD, o sea que en la combinacin lineal C1w1 + C2 w 2 + ... Cn w n = 0 existe al menos un Ci 0. Por tanto el vector v V tal que v = C1 v1 + C2 v2 + ... Cn v n es diferente de 0 y:
T ( v ) = T (C1 v1 + C2 v 2 + ... Cn v n ) = C1T ( v1 ) + C2T ( v 2 ) + ... CnT ( v n ) = C1w1 + C2 w 2 + ... Cn w n .
Luego T ( v) = 0, v nuT y, por tanto, nu T {0} , es decir, T no es 1 - 1. b. Suponga que m > n y sea v V , con
v = a1 v1 + a2 v 2 + ... + an v n T ( v ) = a1T ( v1 ) + a2T ( v 2 ) + ... + anT ( v n ),
188
14.2 Isomorfismos
Definicin 3
Sea T : V W una transformacin lineal. Entonces T es un isomorfismo si T es 1 - 1 y sobre. Se dice que los espacios vectoriales V y W son isomorfos si existe un isomorfismo T de V sobre W. Esto se denota como V W . Observacin Es importante notar en la definicin anterior que la condicin para que dos espacios vectoriales V y W sean isomorfos es que exista entre ellos una transformacin lineal que sea isomorfismo. As, entre espacios vectoriales isomorfos podemos definir transformaciones lineales que no sean isomorfismos. El siguiente teorema nos muestra la similitud existente entre dos espacios vectoriales isomorfos. La palabra isomorfismo viene del griego isomorphos, que significa de igual forma. Teorema 4 Sea T : V W un isomorfismo. a. b. Si { v1 , v2 ,..., vn } genera V, entonces {T ( v1 ), T ( v2 ),..., T (vn )} genera a W. Si { v1 , v2 ,..., vn } es LI en V, entonces {T ( v1 ), T ( v2 ),..., T (vn )} es linealmente independiente en W. c. d. Si { v1, v2 ,..., vn } es base de V, entonces {T ( v1 ), T (v2 ),..., T (vn )} es base de W. Si V es de dimensin finita, entonces W es de dimensin finita y
dim V = dim W .
Demostracin a. Supongamos que { v1, v2 ,..., vn } genera V. Sea w W . Como T es sobre w = T ( v) para algn v V,
v = c1v1 + c2 v2 + ... + cn vn y T (v) = c1T (v1 ) + c2T (v2 ) + ... + cnT (vn ) ,
luego
w = c1T ( v1 ) + c2T ( v 2 ) + ... cnT ( v n ),
y por tanto,
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Isomorfismos
{T ( v1 ), T ( v 2 ),..., T ( v n )} genera a W.
lgebra Lineal Elemental y Aplicaciones 189
Captulo 3: Transformaciones lineales b. Supongamos que { v1 , v2 ,..., vn } es LI. Sea c1T ( v1 ) + c2T ( v2 ) + ... cnT ( vn ) = 0. Entonces,
T (c1 v1 + c2 v2 + ... cn vn ) = 0, es decir, (c1 v1 + c2 v2 + ... cn vn ) nu T .
Cuando se trata con espacios vectoriales reales de dimensin finita, el problema de saber si son o no isomorfos es bastante simple: slo es necesario observar si tienen la misma dimensin, como se ver en el siguiente teorema. Teorema 5 Sean V y W dos espacios vectoriales reales de dimensin finita con dim V = dim W . Entonces V W . Demostracin Dos espacios vectoriales son isomorfos si entre ellos existe una transformacin lineal que sea un isomorfismo. Luego la demostracin consiste en construir dicha transformacin lineal. Sean { v1 , v2 ,..., vn } y {w1 , w2 ,..., wn } bases para V y W, respectivamente. Definimos T : V W por T ( vi ) = w i para i = 1,..., n. Entonces por el teorema 3, mdulo 12, existe una nica transformacin lineal que satisface la condicin dada. Suponga que v V y T ( v ) = 0; entonces
v = c1v1 + c2 v2 + ... + cn vn , T (v) = c1T (v1 ) + c2T (v2 ) + ... + cnT (vn ), c1w1 + c2 w2 + ... + cn wn = 0.
Como {w1 , w2 ,..., wn } es base para W , c1 = c2 = ... = cn = 0 y, por tanto, v = 0; en consecuencia, nu T = {0} y la transformacin es 1 - 1. Como dim V = dim W , entonces T es sobre por el teorema 2. Luego T es un isomorfismo.
190
Mdulo 14: Isomorfismos o transformaciones lineales invertibles Teorema 6 Sean V y W espacios vectoriales reales de dimensin n y T : V W , tal que
T (x) = Ax es una transformacin lineal. Entonces A es invertible si y slo si T (x) = Ax es un isomorfismo.
T es un isomorfismo si y slo si T es 1 - 1, ya que como dim V = dim W , T tambin ser sobre. T es 1 - 1 si y slo si nu T = {0} , es decir, v (T ) = 0 , y esto es equivalente a la proposicin A es invertible. Este teorema caracteriza los isomorfismos como transformaciones lineales cuya matriz de transformacin es invertible, proporcionndonos una forma de determinar cules transformaciones lineales son isomorfismos examinando su matriz de transformacin. Ejemplo 4 Sea T : Pn Pn tal que T ( p) = p + p '. Veamos que T es un isomorfismo. Encontremos la matriz AT de la transformacin lineal con respecto a la base estndar.
( n +1) ( n +1)
1 0 AT = 0 0 det AT = 1
0 0 0 1 0 0 =I 4 0 1 0 0 0 1
a b 2 3 T2 : P3 R 4 definida por T (a + bx + cx + dx ) = . c d
Entonces AT = I4 (matriz identidad de orden 4). Por tanto, T2 es un isomorfismo. Las transformaciones T1 y T2 definidas en el ejemplo nos muestran que estos espacios vectoriales son en esencia el mismo; en ambas la matriz de transformacin es la identidad.
192
Mdulo 14
1. D un ejemplo de una TL T : V W que sea a. b. c. 2. 3. Uno a uno pero no sobre. Sobreyectiva pero no uno a uno. Uno a uno y sobreyectiva.
Demuestre que T : M M definida por T ( A) = AT es un isomorfismo. mn nm Encuentre un isomorfismo entre Dn , matrices diagonales de orden n, y
n
4.
Sea T :
5.
Para cada una de las siguientes transformaciones determine si es un isomorfismo a partir de la informacin dada. a. b. c. d.
T: T:
4 4
4 4
, ,
T = 4.
(T ) = 2.
T : P P, (T ) = 1. 2 2 T : P3 P3 , T = 4.
6. 7. 8.
Sea V = P4 y W = { p P5 : p(0) = 0} . Demuestre que V W . Sea T : P Pn tal que Tp ( x) = xp '( x). Determine si T es un isomorfismo. n Demuestre que si T : V W es un isomorfismo, entonces existe un isomorfismo L : W V tal que L(T ( v)) = v. A L se le llama transformacin inversa de T y se denota T 1 .
9.
Demuestre que si T : R n R n est definido por T ( x) = Ax y T es un isomorfismo, entonces T 1 est dado por
T 1 ( x ) = A 1 x .
10.
Sea T :
Demuestre que T es un isomorfismo y determine T 1 . 11. Sea T : M n M n la transformacin lineal dada por T ( A) = BA, donde B es una matriz fija de orden n. Demuesn n tre que T es un isomorfismo si y slo si B es una matriz invertible. En tal caso, describa T 1 .
194
Isometras
Contenidos del mdulo
15.1 Matrices ortogonales 15.2 Isometras 15.3 Isometras en
2
15
Una rotacin igual a un ngulo alrededor del origen es una transformacin lineal que conserva la magnitud de los vectores
Preguntas bsicas
1. Cundo una matriz es ortogonal? 2. Cmo son las columnas en una matriz ortogonal? 3. Qu es una isometra? 4. Qu operacin se conserva en una isometra? 5. Cmo es la matriz de la transformacin T, cuando T es isometra? 6. Cmo son las transformaciones en 2 que son isometras? 7. Qu relacin existe entre los isomorfismos y las isometras?
Introduccin
La palabra isometra significa igual medida. De esto se trata en esta seccin: de transformaciones lineales que conservan la magnitud de los vectores. Antes de iniciar el estudio de las isometras, definiremos las matrices ortogonales y veremos algunas propiedades de estas matrices. Adems deduciremos una propiedad del producto escalar cuando en uno de los factores hay una matriz A. Estos resultados nos sern de gran utilidad en el tratamiento de las isometras.
Vea el mdulo 15 del programa de televisin lgebra Lineal
a11 a 21 Q= an1
a12 a22 an 2
a1 j a2 j anj
Sea B = (bij ) = QT Q.
bij = a1i a1 j + a2i a2 j + ... + ani anj = ci c j ,
(1)
donde ci y cj son las columnas i y j de Q. Si las columnas de Q son ortonormales, entonces, de (1)
bij = 0 si i j , bij = 1 si i = j.
(2)
Es decir, B = I y entonces QT = Q 1 , y por tanto Q es ortogonal. Recprocamente, si Q es ortogonal QT = Q 1 , entonces B = I, de modo que
bij = c i c j = 0 si i j y c i c j = 1 si i = j.
196
2 / 3 1/ 3 , 2 / 3
1/ 3 2/3 , 2 / 3
(verifquelo),
2 / 3 1/ 3 2 / 3 Q Q = 1/ 3 2 / 3 2 / 3 2 / 3 2 / 3 1/ 3
T
1/ 3 2 / 3 1 0 0 2 / 3 1/ 3 2 / 3 2 / 3 = 0 1 0 . 2 / 3 2 / 3 1/ 3 0 0 1
15.2 Isometras
Antes de abordar el tema, veamos una propiedad interesante del producto escalar. Teorema 2 Sea A una matriz de m n con componentes reales. Entonces para cualesquier dos vectores x
n
e y
El teorema nos dice que cuando en uno de los factores de un producto escalar hay una matriz, sta puede pasar al otro factor transponindola. Este resultado puede generalizarse para cuando se tiene un producto interno en un espacio vectorial diferente a
n
T (x) = x ,
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Isometras
T ( x) T ( y ) = T ( x y ) = x y .
En las isometras se conserva la magnitud de los vectores; recordemos que la magnitud de un vector en el producto interno en el producto escalar. Teorema 3 Sea T una isometra de
n
n
y sean x e y en
; entonces
T (x) T (y) = x y.
Demostracin
T (x) T (y ) = (T (x) T (y )) (T (x) T (y ))
2
= T (x) 2T (x) T (y ) + T (y ) .
2 2
(1)
xy
= (x y ) (x y ) = x 2x y + y .
2 2
(2)
T (x) T (y ) = x y .
2 2
Entonces,
198
Mdulo 15: Isometras Demostracin a. Supongamos que T es una isometra y que A es su representacin matricial; entonces para x e y en
n
x y = T (x) T (y ) = Ax Ay = x AT Ay,
T .3 T .2
x y = x AT Ay , x y x AT Ay = 0, x (y AT Ay ) = 0, para todo x ( y A Ay )
T T n n
; entonces
y A Ay = 0, y = AT Ay ,
y por tanto, AT A = I , de modo que AT = A1 y A es ortogonal. b. Supongamos que T ( x) = Ax es una transformacin lineal tal que A es ortogonal; entonces T ( x) T ( y ) = Ax Ay = x AT Ay = x I y = x y
2 2 En particular, si x = y T (x) T (x) = x x, o sea T ( x) = x , o T (x) = x ,
de donde T es una isometra. Observaciones En el teorema anterior hemos mostrado que las isometras se caracterizan porque su representacin matricial es ortogonal. Como toda matriz ortogonal es invertible, se desprende como consecuencia la siguiente proposicin: Toda isometra es un isomorfismo. Ahora, las columnas de AT son las transformaciones de los vectores de la base, y como stas forman una base ortonormal de
n
vectores asignados a una base de n deben ser vectores que formen una base ortonormal. El siguiente teorema nos muestra cmo hacer esto. Teorema 5 Sean {u1 , u2 ,..., un } y {w1 , w2 ,..., wn } dos bases ortonormales de
n
y sea
T : n n una transformacin lineal tal que T (ui) = wi para i = 1,..., n; entonces T es una isometra.
Demostracin Sea
x
n
= u i u i = 1,
entonces
x = c12 + c2 2 + ... + cu 2 .
2
(1)
T (x) = c1T (u 1 ) + c2T (u 2 ) + ... + cnT (u n ) = c1w1 + c2 w 2 + ... + cn w n . T (x) = T (x) T (x) = (c1w1 + c2 w 2 + ... + cn w n ) (c1w1 + c2 w 2 + ... + cn w n ).
2
(2)
2
isometra. El recproco del teorema anterior tambin se verifica, como veremos en el siguiente teorema. Teorema 6 Sea T :
n
{u 1 , u 2 , ..., u n } es
una base
n
{ u 1 , u 2 , ..., u n }
; entonces, ui u j = 0 para
i j y ui = 1.
Como T es una isometra,
T (ui ) T (u j ) = ui u j = 0 para i j y
T (ui ) = ui = 1.
15.3 Isometras en
Sea T una isometra de
2
200
Figura
15.1
cos u1 = , sen
cos ( 2 ) u2 = . sen ( 2 )
Entonces
cos ( 2 ) sen cos ( + 2 ) sen u2 = = o u 2 = sen ( ) = cos . 2 sen ( + 2 ) cos
Entonces Q2 es la representacin matricial de una reflexin respecto al eje x, seguida de una transformacin de rotacin. Estos resultados los consignamos en el siguiente teorema.
Una transformacin de rotacin, o Una reflexin respecto al eje x seguida de una transformacin de rotacin.
El concepto de isometra puede extenderse a espacios vectoriales de dimensin finita, donde haya definido un producto interno; ac las isometras sern las transformaciones lineales que conservan la norma de los vectores y, por tanto, el producto interno. Ejemplo 2 Sea T :
3
sen A = cos 0
cos sen 0
0 0 . 1
Veamos que T es una isometra. Para esto basta con demostrar que A es una matriz ortogonal y esto lo comprobamos realizando el producto A AT.
sen cos 0
Ejemplo 3 Sea T : vectores
2
cos sen 0
0 0 1
sen cos 0
cos sen 0
0 1 0 0 0 = 0 1 0 . 1 0 0 1
Sean x e y en
xy , x y
(1)
T (x) T (y ) . T ( x) T (y )
(2)
202
Mdulo 15
1. Sea T :
2
1 1 1 1 T , , = , 2 2 2 2
1 1 1 1 T , , = . 2 2 2 2
0 1 1 2 1 2 T = , 0 0 1 2 1 2
0 0 1 2 1 2 T = . 0 1 1 2 1 2
2, 1
2 ,
4.
para la cual
1 1 ( v1 v 2 ). T ( v1 ) = (2v1 + v 2 + 2 v 3 ), T ( v 2 ) = 3 2
5. 6. D un ejemplo de una transformacin lineal de Sea T :
n
2
en
Captulo 4
Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas
Un ingeniero trata de que las frecuencias naturales de su puente, valores caractersticos de la estructura, estn alejadas de las del viento para evitar que el puente comience a oscilar y se desplome. Los valores caractersticos son los rasgos ms importantes de cualquier sistema dinmico.
Mdulo 16 Valores y vectores caractersticos Ejercicios Mdulo 16 Mdulo 17 El problema de la diagonalizacin Ejercicios Mdulo 17 Mdulo 18 Aplicaciones de la teora de valores y vectores cartactersticos Ejercicios Mdulo 18 Mdulo 19 Forma cannica de Jordan Ejercicios Mdulo 19
Muchos problemas relacionados con ciencias e ingeniera estn planteados en la forma T (x) = Ax, donde A es una matriz n n que representa una transformacin lineal. En el anlisis de estos problemas es importante determinar aquellos vectores x que se transforman paralelamente a s mismos, T (x) = x, es decir, los vectores que conservan la direccin al transformarse. Estos vectores x, x 0 , reciben el nombre de vectores caractersticos de A y son los que describen las direcciones principales o ejes principales del sistema estudiado. El escalar que acompaa a x en la ecuacin T (x) = x se denomina valor caracterstico de A correspondiente a x y muestra la magnitud de la transformacin en la direccin de x.
En este captulo resolveremos dos problemas bsicos del lgebra lineal. En primer lugar abordaremos el problema de la determinacin de los valores y vectores caractersticos de una matriz nA , y en segundo trmino el problema de la diagonalizacin n de una matriz, esto es: encontrar una matriz diagonal que sea similar a una matriz dada A. Este problema est ntimamente relacionado con el primero.
Por ltimo, como no toda matriz es diagonalizable, determinamos para cualquier matriz nAn su forma cannica de Jordan, la cual es una matriz mucho ms simple que la matriz A. Estos procedimientos tendientes a determinar matrices similares a A ms simples responden a la necesidad de simplificar el manejo algebraico cuando A es una matriz de tamao grande. En el desarrollo del captulo se dar gran importancia a aplicaciones tales como los sistemas dinmicos descritos por un sistema de ecuaciones en diferencias y procesos de Markov.
206
16
A , Am y A 1 (cuando A 1 existe).
Preguntas bsicas
Sea T : V V una transformacin lineal y An n una representacin matricial de T. 1. 2. 3. 4. 5. 6. Qu es un vector caracterstico de A? Qu es un valor caracterstico de A? Cmo se encuentra el polinomio caracterstico de A? Cmo se determinan los valores y vectores caractersticos de A? Qu es el espacio caracterstico de un valor caracterstico? Qu son las multiplicidades algebraica y geomtrica de un valor caracterstico? 7. Cmo se relacionan las multiplicidades algebraica y geomtrica de cada valor caracterstico? 8. Qu condiciones deben cumplir los valores caractersticos de A para que A sea invertible?
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas 10. Si 1 , 2 ,..., k son los valores caractersticos de A, cules son los valores caractersticos de AT, A , Am y A 1 (cuando A1 existe)?
Introduccin
Iniciamos nuestro estudio definiendo los valores y vectores caractersticos de una transformacin lineal T : V V o de la matriz A correspondiente a dicha transformacin. Ilustramos con una matriz A22 lo que sucede cuando referimos la transformacin a la base formada con dos vectores caractersticos, y vemos que la matriz de la transformacin en este caso es diagonal; esto hace que el efecto de la transformacin se evidencie sobre las direcciones de los vectores caractersticos. Se desarrolla un algoritmo para la obtencin de los valores y vectores caractersticos y se establece una condicin necesaria y suficiente para que una matriz tenga n vectores caractersticos linealmente independientes, es decir, para tener una base del espacio compuesta por vectores caractersticos.
208
tal que
Ax = x,
se llama vector caracterstico de A, y al escalar (real o complejo) se le llama valor caracterstico de A correspondiente al vector caracterstico x. Nota: los vectores caractersticos se toman en n-tuplas ordenadas de nmeros complejos, ya que stos pueden tener componentes imaginarios, cuando es un nmero complejo. En la definicin se dice que el valor caracterstico corresponde al vector caracterstico x. Tambin se puede expresar al contrario: el vector caracterstico x corresponde al valor caracterstico . . A los valores y vectores caractersticos tambin se les llama valores y vectores propios o autovalores y autovectores.
n
16.2
Dada una matriz A de n n con componentes reales, hallar todos los escalares y todos los vectores x, x 0, en Ejemplo 1
3 2 Sea A = . 3 4
tales que Ax = x.
Entonces
1 3 2 1 1 A = = . 1 3 4 1 1
Similarmente,
2 3 2 2 12 2 A = 3 = 18 = 6 3 . 3 3 4
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas Entonces = 6 es un valor caracterstico de A correspondiente al vector caracte 2 rstico 3 .
x 3 2 x 3 x + 2 y definida por T = = . y 3 4 y 3 x + 4 y
caractersticos 1 = 1 y 2 = 6. Estos vectores son LI, luego forman una base B1 de transformacin referida a esta base.
2
. Encontremos la matriz de la
1 1 1 2 1 1 T = = 1 + 0 , T = 1 1 1 3 1 B1 0
2 12 1 2 2 0 T = = 0 + 6 , T = . 3 18 3 3 B 6 1 1
1 0 Luego BT, matriz de la transformacin referida a la base B1, es BT = , la cual 0 6 es una matriz diagonal.
1 2 Geomtricamente, podemos describir la situacin as: 1 y 3 determinan un sistema coordenado. Referida a este sistema la transformacin T tiene el efecto de
1 = 1 , y aumentar con un factor de 6 los vectores a lo largo del eje definido por
2 3 .
Si x es un vector cualquiera de
1 T (x) = 0
a b
0 a a = (figura 16.1). 6 b 6b
210
Mdulo 16: Valores y vectores caractersticos Ejemplo 2 Sea A = I; entonces, Iv = v para todo v
n
Figura 16.1
Ejemplo 3
4 2 . Sea A = 1 1
luego
4x 2 y = x x + y = y
(4 ) x 2 y = 0 x + (1 ) y = 0
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas Resolvemos el sistema homogneo de dos ecuaciones con dos incgnitas. Este sistema tiene solucin no trivial x 0, si y slo si el determinante de su matriz de coeficientes es cero; esto es:
4 1 2 1 = 0.
Entonces,
(4 )(1 ) + 2 = 0,
2 5 + 6 = 0 = ( 3)( 2).
Luego los valores caractersticos de A son 1 = 3 y 2 = 2 . Para encontrar los vectores caractersticos asociados a los valores de 1 = 3 y
2 = 2 resolvemos
Ax = 3x
4 2 x x 1 y = 3 y 1
Ax = 2x
4 2 x x 1 y = 2 y 1
4 x 2 y = 3x x + y = 3y
o
4x 2 y = 2x x + y = 2y
o
(4 3) x 2 y = 0 x + (1 3) y = 0
o
(4 2) x 2 y = 0 x + (1 2) y = 0
o
x 2y = 0 x 2y = 0
cuyas soluciones estn dadas por:
2x 2 y = 0 x y=0
las soluciones al sistema estn dadas por:
x= y
{0} ) x 2 = , ( {0} ) .
x = 2y
2 x1 = , (
x1 y x2 estn expresando, cada uno, un subespacio compuesto por todos los vectores
2 1 mltiplos de 1 y 1 , respectivamente. O dicho de otra forma, los vectores carac
212
Teorema 1 Sea A una matriz n n . es un valor caracterstico de A si y slo si det ( A I ) = 0 . Demostracin Si es un valor caracterstico de A existe x 0 tal que
Ax = x = Ix ,
( A I ) x = 0 .
El sistema homogneo ( A I )x = 0 tiene solucin para x 0 cuando ( A I ) es no invertible, o sea det ( A I ) = 0 . Recprocamente, si det ( A I ) = 0, el sistema ( A I )x = 0 tiene soluciones no triviales y es un valor caracterstico de A. Si det ( A I ) 0, entonces la nica solucin del sistema es x = 0 y, por tanto, no es un valor caracterstico de A.
det ( A I ) =
P ( ) = n + bn 1 n 1 + ... + b1 + b0 = 0.
Esta ecuacin tiene n races, varias de las cuales pueden repetirse. Si 1 , 2 ,..., m son las races diferentes de la ecuacin con multiplicidades 1 , 2 ,..., m , entonces
P ( ) puede factorizarse como:
P( ) = ( 1 )1 ( 2 ) 2 ...( m ) m = 0.
Los nmeros 1 , 2 ,..., m se llaman multiplicidades algebraicas de los valores caractersticos 1 , 2 ,..., m , respectivamente. O sea que si contamos multiplicidades, cada matriz n n tiene exactamente n valores caractersticos.
16.2.2 Proceso para encontrar los valores y vectores caractersticos en una matriz An x n
i. ii. iii. Halle P ( ) = det ( A I ) . Halle las races de P ( ) = 0 valor caracterstico i . La solucin del sistema homogneo ( A i I )x = 0 no es nica, ya que x 0 . El sistema tiene infinitas soluciones, luego al determinar los vectores x que satisfacen el sistema, se sacan los vectores que formen una base para el subespacio generado; es claro que todas las combinaciones lineales, diferentes de cero, que se realicen con estos vectores tambin son vectores caractersticos correspondientes al mismo valor . Teorema 2 Sea A una matriz n n y sea E = {x : Ax = x} . Entonces E es un subespacio de
n
(1 , 2 ,..., m ) .
214
Mdulo 16: Valores y vectores caractersticos Demostracin Si Ax = x , entonces ( A I )x = 0. Luego E es el ncleo de ( A I ), y por tanto E es un subespacio de
n
1 det ( A I ) = 1 4
1 1 =0
4 5
= 3 + 6 2 11 + 6 = 0
= ( 1)( 2)( 3) = 0.
1 x 1 1 2 1 1 1 y = 4 4 5 1 z
0 0 0
0 2 1 x 1 1 1 y = 4 4 4 z
1
0 0 0
0 2 1 1 0 1 1 1 0 1 operaciones elementales 4 4 4 0 0
La solucin al sistema est dada por:
2 . 0
2
1 x= z 2 1 y= z 2 1z z=
1 E1 = gen 1 ; 2 1 1 es un vector caracterstico asociado con = 1 . 2
Determinemos E2.
( A 2 I )x = 0 .
1 2 1 1 0 1 2 1 0 1 operaciones elementales 4 4 3 0 0
La solucin es:
4 . 0
2
1 x= z 2 1 y= z 4 z= 1z
2 E2 = gen 1 ; 4 2 1 es un vector caracterstico asociado con = 2 . 4
Similarmente, encontremos E3 .
( A 3I ) x = 0
2 2 1 1 0 1 3 1 0 1 operaciones elementales 4 4 2 0 0
La solucin es:
4 . 0
4
1 x= z 4 1 y= z 4 z= 1z
216
Ejemplo 5
= 3 + 4 2 3 = 0 = ( 1)( 3) = 0.
Los valores caractersticos de A son 1 = 0, 2 = 1, 3 = 3. Ahora encontremos los espacios caractersticos correspondientes a cada valor de .
E0 , ( A 0 I )x = 0 .
1 1 0 1 0 1 1 2 1 0 1 1 , entonces 0 1 1 0 0 0
x = 1z y = 1z z = 1z
1 E0 = gen 1 . 1
E1 ,
( A I )x = 0 .
0 1 0 1 0 1 1 1 1 0 1 0 , entonces 0 1 0 0 0 0
x = 1z y = 0z z = 1z
E3 ,
( A 3I ) x = 0 .
2 1 0 1 0 1 x = 1z 1 1 1 0 1 2 , entonces y = 2z 0 1 2 0 0 0 z = 1z
1 E3 = gen 2 . 1
Ejemplo 6
0 1 0 A = 0 0 1 , entonces Sea 1 3 3
det( A I ) = 0 1 1 0 1
=0
3 3
3 3 2 + 3 1 = 0,
( 1)3 = 0.
Luego = 1 es el nico valor caracterstico de A con multiplicidad algebraica de 3. Ahora veamos cul es el espacio caracterstico de = 1 . Resolvemos ( A I )x = 0 .
1 1 0 1 0 1 0 1 1 0 1 1 , entonces E1 : 1 3 2 0 0 0
1 E1 = gen 1 . 1
218
2 =0 2 3
det ( A I ) = 3 + 6 2 + 15 + 8 = ( + 1) 2 ( 8) = 0.
4 2 4 1 2 1 2 0 4 2 4 0
0 0
1 0 , entonces 0
x= y= y z=z
1 yz 2
x 1 2 1 y = y 1 + z 0 . z 0 1
-1 2 1 E1 : gen 1 , 0 . 0 1
E8 : ( A 8I )x = 0.
5 2 4 1 0 1 2 8 2 0 1 1 , entonces 2 4 2 5 0 0 0
x= y=
1z
1 z 2 z = 1z
1 E8 : gen 1 2 . 1
Observacin: la factorizacin del polinomio caracterstico de A, en general, no es obvia. El lgebra nos brinda dos resultados que pueden ser tiles a este respecto:
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas (1). El producto de todas las races del polinomio
n P ( ) = n + bn 1 n 1 + ... + b1 + b0 = 0 es (1) b0.
(2).
Si bn1 ,..., b1 , b0 son enteros, entonces P ( ) no puede tener una raz racional que no sea un entero. Luego las posibles races racionales de P ( ) sern factores enteros de b0. Por supuesto, P ( ) podra tener races irracionales. Adems, P ( ) tambin podr tener races complejas; si esto sucede, stas ocurren en pares conjugados.
Ejemplo 8
2 1 Sea A = . Determinemos los valores y vectores caractersticos de A. 5 2
det ( A I ) =
2 5
1 2
= 0, entonces 2 + 1 = 0.
Entonces, si x = 1, y = 2 i.
1 Por tanto, x1 = es un vector caracterstico correspondiente a = i y 2i
1 Ei : gen . 2 i
Observacin: note que 2 = i es el conjugado complejo de 1 = i , y adems los componentes de x 2 son conjugados complejos de los componentes de x1. Este
220
Mdulo 16: Valores y vectores caractersticos hecho no es casual y se puede demostrar que los valores caractersticos de una matriz real ocurren en pares conjugados complejos y los vectores caractersticos correspondientes son conjugados complejos entre s.
16.3 Propiedades
Teorema 3 Sea A una matriz n n y sean 1 , 2 ,..., m valores caractersticos diferentes de A con sus correspondientes vectores caractersticos x1 , x 2 ,..., x m . Entonces
x1 , x 2 ,..., x m son LI.
Demostracin Razonamos por induccin sobre m. 1. m = 2. Suponga que C1x1 + C2 x2 = 0. Hagamos (1) A : C1 Ax1 + C2 Ax 2 = 0. Como x1 y x 2 son vectores caractersticos correspondientes a valores caractersticos 1 y 2 , entonces Axi = i xi , i = 1, 2. Luego C11x1 + C2 2 x 2 = 0. Multiplicamos (1) por 2 y se resta de (2).
C1 (1 2 ) x1 + C2 2 2
(1)
(2)
)x
= 0,
C1 (1 2 )x1 = 0.
En esta igualdad x1 0 ya que es un vector caracterstico; (1 2 ) 0 porque 1 2 , entonces C1 = 0. Sustituimos este valor en (1) y se obtiene C2 x 2 = 0 ; por tanto, C2 = 0 y concluimos que x1 y x 2 son LI. 2. Supongamos que para m = k se cumple que x1 , x 2 ,..., x k son LI y veamos para m = k +1. Sea C1x1 + C2 x 2 + ... + Ck x k + Ck +1x k +1 = 0. Hagamos (3) A:
C1 Ax1 + C2 Ax 2 + ... + Ck Ax k + Ck +1 Ax k +1 = 0,
3.
(3)
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas y aplicando el hecho de que Axi = i xi , i = 1,..., k + 1, tenemos:
C11x1 + C2 2 x 2 + ... + Ck k x k + Ck +1k +1x k +1 = 0.
(4)
)x
k +1
= 0.
C1 (1 k +1 )x1 + C2 (2 k +1 )x 2 + ... + Ck (k k +1 )x k = 0.
Llevamos estos valores a (3) y obtenemos Ck +1x k +1 = 0, de donde Ck+1 = 0. Concluimos entonces que x1 , x 2 ,..., x m , x m+1 son LI, completando la prueba para todo m. El teorema anterior establece que vectores caractersticos correspondientes a valores caractersticos diferentes son linealmente independientes. El resultado del teorema puede verificarse en los ejemplos desarrollados. Adems se observa que en algunos casos se encuentran tantos vectores caractersticos linealmente independientes como la multiplicidad algebraica del valor (ejemplos 4, 5 y 7). En el ejemplo 7 el valor = 1 tiene una multiplicidad algebraica 2 y se determinan dos vectores en la base del espacio caracterstico correspondiente, esto es, dos vectores caractersticos LI. Sin embargo, esto no siempre es as; en el ejemplo 6 el valor caraterstico =1 tiene una multiplicidad algebraica 3 y un solo vector caracterstico LI asociado con l. Definicin 4 Sea un valor caracterstico de A. Entonces la multiplicidad geomtrica de es la dimensin del espacio caracterstico correspondiente a (nulidad de la matriz A I ). Para cada valor caracterstico debe haber asociado al menos un vector caracterstico. Si la multiplicidad algebraica de es mayor que 1, por ejemplo si A es una matriz 3 3 con dos valores caractersticos 1 y 2 con multiplicidades algebraicas 1 y 2, respectivamente, entonces para 1 habr asociado un vector caracterstico y
222
para 2 podr haber uno o dos vectores caractersticos LI. Es claro que no podrn ser ms de dos ya que en el caso de que fueran tres vectores, se completaran cuatro vectores LI en un espacio vectorial de dimensin 3, lo cual es absurdo. Estas consideraciones quedan expresadas en el siguiente teorema. Teorema 4 Sea un valor caracterstico de A. Entonces, multiplicidad geomtrica de multiplicidad algebraica de . Teorema 5 Sea A una matriz n n. A tiene n vectores caractersticos LI si y slo si la multiplicidad geomtrica de todo valor caracterstico es igual a la multiplicidad algebraica. En particular, A tiene n vectores caractersticos LI si todos sus valores caractersticos son diferentes. La deduccin del teorema resulta evidente de los resultados establecidos en los teoremas 3 y 4. Teorema 6 Los valores caractersticos de una matriz triangular son las componentes diagonales de la matriz. La demostracin del teorema se deja como ejercicio. En el ejemplo 5 la matriz A tena un valor caracterstico igual a 0, o sea que
det ( A 0 I ) = 0, luego det A = 0, lo cual significa que A no es invertible.
Teorema 7 A es invertible si y slo si = 0 no es un valor caracterstico de A. La demostracin del teorema se deja como ejercicio. Finalizamos esta seccin destacando algunas relaciones entre los valores caractersticos de A y los valores caractersticos de matrices relacionadas con A. Teorema 8 Sea An n una matriz que tiene valores caractersticos 1 , 2 ,..., k ; entonces: a. b. c. d. Los valores caractersticos de AT son 1 , 2 ,..., k . Los valores caractersticos de A son 1 , 2 ,..., k . Los valores caractersticos de Am son 1m , 2 m ,..., m k para m = 1, 2, 3... Si A1 existe, los valores caractersticos de A1 son
1
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Valores y vectores caractersticos
1 2
,...,
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas Demostracin a. Si i es valor caracterstico de A, det( A i I ) = 0. Ahora, det ( A i I ) = det ( A i I )T
= det ( AT i I T ) = det ( AT i I ).
Luego i , i = 1,..., k, es un valor caracterstico de AT. c. Razonemos por induccin. Para m = 2. Si i es un valor caracterstico de A,
Av = i v.
(1)
Esta ltima ecuacin significa que i 2 es un valor caracterstico de A2. Supongamos que para m = k se cumple que Ak v = i k v. Veamos para m = k + 1. Multiplicando (2) por A,
A Ak v = Ai k v, Ak +1 v = i k Av.
(2)
(3)
k +1
224
Mdulo 16
1.
2 2 Sea A = . Determine cules de los siguientes vectores de 2 2 serlo, determine el valor caracterstico asociado.
2
a. b. c.
d. e. f.
(4, 4) ( 6, 6) ( 1, 2)
2.
3.
4.
5.
1 1 0 0 1 1 0 0 2
6.
1 1 4 3 2 1 2 1 1
7.
0 1 0 0
1 0 0 0 0 1 0 2
0 0 1 4
8.
3 7 5 2 4 3 1 2 2
9.
a 0 0 0
0 0 0 a 0 0 0 a 0 0 0 a
10.
a 0 0 0
0 0 a 0 0 ; b 0 0 a 0 0 0 a
11.
a 0 0 0
b a 0 0
0 c a 0
0 0 ; bc 0 0 a
12.
a 0 0 0
b a 0 0
0 0 c 0 ; bcd 0 a d 0 a
13.
Sea A una matriz diagonal de orden n cuyos elementos de la diagonal principal son 1 , 2 ,..., n . Determine el polinomio caracterstico de A y sus valores caractersticos.
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas lgebra Lineal Elemental y Aplicaciones
225
14. 15.
Sea A una matriz triangular de orden n. Determine el polinomio caracterstico de A as como sus valores caractersticos. Suponga que 1 es un valor caracterstico de la matriz A, y 2 es un valor carcterstico de la matriz B. Es 1 + 2 un valor caracterstico de A + B? Realice una demostracin del teorema 7. Demuestre las partes b y d del teorema 8. Sea A una matriz real de n n. Demuestre que si 1 es un valor caracterstico complejo de A con vector caracterstico
v1, entonces 1 es un valor caracterstico de A con vector caracterstico v1 .
226
El problema de la diagonalizacin
Contenidos del mdulo
17.1 Diagonalizacin 17.2 Condicin necesaria y suficiente para que una matriz An n sea diagonalizable
El problema de la diagonalizacin consiste
17
Preguntas bsicas
1. Cundo una matriz An n es diagonalizable? 2. Si A y B son matrices semejantes, cmo son sus polinomios caractersticos y sus valores caractersticos?
Introduccin
El problema de la diagonalizacin puede enunciarse de la siguiente forma: Dada una matriz A de n n encontrar, si es posible, una matriz D diagonal, similar o semejante a la matriz A. Este problema est ntimamente relacionado con el problema de la determinacin de los valores y vectores caractersticos de A, como veremos en el desarrollo siguiente.
17.1 Diagonalizacin
Definicin 1 Decimos que la matriz An n es diagonalizable si es similar a una matriz diagonal D. Es decir, si existe una matriz invertible P tal que
D = P 1 AP.
Ejemplo 1
3 2 La matriz A = dada en el ejemplo 1 del mdulo 16 es diagonalizable ya que A 3 4
1 0 es similar a BT = . Ambas matrices son representaciones de la transforma0 6
a la base estndar y la matriz BT est referida a la base formada por los vectores
1 2 caractersticos LI y . Estos vectores forman las dos columnas de la 1 3 matriz P.
Teorema 1 Si A y B son matrices similares de n n, entonces A y B tienen la misma ecuacin caracterstica y por consiguiente los mismos valores caractersticos. Demostracin
1 Si A y B son similares entonces existe una matriz P tal que B = P AP, y por tanto
= det ( A I ).
228
17.2 Condicin necesaria y suficiente para que una matriz A n n sea diagonalizable
Teorema 2
Demostracin
1 0 Supongamos que A es similar a D, con D = 0 0
0 0 ; entonces n
D = P 1 AP, de modo que PD = AP. Sea P la matriz cuyas columnas son x1, x2,..., xn
P = x1 , x 2 ,..., x j ,..., x n ,
AP = Ax1 , Ax2 ,..., Ax j ,..., Ax n .
Ahora,
1 0 PD = x1 , x 2 ,..., x j ,..., x n 0 0
0 0 , n
Luego
Ax1 , Ax 2 ,..., Ax j ,..., Ax n = 1x1 , 2 x 2 ,..., j x j ,..., n x n , de donde
Ax j = j x j
j = 1,..., n.
Como P es invertible, sus columnas son LI y x j 0 para j = 1,..., n. Por tanto, j es un valor caractersticos de A y x j un vector caracterstico correspondiente. Entonces A tiene n vectores caractersticos LI. Recprocamente, supongamos que A tiene n vectores caractersticos LI x1, x2,..., xn con valores caractersticos correspondientes 1, 2 ,..., n . Sea P = [x1 , x 2 ,..., x n ] la matriz cuyas columanas son los n vectores caractersticos LI; entonces P es invertible.
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas Como Ax j = j x j para j =1,..., n,
[ Ax1 , Ax 2 ,..., Ax n ] = [1x1 , 2 x 2 ,..., n x n ],
AP = PD .
Multiplicando a ambos lados por P 1 , tenemos:
P 1 AP = D,
lo cual significa que A es diagonalizable. Corolario Si nA tiene n valores caractersticos distintos, entonces A es diagonalizable. n Observacin El teorema 5 del mdulo 16 establece la siguiente equivalencia: 1. A tiene n vectores caractersticos LI multiplicidad geomtrica de i es igual a la multiplicidad algebraica de i , i = 1,..., m , y el teorema anterior dice que: 2. A es diagonalizable A tiene n vectores caractersticos LI.
De 1 y 2 tenemos que: A es diagonalizable multiplicidad geomtrica de i es igual a la multiplicidad algebraica de i , i = 1,..., m, siendo m el nmero de races diferentes del polinomio
P().
Ejemplo 2
230
Mdulo 17: El problema de la diagonalizacin Luego A tiene tres vectores caractersticos LI y por tanto A es diagonalizable, siendo
1 0 0 D = 0 1 0 . 0 0 8
La matriz P que diagonaliza la matriz A es:
1 2 1 1 P = 1 0 12 . 0 1 1
Entonces,
P 1 AP = D .
P ( P 1 AP ) P 1 = PDP 1 ,
( PP 1 ) A( PP 1 ) = A = PDP 1 .
An = PD n P 1 ,
n 1 2 1 1 (1) = 1 0 12 0 0 1 1 0
0 (1) 0
n
0 1 0 9 (8) n
2 8 2 4 2 5 . 4 2 4
20 En particular, si se desea obtener A , bastara hacer el producto indicado con n = 20, en lugar de multiplicar 20 veces por la matriz A.
Ejemplo 3 Las matrices de los ejemplos 1, 3, 4, 5, 7 y 8 del mdulo 16 son diagonalizables ya que para cada una de ellas se determinaron n vectores caractersticos LI. En el ejemplo 2, mdulo 16, se plante la matriz identidad que ya es diagonal, y en el ejemplo 6 del mismo mdulo se obtuvo un valor caracterstico de multiplicidad algebraica 3, al cual slo iba asociado un vector caracterstico LI, luego la matriz propuesta en el ejemplo 6 no es diagonalizable. Cuando estudiamos las propiedades de las matrices similares (teorema 6, mdulo 13) vimos que si A y B son matrices similares entonces det A = det B. Ahora, si A es similar a una matriz diagonal D, det A = det D.
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Diagonalizacin de matrices
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas La matriz diagonal similar a A tiene sobre la diagonal los valores caractersticos de A; entonces,
det A = 1 2 ,..., n .
Tambin establecimos que las distintas representaciones de una misma transformacin lineal son matrices similares (teorema 5, mdulo 13), luego con cualquier representacin matricial que trabajemos obtendremos los mismos valores y vectores caractersticos.
232
Mdulo 17
En los ejercicios 1 a 6 determine si la matriz dada A es diagonalizable; en caso de serlo, determine las matrices P, D y P 1 tales que A = P D P 1 .
1 2 0 0 1 0 0 4 0 0 0 2 1 0 1 2
1.
0 1 0 1 0 0 0 0 2
1 2 2 2
1 Diagonalice A = 0
2.
2 2 4 2 3 2 3 2 5
0 i i 0
3.
4.
5.
6.
i 1 0 i
7.
8. 9.
Si A es invertible y diagonalizable, es A 1 diagonalizable? Si A y B son diagonalizables con A = P 1 D1P y B = Q 1 D2Q, es A B una matriz diagonalizable, con D1 D2 su matriz diagonal equivalente? Es A + B diagonalizable, con D1 + D2 su matriz diagonal equivalente?
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas lgebra Lineal Elemental y Aplicaciones
233
234
18
Preguntas bsicas
1. Cmo se conforma la matriz de transicin de un proceso en un sistema dinmico? 2. Analizando los valores caractersticos de la matriz de transicin A en el estudio de una poblacin, cmo se sabe si la poblacin crece o decrece? 3. Qu es un proceso de Markov? 4. Qu es una matriz de probabilidad? 5. Cundo un proceso de Markov alcanza su estado estacionario?
Introduccin
En esta seccin presentaremos algunas de las aplicaciones ms importantes de la teora de valores y vectores caractersticos. stas son: ecuaciones en diferencias y procesos de Markov.
La poblacin juvenil es aquella entre 0 y 1 ao, y la poblacin adulta es la que tiene ms de un ao de edad. El crecimiento de esta poblacin se estudia a travs de las hembras, y haciendo uso de la primera condicin podemos saber cmo va la poblacin en cualquier periodo. 3. Hay una tasa de supervivencia de los venados jvenes que sobrevivirn para ser adultos en el ao siguiente. Para los adultos tambin hay una tasa de supervivencia de los adultos sobrevivientes para el periodo siguiente. 4. Cada hembra adulta produce, en promedio, k hembras jvenes para el periodo siguiente.
Haciendo uso de la informacin suministrada podemos expresar las poblaciones de hembras jvenes y adultas en el periodo n, as:
Pj , n = kPa , n 1 . Pa , n = Pj , n 1 + Pa , n 1 .
Pj , n 0 o Pn = APn 1 , donde Pn = , A = Pa , n
Pj , n 1 , Pn 1 = . Pa , n 1
Entonces, si P0 es la poblacin inicial de hembras jvenes y adultas, podemos expresar las poblaciones en los periodos siguientes as:
P1 = AP0 , P2 = AP1 = A( AP0 ) = A2 P0 , P3 = AP2 = A( A2 P0 ) = A3 P0 .
236
+ 2 k = 0, entonces 2 k = 0, de donde
= 1 =
2 + 4 k
2
+ 2 + 4 k
2
2 + 4 k
2
Como Pn = An P0 , entonces
Pn = An (a1 v1 + a2 v 2 ) = a1 An v1 + a2 An v 2
= a11n v1 + a2 2 n v 2 , ya que An v1 = 1n v1 y An v 2 = 2n v 2 (teorema 8, parte c, mdulo 16)
n = 1n a1 v1 + a2 2 v 2 . 1
(1)
A largo plazo la distribucin de edades se estabiliza y es proporcional a v1. Cada grupo de edad cambiar por un factor 1 cada ao.
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas Es importante notar toda la informacin que podemos obtener del clculo de los valores y vectores caractersticos: Una pregunta importante de resolver es: la poblacin crecer o decrecer? Aumenta si 1 > 1, y esta condicin se verifica cuando
+ 2 + 4 k
2
> 1,
2 + 4 k > 2 .
Elevando al cuadrado,
2 + 4 k > 4 4 + 2 ,
4 k > 4 4 ,
k>
= 0.8 y P0 = . 200
100
Entonces,
1 0 A= , 0.6 0.8
luego
det ( A I ) = 1 0.6 0.8 = 2 0.8 0.6 = 0,
Sabemos que a la larga la poblacin se estabiliza y se calcula de acuerdo con la ecuacin (1). En consecuencia, la poblacin crecer por un factor aproximado de 1.27. Los granjeros y otras personas del rea no quieren que la poblacin crezca. Pueden controlar la poblacin cosechndola (permitiendo la caza de venados adultos); si h es la proporcin de poblacin cosechada en cada periodo, entonces la proporcin de supervivencia de la poblacin adulta se disminuye en h y la matriz A para el modelo ser:
1 0 A= . 0.6 0.8 h
238
Mdulo 18: Aplicaciones de la teora de valores y vectores caractersticos Veamos qu pasa si h = 0.6. En este caso
1 0 A= , 0.6 0.2 det ( A I ) = 1 = 2 0.2 0.6 = 0
0.6 0.2
y 1 =
As que 1 < 1 y la poblacin decrecer, luego h = 0.6 es una cosecha demasiado grande que terminar por extinguir la especie. Si queremos que la poblacin permanezca estable, esto es, que no crezca ni desaparezca, el valor caracterstico mayor (1 ) debe ser igual a 1. Entonces
1 =
+ 2 + 4 K
2
= 1,
h = 0.4. As que una proporcin de caza igual a 0.4 mantendr estable la poblacin. Ejemplo 1 Una especie animal est clasificada en dos etapas de vida: juvenil (hasta un ao de edad) y adulta. Suponga que las hembras adultas paren una vez al ao un promedio de 1.6 hembras juveniles. Cada ao sobrevive 30% de los juveniles para transformarse en adultos y sobrevive 80% de los adultos. Veamos cmo estara dada la poblacin de esta especie en un periodo cualquiera k.
Pj , k Pk = Pa , k de donde Pj , k = 1.6 Pa , k 1 Pa , k = 0.3Pj , k 1 + 0.8 Pa , k 1
Veamos cmo se comporta este sistema, analizando sus valores y vectores caractersticos.
det ( A I ) = 1.6 = 2 0.8 0.48 = 0,
0.3 0.8
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Aplicaciones valores y vectores propios
Luego 1 = 1.2 y 2 = 0.4. La poblacin crece porque el mayor valor caracterstico de A es 1.2 cuya magnitud es mayor que 1. Determinemos los vectores caractersticos asociados a 1 = 1.2 y 2 = 0.4. Para 1 = 1.2, resolvemos (A 1.2I) x = 0.
1.2 1.6 0.3 0.4 , entonces
0.3x 0.4 y = 0 3x = 4 y
4 Si x = 4 e y = 3, entonces x1 = . 3
Para 2 = 0.4,
(A + 0.4 I) x = 0.
0.4 x + 1.6 y = 0 4 x = 16 y o x = 4 y
En los modelos estudiados se describe un proceso que est determinado por medio de la matriz A. El vector P0 se llama estado inicial del proceso y el vector Pn para
n N se llama n-simo estado del proceso.
240
Mdulo 18: Aplicaciones de la teora de valores y vectores caractersticos A la matriz A se le conoce como la matriz de transicin del proceso y a la ecuacin
Pn = An Pn 1 se le llama ecuacin matricial en diferencias o sistema dinmico.
Teorema 1 Sea A una matriz diagonalizable n n con vectores caractersticos linealmente independientes v1, v2 ,..., vn y sus correspondientes valores caractersticos
Demostracin Los vectores v1, v2 ,..., vn forman una base del espacio V (R n o C n ), luego X0 se puede expresar en esta base como Xo = c1 v1 + c2 v2 + ... + cn v n . Como X k = AX k 1 , entonces
X1 = AX 0 , X 2 = AX1 , X 2 = A2 X 0 ,..., X k = Ak X 0 .
Luego
Xk = Ak (c1 v1 + c2 v 2 + ... + cn v n )
= c1 Ak v1 + c2 Ak v 2 + ... + cn Ak v n .
Aplicando el teorema 8, mdulo 16, donde se establece que si i es un valor caracterstico de A, in es un valor caracterstico de An, tenemos:
Xk = c11k v1 + c2 2k v 2 + ... + cn n k v n .
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas Definicin 1 Sea A una matriz n n. A es una matriz de probabilidad si se cumple que: i. ii.
aij 0 para toda i y j. La suma de las componentes en cada columna es 1.
Antes de plantear modelos de procesos de Markov veremos una propiedad importante de las matrices de probabilidad. Teorema 2 Sea An n una matriz de probabilidad; entonces, = 1 es un valor caracterstico de A. . Demostracin
a
i =1
ij
a
i =1
ij
1 = 0.
ai1 1
i =1
ai 2 1
i =1
a
i =1
in
1 =
0 a2n ann 1 = 0.
a21 an1
a22 1 an 2
a2n ann 1
242
T P 8 N 18 9 T 18
1 18
con aij : probabilidad de que una mquina que se encuentre en el estado j pase al estado i en el periodo siguiente. Asumimos que la probabilidad de estar en uno cualquiera de los estados al final de un periodo depende slo del estado en que se encontraba la mquina al principio del periodo, o sea, el final del periodo anterior.
X1,t Sea Xt = X 2,t , donde X i ,t es la probabilidad de que la mquina est en el estado X 3,t
X n = An X 0 , n 1.
Por ejemplo, si la mquina est trabajando bien al principio del periodo, entonces
0 1 0 , X = 0 X0 = 1 1 0
1 1 1
4 2 4
0 9 18 8 0 = 8 . 18 18 9 1 9 18 18
1 18
Si consideramos una factora donde cada mquina se comporta con una distribucin de probabilidad como muestra X1 , podemos esperar que 1/18 de las mquinas estn paradas, 4/9 necesiten ajustes y 1/2 estn trabajando bien. El comportamiento de la mquina est dado por la matriz A. La secuencia de vectores
X1 , X2 ,..., Xn se llama cadena de Markov.
1 det ( A I ) = 0 0
1 1 2
1 18 8 9 18 18
1 4
= 0,
5 (1 ) 2 + = 0, 36 1 5 (1 ) = 0, 6 6
1 = 1, 2 = , 3 = .
1 6
5 6
1 1 7 1 P = 0 4 4 , P 1 = 0 0 3 3 0
1
1 1 8
1 1 , D = 0 6 1 0 6
1
0
1 6
0 0 . 5 6
Si se quiere saber el estado del proceso despus de cinco periodos, habiendo comenzado con las mquinas trabajando bien, entonces
0 X5 = A X 0 = A 0 , 1
5 5
0 1 1 7 1 0 4 4 0 ( 1 )5 A = PD P = 6 0 3 3 0 0
5 5 1
0 1 0 0 ( 5 6 )5 0
1
1 1 8
1 6 1 6
244
Mdulo 18: Aplicaciones de la teora de valores y vectores caractersticos Despus de cinco periodos la probabilidad de que las mquinas estn trabajando bien es de aproximadamente 0.2, esto es, aproximadamente 20%; poco menos del 27% necesita ajuste y aproximadamento 53% estn paradas. Se quiere saber si existe alguna distribucin que se mantenga de un periodo a otro, esto es, si Xt +1 = Xt , Xt +1 = AXt = Xt . Vemos que el vector de probabilidad correspondiente a = 1 verifica esta condicin. Cuando el proceso se comporta de acuerdo con esta distribucin, se dice que ha
1 0 alcanzado su estado estacionario. Este vector es ; esto es, cuando todas las 0
mquinas estn en el estado (1), o sea, paradas sin reparacin, ya no ocurre ningn cambio de estado de un periodo a otro. A esta situacin se llega cuando han transcurrido n periodos con n grande. El objetivo del anlisis de Markov es calcular la probabilidad de que un sistema se encuentre en un estado en particular en un tiempo futuro y determinar el comportamiento del sistema a largo plazo. Teorema 2 Sea un proceso de Markov dado por la matriz A y la cadena X1, X2 ,..., Xk ,... . Si A es diagonalizable y todo valor caracterstico de A distinto de 1 posee mdulo menor que, 1 entonces: a. b. La sucesin X1, X2 ,..., Xk ... cuando k tiende a infinito converge al lim X k = X .
k
decir, AX = X . Demostracin a. Como A es diagonalizable, la solucin X k de la ecuacin en diferencias o sistema dinmico X k = AX k 1 est dada por
Xk = C11k v1 + C2 2k v 2 + ... + Cr rk v r + Cr +1rk+1 v r +1 + ... + Cn nk v n (teorema 1).
Supongamos que el valor caracterstico = 1 tiene multiplicidad algebraica r, y que r +1 , r + 2 ... n son menores que 1; entonces:
Xk = C1 v1 + C2 v 2 + ... + Cr v r + Cr +1rk+1 v r +1 + ... + Cn nk v n .
Ahora, para cada i = r + 1,..., n tenemos que: lgebra Lineal Elemental y Aplicaciones 245
Luego
lim Xk = C1 v1 + C2 v 2 + ... + Cr vr ... = X .
b.
Los vectores v1, v2,..., vr son vectores caractersticos asociados con = 1. Por tanto, X es un vector del espacio caracterstico de A asociado con = 1.
X se conoce como el estado estacionario del sistema.
Ejemplo 2 Cada ao 5% de la poblacin de la ciudad se muda a los suburbios y 3% de la poblacin de los suburbios se muda a la ciudad. Suponga que inicialmente 60% de la poblacin vive en la ciudad y 40% en los suburbios (figura 18.1). Veamos cul es la distribucin de la poblacin despus un ao.
Figura 18.1
Despus de un ao, aproximadamente, 58% de la poblacin vive en la ciudad y 42% en los suburbios. Se quiere conocer la distribucin de poblacin que permanezca a travs del tiempo.
Pk +1 = Pk = APk . Pk es un vector caracterstico correspondiente a = 1.
0.95 1 0.03 0.05 0.03 0.05 0.97 1 = 0.05 0.03 , entonces
3 Si x = 3, y = 5 , entonces v = . 5
0.05 x = 0.03 y 5x = 3 y
246
Mdulo 18: Aplicaciones de la teora de valores y vectores caractersticos Se debe determinar dentro de los vectores de E1 un vector de probabilidad (la suma de sus componentes debe ser 1).
3/ 8 v1 = es un vector de estado estacionario. 5 / 8
2 1.92 + 0.92 = 0,
1 = 1, 2 = 0.92.
0.03x = 0.03 y x = y
Luego
1 v2 = . 1
P0 = a1v1 + a2 v2 ,
0.6 3 1 0.4 = a1 5 + a2 1 ,
3 1 0.6 1 0 1/ 8 5 1 0.4 0 1 9 / 40 .
Pk = a11k v1 + a22k v2 ,
1 1 3 9 = + (0.92)k . 8 5 40 1
Cuando k ,
3/ 8 (0.92) k 0 y Pk . 5/ 8
A largo plazo la poblacin alcanza el estado estacionario que es el vector de probabilidad correspondiente a = 1. La poblacin se estabiliza cuando 3/8 de ella vive en la ciudad y 5/8 en los suburbios.
Mdulo 18
1. La poblacin de una cierta variedad de peces aumenta de manera que el crecimiento en cualquier ao es el doble del crecimiento en el ao anterior. Si inicialmente se tenan 50 peces y despus del primer ao se contabilizaron 70 peces: a. b. c. 2. Encuentre el tamao de la poblacin de peces en cualquier ao. Encuentre el tamao de la poblacin despus del quinto ao. Encuentre el ao en que la poblacin de peces alcanza 2800 individuos.
Suponga que hay tres centros principales de camiones mdese usted mismo. Cada mes, la mitad de los que estn en Boston y en Los ngeles van a Chicago, la otra mitad permanece donde est y los camiones de Chicago se dividen igualmente entre Boston y Los ngeles. Si inicialmente la compaa tena x0, y0, z0 camiones en Boston, Chicago y Los ngeles, respectivamente, a. b. Encuentre la distribucin de camiones de la compaa en las tres ciudades, para cada mes. Determine cul ser a largo plazo la distribucin de camiones de la compaa.
3.
Cada ao 1/10 de la gente de Estados Unidos que vive fuera de California se muda dentro y 2/10 de la gente que vive dentro de California se muda fuera. Si inicialmente y0 y z0 eran los tamaos de las poblaciones fuera y dentro de California: a. b. c. d. Encuentre, para el k-simo ao, el tamao de la poblacin que vive fuera (dentro) de California. Puede modelar este problema como un proceso de Markov? Encuentre la probabilidad de que un individuo de Estados Unidos, elegido al azar, viva fuera (dentro) de California en el k-simo ao. Encuentre la distribucin de la poblacin americana a largo plazo.
4.
Suponga que hay una epidemia en la que cada mes se enferma la mitad de los que estn sanos y muere la cuarta parte de los que estn enfermos. Suponga que inicialmente haba s0 y e0 individuos sanos y enfermos, respectivamente, y ningn individuo haba muerto. a. b. c. Encuentre la distribucin de la poblacin para el k-simo mes y diga cul es la probabilidad en ese mes, para cada uno de los siguientes eventos: estar sano, estar enfermo, estar muerto. Puede modelar este problema como un proceso de Markov? Encuentre la distribucin de la poblacin a largo plazo.
5.
Un curso de Qumica se imparte en dos secciones. Si cada semana dejan el curso 1/ 4 de los que estn en la seccin A y 1/ 3 de los que estn en la seccin B, y 1/6 de cada seccin se transfiere a la otra:/ a. b. A largo plazo, cul ser la distribucin de alumnos? Puede modelar el problema como un proceso de Markov?
Para resolver a y b suponga que inicialmente tenan x0 e y0 estudiantes en las secciones A y B y ningn estudiante fuera del curso. 6. El crecimiento de un cultivo de bacterias en un medio nutritivo se observa cada dos horas y cada vez se encuentra que la poblacin ha crecido 30% con respecto a la vez anterior. a. b. 7. Denote por Pn la poblacin de bacterias despus de 2n horas y describa este proceso de crecimiento por medio de una ecuacin. Dado que la poblacin inicial es 1000 bacterias, determine P2 y P4.
En un estudio de enfermedades infecciosas se mantiene un registro de brotes de sarampin en un colegio particular. Se estima que la poblacin Pn infectada en la n-sima semana est dada por la ecuacin Pn+ 2 = Pn+1 1/ 5 Pn . Si P0 = 0 y P1 = 1000: a. b. c. Encuentre la poblacin de infectados en la n-sima semana. Se puede modelar el problema como un proceso de Markov? Cuntos infectados se tendrn despus de transcurridas seis semanas?
8.
Una poblacin de conejos criados en un laboratorio tiene las siguientes caractersticas: La mitad de los conejos sobrevive el primer ao. De stos, la mitad sobrevive el segundo ao. La duracin de la mxima vida es tres aos. Durante el primer ao los conejos no producen descendencia. El nmero medio de descendencia es seis durante el segundo ao y ocho durante el tercer ao. Clase de primera edad Clase de segunda edad Clase de tercera edad 0 < edad < 1 1 < edad < 2 2 < edad < 3
Si actualmente la poblacin consta de 24 conejos en la clase de la primera edad, 24 en la clase de la segunda edad y 20 en la tercera edad, cul ser la distribucin de conejos cuando hayan transcurrido diez aos? 9. Una compaa de robtica quiere fabricar un brazo que deber recoger partes de una banda transportadora para colocarlas en otra banda. Ocasionalmente el brazo falla, pero el robot est diseado para que en caso de falla se activen circuitos secundarios. En las observaciones se descubre que si el brazo falla en una ocasin, tendr xito la siguiente vez 97% de las veces. Si el brazo tiene xito en cierto intento, los circuitos secundarios se desactivarn y el brazo fallar la siguiente vez apenas 2% de las veces. Cumplir el brazo con el requerimiento del cliente de que trabaje exitosamente 98% de las veces? En un da dado, un estudiante est sano o bien est enfermo. De los estudiantes que estn sanos hoy, 95% estar sano maana. De los estudiantes que estn enfermos hoy, 55% estar enfermo maana. a. b. c. d. Cul ser la matriz para esta situacin? Suponga que el lunes 20% de los estudiantes est enfermo. Qu fraccin o porcentaje de los estudiantes es probable que est enfermo el mircoles? Si un estudiante est bien hoy, cul ser la probabilidad de estar bien dentro de dos das? Cul es la probabilidad de que despus de muchos das una persona dada est enferma?
10.
250
19
Preguntas bsicas
1. 2. 3. 4. Qu es una matriz bloque de Jordan? Qu es una matriz de Jordan? Cmo est formada la diagonal en una matriz de Jordan? Qu es un vector caracterstico generalizado?
5. Cmo se conforma la matriz P que permite llevar A22 a su forma cannica de Jordan? 6. Si A es una matriz 3 3, cmo se obtiene la matriz P que lleva a A a su forma cannica de Jordan?
Introduccin
La idea de la diagonalizacin de una matriz An n es poder encontrar una matriz ms sencilla semejante a la matriz A con la cual se pueda operar ms fcilmente. Sin embargo, no todas las matrices tienen n vectores caractersticos LI, es decir, no son semejantes a una matriz diagonal; en este caso se puede encontrar semejanza con otra matriz, no diagonal pero s ms sencilla que la matriz original. Veremos la forma de obtener estas matrices.
0 0 Nk = 0 0
1 0 0 1 0 0 0 0
0 0 . 1 0
N k es una matriz con unos arriba de la diagonal principal y ceros en las dems posiciones.
Ahora formamos una nueva matriz B ( ) = I + N k ; a esta matriz la llamamos matriz de bloques de Jordan.
1 0 0 1 B ( ) = kxk 0 0 0 0 0 0
0 0 . 1 0 0 0
B ( ) es una matriz que tiene un valor fijo sobre la diagonal, unos encima de la diagonal y ceros en las dems posiciones.
Podemos considerar que una matriz bloque de Jordan de 1 1 (orden 1), ser B( ) = ( ). Con las matrices de bloques de Jordan se forma la matriz de Jordan J, la cual tiene la siguiente forma:
0 B1 (1 ) 0 B2 (2 ) J = 0 0 0 . Br (r ) 0
J es una matriz que tiene en la diagonal matrices de bloques de Jordan y ceros en las dems posiciones.
252
1.
2 0 0 0 0
0 0 0 0 2 1 0 0 0 2 1 0 0 0 2 0 0 0 0 3
3 1 0 0 3 0 . 0 0 4
Las anteriores son matrices de Jordan; los bloques de Jordan se han marcado con lneas punteadas. 2. Veamos las posibles matrices de Jordan de 3 3 .
1 0 0 2 0 0
J = P 1 AP .
Este hecho es uno de los resultados ms importantes del lgebra lineal, aunque su demostracin va ms all del alcance de un curso inicial. La matriz J tiene sobre la diagonal los valores caractersticos de A. Esta matriz es nica excepto por el orden en que aparecen los bloques de Jordan.
Escuche el audio El puente de Tacoma en su multimedia de lgebra Lineal
3 0 0 J2 = 0 0 0
0 0 0 0 0 4 1 0 0 4 0 1 1 0 0 0 0 1 1 0 0 0 0 1 , J3 = 0 0 1 0 0 0 0 0 0 0 0 4 1 0 0 0 0 0 0 0 4 0 0 0 1 0 0 0 0 4 0 0 0 0 0 3 0 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 1
0 0 0 0 0 0 1 0 0 , 1 1 0 0 1 0 0 0 3
4 0 0 J4 = 0 0 0
y otras dos matrices de Jordan. La matriz J se llama forma cannica de Jordan de A. Si A es diagonalizable, la forma cannica de Jordan de A ser la matriz diagonal D equivalente a A, donde los bloques de Jordan sern los valores caractersticos de A, 1 , 2 ,..., n no necesariamente distintos. A continuacin veremos cmo obtener la forma cannica de Jordan para una matriz
A22 . Si A es diagonalizable ya sabemos cmo obtener su matriz diagonal equivalen-
te. Slo resta analizar el caso en el cual A tiene un solo valor caracterstico de multiplicidad algebraica 2 y multiplicidad geomtrica 1. Bajo estas condiciones, si v1 es un vector caracterstico correspondiente al valor caracterstico , entonces existe un vector v2 que satisface la ecuacin
( A I )v2 = v1.
254
Ahora,
1 PJ = [v1 , v2 ] = [ v1 , v1 + v2 ]. 0
Luego
AP = PJ ,
de donde P1 AP = J .
Solucin
det ( A I ) = 10 7 7 4 =0,
2 + 6 + 9 = 0 ( + 3) 2 = 0.
Luego = 3 es el nico valor caracterstico de A, con multiplicidad algebraica 2. Determinemos los vectores caractersticos correspondientes a = 3 .
( A + 3I )x = 0,
7 7 x 0 7 7 y = 0 ,
entonces
7 x 7 y = 0 7 x = 7 y x = y
Por tanto,
1 E3 = gen . 1
1 Si v1 = , el vector v2 debe encontrarse como un vector caracterstico generali1 zado.
entonces
7 x 7 y = 1 7 x + 7 y = 1 x+ y = 1 7
Si x = 0,
y = 1/ 7,
0 luego v 2 = 1 . 7
1 P= 1 0 0 1 7 0 1 1 , P = 7 1 1 = 7 7 , 1 7
1
0 10 7 1 1 J = P 1 AP = 4 1 7 7 7
0 3 1 = 0 3 . 7
256
19.4 Generalizacin del procedimiento para obtener la forma cannica de Jordan de Anxn
El mtodo descrito puede generalizarse para obtener la forma cannica de Jordan de cualquir matriz. Es posible determinar el nmero de unos arriba de la diagonal en la forma cannica de Jordan de una matriz A de n n. Sea i un valor caracterstico de A con multiplicidad algebraica ri y multiplicidad geomtrica ti . Si 1 , 2 ,..., k son los valores caractersticos de A, entonces el nmero de unos arriba de la diagonal de la forma cannica de Jordan de A es:
(r1 t1 ) + (r2 t2 ) + ... + (rk tk )
= ri ti = n ti .
i =1 i =1 i =1
Si se conoce la ecuacin caracterstica de A, entonces se pueden determinar las posibles formas cannicas de Jordan de A. Ejemplo 5 Si el polinomio caracterstico de A es ( 3)3 ( + 4), entonces las posibles formas cannicas de Jordan de A son: 1.
2.
3.
Generalizando el procedimiento para hallar el vector caracterstico generalizado v2 de la matriz A2 2 no diagonalizable, podemos describir el proceso para encontrar lgebra Lineal Elemental y Aplicaciones 257
Captulo 4: Valores caractersticos, vectores caractersticos, diagonalizacin y formas cannicas los vectores caractersticos generalizados en una matriz A33 no diagonalizable. Sea A una matriz 3 3 . Suponga que es un valor caracterstico de A con multiplicidad algebraica 3 y multiplicidad geomtrica 1 y sea v1 el vector propio corresponVea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar La forma cannica de Jordan
resolviendo ( A I ) v3 = v2 tal que v1, v2 y v3 son linealmente independientes. Las columnas de la matriz P sern los vectores v1, v2 y v3 y la forma cannica de Jordan
1 0 ser J = 0 1 . 0 0
Ejemplo 6 En el ejemplo 6 del mdulo 16, para la matriz
0 1 0 A = 0 0 1 1 3 3
con ecuacin caracterstica ( 1)3 = 0, determinamos un solo vector caractersti-
1 co correspondiente a = 1, v1 = 1 . 1
Encontremos los vectores caractersticos generalizados v2 y v3 , para determinar la matriz P = [ v1 , v 2 , v 3 ] tal que P 1 AP = J . Resolvamos ( A I ) v2 = v1.
1 1 0 x 1 0 1 1 y = 1 1 3 2 z 1 1 1 0 1 1 0 1 2 0 1 1 1 0 1 1 1 , 1 3 2 1 0 0 0 0
2 v2 = 1 . Si z = 0, x = 2 e y = 1, entonces 0
x = 2 + z y = 1 + z z= z
258
1 1 0 x 2 0 1 1 y = 1 , 1 3 2 z 0
1 1 0 2 1 0 1 3 0 1 1 1 0 1 1 1 , 1 3 2 0 0 0 0 0
x = 3+ z y = 1+ z z= z
3 v3 = 1 . Si z = 0, entonces 0
Luego
1 2 3 P = 1 1 1 , 1 0 0
0 0 1 P = 1 3 2 . 1 2 1
1
0 0 1 0 1 0 1 2 3 1 1 0 J = 1 3 2 0 0 1 1 1 1 = 0 1 1 . 1 2 1 1 3 3 1 0 0 0 0 1
Mdulo 19
En los ejercicios 1 a 9 determine si la matriz dada es de Jordan.
3 1 0 1 3 0 0 1 1 0 0 0 1 2 0 1
1.
2.
3.
4.
5.
3 1 0 1
6.
1 0 0 0 3 1 0 0 4
7.
1 0 0 0 3 1 0 0 3
8.
1 0 0 0 0
0 0 0 0 3 1 0 0 0 3 1 0 0 0 3 0 0 0 0 3
9.
a 0 0 0 0
0 0 0 0 b 1 0 0 0 b 1 0 0 0 c 0 0 0 0 c
En los ejercicios 10 a 12 encuentre una matriz invertible P que transforme la matriz de 2 2 a su forma cannica de Jordan.
2 7 7 12 7 4 7 10 2 1 1 4
10.
11.
12.
13.
14.
6 0
1 2
8 0 . 0
15.
En los ejercicios 16 a 19 se da el polinomio caracterstico de una matriz A. Escriba todas las posibles formas cannicas de Jordan de A. 16. 18.
2 ( 1) 2
( 2)( + 3) 2
17. 19.
( + 3) 2 ( 4)3 ( 7)3
20.
Usando la forma cannica de Jordan, demuestre que para cualquier matriz A de n n, det A = 1 2 ,..., n , donde
Captulo 5
Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores y vectores caractersticos
Segn Morris Kline1, los valores caractersticos se originaron en el contexto de formas cuadrticas y en la mcanica celeste (el movimiento de los planetas), conocindose como races caractersticas de la ecuacin escalar.
En el captulo anterior tratamos el problema general de la diagonalizacin de una matriz. Ahora veremos un caso especfico importante que se presenta cuando la matriz An n es simtrica y es que estas matrices siempre son diagonalizables, de tal forma que la matriz P que diagonaliza a A es una matriz ortogonal. Este hecho tiene una aplicacin relevante en la reduccin de formas cuadrticas en
2
Mdulo 20 Diagonalizacin ortogonal Ejercicios Mdulo 20 Mdulo 21 Formas cuadrticas y secciones cnicas Ejercicios Mdulo 21 Mdulo 22 Aproximacin de valores y vectores caractersticos Ejercicios Mdulo 22
Finalizamos el captulo presentando el teorema de las circunferencias de Gershgorin, el cual proporciona un intervalo donde se pueden acotar los valores caractersticos cuando no se precisa conocerlos con exactitud. Adems se desarrolla un mtodo iterativo para calcular el valor caracterstico y el vector caracterstico dominante de una matriz. Estos procedimientos se hacen necesarios debido a que cuando A es una matriz de orden grande, el clculo de los valores caractersticos por medio de la ecuacin caracterstica se transforma en un problema algebraico difcil.
En Mathematical thought from ancient to modern times (Fair Lawn, NJ.: Oxford University Press, 1972).
264
20
El movimiento horizontal del sistema de masas y resortes en el cual todas las masas son iguales y todos los resortes son iguales se puede analizar diagonalizando la matriz simtrica
A=
20.1 Diagonalizacin ortogonal 20.2 Procedimiento para encontrar n vectores caractersticos ortonormales de una matriz simtrica An n
2 1 1 2 .
Preguntas bsicas
1. Cmo son los valores caractersticos de una matriz simtrica real A? 2. Cmo son los vectores caractersticos que corresponden a valores caractersticos diferentes? 3. Qu significa que una matriz es diagonalizable ortogonalmente? 4. Qu se puede decir de una matriz que es diagonalizable ortogonalmente?
Introduccin
Estudiaremos varias propiedades importantes de las matrices simtricas, tales como que siempre tienen n vectores caractersticos LI y todos sus valores caractersticos son nmeros reales. Ahora, no slo se garantiza su diagonalizacin, sino que adems se puede comprobar que se puede formar una base ortonormal con sus vectores caractersticos.
Si nAn es una matriz simtrica con elementos reales, entonces: a. b. Sus valores caractersticos son reales. Los vectores caractersticos correspondientes a distintos valores caractersticos son ortogonales.
y u 0.
0 , entonces = .
b.
Au1 u 2 = u1 At u 2 = u1 Au 2 = u1 2 u 2 = 2 (u1 u 2 ),
266
Mdulo 20: Diagonalizacin ortogonal Como 1 2 , entonces u1 u2 = 0, lo cual significa que u1 y u2 son ortogonales. Observacin: note que en la parte b del teorema se plantea el producto escalar entre Au1 y u 2 ; esto se puede hacer as ya que en la parte a del teorema se ha demostrado que los valores caractersticos son nmeros reales, y como A es una matriz real, los vectores caractersticos sern elementos de Teorema 2 Sea A una matriz simtrica real de n n; entonces A tiene n vectores caractersticos ortonormales. La demostracin del teorema excede el alcance de este curso; sin embargo, podemos verificarlo siempre que trabajamos con matrices simtricas. Del teorema se desprende, como consecuencia, que toda matriz simtrica real es diagonalizable y sus vectores caractersticos no slo son LI sino que son ortogonales. Si estos vectores se normalizan, se tienen n vectores caractersticos ortonormales de modo que la matriz P que diagonaliza la matriz simtrica A es ortogonal. Definicin 1 Una matriz An n es diagonalizable ortogonalmente si existe una matriz ortogonal P tal que
PT A P = D,
n
donde D es la matriz diagonal que tiene sobre la diagonal los valores caractersticos de A. Teorema 3 Sea A una matriz real de n n. Entonces A es diagonalizable ortogonalmente si y slo si A es simtirca. Demostracin Si A es simtrica, el teorema 2 y la definicin anterior nos permiten concluir que A es diagonalizable ortogonalmente. Recprocamente, si A es diagonalizable ortogonalmente, existe P ortogonal tal que
PT A P = D, luego A = P D PT ; entonces, AT = ( P D PT )T = ( PT )T DT PT = P D PT .
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores y vectores caractersticos Si An n es una matriz simtrica con n valores caractersticos diferentes, sus vectores caractersticos sern ortogonales. Ahora, si hay valores caractersticos con multiplicidades mayores que 1, los vectores caractersticos que se obtienen al resolver el espacio caracterstico correspondiente no necesariamente son ortogonales; si aplicamos el proceso de Gram-Schmidt, obtendremos vectores ortonormales, pero sern todava vectores caractersticos? La respuesta es s, ya que al aplicar el proceso de Gram-Schmidt slo se toman combinaciones lineales particulares de los vectores de la base del espacio caracterstico y por tanto los vectores ortonormales obtenidos sern tambin vectores caractersticos correspondientes al mismo valor caracterstico .
20.2 Procedimiento para encontrar n vectores caractersticos ortonormales de una matriz simtrica An xn
a. b. c. Encontrar los valores caractersticos de A. Encontrar una base para cada espacio caracterstico. Aplicar el proceso de Gram-Schmidt para obtener una base ortonormal de cada espacio caracterstico. De esta forma todos los vectores obtenidos forman un conjunto de n vectores caractersticos ortonormales.
Ejemplo 1
1 1 1 , 0 , 1 1
1 2 . 1
1 1 , 1 . 0 = 0 1 1
1 1 1 . 2 = 0 , 1 1
3
1 1 0 . 2 = 0. 1 1
268
1 1 1 , 3 1
1 1 0 , 2 1
1 1 2 6 . 1
Luego la matriz P cuyas columnas son estos vectores es una matriz ortogonal, de modo que P T A P = D.
1 1 1
3 2 6 1 3 1 1 6 1
0
2
1 1 0 1 1 2 1 1 2 0 1 1 1 6
3
3 3 3
1 2
0
1 2
0 0 0 = 0 1 0 6 . 0 0 3 6
6
Ejemplo 2
det( A I ) = 1 1
1 1
1 1
= 3 + 3 + 2 = 0 = 3 3 2 = 0 ( + 1)2 ( 2) = 0
2 = 2 .
Para determinar E1 , resolvemos (A + I )x = 0.
1 1 1 1 1 1 1 1 1 0 0 0 , luego 1 1 1 0 0 0
x = y z y= y z= z
Entonces E1
1 1 = gen v1 = 1 , v 2 = 0 . 0 1
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Diagonalizacin ortogonal
Ahora, v1 y v 2 no son mutuamente ortogonales, aunque s son linealmente independientes. Aplicamos a esta base el proceso de Gram-Schmidt.
u1 =
1 v1 1 1 . = v1 2 0
Sea v 2 = v 2 ( v 2 u1 )u1
1 1 2 1 2 1 1 2 1 1 = 0 0 . 2 2 = 1 2 , 1 1 0 0 1
1 1 2 2 1 1 = u2 = 2 = 6 v 2 2 1 v 2 . 6 6
6
v 2 =
6 . 2
E2 lo encontramos resolviendo ( A 2 I )x = 0.
2 1 1 1 0 1 1 2 1 0 1 1 ; entonces 1 1 2 0 0 0
x= z y= z z= z
1 , v 3 = 1 . 1
Luego
1 E2 = gen 1 . 1
3 . 3
3 1 1 2 6 6 6 1 1 1
1 2 La matriz P = 1 2 0
simtrica A. As que:
1 0 0 P A P = D = 0 1 0 . 0 0 2
T
270
Mdulo 20
En los ejercicios 1 a 7 diagonalice ortogonalmente las matrices simtricas dadas, determinando la matriz diagonal D y la matriz diagonalizante ortogonal P.
1.
2 2 2 2
2.
1 1 1 1
3.
1 2 2 2 1 2 2 2 1
4.
0 0 1 0 0 0 1 0 0
5.
0 0 0 0 2 2 0 2 2
6.
1 2 2 2 1 2 2 2 1
7.
0 1 1 1 0 1 1 1 0
8.
Suponga que An n es una matriz simtrica real para la que todos sus valores caractersticos son cero. Demuestre que A es la matriz nula n n. Demuestre que si una matriz real A de 2 2 tiene vectores propios ortogonales, entonces A es simtrica. Muestre que si A es invertible y ortogonalmente diagonalizable, entonces A1 es ortogonalmente diagonalizable. Sea A una matriz real antisimtrica. Demuestre que todo valor propio de A es de la forma bi, donde b unidad imaginaria. e i es la
9. 10. 11.
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de lgebra Lineal Elemental y Aplicaciones 271 valores y vectores caractersticos
272
21
21.3 Teorema 1: Teorema de los ejes principales en 21.4 Formas cuadrticas en ms de dos variables
La expresin de una forma cuadrtica en trminos de una matriz simtrica permite utilizar las propiedades de las matrices simtricas para reducir las ecuaciones de las secciones cnicas representadas a sus ejes principales.
Preguntas bsicas
1. Qu es una forma cuadrtica en 2 y cmo se relaciona con la ecuacin general de segundo grado? 2. Cmo se expresa matricialmente una forma cuadrtica? 3. Cmo se emplea la diagonalizacin ortogonal de la matriz A de la forma cuadrtica, para llevar sta a sus ejes principales? 4. Cmo se determina el ngulo que deben rotar los ejes x e y para llevar la cnica a nuevos ejes xy y expresarla en su forma cannica? 5. Cmo debe ser la matriz ortogonal P que diagonaliza la matriz A para que corresponda a una matriz de rotacin? 6. En la ecuacin de segundo grado, eliminado el trmino en xy, cmo se puede saber qu tipo de cnica representa?
Introduccin
En este mdulo presentamos una aplicacin de la diagonalizacin ortogonal. Las propiedades de las matrices simtricas estudiadas en la seccin anterior nos proporcionan una herramienta importante en la reduccin de las ecuaciones de segundo grado cuando en ellas hay un trmino cruzado, es decir, un trmino en xy.
Vea el mdulo 21 del programa de televisin lgebra Lineal
(1)
La grfica de esta ecuacin es una seccin cnica o un caso degenerado de stas como un punto, una recta, un par de rectas o el conjunto vaco. Cuando la constante B es cero, o sea cuando la ecuacin no tiene trmino en xy, los ejes de simetra de la cnica son paralelos a los ejes coordenados. Las cnicas no degeneradas estn en posicin cannica si sus grficas y ecuaciones son como se indica en la figura 21.1. La ecuacin est en forma cannica.
274
Figura
21.1
Se puede observar que las ecuaciones de las secciones cnicas cuyas grficas estn en posicin cannica no tienen el trmino xy o trmino mixto; cuando ste aparece en la ecuacin, la grfica es una seccin cnica que ha sido rotada desde su posicin cannica. Adems, en las ecuaciones cannicas correspondientes a crculos, elipses e hiprbolas las variables x e y aparecen siempre al cuadrado; cuando la ecuacin contiene trminos cuadrticos y lineales en las variables x e y y la ecuacin no tiene trmino mixto, la grfica es una seccin cnica trasladada desde su posicin cannica; finalmente, si aparece trmino en xy y trminos lineales en x o en y, la grfica es una seccin cnica rotada y trasladada (figura 21.2).
Figura 21.2
En la ecuacin general de segundo grado (1) consideremos nicamente los trminos cuadrticos, o sea, Ax2 + Bxy + Cy2 . A esta expresin la llamamos forma cuadrtica asociada con la ecuacin (1) y la denotamos por F ( x, y ). Tenemos entonces que:
F ( x, y) = Ax2 + Bxy + Cy 2 .
(2)
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores y vectores caractersticos Esta forma cuadrtica la podemos representar matricialmente as:
F ( x, y ) = XT R X,
(3)
x donde X = y R es la matriz simtrica que tiene sobre la diagonal principal los y coeficientes de los trminos cuadrados puros y sobre la otra diagonal se reparte simtricamente el coeficiente del trmino cruzado.
A F ( x, y ) = ( x y ) B 2
x = Ax 2 + Bxy + Cy 2 . C y
2
3 1 x F ( x, y ) = [ x y ] 1 1 y x = [3 x + y x + y ] y 2 = 3 x + xy + xy + y 2 = 3x 2 + 2 xy + y 2 .
Inversamente, si R es una matriz simtrica, entonces la ecuacin (3) define una forma cuadrtica. Se puede representar F ( x, y ) por muchas matrices, pero slo por una matriz sim3 a trica. En el ejemplo dado, cualquier matriz R = , donde a + b = 2, verifica que b 1
3 3 XT R X = F ( x, y); entonces, si R = , se cumple que 1 1
3 3 x [ x y] 1 1 y x = [3x y 3 x + y ] y 2 = 3x xy + 3 xy + y 2 = 3 x 2 + 2 xy + y 2 .
Ahora, si a la matriz R se le exige adems que a = b, entonces slo habr una matriz P que satisfaga simultneamente las dos condiciones a + b = 2 y a = b. Consideremos entonces la forma cuadrtica F ( x, y ) = XT R X con R una matriz simtrica. Por el teorema 3 del mdulo 20, R es diagonalizable ortogonalmente, esto es, existe una matriz ortogonal P tal que R = P D PT , donde D es la matriz diagonal
276
Mdulo 21: Formas cuadrticas y secciones cnicas que tiene sobre la diagonal los valores caractersticos de R. Entonces X T R X se puede escribir como XT ( P D PT ) X, y asociando, como
( X T P ) D ( P T X ).
Es decir, F ( x, y ) es una forma cuadrtica en la que no figura el trmino xy. Ejemplo 1 Sea la forma cuadrtica 3 x 2 + 2 xy + y 2 y expresmosla en nuevas variables x e y donde no figure un trmino en xy.
3 1 x F ( x, y ) = [ x y ] . 1 1 y
2 4 + 2 = 0
1 = 2 + 2, 2 = 2 2
( R (2 + 2) I ) X = 0,
1 2 1
Entonces
x 0 = . 1 2 y 0 1
(1 2)x = y si x = 1, y = 2 1,
luego
1 v1 = 2 1 v1 = 1 + ( 2 1)2 = 4 2 2.
Despus resolvemos ( R (2 2) I ) X = 0.
1 + 2 1
x 0 = (1 + 2)x = y; 1 + 2 y 0 1
entonces, si x = 1, y = 1 + 2. As que
1 v2 = 1 + 2 v 2 = 1 + (1 + 2) 2 = 4 + 2 2 .
1 . 4 + 2 2 1 + 2 1
u2 =
1 42 2 Sea P = 2 1 42 2
2 + 2 con D = 0
2 2 0
(2 + 2) x2 + (2 2) y 2 = F ( x, y),
en la cual no hay un trmino en x y . La matriz P que diagonaliza la matriz simtrica R es real y ortogonal, o sea, PT = P 1 , entonces 1 = det PP 1 = det PPT = det P det PT = (det P ) 2 . Por tanto, det P = 1. Si det P = 1, se pueden intercambiar las columnas de P para hacer el determinante de esta nueva matriz igual a 1; esto equivale a intercambiar 1 y 2 . Veamos ahora que cuando P es real y ortogonal con determinante 1,
278
a c Por el teorema 1 del mdulo 15, los vectores b y d forman una base ortonormal
de
cos sar como sen , siendo el ngulo que forma el vector con el eje x positivo.
Figura
21.3
c Si d =
cos P= sen
sen y cos
P = 1.
Luego la matriz ortogonal P que tiene determinante 1 es una matriz de rotacin. Por tanto, se ha demostrado el siguiente teorema.
en
Sea F ( x, y) = Ax2 + Bxy + Cy 2 una forma cuadrtica en las variables x e y. Entonces existe un nico nmero en [0, 2 ] tal que F ( x, y ) se puede escribir en la forma
1 x2 + 2 y 2 = F ( xy ) ,
donde x e y son los ejes obtenidos al rotar los ejes x e y un ngulo en sentido contrario a las manecillas del reloj.
A
2
. C
2
Si la forma cuadrtica F ( x, y ) est igualada a un trmino independiente F, tenemos una ecuacin cuadrtica, y de la ecuacin F ( x, y ) = F = 1 x2 + 2 y 2 se dice que ha sido expresada en sus ejes principales.
Ejemplo 2 Tomemos la ecuacin cuadrtica 3 x 2 + 2 xy + y 2 = 4. En el ejemplo 1 se encontr que la forma cuadrtica en sus ejes principales es
4 2 2
sobre el eje y.
b2 = 4 2+ 2 y c2 = a 2 b2 = 4 (2 2) 4 2+ 2 = 4 2.
280
cos =
1 42 2
, y sen =
2 1 42 2
Como ambos son positivos, est en el primer cuadrante. Usando la calculadora, determinamos que 22.5 . Por tanto, se trata de una elipse centrada en el origen y rotada un ngulo de 22.5 (figura 21.4).
Figura 21.4
Ejemplo 3 Identifique la seccin cnica cuya ecuacin es 3 x 2 2 xy y 2 = 4. Solucin En el ejemplo 2 vimos que la forma cuadrtica 3 x 2 + 2 xy + y 2 en sus ejes principales se puede expresar como (2 + 2) x2 + (2 2) y 2 , luego la ecuacin dada se puede escribir como:
(2 + 2) x2 (2 2) y2 = 4.
Como para cualesquier nmeros reales x e y, (2 + 2) x2 (2 2) y2 0, no existen nmeros reales x e y que satisfagan la ecuacin dada. Luego la seccin cnica definida se llama seccin cnica degenerada.
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores y vectores caractersticos Ejemplo 4 Identifique y trace la grfica de la ecuacin 9 x 2 + y 2 + 6 xy 10 10 x + 10 10 y + 90 = 0. Escriba la ecuacin en forma cannica.
( 10) = 0
1 = 0 y 2 = 10
El vector caracterstico asociado a 1 = 0 se obtiene resolviendo
9 3
3 x 0 = ; entonces 1 y 0
1 3 x = y , v1 = . 3
Para 2 = 10 tenemos
1 3 3 x 0 y = 0 ; 9
entonces,
3 x = 3 y, v 2 = . 1
P=
1 10 3 10
0 0 PT R P = D = . 0 10
282
Mdulo 21: Formas cuadrticas y secciones cnicas La forma cuadrtica en los ejes xy es 10 y2 .
T Ahora, como X = P X, entonces X = PX , luego la ecuacin cuadrtica en las
variables xy es:
10 y 2 + [10 10 10 10]
Realizando los productos se obtiene
10 y 2 40 x 20 y = 90,
y 2 4 x 2 y = 9, ( y 2 2 y + 1) = 9 + 4 x + 1,
1 10 3 10
3 10 x = 90. 1 y 10
( y 1) 2 = 4( x 2).
Esta ecuacin corresponde a una parbola rotada y trasladada. Sea y = y 1 y x = x 2; entonces la ecuacin es y 2 = 4 x. El ngulo de rotacin lo conocemos con la primera columna de P, as:
cos =
1 10
, sen =
3 10
Luego es un ngulo del cuarto cuadrante: = 360 71.56 = 288.44 (figura 21.5).
Figura
21.5
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Formas cuadrticas
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores y vectores caractersticos Identificamos la grfica de una ecuacin cuadrtica dada en x e y mediante la ecuacin obtenida despus de rotar los ejes. En trminos generales esta ecuacin es:
1 x2 + 2 y2 + Dx + Ey + F = 0.
Teorema 2 Dada la ecuacin de segundo grado 1 x2 + 2 y2 + Dx + Ey + F = 0, entonces: a. Si 1 y 2 son ambos positivos, o ambos negativos, la grfica es una elipse, una circunferencia (si 1 = 2 ) o una seccin cnica degenerada. b. Si 1 y 2 son de signo opuesto, la grfica es una hiprbola o dos rectas que se cortan. Si 1 = 0 o 2 = 0 , la grfica es una parbola, dos rectas paralelas o una seccin cnica degenerada.
c.
1 donde P = 1 1
3 3 3
0
1 2
. 6 1 6
6
En consecuencia, X T R X = X T P D P T X = ( X )T D X , siendo X = P T X. Por tanto, la ecuacin cuadrtica en sus ejes principales se puede escribir como:
284
y 2 z 2 + = 1. 27 9
La seccin transversal del grfico en el plano xy obtenida al hacer
y 2 z 2 + = 1. 27 9
Figura
21.6
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores y vectores caractersticos Finalmente extendemos el concepto de forma cuadrtica a cualquier nmero de variables.
Definicin 1
x1 x2 Sea X = y R una matriz simtrica de n n. xn
Ejemplo 6
1 3 3 2 Sean A = 5 0 2 1 4 3
4 x1 3 x2 4 0 6 y X = x3 ; entonces 0 1 5 x4 x 6 5 2 5 5 2 0 1
XT R X = [ x1 x2 x3 x4 x5 ] 1 3 3 2 5 0 2 1 4 3
5 0 4 0 6
4 x1 1 3 x2 0 6 x3 . 1 5 x4 5 2 x5 2
Luego
2 F ( x1 , x2 , x3 , x4 , x5 ) = x12 + 6 x1 x2 + 10 x1 x3 + 4 x1 x4 + 8 x1 x5 + 2 x2 2 x2 x4 2 2 2 +6 x2 x5 + 4 x3 + 12 x3 x5 + x4 10 x4 x5 + 2 x5 .
286
Mdulo 21: Formas cuadrticas y secciones cnicas La matriz R que corresponde a esta forma cuadrtica es:
5 3 2 R= 5 2 3
3 5 9
4
9 2
7 4
3 0 . 4 3
Mdulo 21
En los ejercicios 1 a 5 escriba cada forma cuadrtica como XT R X, donde R es una matriz simtrica. 1. 2. 3. 4. 5.
2 x 2 + 5 xy 9 y 2 3 x 2 3 xy + 6 xz 9 y 2 + 7 yz z 2
4 x 2 + 6 xy 3 y 2 + 7 xz
xy = a;
a >0
6 x 2 + 5 xy 6 y 2
En los ejercicios 6 a 12 escriba la ecuacin cuadrtica en la forma XT R X = d y elimine el trmino xy rotando los ejes un ngulo . Escriba la ecuacin en trminos de las nuevas variables, identifique la seccin cnica obtenida y realice una representacin grfica cuando esto sea posible. 6. 7. 8. 9. 10. 11. 12.
4 x 2 + 4 xy + y 2 = 9
4 x 2 + 4 xy y 2 = 9
xy = a; a > 0
x 2 + 2 xy y 2 = 0
x 2 3 xy + 4 y 2 = 1
6 x 2 + 5 xy 6 y 2 = 7 9 x 2 + y 2 + 6 xy = 4
En los ejercicios 13 a 15 identifique la grfica de la ecuacin y escriba sta en forma connica. 13. 14. 15.
5 x 2 + 12 xy 12 13x = 36
5 x 2 + 5 y 2 6 xy 30 2 x + 18 2 y + 82 = 0 x 2 y 2 + 2 3xy + 6 x = 0
En los ejercicios 16 y 17 escriba la forma cuadrtica en trminos de las nuevas variables x, y , z de manera que se eliminen los trminos de productos cruzados (xy, xz, yz). 16. 17.
x 2 2 xy + 2 y 2 2 yz + z 2
x 2 2 xy + y 2 2 xz 2 yz + z 2
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de 288 valores y vectores caractersticos
22
Preguntas bsicas
1. Cmo se construye un crculo de Gershgorin? 2. Qu dice el teorema del crculo de Gershgorin? 3. Cundo una matriz An n tiene un valor caracterstico dominante? 4. Cmo se define la secuencia de iteraciones para calcular el valor y el vector caracterstico dominante de A? 5. En qu consiste el mtodo de la potencia con normalizacin? 6. Cmo se calcula el error relativo que se comete al calcular el valor caracterstico dominante?
Introduccin
En el captulo anterior desarrollamos un algoritmo para calcular el polinomio caracterstico de A, y a partir de l, extrayendo sus races, obtener los valores caractersticos de A. Esta forma de solucin presenta algunos problemas. Uno de ellos tiene que ver con el condicionamiento del polinomio caracterstico y es que cuando ste est mal condicionado, errores pequeos de redondeo en los coeficientes del polinomio pueden conducir a errores grandes en las races. Otro problema es que incluso si los coeficientes del polinomio fueran exactos, es difcil encontrar todas las races del polinomio. Estas dificultades han motivado el diseo de mtodos numricos para el clculo directo de los valores y vectores caractersticos.
El siguiente teorema nos proporciona una aproximacin de los valores caractersticos de A con un mnimo de operaciones algebraicas. Antes de presentar el teorema definiremos algunos trminos que figuran en su enunciado. Sea A una matriz n n de componentes reales o complejas.
a11 a12 a a A = 21 22 n n an1 an 2 a1n a2 n . ann
Se define el nmero
a
j =2 n j =1
j 2
1j
, ,
2j
a
j =1
j i
ij
Esto es, i es la suma de los valores absolutos de las componentes del i-simo rengln de A, excepto la componente que est sobre la diagonal principal. Sea Di = { z
: z aii i } . Di es un crculo en el plano complejo con centro
en aii y radio i , con i = 1,..., n. El crculo Di est compuesto por todos los puntos del plano complejo, sobre y dentro de las circunferencias Ci = { z
: z aii = i }. A estas circunferen-
Teorema 1: Teorema del crculo de Gershgorin Sea A un matriz de n n y Di el conjunto definido anteriormente; entonces, cada valor caracterstico de A est contenido en al menos uno de los Di. Esto es, si los valores caractersticos de A son 1 , 2 ,..., k , entonces
290
{1 , 2 ,..., k }
Demostracin
UD .
i =1 i
Ahora, Ax = x.
a11 ai1 an1 a12 ai 2 an 2 a1n ain ann x1 x1 x x 2 2 = . xi xi xn xn
a x
j =1
j i
ij
= xi aii xi = ( aii ) xi .
Tomando valor absoluto a ambos lados, y aplicando la desigualdad de Cauchy Schwarz aij x j aij x j , se obtiene:
( aii ) xi =
a
j =1
j i
ij
xj
j =1
j i
aij x j ,
j =1
j i
aij
xj xi
j =1
j i
aij
= i , ya que x j xi .
Vea en su multimedia de lgebra Lineal el cdigo fuente en MATLAB para ilustrar Circunferencia de Gershgorin
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores y vectores caractersticos Ejemplo 1
1 3 1 4 2 5 0 7 ; entonces, a = 1, a = 5, a = 6, a = 4. Sea A = 11 22 33 44 3 1 6 1 0 2 3 4
1 = 3 + 1 + 4 = 8, 2 = 4 =
2 + 7 2+ 3 = 9, = 5.
3 = 3 + 1 + 1 = 5,
{z
{z
: z 1 8} ,
: z 6 5} ,
D2 =
D4 =
{z
{z
: z 5 9} ,
: z 4 5} .
Grficamente podemos ilustrar esta situacin dentro del plano complejo as (figura 22.1):
Figura
22.1
292
Mdulo 22: Aproximacin de valores y vectores caractersticos Todos los valores caractersticos de A se encuentran dentro de estas cuatro circunferencias. Examinando la grfica anterior, resulta evidente que si es un valor caracterstico de A, entonces 14 y 7 Ejemplo 2
2 1 2 A = Sea 1 3 1 4
1 1 1 1 4 1 . 2 4
e 14 ( e : parte real de ).
3
1 2
5 2
Aplicando el teorema del crculo de Gershgorin podemos demostrar que los valores caractersticos de A son nmeros reales positivos. Demostracin Como A es una matriz simtrica, los valores caractersticos de A son reales (teorema 1, mdulo 20). Acotemos los valores caractersticos de A por medio de los crculos de Gershgorin (figura 22.2).
D1 = D2 D3 D4
{z = {z = {z = {z
: z2 : z 5 : z4
13
12
}.
: z 3 2}.
17 13 6
}. }.
Figura 22.2
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores y vectores caractersticos El extremo izquierdo de D4 sobre el eje x es 4 13 / 4 = 3 / 4 . Luego 3 / 4 . Por tanto, los valores caractersticos de A son reales y positivos.
, entonces
Se puede, sin prdida de generalidad, hacer c1 0. Definimos una secuencia de iteraciones, tales que:
x n +1 = A x n .
Entonces:
x1 = Ax 0 x 2 = Ax1 = A 2 x 0 x k = Ax k -1 = Ak x 0 x k = Ak (c1u1 + c2u 2 + ... + cn u n ) = c1 Ak u1 + c2 Ak u 2 + ... + cn Ak u n = c11k u1 + c2 2 k u 2 + ... + cn n k u n
k k = 1k c1u1 + c2 2 u 2 + ... + cn n u n . 1 1
294
i Como 1 > i para i = 2,..., n, se acerca a cero a medida que k aumenta. Por 1
tanto, x k = Ak x 0 1k c1u1 .
xk es entonces un mltiplo escalar de u1 y ser un vector caracterstico correspon-
diente a 1 .
1k c1a1 a1 k a ca Si u1 = 2 , entonces 1k c1u1 = 1 1 2 . k 1 c1an an
k +1 = j
De este modo calculamos 1 . Es decir, calculamos el cociente de la j -sima componente de x k +1 y x k y dejamos que k crezca. Una vez determinado 1 , se tiene xk como el vector caracterstico correspondiente a 1 . Ejemplo 1 Use el mtodo de la potencia para encontrar el valor caracterstico y el vector caracterstico dominante de
1 3 A= . 2 2
Solucin
1 Sea x0 = . 0
Calculemos
1 3 1 1 x1 = Ax 0 = = 2 2 0 3
1 3 1 10 x 2 = Ax1 = = 2 2 3 8
1(1) = = 1
1(2) =
10 = 10 1
(2) 2 =
1 1
8 3
1(3) =
(3) 2 =
34 = 3.4 10
36 = 4.5 8
Si continuamos de esta manera obtenemos la tabla 22.1, donde los resultados estn redondeados a cuatro cifras decimales.
Tabla 22.1
Iteracin 0 1 2 3 4 5 6 7 8
k 1
k 2
[1, 0] [1, 3]
[10, 8]
[34, 36] [142, 140]
[562, 564]
[2254, 2252] [9010, 9012]
[36046, 36044]
( Los valores de 1( k ) y 2k ) convergen a 4, que es el valor caracterstico de A que puede obtenerse por desarrollo del polinomio caracterstico. Ahora el vector
En este caso el mtodo ha funcionado bien, pero vale la pena decir algo acerca de los casos en los cuales el mtodo falla. Puede suceder que: 1. 2. Se aplica el mtodo a una matriz no diagonalizable. A no tiene un valor caracterstico dominante o el valor caracterstico dominante 1 es apenas un poco mayor que 2 en trminos absolutos, esto es,
296
Mdulo 22: Aproximacin de valores y vectores caractersticos 3. A veces cuando los elementos de A han tenido que calcularse hay errores de redondeo que cuando se calcula Am se convierten en errores considerables.
1 13 x1 = y x1 = . 3 1
1 3 1 3 10 3 x 2 = Ax1 = = , 2 2 1 4 3 3 10 3 1 1 x 2 = = = 10 4 3 4 10 0.4
La tabla 22.2 muestra ms iteraciones. El vector caracterstico se puede tomar como x k = [1, 0.9998] , el cual es una buena aproximacin del vector [1 1], y el valor caracterstico 1 se obtiene de:
0.9991 3.9991 0.9991 Au = A = 3.9982 = 1 1 , 1
8 de donde 18 = 4.0027 y 2 = 3.9982 son las aproximaciones para 1 = 4.
Al resolver problemas mediante mtodos iterativos, siempre nos hacemos la pregunta: cundo hay que parar? Una buena forma de resolver esta duda es parar cuando el error relativo es suficientemente pequeo.
Iteracin 0 1 2 3 4 5 6 7 8
xk
x (normalizado) k
[1, 0] [1, 3]
[3.3333, 1.3333]
[1, 0] [0.3333, 1]
[1, 0.4]
Er =
x ' x . x
Ahora bien, no conocemos la solucin exacta, pero si el mtodo converge a ella, el valor calculado en la n-sima iteracin est ms cerca al valor exacto que el calculado en la iteracin n1. Podemos hacer una estimacin del error relativo as:
x ( n ) x ( n 1) . x(n)
Er =
En el ejemplo dado, el valor de calculado al hacer la sptima iteracin era 3.9892 y al hacer la octava sera
3.9991 = 4.0027, 0.9991
Er =
298
Mdulo 22
En los ejercicios 1 a 3 dibuje las circunferencias de Gershgorin para la matriz dada A y encuentre una cota para si es un valor caracterstico de A.
2 1 A = 0 1 2
1 1 1
1.
3 1 0 A = 1 2 4 2 2 0 5
3 4
2.
5
1 1 3 4
4 1
0 1 0 3
3.
2 3 1 0 1 5 0 2 A = 3 1 6 1 1 2 0 4
4.
2 1 2 Sea A = 1 3 1 4
1 1
4
1 2
3 1
5.
3 1 2 1 4 1 1 5 1 2 2 . Demuestre que los valores propios de A son nmeros reales negativos. Sea A = 1 4 1 4 1 1 2 1 6
6.
Se dice que la matriz A de n n tiene diagonal estrictamente dominante si aii > i para i = 1, 2, ..., n, donde
i =
a
j =1
j i
ij
. Demuestre que si An n es una matriz con diagonal estrictamente dominante, entonces A es invertible.
En los problemas 7 a 9 calcule el valor caracterstico dominante y el vector caracterstico correspondiente mediante el mtodo de potencias con normalizacin.
7.
2 2 5 1
8.
1 1 4 3 2 1 2 1 1
9.
3 2 4 2 0 2 4 2 3
Captulo 5: Diagonalizacin ortogonal. Formas cuadrticas y aproximacin de valores lgebra Lineal Elemental y Aplicaciones 299 y vectores caractersticos
10.
1 7 Use el mtodo de la potencia para estimar el valor caracterstico dominante de A = . 6 3 a. Redondee a cinco cifras significativas y contine las iteraciones hasta que el error relativo estimado
b.
Er ( n) < 0.001. Calcule el valor caracterstico dominante en forma exacta. Cul es el valor exacto de Er?
11.
3 5 Demuestre que las iteraciones del mtodo de potencias no convergen para la matriz A = . Explique por qu. 2 3
300
Apndice I
Una aplicacin interesante de los espacios vectoriales
Teora 1.1 Teora de la codificacin
En la sociedad moderna, la comunicacin digital mediante las computadoras o va satlite ha penetrado los ms variados mbitos de la actividad humana. La comunicacin digital se refiere a transmisin de la informacin por medio de ceros y unos. Estas cadenas se llaman mensajes binarios y estn codificados de modo que se pueda recibir la informacin tal como fue enviada. Estos mensajes que se reciben de un satlite estn sujetos a errores que pueden ser producidos por la esttica o cualquier otro tipo de interferencia. Por consiguiente, es importante poder codificar un mensaje de manera que despus de haberse sometido a interferencia pueda decodificarse correctamente. Se han desarrollado muchas formas de codificar los mensajes. Una de ellas consiste en aumentar un dgito extra, 0 o 1, dependiendo de que el nmero de unos del mensaje sea par o impar; esta tcnica se llama control de paridad. Con este procedimiento se puede detectar cundo hay un error en el mensaje, pero no se puede saber dnde, y adems tampoco puede saberse si han ocurrido 1, 3 o 5 errores. Adems, cuando el nmero de errores es par, stos no se detectan. Los cdigos de correccin de errores generalizan el control de paridad de modo que se puedan ubicar los errores y as poder corregirlos. Richard Hamming introdujo estas teoras a principios de 1950 cuando trabajaba en Laboratorios Bell. Describiremos un cdigo de Hamming que corrige errores nicos en mensajes formados por cuatro ceros y unos. Pero antes de desarrollar este ejemplo, introduciremos algunos conceptos. Una palabra es una n-tupla de ceros y unos, a la que tambin se le llama cadena de longitud n.
n Definimos un espacio vectorial denotado por Z 2 , compuesto por todas las palabras de longitud n. La suma y la multiplicacin por un escalar se definen en la misma
Richard Hamming Aplicando conceptos elementales de los espacios vectoriales, Richard Hamming cre un ingenioso mtodo para codificar y decodificar mensajes detectando la ocurrencia de un posible error en su transmisin.
son los enteros mdulo 2. Las operaciones de suma y multiplicacin en Z 2 estn dadas por las siguientes tablas:
+ 0 1 0 0 1 1 1 0 0 1 0 0 0 1 0 1
Con estas dos operaciones, y tomando los escalares en Z 2 , el conjunto Z 2n satisface todos los axiomas de un espacio vectorial. En conclusin, Z 2n es un espacio vectorial sobre Z 2 . La base cannica de
n
tambin es una base para Z 2n y, por tanto, Z 2n tiene dimensin n. Todos los conceptos, como subespacios, base, dependencia lineal, conjunto generado v, espacio rengln, espacio columna, ncleo, rango y nulidad, se aplican a
Cleve Moler Con 66 aos y mltiples reconocimientos en el mundo de las ciencias y las matemticas, Cleve Moler es el presidente y cofundador de MathWorks, compaa fundada en 1984 y dedicada a desarrollar y suministrar software para el trabajo cientfico y de ingeniera. Antes de unirse tiempo completo a la compaa en 1989, Moler se dedic a ensear matemticas y ciencias de la computacin en universidades de Michigan, Stanford y Nuevo Mxico durante casi 20 aos y permaneci cinco aos en dos compaas de hardware (la organizacin Intel Hypercube y Ardent Computer). Adems de ser el autor de la primera versin de MATLAB, Moler es uno de los autores de las bibliotecas cientficas de los programas LINPACK y EISPACK y es coautor de tres libros de texto de mtodos numricos. Su ltimo libro, El cmputo numrico con MATLAB , es un texto de introduccin a mtodos numricos, MATLAB y tcnicas de computacin.
espacios vectoriales sobre Z 2 y a matrices cuyos elementos son de Z 2 . Una base de Z 2n tiene n vectores, B = { v1 , v2 ... vn } .
n Un vector v de Z 2 es una combinacin lineal c1v1 + c2 v2 + ... + cn vn con ci = 0 1, de
modo que se pueden producir 2 n combinaciones distintas, esto es, el espacio vectorial Z 2n tiene 2 n elementos. Cmo codificar un mensaje de modo que si ocurre un solo error en la transmisin ste pueda ser detectado y corregido en la recepcin final? Veamos una forma de hacerlo: Se toman todas las palabras de longitud 4 y se aaden tres controles de paridad. De esta forma se producen palabras de longitud 7, es decir, nos
7 situamos en Z 2 .
0 0 0 1 1 1 1 H = 0 1 1 0 0 1 1 1 0 1 0 1 0 1
Las columnas de H son la representacin binaria de los nmeros del 1 al
3 8, los cuales son los vectores de Z 2 distintos de cero.
302
El espacio nulo de H se llama cdigo (7, 4) de Hamming. Una base B para el espacio nulo de H es:
La palabra codificada v est en nu H. Suponga que el mensaje recibido es 1101010. Sea v = (1, 1, 0, 1, 0, 1, 0). Para decodificar, calculamos Hv :
1 1 0 0 0 1 1 1 1 0 0 Hv = 0 1 1 0 0 1 1 1 = 0 . 1 0 1 0 1 0 1 0 1 1 0
Como Hv es la primera columna de H, entonces ( v + e1 ) nu H y ningn v + ei , i 1, est en nu H. Por tanto, ( v + e1 ) = v es el mensaje corregido que coincide con el originalmente codificado, y as se recupera el mensaje correcto 0101. Ejemplo Suponga que v = 0111011 es un mensaje codificado con C7,4 . Si a lo sumo hay un error en la transmisin, cul fue el mensaje original?
Solucin Calculemos Hv
0 1 0 0 0 1 1 1 1 1 1 Hv = 0 1 1 0 0 1 1 1 = 0 . 1 0 1 0 1 0 1 0 0 1 1
Hv es la cuarta columna de H, entonces v + e4 ser el mensaje corregido y v + e4 se obtiene cambiando la cuarta componente de v. El vector corregido es entonces 0110011 y el mensaje correcto es 0110.
Ejercicios 1. 2. Haga una lista de los 16 vectores de C7, 4. Sea v = (1, 1, 0, 0, 1, 1, 1) un mensaje codificado en C7, 4, donde a lo sumo se ha cometido un error. Determine si v est en C7, 4. Si lo est, decodifquelo; si no, corrjalo y decodifique el mensaje correcto.
3.
d.
e. f.
. ( A = [u, v, w ]).
304
Respuestas
13.
5.
1 gen = {( x, y ) } 1
7.
El plano xz en
x = y z
y = 0 .
9. 11. 13.
S. S.
19.
13 x3 = 6 . 1
25. 27.
= 1.
Mdulo 5 5. 7. S. S.
lgebra Lineal
9. 11.
S. S.
1 0 0 0 0 0 , 0 0 0 0 1 0 0 0 0 1 0 0 , 0 1 0 , etc , 6 . 0 0 0 0 0 0
13.
15.
0 1 , 1
1 0 . 2
1 + x 2 }.
{ 1 + x ,
{(1, 0, 1, 0),
23.
25.
Mdulo 6
1.
3.
5.
7.
1 0 0 , 0 0
0 3 2 1 , 0 0
2 2 , 4
1 3 , = 2, v = 3. 6
9.
1 0 , 4 3
1 0 , 0 1
0 2 , = 3, v =1. 2 0
11.
1 0 , 1 0
0 1 . 0 1
No. S. a. n, m n. b. m, m n. c. m = n.
Mdulo 7
1.
3 1 .
3.
52 11 2 . 1 2
5.
2 2 . 1
7.
2 1 4 . 3
9.
3 7 0 2 7 2 , , 3 . 7 2 7
11.
0 . 3
1 + 9 x 2 + 7 x 3 .
13.
15.
a.
( v ) B2
3 = 2 , 7
(w ) B2
2 = 3 . 3
lgebra Lineal
b.
2 1 0
1
2 2 5
0 3 5 . 2 5 7 (w ) B1 = 1 . 0
c. d.
8 ( v ) B1 = 2 , 2
Lo mismo que en c.
e.
13 1 3 1 3
3 3
2 2
1 . 3 2
2
f.
Lo mismo que en a.
17.
3 2 , 0
2 1, 0
3 1. 3
sen jr = . cos
19.
cos ir = , sen
21. 23.
Captulo 2
Mdulo 8
1.
a.
{(0, 0, 1), (
1 2
1 2
1 2
, 0), (
1 2
1 2
, 0) .
b.
{(0,
1 2
1 2
), (
2 6
1 6
1 6
), ( 13 ,
1 3
1 3
) .
3.
{(
2 3
1 2
, 0), ( 13 , ,
1 3
1 3
1 3
) . , ) (
5.
( 13 ,
1 3
)+
4 6
1 6
2 6
1 6
2 2
1 2
, 0,
1 2
).
7.
1 14
9.
{(
a.
1 5
, 0,
2 5
), (0, 1, 0), (
2 5
, 0,
1 5
) .
11.
186 1 75 . 49 118
3 1 b. 2 . 7 6
186 3 1 13 c. v = 75 + 2 . 49 118 49 6
Mdulo 9 1.
y = 0.4 x + 0.6 .
2 4 x . 5 5
3.
y=
5.
7.
43 i. . 1 3
ii. 2 5.
9.
Mdulo 10 3. T2.
1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 , 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 , 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 ,... 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 . 1
5.
7.
1 , 2
i i 1 , , . 2 2 2
9.
1 0 0 1 0 0 0 0 , 0 0 , 1 0 , 0 1 . 0 0
lgebra Lineal
Captulo 3
Mdulo 11 1. 3. 5. 7. 9. 11. 13. 15. 17. 19. 21. 25. 27. S. S. S. No. S. No. S. No. S. No.
T ( x y ) = ( x, y ). (T1 + T2 )(x) = ( A + B )x, (T1 o T2 )(x) = ABx.
(T1 o T2 )( x, y ) = ( x + 4 y, 3 x y ). (T2 o T1 )( x, y, z ) = (2 x y + 3 z , 3 x y 7 z , y z ).
Mdulo 12
1. 3.
; (t ) = 2; vt = 0. ; ( t ) = 3; vt = 0.
5. 7.
9. 11.
nu T = imagen T = {( x, y) : x = y} .
El ncleo de T es el espacio solucin del sistema homogneo de ecuaciones lineales Ax = 0.
13.
Mdulo 13
1.
1 a. 1
1 a. 0
2 . 2
1 1 0 . 1
1 b. 2
2 . 0
1 b. 1
1 2
3 c. 1
0 . 0
2 . 2
3 d. 2
2 . 0
e. (4, 0).
3.
3 c. . 1
5.
0 0 a. 1 0
0 0 . 0 1
0 0 b. 0 1
1 1 . 1 1
7.
10 a. 5 . 5
2 3 a. , . 1 4
4 b. 2 . 2
1 1 b. , . 5 10 2 c. . 25
9.
11.
0 En 1. nu T = ; imagen T = 0
1 En 3. nu T = gen 1 ; imagen T = 1
lgebra Lineal
3 2 . 1
Mdulo 14
1.
Solucin posible:
T: T: T:
2 3 2
3 2 2
, T ( x, y ) = ( x y , 2 x + y, y ). , T ( x, y, z ) = ( x + y z , y + z ). , T ( x, y ) = (2 x + y, x y ).
3.
a11 0 T : Dn n , T 0
0 a22
5. 7. 11.
a. S. No.
b. No.
c. No.
d. S.
T 1 ( A) = B 1 A.
Mdulo 15
3.
1 1 , . 2 2
x x tal que T = , 1. y y
5.
T:
Captulo 4
Mdulo 16 1. a. No. b. S, = 4 .
0 v = . 1
c. S, = 0 .
d. S, = 4 .
e. S, = 0 .
f. No.
3.
= 1,
5.
7.
9.
1 0 0 0 0 1 0 0 = a mult. alg 4, v1 = , v 2 = , v3 = , v 4 = . 0 0 1 0 0 0 0 1
1 0 0 0 = a mult. alg 4, v1 = , v 2 = . 0 0 0 1
11.
13. 15.
No. Para que 1 + 2 sea un valor caracterstico de A + B , es necesario que el vector caracterstico de A correspondiente a 1 sea el mismo que el de B correspondiente a 2 lo que, en general, no se cumple.
Mdulo 17
1.
i 0 0 D = 0 i 0 , 0 0 2
i i 0 P = 1 1 0, 0 0 1
i 2 P 1 = i 2 0
1 1
2 2
0 0 . 1
lgebra Lineal
3.
3 0 D= 0 0
0 0 0 3 0 0 , 0 2 0 0 0 1
1 2 P= 0 0
0 0 1 0 , 1 0 1 1 0 1 0 1
1 1 1 . 2 1 1
1 1 0 0 0 12 P 1 = 2 1 0 0 0 12
0 2 . 0 1 2
1
5.
i 0 D= , 0 i
1 1 P= , 1 1
p 1 =
7.
1 2 1 A = PDP 1 = 0 1 0
0 1 2 . 1 20
1 2 1 A12 = PD12 P 1 = 0 1 0
9.
0 1 2 1 2 1 211 . = 12 ( 1 2 ) 0 1 0 1 212
as AB = P 1 D1 PP 1 D2 P y entonces AB = PD1 D2 P 1 .
1 1 0 0 Si A y B son matrices diagonalizables, A + B no necesariamente es diagonalizable; por ejemplo: 1 0 y 1 1 1 1 son diagonalizables, pero su suma 0 1 no es diagonalizable.
Mdulo 18 1. a. b. c.
Pn = 20(2n ) + 30 cualquiera sea n
3.
a.
2 z y0 7 y0 + z0 Dentro: 0 10 + 3 . 3
k
y 2 z0 7 y0 + z0 Fuera: 0 + 2 . 3 10 3
k
b.
S. Matriz de transicin:
1 8 1 . 10 2 9
c.
(2 z0 y0 ) 7 1 + . 3( y0 + z0 ) 10 3
k k
( y0 2 z0 ) 7 2 + . 3( y0 + z0 ) 10 3
d.
1 2 Dentro: ( y0 + z0 ); fuera: ( y0 + z0 ). 3 3
5.
a.
b.
7 2 0 1 S. Matriz de transicin: 2 6 0. 12 3 4 12
5 + 5 n 5 5 n Pn = 1000 5 ; n . 10 10 No 5 + 5 6 5 5 6 P6 = 1000 5 . 10 10
7.
a. b. c.
9.
El brazo trabaja exitosamente 97.97% de las veces, muy cerca al 98% exigido por el cliente, as que es muy probable que se acepte.
11.
13.
1 1 0 P = 0 1 2 , 1 0 3
0 1 0 J = 0 0 1 . 0 0 0
lgebra Lineal
15.
1 0 0 0 1 0 0 0
0 2 0 0 1 1 0 0
0 0 3 0 0 1 1 0
0 0 , 0 4 0 0 1. 1
1 0 0 0
1 1 0 0
0 0 2 0
0 0 , 0 3
1 0 0 0
1 1 0 0
0 1 1 0
0 0 , 0 2
1 0 0 0
1 1 0 0
0 0 2 0
0 0 , 1 2
Los i no necesariamente son distintos. Adems los bloques de Jordan pueden permutarse sobre la diagonal.
17.
3 0 0 3 0 0 0 0 0 0
0 0 0 0 0 0 4 0 0 , 0 4 0 0 0 4
3 1 0 3 0 0 0 0 0 0
0 0 0 0 0 0 4 0 0 , 0 4 0 0 0 4
3 0 0 3 0 0 0 0 0 0
0 0 0 0 0 0 4 1 0 , 0 4 0 0 0 4
3 0 0 3 0 0 0 0 0 0
0 0 0 0 0 0 4 1 0 , 0 4 1 0 0 4
3 1 0 3 0 0 0 0 0 0
0 0 0 0 0 0 4 1 0 , 0 4 0 0 0 4
3 1 0 3 0 0 0 0 0 0
0 0 0 0 0 0 4 1 0 . 0 4 1 0 0 4
19.
7 0 0 0 7 0 , 0 0 7
7 1 0 0 7 0 , 0 0 7
7 1 0 0 7 1 . 0 0 7
Captulo 5
Mdulo 20
1 0 0 0 4 ; P = 1
1 2 1 2
1.
. 2
2
3.
0 0 3 0 ; 0 1+ 2 2 0 1 2 2 0
1 2 P = 1 2 0
1 1 1
2 2 2
2 . 1 2
1 2 1
5.
0 0 0 0 0 0 ; 0 0 4
1 P = 0 0
0
1 2 1 2
0 1 . 2 1 2
1 2 1 2 2
7.
2 0 0 0 1 0 ; 0 0 1
1 P=1 1
1 3 1 3 3
. 6 6
6
Mdulo 21
2 52 x [ x y] . 5 2 9 y
1.
3.
4 3 [ x y z ] 3 3 72 0
x 0 y . 0 z
2
5.
6 52 x [ x y] . 5 2 6 y
7.
4 2 x [ x y] = 9; 2 1 y
1 1 x [ x y] = 0; 1 1 y 6 52 x [ x y] = 7; 5 2 6 y
x 2 y 2 = 1; hiprbola; 19.33. 18 18 41 + 3 41 3
y 2 = 0; recta que pasa por el origen; = / 4 = 45. y 2
14 13
9.
11. 13.
x 2
14 13
= 1; hiprbola; 11.31.
Hiprbola;
x2 y 2 = 1. 4 9
x2 y 2 = 1. 9 9 8 8
15.
Hiprbola;
17.
1 1 1 x ( x y z) 1 1 1 y , x2 + 2 y2 + 2 z2 . 1 1 1 z
lgebra Lineal
Mdulo 22 1.
7 1 12 7
3.
11 2 11
5.
Como A es una matriz simtrica, sus valores caractersticos son nmeros reales. Al trazar las circunferencias de Gershgorin stas quedan completamente contenidas a la izquierda del eje y, con lo cual se establece que los valores caractersticos son negativos.
1 4, . 1
7.
9.
1 8, 0.5 . 1
1 2 1 2 1 2 1 Comenzando con x0 = y sin normalizacin, se obtiene 1 , 1 , 1 , 1 , 1 , 1 ,... . Por tanto, el mtodo 1 no converge. La razn de esto es que A no posee un valor caracterstico dominante.
11.
320
lgebra Lineal
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.
Florey F. 1980. Fundamentos de lgebra lineal y aplicaciones. Mxico: Prentice Hall. Grossman SI. 1997. lgebra lineal. Colombia: McGraw-Hill. Hill R. 1997. lgebra lineal elemental con aplicaciones. Mxico: Prentice Hall Hispanoamericana. Kolman B. 1999. lgebra lineal con aplicaciones y matlab. Mxico: Prentice Hall. Lay DC. 1999. lgebra lineal y sus aplicaciones. Mxico: Addison Wesley Longman. Nakos G, Joyner D. 1999. lgebra lineal con aplicaciones. Mxico: International Thomson Editors. Perry W. 1990. lgebra lineal con aplicaciones. Mxico: McGraw-Hill. Pita Ruiz C. 1991. lgebra lineal. Mxico: McGraw-Hill. Restrepo P et al. 1997. lgebra lineal con aplicaciones. Medelln: Universidad Nacional de Colombia, sede Medelln. Strang G. 1982. lgebra lineal y sus aplicaciones. Estados Unidos: Fondo Educativo Interamericano. Villamayor O. 1981. lgebra lineal. Washington, D.C. Secretara General de la O.E.A.
Bibliografa