Espacios Vectoriales

Introduccin
Estructuras Algebraicas
Espacios Vectoriales
Valores y Vectores Propios
Espacios Vectoriales, Valores y Vectores
Propios
Jos Juan Rincn Pasaye,
Divisin de Estudios de Postgrado FIE-UMSNH
Curso Propedutico de Matemticas para la Maestra en Ciencias
opciones: Sistemas de Control y Sistemas de Potencia
Noviembre de 2008
JJRP Espacios Vectoriales, espacios propios
Introduccin
Contenido
1
2
1 Independencia Lineal
2 Bases y Dimensin
3 Subespacios asociados a matrices
4 Teorema fundamental del lgebra lineal
3
Valores y vectores propios
1 Diagonalizacin
2 Solucin de ecuaciones diferenciales lineales
Introduccin
Introduccin
El lgebra trata con conjuntos de diversos tipos de objetos, tales
como: nmeros, arreglos numricos vectoriales, matrices y
funciones, as como tambin con operaciones bien denidas como
la suma y el producto entre cada uno de estos objetos.
Todos estos conjuntos poseen una cierta Estructura, que est dada
por esa suma y ese producto.
Introduccin
Dependiendo del conjunto de objetos tratados, las operaciones
denidas y las propiedades generadas se establece una estructura
algebraica que puede ir desde la ms sencilla que es un Grupo,
hasta una de las ms completas que es el Espacio Vectorial.
Introduccin
Grupos
Anillos
Cuerpos
Las estructuras algebraicas son conjuntos en los cuales se han
denido Operaciones entre elementos de los conjuntos.
Introduccin
Grupos
Anillos
Cuerpos
Grupos
Denicin de Grupo
Un Grupo es un Conjunto G en el cual se ha denido una
operacin + con las siguientes propiedades:
1
+ es Asociativa: x + (y +z) = (x +y) +z \x, y, z G
2
Neutro: Existe el elemento neutro denotado 0 G tal que
x + 0 = 0 +x = x \x G
3
Inverso: \x G existe el inverso de x, denotado x
/
G tal
que x +x
/
= x
/
+x = 0
Introduccin
Grupos
Anillos
Cuerpos
Denition
Si adems la operacin es Conmutativa, es decir, \x, y G se
cumple que x +y = y +x, entonces el Grupo se dice Conmutativo
o Abeliano
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
Los Enteros Z con la operacin de suma son un grupo
Los Nmeros pares Z
2
con la operacin de suma son un grupo
Los mltiplos de k Z denotados Z
k
con tambin son un
grupo con la operacin suma.
Los Enteros con la operacin multiplicacin no son un grupo,
pues no se pueden denir inversos.
Los racionales Q0 con la multiplicacin s forman un
grupo, lo mismo pasa con R0, C 0.
El conjunto de los polinomios de grado n con coecientes
reales, denotados R
n
[x] forman un grupo con la suma.
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
Los Nmeros pares Z
2
k
con tambin son un
reales, denotados R
n
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
Los Nmeros pares Z
2
k
con tambin son un
reales, denotados R
n
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
Los Nmeros pares Z
2
k
con tambin son un
reales, denotados R
n
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
Los Nmeros pares Z
2
k
con tambin son un
reales, denotados R
n
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
Los Nmeros pares Z
2
k
con tambin son un
reales, denotados R
n
Introduccin
Grupos
Anillos
Cuerpos
Ejemplo
El conjunto R
nn
de Matrices cuadradas invertibles forma un
grupo no abeliano con la operacin producto matricial.
[Z]
k
denota al conjunto de los enteros mdulo k que son los
residuos de dividir un entero entre el entero k, es decir,
[Z]
k
= z Z [z=x modk, para algn x Z es un grupo
abeliano con la suma usual:
Por ejemplo, [Z]
5
= 0, 1, 2, 3, 4 . En este conjunto por
ejemplo 2+2=4, pero 2+3=0
Introduccin
Grupos
Anillos
Cuerpos
Ejemplo
El conjunto R
nn
[Z]
k
[Z]
k
Por ejemplo, [Z]
5
Introduccin
Grupos
Anillos
Cuerpos
Ejemplo
El conjunto R
nn
[Z]
k
[Z]
k
Por ejemplo, [Z]
5
Introduccin
Grupos
Anillos
Cuerpos
Ejemplo:
Una Funcin de un conjunto A en un conjunto B denotada
f : A B es una regla que asigna a cada elemento x A
uno y solo un elemento f (x) B. Al conjunto A se le llama
Dominio de la funcin y al conjunto B se le llama Rango o
codominio. Al elemento f (x) se le llama imagen de x bajo f .
Una Funcin se dice inyectiva o uno a uno si f (x
1
) ,= f (x
2
)
\ x
1
,= x
2
.
Una funcin se dice suprayectiva o sobre si \y B existe
x A tal que y = f (x).
Una funcin se dice biyectiva si es inyectiva y suprayectiva.
Tambin se dice que f dene un isomorsmo de A en B.
El conjunto de funciones biyectivas de variable real
S
R
= f : R R, con la operacin (composicin de
funciones) forman un grupo abeliano.
Introduccin
Grupos
Anillos
Cuerpos
Ejemplo:
1
) ,= f (x
2
)
\ x
1
,= x
2
.
S
R
Introduccin
Grupos
Anillos
Cuerpos
Ejemplo:
1
) ,= f (x
2
)
\ x
1
,= x
2
.
S
R
Introduccin
Grupos
Anillos
Cuerpos
Ejemplo:
1
) ,= f (x
2
)
\ x
1
,= x
2
.
S
R
Introduccin
Grupos
Anillos
Cuerpos
Ejemplo:
1
) ,= f (x
2
)
\ x
1
,= x
2
.
S
R
Introduccin
Grupos
Anillos
Cuerpos
Tarea:
1) Cual es el elemento neutro para el grupo S
R
y cual para el
grupo R
3
[x]?
2) Son las siguientes funciones de variable real inyectivas,
suprayectivas o biyectivas? Cual es su Dominio y su Rango para
cada una de ellas? Si alguna de ellas es biyectiva pertenece a S
R
por lo tanto tiene un inverso, encuentra el inverso.
a) f (x) = sen(x) b) g(x) = x
2
c) h(x) = e
x
d)
i (x) = x
3
Introduccin
Grupos
Anillos
Cuerpos
Tarea:
3) Sea C un conjunto cualquiera y sea el conjunto de subconjuntos
de C S(C) = S [ S C. Se dene la operacin llamada
diferencia simtrica de conjuntos como:
AB = (A 'B) (A B). Es S(C) un grupo con esta
operacin? Es Abeliano?, Cual es el neutro si lo hay?, dado un
A S(C), cual es el inverso de A?
4) Cuales son los elementos del conjunto [Z]
7
? cul es el
neutro?, cul es el inverso de cada uno de sus elementos?
Introduccin
Grupos
Anillos
Cuerpos
Anillos
Denicin de Anillo
Un Anillo es un conjunto R en el cual se han denido dos
operaciones: + y con las siguientes propiedades:
1
R es un grupo abeliano con la operacin +
2
La operacin es asociativa y tiene elemento neutro denotado
1.
3
La operacin es Distributiva sobre la operacin +, es decir,
\x, y, z R:
4
x (y +z) = x y +x z y tambin (x +y) z = x z +y z.
5
Si adems la operacin es conmutativa se dice que R es un
Anillo conmutativo
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
Los conjuntos Z, Q, R, y C son Anillos conmutativos con las
operaciones de suma y producto usuales .
El conjunto Z
k
es un anillo conmutativo con las mismas
operaciones.
R
n
[x] tambin es un anillo con la suma y multiplicacin de
polinomios.
El conjunto de funciones continuas de variable real
f : R R, con la suma y producto usuales es un anillo
conmutativo.
El conjunto R
nn
de Matrices cuadradas forma un anillo no
conmutativo con las operaciones de suma y producto
matricial.
El conjunto [Z]
k
de los enteros mdulo k es un anillo
conmutativo con la suma y producto usuales.
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
El conjunto Z
k
operaciones.
R
n
polinomios.
conmutativo.
El conjunto R
nn
matricial.
El conjunto [Z]
k
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
El conjunto Z
k
operaciones.
R
n
polinomios.
conmutativo.
El conjunto R
nn
matricial.
El conjunto [Z]
k
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
El conjunto Z
k
operaciones.
R
n
polinomios.
conmutativo.
El conjunto R
nn
matricial.
El conjunto [Z]
k
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
El conjunto Z
k
operaciones.
R
n
polinomios.
conmutativo.
El conjunto R
nn
matricial.
El conjunto [Z]
k
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos:
El conjunto Z
k
operaciones.
R
n
polinomios.
conmutativo.
El conjunto R
nn
matricial.
El conjunto [Z]
k
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos
En un anillo no necesariamente se cumple la ley de
cancelacin, es decir si x, y son elementos de un anillo y
x y = 0, no necesariamente x = 0 o y = 0,
Por ejemplo en el anillo [Z]
4
= 0, 1, 2, 3, 4
en este conjunto, por ejemplo: 22=0
En el anillo de las matrices R
22
, por ejemplo
_
1 0
0 0
_
_
0 0
0 1
_
=
_
0 0
0 0
_
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos
4
= 0, 1, 2, 3, 4
22
, por ejemplo
_
1 0
0 0
_
_
0 0
0 1
_
=
_
0 0
0 0
_
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos
4
= 0, 1, 2, 3, 4
22
, por ejemplo
_
1 0
0 0
_
_
0 0
0 1
_
=
_
0 0
0 0
_
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos
4
= 0, 1, 2, 3, 4
22
, por ejemplo
_
1 0
0 0
_
_
0 0
0 1
_
=
_
0 0
0 0
_
Introduccin
Grupos
Anillos
Cuerpos
Tarea:
5) Es un anillo S(C), el conjunto de subconjuntos de S con las
operaciones y ? es conmutativo? Cual es el neutro de la
operacin ?
6) Para los anillos R
22
y [Z]
7
cuales son los neutros de la suma
y del producto?
Introduccin
Grupos
Anillos
Cuerpos
Campos
Denition
Un Cuerpo, tambin llamado Campo es un conjunto K con dos
operaciones + y tales que K es una anillo conmutativo y adems
todo elemento de K, excepto el cero tiene inverso multiplicativo,
Es decir:
1
K es un grupo abeliano con la operacin +
2
K 0 es un grupo abeliano con la operacin
3
Se cumple la propiedad distributiva de con respecto a +.
Introduccin
Grupos
Anillos
Cuerpos
Ejemplos
Los conjuntos Q, R, y C son Cuerpos con las operaciones de suma
y producto usuales.
[Z]
k
es un cuerpo solamente si k es primo.
Tarea:
7) Porqu [Z]
4
no es un cuerpo?
8) [Z]
7
s es un cuerpo. Encuentra los inversos multiplicativos para
cada elemento de este cuerpo.
Introduccin
Subespacios
Generacin de subespacios.
Independencia Lineal
Bases y Dimensin
Subespacios asociados a matrices
Teorema Fundamental del Algebra Lineal
Denicin de Espacio Vectorial
Sea K un cuerpo cuyos elementos llamaremos Escalares y sea V un
conjunto cuyos elementos llamaremos Vectores. Sea + una
operacin en V llamada suma de vectores y sea una operacin de
K V en V denominada producto vector por escalar. V es un
Espacio Vectorial sobre K si:
1
V es un grupo abeliano con la operacin +.
2
La operacin satisface las siguientes propiedades:
1 1 v = v \v V, donde 1 es el neutro multiplicativo en K
2 a (v +w) = a v +a w \a K, \v, w V
3 (a +b) v = a v +b v \a, b K, \v V
4 (ab) v = a (b v) \a, b K, \v V
Introduccin
Subespacios
Bases y Dimensin
Observacin
Obsrvese que en un espacio vectorial NO est denido el producto
de vectores.
Introduccin
Subespacios
Bases y Dimensin
Para averiguar si un conjunto dado es un espacio vectorial se deben
checar las 7 propiedades anteriores, es decir, las tres propiedades de
la suma de vectores (+) y las cuatro del producto por escalar ().
En los siguientes ejemplos de espacios vectoriales se cumplen punto
por punto cada una de ellas.
Introduccin
Subespacios
Bases y Dimensin
Ejemplos de Espacios Vectoriales
R es un espacio vectorial sobre s mismo con la suma y
producto usuales.
C es un espacio vectorial sobre R con la suma de nmeros
complejos usual y el producto real por complejo.
El conjunto R
1n
de los vectores rengln con componentes
reales, es decir R
1n
= [x
1
, x
2
, ..., x
n
] [ x
1
, x
2
, ..., x
n
R as
como el conjunto R
n1
de los vectores columna con
componentes reales son espacios vectoriales con las
operaciones de suma de vectores y producto por escalar
usuales.
El conjunto R
nm
de las matrices de n renglones por m
columnas con componentes reales es un espacio vectorial con
las operaciones usuales de suma de matrices y producto por
escalar.
Introduccin
Subespacios
Bases y Dimensin
producto usuales.
El conjunto R
1n
reales, es decir R
1n
= [x
1
, x
2
, ..., x
n
] [ x
1
, x
2
, ..., x
n
R as
como el conjunto R
n1
usuales.
El conjunto R
nm
escalar.
Introduccin
Subespacios
Bases y Dimensin
producto usuales.
El conjunto R
1n
reales, es decir R
1n
= [x
1
, x
2
, ..., x
n
] [ x
1
, x
2
, ..., x
n
R as
como el conjunto R
n1
usuales.
El conjunto R
nm
escalar.
Introduccin
Subespacios
Bases y Dimensin
producto usuales.
El conjunto R
1n
reales, es decir R
1n
= [x
1
, x
2
, ..., x
n
] [ x
1
, x
2
, ..., x
n
R as
como el conjunto R
n1
usuales.
El conjunto R
nm
escalar.
Introduccin
Subespacios
Bases y Dimensin
En forma similar C
nm
el conjunto de matrices con
componentes complejas es un espacio vectorial sobre el cuerpo
C, aunque tambin lo es sobre R.
reales R
n
[x] son un espacio vectorial con la suma de
polinomios y el producto escalar por polinomio.
El conjunto de las funciones de variable real f : R R con
la suma de funciones denida como
(f +g)(x) = f (x) +g(x) \x R. y el producto por escalar:
(k f ) (x) = kf (x) \x R.
Introduccin
Subespacios
Bases y Dimensin
En forma similar C
nm
reales R
n
(k f ) (x) = kf (x) \x R.
Introduccin
Subespacios
Bases y Dimensin
En forma similar C
nm
reales R
n
(k f ) (x) = kf (x) \x R.
Introduccin
Subespacios
Bases y Dimensin
Subespacios
Denition
Un subconjunto W de un espacio vectorial V sobre el cuerpo K se
dice Subespacio del espacio vectorial V si W es en s mismo un
espacio vectorial sobre K
Introduccin
Subespacios
Bases y Dimensin
Para vericar si W V es un subespacio del espacio vectorial V
sobre K, no es necesario checar las 7 propiedades anteriores, basta
solamente con checar las siguientes 3 propiedades:
1
El vector 0 est en W.
2
Si x, y W entonces x +y W
3
Si k K y v W entonces k v W
Observacin: las propiedades 2 y 3 se pueden reemplazar por: Si
x, y W, k R
2
entonces x +ky W
Introduccin
Subespacios
Bases y Dimensin
Ejemplos
Dado un Espacio vectorial V el subconjunto 0 formado
exclusivamente por el vector 0 y el propio V son siempre
subespacios, por ello se denominan los subespacios triviales de
V.
Sea el espacio vectorial R
2
qu vectores debe contener
W R
2
para ser un subespacio no trivial de R
2
?
Sea x = [x
1
x
2
] ,= 0 W, por la propiedad 3 kx = [kx
1
kx
2
]
\k R
2
tambin debe estar en W por lo tanto W es toda la
recta que pasa por el origen en direccin x.
Introduccin
Subespacios
Bases y Dimensin
Ejemplos
V.
2
W R
2
2
?
Sea x = [x
1
x
2
1
kx
2
]
\k R
2
Introduccin
Subespacios
Bases y Dimensin
Ejemplos
V.
2
W R
2
2
?
Sea x = [x
1
x
2
1
kx
2
]
\k R
2
Introduccin
Subespacios
Bases y Dimensin
Subespacio vectorial W R
2
x
1
x
2
x
kx
W
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
Vericar que el conjunto W = [x
1
, x
2
] [ x
1
= 2x
2
es un
subespacio de R
2
.
La propiedad 1 se cumple, pues el vector cero se puede
escribir como 0 = [2(0), 0] W.
Sean x, y W, es decir, x = [2x
2
, x
2
], y = [2y
2
, y
2
]. Las
propiedades 2 y 3 se cumplen, pues z = x +ky = [2z, z],
donde z = x
2
+ky
2
De hecho, W es el conjunto de puntos de la recta que pasa
por el origen x
1
= 2x
2
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
1
, x
2
] [ x
1
= 2x
2
es un
subespacio de R
2
.
2
, x
2
], y = [2y
2
, y
2
]. Las
donde z = x
2
+ky
2
por el origen x
1
= 2x
2
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
1
, x
2
] [ x
1
= 2x
2
es un
subespacio de R
2
.
2
, x
2
], y = [2y
2
, y
2
]. Las
donde z = x
2
+ky
2
por el origen x
1
= 2x
2
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
1
, x
2
] [ x
1
= 2x
2
es un
subespacio de R
2
.
2
, x
2
], y = [2y
2
, y
2
]. Las
donde z = x
2
+ky
2
por el origen x
1
= 2x
2
Introduccin
Subespacios
Bases y Dimensin
Tarea:
9.- Cual de los siguientes subconjuntos de R
2
es un subespacio de
R
2
?. En caso de ser subespacio, graca la recta que dene.
W
1
= [x
1
, x
2
] [ x
1
= 0
W
2
= [x
1
, x
2
] [ x
1
= x
2
W
3
= [x
1
, x
2
] [ x
1
= 1 +x
2
10.- Vericar las tres propiedades de los subespacios en R

3
para el
subconjunto W
4
= [x
1
, x
2
, x
3
] [ x
1
= x
2
. Qu tipo de regin
dene en el espacio tridimensional R
3
?
11.- Vericar que R
2
[x] se comporta como un subespacio de R
3
[x]
checando las tres propiedades.
Introduccin
Subespacios
Bases y Dimensin
Generadores de subespacios:
Dado un vector no nulo x V siempre podemos generar un
subespacio de V formado por todos los mltiplos de x la siguiente
manera: W = kx [ k K. En R
n
W corresponde a la recta que
pasa por el origen en direccin de x.
Al subespacio anterior se le llama subespacio de V generado por x
y se denota W = spanx.
Introduccin
Subespacios
Bases y Dimensin
La idea anterior se puede generalizar a cualquier conjunto de
vectores: As, por ejemplo en R
3
, el subespacio generado por
v
1
, v
2
R
3
sera el plano que contiene al origen y a ambos
vectores, es decir, es el conjunto de vectores de la forma
k
1
v
1
+k
2
v
2
donde k
1
, k
2
R.
Denition
En general, si v
1
, v
2
, ..., v
n
son vectores de un espacio V sobre el
campo K entonces
spanv
1
, v
2
, ..., v
n
= k
1
v
1
+k
2
v
2
+ ... +k
n
v
n
[ k
1
, k
2
, ..., k
n
K
Introduccin
Subespacios
Bases y Dimensin
Ejemplos: En R
2
:
span
__
1
1
__
es la recta con pendiente unitaria que pasa por
el origen
span
__
1
0
_
,
_
0
1
_
,
_
1
1
__
es todo el espacio R
2
.
En R
3
:
span
_
_
_
_
_
1
1
1
_
_
_
_
_
es la recta que pasa por el origen y el punto
(1,1,1).
Introduccin
Subespacios
Bases y Dimensin
Ejemplos: En R
2
:
span
__
1
1
__
el origen
span
__
1
0
_
,
_
0
1
_
,
_
1
1
__
2
.
En R
3
:
span
_
_
_
_
_
1
1
1
_
_
_
_
_
(1,1,1).
Introduccin
Subespacios
Bases y Dimensin
Ejemplos: En R
2
:
span
__
1
1
__
el origen
span
__
1
0
_
,
_
0
1
_
,
_
1
1
__
2
.
En R
3
:
span
_
_
_
_
_
1
1
1
_
_
_
_
_
(1,1,1).
Introduccin
Subespacios
Bases y Dimensin
Ejemplos: En R
2
:
span
__
1
1
__
el origen
span
__
1
0
_
,
_
0
1
_
,
_
1
1
__
2
.
En R
3
:
span
_
_
_
_
_
1
1
1
_
_
_
_
_
(1,1,1).
Introduccin
Subespacios
Bases y Dimensin
En R
3
:
Sea W = span
_
_
_
_
_
1
0
0
_
_
,
_
_
0
1
0
_
_
_
_
_
. W es el plano que
contiene los primeros dos ejes cartesianos pues cualquier
vector x en ese plano se puede escribir como:
x =
_
_
x
1
x
2
0
_
_
= x
1
_
_
1
0
0
_
_
+x
2
_
_
0
1
0
_
_
.
Introduccin
Subespacios
Bases y Dimensin
En R
3
:
Sea W = span
_
_
_
_
_
1
0
0
_
_
,
_
_
0
1
0
_
_
_
_
_
. W es el plano que
contiene los primeros dos ejes cartesianos pues cualquier
vector x en ese plano se puede escribir como:
x =
_
_
x
1
x
2
0
_
_
= x
1
_
_
1
0
0
_
_
+x
2
_
_
0
1
0
_
_
.
Introduccin
Subespacios
Bases y Dimensin
W = span
_
_
_
_
_
1
0
0
_
_
,
_
_
0
1
0
_
_
_
_
_
x
1
x
2
x
W
x
3
Introduccin
Subespacios
Bases y Dimensin
Tarea:
12.- A que plano en R
3
corresponde el subespacio
span
_
_
_
_
_
1
0
0
_
_
,
_
_
0
1
0
_
_
,
_
_
1
1
0
_
_
_
_
_
? Escribe un vector cualquiera en
ese plano como una combinacin lineal de estos tres vectores
Introduccin
Subespacios
Bases y Dimensin
El conjunto de vectores v
1
, v
2
, ..., v
n
V se dice Linealmente
Independiente si la combinacin lineal k
1
v
1
+k
2
v
2
+ ... +k
n
v
n
es
el vector cero solamente en el caso trivial, es decir, solo cuando
k
1
= k
2
= ... = k
n
= 0. De lo contrario el conjunto se dice
Linealmente Dependiente, o simplemente Dependiente.
Introduccin
Subespacios
Bases y Dimensin
Ejemplos:
Sean dos vectores v
1
, v
2
R
2
formemos la combinacin lineal
k
1
v
1
+k
2
v
2
= 0. Si son dependientes podemos suponer por
ejemplo que k
1
,= 0; entonces v
1
= kv
2
, donde k =
k
2
k
1
. Es
decir, uno es mltiplo del otro, o lo que es lo mismo: ambos
estn sobre la misma recta que pasa por el origen.
x
1
x
2
v
2
v
1
=kv
2
Introduccin
Subespacios
Bases y Dimensin
Ejemplos:
Sean dos vectores v
1
, v
2
R
2
formemos la combinacin lineal
k
1
v
1
+k
2
v
2
= 0. Si son dependientes podemos suponer por
ejemplo que k
1
,= 0; entonces v
1
= kv
2
, donde k =
k
2
k
1
. Es
decir, uno es mltiplo del otro, o lo que es lo mismo: ambos
estn sobre la misma recta que pasa por el origen.
x
1
x
2
v
2
v
1
=kv
2
Introduccin
Subespacios
Bases y Dimensin
Sean tres vectores v
1
, v
2
, v
3
R
3
formemos la combinacin
lineal k
1
v
1
+k
2
v
2
+k
3
v
3
= 0. Si son dependientes podemos
suponer por ejemplo que k
1
,= 0; entonces
v
1
=
k
2
k
1
v
2
k
3
k
1
v
3
. Es decir,v
1
spanv
2
, v
3
, o bien, los
tres estn sobre el mismo plano que contiene al origen.
x
1
x
2
x
3
span{v
2
,v
3
}
v
1
Introduccin
Subespacios
Bases y Dimensin
Sean tres vectores v
1
, v
2
, v
3
R
3
formemos la combinacin
lineal k
1
v
1
+k
2
v
2
+k
3
v
3
= 0. Si son dependientes podemos
suponer por ejemplo que k
1
,= 0; entonces
v
1
=
k
2
k
1
v
2
k
3
k
1
v
3
. Es decir,v
1
spanv
2
, v
3
, o bien, los
tres estn sobre el mismo plano que contiene al origen.
x
1
x
2
x
3
span{v
2
,v
3
}
v
1
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
La manera ms eciente de averiguar si un conjunto de
vectores v
1
, v
2
, ..., v
k
en R
n
es linealmente independiente es
tomarlos como las de una matriz y averiguar el rango de la
matriz con el proceso de eliminacin gaussiana.
Por ejemplo, consideremos el siguiente conjunto de vectores
en R
3
_
_
1
2
3
_
_
,
_
_
4
5
6
_
_
,
_
_
7
8
9
_
_
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
La manera ms eciente de averiguar si un conjunto de
vectores v
1
, v
2
, ..., v
k
en R
n
es linealmente independiente es
tomarlos como las de una matriz y averiguar el rango de la
matriz con el proceso de eliminacin gaussiana.
Por ejemplo, consideremos el siguiente conjunto de vectores
en R
3
_
_
1
2
3
_
_
,
_
_
4
5
6
_
_
,
_
_
7
8
9
_
_
Introduccin
Subespacios
Bases y Dimensin
Formamos la matriz A =
_
_
1 2 3
4 5 6
7 8 9
_
_
, y aplicamos
operaciones elementales por la
A ~
_
_
1 2 3
0 3 6
0 6 12
_
_
~
_
_
1 2 3
0 3 6
0 0 0
_
_
Por lo tanto, rank(A) = 2 = Solo dos las de A son
Linealmente independientes.
Introduccin
Subespacios
Bases y Dimensin
Formamos la matriz A =
_
_
1 2 3
4 5 6
7 8 9
_
_
, y aplicamos
operaciones elementales por la
A ~
_
_
1 2 3
0 3 6
0 6 12
_
_
~
_
_
1 2 3
0 3 6
0 0 0
_
_
Por lo tanto, rank(A) = 2 = Solo dos las de A son
Linealmente independientes.
Introduccin
Subespacios
Bases y Dimensin
Tarea:
13.- Averiguar si los vectores
_
_
1
1
1
_
_
,
_
_
1
1
1
_
_
,
_
_
1
3
3
_
_
son
Linealmente independientes
14.- En R
2
, hallar un vector linealmente independiente al vector
_
1
1
_
.
15.- En R
3
, hallar un vector linealmente independiente a los
vectores
_
_
1
1
1
_
_
,
_
_
1
1
1
_
_
Introduccin
Subespacios
Bases y Dimensin
Bases y Dimensin
Base de un espacio vectorial
El conjunto nito v
1
, v
2
, ..., v
n
V se dice que es una Base del
espacio vectorial V si:
1
V = spanv
1
, v
2
, ..., v
n
2
v
1
, v
2
, ..., v
n
es Linealmente Independiente.
Introduccin
Subespacios
Bases y Dimensin
Observacin: El nmero de vectores de cualquier base de un
espacio vectorial es el mismo.
Denition
Al nmero de vectores de una base cualquiera de un espacio
vectorial se le llama la dimensin del espacio y si este nmero es
nito, se dice que el espacio es de dimensin nita.
Introduccin
Subespacios
Bases y Dimensin
Ejemplos:
La base de R
n
formada por los vectores unitarios
e
1
, e
2
, ..., e
n
=
_
_
_
_
1
0
...
0
_
_
,
_
_
0
1
...
0
_
_
, ...,
_
_
0
0
...
1
_
_
_
_
se le llama la
base cannica de R
n
.
de acuerdo a lo anterior, la dimensin de R
n
es n.
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
La base cannica de los polinomios R
n
[x] es 1, x, x
2
, ..., x
n
: Es
evidente que cualquier polinomio se puede escribir como una
combinacin lineal de elementos de esta base y adems es L.I.,
pues k
0
+k
1
x +k
2
x
2
+ ... +k
n
x
n
es el polinomio nulo solamente
si k
0
= k
1
= ... = k
n
= 0.
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
Cual de los siguientes conjuntos de vectores es una base de
R
2
?
a)
_
1
1
_
,
_
1
1
_
. No son una base porque son L. D. (solo
generan la recta a 45
o
que pasa por el origen)
b)
_
1
0
_
,
_
1
1
_
,
_
0
0
_
. No son una base pues son 3 vectores
y la dimensin de R
2
es 2. (Generan a R
2
pero son L. D.)
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
R
2
?
a)
_
1
1
_
,
_
1
1
_
o
b)
_
1
0
_
,
_
1
1
_
,
_
0
0
_
y la dimensin de R
2
es 2. (Generan a R
2
pero son L. D.)
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
R
2
?
a)
_
1
1
_
,
_
1
1
_
o
b)
_
1
0
_
,
_
1
1
_
,
_
0
0
_
y la dimensin de R
2
es 2. (Generan a R
2
pero son L. D.)
Introduccin
Subespacios
Bases y Dimensin
16.- Vericar que el conjunto
_
_
_
_
_
1
0
0
_
_
,
_
_
1
1
0
_
_
,
_
_
1
1
1
_
_
_
_
_
es una
base de R
3
17.- Vericar que el conjunto 1, 1 +x, 1 +x +x
2
es una base de
R
2
[x]
Introduccin
Subespacios
Bases y Dimensin
Subespacios asociados con matrices
Dada una matriz A R
mn
Existen 4 subespacios asociados a ella:
El Espacio Fila de A (R
A
T): es el subespacio de R
1n
generado
por las las de A.
El Espacio Columna de A (R
A
): es el subespacio de R
m1
generado por las columnas de A.
El Ncleo o Espacio Nulo de A (N
A
): es el subespacio de R
n1
que consta de los vectores x R
n1
tales que Ax = 0.
El Espacio Nulo Izquierdo de A (N
A
T): es el subespacio de
R
m1
que consta de los vectores x R
m1
tales que x
T
A = 0, o
bien, A
T
x = 0.
Introduccin
Subespacios
Bases y Dimensin
El espacio la de una matriz A se puede escribir como los vectores
la y
T
R
1n
tales que y
T
= x
T
A, ya que este producto es una
combinacin lineal de las de A
El espacio columna de una matriz A se puede escribir como los
vectores columna y R
m1
tales que y = Ax, ya que este
producto es una combinacin lineal de columnas de A
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
Escribir el producto Ax como una combinacin lineal de
columnas de A, con x =
_
_
x
1
x
2
x
3
_
_
, A =
_
_
1 0 1
0 1 2
1 0 1
_
_
==
Ax =
_
_
x
1
+x
3
x
2
+ 2x
3
x
1
+x
3
_
_
es decir, Ax = x
1
_
_
1
0
1
_
_
+x
2
_
_
0
1
0
_
_
+x
3
_
_
1
2
1
_
_
es decir, Ax dene el espacio generado por las columnas de A.
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
_
_
x
1
x
2
x
3
_
_
, A =
_
_
1 0 1
0 1 2
1 0 1
_
_
==
Ax =
_
_
x
1
+x
3
x
2
+ 2x
3
x
1
+x
3
_
_
es decir, Ax = x
1
_
_
1
0
1
_
_
+x
2
_
_
0
1
0
_
_
+x
3
_
_
1
2
1
_
_
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
_
_
x
1
x
2
x
3
_
_
, A =
_
_
1 0 1
0 1 2
1 0 1
_
_
==
Ax =
_
_
x
1
+x
3
x
2
+ 2x
3
x
1
+x
3
_
_
es decir, Ax = x
1
_
_
1
0
1
_
_
+x
2
_
_
0
1
0
_
_
+x
3
_
_
1
2
1
_
_
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
Encontrar una base del Espacio columna y del espacio nulo de
la matriz del ejemplo anterior.
Solucin: R
A
= span
_
_
_
_
_
1
0
1
_
_
,
_
_
0
1
0
_
_
,
_
_
1
2
1
_
_
_
_
_
Pero como slo dos columnas son L.I., por lo tanto, la base
es:
_
_
_
_
_
1
0
1
_
_
,
_
_
0
1
0
_
_
_
_
_
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
Solucin: R
A
= span
_
_
_
_
_
1
0
1
_
_
,
_
_
0
1
0
_
_
,
_
_
1
2
1
_
_
_
_
_
es:
_
_
_
_
_
1
0
1
_
_
,
_
_
0
1
0
_
_
_
_
_
Introduccin
Subespacios
Bases y Dimensin
Ejemplo:
Solucin: R
A
= span
_
_
_
_
_
1
0
1
_
_
,
_
_
0
1
0
_
_
,
_
_
1
2
1
_
_
_
_
_
es:
_
_
_
_
_
1
0
1
_
_
,
_
_
0
1
0
_
_
_
_
_
Introduccin
Subespacios
Bases y Dimensin
Para N
A
formamos el sistema Ax = 0:
_
_
1 0 1
0 1 2
1 0 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
Que en la forma reducida por las es:
_
_
1 0 1
0 1 2
0 0 0
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
Introduccin
Subespacios
Bases y Dimensin
Para N
A
formamos el sistema Ax = 0:
_
_
1 0 1
0 1 2
1 0 1
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
Que en la forma reducida por las es:
_
_
1 0 1
0 1 2
0 0 0
_
_
_
_
x
1
x
2
x
3
_
_
=
_
_
0
0
0
_
_
Introduccin
Subespacios
Bases y Dimensin
Obtenemos: x
1
= x
3
, x
2
= 2x
3
, x
3
arbitrario, es decir,
N
A
=
_
_
_
_
_
x
3
2x
3
x
3
_
_
[ x
3
R
_
_
_
,
es decir, N
A
es la recta generada por el vector
_
_
1
2
1
_
_
, el
cual es la base buscada.
Introduccin
Subespacios
Bases y Dimensin
Obtenemos: x
1
= x
3
, x
2
= 2x
3
, x
3
arbitrario, es decir,
N
A
=
_
_
_
_
_
x
3
2x
3
x
3
_
_
[ x
3
R
_
_
_
,
es decir, N
A
es la recta generada por el vector
_
_
1
2
1
_
_
, el
cual es la base buscada.
Introduccin
Subespacios
Bases y Dimensin
Tarea:
18.- Para la matriz A =
_
_
1 0 1
0 1 2
1 0 1
_
_
, y el vector x =
_
_
x
1
x
2
x
3
_
_
,
escribir el producto x
T
A como una combinacin lineal de las las
de A.
19.- Encontrar una base para el espacio la de A y una base para el
espacio nulo izquierdo de A.
Introduccin
Subespacios
Bases y Dimensin
Teorema fundamental del Algebra Lineal:
Para cualquier matriz A R
mn
se cumple lo siguiente:
1
rango de A
M
= dimensin de R
A
T = dimensin de R
A
T = r
2
dimensin de N
A
T = mr
3
dimensin de N
A
= n r
Introduccin
Subespacios
Bases y Dimensin
Tarea:
20.- Vericar el teorema fundamental del lgebra lineal para la
matriz
A =
_
_
1 0 1
0 1 2
1 0 1
_
_
Introduccin
Diagonalizacin
Solucin de ecuaciones diferenciales lineales
Clculo de la matriz exponencial e
At
El problema de valores y vectores propios, tambin llamados
valores y vectores caractersticos, eigen-valores y eigen-vectores, o
autovalores y autovectores surge en diversos campos de aplicacin
del lgebra lineal, tales como:
- Ecuaciones diferenciales
- Estabilidad de sistemas lineales
- Sistemas elctricos (componentes simtricas)
- Polos y ceros de funciones transferencia
- Diagonalizacin de matrices
Introduccin
Diagonalizacin
At
Denition
Sea A R
nn
una matriz cuadrada, se dice que el vector no nulo
x R
n
es un vector propio de A correspondiente al escalar
llamado valor propio si se cumple que Ax = x
Introduccin
Diagonalizacin
At
Observacin: Para un vector x en general el producto Ax es otro
vector con direccin completamente diferente a x, sin embargo, la
denicin de vector propio pide que Ax vaya en la misma direccin
de x:
x
1
x
2
x
x
Ax
Introduccin
Diagonalizacin
At
En otras palabras, de existir dichos vectores propios, sern aquellos
vectores x a los que A no les cambia de direccin al
premultiplicarlos.
Introduccin
Diagonalizacin
At
De la denicin, para que x sea un vector propio de A
correspondiente al valor propio se requiere que
Ax = x
Es decir, x debe satisfacer la ecuacin:
(I A)x = 0
En otras palabras, x pertenece al Espacio Nulo de (I A)
Introduccin
Diagonalizacin
At
De esta manera el problema de encontrar los valores y vectores
propios de A se convierte en el problema de encontrar el espacio
nulo de la matriz cuadrada (I A).
Como el espacio nulo de una matriz es un subespacio de R
n
al
espacio nulo de (I A) se le llama el subespacio propio de A y
est formado por puros vectores propios de A.
Introduccin
Diagonalizacin
At
Si la dimensin del espacio nulo de (I A) es cero el nico
vector que contiene dicho espacio es el vector cero, el cual por
denicin no es un vector propio.
Por lo tanto, para que exista algn vector propio de A se requiere
que la dimensin del espacio nulo de (I A) sea diferente de
cero, es decir, que la ecuacin (I A)x = 0 tenga una solucin
no nula, o bien,
det(I A) = 0
Introduccin
Diagonalizacin
At
Denition
Al determinante det(I A) se le llama polinomio caracterstico
de A y a la ecuacin det(I A) = 0 se le llama ecuacin
caracterstica de la matriz A.
Dada una matriz A de n n, su polinomio caracterstico es de
grado n, la ecuacin caracterstica deber tener hasta n soluciones
para , es decir, habr hasta n valores propios para cualquier
matriz A de n n.
Obsrvese que los valores propios pueden ser reales o complejos.
Introduccin
Diagonalizacin
At
Ejemplo: Calcular los valores propios de la matriz A =
_
4 5
2 3
_
Solucin:
La ecuacin caracterstica es
det
_
4 5
2 + 3
_
= 0
es decir,
2
2 = ( + 1)( 2) = 0
de donde obtenemos dos valores propios:
1
= 1,
2
= 2.
Introduccin
Diagonalizacin
At
_
4 5
2 3
_
Solucin:
det
_
4 5
2 + 3
_
= 0
es decir,
2
2 = ( + 1)( 2) = 0
1
= 1,
2
= 2.
Introduccin
Diagonalizacin
At
_
4 5
2 3
_
Solucin:
det
_
4 5
2 + 3
_
= 0
es decir,
2
2 = ( + 1)( 2) = 0
1
= 1,
2
= 2.
Introduccin
Diagonalizacin
At
_
4 5
2 3
_
Solucin:
det
_
4 5
2 + 3
_
= 0
es decir,
2
2 = ( + 1)( 2) = 0
1
= 1,
2
= 2.
Introduccin
Diagonalizacin
At
_
4 5
2 3
_
Solucin:
det
_
4 5
2 + 3
_
= 0
es decir,
2
2 = ( + 1)( 2) = 0
1
= 1,
2
= 2.
Introduccin
Diagonalizacin
At
Ejemplo:
Los vectores propios para la matriz anterior se pueden obtener
como sigue:
Para
1
= 1 el sistema (
1
I A)x = 0 queda
_
5 5
2 2
_ _
x
1
x
2
_
=
_
0
0
_
de donde los vectores propios tienen la forma k
_
1 1

T
Para
2
= 2 el sistema (
1
I A)x = 0 queda
_
2 5
2 5
_ _
x
1
x
2
_
=
_
0
0
_
_
5 2

T
Introduccin
Diagonalizacin
At
Ejemplo:
como sigue:
Para
1
= 1 el sistema (
1
I A)x = 0 queda
_
5 5
2 2
_ _
x
1
x
2
_
=
_
0
0
_
_
1 1

T
Para
2
= 2 el sistema (
1
I A)x = 0 queda
_
2 5
2 5
_ _
x
1
x
2
_
=
_
0
0
_
_
5 2

T
Introduccin
Diagonalizacin
At
Ejemplo:
como sigue:
Para
1
= 1 el sistema (
1
I A)x = 0 queda
_
5 5
2 2
_ _
x
1
x
2
_
=
_
0
0
_
_
1 1

T
Para
2
= 2 el sistema (
1
I A)x = 0 queda
_
2 5
2 5
_ _
x
1
x
2
_
=
_
0
0
_
_
5 2

T
Introduccin
Diagonalizacin
At
Ejemplo:
como sigue:
Para
1
= 1 el sistema (
1
I A)x = 0 queda
_
5 5
2 2
_ _
x
1
x
2
_
=
_
0
0
_
_
1 1

T
Para
2
= 2 el sistema (
1
I A)x = 0 queda
_
2 5
2 5
_ _
x
1
x
2
_
=
_
0
0
_
_
5 2

T
Introduccin
Diagonalizacin
At
Ejemplo:
como sigue:
Para
1
= 1 el sistema (
1
I A)x = 0 queda
_
5 5
2 2
_ _
x
1
x
2
_
=
_
0
0
_
_
1 1

T
Para
2
= 2 el sistema (
1
I A)x = 0 queda
_
2 5
2 5
_ _
x
1
x
2
_
=
_
0
0
_
_
5 2

T
Introduccin
Diagonalizacin
At
Ejemplo:
como sigue:
Para
1
= 1 el sistema (
1
I A)x = 0 queda
_
5 5
2 2
_ _
x
1
x
2
_
=
_
0
0
_
_
1 1

T
Para
2
= 2 el sistema (
1
I A)x = 0 queda
_
2 5
2 5
_ _
x
1
x
2
_
=
_
0
0
_
_
5 2

T
Introduccin
Diagonalizacin
At
Ejemplo:
como sigue:
Para
1
= 1 el sistema (
1
I A)x = 0 queda
_
5 5
2 2
_ _
x
1
x
2
_
=
_
0
0
_
_
1 1

T
Para
2
= 2 el sistema (
1
I A)x = 0 queda
_
2 5
2 5
_ _
x
1
x
2
_
=
_
0
0
_
_
5 2

T
Introduccin
Diagonalizacin
At
Observacin: como los vectores propios correspondientes a un
valor propio dado no son nicos, se acostumbra obtener los
vectores propios unitarios.
Para el ejemplo anterior el vector propio unitario correspondiente al
valor propio
1
= 1 es
1
_
2
_
1
1
_
, mientras que para el valor
propio
2
, es
1
_
29
_
5
2
_
Introduccin
Diagonalizacin
At
La suma de los n valores propios de la matriz A es igual a su
traza: traza(A) =
1
+
2
+ ... +
n
El producto de los n valores propios de la matriz A es igual a
su determinante: det(A) =
1
2
...
n
. Una consecuencia
inmediata de esta propiedad es que det(A) = 0 si y solo si
algn valor propio de A es cero.
Los valores propios de una matriz triangular (superior o
inferior) son los valores de su diagonal.
Introduccin
Diagonalizacin
At
Tarea:
21.- Calcula los valores propios y vectores propios unitarios
correspondientes para la matriz A =
_
0 1
2 3
_
. Verica las dos
primeras propiedades anteriores.
Introduccin
Diagonalizacin
At
Diagonalizacin
Denition
Dada una matriz cuadrada A, y una matriz invertible T, a la
operacin T
1
AT se le llama transformacin de similaridad y a la
matriz B = T
1
AT se le llama matriz similar a la matriz A
Introduccin
Diagonalizacin
At
La relacin de similaridad entre dos matrices se dice que es una
relacin de equivalencia y cumple con las siguientes propiedades:
1
Propiedad reexiva: Una matriz A es similar a s misma.
2
Propiedad simtrica: si A es similar a B entonces B es similar
a A.
3
Propiedad transitiva: Si A es similar a B y B es similar a C,
entonces A es similar a C.
Otros ejemplos de relaciones de equivalencia son: La igualdad
numrica, la semejanza de tringulos, el paralelismo entre lneas
rectas, etc.
Introduccin
Diagonalizacin
At
Tarea:
22.- Vericar las tres propiedades para la relacin de similaridad
entre matrices denida como: A similar a B si B = T
1
AT
23.- Dar otro ejemplo de relacin de equivalencia.
Introduccin
Diagonalizacin
At
Otras propiedades: Las siguientes caractersticas de una matriz A
no se alteran bajo una transformacin de similaridad:
el determinante
la traza
los valores y vectores propios
Introduccin
Diagonalizacin
At
Tarea:
24.- Para las matrices A =
_
0 1
1 0
_
y T =
_
1 1
1 1
_
calcula
B = T
1
AT. Verica las propiedades anteriores para A y B.
Introduccin
Diagonalizacin
At
Si la matriz A de n n tiene n vectores propios L.I., y formamos
una matriz T cuyas columnas sean estos vectores, entonces la
transformacin D = T
1
AT produce una matriz diagonal D.
Adems, los elementos en la diagonal de D sern justamente los
valores propios de A.
Observacin: La condicin de independencia lineal de los n
vectores propios de A se satisface cuando todos los valores propios
de A son diferentes (el inverso no siempre es cierto).
Introduccin
Diagonalizacin
At
Ejemplo: Para la matriz A =
_
4 5
2 3
_
, obtener la forma
diagonal.
Solucin: Usando los vectores propios ya obtenidos:
T =
_
1 5
1 2
_
, de donde T
1
=
1
3
_
2 5
1 1
_
, por lo tanto,
D = T
1
AT =
_
1 0
0 2
_
Introduccin
Diagonalizacin
At
Observaciones:
1
No todas las matrices tienen forma diagonal.
2
Si una matriz tiene sus n valores propios distintos tiene n
vectores propios L.I. y por lo tanto tiene forma diagonal.
3
Si una matriz tiene valores propios repetidos puede no tener
forma diagonal.
4
Toda matriz tiene una forma diagonal por bloques llamada
Forma de Jordan.
5
Una matriz simtrica tiene valores propios reales y vectores
propios ortogonales que pueden formar una matriz
diagonalizante ortogonal T tal que T
1
= T
T
.
6
De acuerdo a lo anterior, una matriz simtrica A se puede
diagonalizar mediante la transformacin: D = T
T
AT
Introduccin
Diagonalizacin
At
Observaciones:
1
2
3
forma diagonal.
4
Forma de Jordan.
5
1
= T
T
.
6
T
AT
Introduccin
Diagonalizacin
At
Observaciones:
1
2
3
forma diagonal.
4
Forma de Jordan.
5
1
= T
T
.
6
T
AT
Introduccin
Diagonalizacin
At
Observaciones:
1
2
3
forma diagonal.
4
Forma de Jordan.
5
1
= T
T
.
6
T
AT
Introduccin
Diagonalizacin
At
Observaciones:
1
2
3
forma diagonal.
4
Forma de Jordan.
5
1
= T
T
.
6
T
AT
Introduccin
Diagonalizacin
At
Observaciones:
1
2
3
forma diagonal.
4
Forma de Jordan.
5
1
= T
T
.
6
T
AT
Introduccin
Diagonalizacin
At
Aplicacin a ecuaciones diferenciales lineales
Consideremos el sistema de n ecuaciones diferenciales lineales de
primer orden con coecientes constantes dado por
x = Ax, con x(0) = x
0
Donde x =
_
_
x
1
(t)
x
2
(t)
...
x
n
(t)
_
_
, x =
_
_
x
1
(t)
x
2
(t)
...
x
n
(t)
_
_
,
A =
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
...
a
n1
a
n2
... a
nn
_
_
Introduccin
Diagonalizacin
At
La solucin al sistema de ecuaciones anterior se calcula de manera
anloga al caso escalar como
x(t) = e
At
x
0
Sin embargo, el clculo de e
At
que en el caso A escalar es trivial,
se complica si A es una matriz.
Introduccin
Diagonalizacin
At
Clculo de la matriz exponencial
Si A es una matriz diagonal, digamos
A =
_
_
a
11
0 ... 0
0 a
22
... 0
.
.
.
0 0 ... a
nn
_
_
, el clculo es directo:
e
At
=
_
_
e
a
11
t
0 ... 0
0 e
a
22
t
... 0
.
.
.
0 0 ... e
a
nn
t
_
_
Introduccin
Diagonalizacin
At
Pero si A no es diagonal, podemos recurrir al clculo del
exponencial mediante la serie
e
At
= I +At +
1
2!
A
2
t
2
+
1
3!
A
3
t
3
+ ...
Que en el caso matricial se convierte en una suma nita pues por
el Teorema de Cayley-Hamilton A
n
se puede expresar como una
combinacin lineal de las potencias anteriores de A, con lo cual
e
At
=
0
(t)I +
1
(t)A +
2
(t)A
2
+ ... +
n1
(t)A
n1
Introduccin
Diagonalizacin
At
Como
_
TDT
1
_
k
= TD
k
T
1
para cualquier k entero, de la
sumatoria nita, obtenemos
T
1
e
At
T =
0
(t)I +
1
(t)T
1
AT +
2
(t)
_
T
1
AT
_
2
+ ... +
n1
(t)
_
T
1
AT
_
n1
e
T
1
AtT
= e
Dt
=
0
(t)I +
1
(t)D +
2
(t)D
2
+ ... +
n1
(t)D
n1
Introduccin
Diagonalizacin
At
es decir,
_
_
e
1
t
0 ... 0
0 e
2
t
... 0
.
.
.
0 0 ... e
n
t
_
_
=
_
0
+
1
1
+
2
2
1
+ ... +
n1
n1
1
... 0
.
.
.
0 ...
0
+
2
2
n
+ ... +
n1
n1
n
_
_
Introduccin
Diagonalizacin
At
igualando los elementos de la diagonal
e
1
t
=
0
+
1
1
+ ... +
n1
n1
1
e
2
t
=
0
+
1
2
+ ... +
n1
n1
2
...
e
n
t
=
0
+
1
n
+ ... +
n1
n1
n
En forma matricial:
_
_
1
1

2
1
...
n1
1
1
2

2
2
...
n1
2
.
.
.
1
n

2
n
...
n1
n
_
_
_
1
...
n
_
_
=
_
_
e
1
t
e
2
t
...
e
n
t
_
_
Introduccin
Diagonalizacin
At
Ejemplo: Encontrar la solucin de la ecuacin diferencial x = Ax
con x(0) =
_
x
10
x
20
_
y con A =
_
4 5
2 3
_
.
Solucin: Como ya se calcul:
1
= 1,
2
= 2, formamos el
sistema
_
1 1
1 2
_ _

0
1
_
=
_
e
t
e
2t
_
,
de donde
_

0
1
_
=
1
3
_
2 1
1 2
_ _
e
t
e
2t
_
=
_
2
3
e
t
+
1
3
e
2t
1
3
e
t
+
2
3
e
2t
_
Introduccin
Diagonalizacin
At
Sustituyendo en e
At
=
0
I +
1
A, se obtiene
e
At
=
_
2
3
e
t
+
1
3
e
2t
_
_
1 0
0 1
_
+
_
1
3
e
t
+
2
3
e
2t
_
_
4 5
2 3
_
e
At
=
_

2
3
e
t
+ 3e
2t 5
3
e
t
10
3
e
2t
2
3
e
t
+
1
3
e
2t 5
3
e
t
5
3
e
2t
_
por lo tanto, la solucin de la ecuacin diferencial es
x(t) =
_

2
3
e
t
+ 3e
2t 5
3
e
t
10
3
e
2t
2
3
e
t
+
1
3
e
2t 5
3
e
t
5
3
e
2t
_ _
x
10
x
20
_
Introduccin
Diagonalizacin
At
Tarea:
Obtener e
At
para A =
_
0 1
1 0
_
.

Espacios Vectoriales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Espacios Vectoriales

Cargado por

Copyright:

Formatos disponibles

Introduccin

10.- Vericar las tres propiedades de los subespacios en R

También podría gustarte