TE

Algebra
Lineal II
Jose Alejandro Lara Rodrguez
Facultad de Matematicas
Universidad Autonoma
de Yucatan
lrodri08@gmail.com
Edificio A, Planta alta, cubculo 4
16 de abril de 2015
Alejandro Lara (Fmat- Uady)
Algebra
Lineal II
16 de abril de 2015
1 / 80
Contenido
Algebra
Lineal II
16 de abril de 2015
2 / 80
Contenido
Teora Espectral
Valores y vectores propios
Diagonalizacion
de operadores lineales
Triangulacion
unitaria
Diagonalizacion
en valores singulares
Descomposicion
Secciones conicas
y superficies cuadraticas
El polinomio mnimo de una matriz
La forma canonica
de Jordan
Algebra
Lineal II
16 de abril de 2015
3 / 80

1
Sea T : V V un operador lineal sobre un K -e.v. V .
Algebra
Lineal II
16 de abril de 2015
4 / 80

1
2

K es un valor propio de T si existe 0 6= v V tal que
Tv = v .
Algebra
Lineal II
16 de abril de 2015
4 / 80

1
2

Tv = v .
El espectro de T
(T ) = { K : es un valor propio de T }
Algebra
Lineal II
16 de abril de 2015
4 / 80

1
2

Tv = v .
El espectro de T
Los vectores v 6= 0 tales que Tv = v son los vectores propios de

T correspondientes a .
Algebra
Lineal II
16 de abril de 2015
4 / 80

1
2

Tv = v .
El espectro de T

El espacio propio de T correspondiente al valor propio es
E
Algebra
Lineal II
16 de abril de 2015
4 / 80

1
2

Tv = v .
El espectro de T

E = {v V | Tv = v }
Algebra
Lineal II
16 de abril de 2015
4 / 80

1
2

Tv = v .
El espectro de T

E = {v V | Tv = v }
= ker(T 1V )
Algebra
Lineal II
16 de abril de 2015
4 / 80

1
2

Tv = v .
El espectro de T

E = {v V | Tv = v }
= ker(T 1V )
= {vectores propios correspondientes a } {0}.
Algebra
Lineal II
16 de abril de 2015
4 / 80
Ejemplos
Ejemplo
Algebra
Lineal II
16 de abril de 2015
5 / 80
Ejemplos
Ejemplo
1
Sea T : R2 R2 dada por

x
3x + 2y
T
=
y
3x 2y
Algebra
Lineal II
16 de abril de 2015
5 / 80
Ejemplos
Ejemplo
1

x
3x + 2y
T
=
y
3x 2y

Entonces T
2
1

=
Algebra
Lineal II
16 de abril de 2015
5 / 80
Ejemplos
Ejemplo
1

x
3x + 2y
T
=
y
3x 2y

2
1
Entonces T
Un valor propio es =
Algebra
Lineal II
16 de abril de 2015
5 / 80
Ejemplos
Ejemplo
1

x
3x + 2y
T
=
y
3x 2y

2
1
Entonces T
Un vector propio es v =
Algebra
Lineal II
16 de abril de 2015
5 / 80
Ejemplos
Ejemplo
1

x
3x + 2y
T
=
y
3x 2y

2
1
Entonces T
Espacio propio correspondiente a = 4:
E4 = ker(T 4 1R2 ) =
Algebra
Lineal II
16 de abril de 2015
5 / 80
Ejemplo
Sea T : R[t]4 R[t]4 dado por

T a0 + a1 t + a2 t 2 + a3 t 3 = (2a0 + a1 )+2a1 t+(2a2 + a3 ) t 2 +2a3 t 3 .
Algebra
Lineal II
16 de abril de 2015
6 / 80
Ejemplo

Entonces T (3 + 5t 2 ) =
Algebra
Lineal II
16 de abril de 2015
6 / 80
Ejemplo

Algebra
Lineal II
16 de abril de 2015
6 / 80
Ejemplo

un valor propio es =
Algebra
Lineal II
16 de abril de 2015
6 / 80
Ejemplo

un valor propio es =
E2 =
Algebra
Lineal II
16 de abril de 2015
6 / 80
Ejemplo
1
Sea T el operador lineal derivacion:

T (f ) = f 0
Algebra
Lineal II
16 de abril de 2015
7 / 80
Ejemplo
1

T (f ) = f 0
T (e3x ) =
Algebra
Lineal II
16 de abril de 2015
7 / 80
Ejemplo
1

T (f ) = f 0
T (e3x ) =
1
Un vector propio es:
Algebra
Lineal II
16 de abril de 2015
7 / 80
Ejemplo
1

T (f ) = f 0
T (e3x ) =
1
2

Un valor propio es:
Algebra
Lineal II
16 de abril de 2015
7 / 80
Ejemplo
1

T (f ) = f 0
T (e3x ) =
1
2
3

Un valor propio es:
Cuantos
valores propios distintos tiene T ?
Algebra
Lineal II
16 de abril de 2015
7 / 80
Ejemplo
1

T (f ) = f 0
T (e3x ) =
1
2
3

Un valor propio es:
Cuantos
Sea T el operador lineal doble derivacion:

T (f ) = f 00
Algebra
Lineal II
16 de abril de 2015
7 / 80
Ejemplo
1

T (f ) = f 0
T (e3x ) =
1
2
3

Un valor propio es:
Cuantos

T (f ) = f 00
T (sen(x)) =
Algebra
Lineal II
16 de abril de 2015
7 / 80
Ejemplo
1

T (f ) = f 0
T (e3x ) =
1
2
3

Un valor propio es:
Cuantos

T (f ) = f 00
T (sen(x)) =
1
Cuantos
Algebra
Lineal II
16 de abril de 2015
7 / 80
Ejemplo
Ejemplo
Algebra
Lineal II
16 de abril de 2015
8 / 80
Ejemplo
Ejemplo
1
Sea T : R[t]2 R[t]2 el operador lineal dado por

T (a + bt) = (5a + 3b) + (6a 4b)t
Algebra
Lineal II
16 de abril de 2015
8 / 80
Ejemplo
Ejemplo
1

T (a + bt) = (5a + 3b) + (6a 4b)t
1
Calcular el espectro de T .
Algebra
Lineal II
16 de abril de 2015
8 / 80
Ejemplo
Ejemplo
1

T (a + bt) = (5a + 3b) + (6a 4b)t
1
2
Determinar E para cada (T ).
Algebra
Lineal II
16 de abril de 2015
8 / 80
Ejemplo
Ejemplo
1

T (a + bt) = (5a + 3b) + (6a 4b)t
1
2
Ejercicio
Algebra
Lineal II
16 de abril de 2015
8 / 80
Ejemplo
Ejemplo
1

T (a + bt) = (5a + 3b) + (6a 4b)t
1
2
Ejercicio
1
Sean W un subespacio no nulo de Rn y P : Rn Rn la proyeccion

n
ortogonal de R sobre W .
Algebra
Lineal II
16 de abril de 2015
8 / 80
Ejemplo
Ejemplo
1

T (a + bt) = (5a + 3b) + (6a 4b)t
1
2
Ejercicio
1

n
Pruebe que los unicos
valores propios de P son 0 y 1.
Algebra
Lineal II
16 de abril de 2015
8 / 80
Ejemplo
Ejemplo
1

T (a + bt) = (5a + 3b) + (6a 4b)t
1
2
Ejercicio
1

n
Pruebe que los unicos

valores propios de P son 0 y 1.
Determine E0 y E1 .
Algebra
Lineal II
16 de abril de 2015
8 / 80
de los valores propios

Caracterizacion
Teorema
Algebra
Lineal II
16 de abril de 2015
9 / 80

Caracterizacion
Teorema
1
Sea T : V V un operador lineal.
Algebra
Lineal II
16 de abril de 2015
9 / 80

Caracterizacion
Teorema
1
es un valor propio si y solamente si T 1V no es inyectivo.
Algebra
Lineal II
16 de abril de 2015
9 / 80

Caracterizacion
Teorema
1
Teorema
Algebra
Lineal II
16 de abril de 2015
9 / 80

Caracterizacion
Teorema
1
Teorema
1
finita.
V de dimension
Algebra
Lineal II
16 de abril de 2015
9 / 80

Caracterizacion
Teorema
1
Teorema
1
finita.
V de dimension
T : V V lineal.
Algebra
Lineal II
16 de abril de 2015
9 / 80

Caracterizacion
Teorema
1
Teorema
1
finita.
V de dimension
T : V V lineal.
Las siguientes afirmaciones son equivalentes
Algebra
Lineal II
16 de abril de 2015
9 / 80

Caracterizacion
Teorema
1
Teorema
1
finita.
V de dimension
T : V V lineal.
(T ).
Algebra
Lineal II
16 de abril de 2015
9 / 80

Caracterizacion
Teorema
1
Teorema
1
finita.
V de dimension
T : V V lineal.
1
2
(T ).
El operador T 1V no es inyectivo.
Algebra
Lineal II
16 de abril de 2015
9 / 80

Caracterizacion
Teorema
1
Teorema
1
finita.
V de dimension
T : V V lineal.
1
2
3
(T ).
El operador T 1V no es inyectivo.
det(T 1V ) = 0.
Algebra
Lineal II
16 de abril de 2015
9 / 80
Valores y vectores propios de matrices
Definicion
Algebra
Lineal II
16 de abril de 2015
10 / 80
Definicion
1
Sea A K nn .
Algebra
Lineal II
16 de abril de 2015
10 / 80
Definicion
1
Sea A K nn .
K es un valor propio de A si es un valor propio de

TA : K n K n ,
TA (x) = Ax,
el operador lineal inducido por A.
Algebra
Lineal II
16 de abril de 2015
10 / 80
Definicion
1
Sea A K nn .

TA : K n K n ,
TA (x) = Ax,

3
Equivalentemente, K es un valor propio de A si y solamente si

existe un vector x 6= 0 tal que Ax = x.
Algebra
Lineal II
16 de abril de 2015
10 / 80
Definicion
1
Sea A K nn .

TA : K n K n ,
TA (x) = Ax,

3

(A) es el conjunto de los valores propios de A.
Algebra
Lineal II
16 de abril de 2015
10 / 80
Definicion
1
Sea A K nn .

TA : K n K n ,
TA (x) = Ax,

3

(A) es el conjunto de los valores propios de A.
El espacio propio de (A) es:

E = {x K n : Ax = x} = N(A I)
Algebra
Lineal II
16 de abril de 2015
10 / 80
Corolario
Sea A K nn . Las siguientes afirmaciones son equivalentes.
Algebra
Lineal II
16 de abril de 2015
11 / 80
Corolario
1
(A).
Algebra
Lineal II
16 de abril de 2015
11 / 80
Corolario
1
(A).
N(A I) 6= {0}.
Algebra
Lineal II
16 de abril de 2015
11 / 80
Corolario
1
(A).
N(A I) 6= {0}.
det(A I) = 0.
Algebra
Lineal II
16 de abril de 2015
11 / 80
El polinomio caracterstico
Teorema
Algebra
Lineal II
16 de abril de 2015
12 / 80
Teorema
1
Sean A K nn y p() = det(A I).
Algebra
Lineal II
16 de abril de 2015
12 / 80
Teorema
1
2

Entonces
Algebra
Lineal II
16 de abril de 2015
12 / 80
Teorema
1
2

Entonces
1
p() es un polinomio de grado n en la variable .
Algebra
Lineal II
16 de abril de 2015
12 / 80
Teorema
1
2

Entonces
1
2

El coeficiente de n es (1)n .
Algebra
Lineal II
16 de abril de 2015
12 / 80
Teorema
1
2

Entonces
1
2
3

El coeficiente de n1 es (1)n1 traza(A).
Algebra
Lineal II
16 de abril de 2015
12 / 80
Teorema
1
2

Entonces
1
2
3
4

El termino
constante de p() es det(A).
Algebra
Lineal II
16 de abril de 2015
12 / 80
Teorema
1
2

Entonces
1
2
3
4

El termino
constante de p() es det(A).
Definicion
El polinomio caracterstico de A es pc () = det(A I).
Algebra
Lineal II
16 de abril de 2015
12 / 80
Ejercicios
Si los eigenvalores de A R77 son 2, 2, 2, 5, 5, 3, 3,

determine el polinomio caracterstico de A.
Algebra
Lineal II
16 de abril de 2015
13 / 80
Ejercicios

Sea V un espacio tridimensional, A : V V un operador lineal tal
que traza(A) = 2, det(T ) = 6 y Tv = v para cierto vector
0 6= v V . Determine el espectro de A.
Algebra
Lineal II
16 de abril de 2015
13 / 80
Ejercicios

Sea V un espacio tridimensional, A : V V un operador lineal tal
que traza(A) = 2, det(T ) = 6 y Tv = v para cierto vector
0 6= v V . Determine el espectro de A.
Sean 1 , . . . , n todos los valores propios de A K nn . Pruebe
que
traza(A) =
n
X
i ,
i=1
det(A) =
n
Y
i=1
Algebra
Lineal II
16 de abril de 2015
13 / 80

Multiplicidad algebraica y geometrica
Definicion
Algebra
Lineal II
16 de abril de 2015
14 / 80

Definicion
1
Sea (A).
Algebra
Lineal II
16 de abril de 2015
14 / 80

Definicion
1
Sea (A).
1
La multiplicidad algebraica de es el numero

de veces que
aparece como raz del polinomio caracterstico.
Algebra
Lineal II
16 de abril de 2015
14 / 80

Definicion
1
Sea (A).
1

de veces que

es un valor propio simple si su multiplicidad algebraica es 1.
Algebra
Lineal II
16 de abril de 2015
14 / 80

Definicion
1
Sea (A).
1
2
3

de veces que

de E
La multiplicidad geometrica
de es la dimension
Algebra
Lineal II
16 de abril de 2015
14 / 80

Definicion
1
Sea (A).
1
2
3
4

de veces que

de E
La multiplicidad geometrica
de es la dimension
es semisimple si sus multiplicidades algebraica y geometrica

coinciden.
Algebra
Lineal II
16 de abril de 2015
14 / 80
Ejemplos
1
Determine el polinomio caracterstico, el espectro y las
multiplicidades algebraica y geometrica

de cada una de las
siguientes matrices:
Algebra
Lineal II
16 de abril de 2015
15 / 80
Ejemplos
1

de cada una de las

1
A=
0
1
1
0
R22
Algebra
Lineal II
16 de abril de 2015
15 / 80
Ejemplos
1

de cada una de las

0
A=
1

0
A=
1

1
R22
0

1
R22
0
Algebra
Lineal II
16 de abril de 2015
15 / 80
Ejemplos
1

de cada una de las

0
A=
1

0
A=
1

0
A=
1

1
R22
0

1
R22
0
1
C22
0
Algebra
Lineal II
16 de abril de 2015
15 / 80
Ejemplos
1

de cada una de las

1
R22
0

1
R22
0
1
C22
0
2 0 0
A = 1 4 0 R33
3 6 2
0
A=
1

0
A=
1

0
A=
1
Algebra
Lineal II
16 de abril de 2015
15 / 80
Ejemplos
1

de cada una de las

1
R22
0

1
R22
0
1
C22
0
2 0 0
A = 1 4 0 R33
3 6 2
2 0 0
A = 9 4 0 R33
1 0 2
0
A=
1

0
A=
1

0
A=
1
Algebra
Lineal II
16 de abril de 2015
15 / 80
Existencia de valores propios
Teorema
Algebra
Lineal II
16 de abril de 2015
16 / 80
Existencia de valores propios
Teorema
1
Si A Cnn , entonces A tiene exactamente n valores propios.
Algebra
Lineal II
16 de abril de 2015
16 / 80

Multiplicidad geometrica
multiplicidad algebraica
Teorema
Algebra
Lineal II
16 de abril de 2015
17 / 80

Teorema
1
finita y positiva y T : V V
Sean V un espacio de dimension
operador lineal.
Algebra
Lineal II
16 de abril de 2015
17 / 80

Teorema
1
operador lineal.
Sea 0 un valor propio de T .
Algebra
Lineal II
16 de abril de 2015
17 / 80

Teorema
1
operador lineal.
Sea 0 un valor propio de T .
Entonces
0 Multiplicidad algebraica 0
Algebra
Lineal II
16 de abril de 2015
17 / 80
Contenido
Teora Espectral
Diagonalizacion
Triangulacion
unitaria
Diagonalizacion
Descomposicion
Secciones conicas
La forma canonica
de Jordan
Algebra
Lineal II
16 de abril de 2015
18 / 80
Operadores diagonalizables
Definicion
Algebra
Lineal II
16 de abril de 2015
19 / 80
Definicion
1
finita V es
Un operador lineal T sobre un espacio de dimension
diagonalizable, si existe una base para V tal que [T ] es
diagonal.
Algebra
Lineal II
16 de abril de 2015
19 / 80
Definicion
1
finita V es
diagonal.
Se dice que la base diagonaliza al operador T .
Algebra
Lineal II
16 de abril de 2015
19 / 80
Definicion
1
finita V es
diagonal.
Se dice que la base diagonaliza al operador T .
Una matriz cuadrada A es diagonalizable si la transformacion

lineal TA inducida por A es diagonalizable.
Algebra
Lineal II
16 de abril de 2015
19 / 80
Operadores lineales diagonalizables
Teorema
Algebra
Lineal II
16 de abril de 2015
20 / 80
Teorema
1
finita.
Sea T un operador lineal sobre un espacio V de dimension
Algebra
Lineal II
16 de abril de 2015
20 / 80
Teorema
1
2
finita.
Sea T un operador lineal sobre un espacio V de dimension
si existe una base
Entonces T es diagonalizable si y solo
= {v1 , . . . , vn } de V formada por vectores propios de T .
Algebra
Lineal II
16 de abril de 2015
20 / 80
Matrices diagonalizables
Definicion
Algebra
Lineal II
16 de abril de 2015
21 / 80
Definicion
1
finita y A un operador lineal sobre V . Un

Sea V de dimension
conjunto completo de vectores propios para A es una base para V
formada por vectores propios.
Algebra
Lineal II
16 de abril de 2015
21 / 80
Definicion
1

Sea V de dimension
Un conjunto completo de vectores propios para A K nn es un
conjunto de n vectores propios linealmente independientes.
Algebra
Lineal II
16 de abril de 2015
21 / 80
Definicion
1

Sea V de dimension
Corolario
Sea A K nn . Las siguientes afirmaciones son equivalentes:
Algebra
Lineal II
16 de abril de 2015
21 / 80
Definicion
1

Sea V de dimension
Corolario
1
A es diagonalizable
Algebra
Lineal II
16 de abril de 2015
21 / 80
Definicion
1

Sea V de dimension
Corolario
1
A es diagonalizable
A tiene un conjunto completo de vectores propios.
Algebra
Lineal II
16 de abril de 2015
21 / 80
Definicion
1

Sea V de dimension
Corolario
1
A es diagonalizable
A tiene un conjunto completo de vectores propios.
Existe una matriz invertible P y una matriz diagonal D tal que

A = PDP 1 .
Algebra
Lineal II
16 de abril de 2015
21 / 80
Ejemplo
1
Sea T el operador lineal sobre R2 dado por:

x
7 15
x
x
T
=
=A
.
y
6
12
y
y
Algebra
Lineal II
16 de abril de 2015
22 / 80
Ejemplo
1

x
7 15
x
x
T
=
=A
.
y
6
12
y
y
Determine si T es diagonalizable o no.
Algebra
Lineal II
16 de abril de 2015
22 / 80
Ejemplo
1

x
7 15
x
x
T
=
=A
.
y
6
12
y
y
Si lo fuera, determine una base que diagonalice.
Algebra
Lineal II
16 de abril de 2015
22 / 80
Ejemplo
1

x
7 15
x
x
T
=
=A
.
y
6
12
y
y
Solucion:
Algebra
Lineal II
16 de abril de 2015
22 / 80
Ejemplo
1

x
7 15
x
x
T
=
=A
.
y
6
12
y
y
Solucion:
p() = det(A I) = 2 5 + 6 = ( 3) ( 2)
Algebra
Lineal II
16 de abril de 2015
22 / 80
Ejemplo
1

x
7 15
x
x
T
=
=A
.
y
6
12
y
y
Solucion:
1
2
p() = det(A I) = 2 5 + 6 = ( 3) ( 2)
N(A 2I) = h5e1 3e2 i
Algebra
Lineal II
16 de abril de 2015
22 / 80
Ejemplo
1

x
7 15
x
x
T
=
=A
.
y
6
12
y
y
Solucion:
1
2
3
p() = det(A I) = 2 5 + 6 = ( 3) ( 2)
N(A 2I) = h5e1 3e2 i
N(A 3I) = h3e1 2e2 i
Algebra
Lineal II
16 de abril de 2015
22 / 80
Ejemplo
1

x
7 15
x
x
T
=
=A
.
y
6
12
y
y
Solucion:
1
2
3
4
p() = det(A I) = 2 5 + 6 = ( 3) ( 2)
N(A 2I) = h5e1 3e2 i
N(A 3I) = h3e1 2e
2i

5
3
Base P = [v1 , v2 ] =
.
3 2
Algebra
Lineal II
16 de abril de 2015
22 / 80
Ejemplo
1

x
7 15
x
x
T
=
=A
.
y
6
12
y
y
Solucion:
1
2
3
4
p() = det(A I) = 2 5 + 6 = ( 3) ( 2)
N(A 2I) = h5e1 3e2 i
N(A 3I) = h3e1 2e
2i

5
3
Base P = [v1 , v2 ] =
.
3 2

2 0
A=P
P 1 = PDP 1 .
0 3
Algebra
Lineal II
16 de abril de 2015
22 / 80
Ejemplo
Determine si la siguiente matriz es diagonalizable
2 0 0
A = 9 4 0
1 0 2
Algebra
Lineal II
16 de abril de 2015
23 / 80
Ejemplo
2 0 0
A = 9 4 0
1 0 2
Si fuera diagonalizable, determine P tal que A = PDP 1 , con D
diagonal.
Algebra
Lineal II
16 de abril de 2015
23 / 80
Ejemplo
2 0 0
A = 9 4 0
1 0 2
diagonal.
Solucion:
Algebra
Lineal II
16 de abril de 2015
23 / 80
Ejemplo
2 0 0
A = 9 4 0
1 0 2
diagonal.
Solucion:
1
p() = ( 2)2 ( 4)
Algebra
Lineal II
16 de abril de 2015
23 / 80
Ejemplo
2 0 0
A = 9 4 0
1 0 2
diagonal.
Solucion:
1
2
p() = ( 2)2 ( 4)
N(A 2I) = he3 i
Algebra
Lineal II
16 de abril de 2015
23 / 80
Ejemplo
2 0 0
A = 9 4 0
1 0 2
diagonal.
Solucion:
1
2
3
p() = ( 2)2 ( 4)
N(A 2I) = he3 i
N(A 4I) = he2 i.
Algebra
Lineal II
16 de abril de 2015
23 / 80
Ejemplo
2 0 0
A = 9 4 0
1 0 2
diagonal.
Solucion:
1
2
3
4
p() = ( 2)2 ( 4)
N(A 2I) = he3 i
N(A 4I) = he2 i.
A no es diagonalizable.
Algebra
Lineal II
16 de abril de 2015
23 / 80
Ejemplo
1
2 0 0
A = 1 4 0
3 6 2
Algebra
Lineal II
16 de abril de 2015
24 / 80
Ejemplo
1
2 0 0
A = 1 4 0
3 6 2
diagonal.
Algebra
Lineal II
16 de abril de 2015
24 / 80
Ejemplo
1
2 0 0
A = 1 4 0
3 6 2
diagonal.
Solucion:
Algebra
Lineal II
16 de abril de 2015
24 / 80
Ejemplo
1
2 0 0
A = 1 4 0
3 6 2
diagonal.
Solucion:
1
p() = ( 2)2 ( 4)
Algebra
Lineal II
16 de abril de 2015
24 / 80
Ejemplo
1
2 0 0
A = 1 4 0
3 6 2
diagonal.
Solucion:
1
2
p() = ( 2)2 ( 4)
N(A 2I) = h2e1 + e2 , e3 i
Algebra
Lineal II
16 de abril de 2015
24 / 80
Ejemplo
1
2 0 0
A = 1 4 0
3 6 2
diagonal.
Solucion:
1
2
3
p() = ( 2)2 ( 4)
N(A 2I) = h2e1 + e2 , e3 i
N(A 4I) = he2 + 3e3 i.
Algebra
Lineal II
16 de abril de 2015
24 / 80
Ejemplo
1
2 0 0
A = 1 4 0
3 6 2
diagonal.
Solucion:
1
2
3
4
p() = ( 2)2 ( 4)
N(A 2I) = h2e1 + e2 , e3 i
N(A 4I) = he2 + 3e3 i.
A es diagonalizable.
Algebra
Lineal II
16 de abril de 2015
24 / 80
Ejemplo
1
2 0 0
A = 1 4 0
3 6 2
diagonal.
Solucion:
1
2
3
4
p() = ( 2)2 ( 4)
N(A 2I) = h2e1 + e2 , e3 i
N(A 4I) = he2 + 3e3 i.
A es diagonalizable.
2
A = PDP 1 , donde P = 1
0
0
0
1
Algebra
Lineal II
2
0
1 yD= 0
3
0
0
2
0
0
0 .
4
16 de abril de 2015
24 / 80
Ejercicio
Determine si el operador lineal T inducido por la matriz A es

diagonalizable.
Algebra
Lineal II
16 de abril de 2015
25 / 80
Ejercicio

diagonalizable.

1
4 2
1
1
Algebra
Lineal II
16 de abril de 2015
25 / 80
Ejercicio

diagonalizable.

1

4 2
1
1
3 0
0
0 4 2
0 1
1
Algebra
Lineal II
16 de abril de 2015
25 / 80
Ejercicio

diagonalizable.

1

4 2
1
1
3 0
0
0 4 2
0 1
1
3
0 0
2
2 0
2 1 2
Algebra
Lineal II
16 de abril de 2015
25 / 80
Ejercicio

diagonalizable.

1

4 2
1
1
3 0
0
0 4 2
0 1
1
3
0 0
2
2 0
2 1 2
3 0 0
2 2 0 .
3 0 2
Algebra
Lineal II
16 de abril de 2015
25 / 80
Independencia lineal de vectores propios
Teorema
Algebra
Lineal II
16 de abril de 2015
26 / 80
Teorema
1
Sea T un operador lineal sobre un espacio vectorial V .
Algebra
Lineal II
16 de abril de 2015
26 / 80
Teorema
1
Sean v1 , . . . , vm vectores propios de T con valores propios

1 , . . . , m , respectivamente.
Algebra
Lineal II
16 de abril de 2015
26 / 80
Teorema
1

Si i 6= j para i 6= j, entonces los vectores propios v1 , . . . , vm son

linealmente independientes.
Algebra
Lineal II
16 de abril de 2015
26 / 80
Teorema
1

Si i 6= j para i 6= j, entonces los vectores propios v1 , . . . , vm son

linealmente independientes.
Corolario
Si A K nn tiene n valores propios distintos, entonces A es
diagonalizable.
Algebra
Lineal II
16 de abril de 2015
26 / 80
La suma de subespacios propios es directa
Teorema
Algebra
Lineal II
16 de abril de 2015
27 / 80
Teorema
1
Sea T un opeador lineal sobre un espacio vectorial de dimension

finita y positiva.
Algebra
Lineal II
16 de abril de 2015
27 / 80
Teorema
1

finita y positiva.
Sean 1 , . . . , r los distinto valores propios de T .
Algebra
Lineal II
16 de abril de 2015
27 / 80
Teorema
1

finita y positiva.
i una base para Ei = ker(T i 1V ).
Algebra
Lineal II
16 de abril de 2015
27 / 80
Teorema
1

finita y positiva.
Entonces:
Algebra
Lineal II
16 de abril de 2015
27 / 80
Teorema
1

finita y positiva.
Entonces:
1
X
Ei
Ej = {0} para 1 i r .
j6=i
Algebra
Lineal II
16 de abril de 2015
27 / 80
Teorema
1

finita y positiva.
Entonces:
1
X
Ei
Ej = {0} para 1 i r .
j6=i
= 1 2 . . . r es base para W = E1 + + Er .
Algebra
Lineal II
16 de abril de 2015
27 / 80
Teorema
1

finita y positiva.
Entonces:
1
X
Ei
Ej = {0} para 1 i r .
j6=i
2
3
W = E1 Er ,
Algebra
Lineal II
16 de abril de 2015
27 / 80
Teorema
1

finita y positiva.
Entonces:
1
X
Ei
Ej = {0} para 1 i r .
j6=i
2
3
4
W = E1 Er ,
dim W = dim E1 + + dim Er .
Algebra
Lineal II
16 de abril de 2015
27 / 80
de operadores diagonalizables
Caracterizacion
Teorema
Algebra
Lineal II
16 de abril de 2015
28 / 80
Caracterizacion
Teorema
1
Sea T un operador lineal sobre un espacio vectorial V de

finita y positiva.
dimension
Algebra
Lineal II
16 de abril de 2015
28 / 80
Caracterizacion
Teorema
1

finita y positiva.
dimension
Sean 1 , . . . , r los distintos valores propios de T .
Algebra
Lineal II
16 de abril de 2015
28 / 80
Caracterizacion
Teorema
1

finita y positiva.
dimension

Las siguientes condiciones son equivalentes:
Algebra
Lineal II
16 de abril de 2015
28 / 80
Caracterizacion
Teorema
1

finita y positiva.
dimension

T es diagonalizable.
Algebra
Lineal II
16 de abril de 2015
28 / 80
Caracterizacion
Teorema
1

finita y positiva.
dimension

1
2
El polinomio caracterstico de T es:
p() = (1 )dim E1 (r )dim Er
Algebra
Lineal II
16 de abril de 2015
28 / 80
Caracterizacion
Teorema
1

finita y positiva.
dimension

1
2
El polinomio caracterstico de T es:
p() = (1 )dim E1 (r )dim Er
dim V = dim E1 + + dim Er .
Algebra
Lineal II
16 de abril de 2015
28 / 80
Teorema espectral para matrices diagonalizables
Teorema
Algebra
Lineal II
16 de abril de 2015
29 / 80
Teorema
1
Sean A Cnn y (A) = {1 , . . . , r }.
Algebra
Lineal II
16 de abril de 2015
29 / 80
Teorema
1
2
Sean A Cnn y (A) = {1 , . . . , r }.

si existen matrices
Entonces, A es diagonalizable si y solo
G1 , . . . , Gr tales que:
Algebra
Lineal II
16 de abril de 2015
29 / 80
Teorema
1
2
Sean A Cnn y (A) = {1 , . . . , r }.

si existen matrices
1
espectral de A).
A = 1 G1 + + r Gr (Descomposicion
Algebra
Lineal II
16 de abril de 2015
29 / 80
Teorema
1
2
Sean A Cnn y (A) = {1 , . . . , r }.

si existen matrices
1
2
espectral de A).
G1 + + Gr = I.
Algebra
Lineal II
16 de abril de 2015
29 / 80
Teorema
1
2
Sean A Cnn y (A) = {1 , . . . , r }.

si existen matrices
1
2
3
espectral de A).
G1 + + Gr = I.
Gi Gj = 0 si i 6= j.
Algebra
Lineal II
16 de abril de 2015
29 / 80
Teorema
1
2
Sean A Cnn y (A) = {1 , . . . , r }.

si existen matrices
1
2
3
4
espectral de A).
G1 + + Gr = I.
Gi2 = Gi .
Algebra
Lineal II
16 de abril de 2015
29 / 80
Teorema
1
2
Sean A Cnn y (A) = {1 , . . . , r }.

si existen matrices
1
2
3
4
5
espectral de A).
G1 + + Gr = I.
Gi2 = Gi .
R(Gi ) = N(A i I) y N(Gi ) = R(A i I).
Algebra
Lineal II
16 de abril de 2015
29 / 80
Ejemplo
2 0 0
Determine A = 9 4 0 es diagonalizable.
1 0 2
Algebra
Lineal II
16 de abril de 2015
30 / 80
Ejemplo
2 0 0
1 0 2
(A) = {2, 4}.
Algebra
Lineal II
16 de abril de 2015
30 / 80
Ejemplo
2
3
2 0 0
1 0 2
(A) = {2, 4}.
Si A fuera diagonalizable, existiran matrices G1 y G2 tales que:
A = 2G1 + 4G2 ,
G12
= G1 ,
I = G1 + G2 ,
G22
= G2 ,
Algebra
Lineal II
G1 G2 = 0,
G2 G1 = 0.
16 de abril de 2015
30 / 80
Ejemplo
2
3
2 0 0
1 0 2
(A) = {2, 4}.
A = 2G1 + 4G2 ,
G12
I = G1 + G2 ,
G22
= G1 ,
= G2 ,
0 0 0
G2 = 21 (A 2I) = 21 9 2 0
1 0 0
G1 G2 = 0,
G2 G1 = 0.
Algebra
Lineal II
16 de abril de 2015
30 / 80
Ejemplo
2
3
2 0 0
1 0 2
(A) = {2, 4}.
A = 2G1 + 4G2 ,
G12
I = G1 + G2 ,
G22
= G1 ,
= G2 ,
G1 G2 = 0,
0 0 0
1
1
G2 = 2 (A 2I) = 2 9 2 0
1 0 0
2 0
0
0 .
G1 = 21 (A 4I) = 12 9 0
1 0 2
G2 G1 = 0.
Algebra
Lineal II
16 de abril de 2015
30 / 80
Ejemplo
2
3
2 0 0
1 0 2
(A) = {2, 4}.
A = 2G1 + 4G2 ,
G12
I = G1 + G2 ,
G22
= G1 ,
= G2 ,
G1 G2 = 0,
0 0 0
1
1
G2 = 2 (A 2I) = 2 9 2 0
1 0 0
2 0
0
0 .
G1 = 21 (A 4I) = 12 9 0
1 0 2
Gi2 6= Gi para i = 1, 2 y G1 G2 6= 0.
G2 G1 = 0.
Algebra
Lineal II
16 de abril de 2015
30 / 80
Ejemplo
2
3
2 0 0
1 0 2
(A) = {2, 4}.
A = 2G1 + 4G2 ,
G12
I = G1 + G2 ,
G22
= G1 ,
= G2 ,
G1 G2 = 0,
0 0 0
1
1
G2 = 2 (A 2I) = 2 9 2 0
1 0 0
2 0
0
0 .
G1 = 21 (A 4I) = 12 9 0
1 0 2
Gi2 6= Gi para i = 1, 2 y G1 G2 6= 0.
A no es diagonalizable.
G2 G1 = 0.
6
7
Algebra
Lineal II
16 de abril de 2015
30 / 80
Contenido
Teora Espectral
Diagonalizacion
Triangulacion
unitaria
Diagonalizacion
Descomposicion
Secciones conicas
La forma canonica
de Jordan
Algebra
Lineal II
16 de abril de 2015
31 / 80
Triangulacion
Definicion
Algebra
Lineal II
16 de abril de 2015
32 / 80
Triangulacion
Definicion
1
V de finita
T un operador lineal sobre un espacio dimension
sobre un campo K .
Algebra
Lineal II
16 de abril de 2015
32 / 80
Triangulacion
Definicion
1
V de finita
sobre un campo K .
T es triangulable sobre V si existe una base para V tal que la

matriz de T en la base es triangular.
Algebra
Lineal II
16 de abril de 2015
32 / 80
Triangulacion
Definicion
1
V de finita
sobre un campo K .

A K nn es triangulable si el operador TA es triangulable.
Algebra
Lineal II
16 de abril de 2015
32 / 80
Triangulacion
Definicion
1
V de finita
sobre un campo K .

A K nn es triangulable si el operador TA es triangulable.
Teorema
si existe una matriz
Una matriz A K nn es triangulable si y solo
invertible P tal que P 1 AP es una matriz triangular.
Algebra
Lineal II
16 de abril de 2015
32 / 80
Semejanza ortogonal/unitaria
Definicion
Algebra
Lineal II
16 de abril de 2015
33 / 80
Definicion
1
Sean A, B Rnn . A es ortogonalmente semejante a B si existe

una matriz ortogonal V tal que
A = VBV 1 = VBV T
Algebra
Lineal II
16 de abril de 2015
33 / 80
Definicion
1
Sean A, B Rnn . A es ortogonalmente semejante a B si existe

una matriz ortogonal V tal que
A = VBV 1 = VBV T
Sean A, B Cnn . A es unitariamente semejante a B si existe una

matriz unitaria U tal que
A = UBU 1 = UBU
Algebra
Lineal II
16 de abril de 2015
33 / 80
ortogonal / unitaria
T. de Schur: Triangulacion
Teorema
Algebra
Lineal II
16 de abril de 2015
34 / 80
Teorema
1
Cada matriz A Cnn es unitariamente semejante a una matriz

triangular superior T .
Algebra
Lineal II
16 de abril de 2015
34 / 80
Teorema
1

Los elementos en la diagonal principal de T son los valores
propios de A.
Algebra
Lineal II
16 de abril de 2015
34 / 80
Teorema
1

propios de A.
Corolario
Algebra
Lineal II
16 de abril de 2015
34 / 80
Teorema
1

propios de A.
Corolario
1
Si A Rnn y sus valores propios son reales, entonces A es

ortogonalmente semejante a una matriz triangular superior real S.
Algebra
Lineal II
16 de abril de 2015
34 / 80
Teorema
1

propios de A.
Corolario
1
Si A Rnn y sus valores propios son reales, entonces A es

ortogonalmente semejante a una matriz triangular superior real S.
los elementos de la diagonal principal de S son los
Ademas
valores propios de A.
Algebra
Lineal II
16 de abril de 2015
34 / 80
Contenido
Teora Espectral
Diagonalizacion
Triangulacion
unitaria
Diagonalizacion
Descomposicion
Secciones conicas
La forma canonica
de Jordan
Algebra
Lineal II
16 de abril de 2015
35 / 80
unitaria y ortogonal
Diagonalizacion
Definicion
Algebra
Lineal II
16 de abril de 2015
36 / 80
Diagonalizacion
Definicion
1
A Rnn es ortogonalmente diagonalizable si A = PDP T , donde

P es ortogonal y D es diagonal.
Algebra
Lineal II
16 de abril de 2015
36 / 80
Diagonalizacion
Definicion
1

A Cnn es unitariamente diagonalizable si A = UDU , donde U
es unitaria y D es diagonal
Algebra
Lineal II
16 de abril de 2015
36 / 80
Diagonalizacion
Definicion
1

A Cnn es unitariamente diagonalizable si A = UDU , donde U
es unitaria y D es diagonal
A Cnn es normal si A A = AA .
Algebra
Lineal II
16 de abril de 2015
36 / 80
Ejemplos de matrices normales
Ejemplo
Algebra
Lineal II
16 de abril de 2015
37 / 80
Ejemplo
1
Matrices diagonales
Algebra
Lineal II
16 de abril de 2015
37 / 80
Ejemplo
1
2
Matrices diagonales
Matrices reales simetricas
Algebra
Lineal II
16 de abril de 2015
37 / 80
Ejemplo
1
2
3
Matrices diagonales
Matrices reales antisimetricas
Algebra
Lineal II
16 de abril de 2015
37 / 80
Ejemplo
1
2
Matrices diagonales
Matrices reales ortogonales
Algebra
Lineal II
16 de abril de 2015
37 / 80
Ejemplo
1
2
Matrices diagonales
Matrices hermitianas
Algebra
Lineal II
16 de abril de 2015
37 / 80
Ejemplo
1
2
Matrices diagonales
Matrices anti-hermitianas
Algebra
Lineal II
16 de abril de 2015
37 / 80
Ejemplo
1
2
Matrices diagonales
Matrices anti-hermitianas
Matrices unitarias
Algebra
Lineal II
16 de abril de 2015
37 / 80
unitaria
Diagonalizacion
Lema
si T es diagonal.
Una matriz triangular T Cnn es normal si y solo
Algebra
Lineal II
16 de abril de 2015
38 / 80
unitaria
Diagonalizacion
Lema
si T es diagonal.
Teorema
si A es normal.
A Cnn es unitariamente diagonalizable si y solo
Algebra
Lineal II
16 de abril de 2015
38 / 80
unitaria
Diagonalizacion
Lema
si T es diagonal.
Teorema
si A es normal.
A Cnn es unitariamente diagonalizable si y solo
Observacion
en valores propios de una matriz normal
DVP: descomposicion
A = UDU
U unitaria, D diagonal.
Algebra
Lineal II
16 de abril de 2015
38 / 80
unitaria
Diagonalizacion
Teorema
A Cnn normal. Entonces, los vectores propios de A asociados a
valores propios distintos son ortogonales.
Algebra
Lineal II
16 de abril de 2015
39 / 80
unitaria
Diagonalizacion
Teorema
Teorema
Algebra
Lineal II
16 de abril de 2015
39 / 80
unitaria
Diagonalizacion
Teorema
Teorema
1
Si A Cnn es hermitiana, entonces (A) R
Algebra
Lineal II
16 de abril de 2015
39 / 80
unitaria
Diagonalizacion
Teorema
Teorema
1
2
Si A Cnn es hermitiana, entonces (A) R
Si A Rnn es simetrica,
entonces (A) R
Algebra
Lineal II
16 de abril de 2015
39 / 80

DVP de matrices reales simetricas
Corolario
A Rnn simetrica.
Entonces:
Algebra
Lineal II
16 de abril de 2015
40 / 80

Corolario
A Rnn simetrica.
Entonces:
1
=
6 (A) R
Algebra
Lineal II
16 de abril de 2015
40 / 80

Corolario
A Rnn simetrica.
Entonces:
1
=
6 (A) R
Para cada valor propio de A hay al menos un vector propio real.
Algebra
Lineal II
16 de abril de 2015
40 / 80

Corolario
A Rnn simetrica.
Entonces:
1
=
6 (A) R
Para cada valor propio de A hay al menos un vector propio real.
En particular, A es ortogonalmente diagonalizable.
Algebra
Lineal II
16 de abril de 2015
40 / 80
Contenido
Teora Espectral
Diagonalizacion
Triangulacion
unitaria
Diagonalizacion
Descomposicion
Secciones conicas
La forma canonica
de Jordan
Algebra
Lineal II
16 de abril de 2015
41 / 80
Descomposicion
A Rmn , rango(A) = r . Entonces

D 0
1
A=U
V T = UV T , U, V Rnn ortogonales
0 0
Algebra
Lineal II
16 de abril de 2015
42 / 80
Descomposicion

D 0
1
A=U
0 0
2
D = diag(1 , . . . , r ) Rr r con 1 2 . . . r > 0.
Algebra
Lineal II
16 de abril de 2015
42 / 80
Descomposicion

D 0
1
A=U
0 0
2
D = diag(1 , . . . , r ) Rr r con 1 2 . . . r > 0.
valores singulares no nulos: 1 , . . . , r .
Algebra
Lineal II
16 de abril de 2015
42 / 80
Descomposicion

D 0
1
A=U
0 0
2
D = diag(1 , . . . , r ) Rr r con 1 2 . . . r > 0.
vectores singulares izquierdos de A: columnas de U
Algebra
Lineal II
16 de abril de 2015
42 / 80
Descomposicion

D 0
1
A=U
0 0
2
D = diag(1 , . . . , r ) Rr r con 1 2 . . . r > 0.
vectores singulares derechos de A: columnas de V
Algebra
Lineal II
16 de abril de 2015
42 / 80
Descomposicion

D 0
1
A=U
0 0
2
D = diag(1 , . . . , r ) Rr r con 1 2 . . . r > 0.
Base ortonormal para R(A): u1 , . . . , ur
Algebra
Lineal II
16 de abril de 2015
42 / 80
Descomposicion

D 0
1
A=U
0 0
2
D = diag(1 , . . . , r ) Rr r con 1 2 . . . r > 0.
Base ortonormal para N(AT ): ur +1 , . . . , um .
Algebra
Lineal II
16 de abril de 2015
42 / 80
Descomposicion

D 0
1
A=U
0 0
2
D = diag(1 , . . . , r ) Rr r con 1 2 . . . r > 0.
Base ortonormal para R(AT ): v1 , . . . , vr
Algebra
Lineal II
16 de abril de 2015
42 / 80
Descomposicion

D 0
1
A=U
0 0
2
D = diag(1 , . . . , r ) Rr r con 1 2 . . . r > 0.
Base ortonormal para R(AT ): v1 , . . . , vr
Base ortonormal para N(A): vr +1 , . . . , vn
Algebra
Lineal II
16 de abril de 2015
42 / 80

Calculo
de una DVS
Ejercicio
en valores singulares de la matriz
Calcule
on
una descomposici

2 4 1
A=
.
4 2 1
Algebra
Lineal II
16 de abril de 2015
43 / 80

Calculo
de una DVS
Ejercicio
Calcule
on
una descomposici

2 4 1
A=
.
4 2 1
1
Factorizar AT A = VBV T .
Algebra
Lineal II
16 de abril de 2015
43 / 80

Calculo
de una DVS
Ejercicio
Calcule
on
una descomposici

2 4 1
A=
.
4 2 1
1
2
p
Calcular j = j para j = 1, . . . , r .
Algebra
Lineal II
16 de abril de 2015
43 / 80

Calculo
de una DVS
Ejercicio
Calcule
on
una descomposici

2 4 1
A=
.
4 2 1
1
2
p
1
Calcular uj = Avj , j = 1, . . . , r
j
Algebra
Lineal II
16 de abril de 2015
43 / 80

Calculo
de una DVS
Ejercicio
Calcule
on
una descomposici

2 4 1
A=
.
4 2 1
1
2
p
1
Calcular uj = Avj , j = 1, . . . , r
j
Calcular, si es necesario, una base para N(AT ).
Algebra
Lineal II
16 de abril de 2015
43 / 80

Calculo
de una DVS
A = UV T , donde

1
1
22
2211
10
105
U=
1
1
22 22 11 10 10 5

22
0 0
=
0 2 5 0
1
3
1
11 11 10 10
110 110
3
1
3
V = 11
11 10
10 110
110
1
1
11 11
0
110
11
Algebra
Lineal II
16 de abril de 2015
44 / 80
Aplicaciones de la DVS
Teorema
Algebra
Lineal II
16 de abril de 2015
45 / 80
Teorema
1
A = UV T una DVS de A Rm
Algebra
Lineal II
16 de abril de 2015
45 / 80
Teorema
1
b Rm y xmn = A b, donde A = V U T Rnm .
Algebra
Lineal II
16 de abril de 2015
45 / 80
Teorema
1
2
3
Entonces
Algebra
Lineal II
16 de abril de 2015
45 / 80
Teorema
1
2
3
Entonces
1
de norma
Si Ax = b es consistente, entonces xmn es la solucion
euclidiana mnima.
Algebra
Lineal II
16 de abril de 2015
45 / 80
Teorema
1
2
3
Entonces
1
de norma
Si Ax = b es consistente, entonces xmn es la solucion
euclidiana mnima.
de
Si el Ax = b es inconsistente, entonces xmn es la solucion
norma euclidiana mnima al problema de MC.
Algebra
Lineal II
16 de abril de 2015
45 / 80
Ejemplo
Algebra
Lineal II
16 de abril de 2015
46 / 80
Ejemplo

1
El sistema Ax = b es consistente, donde A =
2 4 1
4 2 1

y
b = Ax0 y x0 = (1, 1, 1)T .
Algebra
Lineal II
16 de abril de 2015
46 / 80
Ejemplo

1
2 4 1
4 2 1

y
b = Ax0 y x0 = (1, 1, 1)T .

23
43
220 220
19
41
A = V U T = 220
220
1
22
1
22
Algebra
Lineal II
16 de abril de 2015
46 / 80
Ejemplo

1

y
b = Ax0 y x0 = (1, 1, 1)T .

23
43
220 220
19
41
A = V U T = 220
220
1
22
2 4 1
4 2 1
xmn = A b =
51
55
67
55
3
11
1
22
Algebra
Lineal II
16 de abril de 2015
46 / 80
Ejemplo

1

y
b = Ax0 y x0 = (1, 1, 1)T .

23
43
220 220
19
41
A = V U T = 220
220
1
22
2 4 1
4 2 1
xmn = A b =
51
55
67
55
3
11
1
22
, kxmn k2 = 133/55 < 3.
Algebra
Lineal II
16 de abril de 2015
46 / 80
de datos
Compresion
Algebra
Lineal II
16 de abril de 2015
47 / 80
de datos
Compresion
Algebra
Lineal II
16 de abril de 2015
47 / 80
de datos
Compresion
Algebra
Lineal II
16 de abril de 2015
47 / 80
de datos
Compresion
Algebra
Lineal II
Imagen de 20 16
pixeles
16 de abril de 2015
47 / 80
de datos
Compresion
Imagen de 20 16
pixeles
1 = pixel blanco
Algebra
Lineal II
16 de abril de 2015
47 / 80
de datos
Compresion
Imagen de 20 16
pixeles
1 = pixel blanco
0 = pixel negro
Algebra
Lineal II
16 de abril de 2015
47 / 80
de datos
Compresion
Imagen de 20 16
pixeles
1 = pixel blanco
0 = pixel negro
La imagen se representa
por una matriz de A de
20 16 = 320 entradas.
Algebra
Lineal II
16 de abril de 2015
47 / 80
de datos
Compresion
Algebra
Lineal II
16 de abril de 2015
48 / 80
de datos
Compresion
1111111111111111
1111111111111111
1100000000000011
1100000000000011
1100000000000011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100000000000011
1100000000000011
1100000000000011
1111111111111111
1111111111111111
Algebra
Lineal II
16 de abril de 2015
48 / 80
de datos
Compresion
1111111111111111
1111111111111111
1100000000000011
1100000000000011
1100000000000011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100000000000011
1100000000000011
1100000000000011
1111111111111111
1111111111111111
Algebra
Lineal II
16 de abril de 2015
48 / 80
de datos
Compresion
1111111111111111
1111111111111111
1100000000000011
1100000000000011
1100000000000011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100000000000011
1100000000000011
1100000000000011
1111111111111111
1111111111111111
Algebra
Lineal II
Una DVS de A
A = 1 u1 v1T +2 u2 v2T +3 u3 v3T .
16 de abril de 2015
48 / 80
de datos
Compresion
1111111111111111
1111111111111111
1100000000000011
1100000000000011
1100000000000011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100000000000011
1100000000000011
1100000000000011
1111111111111111
1111111111111111
Una DVS de A
A = 1 u1 v1T +2 u2 v2T +3 u3 v3T .
Algebra
Lineal II
ui R20
16 de abril de 2015
48 / 80
de datos
Compresion
1111111111111111
1111111111111111
1100000000000011
1100000000000011
1100000000000011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100000000000011
1100000000000011
1100000000000011
1111111111111111
1111111111111111
Una DVS de A
A = 1 u1 v1T +2 u2 v2T +3 u3 v3T .
ui R20
vj R16 .
Algebra
Lineal II
16 de abril de 2015
48 / 80
de datos
Compresion
1111111111111111
1111111111111111
1100000000000011
1100000000000011
1100000000000011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100011111100011
1100000000000011
1100000000000011
1100000000000011
1111111111111111
1111111111111111
Una DVS de A
A = 1 u1 v1T +2 u2 v2T +3 u3 v3T .
ui R20
vj R16 .
Algebra
Lineal II
Se necesitan
3 + 3 (20 + 16) = 111
numeros
para
representar la figura, en
vez de los 320 iniciales.
16 de abril de 2015
48 / 80
Contenido
Teora Espectral
Diagonalizacion
Triangulacion
unitaria
Diagonalizacion
Descomposicion
Secciones conicas
La forma canonica
de Jordan
Algebra
Lineal II
16 de abril de 2015
49 / 80

Secciones conicas
1
Secciones conicas:
ax12 + bx1 x2 + cx22 + dx1 + ex2 + f = 0
Algebra
Lineal II
16 de abril de 2015
50 / 80

Secciones conicas
1
Secciones conicas:
ax12 + bx1 x2 + cx22 + dx1 + ex2 + f = 0
La forma cuadratica
asociada es
f (x1 , x2 ) =
ax12
+ bx1 x2 +
cx22

= (x1 , x2 )
Algebra
Lineal II
a
b
2
b
2

x1
= x T Ax.
x2
c
16 de abril de 2015
50 / 80

Secciones conicas
1
Secciones conicas:
ax12 + bx1 x2 + cx22 + dx1 + ex2 + f = 0
La forma cuadratica
asociada es
f (x1 , x2 ) =
ax12
+ bx1 x2 +
cx22

= (x1 , x2 )
a
b
2
b
2

x1
= x T Ax.
x2
c
A = PDP 1 = PDP T una DVP, con P ortogonal.
Algebra
Lineal II
16 de abril de 2015
50 / 80

Secciones conicas
1
Secciones conicas:
ax12 + bx1 x2 + cx22 + dx1 + ex2 + f = 0
La forma cuadratica
asociada es
f (x1 , x2 ) =
ax12
+ bx1 x2 +
cx22

= (x1 , x2 )
a
b
2
b
2

x1
= x T Ax.
x2
c
Cambio de variable y = P T x.
Algebra
Lineal II
16 de abril de 2015
50 / 80

Secciones conicas
1
Secciones conicas:
ax12 + bx1 x2 + cx22 + dx1 + ex2 + f = 0
La forma cuadratica
asociada es
f (x1 , x2 ) =
3
4
5
ax12
+ bx1 x2 +
cx22

= (x1 , x2 )
a
b
2
b
2

x1
= x T Ax.
x2
c

Cambio de variable y = P T x.
se reduce
La ecuacion
x T Ax + k T x + f = 1 y12 + 2 y22 + d 0 y1 + e0 y2 + f 0 = 0.
Algebra
Lineal II
16 de abril de 2015
50 / 80

Determinar el tipo de conica
16x12 24x1 x2 + 9x22 30x1 40x2 = 0
Algebra
Lineal II
16 de abril de 2015
51 / 80

16x12 24x1 x2 + 9x22 30x1 40x2 = 0

1 4 3
25 0
P=
,D =
3 4
0 0
5
Algebra
Lineal II
16 de abril de 2015
51 / 80

16x12 24x1 x2 + 9x22 30x1 40x2 = 0

1 4 3
25 0
P=
,D =
3 4
0 0
5
25y12 + 50y2 = 0.
Algebra
Lineal II
16 de abril de 2015
51 / 80
16x12 24x1 x2 + 9x22 30x1 40x2 = 0
1
e1 7 e10 = Pe1 =
5
e2 7 e20 = Pe2 =
1
5

4
3
3
4
x2
,
25y12 + 50y2 = 0
y1
e10
e20
x1
y2
Algebra
Lineal II
16 de abril de 2015
52 / 80

Superficies cuadraticas
de
Una superficie cuadratica
es la grafica
de una ecuacion
general es
segundo grado cuya ecuacion
a11 x12 + a12 x1 x2 + a22 x22 + a13 x1 x3 + a23 x2 x3 + a33 x32 +
ax1 + bx2 + cx3 + d = 0,
Algebra
Lineal II
16 de abril de 2015
53 / 80

de
Una superficie cuadratica
es la grafica
de una ecuacion
general es
segundo grado cuya ecuacion
ax1 + bx2 + cx3 + d = 0,
y rotacion
la ecuacion
puede llevarse a alguna de
Por traslacion
las dos formas estandar

Ax12 + Bx22 + Cx32 + J = 0
o bien
Algebra
Lineal II
Ax12 + Bx22 + Iz = 0.
16 de abril de 2015
53 / 80

Elipsoide:
x12 x22 x32

+ 2 + 2 =1
a2
b
c
Algebra
Lineal II
16 de abril de 2015
54 / 80

x12 x22 x32

+ 2 + 2 =1
a2
b
c
x12 x22 x32
Hiperboloide de una hoja:
+ 2 2 =1
a2
b
c
Elipsoide:
Algebra
Lineal II
16 de abril de 2015
54 / 80

x12 x22 x32

+ 2 + 2 =1
a2
b
c
x12 x22 x32
+ 2 2 =1
a2
b
c
2
2
x32
x1
x2
Hiperboloide de dos hojas:
=1
a2
b2
c2
Elipsoide:
Algebra
Lineal II
16 de abril de 2015
54 / 80

x12 x22 x32

+ 2 + 2 =1
a2
b
c
x12 x22 x32
+ 2 2 =1
a2
b
c
2
2
x32
x1
x2
=1
a2
b2
c2
x12 x22
x3
Paraboloide elptico:
+ 2 =
2
c
a
b
Elipsoide:
Algebra
Lineal II
16 de abril de 2015
54 / 80

x12 x22 x32

+ 2 + 2 =1
a2
b
c
x12 x22 x32
+ 2 2 =1
a2
b
c
2
2
x32
x1
x2
=1
a2
b2
c2
x12 x22
x3
+ 2 =
2
c
a
b
x12 x22
x3
2 =
Paraboloide hiperbolico:
2
c
a
b
Elipsoide:
Algebra
Lineal II
16 de abril de 2015
54 / 80

x12 x22 x32

+ 2 + 2 =1
a2
b
c
x12 x22 x32
+ 2 2 =1
a2
b
c
2
2
x32
x1
x2
=1
a2
b2
c2
x12 x22
x3
+ 2 =
2
c
a
b
x12 x22
x3
2 =
Paraboloide hiperbolico:
2
c
a
b
2
2
2
x
x1
x
Cono:
+ 22 = 32
a2
b
c
Elipsoide:
Algebra
Lineal II
16 de abril de 2015
54 / 80

cuadratica
La ecuacion
ax1 + bx2 + cx3 + d = 0,
Algebra
Lineal II
16 de abril de 2015
55 / 80

cuadratica
La ecuacion
ax1 + bx2 + cx3 + d = 0,
se reescribe
x T Ax + k T x + f = 0.
Algebra
Lineal II
16 de abril de 2015
55 / 80

cuadratica
La ecuacion
ax1 + bx2 + cx3 + d = 0,
se reescribe
x T Ax + k T x + f = 0.
a11 a12 /2 a13 /2

A = a12 /2 a22 a23 /2 , k T = a b c
a13 /2 a23 /2 a33
Algebra
Lineal II
16 de abril de 2015
55 / 80
Contenido
Teora Espectral
Diagonalizacion
Triangulacion
unitaria
Diagonalizacion
Descomposicion
Secciones conicas
La forma canonica
de Jordan
Algebra
Lineal II
16 de abril de 2015
56 / 80
Polinomios anuladores
Sea A K nn . Se dice que f K [t] es un polinomio anulador de

A si f (A) = 0.
Algebra
Lineal II
16 de abril de 2015
57 / 80

A si f (A) = 0.
Sea A un operador lineal sobre el K -espacio vectorial V . Se dice
que f K [t] es un polinomio anulador de A si f (A) = 0.
Algebra
Lineal II
16 de abril de 2015
57 / 80

A si f (A) = 0.
Sea A un operador lineal sobre el K -espacio vectorial V . Se dice

que f K [t] es un polinomio anulador de A si f (A) = 0.
Si A : R[t]2 R[t]2 , A(a + bt) = (2a 3b) + (a + 4b)t y

g(t) = 11 6t + t 2 , entonces
g(A) = 11(a + bt) 6((2a 3b) + (a + 4b)t)+
(a 18b) + (6 + a13b)t = 0.
Algebra
Lineal II
16 de abril de 2015
57 / 80
El polinomio mnimo
Teorema
Algebra
Lineal II
16 de abril de 2015
58 / 80
El polinomio mnimo
Teorema
1
Sea A L(V ) y dim V < o A K nn Entonces hay
exactamente un polinomio monico

de grado mnimo que anula a
A.
Algebra
Lineal II
16 de abril de 2015
58 / 80
El polinomio mnimo
Teorema
1

A.
Si es una base finita de V y A L(V ), entonces SA = S[A] . El
polinomio mnimo de A y [A] es el mismo.
Algebra
Lineal II
16 de abril de 2015
58 / 80
El polinomio mnimo
Teorema
1

A.
Si es una base finita de V y A L(V ), entonces SA = S[A] . El

polinomio mnimo de A y [A] es el mismo.
Matrices semejantes tienen el mismo polinomio mnimo.
Algebra
Lineal II
16 de abril de 2015
58 / 80
El polinomio mnimo y el polinomio caracterstico
Teorema
El polinomio mnimo y el polinomio caracterstico de una matriz A
tienen exactamente las mismas races, salvo multiplicidades.
Algebra
Lineal II
16 de abril de 2015
59 / 80
El polinomio mnimo y el polinomio caracterstico
Teorema
El polinomio mnimo y el polinomio caracterstico de una matriz A
tienen exactamente las mismas races, salvo multiplicidades.
Corolario
Sea m(t) el polinomio mnimo de A. Entonces,
t | m(t)
Algebra
Lineal II
(A)
16 de abril de 2015
59 / 80
Teorema de Hamilton-Cayley
Teorema (Hamilton-Cayley)
p(A) = 0, donde p(t) es el polinomio caracterstico de A Cnn .
Algebra
Lineal II
16 de abril de 2015
60 / 80
Teorema de Hamilton-Cayley
Teorema (Hamilton-Cayley)
p(A) = 0, donde p(t) es el polinomio caracterstico de A Cnn .
Corolario
El polinomio mnimo de A Cnn divide aL polinomio caracterstico de
A.
Algebra
Lineal II
16 de abril de 2015
60 / 80

Calculo
del polinomio mnimo
2 0 0
A = 0 2 0 .
1 0 4
Algebra
Lineal II
16 de abril de 2015
61 / 80

Calculo
del polinomio mnimo
2 0 0
A = 0 2 0 .
1 0 4
Polinomio caracterstico: (t 2)2 (t 4).
Algebra
Lineal II
16 de abril de 2015
61 / 80

Calculo
del polinomio mnimo
2 0 0
A = 0 2 0 .
1 0 4
Candidatos a p. mnimo: (t 2)(t 4), (t 2)2 (t 4)
Algebra
Lineal II
16 de abril de 2015
61 / 80

Calculo
del polinomio mnimo
2 0 0
A = 0 2 0 .
1 0 4
Se tiene que (A 2I)(A 4I) = 0:
0 0 0
2
0 0
0 0 0
0 0 0 0 2 0 = 0 0 0
1 0 2
1
0 0
0 0 0
Algebra
Lineal II
16 de abril de 2015
61 / 80

Calculo
del polinomio mnimo
2 0 0
A = 0 2 0 .
1 0 4
Se tiene que (A 2I)(A 4I) = 0:
0 0 0
2
0 0
0 0 0
0 0 0 0 2 0 = 0 0 0
1 0 2
1
0 0
0 0 0
Polinomio mnimo: (t 2)(t 4).
Algebra
Lineal II
16 de abril de 2015
61 / 80
primaria
Descomposicion
Primaria)
Teorema (Descomposicion
Algebra
Lineal II
16 de abril de 2015
62 / 80
primaria
Descomposicion
Primaria)
1
finita n
V un K -e.v. de dimension
Algebra
Lineal II
16 de abril de 2015
62 / 80
primaria
Descomposicion
Primaria)
1
finita n
T L(V ) con (T ) = {1 , . . . , k }
Algebra
Lineal II
16 de abril de 2015
62 / 80
primaria
Descomposicion
Primaria)
1
finita n
T L(V ) con (T ) = {1 , . . . , k }
f (t) = (t 1 )n1 (t 2 )n2 (t k )nk tal que f (T ) = 0.
Algebra
Lineal II
16 de abril de 2015
62 / 80
primaria
Descomposicion
Primaria)
1
finita n
T L(V ) con (T ) = {1 , . . . , k }
f (t) = (t 1 )n1 (t 2 )n2 (t k )nk tal que f (T ) = 0.
Entonces
V = ker(T 1 1V )n1 ker(T 2 1V )n2 ker(T k 1V )nk
y cada espacio Vi = ker(T i 1V )ni es T -invariante, es decir,
T (Vi ) Vi .
Algebra
Lineal II
16 de abril de 2015
62 / 80

El polinomio mnimo y diagonalizacion
Corolario
si su polinomio
Una matriz A Cnn es diagonalizable si y solo
mnimo es un producto de factores lineales distintos.
Algebra
Lineal II
16 de abril de 2015
63 / 80
Contenido
Teora Espectral
Diagonalizacion
Triangulacion
unitaria
Diagonalizacion
Descomposicion
Secciones conicas
La forma canonica
de Jordan
Algebra
Lineal II
16 de abril de 2015
64 / 80
La forma de Jordan
La forma de Jordan de cierta matriz A es
5 0 0
0
0
0
0 3 1
0
0
0
0
3
0
0
0
0
P 1 AP = J =
0 0 0 1
1
0
0 0 0
0 1
1
0
0 1
0 0 0
Algebra
Lineal II
16 de abril de 2015
65 / 80
La forma de Jordan
5 0 0
0
0
0
0 3 1
0
0
0
0
3
0
0
0
0
P 1 AP = J =
0 0 0 1
1
0
0 0 0
0 1
1
0
0 1
0 0 0
J = J1 (5) J2 (3) J3 (1).
Algebra
Lineal II
16 de abril de 2015
65 / 80
la forma de Jordan
5 1 0 0
0
0
0
0 5 0 0
0
0
0
0 0 5 1
0
0
0
0
0
0
P 1 AP = J = 0 0 0 5
0 0 0 0 1
1
0
0 0 0 0
0 1
1
0 0 0 0
0
0 1
Algebra
Lineal II
16 de abril de 2015
66 / 80
la forma de Jordan
5 1 0 0
0
0
0
0 5 0 0
0
0
0
0 0 5 1
0
0
0
0
0
0
P 1 AP = J = 0 0 0 5
0 0 0 0 1
1
0
0 0 0 0
0 1
1
0 0 0 0
0
0 1
J = J(5) J(1) = J2 (5) J2 (5) J3 (1)
Algebra
Lineal II
16 de abril de 2015
66 / 80
La forma de Jordan
Se quiere factorizar A como A = PJP 1 , donde J es una matriz

de Jordan, i.e., J es una suma directa de bloques de Jordan
Jk (), donde
.. ..
.
.
Jk () =
.
.
. 1
Algebra
Lineal II
16 de abril de 2015
67 / 80
La forma de Jordan
Se quiere factorizar A como A = PJP 1 , donde J es una matriz

de Jordan, i.e., J es una suma directa de bloques de Jordan
Jk (), donde
.. ..
.
.
Jk () =
.
.
. 1
Si dim V < y T L(V ) se quiere una base 0 tal que

[T ] 0 = Jk1 (1 ) Jkr (r ).
Algebra
Lineal II
16 de abril de 2015
67 / 80
La forma de Jordan
Los vectores no nulos v1 , v2 , . . . , vk , con k 1, forma una cadena

de Jordan para T de longitud k asociada al valor propio , si:
T (v1 ) = v1
T (v2 ) = v2 + v1
..
.
T (vk ) = vk + vk1 .
Algebra
Lineal II
16 de abril de 2015
68 / 80
La forma de Jordan
Los vectores no nulos v1 , v2 , . . . , vk , con k 1, forma una cadena

de Jordan para T de longitud k asociada al valor propio , si:
T (v1 ) = v1
T (v2 ) = v2 + v1
..
.
T (vk ) = vk + vk1 .
Cada vj , con 1 j k , satisface

(T 1V )j vj = 0,
(T 1V )j1 vj = v1 6= 0.
Algebra
Lineal II
16 de abril de 2015
68 / 80
Espacios y vectores propios generalizados

1
El espacio propio generalizado de orden j asociado a es

Ej () = ker(T 1)j ,
Algebra
Lineal II
j = 0, 1, . . .
16 de abril de 2015
69 / 80

1

Ej () = ker(T 1)j ,
j = 0, 1, . . .
E1 () es el espacio propio de T asociado a .
Algebra
Lineal II
16 de abril de 2015
69 / 80

1

Ej () = ker(T 1)j ,
j = 0, 1, . . .
Ej () Ej+1 () para todo j.
Algebra
Lineal II
16 de abril de 2015
69 / 80

1

Ej () = ker(T 1)j ,
j = 0, 1, . . .
Existe un entero positivo N tal que:

{0} = E0 () E1 () EN () = EN+1 () = .
Algebra
Lineal II
16 de abril de 2015
69 / 80

1

Ej () = ker(T 1)j ,
j = 0, 1, . . .

{0} = E0 () E1 () EN () = EN+1 () = .
v es un vector propio generalizado de orden j asociado a si

v Ej () Ej1 ()
Algebra
Lineal II
16 de abril de 2015
69 / 80

1

Ej () = ker(T 1)j ,
j = 0, 1, . . .

{0} = E0 () E1 () EN () = EN+1 () = .
v es un vector propio generalizado de orden j asociado a si

v Ej () Ej1 ()
Un v. propio generalizado de orden 1 es un vector propio.
Algebra
Lineal II
16 de abril de 2015
69 / 80
Si v es un vector propio generalizado de T asociado a de orden

j, entonces (T 1)(v ) es un vector propio generalizado de T de
orden j 1, y (T 1)j1 (v ) es un vector propio de T asociado a
.
Algebra
Lineal II
16 de abril de 2015
70 / 80
Teorema
Toda cadena de Jordan esta formada por vectores linealmente
independientes.
Algebra
Lineal II
16 de abril de 2015
71 / 80

Existencia de una forma canonica
de Jordan
Teorema
Algebra
Lineal II
16 de abril de 2015
72 / 80

de Jordan
Teorema
1
T L(V ), dim V < .
Algebra
Lineal II
16 de abril de 2015
72 / 80

de Jordan
Teorema
1
T L(V ), dim V < .
El polinomio caracterstico de T se descompone en factores

lineales sobre K .
Algebra
Lineal II
16 de abril de 2015
72 / 80

de Jordan
Teorema
1
T L(V ), dim V < .
El polinomio caracterstico de T se descompone en factores

lineales sobre K .
Entonces V tiene una base de Jordan para V , i.e., una base que
disjunta de cadenas de Jordan para T .
es una union
Algebra
Lineal II
16 de abril de 2015
72 / 80

La forma canonica
de Jordan
Corolario
Si A K nn es tal que su polinomio caracterstico es
p() = (1)n ( 1 )m1 ( k )mk , entonces existe P invertible tal
que
J(1 )
0
0
k
0
M
J(2 )
0
P 1 AP = J =
J(i ) = .
.
.. ,
..
..
..
.
.
i=1
J(k )
donde J(i ) es el segmento de Jordan asociado al valor propio i , es

decir,
Algebra
Lineal II
16 de abril de 2015
73 / 80

La forma canonica
de Jordan
Corolario (Continuacion)
es decir,
Jk1 (i )
0
ti
0
M
J
(i )
k
2
J(i ) =
Jki (i ) = ..
..
.
.
i=1
0
0
Algebra
Lineal II
..
.
0
0
..
.
Jkt (i )
i
16 de abril de 2015
74 / 80

La forma canonica
de Jordan
Teorema
Algebra
Lineal II
16 de abril de 2015
75 / 80

La forma canonica
de Jordan
Teorema
1
finita
V un K -espacio vectorial de dimension
Algebra
Lineal II
16 de abril de 2015
75 / 80

La forma canonica
de Jordan
Teorema
1
finita
T : V V operador lineal
Algebra
Lineal II
16 de abril de 2015
75 / 80

La forma canonica
de Jordan
Teorema
1
finita
una base de Jordan para V
Algebra
Lineal II
16 de abril de 2015
75 / 80

La forma canonica
de Jordan
Teorema
1
finita
Entonces, el numero
de vectores propios generalizados de T en
de orden menor o igual que s asociados al valor propio , es igual

a `s = dim ker(T 1)s .
Algebra
Lineal II
16 de abril de 2015
75 / 80

La forma canonica
de Jordan
Teorema
1
finita
Entonces, el numero
de vectores propios generalizados de T en
de orden menor o igual que s asociados al valor propio , es igual

a `s = dim ker(T 1)s .
Entonces, el numero
de cadenas de Jordan de longitud s
correspondientes a es 2`s `s1 `s+1 .
Algebra
Lineal II
16 de abril de 2015
75 / 80

Forma canonica
de Jordan
p() = (1 )m1 (k )mk pol. caract. de A K nn .
Algebra
Lineal II
16 de abril de 2015
76 / 80

Forma canonica
de Jordan
Entonces una forma de Jordan de A es

J = J(1 ) J(k ),
J(i ) = Jk1 (i ) Jkt (i )
Algebra
Lineal II
16 de abril de 2015
76 / 80

Forma canonica
de Jordan

J = J(1 ) J(k ),
J(i ) = Jk1 (i ) Jkt (i )

i
Hay un segmento de Jordan J(i ) por cada i (A).
Algebra
Lineal II
16 de abril de 2015
76 / 80

Forma canonica
de Jordan

J = J(1 ) J(k ),
J(i ) = Jk1 (i ) Jkt (i )

i
Cada segmento J(i ) tiene ti = dim(A i I) bloques de Jordan.
Algebra
Lineal II
16 de abril de 2015
76 / 80

Forma canonica
de Jordan

J = J(1 ) J(k ),
J(i ) = Jk1 (i ) Jkt (i )

i

s s en J(i ) es
El num.
de bloques de Jordan de tamano
(s) = 2`s `s+1 `s1 , donde `s = dim N((A I)s ).
Algebra
Lineal II
16 de abril de 2015
76 / 80

Forma canonica
de Jordan

J = J(1 ) J(k ),
J(i ) = Jk1 (i ) Jkt (i )

i

s s en J(i ) es
El num.
de bloques de Jordan de tamano
(s) = 2`s `s+1 `s1 , donde `s = dim N((A I)s ).

es de tamano
El bloque de Jordan en J(i ) de mayor tamano

ndice(i ).
Algebra
Lineal II
16 de abril de 2015
76 / 80
Ejemplo
A R1515
Algebra
Lineal II
16 de abril de 2015
77 / 80
Ejemplo
A R1515
p() = ( 2)9 ( 3)6
Algebra
Lineal II
16 de abril de 2015
77 / 80
Ejemplo
A R1515
p() = ( 2)9 ( 3)6
Se tiene:
dim E1 (2) = 4,
dim E2 (2) = 7,
dim E3 (2) = 9,
dim E4 (2) = 9
dim E1 (3) = 2
dim E2 (3) = 4,
dim E4 (3) = 6
dim E5 (3) = 6.
Algebra
Lineal II
dim E3 (3) = 5
16 de abril de 2015
77 / 80
Ejemplo
A R1515
p() = ( 2)9 ( 3)6
Se tiene:
dim E1 (2) = 4,
dim E2 (2) = 7,
dim E3 (2) = 9,
dim E4 (2) = 9
dim E1 (3) = 2
dim E2 (3) = 4,
dim E4 (3) = 6
dim E5 (3) = 6.
dim E3 (3) = 5
Encuentre una forma de Jordan de A.
Algebra
Lineal II
16 de abril de 2015
77 / 80
Ejemplo
Una forma de Jordan es

M
J = J(3)
J(2)
M
M
M
M
M
= J4 (3)
J2 (3)
J3 (2)
J3 (2)
J2 (2)
J1 (2)
Algebra
Lineal II
16 de abril de 2015
78 / 80
Ejemplo
Sea A una matriz cuya forma de Jordan es
J=
8
0
0
0
0
0
0
0
0
1
8
0
0
0
0
0
0
0
0
1
8
0
0
0
0
0
0
0
0
0
8
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
8
0
0 0 0
0 2
1 0 0
0
0 2 0 0
0
0
0 2 0
0
0
0 0 2
Algebra
Lineal II
16 de abril de 2015
79 / 80
Ejemplo

J = J3 (8) J2 (8) J2 (2) J1 (2) J1 (2)
Algebra
Lineal II
16 de abril de 2015
80 / 80
Ejemplo

J = J3 (8) J2 (8) J2 (2) J1 (2) J1 (2)
Determine todos los valores propios de A.
Algebra
Lineal II
16 de abril de 2015
80 / 80
Ejemplo

J = J3 (8) J2 (8) J2 (2) J1 (2) J1 (2)
1
2

Determine la multiplicidad algebraica de cada valor propio de A.
Algebra
Lineal II
16 de abril de 2015
80 / 80
Ejemplo

J = J3 (8) J2 (8) J2 (2) J1 (2) J1 (2)
1
2
3

Determine la multiplicidad geometrica

de cada valor propio de A.
Algebra
Lineal II
16 de abril de 2015
80 / 80
Ejemplo

J = J3 (8) J2 (8) J2 (2) J1 (2) J1 (2)
1
2
3
4

Determine la multiplicidad geometrica

de cada valor propio de A.
Determine si A es diagonalizable.
Algebra
Lineal II
16 de abril de 2015
80 / 80

TE

Cargado por

Información del documento

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

TE

Cargado por

Copyright:

Formatos disponibles

Algebra

Alejandro Lara (Fmat- Uady)

Alejandro Lara (Fmat- Uady)

Alejandro Lara (Fmat- Uady)

Valores y vectores propios

Sea T : V V un operador lineal sobre un K -e.v. V .

Alejandro Lara (Fmat- Uady)

Valores y vectores propios

Sea T : V V un operador lineal sobre un K -e.v. V .

Alejandro Lara (Fmat- Uady)

Valores y vectores propios

Sea T : V V un operador lineal sobre un K -e.v. V .

Alejandro Lara (Fmat- Uady)

Valores y vectores propios

Sea T : V V un operador lineal sobre un K -e.v. V .

Los vectores v 6= 0 tales que Tv = v son los vectores propios de

Alejandro Lara (Fmat- Uady)

Valores y vectores propios

Sea T : V V un operador lineal sobre un K -e.v. V .

Los vectores v 6= 0 tales que Tv = v son los vectores propios de

Alejandro Lara (Fmat- Uady)

Valores y vectores propios

Sea T : V V un operador lineal sobre un K -e.v. V .

Los vectores v 6= 0 tales que Tv = v son los vectores propios de

Alejandro Lara (Fmat- Uady)

Valores y vectores propios

Sea T : V V un operador lineal sobre un K -e.v. V .

Los vectores v 6= 0 tales que Tv = v son los vectores propios de

Alejandro Lara (Fmat- Uady)

Valores y vectores propios

Sea T : V V un operador lineal sobre un K -e.v. V .

Los vectores v 6= 0 tales que Tv = v son los vectores propios de

Alejandro Lara (Fmat- Uady)

Alejandro Lara (Fmat- Uady)

Sea T : R2 R2 dada por

Alejandro Lara (Fmat- Uady)

Sea T : R2 R2 dada por

Alejandro Lara (Fmat- Uady)

Sea T : R2 R2 dada por

Alejandro Lara (Fmat- Uady)

Sea T : R2 R2 dada por

Alejandro Lara (Fmat- Uady)

Sea T : R2 R2 dada por

Espacio propio correspondiente a = 4:

Alejandro Lara (Fmat- Uady)

Sea T : R[t]4 R[t]4 dado por

Alejandro Lara (Fmat- Uady)

Sea T : R[t]4 R[t]4 dado por

Alejandro Lara (Fmat- Uady)

Sea T : R[t]4 R[t]4 dado por

Alejandro Lara (Fmat- Uady)

Sea T : R[t]4 R[t]4 dado por

Alejandro Lara (Fmat- Uady)

Sea T : R[t]4 R[t]4 dado por

Alejandro Lara (Fmat- Uady)

Sea T el operador lineal derivacion:

Alejandro Lara (Fmat- Uady)

Sea T el operador lineal derivacion:

Alejandro Lara (Fmat- Uady)

Sea T el operador lineal derivacion:

Un vector propio es:

Alejandro Lara (Fmat- Uady)

Sea T el operador lineal derivacion:

Un vector propio es: