Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTEGRANTES:
1. Autovalores y autovectores
2. Diagonalización.
6. Bibliografía
CHARA ROQUE JUDITH YOLI
1. Autovalores y autovectores
Observaciones.
(a) Al hacer transformaciones fila (o columna) sobre una matriz A, los autovalores
y los auto vectores de la matriz que se obtiene NO guardan relación (en general)
con los autovalores y autovectores de la matriz original. En general, tampoco es
cierto que los autovalores de una matriz suma/resta/producto de otras dos sean
suma/resta/producto de los autovalores de cada uno de los sumandos.
Ejercicio. Busca ejemplos de todo lo anterior.
(1) λ0 es un autovalor de A.
(2) El sistema homogéneo (A − λ0I) x = 0 es un sistema compatible indeterminado.
(3) dim [Nul (A − λ0I)] ≥ 1. (3’) El rango [A − λ0I] no es máximo.
(4) La matriz (A − λ0I) no tiene inversa. (5) det [A − λ0I] = 0.
CHARA ROQUE JUDITH YOLI
2. Diagonalización
y = Ax ⇐⇒ P y′ = AP x′ ⇐⇒ y ′ = P − 1AP x′ .
Una matriz cuadrada A es diagonalizable si, y sólo si, hay una base (de R n ´o C
n ) formada por autovectores de A. Cuando A no es diagonalizable hay
situaciones en las que es necesario encontrar también una base cuyos
elementos verifiquen ciertas propiedades similares a las de los autovectores de
A. Estos serán los denominados ´ autovectores generalizados de A. Definición.
Sea A una matriz m × m y sea λ un autovalor de A. Se dice que un vector v 6= 0
es un autovector generalizado de A asociado a λ si se verifica que (A − λI) k v = 0
para algún entero positivo k. Es decir, los autovectores generalizados de A
asociados a λ son (excluyendo al vector nulo), los vectores de los espacios nulos
de las matrices (A − λI) k , k = 1, 2, 3, ...
Las matrices simétricas reales constituyen uno de los tipos más importantes de matrices
para las cuales puede garantizarse la diagonalizabilidad. Además, dicha diagonalizacion se
puede obtener matrices de paso ortogonales.
Teorema. Sea A una matriz real simétrica. Entonces: (a) Todos los autovalores
de A son reales. (b) Si v1 y v2 son autovectores (reales) de A asociados a
autovalores distintos λ1 y λ2, entonces v1 y v2 son ortogonales. Teorema
(espectral para matrices simétricas) Sea A una matriz cuadrada real n × n. Son
equivalentes: (a) A es simétrica. (b) A es diagonalizable mediante una matriz de
paso ortogonal, es decir, existe una matriz ortogonal Q tal que Q−1AQ ≡ QTAQ
= D es diagonal. En ese caso, las columnas de la matriz {q1, . . . , qn} de
CHARA ROQUE JUDITH YOLI
2. La matriz A tiene algún autovalor múltiple. En este caso, cuando calculemos los
autovectores asociados a uno de los autovalores λ múltiples, obtendremos una
base del espacio propio asociado Nul (A−λI). En general esta base puede
CHARA ROQUE JUDITH YOLI
un = Aun − 1, n = 1, 2, . ..
que A sea diagonalizable ser ‘a fácil de tratar y por otro, el caso en el que A
no sea diagonalizable que necesitara de más elaboración puesto que
tendremos que recurrir al cálculo de autovectores generalizados. Uno de los
aspectos que permite estudiar la expresión del término general un (a partir
de u0) es el comportamiento asintótico, es decir el comportamiento a largo
plazo de la sucesión un, ¿qué sucede con los vectores un cuando n se hace
grande? Proposición. Sea A una matriz cuadrada de orden m y u0 ∈ R m.
Entonces
u0 = α1v1 + · · · + αmvm
u0 = c1v1 + · · · + cmvm
Anv = λnv
y, por tanto,
Una cónica es el lugar geométrico de los puntos (x, y) ∈ R 2 del plano que satisfacen una
ecuación general de segundo grado:
El proceso general para llevar una cónica a su ecuación reducida (sabiendo cuales son
los cambios de variables involucrados) puede separarse en dos etapas (si el coeficiente
a12 6= 0, si el coeficiente a12 = 0 bastaría con la segunda etapa):
1. Determinación de las direcciones de los ejes de la cónica. Esto consiste en diagonal izar
ortogonalmente la matriz (simétrica A) asociada a la parte cuadrática de la ecuación
Es decir, los ejes x ′ e y ′ son las rectas que pasan por el origen de coordenadas y tienen
como vectores dirección respectivos los autovectores u1 y u2 de A. De hecho, el sistema
de ejes OX′Y ′ se obtiene del sistema OXY girando (con centro el origen de coordenadas)
el ´ángulo que determina u1 con el semieje OX+.
• Caso elíptico. λ1λ2 > 0 (es decir λ1 y λ2 son no-nulos y del mismo signo),
a 2x ′′2 + b 2 y ′′2 = c
en cuyo caso tenemos una elipse (c > 0), un punto (c = 0) o nada (c < 0).
• Caso hiperbólico. λ1λ2 < 0 (es decir λ1 y λ2 son no-nulos y de distinto signo),
a 2 x ′′2 − b 2 y ′′2 = c
• Caso parabólico. λ1λ2 = 0 (es decir uno de los autovalores es nulo, y el otro no).
Suponiendo que λ1 6= 0, λ2 = 0 puede obtenerse
Puesto que la
ecuación de la cónica tiene término en xy necesitamos hacer un giro para colocar
los ejes en las direcciones de los autovectores de la matriz A (la que recoge los
términos cuadráticos). Calculamos los autovalores de A
2xy − 4x + 2y − 7 = 0
mediante los cambios de coordenadas adecuados. Puesto que la ecuación de
la cónica tiene término en xy necesitamos hacer un giro para colocar los ejes
en las direcciones de los autovectores de la matriz A (la que recoge los
términos cuadráticos),
x ′2 − y ′2 − √ 2x ′ + 3√ 2y ′ − 7 = 0.
calculamos valores:
construir la matriz P
El primer autovector da la dirección y sentido del nuevo eje X′
El cambio
5x ′2 − 10y ′2 − 6 √ 5x ′ − 4 √ 5y ′ + 12 = 0
Para hacer el dibujo esquemático con una cierta precisión, puede sernos
´útil el encontrar los puntos de corte (si los hay) de la hipérbola con los
ejes coordenados (OX y OY ).
Por tanto, la hipérbola corta al eje OY en los puntos (0, 7,16) y (0, 0,84)
y al eje OX en los puntos (1,46, 0) y (−1,17, 0). Con toda la información
que hemos obtenido a lo largo del problema, comenzamos dibujando
los ejes X′ e Y ′ sabiendo que pasan por el origen de las coordenadas x-y
y tienen la dirección y sentido del autovector correspondiente a λ1 y λ2,
respectivamente.
Es decir, en este caso, con la elección que hicimos de autovalores y
autovectores, los ejes X′ e Y ′ se obtienen rotando un ´ángulo de 63,4 o
(aproximadamente) a los ejes X e Y . A continuación, dibujamos los ejes
X′′ e Y ′′, paralelos respectivamente a los ejes X′ e Y ′ , que resultan de
trasladar el origen al centro de la hipérbola C = (1, 1).
x 2 − 2xy + y 2 − 2x + 1 = 0
eliminará el término mixto x ′ y ′ dejando la parte cuadrática como λ1x ′2 + λ2y ′2,
modificara los coeficientes de los términos lineales, x ′ e y ′ , y no alterará el
término independiente. Concretamente obtenemos:
2y ′2 − √ 2x ′ + √ 2y ′ + 1 = 0
(a) Calcula A de forma que (2, 0, −1) T sea un autovector cuyo auto valor
correspondiente es λ = −1.
Solución
(a) a = 8, b = 6, c = −5.
(b) λ = −1 es el ´único autovalor (triple).
6) CHARA ROQUE JUDITH YOLI
Determina los valores del parámetro α para los que es diagonalizable cada una
de las siguientes matrices,
7) CHARA ROQUE JUDITH YOLI
(b) Sólo tenemos que considerar el caso a = 6. Los autovalores de A−1 son los
inversos de los autovalores de A. Por tanto, para a = 6, los autovalores de A−1
son
(c) Si n es par An = 2n I.
Si n es impar An = 2n−1A.
8) CHARA ROQUE JUDITH
• A: Si a 6= −2, 0, 2 =⇒ A es diagonalizable
Para a = −2, 2
Si b = c =⇒ A es diagonalizable.
Si b 6= c =⇒ A no es diagonalizable
• B: Si a 6= −1, 5 =⇒ B es diagonalizable.
Para a = −1
Si b = 0 =⇒ B es diagonalizable.
Si b 6= 0 =⇒ B no es diagonalizable.
Para a = 5, =⇒ B no es diagonalizable
• C: C es diagonalizable ⇐⇒ a = f = 0.
9)
10) CHARA ROQUE JUDITH
Solución
x1 − x2 = 0
x3 + x4 = 0
4x 2 + y 2 − 4xy + 4x − 2y + 1 = 0.
16) CHARA ROQUE JUDITH
x 2 + 2y 2 − 5x − 4y = 0.
Por tanto, se trata de la ecuación de una elipse con ejes paralelos a los
coordenados y cuyos elementos característicos pueden obtenerse sin más que
escribir la ecuación anterior en la forma
1) CHAÑI MERMA AMILCAR HENRY
𝑑𝑥
=𝑦+𝑧
( 𝑑𝑡
𝑑𝑦
=𝑥+𝑧
𝑑𝑡
𝑑𝑧
=𝑥+𝑦
𝑑𝑡
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
−𝑠 1 1
(1 −𝑠 1)=0
1 1 −𝑠
−𝑠 3 + 3𝑠 + 2 = 0
𝑠1 = 𝑠2 = −1 𝑠3 = 2
𝑠𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎 𝑒𝑙 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜
1 1 1 𝑥 0
ker (𝑎 + 1)(1 1 1)(𝑦) = (0)
1 1 1 𝑧 0
1 1
𝑣1 = |−1| 𝑦 𝑣2(0)
0 −1
𝑒𝑥𝑖𝑠𝑡𝑒𝑛 𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑑𝑜𝑠 𝑎𝑢𝑡𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙 𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑜𝑠
𝑠𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎
1 1 1 𝑥 0
ker (1 1 1) (𝑦) = {0}
1 1 1 𝑧 0
𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑦 𝑒𝑠
1
𝑣3 {1}
1
𝑦 𝑠𝑜𝑙𝑢𝑐𝑖𝑛:
1
∅3%(𝑡) = {1} 𝑒 2𝑡
1
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑟𝑟𝑎ñ 𝑑𝑒 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑒𝑠:
1 1 1
∅(𝑡) = 𝑘1−1𝑒 + 𝑘2 (0) + 𝑘31𝑒 −𝑡
−𝑡
0 −1 1
2) CHAÑI MERMA AMILCAR HENRY
𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑙 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝛿 2 − 6𝛿 + 9 = 0
𝑑𝑜𝑛𝑑𝑒:
𝜕=3
𝐾𝑒𝑟(𝐴 − 3)
−2 2 𝑌 0
( )[ ] = ⌈ ⌉
−2 2 𝑍 0
𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
1
𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 𝑣2 ( )
2
𝑙𝑎 𝑜𝑡𝑟𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑒𝑠 ∶
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑝𝑜𝑟 𝑐𝑜𝑛𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 ∶
∀𝑛 ∈ 𝑁. 𝑛 ≥ 2 . 𝑝𝑜𝑟 𝑐𝑜𝑛𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒
4) CHAÑI MERMA AMILCAR HENRY
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝐿𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 𝑒𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑖𝑧𝑎𝑏𝑙𝑒 .
𝐷=
𝑠𝑢 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑒𝑠:
𝑃−1 =
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 ∶
5) CHAÑI MERMA AMILCAR HENRY
𝑆𝑎𝑏𝑖𝑒𝑛𝑑𝑜 𝑞𝑢𝑒 𝑢𝑛𝑎 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑡𝑒𝑟𝑐𝑒𝑟 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 1,5 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑟𝑙𝑜 ℎ𝑎𝑐𝑖𝑒𝑛𝑑𝑜
𝑢𝑠𝑜 𝑑𝑒𝑙 𝑚𝑒𝑡𝑜𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑐𝑜𝑛 𝑑𝑒𝑠𝑝𝑙𝑎𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 ∶
6) CHAÑI MERMA AMILCAR HENRY
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑚𝑎𝑡𝑟𝑖𝑧 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠:
𝐷 𝑒𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑦 𝑁 𝑛𝑖𝑙𝑝𝑜𝑡𝑒𝑛𝑡𝑒, 𝑁 2 = 0
𝑒𝑛𝑔𝑒𝑛𝑒𝑟𝑎𝑙:
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 ∶
𝑝𝑜𝑟 𝑐𝑜𝑛𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒:
ℎ𝑎𝑙𝑙𝑎𝑟 𝑒 𝑗𝑥 𝑑𝑒:
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑙𝑎𝑠 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝐴(𝑥)𝑦 𝐵(𝑥) 𝑐𝑜𝑛𝑚𝑢𝑡𝑎𝑛 𝑦𝑎 𝑞𝑢𝑒 𝐴(𝑥). 𝐵(𝑥) = 𝐵(𝑥). 𝐴(𝑥)
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
1 1
𝑢𝑛 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑒𝑠 ( ) 𝑦 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑒𝑠 ∅1 (𝑥) = ( ) . 𝑒 𝑥
−1 −1
𝑝𝑎𝑟𝑎 𝛿 = −3 , 𝑠𝑒 𝑏𝑢𝑠𝑐𝑎𝑛 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑓𝑜𝑟𝑚𝑎 ∶
1 1
𝑢𝑛 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑒𝑠 ( ) 𝑦 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑒𝑠 ∅1 (𝑥) = ( ) . 𝑒 −3𝑥
1 1
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 ∶
11) CHAÑI MERMA AMILCAR HENRY
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑠𝑖𝑒𝑛𝑑𝑜 𝑐1(𝑥)
+ 𝑐2(𝑥) 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑒𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒𝑛 𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑛𝑑𝑜 ñ𝑎𝑠 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎:
𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑛𝑑𝑜:
𝑠𝑒 𝑏𝑢𝑠𝑐𝑎 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 ¨𝑝𝑎𝑟𝑒𝑐𝑖𝑑𝑎¨ 𝑎 𝑏(𝑥) 𝑞𝑢𝑒 𝑒𝑠𝑡𝑎 𝑓𝑜𝑟𝑚𝑎𝑑𝑜 𝑝𝑜𝑟 𝑠𝑢𝑚𝑎𝑠 𝑑𝑒 𝑠𝑒𝑛𝑜𝑠
𝟖 𝟐 𝟔 𝟐
𝒂= 𝒃=− 𝒄=− 𝒅=
𝟏𝟎 𝟏𝟎 𝟏𝟎 𝟓
12) CHAÑI MERMA AMILCAR HENRY
𝑒𝑤𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑙 𝑠𝑖𝑠𝑖𝑡𝑒𝑚𝑎
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑒𝑙 𝑜𝑝𝑒𝑟𝑎𝑑𝑜𝑟 ∆:
13) CHAÑI MERMA AMILCAR HENRY
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝒁(𝒙) =
𝑠𝑖𝑒𝑛𝑑𝑜 𝑧𝑝 (𝑥) 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑟 𝑑𝑒 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑛𝑜 ℎ𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑎
𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 ¨𝑝𝑎𝑟𝑒𝑐𝑖𝑑𝑎¨ 𝑎 𝑏(𝑥) 𝑞𝑢𝑒 𝑒𝑠𝑡𝑎 𝑓𝑜𝑟𝑚𝑎𝑑𝑜 𝑝𝑜𝑟 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜𝑠 𝑑𝑒 𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝑔𝑟𝑎𝑑𝑜
𝒂 = −𝟏 𝒃=𝟏 𝒅=𝟑
𝒆=𝟐 𝒇 = −𝟑 𝒈 = −𝟒
14) CHAÑI MERMA AMILCAR HENRY
𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ∶
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑙 𝑙𝑖𝑛𝑒𝑎𝑙 𝑑𝑒 𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝑜𝑟𝑑𝑒𝑛 𝑞𝑢𝑒 𝑡𝑖𝑒𝑛𝑒 𝑐𝑜𝑚𝑜 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑒𝑟𝑎𝑙
𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒:
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜:
𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑒𝑐𝑖𝑑𝑎 𝑎 𝑏(𝑥) 𝑞𝑢𝑒 𝑒𝑠𝑡𝑎 𝑓𝑜𝑟𝑚𝑎𝑑𝑎 𝑝𝑜𝑟 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 , 𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑢𝑒𝑏𝑎 𝑐𝑜𝑛:
𝟑
𝒂= 𝒃=𝟎
𝟓
𝟐 𝟏
𝒆= 𝒇=
𝟓 𝟐
15) CHAÑI MERMA AMILCAR HENRY
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
δ2 (δ − 1) = 0
∂1 = 1 ∂2 = 0
𝑝𝑎𝑟𝑎 𝜕 = 1 𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑎𝑠𝑖𝑐𝑖𝑎𝑑𝑜 𝑣𝑖𝑒𝑛𝑒 𝑑𝑎𝑑𝑜 𝑝𝑜𝑟 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑠𝑖𝑠𝑖𝑡𝑒𝑚𝑎
16) CHAÑI MERMA AMILCAR HENRY
𝑐𝑜𝑚𝑝𝑟𝑜𝑏𝑎𝑟 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑞𝑢𝑒 𝑒𝑠 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎 𝑦 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 , 𝑏𝑎𝑠𝑎𝑛𝑑𝑜𝑠𝑒 𝑒𝑛 𝑒𝑙𝑙𝑎 , 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑛𝑜𝑟𝑚𝑎𝑙 𝐴
𝑞𝑢𝑒 𝑡𝑒𝑛𝑔𝑎 𝑝𝑜𝑟 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 2 𝑦 3𝑖
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑠𝑖 𝐴 𝑑𝑒𝑏𝑒 𝑠𝑒𝑟 𝑛𝑜𝑟𝑛𝑎𝑙 𝑦 ℎ𝑎 𝑑𝑒 𝑡𝑒𝑛𝑒𝑟 𝑙𝑜𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 2 𝑦 3𝑖 , 𝑡𝑖𝑒𝑛𝑒 𝑞𝑢𝑒 𝑠𝑒𝑟 𝑑𝑖𝑎𝑔𝑜𝑏𝑎𝑙𝑖𝑧𝑎𝑎𝑏𝑙𝑒
𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎𝑚𝑒𝑛𝑡𝑒 y, la matriz diagonal tendra a los autovalores en su diagonal .
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑥−4=0 𝑥=4
(𝑥 + 2)2 = 0 → 𝑥 2 + 4𝑥 + 4 = 0
𝑥 2 + 4𝑥 + 4 = 0
𝑥 2
𝑥 2
𝑥 = −2
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝐷𝑎𝑑𝑎 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧:
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑝𝑎𝑟𝑎 𝜕 = 1
𝑝𝑎𝑟𝑎 𝜕 = 3
20) CHAÑI MERMA AMILCAR HENRY
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑒𝑠𝑐𝑎𝑙𝑎𝑛𝑑𝑜 𝑙𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑧𝑛 𝑝𝑜𝑟 𝑠𝑢 𝑐𝑜𝑜𝑟𝑑𝑒𝑛𝑎𝑑𝑎 𝑑𝑒 𝑚𝑎𝑦𝑜𝑟 𝑣𝑎𝑙𝑜𝑟 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑦 ℎ𝑎𝑐𝑖𝑒𝑛𝑑𝑜 𝑧𝑏
+1
𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒;
HUAMANI FLORES GOLBER PG 69-87
𝛼2 = 0
Pero para demostrar que son linealmente independientes, nos falta ver
que 𝛼1 = 0 sabiendo que 𝛼2 = 0 vamos a (1) :
𝛼1 𝑣1 = 0𝑣 → 𝛼1 = 0
Y si 𝛼1 = 𝛼2 = 0 demostramos que {𝑣1 , 𝑣2 } es linealmente
independiente.
O sea, los autovectores que están en autoespacios diferentes son
linealmente independientes.
DIAGONALIZACION DE UNA TRANSFORMACION LINEAL
Autovalores t autovectores de una transformación lineal
Sea T:V -> V una transformación lineal :
λ ∈ ℝ 𝑒𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑇 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 ∃𝑣 ∈ 𝑉 𝑛𝑜 𝑛𝑢𝑙𝑜 , 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑇(𝑣) =
λ. v v es el autovector asociado a λ .
Observación importante:
Si una matriz es diagonalizable ¿puede afirmarse que todos sus
autovalores son distintos? Veamos el siguiente ejemplo:
1 0 0
𝐴 = (0 1 0)
0 0 2
Ejercicios
1.
Realizar la descomposición de Schur de la matriz
1 0 0
𝐴=( 0 1 1 )
−1 0 −1
SOLUCION:
El polinomio característico de la matriz A es
λ − 1 0 −1
p(λ) = det(λI − A) = | 0 λ − 1 −1 | = λ3 − λ2 =
1 0 λ + 1
2
λ (λ − 1) por lo que los autovalores de A son 1 simple y 0
doble.
√2 √2
1 −
2 2
𝑄𝑇 𝑃𝑇 𝐴𝑃𝑄 = 𝑈 𝑇 𝐴𝑈 = (0 0 2)
0 0 0
que es una forma de Schur de la matriz A con
2.
1 2
Consideremos la matriz A = [ ]
2 1
AUTOVALORES:
1−λ 2
A − λI = [ ] ⇒ det(A − λI) = (1 − λ)2 − 4 = λ2 −
2 1−λ
2λ − 3 = (λ − 3)(λ + 1).
Por tanto det (A − λI) = 0 ⇐⇒ λ = −3 ´o λ = −1.
AUTO VECTORES
0 1 1 0
(𝐴 + 𝐼)𝑋 = 0 ≡ [2 2 | ] → [ −1 −1
| ] → 𝑥 = 𝑥2 [ ] → 𝑣2 = [ ] ,
2 2 0 0 0 0 1 1
3.
3−λ 2 −1
| 2 3−λ 1 |=0
0 0 5−λ
(5 − λ). ((3 − λ)2 − 4) = 0
Luego los autovalores son:
λ1 = 5 ; λ2 = 5 ; λ3 = 1
Donde la multiplicidad algebraica de 5 es 2. Esto significa que 5 es raíz
doble del
polinomio característico.
Para cada autovalor debemos resolver el sistema de ecuaciones
3−λ 2 −1 𝑥 0
( 2 3−λ 1 ) (𝑦) = (0)
0 0 5−λ 𝑧 0
Para obtener cuales son los auto espacios correspondientes a cada
autovalor.
Autovectores asociados a λ = 5:
Resolvamos el sistema compatible indeterminado:
−2 2 −1 𝑥 0 −2𝑥 + 2𝑦 − 𝑧 = 0
𝑦
( 2 −2 1 ) ( ) = (0) → {2𝑥 − 2𝑦 + 𝑧 = 0 → −2𝑥 + 2𝑦 − 𝑧 = 0
0 0 0 𝑧 0 0=0
El subespacio asociado a este autovalor es:
1 0
𝑆𝑠 = 𝑔𝑒𝑛 {( 0 ) (1)}
−2 2
Luego dos autovectores son:
1 0
𝑣1 = ( 0 ) ; 𝑣2 = (1)
−2 2
Autovectores asociados a λ = 1:
Resolvamos el sistema compatible indeterminado:
2 2 −1 𝑥 0 2𝑥 + 2𝑦 − 𝑧 = 0
(2 2 1 ) (𝑦) = (0) → {2𝑥 + 2𝑦 + 𝑧 = 0 → 𝑧 = 0 ∧ 𝑦 = −𝑥
0 0 4 𝑧 0 4𝑧 = 0
1
𝑣3 = (−1)
0
1
𝑃−1 = . 𝑎𝑑𝑗(𝑃)
det(𝑝)
Ahora hagamos el calculo para obtener la matriz diagonal.
1 −2 −1 3 1 1 1 4 0
𝐷 = 𝑃−1 . 𝐴. 𝑃 = − . ( )( )( )=( )
3 −1 1 2 2 1 −2 0 1
5.
Diagonalizar la siguiente matriz si es posible:
1 2 4
𝐵 = (2 1 −4)
0 0 3
Buscamos los autovalores:
1−λ 2 4
Det(B − λI) = | 2 1 − λ −4 | = (3 − λ)((1 − λ)2 − 4)
0 0 3−λ
λ = 3(doble) ∨ λ = −1
Atención: es un error muy común suponer que la existencia de un autovalor doble
implica que la matriz no es diagonalizable.
1 1 1
𝑃 = (−1 −1 1)
0 1 0
Ésta es la matriz que permite diagonalizar a la matriz B.
1 1
− −1
2 2
𝑃−1 = 0 0 1
1 1
0
(2 2 )
La matriz diagonal correspondiente es:
1 0 0
𝑃 −1 . 𝐴. 𝑃 = 𝐷 = (0 3 0)
0 0 3
El orden de los autovalores en D es el mismo orden que el de los
autovectores en las columnas de P. Por ejemplo, si construimos la
matriz P así:
1 1 1
𝑃 = (1 −1 −1)
0 1 0
3 0 0
Verificar que la matriz D queda: D = (0 3 0 )
0 0 −1
6.
Solución:
1 0 0 2 0 2
𝐴 = [𝐹 (00 ) 𝐹 (01 ) 𝐹 (10 )] = (20 −1 0
0 1
) 𝑅𝑒𝑐𝑜𝑟𝑑𝑒𝑚𝑜𝑠 |𝐴 − 𝐼𝜆| = 0
2 0 2 1 0 0
|(20 −1 0
0 1
) − (00 1 0
0 1
) ℷ| = 0
2−ℷ 0 2
|( 2
0 −1−ℷ
0
0
1−ℷ
)| = 0
𝜆1 = −2
𝜆2 = −1
𝜆3 = 3
rpta
Diagonalización de matrices y autovalor de Perrón.
Veamos diferentes ejemplos de diagonalización de matrices y el cálculo
de autovalores y autovectores resaltando siempre el autovalor de
Perrón. En estos ejemplos se muestra el algoritmo de cálculo, pero no se
estudian las condiciones de las matrices que no podrían garantizar la
existencia del autovalor de Perrón.
EJERCICIO 1
Sea 𝑓: ℝ3 → ℝ3 dado por
f(x, y, z) = (3x + y + z, x + 3y + z, x + y + 3z)
−2 −1 1 𝑥 0 −2𝑥 + 𝑦 + 𝑧 = 0 𝑥=𝜆
(𝐴 − 5𝐼)𝑋 = 0 → | 1 −2 1 | |𝑦| = |0| → { 𝑥 − 2𝑦 + 𝑧 = 0 → {𝑦 = 𝜆
1 1 −2 𝑧 0 𝑥 + 𝑦 − 2𝑧 = 0 𝑧=𝜆
1 −1 −1 −1
𝑃−1 = |−1 −1 2 |
3
1 1 1
Verificamos la ecuación de paso 𝐴 = 𝑃. 𝐷. 𝑃−1
EJERCICIO 2
Sea 𝑓: ℝ3 → ℝ3 definida por 𝑓(𝑥, 𝑦, 𝑧) = (3𝑥 + 2𝑦 − 2𝑧, −𝑧, 4𝑥 + 2𝑦 − 3𝑧)
Halla la matriz A de f respecto de la base canónica de ℝ3 . Calcula el polinomio
característico, autovalores y los autovectores asociados a f. ¿Existe autovalor de Perrón?
𝑓(1,0,0) = (3,0,4)
3 2 −2
Luego 𝐴 = |0 −1 0 |
4 2 −3
𝜆−3 −2 2
|𝜆𝐼 − 𝐴| = 0 → | 0 𝜆+1 0 |=0→
−4 −2 𝜆+3
(𝜆 + 1) |𝜆 − 3 2
|=0→
−4 𝜆+3
𝜆 = −1, 𝑑𝑜𝑏𝑙𝑒
(𝑥 + 1)(𝑥 2 − 9 + 8) = 0 → (𝜆 + 1)(𝜆2 − 1) = 0 → {
𝜆 = 1, 𝑠𝑖𝑚𝑝𝑙𝑒
𝑓(0,1,0) = (0,1,1)
𝑓(0,0,1) = (−1,1,1)
0 0 −1
Luego 𝐴 = | 1 1 1|
−1 1 1
𝜆 0 1
|𝜆𝐼 − 𝐴| = 0 → |−1 𝜆 − 1 −1 | = 0 →
1 −1 𝜆−1
𝜆1 = −1
(𝜆 + 1)(𝜆 − 1)(𝜆 − 2) = 0 → { 𝜆2 = 1
𝜆3 = 2
−1 0 1 𝑥 0 −𝑥 + 𝑧 = 0
𝜆1 = −1 → |−1 −2 −1| |𝑦| = |0| → { −𝑥 − 2𝑦 − 𝑧
1 −1 −2 𝑧 0 𝑥 − 𝑦 − 2𝑧 = 0
𝑥=𝛼
Sistema compatible indeterminado con un parámetro {𝑦 = −𝛼
𝑧=𝛼
𝑆 = {(𝛼, −𝛼, 𝛼) = 𝛼(1, −1,1)|𝛼 ∈ ℝ}
𝑢1 = (1, −1,1)𝑒𝑠𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑙 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝜆1
𝑃𝑜𝑟 𝑡𝑎𝑛𝑡𝑜 ⃗⃗⃗⃗ = −1
1 0 1 𝑥 0 𝑥+𝑧=0 𝑥=𝛼
𝜆2 = 1 → |−1 0 −1| |𝑦| = |0| → {−𝑥 − 𝑦 − 𝑧 = 0 → {𝑦=𝛼
1 −1 0 𝑧 0 𝑥−𝑦=0 𝑧 = −𝛼
1+𝛼−𝜆 −𝛼 𝛼
|𝐴 − 𝜆𝐼| = 0 → | 2 + 𝛼 −𝛼 − 𝜆 𝛼 − 1| =
2 −1 −𝜆 𝐶2−𝐶3
1+𝛼−𝜆 0 𝛼
| 2+𝛼 − 𝜆 − 1 𝛼 − 1| =
2 𝜆−1 −𝜆 𝐹3−𝐹2
1+𝛼−𝜆 0 𝛼
| 2+𝛼 −𝜆 − 1 𝛼−1 |=
−𝛼 0 −𝜆 − 𝛼 + 1
(1 − 𝜆) + 𝛼 𝛼
−(𝜆 + 1) | |=
−𝛼 (1 − 𝜆) − 𝛼
𝜆 = −1 , 𝑆𝐼𝑀𝑃𝐿𝐸
= −(𝜆 + 1)(1 − 𝜆)2 = 0 → {
𝜆 = 1 , 𝐷𝑂𝐵𝐿𝐸
Así los autovalores no dependen de 𝛼 y en valor absoluto todos coinciden,
por lo que no existe el autovalor de Perrón
Quincho Chuctaya Oliver Luis
1 0 0
1) Calcular la solución de : 𝑋 ′ = [ 0 3 1 ] 𝑋
0 −1 1
Solución:
𝑘1 1
El vector propio correspondiente es K1 =[ 0 ]= k1[0] 𝑦 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑒𝑠 ∶
0 0
1
𝑋1 (𝑡) = [0] 𝑒 𝑡
0
Quincho Chuctaya Oliver Luis
3 autovectores asociados a los 3 autovalores hallados 1,-2 y 3, la solución general del sistema
es entonces:
Es decir:
Quincho Chuctaya Oliver Luis
Solución:
Es decir:
Quincho Chuctaya Oliver Luis
La matriz será:
La ecuación tiene raíz doble 𝜆 = 3 es una autovalor doble y es inmediato comprobar que no
existen dos autovectores de A que sean linealmente independientes. Por tanto, la matriz A no
es diagonalizable. En este caso, el sistema posee soluciones de la forma.
5) Resolver:
Solución:
⃗
Resolviendo el sistema lineal compatible indeterminado (A-(-4) I)𝑋=0
⃗
Resolviendo el sistema lineal compatible indeterminado (A-3I)𝑋=0
Quincho Chuctaya Oliver Luis
Solución:
Como puede comprobar el lector fácilmente, Xp=-1 es una solución particular de la ecuación
lineal completa; por lo que la solución de la ecuación completa es:
Como:
Quincho Chuctaya Oliver Luis
𝑑𝑥
= 5𝑥 + 3𝑦
8) Dado el sistema: { 𝑑𝑡
𝑑𝑦 }
𝑑𝑡
= 4𝑥 + 𝑦
Se pide:
C1=1; C2=-3
Son soluciones particulares del sistema lineal homogéneo se pide; Calcular la solución general
del sistema lineal completo.
Solución:
Solución:
Calculando los autovalores a partir del polinomio característico asociado a la matriz de los
coeficientes A:
Los 2 autovalores son distintos, calculamos los autovalores asociados al primer valor =3
11) Resolver el sistema anterior encontrando una matriz fundamental que verifique:
φ(0)=I.
Solución:
Con ello
Donde P es la matriz cambio de base a la base de los vectores propios, es decir P tiene por
columnas a los vectores propios siendo:
Solución:
Serán:
Donde P:
b)
Quincho Chuctaya Oliver Luis
autovalores :
autovectores:
Para
Para:
Solución:
La solucion sera (x(0),y(0))=(1,2)
Quincho Chuctaya Oliver Luis
Solución:
Pero
3 0
a) [ ]
8 −1
10 −9
b) [ ]
4 −2
0 3
c) [ ]
4 0
−2 −7
d) [ ]
1 2
0 0
[ ]
0 0
La matriz caracteristica sera (𝑨 − 𝝀. 𝑰𝒏 )
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 0 ]
0 −𝝀
𝜆2 = 0 𝐸𝑐. 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
1 0
f) [ ]
0 1
(𝑨 − 𝝀. 𝑰𝒏 ) = [1 − 𝝀 0
]
0 1−𝝀
𝜆2 − 2𝜆 + 1 = 0 𝐸𝑐. 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
3 0
a) A= [ ]
8 −1
(𝑨 − 𝝀. 𝑰𝒏 ) = [3 − 𝝀 0
]
8 −1 − 𝝀
𝝀 = 3 , 𝝀 = −1 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
10 −9
b) 𝑨 = [ ]
4 −2
(𝑨 − 𝝀. 𝑰𝒏 ) = [10 − 𝝀 −9
]
4 −2 − 𝝀
𝝀 = 4 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
0 3
c) 𝑨 = [ ]
4 0
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 3 ]
4 −𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟐 − 𝟏𝟐 = 𝟎
−2 −7
d) 𝑨 = [ ]
1 2
La matriz caracteristica sera (𝑨 − 𝝀. 𝑰𝒏 )
(𝑨 − 𝝀. 𝑰𝒏 ) = [−2 − 𝝀 −7 ]
1 2−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟐 + 𝟑 = 𝟎
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 0 ]
0 −𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (−𝝀)(−𝝀)𝟎 = 𝟎
𝝀 = 0 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
1 0
f) 𝑨 = [ ]
0 1
(𝑨 − 𝝀. 𝑰𝒏 ) = [1 − 𝝀 0
]
0 1−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (1 − 𝝀)(1 − 𝝀) = 𝟎
= (1 − 𝝀)𝟐 = 𝟎
𝝀 = 1 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
3 0
a) A= [ ] (𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟑
8 −1 (𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = −𝟏
4 0 (𝐴 − 𝝀𝑰) = [0 0
]
La matriz caracteristica sera (𝑨 − 𝝀. 𝑰𝒏 ) (𝐴 − 𝝀𝑰) = [ ] 8 −4
8 0 >> (𝐴 − 𝝀𝑰)
>> (𝐴 − 𝝀𝑰)
(𝑨 − 𝝀. 𝑰𝒏 ) = [3 − 𝝀 0
] >> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
8 −1 − 𝝀 1
1 0 = [1 − 2]
=[ ]
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (3 − 𝝀)(−1 − 𝝀)𝟎 = 𝟎 0 0
0 0
𝒙𝟏 = 𝟎 … … (𝟏) 𝟏
𝝀 = 3 , 𝝀 = −1 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔 De la ecuación 1 del sistema (1) 𝒙𝟏 − 𝒙𝟐 = 𝟎 … … (𝟏)
𝟐
encontramos con la variable 𝒙𝟏 : De la ecuación 1 del sistema (1)
𝟎 encontramos con la variable 𝒙𝟏 :
𝒙𝟏 = 𝟎 𝒙 = ( )
𝒙𝟐 𝟏
𝟏
𝒙𝟏 = 𝒙𝟐 𝒙 = (𝟐 𝒙𝟐 )
10 −9 𝟐 𝒙𝟐
b) 𝑨 = [ ]
4 −2
(𝑨 − 𝝀. 𝑰𝒏 ) = [10 − 𝝀 −9
]
4 −2 − 𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (10 − 𝝀)(−2 − 𝝀) + 𝟑𝟔 = 𝟎
= 𝝀𝟐 − 𝟖𝝀 + 𝟏𝟔 = 𝟎
= (𝝀 − 𝟒)(𝝀 − 𝟒) = 𝟎
= (𝝀 − 𝟒)𝟐 = 𝟎
𝝀 = 4 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
(𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟒
6 −9
(𝐴 − 𝝀𝑰) = [ ]
4 −6
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
3
= [ 1 − 2]
0 0
𝟑
𝒙𝟏 − 𝒙𝟐 = 𝟎 … … (𝟏)
𝟐
De la ecuación 1 del sistema (1)
encontramos con la variable 𝒙𝟏 :
𝟑 𝟑
𝒙𝟏 = 𝒙𝟐 𝒙 = (𝟐 𝒙𝟐 )
𝟐 𝒙𝟐
0 3
c) 𝑨 = [ ]
4 0
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 3 ]
4 −𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟐 − 𝟏𝟐 = 𝟎
√𝟑 √𝟑 √𝟑 √𝟑
𝒙𝟏 = 𝒙𝟐 𝒙 = ( 𝟐 𝒙𝟐 ) 𝒙𝟏 = 𝒙𝟐 𝒙 = ( 𝟐 𝒙𝟐 )
𝟐 𝟐
𝒙𝟐 𝒙𝟐
−2 −7
d) 𝑨 = [ ]
1 2
(𝑨 − 𝝀. 𝑰𝒏 ) = [−2 − 𝝀 −7 ]
1 2−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟐 + 𝟑 = 𝟎
0 0
e) 𝑨 = [ ]
0 0
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 0 ]
0 −𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (−𝝀)(−𝝀)𝟎 = 𝟎
𝝀 = 0 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
(𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟎
0 0
(𝐴 − 𝝀𝑰) = [ ]
0 0
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
0 0
=[ ]
0 0
𝒙𝟏
𝒙 = (𝒙 )
𝟐
1 0
f) 𝑨 = [ ]
0 1
(𝑨 − 𝝀. 𝑰𝒏 ) = [1 − 𝝀 0
]
0 1−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (1 − 𝝀)(1 − 𝝀) = 𝟎
= (1 − 𝝀)𝟐 = 𝟎
𝝀 = 1 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
(𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟏
(𝐴 − 𝝀𝑰) = [0 0]
0 0
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
0 0
=[ ]
0 0
𝒙𝟏
𝒙 = (𝒙 )
𝟐
4. Determinar las ecuaciones características de las siguientes matrices:
4 0 1
a) [−2 1 0]
−2 0 1
3 0 −5
1
b) [ 5 −1 0]
1 1 −2
−1 0 1
d) [−1 3 0]
−4 13 −1
5 0 1
e) [ 1 1 0]
−7 1 0
5 6 2
f) [0 −1 −8]
1 0 −2
𝟓−𝝀 𝟔 𝟐
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟎 −𝟏 − 𝝀 −𝟖 ]
𝟏 𝟎 −𝟐 − 𝝀
𝟒−𝝀 𝟎 𝟏 𝝀 = 1 , 𝝀 = 2, 𝝀 = 3 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟐 𝟏−𝝀 𝟎 ]
−𝟐 𝟎 𝟏−𝝀
𝟑
𝟎 −𝟓
𝟏
b) 𝑨 = −𝟏[𝟓𝟎]
𝟏 𝟏 −𝟐 𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = −(𝝀𝟑 ) + 𝟐𝝀 = 𝟎
= (−𝟏)( 𝝀)( 𝝀 − √2)(𝝀 + √2) = 𝟎
La matriz caracteristica sera (𝑨 − 𝝀. 𝑰𝒏 )
𝟑−𝝀 𝟎 −𝟓
𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟏 − 𝝀 𝟎 ] 𝝀 = 0 , 𝝀 = √2, 𝝀 = −√2, 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
𝟓
𝟏 𝟏 −𝟐 − 𝝀
−𝟐 𝟎 𝟏
c) [−𝟔 −𝟐 𝟎]
𝟏𝟗 𝟓 −𝟒
−𝟏 𝟎 𝟏
d) [−𝟏 𝟑 𝟎]
−𝟒 𝟏𝟑 −𝟏
𝟓 𝟎 𝟏
e) [ 𝟏 𝟏 𝟎]
−𝟕 𝟏 𝟎
= (−1)(𝝀 − 𝟐)𝟑 = 𝟎
𝝀 = 2 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
𝟓 𝟔 𝟐
f) [𝟎 −𝟏 −𝟖] 𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = −(𝝀𝟑 ) + 𝟔𝟐 + 𝟏𝟓𝝀 − 𝟑𝟔 = 𝟎
𝟏 𝟎 −𝟐
= −1(𝝀 + 𝟒)(𝝀 − 𝟑)(𝝀 − 𝟑) = 𝟎
La matriz caracteristica sera (𝑨 − 𝝀. 𝑰𝒏 )
= (−1)(𝝀 + 𝟒)(𝝀 − 𝟑)𝟐 = 𝟎
𝟓−𝝀 𝟔 𝟐
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟎 −𝟏 − 𝝀 −𝟖 ] 𝝀 = −4, 𝝀 = 3 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
𝟏 𝟎 −𝟐 − 𝝀
6. Halle las bases de los autoespacios de las matrices del ejercicio 4
𝟒 𝟎 𝟏
𝒂) 𝑨 = [−𝟐 𝟏 𝟎]
−𝟐 𝟎 𝟏
𝝀 = 1 , 𝝀 = 2, 𝝀 = 3 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟏
𝟑 𝟎 𝟏
(𝐴 − 𝝀𝑰) = [−𝟐 𝟎 𝟎]
−𝟐 𝟎 𝟎
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
𝟏 𝟎 𝟎
= [ 𝟎 𝟎 𝟏]
𝟎 𝟎 𝟎
𝒙𝟏 = 𝟎
𝒙𝟑 = 𝟎 … … (𝟏)
-De la ecuación 2 del sistema (1) encontramos con la variable 𝒙𝟑 : y de la ecuación 1 del sistema (1)la
variable 𝒙𝟏
𝟎
𝒙𝟑 = 𝟎 , 𝒙𝟏 = 𝟎 𝒙 = (𝒙𝟐 )
𝟎
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟐
𝟐 𝟎 𝟏
(𝐴 − 𝝀𝑰) = [−𝟐 −𝟏 𝟎 ]
−𝟐 𝟎 −𝟏
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
𝟏
𝟏 𝟎
=[ 𝟐]
𝟎 𝟏 −𝟏
𝟎 𝟎 𝟎
𝟏
𝒙𝟏 + 𝒙𝟑 = 𝟎
𝟐
𝒙𝟐 − 𝒙𝟑 = 𝟎 … … (𝟏)
𝟑 𝟎 −𝟓
𝟏
b) 𝑨 =[𝟓 −𝟏 𝟎]
𝟏 𝟏 −𝟐
𝝀 = 0 , 𝝀 = √2, 𝝀 = −√2,
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟎
𝟑 𝟎 −𝟓
𝟏
(𝐴 − 𝝀𝑰) = [ −𝟏 𝟎 ]
𝟓
𝟏 𝟏 −𝟐
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
𝟓
𝟏 𝟎 −
𝟑
= 𝟏
𝟎 𝟏 −
𝟑
[𝟎 𝟎 𝟎 ]
𝟓
𝒙𝟏 − 𝒙𝟑 = 𝟎
𝟑
𝟏
𝒙𝟐 − 𝒙𝟑 = 𝟎 … … (𝟏)
𝟑
-De la ecuación 2 del sistema (1) encontramos con la variable 𝒙𝟐 :
-De la ecuación 1 del sistema (1) encontramos con la variable 𝒙𝟏 :
𝟓 𝟏 𝟎
𝒙𝟏 = 𝒙𝟑 , 𝒙𝟐 = 𝒙𝟑 𝒙 = (𝒙𝟐 )
𝟑 𝟑
𝟎
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = √2
√2 + 3 𝟎 −𝟓
𝟏
(𝐴 − 𝝀𝑰) = −√2 − 1 𝟎
𝟓
[ 𝟏 𝟏 −√2 − 2]
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
−𝟓√2 − 15
𝟏 𝟎
7
= −𝟐√2 + 1
𝟎 𝟎
7
[𝟎 𝟎 𝟎 ]
−𝟓√2 − 15
𝒙𝟏 − 𝒙𝟑 = 𝟎
7
−𝟐√2 + 1
𝒙𝟐 + 𝒙𝟑 = 𝟎 … … (𝟏)
7
-De la ecuación 2 del sistema (1) encontramos con la variable 𝒙𝟐 :
-De la ecuación 1 del sistema (1) encontramos con la variable 𝒙𝟏 :
𝟓√2 + 15 𝟐√2 − 1
𝒙𝟏 = 𝒙𝟑 , 𝒙𝟐 = 𝒙𝟑 ,
7 7
𝟓√2 + 15
𝒙𝟑
7
𝒙 = 𝟐√2 − 1
𝒙𝟑
7
( 𝒙𝟑 )
−𝟐 𝟎 𝟏
c) [−𝟔 −𝟐 𝟎]
𝟏𝟗 𝟓 −𝟒
𝝀 = −8 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = −𝟖
𝟔 𝟎 𝟏
(𝐴 − 𝝀𝑰) = [−𝟔 𝟔 𝟎]
𝟏𝟗 𝟓 𝟒
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
𝟏
𝟏 𝟎
𝟔
= 𝟏
𝟎 𝟏
𝟔
[ 𝟎 𝟎 𝟎]
𝟏
𝒙𝟏 + 𝒙𝟑 = 𝟎
𝟔
𝟏
𝒙𝟐 + 𝒙𝟑 = 𝟎 … … (𝟏)
𝟔
-De la ecuación 2 del sistema (1) encontramos con la variable 𝒙𝟐 :
-De la ecuación 1 del sistema (1) encontramos con la variable 𝒙𝟏 :
𝟏
𝒙𝟏 = − 𝒙𝟑 ,
𝟔
𝟏
𝒙𝟐 = − 𝒙𝟑 ,
𝟔
𝟏
− 𝒙𝟑 ,
𝟔
𝒙= 𝟏
− 𝒙𝟑 ,
𝟔
( 𝒙𝟑 , )
−𝟏 𝟎 𝟏
d) [−𝟏 𝟑 𝟎]
−𝟒 𝟏𝟑 −𝟏
𝝀 = 2 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟐
−𝟑 𝟎 𝟏
(𝐴 − 𝝀𝑰) = [ −𝟏 𝟏 𝟎]
−𝟒 𝟏𝟑 −𝟑
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
−𝟏
𝟏 𝟎
𝟑
= −𝟏
𝟎 𝟏
𝟑
[𝟎 𝟎 𝟎]
𝟏
𝒙𝟏 − 𝒙𝟑 = 𝟎
𝟑
𝟏
𝒙𝟐 − 𝒙𝟑 = 𝟎 … … (𝟏)
𝟑
-De la ecuación 2 del sistema (1) encontramos con la variable 𝒙𝟐 :
-De la ecuación 1 del sistema (1) encontramos con la variable 𝒙𝟏 :
𝟏
𝒙𝟏 = 𝒙𝟑 ,
𝟑
𝟏
𝒙𝟐 = 𝒙 ,
𝟑 𝟑
𝟏
𝒙 ,
𝟑 𝟑
𝒙= 𝟏
𝒙 ,
𝟑 𝟑
( 𝒙𝟑 , )
𝟓 𝟎 𝟏
e) [ 𝟏 𝟏 𝟎]
−𝟕 𝟏 𝟎
𝝀 = 2 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟐
-De la ecuación 2 del sistema (1)
𝟑 𝟎 𝟏 encontramos con la variable 𝒙𝟐 :
(𝐴 − 𝝀𝑰) = [ 𝟏 −𝟏 𝟎] -De la ecuación 1 del sistema (1)
−𝟕 𝟏 −𝟐
>> (𝐴 − 𝝀𝑰) encontramos con la variable 𝒙𝟏 :
−𝟏
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰) 𝒙𝟏 = 𝒙 ,
𝟏 𝟑 𝟑
𝟏 𝟎
𝟑
= 𝟏 −𝟏
𝟎 𝟏 𝒙𝟐 = 𝒙 ,
𝟑 𝟑 𝟑
[𝟎 𝟎 𝟎]
𝟏 −𝟏
𝒙𝟏 + 𝒙𝟑 = 𝟎 𝒙 ,
𝟑 𝟑 𝟑
𝟏 𝒙 = −𝟏
𝒙𝟐 + 𝒙𝟑 = 𝟎 … … (𝟏) 𝒙 ,
𝟑 𝟑 𝟑
( 𝒙𝟑 , )
𝟓 𝟔 𝟐
f) [𝟎 −𝟏 −𝟖]
𝟏 𝟎 −𝟐
𝝀 = −4, 𝝀 = 3 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = −𝟒
𝟗 𝟔 𝟐
(𝐴 − 𝝀𝑰) = [ 𝟎 𝟑 −𝟖]
𝟏 𝟎 𝟐
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
𝟏 𝟎 𝟐
−𝟖
=[𝟎 𝟏 ]
𝟑
𝟎 𝟎 𝟎
𝒙𝟏 + 𝟐𝒙𝟑 = 𝟎
𝟖
𝒙𝟐 − 𝒙𝟑 = 𝟎 … … (𝟏)
𝟑
-De la ecuación 2 del sistema (1) encontramos con la variable 𝒙𝟐 :
-De la ecuación 1 del sistema (1) encontramos con la variable 𝒙𝟏 :
𝟖
𝒙𝟏 = −𝟐𝒙𝟑 , 𝒙𝟐 = 𝒙𝟑 ,
𝟑
−𝟐𝒙𝟑 ,
𝟖
, 𝒙 = ( 𝒙𝟑 , ),
𝟑
𝒙𝟑 ,
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟑
𝟐 𝟔 𝟐
(𝐴 − 𝝀𝑰) = [ 𝟎 −𝟒 −𝟖]
𝟏 𝟎 −𝟓
>> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
𝟏 𝟎 −𝟓
=[𝟎 𝟏 𝟐 ]
𝟎 𝟎 𝟎
𝒙𝟏 − 𝟓𝒙𝟑 = 𝟎
𝒙𝟐 + 𝟐𝒙𝟑 = 𝟎 … … (𝟏)
-De la ecuación 2 del sistema (1)
encontramos con la variable 𝒙𝟐 :
-De la ecuación 1 del sistema (1)
encontramos con la variable 𝒙𝟏 :
𝒙𝟏 = 𝟓𝒙𝟑 , 𝒙𝟐 = −𝟐𝒙𝟑
𝟓𝒙𝟑 ,
, 𝒙=(−𝟐𝒙 𝟑 ,)
𝒙𝟑 ,
7. Determinar las ecuaciones características de las siguientes matrices:
0 0 2 0
a) [1 0 1 0]
0 1 −2 0
0 0 0 1
−𝝀 𝟎 𝟐 𝟎
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟏 − 𝝀 𝟏 𝟎
]
𝟎 𝟏 −𝟐 − 𝝀 𝟎
𝟎 𝟎 𝟎 𝟏− 𝝀
(𝜆 − 1)2 (𝜆 + 2)(𝜆 + 1) = 0
𝜆4 + 𝜆3 − 3𝜆2 − 𝜆 + 2 = 0 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
10 −9 0 0
b) [ 4 −2 0 0]
0 0 −2 7
0 0 1 2
𝟏𝟎 − 𝝀 −𝟗 𝟎 𝟎
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟒 −𝟐 − 𝝀 𝟎 𝟎
]
𝟎 𝟎 −𝟐 − 𝝀 𝟕
𝟎 𝟎 𝟏 𝟐− 𝝀
(𝜆 − 4)2 (𝜆2 + 3) = 0
𝜆4 − 8𝜆3 + 19𝜆2 − 24𝜆 + 48 = 0 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
𝟎 𝟎 𝟐 𝟎 −𝝀 𝟎 𝟐 𝟎
a) [𝟏 𝟎 𝟏 𝟎] (𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟏 − 𝝀 𝟏 𝟎]
𝟎 𝟏 −𝟐 𝟎 𝟎 𝟏 −𝟐 − 𝝀 𝟎
𝟎 𝟎 𝟎 𝟏 𝟎 𝟎 𝟎 𝟏− 𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟒 + 𝝀𝟑 − 𝟑𝝀𝟐 − 𝝀 + 𝟐 = 𝟎
= (𝝀 − 𝟏)𝟐 (𝝀 + 𝟏)(𝝀 + 𝟐) = 𝟎
𝝀 = 1 , 𝝀 = −1, 𝝀 = −2 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
𝟏𝟎 −𝟗 𝟎 𝟎
b) [ 𝟒 −𝟐 𝟎 𝟎]
𝟎 𝟎 −𝟐 𝟕
𝟎 𝟎 𝟏 𝟐
𝟏𝟎 − 𝝀 −𝟗 𝟎 𝟎
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟒 −𝟐 − 𝝀 𝟎 𝟎
]
𝟎 𝟎 −𝟐 − 𝝀 𝟕
𝟎 𝟎 𝟏 𝟐− 𝝀
𝟎 𝟎 𝟐 𝟎
a) [𝟏 𝟎 𝟏 𝟎]
𝟎 𝟏 −𝟐 𝟎
𝟎 𝟎 𝟎 𝟏
Dado que
1 0 0 0 0 0 2 0 𝜆 0 −2 0
𝜆𝐼 − 𝐴 = 𝜆 [0 1 0 0 ] − [1 0 1 0] = [−1 𝜆 −1 0]
0 0 1 0 0 1 −2 0 0 −1 𝜆 + 2 0
0 0 0 1 0 0 0 1 0 0 0 𝜆−1
Sea:
Entonces
(𝜆 − 1)2 (𝜆 + 2)(𝜆 + 1) = 0
λ1 = −2, λ2 = −1 y λ3 = 1
𝜆 0 −2 0 𝑥1
[−1 𝜆 −1 0] [𝑥2 ] =
0 −1 𝜆 + 2 0 𝑥3
0 0 0 𝜆−1 𝑥4
Para λ1 = −2
Para λ2 = −1
−2 0 −2 0 𝑥1
𝑥2 −1 0 −2 0 𝑥1 0
[−1 −2 −1 0] [𝑥3 ] [ −1 −1 −1 0 𝑥2 0
] [𝑥3 ] = [0]
0 −1 0 0 0 −1 1 0
0 0 0 −3 𝑥4 𝑥4 0
0 0 0 −2
0 Resolviendo este sistema
0
= [0 ] se obtiene
1 0 2 0 ⋮ 0
0
Resolviendo este sistema [0 1 −1 0 ⋮ 0]
0 0 0 1 ⋮ 0
se obtiene 0 0 0 0 ⋮ 0
1 0 1 0 ⋮ 0 𝑥1 −2𝑡 −2
𝑥2
[0 1 0 0 ⋮ 0] [𝑥3 ] = [ 𝑡 ] = 𝑡 [ 1 ]
𝑡
0 0 0 1 ⋮ 0 1
𝑥4 0 0
0 0 0 0 ⋮ 0 −2
𝑥1 −𝑡 −1
𝑥2 ∴ 𝑩𝟐 = {( 1 )}
[𝑥3 ] = [ 𝑡 ] = 𝑡 [ 0 ]
0 1
1 0
𝑥4 0 0
−1
∴ 𝑩𝟏 = {( 0 )}
1
0
Para λ3 = 1
1 0 −2 0 𝑥1 0
−1 1 −1 0 𝑥2 0
[ ] [𝑥3 ] = [0] Base para el eigenespacio
0 −1 3 0 −1
0 0 0 0 𝑥4 0
Resolviendo este sistema se correspondiente a λ1 = −2: ( 0 )
1
obtiene 0
1 0 −2 0 ⋮ 0 Base para el eigenespacio
[0 1 −3 0 ⋮ 0] −2
0 0 0 0 ⋮ 0
correspondiente a λ2 = −1: ( 1 )
0 0 0 0 ⋮ 0 1
𝑥1 2𝑠 2 0 0
𝑥2
[𝑥3 ] = [ 𝑠 ] = 𝑠 [ ] + 𝑡 [0]
3𝑠 3 Base para el eigenespacio
1 0 0 2
𝑥4 𝑡 0 1
0 2 correspondiente a λ3 = 1: ( ) , (3)
0
0 1
∴ 𝑩𝟑 = {( ) , (3)}
0 1 0
0 1
1 0
𝟏𝟎 −𝟗 𝟎 𝟎
b) [ 𝟒 −𝟐 𝟎 𝟎]
𝟎 𝟎 −𝟐 𝟕
𝟎 𝟎 𝟏 𝟐
Dado que
𝜆4 − 8𝜆3 + 19𝜆2 − 24𝜆 + 48 = 0 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
Entonces
(𝜆 − 4)2 (𝜆2 + 3) = 0
λ1 = 4
De modo que existe un eigenespacio de A.
Por definición,
𝑥1
𝑥2
𝑥 = [𝑥3 ]
𝑥4
Es un eigenvector de A correspondiente a A si y sólo si x es una solución no trivial de
𝑑𝑒𝑡(𝜆𝐼 − 𝐴); es decir, de
𝜆 − 10 9 0 0 𝑥1 0
−4 𝜆 + 2 0 0 𝑥2 0
[ ] [ ] = [0]
0 0 𝜆 + 2 7 𝑥3
0 0 −1 𝜆−2 𝑥4 0
Para λ1 = 4
−6 9 0 0 𝑥1 0
−4 6 0 0 𝑥2 0
[ ] [𝑥3 ] = [0]
0 0 6 7
0 0 −1 2 𝑥4 0
−1 6
a) [ ]
9 5
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝟏 − 𝝀 − 𝟔
]
𝟗 𝟓−𝝀
3 0 0
b) [−2 7 0]
4 8 1
𝟑−𝝀 𝟎 𝟎
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟐 𝟕 − 𝝀 𝟎 ]
𝟒 𝟖 𝟏−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (3 − 𝝀)(7 − 𝝀) (𝟏 − 𝝀) = 𝟎
𝝀 = 3 , 𝝀 = 7, 𝝀 = 1 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
1
− 0 0 0
3
1
0 −3 0 0
c)
0 0 1 0
1
[ 0 0 0 ]
2
𝟏
− −𝝀 𝟎 𝟎 𝟎
𝟑
𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = 𝟎 − −𝝀 𝟎 𝟎
𝟑
𝟎 𝟎 𝟏−𝝀 𝟎
𝟏
[ 𝟎 𝟎 𝟎 −𝝀 ]
𝟐
𝟐
𝟏 𝟏
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (− − 𝝀) (𝟏 − 𝝀 ) ( − 𝝀) = 𝟎
𝟑 𝟐
1 1
𝝀 = − 3 , 𝝀 = 1, 𝝀 = 2 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
11. Encontrar los autovalores de A9
1 3 7 11
1
0 3 8
A= [ 2 ]
0 0 0 4
0 0 0 2
Dado que
1 0 0 0 1 3 7 11 λ − 1 −3 −7 −11
1 1
0 2 3 8 0 λ– 2 −3 −8
λI − A = λ [0 1 0 0] − [ ]=[ ]
0 0 1 0 0 0 0 4 0 0 λ −4
0 0 0 1 0 0 0 2 0 0 0 λ−2
Sea:
det(λI − A) = 0
λ − 1 −3 −7
1 −11
det 0 λ– −3 −8 = 0
2 −4
0 0 λ
[ 0 0 0 λ−2 ]
1
(λ − ) (λ)(λ − 2) = 0
2
λ4 − 8λ3 + 19λ2 − 24λ + 48 = 0 Ecuación caracteristica
1
(λ − ) (λ)(λ − 2) = 0
2
1
λ1 = 0, λ2 = y λ3 = 2
2
1 9 1
De modo que λ1 = 09 = 0, λ2 = (2) = 512 y λ3 = 29 = 512 son
eigenvalores de 𝐴9
12. Encontrar los autovalores y bases para los autoespacios de A 25 para
−1 −2 −2
A=[ 1 2 1]
−1 −1 0
Dado que
1 0 0 −1 −2 −2 𝜆+1 2 2
𝜆𝐼 − 𝐴 = 𝜆 [0 1 0] − [ 1 2 1 ] = [ −1 𝜆−2 −1]
0 0 1 −1 −1 0 1 1 𝜆
Sea:
𝑑𝑒𝑡(𝜆𝐼 − 𝐴) = 0
𝜆+1 2 2
𝑑𝑒𝑡 [ −1 𝜆 − 2 −1] = 0
1 1 𝜆
𝜆3 − 2𝜆2 − 𝜆 + 1 + 2𝜆 − 2 − 2𝜆 + 2 = 0
𝜆3 − 2𝜆2 − 𝜆 + 1 = 0 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
Entonces
(𝜆 + 1)(𝜆 − 1)2 = 0
𝜆1 = −1, 𝜆2 = 1 .De modo que existen 2 eigenespacios de A.
Por definición,
𝑥1
𝑥
𝑥 = [ 2]
𝑥3
Es un eigenvector de A correspondiente a A si y sólo si x es una
solución no trivial de 𝑑𝑒𝑡(𝜆𝐼 − 𝐴); es decir, de
𝜆+1 2 2 𝑥1 0
[ −1 𝜆 − 2 −1] [𝑥2 ] = [0]
1 1 𝜆 𝑥3 0
Para 𝜆1 = −1
0 2 2 𝑥1 0
[−1 −3 −1] [𝑥2 ] = [0]
1 1 −1 𝑥3 0
1 0 −2 ⋮ 0
[0 1 1 ⋮ 0]
0 0 0 ⋮ 0
𝑥1 2𝑡 2
𝑥
[ 2 ] = [−𝑡] = 𝑡 [−1]
𝑥3 𝑡 1
2
∴ 𝑩𝟏 = {(−1)}
1
Para 𝜆2 = 1
2 2 2 𝑥1 0
[−1 −1 −1] [𝑥2 ] = [0]
1 1 1 𝑥3 0
−1 −1
∴ 𝑩𝟐 = {( 1 ) , ( 0 )}
0 1
−𝑥1 + 2𝑥2 = 0
5
− 𝑥1 + 5𝑥2 = 0
2
𝑥1 = 2𝑥2
𝑥1 1
𝑥1
[𝑥 ] = [1 ] = 𝑥1 [1]
2 𝑥
2 1 2
• ℷ = 1 ; (𝐴 − 𝐼)
−5 2 𝑦
1 0
[ 5 ][ ] = [ ]
− 1 𝑦2 0
2
−5𝑦1 + 2𝑦2 = 0
5
− 𝑦1 + 𝑦2 = 0
2
5
𝑦2 = 𝑦1
2
𝑦1 1
𝑦1
[𝑦 ] = [5 ] = 𝑦1 [5]
2 𝑦1
2 2
Por lo tanto, la solución general del sistema es
1 1
𝑋(𝑡) = 𝑥1 [1] 𝑒 −3𝑡 + 𝑦1 [5] 𝑒 𝑡
2 2
𝑥(𝑡) = 𝑥1 𝑒 −3𝑡 + 𝑦1 𝑒 𝑡
1 5
𝑦(𝑡) = 𝑥1 𝑒 −3𝑡 + 𝑦1 𝑒 𝑡
2 2
2. Encuentre la solución general de los sistemas dados:
x ′ = −x − y
3 3
𝑦 ′ = x − y + 3z
4 2
1 1 1
z′ = x + y − z
8 4 2
El sistema escrito en forma matricial:
−1 −1 0
𝑥′ 3 3 𝑥
− 3
[𝑦 ′ ] = 4 2 [𝑦]
𝑧′ 1 1 1 𝑧
[8 − ]
4 2
−1 −1 0
3 3
− 3
𝐴= 4 2
1 1 1
[8 − ]
4 2
−1 − ℷ −1 0
3 3
− −ℷ 3
(𝐴 − ℷ𝐼) = 4 2
1 1 1
[ 8 − − ℷ]
4 2
3 1 3 3 1 3
(−1 − ℷ) (( − ℷ) (− − ℷ) − ) − (−1) (( ) (− − ℷ) − ) = 0
2 2 4 4 2 8
3 1
(ℷ + 1) (ℷ + ) (ℷ + ) = 0
2 2
3 1
ℷ = −1 ℷ = − ℷ=−
2 2
ℷ = −1 ; (𝐴 + 𝐼)
0 −1 0
3 1 𝑥1 0
− 3 𝑥
4 2 [ 2 ] = [0]
1 1 1 𝑥3 0
[8 4 2]
𝑥2 = 0
3
𝑥 + 3𝑥2 = 0
4 1
𝑥1 = 4𝑥3
𝑥1 4𝑥3 4
[𝑥2 ] = [ 0 ] = 𝑥3 [0]
𝑥3 𝑥3 1
3 3
ℷ=− ; (𝐴 + 𝐼)
2 2
1
−1 0
2 𝑦1
3 0
0 𝑦
3 [ 2 ] = [ 0]
4 𝑦3 0
1 1
[8 1]
4
3
𝑦 + 3𝑦3 = 0
4 1
𝑦1 = −4𝑦3
1
𝑦 − 𝑦2 = 0
2 1
𝑦2 = −2𝑦3
𝑦1 −4𝑦3 −4
[𝑦2 ] = [−2𝑦3 ] = 𝑦3 [−2]
𝑦3 𝑦3 1
1 1
ℷ=− ; (𝐴 + 𝐼)
2 2
1
− −1 0
2 𝑧1
3 0
−1 3 [𝑧2 ] = [0]
4 𝑧3 0
1 1
[ 8 0]
4
1
− 𝑧1 − 𝑧2 = 0
2
𝑧1 = −2𝑧2
5
𝑧3 = 𝑧2
6
−2𝑧2 −2
𝑧1
𝑧2 1
[𝑧2 ] = [ ] = 𝑧2 [ 5 ]
𝑧3 5
𝑧
6 2 6
1 1
6
3. Consideremos la siguiente matriz 3x3
3 2 −1
𝐵 = [2 3 1]
0 0 5
3−ℷ 2 −1
[ 2 3−ℷ 1 ]=0
0 0 5−ℷ
(5 − ℷ)((3 − ℷ)2 − 4) = 0
ℷ = 5 ; (𝐴 − 5𝐼)
−2 2 −1 𝑥1 0
𝑥
[ 2 −2 1 ] [ 2 ] = [0]
0 0 0 𝑥3 0
−2𝑥1 + 2𝑥2 − 𝑥3 = 0
2𝑥1 − 2𝑥2 + 𝑥3 = 0
1 0
𝑆5 = 𝑔𝑒𝑛 {[ 0 ] , [1]}
−2 2
ℷ = 1 ; (𝐴 − 𝐼)
2 2 −1 𝑦1 0
[2 2 1 ] [𝑦2 ] = [0]
0 0 4 𝑦3 0
2𝑦1 + 2𝑦2 + 𝑦3 = 0
2𝑦1 + 2𝑦2 + 𝑦3 = 0
4𝑦3 = 0
1
𝑆1 = 𝑔𝑒𝑛 {[−1]}
0
1
𝑣3 = [−1]
0
Finalmente, los 3 autovectores:
1 0 1
𝑣1 = [ 0 ] ; 𝑣2 = [1] ; 𝑣3 = [−1]
−2 2 0
Donde 𝑣1 y 𝑣2 son autovectores asociados al autovalor ℷ = 5 y 𝑣3 es un autovalor asociado a
ℷ=1
4. Demuestre la siguiente propiedad para 𝐴 ∈ ℝ𝑛𝑥𝑛
ℷ = 0 es un autovalor de 𝐴 ↔ 𝐴 no es inversible
Consideremos una matriz que no tenga inversa. Por ejemplo, escribimos una matriz tal que la
fila 2 sea el doble de la fila 1:
1 2
𝐴=( )
2 4
Escribamos la ecuación característica y hallemos los autovalores:
𝑝𝐴 (ℷ) = (1 − ℷ)(4 − ℷ) − 4 = 0
ℷ2 − 5ℷ = 0
ℷ=0 ∨ℷ =5
En este caso particular hemos visto que una matriz no inversible tiene autovalor ℷ = 0. Pero
demostrar la propiedad.
Para demostrar esto hay que recordar que:
ℷ 𝑒𝑠 𝑢𝑛 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝐴 ↔ det(𝐴 − ℷ𝐼) = 0
Pero si ℷ = 0 entonces la afirmación queda:
0 es autovalor de 𝐴 ↔ det(𝐴 − 𝐼) = 0 ↔ 𝐴 no es inversible
1 1 2
5. a) Dada la matriz 𝐴 = [2 2 4] , hallar todos los valores de c para los cuales A es
0 0 𝑐
diagonizable.
b) Para c=0, hallar si es posible P inversible y D diagonal tales que: 𝑃− 𝐴𝑃 = 𝐷
Solución
Hallemos los autovalores de A, que son las raíces del polinomio característico:
1−ℷ 1 2
𝑝(ℷ) = det ( 2 2−ℷ 4 ) = (𝑐 − ℷ)((1 − ℷ)(2 − ℷ) − 2)
0 0 𝑐−ℷ
= (𝑐 − ℷ)(−3ℷ + ℷ2 ) = (𝑐 − ℷ)ℷ(−3 + ℷ)
Entonces los autovalores son:
ℷ=𝑐ℷ=0ℷ=3
Veamos como separar los distintos casos para realizar un análisis completo:
Caso 1: 𝑐 ≠ 0 𝑦 𝑐 ≠ 3
En este caso los 3 autovalores son distintos, y por lo tanto A es diagonizable.
Caso 2: 𝑐 = 3
En este caso los autovalores son: ℷ = 3(𝑑𝑜𝑏𝑙𝑒) y ℷ = 0
Nos tenemos que centrar en el autovalor doble: ¿qué dimensión tiene el autoespacio?
1−3 1 2 𝑥 0
[ 2 2−3 4 ] [ 𝑦 ] = [ 0]
0 0 3−3 𝑧 0
−2𝑥 + 𝑦 + 2𝑧 = 0
2𝑥 − 𝑦 + 4𝑧 = 0
𝑦 = 2𝑥 , 𝑧 = 0
Entonces:
1
𝑆3 = 𝑔𝑒𝑛 {[2]}
0
Como el autovalor es doble y el autoespacio tiene la dimensión 1, A no es diagonizable ¿Por
qué? Porque con un autovector de 𝑆3 y un autovector de 𝑆0 no podemos completar los 3
autovectores L.I. que necesitamos para armar P.
Caso 3: 𝑐 = 0
En este caso los autovalores son ℷ = 0 (𝑑𝑜𝑏𝑙𝑒) y ℷ = 3(𝑠𝑖𝑚𝑝𝑙𝑒)
Autoespacio asociado a ℷ = 0
1 1 2 𝑥 0
[ 2 2 4] [ 𝑦 ] = [ 0]
0 0 𝑐 𝑧 0
𝑥 + 𝑦 + 2𝑧 = 0
2𝑥 + 2𝑦 + 4𝑧 = 0
𝑥 + 𝑦 + 2𝑧 = 0 → (−𝑦 − 2𝑧, 𝑦, 𝑧)
−1 −2
𝑆0 = 𝑔𝑒𝑛 {[ 1 ] , [ 0 ]}
0 2
Como la dimensión del autoespacio coincide con la multiplicación algebraica del autovalor, A
es diagonizable. Si tomamos dos autovectores L.I. de 𝑆0 y un tercer autovector de 𝑆3 ,
tendremos los 3 autovectores LI necesarios para armar una P inversible tal que: 𝑃− 𝐴𝑃 = 𝐷,
como se pide en el item (b).
En conclusión, A es diagonizable ∀𝑐 ∈ ℝ − {3}
b) Nos falta hallar el autoespacio asociado a ℷ = 3
−2 1 2 𝑥 0
[ 2 −1 𝑦
4 ] [ ] = [0]
0 0 −3 𝑧 0
−2𝑥 + 𝑦 + 2𝑧 = 0
2𝑥 − 𝑦 + 4𝑧 = 0
−3𝑧 = 0
1 −1 −2 1 0 0 0
𝑆3 = 𝑔𝑒𝑛 {[2]} 𝑃 = [ 1 0 2] , 𝐷 = [0 0 0]
0 0 1 0 0 0 3
Se puede verificar que 𝑃− 𝐴𝑃 = 𝐷
6. Veamos si es posible diagonalizar la siguiente matriz:
3 1
𝐴=( )
2 2
Sus autovalores son:
ℷ = 4 ,ℷ = 1
¿Podemos asegurar que es diagonizable?
Si, porque hay una propiedad que dice que los autovectores asociados a autovalores
distintos son linealmente independientes.
Los autovectores son:
1 1
𝑣1 = [ ] ; 𝑣2 = [ ]
1 −2
Armamos la matriz P poniendo los autovalores como columnas:
1 1
𝑃=( )
1 −2
La inversa de P la obtenemos haciendo:
1
𝑃− = . 𝑎𝑑𝑗(𝑃)
det(𝑃)
Ahora hagamos el cálculo para obtener la matriz diagonal.
1 −2 −1 3 1 1 1 4 0
𝐷 = 𝑃− 𝐴𝑃 = − ( )( )( )=( )
3 −1 1 2 2 1 −2 0 1
7. Diagonalizar la siguiente matriz si es posible:
1 2 4
𝐵 = [2 1 −4]
0 0 3
ℷ = 3(𝑑𝑜𝑏𝑙𝑒) ∨ ℷ = −1
Atención: es un error muy común superior que la existencia de un autovalor doble implica
2 2 4 𝑥 0
[2 2 −4] [𝑦] = [0]
0 0 4 𝑧 0
1
𝑆−1 = 𝑔𝑒𝑛 {[−1]}
0
−1 0 0
𝑃− 𝐴𝑃 = 𝐷=[ 0 3 0]
0 0 3
El orden de los autovalores en D es el mismo orden que de los autovectores en las columnas
de P. Por ejemplo si construimos la matriz así:
1 1 1
𝑃 = [1 −1 −1]
0 1 0
Verifique que la matriz D queda:
3 0 0
𝐷 = [0 3 0]
0 0 −1
8. Consideremos la matriz simétrica:
1 2
𝐴=( )
2 4
Vamos a hacer una diagonalización ortogonal de esta matriz. Los autovalores son:
ℷ=0 ∨ℷ =5
El autoespacio asociado es ℷ = 5 queda:
−4 2 𝑥 0 1
( ) . [ ] = ( ) → 𝑆5 = 𝑔𝑒𝑛 {[ ]}
2 0 𝑦 0 2
1 2
−
𝑃= √5 √5
2 1
(√5 √5 )
Esta matriz es ortogonal: 𝑄 𝑇 = 𝑄 −
Entonces la diagonalización ortogonal de la matriz A queda:
5 0
𝑄 − 𝐴𝑄 = 𝑄 𝑇 𝐴𝑄 = 𝐷 = ( )
0 0
9. 𝑇: ℝ2 → ℝ2 |𝑇((𝑥, 𝑦)) = (𝑥 + 2𝑦, 3𝑦)
Hallar autovectores y autovalores de T, y analizar si es diagonalizable.
Solución
1. Buscamos la matriz de T en la base canónica.
1 2
𝐴 = 𝑀(𝑇)𝐸𝐸 = ( )
0 3
2. Buscamos autovalores y autovectores de A
ℷ=1 ∨ℷ =3
1
𝑆1 = 𝑔𝑒𝑛 {[ ]}
0
1
𝑆3 = 𝑔𝑒𝑛 {[ ]}
1
3. A es diagonalizable, con
1 1 1 0
𝑃=( ) 𝑦 𝐷 = 𝑃− 𝐴𝑃 = ( )
0 1 0 3
Veamos que representa D:
𝐵 = {(1,0)(1,1)} es una base de ℝ2 formada por autovectores de T, ¿Cómo se busca la matriz
asociada a una transformación lineal?
𝑀(𝑇)𝐸𝐸 = ([𝑇(𝑣1 )]𝐵 [𝑇(𝑣2 )]𝐵 )
Entonces esas coordenadas son:
1
𝑇((1,0)) = (1,0) = 1. (1,0) + 0. (1,1) → [(1,0)]𝐵 = ( )
0
0
𝑇((1,1)) = (3,3) = 0. (1,0) + 3. (1,1) → [(3,3)]𝐵 = ( )
3
Así que la matriz queda:
1 0
𝑀(𝑇)𝐸𝐸 = ( )=𝐷
0 3
ESTADO TENSIONAL DE UN PRISMA MACANICO
Objetivo: Calcular las tensiones que se producen en una máquina o una estructura al aplicarle
un determinado sistema de fuerzas exteriores.
Con objeto de estudiar los sólidos elásticos se crea un modelo teórico que se denomina prisma
mecánico.
Definición: Llamaremos prisma mecánico al sólido engendrado por una sección plana Σ de área
Ω cuyo centro de gravedad G describe una curva c llamada línea media o directriz, siendo el
plano que contiene a Σ normal a la curva.
Barra. Se llama así al prisma mecánico cuyas dimensiones de la sección transversal son
pequeñas, en comparación con la longitud de la línea media. Es el más utilizado en la mayoría
de las estructuras de las obras
En estructuras metálicas las secciones más usuales son el perfil laminado doble te I en vigas, o
dos secciones en U soldadas en pilares.
Supondremos un prisma mecánico sometido a una fuerza exterior e imaginémoslo cortado
idealmente en dos partes A y B por medio de un plano π.
𝑑𝑓
𝜎=
𝑑Ω
⃗⃗⃗⃗ y su modulo representa la
Como se ve en la figura, la tensión 𝜎 es un vector colineal con 𝑑𝑓
magnitud del esfuerzo interior ejercido en la sección ∑ por unidad de superficie.
Si ahora consideramos el entorno paralelepípedo de un punto P interior del prisma, de aristas
paralelas a los ejes de un sistema cartesiano 𝑂𝑥𝑦𝑧 , sobre cada una de sus caras existe un
vector tensión cuyas componentes intrínsecas normales tendrán las direcciones de los ejes
coordenados respectivos, y las tangenciales se podrán descomponer a su vez en las direcciones
de los ejes paralelos a la cara que se considere.
𝜎𝑛𝑖 (𝑖 = 𝑥, 𝑦, 𝑧)
Donde el índice 𝑖 indica el eje al cual son paralelas y convendremos en asignarles signo positivo
si son de tracción y negativo si se trata de compresión.
𝜏𝑖𝑗 (𝑖, 𝑗 = 𝑥, 𝑦, 𝑧) 𝑖 ≠ 𝑗
𝜎(𝜎𝑥 , 𝜎𝑦 , 𝜎𝑧 )
𝑢
⃗ (𝛼, 𝛽, 𝛾)
Mediante la expresión
[𝜎] = [𝑇][𝑢
⃗]
Que indica que la matriz del vector tensión correspondiente a un determinado plano se
obtiene se obtiene multiplicando la matriz
Denominada “matriz de tensiones”, por la matriz vector unitario normal a dicho plano.
De los infinitos planos de radiación de vértice el punto 𝑃 existen tres, ortogonales entre sí,
para los cuales los vectores de tensión correspondientes son normales a ellos, careciendo, por
tanto, de componente tangencial.
Los vectores unitarios que definen estas tres direcciones, llamadas “direcciones principales” se
obtienen resolviendo el sistema de ecuaciones
Las raíces de la ecuación, que no son otra cosa que los valores propios de la matriz de
tensiones [𝑇], reciben el nombre de “tensiones principales”. Son las tensiones
correspondientes a los planos normales a las direcciones principales.
El lugar geométrico de los extremos de los vectores tensión para infinidad de planos de
radiación de vértice el punto que se considera es un elipsoide llamado “elipsoide de tensiones
o elipsoide de Lamé”. Su ecuación referida a un sistema de ejes coincidentes con las
direcciones principales, es
𝑥2 𝑦2 𝑧2
+ + =1
𝜎12 𝜎22 𝜎32
2 1 1
A = (2 3 3)
3 3 4
Solución
Los valores propios son las raíces del polinomio característico, que es
2 1 1 𝑥 𝑥
(2 3 2 ) ( 𝑦 ) = 7 ( 𝑦 )
3 3 4 𝑧 𝑧
2𝑥 𝑦 𝑧 𝑥 −5𝑥 +𝑦 +𝑧
(2𝑥 3𝑦 2𝑧) − 7 (𝑦) = (+2𝑥 −4𝑦 +2𝑧) = 0
3𝑥 3𝑦 4𝑧 𝑧 +3𝑥 +3𝑦 −3𝑧
Asi que
z = 3x
Multiplicando la primera por 3, y sumándola a la tercera, obtenemos
12x +6y = 0
Así que
y = 2x
Por tanto, los vectores propios son t (1;2;3) con t ≠ 0
Para calcular los vectores propios, correspondientes
al valor propio 1, debemos resolver el sistema de
ecuaciones.
2 1 1 𝑥 𝑥
(2 3 2 ) ( 𝑦 ) = 7 ( 𝑦 )
3 3 4 𝑧 𝑧
2𝑥 𝑦 𝑧 𝑥 +𝑥 +𝑦 +𝑧
(2𝑥 3𝑦 2𝑧) − (𝑦) = ( +2𝑥 +2𝑦 +2𝑧) = 0
3𝑥 3𝑦 4𝑧 𝑧 +3𝑥 +3𝑦 +3𝑧
Resumen:
7 t(1;2;3) con t = 06 1
2.- Calcular los valores propios reales λ y los subespacios fundamentales V (λ)
para f ∈ End (R3) definido por f ((x, y, z)) = (−x − z, −7x + 4y + 13z, x − 3z).
Solución. Sabemos que los valores propios son las raíces del polinomio
característico y ´este viene dado por el polinomio característico de cualquier
matriz asociada a f. Empleando la notación por filas, si elegimos la matriz
asociada a f respecto de la base canónica, ´esta viene dada por:
Solución.
(ii) Para cada valor propio λ, se verifica dim (VA(λ)) = m(λ). Para
la matriz su
El polinomio característico de B es
Ahora,
= {(x y z) ∈ R3|x + y + 2z = 0}
dim(VB(4)) = 1 = m(4).
diagonal .
Ejercicio numero 6
condiciones siguientes:
,
VENTURA CHACALLA, Bryan Maurici
Luego, f es
Ejercicio número 7
Pero, dim (VA (2)) = 1 se cumple ya que al ser 2 valor propio sabemos que 1 ≤
dim (VA (2)) ≤ m (2) = 1. Por consiguiente sólo queda calcular los valores de a
sí a =
= {(x y z) | − y + z = 0 = a x} = {{{((0x y yy y)) 0 si a
||yx,y∈ R∈}R} = 0̸
= {(x y z) | − x − y + z = 0 = −y}
= {(x 0 x) |x ∈ R}
Entonces, P será la matriz que lleva en sus filas tres vectores propios
linealmente independientes colocados en el mismo orden que los valores
propios a los que están asociados en la forma diagonal. En
concreto, . Entonces,
.
VENTURA CHACALLA , BRYAN MAURICIO
Solución. Para que fa,b sea diagonalizable debe cumplir que su polinomio
característico se escinda y que para cada valor propio λ las multiplicidades
algebraicas y geométricas sean iguales. Para calcular el polinomio
característico de f necesitamos hallar una matriz asociada a f y determinar el
polinomio característico de ´esta. Por ejemplo, si tomamos la base canónica de
R3 la matriz asociada a f, empleando la notación por filas, viene dada por
su forma diagonal es .
Ejercicio número 9
1 2
vectores propios de la matriz de coeficientes A= ( ) , mediante solución de
4 3
1− λ 2
la ecuación característica det(𝐴 − λI) = ( ) = ( λ − 5)( λ + 1) =
4 3− λ
0 , 𝑑𝑒 𝑑𝑜𝑛𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 𝑠𝑜𝑛 𝑑𝑒
λ1 = 5 , λ2 = −1.
−4 2 𝐾1
Para λ1 = 5 , 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 (𝐴 − 5𝐼)𝑘 = 0 𝑒𝑠 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ( )( ) =
4 −2 𝐾2
0
( ) 𝑟𝑒𝑠𝑜𝑙𝑣𝑖𝑒𝑛𝑑𝑜
0
𝐾1 𝐾1 1
Resulta K2 = 2K1 , luego ( )=( ) = 𝐾1 ( ), así el vector propio
𝐾2 2𝐾1 2
correspondiente al valor
VENTURA CHACALLA , BRYAN MAURICIO
1
propio λ1 = 5 es 𝐾1 = ( ) , y la solución asociada a este valor propio es 𝑋1 =
2
1
( ), y la
2
1
solución a este valor es 𝑋1(𝑡) = ( ) 𝑒 5𝑡 de manera análoga , el vector propio
2
corresponde al valor propio λ2 = −1 𝑒𝑠 𝐾2 =
−1 −1
( ) , 𝑦 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑎 𝑒𝑠𝑡𝑒 𝑣𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 𝑒𝑠 X2 (t) = ( ) 𝑒 𝑡 por lo
1 1
tanto la solución general del sistema es
1 −1
𝑋(𝑡) = 𝐶1 ( ) 𝑒 5𝑡 + 𝐶2 ( ) 𝑒 −𝑡 ↔ 𝑥(𝑡) = 𝐶1𝑒 5𝑡 − 𝐶2𝑒 −𝑡 y Y(t) = 2𝐶1. 𝑒 5𝑡 +
2 1
−𝑡
𝐶2. 𝑒
Ejercicio número 10
1 2
vectores propios de la matriz de coeficientes A= ( ) , mediante solución de
4 3
1− λ 2
la ecuación característica det(𝐴 − λI) = ( ) = ( λ − 5)( λ + 1) =
4 3− λ
0 , 𝑑𝑒 𝑑𝑜𝑛𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 𝑠𝑜𝑛 𝑑𝑒
VENTURA CHACALLA, BRYAN MAURICIO
λ1 = 5 , λ2 = −1.
−4 2 𝐾1
Para λ1 = 5 , 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 (𝐴 − 5𝐼)𝑘 = 0 𝑒𝑠 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ( )( ) =
4 −2 𝐾2
0
( ) 𝑟𝑒𝑠𝑜𝑙𝑣𝑖𝑒𝑛𝑑𝑜
0
𝐾1 𝐾1 1
Resulta K2 = 2K1 , luego ( )=( ) = 𝐾1 ( ), así el vector propio
𝐾2 2𝐾1 2
correspondiente al valor
1
propio λ1 = 5 es 𝐾1 = ( ) , y la solución asociada a este valor propio es 𝑋1 =
2
1
( ), y la
2
1
solución a este valor es 𝑋1(𝑡) = ( ) 𝑒 5𝑡 de manera análoga , el vector propio
2
corresponde al valor propio λ2 = −1 𝑒𝑠 𝐾2 =
−1 −1
( ) , 𝑦 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑎 𝑒𝑠𝑡𝑒 𝑣𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 𝑒𝑠 X2 (t) = ( ) 𝑒 𝑡 por lo
1 1
tanto la solución general del sistema es
1 −1
𝑋(𝑡) = 𝐶1 ( ) 𝑒 5𝑡 + 𝐶2 ( ) 𝑒 −𝑡 ↔ 𝑥(𝑡) = 𝐶1𝑒 5𝑡 − 𝐶2𝑒 −𝑡 y Y(t) = 2𝐶1. 𝑒 5𝑡 +
2 1
𝐶2. 𝑒 −𝑡
SUCASACA MIRAMIRA CARLOS
EJERCICIO 1 Calcule una matriz P tal que P−1AP sea diagonal, para
y los auto valores son λ1 = 2,λ2 = 0,λ3 = 3,λ4 = 1 (da igual el orden en que los
tomemos), todos de multiplicidad algebraica igual a 1. Esto significa que A es
diagonalizable. Calculemos los espacios de autovectores asociado a cada autovalor.
λ1 = 2.
λ2 = 0.
λ3 = 3.
λ4 = 1.
Entonces la
matriz de paso es
P = v1
v2 v3 v
.
SUCASACA MIRAMIRA CARLOS
−4 −3 −3
𝐴 = ( 0 −1 0 )
6 6 5
Calcule una matriz P no singular tal que P−1AP sea una matriz diagonal.
𝜆+4 3 3
𝑑𝑒𝑡(𝜆𝐼 − 𝐴) = [ 0 𝜆+1 0 ]
−6 −6 𝜆−5
𝜆+4 3
= (𝜆 + 1)𝑑𝑒𝑡 [ ].
−6 𝜆−5
1
6 3 3 𝑟𝑟𝑒𝑓 1 0
2
𝜆1 𝐼 − 𝐴 = [ 0 3 0 ] → [ 0 1 0]
−6 −6 −3 0 0 0
de donde
−1
(𝜆 )
𝑉1 1 = 𝑛𝑢𝑙𝑙(𝜆1 𝐼 − 𝐴) =< 𝑣1 = ( 0 ) >, 𝑦 𝑞1
2
= 𝑑𝑖𝑚𝑉1 (𝜆1 ) = 1
3 3 3
𝜆2 𝐼 − 𝐴 = [ 0 0 0]
−6 −6 −6
1 1 1
→ [0 0 0]
0 0 0
Y entonces
−1 −1
𝑉1 (𝜆2 ) = 𝑛𝑢𝑙𝑙(𝜆2 𝐼 − 𝐴) =< 𝑣2 = ( 0 ) , 𝑣3 = ( 1 ) >, 𝑦 𝑞2 =
1 0
𝑑𝑖𝑚𝑉1 (𝜆2 ) = 2.
Por tanto, la matriz P formada por las columnas determinadas por los autovectores
v1,v2 y v3 es una matriz de paso tal que P−1AP = diag(λ1,λ2,λ2):
2
𝑃 = (𝑣1, 𝑣2 , 𝑣3 ), 𝑦 𝑃−1 𝐴𝑃 = ( −1 )
−1
SUCASACA MIRAMIRA CARLOS
7 1
𝐴 = ( 5 5)
1
−1
2
7 1
−𝜆
𝑑𝑒𝑡(𝜆𝐼 − 𝐴) = 𝑑𝑒𝑡 [5 5 ] = 9 − 19 𝜆 + 𝜆2
1 10 10
−1 −𝜆
2
9
= (𝜆 − 1) (𝜆 − )
10
λ1 = 1.
−2 −1
1 1
𝜆1 𝐼 − 𝐴 = [ 5 5 ] 𝑟𝑟𝑒𝑓
→ [1 2] ; ⇒ 𝑛𝑢𝑙𝑙(𝜆1 𝐼 − 𝐴) =< 𝑣1 = [− 2]
1
1 0 0 1
2
9
𝜆2 =
10
−1 −1
1 2
𝜆2 𝐼 − 𝐴 = [ 2 5 ] 𝑟𝑟𝑒𝑓
→ [1 5] ; ⇒ 𝑛𝑢𝑙𝑙(𝜆2 𝐼 − 𝐴) =< 𝑣1 = [− 5]
2
1 0 0 1
2
Entonces
1 0 −1 −2
𝐷 = (0 9) = 𝑃−1 𝐴𝑃; 𝑑𝑜𝑛𝑑𝑒 𝑃 = (𝑣1 𝑣2 ) = [ 2 5 ].
10 1 1
−1 −2
1 0 −10 −4 5 2
lim 𝐴𝑛 = 𝑃 ( lim 𝐷 𝑛 ) 𝑃−1 = [ 2 5 ]( )[ ]=[ ].
𝑛→∞ 𝑛→∞
1 1 0 0 10 5 −10 −4
.
SUCASACA MIRAMIRA CARLOS
8 −2 2
𝐴 = [−2 5 4]
2 4 5
Sus autovalores son λ1 = 0,λ2 = 9. Calcule una matriz ortogonal P tal que P AP sea
diagonal.
Solución Como la matriz es simétrica, tenemos garantía de que existe dicha matriz
ortogonal. Calculemos los espacios de autovectores asociados a cada autovalor.
λ1 = 0.
8 −2 2 𝑥1 0
𝑉1 (𝜆1 ) = 𝑛𝑢𝑙𝑙(𝜆1 𝐼 − 𝐴) ⇒ [−2 5 4] (𝑥2 ) = (0).
2 4 5 𝑥3 0
1 −1
8 −2 2 𝑟𝑟𝑒𝑓 1 0 𝑥1 = 2 𝑥3
2
[−2 5 4] → [0 1 ] {
1 𝑥2 = −𝑥3 ,
2 4 5 0 0 0 𝑥3 = 𝑥3
Entonces
−1
2
𝑉1 (𝜆1 ) =< 𝑣11 = [−1] >
1
−1
3
1 −2
𝑞11 = ‖𝑣 𝑣11 = .
11 ‖ 3
2
[3]
λ2 = 9.
𝑉1 (𝜆2 ) =
−1 −2 2 𝑥1 0
𝑛𝑢𝑙𝑙(𝜆2 𝐼 − 𝐴) ⇒ [−2 −4 4 ] (𝑥2 ) = (0).
2 4 −4 𝑥3 0
Entonces
−2 2
𝑉1 (𝜆2 ) =< 𝑣21 = [ 1 ] 𝑣22 = [0] >
0 1
𝑞 , 21 = 𝑣21 ,
𝑞 , 22 =
(𝑣22 )(𝑞,21 ) 4
𝑣22 − 𝜇𝑞 , 21 ; 𝜇 = = −5
(𝑞, 21 )(𝑞, 21 )
2
5
𝑞 , 22 = 4
5
[ 1]
𝑞21 =
−2
5√5
1
𝑞 , 21 = [ 1 ]
‖𝑞, 21 ‖
5√5
0
𝑞22 =
2
15√5
1 4
𝑞 , 22 =
‖𝑞, 22 ‖ 15√5
1
[ 3√5 ]
𝟐 𝟎 𝟏 𝟎
𝟎 𝟐 𝟎 𝟏
𝑨=𝑨=( )
𝟏 𝟎 𝟐 𝟎
𝟎 𝟏 𝟎 𝟐
2. Sabiendo que los autovalores de A son 1 y 3, halle una matriz de paso ortogonal.
𝟐 𝟎 𝟏 𝟎 𝒙𝟏
𝟎 𝟐 𝟎 𝟏 𝒙𝒛
𝑉1 (𝜆1 ) = 𝑛𝑢𝑙𝑙(𝐴 − 𝜆1 𝐼) ⇒ 𝑨 = ( )[ ] =
𝟏 𝟎 𝟐 𝟎 𝒙𝟑
𝟎 𝟏 𝟎 𝟐 𝒙𝟒
𝟎
𝟎
( ).
𝟎
𝟎
Entonces
.
q ,
q v • q11′
,
,q
q ,
,q
togonal) y obtener, basándose en ella, una matriz normal A que tenga por
autovalores 2 y 3i. Calcular la conmutatriz de A y comprobar que sus componentes
hermıticas conmutan.
Solucion:´
Si A debe ser normal y ha de tener los autovalores 2 y 3i, tiene que ser
diagonalizable unitariamente y, la matriz diagonal tendr´a a los autovalores en su
diagonal.
Solución Como es una matriz triangular, los autovalores son los elementos de la
diagonal, esto es, λ1 = 2, con multiplicidad algebraica m1 = 2, y λ1 = 1, con multiplicidad
algebraica m2 = 1. El carácter diagonalizable lo determina la multiplicidad geométrica
de λ1, pues la de λ2 sabemos que es 1.
Si a 6= 0, entonces
y el espacio de soluciones es
f(0) =
0
α0 +
β0,
f(1) =
1
α03 +
β02,
f(0) =
0
=
α0 +
β0,
f(1) =
1
α02 +
β04,
f(0) = 1 = α0 + β0,
n = 2, 3 = c1 + (c2 + 2c3)22,
n = 3, 5 = c1 + (c2 + 3c3)23,
n = 5, 7 = c1 + (c2 + 5c3)25.
El Sistema a resolver es
cuya solución es
SUCASACA MIRAMIRA CARLOS
,
autovalores λ1 = 90,λ2 = 0.
3. Autovectores de λ1.
4. Autovectores de λ2.
De nuevo, basta normalizar para obtener una base ortonormal del espacio de
autovectores:
v .
V = v1 v .
6. Como r = 1, calculamos
u .
7. Completamos {u1} a una base ortonormal de R3. Para ello, obtenemos una base
de hu1i⊥:
,
SUCASACA MIRAMIRA CARLOS
1. Autovalores de AtA.
σ1 = p⇒λ1
= √85, σ2 =
0
rango(A)
= r = 1.
λ1 = 85.
,
Espacio de autovectores
G-S
v .
λ2 = 0.
G-S
1. Matriz V .
V = v1 v
2. Vectores ui.
u .
4. Matriz U.
U = u1 u .
Solución 1. La matriz
Autovalor λ1.
v .
Autovalor λ2.
.
v .
Entonces V = v .
u .
Ahora hay que ampliar u1 a una base ortonormal de R3. Para ello, obtenemos
una base del espacio hu1i⊥.
q ,
,
λ
z
•
q .
Por ultimo,
u ,
A = UΣV t.
2. La matriz B = AtA es singular, pues tiene el autovalor cero. Por tanto, no tiene
sentido calcular su número de condición.
SUCASACA MIRAMIRA CARLOS
EJERCICIO 14 Calcule una matriz ortogonal P tal que PtAP es diagonal, para
Solución Como A es simétrica, existe tal matriz P. Para calcularla, basta obtener una
base de autovectores ortonormalizados para cada autovalor. Los autovalores de la
matriz A son λ1 = 3,λ2 = 1, ambos con multiplicidad igual a dos.
null (.
v ,
null (.
Como antes, ya estos generadores son ortogonales entre s´ı, y basta entonces
considerar
v ,
EJERCICIO 15
𝟎 −𝟏
Sea la matriz 𝑨 = [ ], calcular los autovalores de A
𝟐 𝟑
SOLUCION
𝟎−𝝀 −𝟏
𝒑(𝝀) = 𝐝𝐞𝐭(𝑨 − 𝝀𝑰) = 𝒅𝒆𝒕 [ ] = (−𝝀)(𝟑 − 𝝀) + 𝟐 = (𝝀 − 𝟏)(𝝀 −
𝟐 𝟑−𝝀
𝟐),
EJERCICIO 16
𝟏 𝟐 𝟏
Dada la matriz A determinar, 𝑨 = [𝟎 𝟏 𝟑]
𝟐 𝟏 𝟏
SOLUCION
𝟏−𝝀 𝟐 𝟏
𝐝𝐞𝐭(𝑨 − 𝝀𝑰) = 𝒅𝒆𝒕 [ 𝟎 𝟏−𝝀 𝟑 ] = −𝝀𝟑 + 𝟑𝝀𝟐 + 𝟐𝝀 + 𝟖 = 𝟎,
𝟐 𝟏 𝟏−𝝀
𝟏 √𝟕 𝟏 √𝟕
Siendo sus raíces {𝟒; − 𝟐 + 𝟐 𝒊; − 𝟐 − 𝟐 𝒊} , esto lustra el hecho de que los
valores propios de una matriz real no son necesariamente números
reales. Debemos decir que la metodología anterior es la directa y es la
mejor cuando se trata de matrices pequeñas.
SUCASACA MIRAMIRA CARLOS
En la nueva matriz A1, el elemento de la posicion (1,1) es mayor que cero, y podemos
continuar.
.
El elemento A3[4,4] es mayor que cero, y podemos decir que A es simétrica definida
positiva. Ahora hay que dividir cada fila por la raíz cuadrada del término diagonal.
Procedemos de forma análoga con la matriz B. El elemento B11 es mayor que cero, y
empezamos el proceso.
El elemento B2[3,3] es mayor que cero, por lo que la matriz B es definida positiva.
Ahora dividimos cada fila por la ra´ız cuadrada del término diagonal:
El elemento C2[3,3] es menor que cero, por lo que la matriz C no es definida positiva.
EJERCICIO 18
t
R, entonces Pruebe que si A es simétrica definida positiva .An×n es una matriz real
para la que existe Rn×n triangular superior y no singular, con A = R
i=1
EJERCICIO 19
20 4 5
𝐴=(4 2 3)
5 3 5
Entonces
SUCASACA MIRAMIRA CARLOS
EJERCICIO 21
En conclusión, para que la matriz A sea definida positiva es necesario que α > 2/3. En
tal caso, la factorización de
Cholesky es igual a multiplicar la
matriz A2 por la matriz que
resulta
.
7. Bibliografía
NAGLE, R. K.; SAFF, E. B.: Fundamentos de Ecuaciones Diferenciales. Editorial Addison-
Wesley. Iberoamericana. España. 1992
LOPEZ L.; ACERO I. Ecuaciones diferenciales teoría y problemas. Editorial Tébar. España
2007
http://www.matematicaaplicada2.es/data/pdf/1355483599_1789516930.pdf