Álgebra III

Tarea 1

Última modificación: Octubre 7, 2021

Nombre:_____________________________________ Firma:______________

Instrucciones: Responda clara y apropiadamente. Soluciones incompletas

o confusas recibirán crédito parcial o nulo, aún si parecieran correctas.
1. (10 pts) Sea A una matriz en la cual la suma de las entradas de cada
columna es una constante fija δ. Muestre que δ es un eigenvalor de A.


2. (10 pts) Sea p(λ) = (−1)n λn − an−1 λn−1 − ... − a1 λ − a0 un poli-
nomio de grado n ≥ 1, y sea
 
an−1 an−2 · · · a1 a0
 1
 0 ··· 0 0  
C=
 0 1 ··· 0 0  
 .. .. .. .. .. 
 . . . . . 
0 0 ··· 1 0

(a) Muestre que si λi es una raíz de p(λ) = 0 entonces λi es un eigenvalor

T
de C con eigenvector x = λn−1 i , λn−2
i , ..., λi , 1
(b) Use (a) para mostrar que si p(λ) tiene n distintas raices entonces p(λ)
es el polinomio característico de C. Nota: La matriz C se llama la
matriz acompañante de p(λ).

3. (10 pts) Sean h y f eigenvector y eigenvector generalizado de A asociados

a λ, esto es, (A − λI)h = 0 y (A − λI)f = h. Muestre que para cualquier
polinomio q(x), q(A)f = q(λ)f + q 0 (λ)h donde q 0 (x) es la derivada de q(x).
4. (10 pts) Resuelva el problema de valor inicial:

y10 = y1 − 2y2 , y1 (0) = 1

y20 = 2y1 + y2 , y2 (0) = −2

pts) Use el proceso de diagonalización para encontrar A100 donde

5. (10 
2 −8
A= .
1 −4

1
 6. (10 pts) Use el proceso de diagonalización
 para encontrar una matriz B
2 1
tal que B 2 = A donde A = .
−2 −1
 
a 1 0
7. (5 pts) Muestre que cualquier matriz 3 × 3 de la forma  0 a 1  es
0 0 b
defectuosa.
 
3 4
8. (10 pts) Calcule eA para la matriz A = .
−2 −3

9. (10 pts) Encuentre

 una matriz
 ortogonal o unitaria que diagonaliza la
1 3+i
matriz A = .
3−i 4
 
4 0 0
10. (10 pts) Dada A =  0 1 i  encuentre una matriz B tal que
0 −i 1
B H B = A.
11. (Matlab 5 pts) Construya una matriz simétrica A haciendo A = round(5∗
rand(6)); A = A + A0 ; Calcule los eigenvalores de A haciendo e = eig(A);
(a) La traza de A puede ser calculada usando el comando MATLAB
trace(A); y la suma de los eigenvalores de A se puede calcular con
el comando sum(e); Calcule ambas cantidades y comparelas. Use el
comando prod(e); para calcular el producto de los eigenvalores de A
y compare el resultado con det(A);
(b) Calcule los eigenvectores de A haciendo [X, D] = eig(A); Use MAT-
LAB para calcular X −1 AX y compare el resultado con D. Calcule
también A−1 y XD−1 X −1 y compare los resultados.

2
11. Ejercicios de matlab :Algebra lineal
A=(round(5*rand(6)));
A=A+A';
e=eig(A);

a)Ejercicio 1

tr=trace(A);
eig_suma=sum(e);
fprintf("La traza es:%f\nLa suma de los eigenvalores es:%f\n",tr,eig_suma);

La traza es:22.000000
La suma de los eigenvalores es:22.000000

Compare ambos resultados:

Notemos que el valor de la traza es igual a la suma de los eigenvalores esto sucede debido a que el polinomio
caracteristico de la matriz A esta formado por

Recurriendo a que las raices de un polinomio caracterisco se pueden obtener de una factorizacion de monios
tales que sus numeros sumados nos den la traza y multiplicados el determinante y ademas recordemos que
estos numeros son los eigenvalores de la matriz, es por ello que la traza de A coincide con la suma de los
eigenvalores.

eig_pro=prod(e);
det_MA=det(A);
fprintf("El determinante es:%f\nEl producto de los eigenvalores es:%f\n",det_MA,eig_pro);

El determinante es:28671.000000
El producto de los eigenvalores es:28671.000000

Compare ambos resultados:

El valor del determinante es igual al producto de los eigenvalores esto sucede debido a que el polinomio
caracteristico de la matriz A esta formado por

Recurriendo a que las raices de un polinomio caracterisco se pueden obtener de una factorizacion de monios
tales que sus numeros sumados nos den la traza y multiplicados el determinante y ademas recordemos que
estos numeros son los eigenvalores de la matriz, es por ello que el determinate de A coincide con el producto
de los eigenvalores .

b)Ejercicio 2

[X,D]=eig(A);
fprintf("X^{-1}AX:\n")

X^{-1}AX:

disp(X\A*X)

1
 -12.3577 0.0000 0.0000 0.0000 -0.0000 0.0000
0.0000 -3.1861 -0.0000 0.0000 0.0000 -0.0000
0.0000 -0.0000 0.9767 -0.0000 -0.0000 -0.0000
0.0000 -0.0000 0.0000 5.1987 0.0000 -0.0000
0 -0.0000 -0.0000 0.0000 5.5559 -0.0000
0.0000 -0.0000 -0.0000 -0.0000 -0.0000 25.8126

fprintf("D:\n")

D:

disp(D)

-12.3577 0 0 0 0 0
0 -3.1861 0 0 0 0
0 0 0.9767 0 0 0
0 0 0 5.1987 0 0
0 0 0 0 5.5559 0
0 0 0 0 0 25.8126

Compare ambos resultados:

La matriz es igual a la matriz D, se puede ver que la matriz contiene entradas -0.0 las cuales
no son relevantes o no crean una diferencia entre las matrices debido a que el 0 no tiene signo y esto solo se
debe al manejo de datos del programa.

Teoricamente sabemos que se cumple que: si despejamos a la matriz D se conserva la igualdad

asi que .Por lo tanto estas matrices deben ser iguales como lo muestra el programa.

fprintf("A^{-1}:\n")

A^{-1}:

disp(inv(A))

0.6642 -0.0472 -0.1668 0.0792 -0.3447 0.1581

-0.0472 -0.0693 0.1476 -0.0833 -0.0048 0.0702
-0.1668 0.1476 0.0917 -0.0460 0.0828 -0.1421
0.0792 -0.0833 -0.0460 -0.0317 -0.0370 0.1992
-0.3447 -0.0048 0.0828 -0.0370 0.3521 -0.1945
0.1581 0.0702 -0.1421 0.1992 -0.1945 0.0331

fprintf("XD^{-1}X^{-1}:\n")

XD^{-1}X^{-1}:

disp(X * inv(D)* inv(X))

0.6642 -0.0472 -0.1668 0.0792 -0.3447 0.1581

-0.0472 -0.0693 0.1476 -0.0833 -0.0048 0.0702
-0.1668 0.1476 0.0917 -0.0460 0.0828 -0.1421
0.0792 -0.0833 -0.0460 -0.0317 -0.0370 0.1992
-0.3447 -0.0048 0.0828 -0.0370 0.3521 -0.1945
0.1581 0.0702 -0.1421 0.1992 -0.1945 0.0331

Compare ambos resultados:

2
Notemos que ambas matrices coinciden esto es correcto y se respalda con el conocimiento teorico ya
que sabemos que entonces si le aplicamos la inversa a ambos lados de la igualdad obtenemos

por lo tanto ambas matrices son iguales como lo muestra el programa.