Beruflich Dokumente
Kultur Dokumente
En contextos como Sistemas Dinmicos o procesos de cadenas de Markov es preciso conocer la forma general de una potencia o la exponencial de una matriz cuadrada A, lo que no resulta fcil de obtener a no ser que la matriz sea diagonal o diagonal por bloques. Pero si A se puede expresar como producto de tres matrices en la forma A=PDP-1 con D diagonal a 0 L 0 0 b L 0 1 A = P P M M M 0 0 L c entonces: a 0 k A = P M 0 ak 0 = P M 0 0 L 0 b L 0 1 P = M M 0 L c 0 L 0 b k L 0 1 P M M 0 L ck
k
En este tema se abordar la diagonalizacin de una matriz cuadrada A, es decir ser posible encontrar bajo determinadas circunstancias, si A=PDP-1 con D diagonal. Para ello es necesario manejar los conceptos de aplicacin lineal, matriz asociada a una aplicacin lineal y vector y valor propio.
1. Aplicaciones lineales
Sea f : IR n IR m una aplicacin de IRn en IRm que a todo vector x IR n asocia un vector y IR m . Se escribe entonces y = f ( x) .
Se dice que f es una aplicacin lineal si se cumplen las dos condiciones siguientes:
Es condicin necesaria y suficiente para que una aplicacin f : IR n IR m sea una aplicacin lineal que se cumpla:
()
()
ii) iii) La imagen por f de un subespacio vectorial de IRn es un subespacio vectorial de IRm. Esto es, si U IRn es un subespacio vectorial de IRn , entonces f(U) es un subespacio vectorial de IRm. En particular, la imagen de f, Im(f) = f(IRn ) es un subespacio vectorial de IRm. Im( f ) = y = f ( x) IR m / x IR n . iv) Si S = e1 ,K, er es un sistema de generadores de un subespacio vectorial U de IR 1 vectorial f(U) de IRm.
n
r
( ) f ( x ) = f (x ).
f 0 IR n = 0 IR m .
El ncleo Ker(f) de una aplicacin lineal nunca es vaco, ya que al menos contiene al vector 0 de IRn. (Denotaremos con 0 tanto el vector nulo de IRn como el de IRm, distinguindose uno del otro por el contexto). Se cumplen las siguientes propiedades: i) El ncleo Ker(f) de toda aplicacin lineal f : IR n IR m es un subespacio vectorial de IRn. ii) Si f : IR n IR m es una aplicacin lineal del espacio vectorial IRn en el espacio vectorial IRm, dim Ker(f) = dim IRn dim Im(f)=n- dim Im(f) o bien, dim Ker(f) + dim Im(f)= n A la dimensin de Im(f) se le suele llamar el rango de la aplicacin lineal f.
Cualquier vector x IR n es combinacin lineal de los vectores de la base B1: x = x1 u1 + x 2 u 2 + L + x n u n Por tanto:
coordenadas
de
r y = f ( x) IR m
respecto
de
B2
son:
Matricialmente:
y1 a11 M =L y a m 1m
a 21 L a 2m
L a n1 x1 L L M L a nm x n
o abreviadamente: Y=AX. A la matriz A se le llama matriz asociada a la aplicacin lineal f respecto de las bases B1 y B2 de IRn y IRm. Esta matriz queda determinada por f de forma sencilla, ya que sus columnas son precisamente las coordenadas respecto de B2 de las imgenes por f de los vectores de la base B1.
A= Q-1AP
En el caso de que f sea una aplicacin lineal de IRn en s mismo, si se efecta un cambio de la base B1 a la base B1 en este espacio, entonces ser Q = P y la matriz asociada a la aplicacin lineal f en la nueva base ser:
A= P-1AP
3. Diagonalizacin
Puesto que una matriz A est asociada a una aplicacin lineal f, se plantea la pregunta de si es posible representar f mediante una matriz ms sencilla, diagonal. Habr que determinar, por tanto, si existen bases adecuadas en los espacios de partida y de llegada respecto de las cuales la matriz asociada sea diagonal.
En este apartado se abordar el problema de la diagonalizacin de una matriz partiendo de los conceptos de valor propio y subespacio de vectores propios correspondiente y teniendo en cuenta la interpretacin de las columnas de una matriz asociada a una aplicacin lineal.
Al escalar , que si existe es nico, se le conoce como valor propio o autovalor asociado al vector propio x . Cada vector propio est asociado a un nico valor propio, sin embargo, en general existirn distintos vectores propios asociados a un mismo valor propio. Sea A la matriz que determina f en una cierta base B de IRn, sea I la matriz identidad de orden n, y sea X la matriz columna de las coordenadas del vector x en la base B. Entonces la condicin de vector propio se escribe:
AX= I X
o equivalentemente: (A- I)X=0 Esta ecuacin matricial equivale a un sistema lineal homogneo de n ecuaciones en las n incgnitas que corresponden a las n coordenadas de x . Los vectores propios asociados a sern las soluciones no triviales de este sistema, que admite alguna de estas soluciones si y slo si: | A- In |=0 o en forma desarrollada:
a11 L a n1 a12 L a1n
L L L =0 a n 2 L a nn
denomina polinomio caracterstico de la matriz A, y la ecuacin obtenida al igualarlo a 0, se llama la ecuacin caracterstica de la aplicacin lineal f o de la matriz A. Los vectores propios cumplen las siguientes propiedades: i) Si x es un vector propio de la aplicacin lineal f, asociado al valor propio , tambin lo es el vector x , asociado al mismo valor propio, donde es un escalar cualquiera no nulo. ii) Si x y x' son dos vectores propios asociados al mismo valor propio , toda combinacin lineal de dichos vectores tambin es un vector propio asociado al mismo autovalor puesto que: f x + ' x' = f x + ' f x' = x + ' x' = x + ' x'
()
()
Como consecuencia de i) y ii), el conjunto de los vectores propios asociados a un valor propio, constituye un subespacio vectorial de IRn, llamado subespacio propio asociado a dicho valor propio. iii) El polinomio caracterstico de una matriz A asociada a una aplicacin lineal f de IRn en IRn, resulta invariante ante un cambio de base en IRn. iv) Si x1 , x 2 ,K , x h son h vectores propios asociados a h valores propios distintos
( )
( )
1 0 0 2 A= L L 0 0
L 0 L 0 . L L L n
Se dice entonces que la matriz A es diagonalizable, ya que existe una matriz diagonal A que representa la misma aplicacin lineal f en cierta base. Si denotamos con P la matriz de cambio de base de B a B, se tiene A = P1AP. Si B es la base cannica de IRn, las columnas de P son los n vectores propios x1 , x 2 ,K, x n .
Una matriz A cuadrada de orden n es diagonalizable si y slo si todos los valores propios i (i = 1, h) de A son reales, y para todo i con orden de multiplicidad i , el rango de la matriz A i I es igual a n i .
Bibliografa
Barbolla, R. y Sanz, P. (1998). lgebra lineal y teora de matrices. Ed. Prentice Hall. Caballero, R. E., Caldern, S. y Galache, T. P. (2000). Matemticas aplicadas a la economa y a la empresa. 434 ejercicios resueltos y comentados. Ed. Pirmide. Grossman, S. I. (1997). lgebra lineal. Ed. McGraw-Hill. Hernndez, E. (1999). lgebra y geometra. Ed. Addison-Wesley/U.A.M. Kolman, B. (1999). lgebra lineal con aplicaciones y Matlab. Ed. Prentice Hill. Martnez Salas. (1992). Elementos de matemticas. Ed. Lex Nova. Sanz, P., Vzquez, F. J. y Ortega, P. (1998). lgebra lineal. Cuestiones, ejercicios y tratamiento en Derive. Ed. Prentice Hall.
(*) En este tema se ha utilizado como fuente, tanto para la estructuracin de los contenidos como en la inclusin de algunos prrafos, el siguiente libro: lgebra lineal y teora de matrices. R. Barbolla y P. Sanz. Ed. Prentice Hall. (1998).