Beruflich Dokumente
Kultur Dokumente
Nelson Moller
Indice General
1 Matrices Semejantes
2 Matrices diagonalizables
4
5
4 Vectores propios.
4.1 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
6
6
5 Subespacios propios.
6 Teorema fundamental
7 Ejemplos
7.1 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3 Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
10
13
13
8 Aplicaciones
8.1 Modelos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2 Reconocimiento de Conicas. . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
16
18
1 MATRICES SEMEJANTES
Diagonalizaci
on
Definiciones B
asicas
Dada una transformacion lineal, T : V V, fijando una base B del espacio V , podemos
asociarle una matriz B [T ]B . Cuando elegimos otra base E, si llamamos C y C 1 a las matrices
de cambio de base
C = B [idV ]E ,
C 1 = E [idV ]B .
tenemos la relacion:
E [T ]E
= C 1 B [T ]B C .
Matrices Semejantes
Definici
on 1 Dadas dos matrices A, B Mnn (IR) decimos que A es semejante a B
cuando existe una matriz invertible C tal que
A = C 1 BC.
Si definimos la relacion A B cuando A es semejante a B, podemos verificar que esa
relacion es de equivalencia en Mnn (IR). Por lo tanto, si A es semejante a B tenemos que B
es semejante a A; o sea, podemos decir que A y B son semejantes sin especificar el orden.
El comentario que nos llevo a la definicion de semejanza se puede interpretar como:
Matrices semejantes representan a
la misma transformacion lineal en bases diferentes.
Estamos interesados en saber cuando una matriz es semejante a una matriz mas simple.
Matrices diagonalizables
Definici
on 2 Una matriz A Mnn (IR) es diagonalizable cuando A es semejante a una
matriz diagonal D.
O sea, tenemos que
D=
0
...
n
2 MATRICES DIAGONALIZABLES
1 0 2
A= 0 1 5
2 5
es diagonalizable; lo que aparece abajo de la diagonal es simetrico a lo que aparece sobre
la misma, A = At . Lamentablemente no es siempre tan sencillo saber si una matriz es diagonalizable.
Vamos a ver que el problema de diagonalizar equivale a encontrar bases especiales .
Por que esta afirmacion? Dada una matriz A Mnn (IR) podemos considerar la transformacion:
T : IRn IRn , definida por T v = Av ,
donde consideramos v IRn como vector columna. Si existe una base P formada por vectores
v1 , v 2 , . . . , v n
tales que:
T (v1 ) = 1 v1 , T (v2 ) = 2 v2 , . . . , T (vn ) = n vn .
Entonces,
coordP (T v1 ) = (1 , 0, 0, . . . , 0),
coordP (T v2 ) = (0, 2 , 0, . . . , 0),
..
..
.
.
coordP (T vn ) = (0, 0, 0, . . . , n ),
por lo tanto
P [T ]P
1
0
..
.
0
...
...
0
..
.
2
,
.. ..
.
. 0
. . . 0 n
C [T ]C
=A;
donde C es la base canonica de IR . Colocando juntas las piezas anteriores, vemos que:
A = C 1 DC
donde C es la matriz de cambio de base de la canonica a la base P, P [idIRn ]C , y D es la
matriz diagonal P [T ]P . En ese caso concluimos que la matriz A es diagonalizable.
El problema de diagonalizar una matriz equivale a encontrar este tipo de base P.
1 0
0
A = 0 2 1 .
0 1
3
Su polinomio caracterstico es:
1 0
0
1 0 0
1
0
0
2
1
p() = det 0 2 1 0 1 0 = det 0
0 1
3
0 0 1
0
1
3
2
1
= (1 )
1 3
= (1 )(2 5 + 7)
= 3 + 62 12 + 7.
Se puede ver que el polinomio caracterstico de una matriz A Mnn es:
p() = (1)n n + an1 n1 + . . . + a1 + a0 .
este
este
coef.
coef.
es trA
es det A
Un resultado con una apariencia inocente, pero que es importante es:
Lema 1 Dos matrices semejantes tienen el mismo polinomio caracterstico.
demostracion:
Tenemos que A = C 1 BC queremos ver que:
det(A I) = det(B I).
RECUERDE
B [T ]B
lo mismo
El que las matrices asociadas a T en bases diferentes son semejantes es lo que nos garante
que el polinomio anterior depende de la transformacion y no de la base elegida.
3.2
Valores propios.
Definici
on 5 Dada una matriz A Mnn (IR), las raices de su polinomio caracterstico son
llamados valores propios de la matriz.
Observaci
on: El polinomio caracterstico es un polinomio de grado n con coeficientes reales,
puede suceder que tenga raices complejas. Nosotros, en el contexto de diagonalizacion en
espacios vectoriales reales estamos interesados en las raices reales del mismo, por lo tanto
tenga en mente:
Cuando hablemos de valores propios
nos referimos a las raices reales
del polinomio caracterstico.
Nos interesa la relacion:
valor
propio
sistema homog
eneo con
matriz asociada
A I
es compatible
indeterminado
4 VECTORES PROPIOS.
Vectores propios.
Definici
on 7 Dada una transformacion lineal, T : V V , decimos que un vector v no nulo
es un vector propio cuando
T (v) = v, para algun IR.
Es un ejercicio interesante mostrar que ese que aparece en la definicion anterior es un
valor propio de T ; o sea anula el polinomio caracterstico de T .
4.1
Ejemplo
T (ex ) = ex ,
T (ex ) = ex .
Vemos que ex es vector propio con valor propio 1 y que ex es vector propio con valor propio
1.
4.2
Ejemplo
5 SUBESPACIOS PROPIOS.
Subespacios propios.
Definici
on 8 Dados una transformacion lineal T : V V y un escalar , definimos los
conjuntos
E = {v V / T v = v}.
Lema 2 Los E son subespacios vectoriales para todo escalar .
demostraci
on:
Dados u, w E tenemos
T (u + w) = T u + T w = u + w = (u + w),
o sea u + w esta en E . De la misma manera
T (u) = T u = (u)
el vector u esta en E para todo escalar .
La mayorade esos subespacios son triviales, eso quiere decir que son el subespacio
formado por el vector nulo solamente. Los que son interesantes son justamente los que
corresponden a los valores propios, llamados subespacios propios.
Repitiendo el comentario hecho cuando fueron definidos los valores propios, vemos que esto
esta relacionado con que un sistema homogeneo tenga soluciones no triviales.
Algo sencillo de probar pero con consecuencias importantes, es que
E
E = {0}, cuando 6= .
Usaremos esto en el ejemplo 7.1, en el mismo formaremos una base de todo el espacio
tomando bases de los distintos subespacios propios.
Otro comentario es el siguiente, si tenemos una transformacion lineal, T : V V , que no
es inyectiva, o sea el ker(T ) tiene otros vectores ademas del nulo. En este caso tenemos
v ker(T ), T v = 0 = 0v con v 6= 0; o sea el cero es valor propio y
E0 = ker(T ).
Resultado principal
En esta seccion mostraremos lo que ya habiamos adelantado, que diagonalizar equivale a
encontrar una base de vectores propios.
Definici
on 9 Una transformacion T : V V es diagonalizable si la matriz asociada a
T en una base B, B [T ]B , es diagonalizable.
6 TEOREMA FUNDAMENTAL
C [T ]C
son semejantes, tenemos que la matriz asociada a T en cualquier base es diagonalizable. Por
lo tanto que una transformacion sea diagonalizable no es algo que dependa de la base elegida.
Depende efectivamente de la transformacion y no de la base como podra parecer a primera
vista.
Recordemos que toda matriz A Mnn (IR) la podemos interpretar como la matriz de la
transformacion T : IRn IRn dada por T (v) = Av; donde tomamos v IRn como vector
columna.
Esto nos permite unificar el problema de diagonalizar matrices y transformaciones. El siguiente teorema es el resultado basico sobre diagonalizacion tanto para matrices como para
transformaciones.
Teorema fundamental
Teorema 2 Una transformacion es diagonalizable sii existe una base de vectores propios.
demostraci
on:
() Sabemos que existe una matriz invertible C y una matriz diagonal
0
...
D=
tal que B [T ]B = C 1 DC. lo que vamos a hacer es interpretar la matriz diagonal D como
D =P [T ]P ,
donde P sea una base formada por vectores propios. La matriz C, la interpretaremos como
C =P [idV ]B .
Sabemos que CC 1 = Id por lo tanto si consideramos las columnas de C 1 como vectores
de IRn , tenemos
..
.
columna
C
Entonces
DC
i
lugar i.
= 1
1
.
de C
..
columna
i
= D
de C 1
..
.
1
..
.
..
.
i
lugar i.
..
.
6 TEOREMA FUNDAMENTAL
columna
1
1
i
C DC
= i C
de C 1
..
.
1
..
.
columna
i
= i
.
de C
columna
i
coordB (vi ) =
.
1
de C
Lo que obtuvimos fue que
coordB (T vi ) = i coordB (vi ) = coordB (i vi ).
Por la unicidad de las coordenadas tenemos que
T vi = i vi para i = 1, . . . , n.
Nos falta ver que los vectores
v1 , . . . , vn
forman una base de V . Eso resulta de que C 1 es una matriz es invertible. Por lo tanto
sus columnas forman una base de IRn , como el pasaje a coordenadas es un isomorfismo(lleva
bases en bases) tenemos que los vectores v1 , . . . , vn forman una base de V .
() Sea P una base formada por vectores propios v1 , . . . , vn tales que
T (v1 ) = 1 v1 , . . . , T (vn ) = n vn .
Para la matriz asociada a T en cualquier base B, tenemos que
B [T ]B
= C 1 P[T ]P C,
B [idV ]P
7 EJEMPLOS
10
Ejemplos
En los ejemplos, ademas de ilustrar los resultados mostrados en estas notas hay que prestar
atencion a cada uno de los pasos que se dara y el orden de los mismos.
7.1
Ejemplo
Sea A la matriz
5 12 0
0
A=
4 9
.
2 4 1
1) Polinomio caracterstico.
Para hallar el polinomio caracterstico de la matriz A calculamos
5
12
0
4 9
0
p() = det
= (1 )[(5 + )(9 ) + 48]
2
4 1
= (1 )(2 4 + 3)
2) Valores propios.
Las raices del polinomio caracterstico son
= 1(raiz doble),
= 3(raiz simple).
El polinomio caracterstico factorizado resulta
p() = (3 )(1 )2 multiplicidad
algebraica
Definici
on 10 Los exponentes que aparecen en los factores correspondientes a valores propios diferentes son llamados multiplicidades algebraicas.
7 EJEMPLOS
11
x
x
E3 = (x, y, z) IR3 / A
y = 3 y .
z
z
O sea, son las soluciones del sistema
5x + 12y = 3x
4x + 9y = 3y
2x + 4y + z = 3z
Como la primera ecuacion es m
ultiplo de la segunda, el sistema nos queda
(
4x + 6y = 0
2x + 4y 2z = 0
Corresponde al corte de dos planos, o sea E3 es una recta. Una ecuacion parametrica de la
misma es
x = 2
y=
z = 12
por lo tanto el vector (3, 2, 1) es una base de E3 .
Definici
on 11 La dimension del subespacio propio es llamada multiplicidad geom
etrica
del valor propio.
En este caso la multiplicidad geometrica del valor propio 3 es 1.
El subespacio propio correspondiente al valor propio 1 es
x
x
3
E1 = (x, y, z) IR / A y = y
.
z
z
O sea, son las soluciones del sistema
5x + 12y = x
4x + 9y = y
2x + 4y + z = z
Esto corresponde al plano
2x 4y = 0.
Una ecuacion parametrica del mismo es
7 EJEMPLOS
12
x = 2
y=
z=
tenemos que los vectores (2, 1, 0), (0, 0, 1) forman una base del mismo. Por lo tanto la
multiplicidad geometrica del valor propio 1 es 2.
4) Diagonalizaci
on.
En este caso los vectores
(2, 1, 0), (0, 0, 1) (3, 2, 1)
|
{z
} | {z }
valor
propio
1
valor
propio
3
forman una base de IR3 donde los vectores que aparecen son vectores propios. Si llamamos
P a esa base, tenemos que
1 0 0
P [T ]P = 0 1 0 ,
0 0 3
donde T v = Av.
Para hallar la matriz de cambio de base P [idIR3 ]C , donde C es la base canonica, usamos que
(1, 0, 0) = 2(2, 1, 0) (0, 0, 1) (3, 2, 1)
(0, 1, 0) = 3(2, 1, 0) 2(0, 0, 1) + 2(3, 2, 1)
(0, 0, 1) = 0(2, 1, 0) + (0, 0, 1) + 0(3, 2, 1)
o sea
2 3 0
3
1
2 1
[id
]
=
.
P
IR C
1
2 0
Tenemos que
5 12 0
2 0 3
1 0 0
2 3 0
0
A=
4 9
= 1 0 2 0 1 0 1 2 1
2 4 1
0 1 1
0 0 3
1
2 0
En este ejemplo vemos tamben en funcionamiento un resultado que es equivalente al
resultado fundamental mostrado anteriormente y es que:
multiplicidad
algebraica
multiplicidad
geometrica
m
diagonalizable
7 EJEMPLOS
7.2
13
Ejemplo
Sea A la matriz
"
A=
3 1
0 3
1) Polinomio caracterstico.
Como la matriz A es diagonal, el calculo del polinomio caracterstico resulta sencillo,
p() = ( 3)2 multiplicidad
algebraica
=2
2) Valores propios.
En este caso tenemos un solo valor propio, = 3 con multiplicidad algebraica 2.
3) Subespacio propio.
El subespacio propio correspondiente al valor propio 3 es
(
"
2
E3 = (x, y) IR / A
x
y
"
=3
x
y
#)
3x + y = 3x
3y = 3y
A=
3 1
0 3
no es diagonalizable.
7.3
Ejemplo
7 EJEMPLOS
14
1) Matriz asociada a T .
Tenemos que
Obtenemos
0 0 0
2 0 0
[T
]
=
.
C
C
0 1 0
2) Polinomio caracterstico.
El polinomio caracterstico de T es
0
0
3
0
p() = det 2
= .
0
1
3) Valores propios de T .
Tenemos un solo valor propio, = 0 con multiplicidad algebraica 3.
4) Subespacio propio.
El subespacio propio asociado al valor propio 0,
E0 = {p P2 / T p = 0}
corresponde a los polinomios
p E0 , p(x) = c, c IR.
Recuerde ademas
0 0 0
a
a
0
2 0 0 b = 0 b = 0
0 1 0
c
c
0
equivale al sistema
0 = 0,
2a = 0,
b=0
de donde nuevamente obtenemos que a = b = 0. Tenemos que la dimension de E0 es 1, o
sea la multiplicidad geometrica del valor propio 0 es 1
7 EJEMPLOS
15
multiplicidad
algebraica
6=
multiplicidad
geometrica
y por tanto no existe una base formada por vectores propios, entonces T no es diagonalizable.
8 APLICACIONES
16
Aplicaciones
8.1
Modelos.
En las ciencias sociales, existen problemas los cuales se pueden estudiar con lo que son
llamados modelos dinamicos de tiempo discreto. En estos casos la diagonalizacion simplifica
el estudio de la dinamica.
Que significan todos esos conceptos mencionados anteriormente?
Dinamica significa que algo cambia con el tiempo . En el caso que veremos, de tiempo
discreto, el tiempo es t=0, t=1,. . . , o sea t es un n
umero natural. En nuestro caso partimos
de un punto x en IRn y luego el pasar del tiempo corresponde a tomar
x
A(x)
A(A(x)) = A2 (x)
mveces
para
para
para
..
.
t = 0,
t = 1,
t = 2,
para
t=m
An x
A2 x
Ax
Iterados de un elemento x
El punto Am (x) es llamado el iterado m de x. Estudiar la dinamica del problema corresponde a estudiar como se comportan los iterados de los distintos puntos iniciales x de IRn
8 APLICACIONES
17
Dn =
m
1
0
...
m
n
Esto ya simplifica bastante el problema. Pero existe una situacion en la cual tenemos mas
informacion a
un. Es cuando los valores propios satisfacen
|i | < 1, para i = 1, . . . , n
tenemos que
lim m
i = 0,
y como consecuencia la matriz Dm tiende a la matriz nula cuando m tiende a infinito. Esto
implica que sin importar el punto de partida, cuando el tiempo pasa , o sea cuando m crece
Am x se aproxima cada vez mas al origen, independientemente del x tomado inicialmente.
2
A x
Ax
8 APLICACIONES
18
C
onicas.
8.2
Reconocimiento de C
onicas.
ax2 + bxy + cy 2 + dy + ex + f = 0,
!
!
!
a 2b
x
x
2
2
ax + bxy + cy = (x, y) b
= (x, y)A
y
y
c
2
8 APLICACIONES
19
1 = 2 , la conica es un crculo,
1 6= 2 , la conica es una elipse.
1 2 < 0 corresponde a una hiperbola.
1 2 = 0 corresponde a una parabola.
1 2 > 0
Para una descripcion mas detallada de lo hecho en esta aplicacion consultar, por ejemplo,
el libro:
Algebra y geometra de E. Hernandez.