Beruflich Dokumente
Kultur Dokumente
Diagonalizaci
on
En general ser
an de dimensi
on finita a menos que se diga lo contrario
Vectores y valores propios
Definici
on. Para T : V V una transformacion lineal (con V no
necesariamenre de dimensi
on finita) un elemento x de V distinto de cero
y un escalar en K se llaman un vector propio de T , si T (x) = x. Es
decir, es un valor propio si existe x 6= 0, tal que T (x) = x, x es un
vector propio si existe K tal que T (x) = x.
Definici
on. Para T : V V una transformacion lineal (con V no necesariamente de dimensi
on finita) y K un valor propio, definimos
E = {x V |T (x) = x} como el espacio propio de T .
Proposici
on 1. Sean T : V V un operador y un valor propio.
Entonces E es un subespacio.
Demostraci
on Primero T (0) = 0 = 0, entonces 0 E . Sean
x, y E y a K,
T (x + ay) = T (x) + aT (y)
= x + ay
= (x + ay)
Por lo que x + ay E y E es un subespacio de V.
Definici
on. Para un operador T en V y un valor propio , definimos a
la multiplicidad geometrica de como la dimension de E .
Ejemplos
3
Diagonalizacion
1. T : V V dada por T (x) = 0 tiene como valor propio a 0 y
E0 = V .
2. T : R2 R2 una rotaci
on por un
angulo que no sea m
ultiplo de
, T no tiene valores propios.
3. T : R2 R2 dada por T (x, y) = (2x, 5y) tiene como valores
propios 2 y -5 con E2 el eje x y E5 el eje y.
4. D : R[x] R[x], con D(p) = p0 0 es un valor propio con E0 =
P0 (R) los polinomios de grado menor o igual a 0.
5. D : (R) (R), con D(f ) = f 0 1 es un valor propio con
E1 , < ex > generalizando para R, E < ex > .
Diagonalizacion
Polinomio Caracterstico
El polinomio caracterstico de un operador T en V , lo definimos como
pT () = det([T 1V ] )
n+1
X
i=1
n
X
i=1
+ (An+1n+1 )det((A\
I)n+1n+1 )
Observemos que
0. Polinomio Caracterstico
7
det((A\
I)n+1i ) =
sgn( )
Sn
n
Y
((A\
I)n+1i )j (j)
j=1
Qn
\
I)n+1i )j (j) es un polinomio de grado a lo mas
\
n. Por otro lado det((A I)
) = det(An+1n+1 I) = pT
()
por lo que
j=1 ((A
n+1n+1
A
n+1n+1
por hip
otesis de inducci
on tiene coeficiente principal (1)n , por lo que
Diagonalizacion
=2 2 = ( 2)( + 2)
1
x
0
=
1
y
0
Primero en el caso de = 2
1
1
(1 2)x +
y = 0
x + (1 2)y = 0
Haciendo
x
=
1,
encontramos
que
y
=
2
1.
Verificando
T
(1,
21 =
( 2, 2 2) = 2(1, 2 1) En el caso de = 2
(1 + 2)x +
y = 0
x + (1 + 2)y = 0
De nuevo
= 1 2, calculando
elegimos
x = 1y llegamos
a que y
T (1, 1 2) = ( 2, 2 + 2) = 2(1, 1 2).
Lo
unico que necesitamos en este ejemplo es que 2 K, en el caso
de Z3 esto no se da 02 = 0, 12 = 1 y 22 = 1.
Diagonalizaci
on
Definici
on. Una matriz D Mn (K) la llamamos diagonal si Dij = 0
siempre que i 6= j, es decir, una matriz cuadrada es diagonal si fuera de
su diagonal solo toma el valor 0.
0. Diagonalizaci
on
9
1
0
0
1
,
1
0
0
1
,
0
0
0
2
Definici
on. Un operador T en V es diagonalizable si existe una base
de V tal que [T ] es una matriz diagonal.
Proposici
on 7. Para T un operador en V son equivalentes
1. T es diagonalizable
2. Existe base de V de vectores propios
Demostraci
on
1. 2.) Si T es diagonalizable existe tal que [T ] es diagonal.
Si ponemos = {v1 , ..., vn }, tenemos que [T (vi )] = [T ] [vi ] , si
calculamos su jesima coordenada tenemos
[T (vi )]j1 =([T ] [vi ] )j1
=
=
n
X
k=1
n
X
[T ]jj jk ki
k=1
=[T ]jj ji
Lo que quiere decir que T (vi ) = [T ]ii vi .
2. 1.) Si existe una base = {v1 , ..., vn } de vectores propios con
T (vi ) = i vi , lo que quiere decir que [T ]ij = [T (vj )]ii = 0, si i 6= j.
Para llevar esto a
un m
as al lenguaje de matrices, recordamos que dos
matrices A, B representan al mismo operador si existe Q GLn (K) tal
que A = QBQ1 , cuando esto pasa decimos que son semejantes, damos
naturalmente la siguiente definici
on.
Definici
on. Una matriz cuadrada es diagonalizable si es semejante a una
matriz diagonal.
Proposici
on 8. Para T un operador en V , son equivalentes
1. T es diagonalizable
2. Para toda base de V , tal que [T ] es diagonalizable
10
Diagonalizacion
3. Existe base de V , tal que [T ] es diagonalizable
Demostraci
on
12
Diagonalizacion
Definici
on. Un polinomio p K[x] se escinde en K, si existen , 1 , ..., k
K (no necesariamente diferentes) tales que p(x) = (x 1 )...(x k ).
Proposici
on 12. Sea T un operador en V diagonalizable entonces pT se
escinde.
Demostraci
on Sea una base de V de vectores propios, entonces
[T ] = D es una matriz diagonal, por lo que pT () = det(D I) =
(D11 )...(Dnn ) = (1)n ( D11 )...( Dnn )
Definici
on. Para T un operador en V y un valor propio de T definimos la multiplicidad algebraica de como la multiplicidad de en el
polinomio caracterstico pT , es decir, el mayor k tal que (x )k |pT (x).
Proposici
on 13. Sea T un operador en V tal que pT se
P escinde en K y
mi la multiplicidad algebraica de i entonces dimV =
mi .
Proposici
on 14. Sea T un operador en V y un valor propio de T ,
entonces la multiplicidad geometrica de es menor o igual a la multiplicidad algebraica de .
Demostraci
on. Sea {v1 , ..., vk } una base de E ,y la extendemos
A1 A2
a una de V , = {v1 , ..., vk , ..., vn } entonces [T ] =
donde
0 A3
A1 = I Mk (k), A2 Mknk (k), A3 Mnk (k) y 0 Mnkk (k)
pT (x) =det([T ] xI)
=det(A1 xI)det(A3 xI)
=(1)k (x )k det(A3 xI)
por lo que (x )k |pT (x).
Proposici
on 15. Sea T un operador en V con dimV = n, tal que pT se
escinde en K y 1 , ..., k los valores propios de T (diferentes) entonces
son equivalentes:
1. T es diagonalizable
2. La multiplicidad algebraica coincide con la geometrica para todo
valor propio.
Demostraci
on.
0. Polinomio Mnimo
13
k
X
|i |
i=1
k
X
dim(Ei )
i=1
n
Pk
k
X
|i |
i=1
k
X
dim(Ei )
i=1
k
X
mi
i=1
=n
Por lo que es base y de vectores propios.
Polinomio Mnimo
Recordemos que para T un operador en V le habamos dado un sentido a p(T ) donde p es un polinomio en K[x]. Sin profundizar mucho,
recordemos de cursos pasados que en un anillo conmutativo R, si definimos a divide a b, para a, b R, como que existe c R tal que ac = b, esta
relaci
on nos da un preorden, es decir, la relaci
on es reflexiva y transitiva.
Todo esto para dar la siguiente definici
on.
14
Diagonalizacion
Definici
on. Sea T un operador de V , el polinomio mnimo de T , pT ,
lo definimos como el mnimo polinomio m
onico de K[x] distinto de cero,
que con el preorden mencionado anteriormente hace que pT (T ) = 0.
Proposici
on 16. Sea T un operador en V , entonces pT existe y es u
nico.
Demostraci
on. Sea n = dimV , entonces dim(End(V )) = n2 por lo
n2
que 1V , T, ..., T son n2 +1 vectores que deben ser linealmente dependien2
tes por lo que existen a0 , ..., an2 K tales que a0 1V +a1 T +...+an2 T n =
2
0 con alg
un ai 6= 0 por lo que p(x) = a0 +a1 x+...+an2 xn es un polinomio
que anula a T .
Ahora consideramos
I = {q N|q K[x] con q 6= 0 y q(T ) = 0}
Claramente I N y p I, por lo que I 6= , ahora por el principio
del buen orden existe un mnimo en m I, ese m es el grado de un
polinomio f distinto de cero que anula a T , ahora veamos que es mnimo
con respecto al preorden de la divisibilidad.
Sea g K[x] tal que g(T ) = 0, g 6= 0 y m g entonces por el
algoritmo de la divisi
on en polinomios existen h, r K[x] tales que
g = f h + r con r < f = m
Valuando en T
0 = g(T ) =f (T )h(T ) + r(T )
=0 h(T ) + r(T )
=r(T )
por lo que r(T ) = 0 si r es un natural tendramos que r I!
contradiciendo que f es mnimo, por lo que r = y r = 0. As que
g = f h y f |h. La siguiente observaci
on nos dara el truco de la unicidad,
ya que tenemos el grado m, todos los polinomios de grado m que anulan
a T son mnimos, pero si f y f 0 son dos polinomios que cumplen esto,
entonces existe a K tal que af = f 0 . Como f |f 0 existe h K[x]
f h = f 0 , pero m = (f 0 ) = (f h) = (f ) + (h) = m + (h) de donde
(h) = 0, por lo que h = a con a K. El regreso tambien se vale, es
decir, si f tiene grado m, f (T ) = 0 y a K entonces af tiene grado m
y af (T ) = 0. Por que el conjunto de polinomios de grado m que anulan
a T , todos son m
ultiplos por un escalar.
0. Subespacios T invariantes
15
16
Diagonalizacion
Ejemplos.
1. 0 T V
2. nucT T V
3. V T V
4. imT T V
Proposici
on 17. Sea T un operador en V y W T V , entonces pT |W |pT .
Demostraci
on.
Sea una base de W y la completamos a una base de V , entonces
[T ] A
[T ] =
0
B
por lo que
pT () =det([T ] I)
=det([T ] I)det(B I)
=pT |W ()det(B I)
de aqu pT |W ()|pT ().
Proposici
on 18. Sea TQun operador en V con V =
m
Vi T V , entonces pT = i=1 pT |vi .
Lm
i=1
Vi donde
Demostraci
on.
Ejercicio
Observaci
on. Para T un operador en V , W T V y f K[x],
f (T |W ) = f (T )|W
Ejercicio
Proposici
on 19. Sea T un operador en V con W T V entonces
pT |W |pT .
Demostraci
on.
pT (T |W ) = pT (T )|W = 0|W = 0 por la minimalidad de pT |W , concluimos que pT |W |pT .
Definici
on. Para T un operador en V y x V definimos < x >T como
el subespacio generado por {T n (x)|n N}, lo llamaremos el subespacio
T cclico generado por x.
Proposici
on 20. Sea T un operador en V entonces pT = mcm{pT |<x>T |x
V }.
0. Subespacios T invariantes
17
Demostraci
on.
Primero ponemos
pT = mcn{pT |<x>T |x V }
de la proposici
on anterior tenemos
pT |<x>T |pT x V
es decir, pT es un m
ultiplo com
un, de lo que se sigue que m|pT .
Por la parte de ser un com
un m
ultiplo tenemos que pT<x>T |m, para
toda x V . As que existe hx tal que pT<x>T hx = m, valuando T (x) en
la igualdad anterior
m(T )(x) =(hx (T ) pT<x>T (x))(x)
=hx (T )(pT<x>T (T (x)))
=hx (T )(0)
=0
Es decir, m anula a T , por lo que pT<x>T |m. Como los dos son monicos
y se dividen entre s, no queda m
as que sean iguales.
Lema 1. Sea T un operador en V con dimV = n y < x >T = V para
alg
un V , entonces x, T (x), ..., T n1 (x) es una base de V .
Demostraci
on.
Si para alg
un r N+ ,
T r (x) < x, T (x), ..., T r1 (x) >
entonces {T k (x)|k N} {x, T (x), ..., T r1 } por lo que V <
x, T (x), ..., T r1 (x) > y de aqu que x, T (x), ..., T r1 (x) genere, del curso
pasado sabemos que r n.
Dentro del mismo contexto sabemos que existe al menos un r con la
propiedad antes mencionada, en caso contrario tendramos que para todo
k N+ T k (x) <
/ x, T (x), ..., T k1 (x) > por lo que {x, T (x), ..., T k1 (x)}
sera linealmente independiente para toda k N resultando en que V
sera de dimensi
on infinita.
18
Diagonalizacion
Lo anterior es para poder definir
s = mn{r N+ |T r (x) < x, T (x), ..., T r1 (x) >}
0. Subespacios T invariantes
19
0
0
[T n2 (x)] = 0
..
.
1
y si T n (x) = a0 x + a1 T (x) + ... + an1 T n1 (x) entonces
a0
a1
..
.
[T n (x)] =
an1
Por lo que
0
1
[T ] = 0
..
.
0
0
1
..
.
..
.
0
0
0
..
.
a0
a1
a2
..
.
an1
Ahora
PT () = det 0
..
.
0
Calculando tenemos
1
..
.
..
.
0
0
0
..
.
a0
a1
a2
..
.
an1
20
Diagonalizacion
pT () = det 0
..
.
1
..
.
..
.
0
0
0
..
.
an1
0 1
1 0
0
1
0
n+1
0
1
+(1)
a0 det
..
..
..
.
.
.
0
0
0
0
a0
a1
a2
..
.
..
.
0
0
0
0. Subespacios T invariantes
21
22
Diagonalizacion
0. Subespacios T invariantes
23
Para cuando k > 2 y se vale para k, primero notemos que por hipotesis de inducci
on S = T |Pk E es diagonalizable por lo que pS (x) =
i=1
i
(x 1 )...(x k ) por hip
otesis de inducci
on, por otro lado pS (x) y
(x k+1 son coprimos por lo que existen f, g K[x]
1 = pS f + (x k+1 )g
Sea v V ,
pS (T ) (x k+1 g(T )(v) =gpS (T )(x k+1 )(T )(v)
=gpT (T )(v)
=0
Por lo que ((x k+1 )g)(T )(v) nucpS (T ).
Pk
Af. nucpS (T ) i=1 Ei . Ejercicio
Por otro lado
(x k+1 ) (pS f )(T )(v) =pT f (T )(v)
=f (T )(pT (T )(v))
=f (T )(0)
=0
Por lo que pS f (T )(v) Ek+1 .
P
k
As para toda v V , v
E
+ Ek+1 .
i
i=1
Pk+1
Por lo que V = i=1 Ei .
Formas Bilineales
Definici
on. Una forma bilineal en un Kespacio V es na funcion B :
V V K tal que:
Para x, x0 , y, y 0 V y K,
1. B(x + x0 , y) = B(x, y) + B(x0 , y)
2. B(x, y + y 0 ) = B(x, y) + B(x, y 0 )
3. (B(x, y) = B(x, y) = B(x, y)
esto es que sea lineal en cada variable.
Ejemplos
1. V = K n con n natural
B(
x, y) =
n
X
xi yi
i=1
Z
B(f, g) =
f (x)g(x)dx
a
3. V = K n y A Mn (K)
B(
x, y) = x
A
yt
Definici
on. Para V un Kespacio, Bil(V ) es el conjunto de todas las
formas bilineales sobre K.
25
26
Formas Bilineales
Proposici
on 22. Para V un Kespacio, Bil(V ) es un Kespacio.
Demostraci
on
Notemos que Bil(V ) K V V y como K vV es un Kespacio basta
ver que Bil(V ) es un subespacio.
Primero 0(v, w) = 0 es una forma bilineal, por lo tanto 0 Bil(V ).
Despues sean B, B 0 Bil(V ) y K. Para x, x0 , y, y 0 V y K
(B + B 0 )(x + x0 , y) =B(x + x0 , y) + B 0 (x + x0 , y)
=B(x, y) + B 0 (x0 , y) + (B 0 (x, y) + B(x0 , y))
=B(x, y) + B(x0 , y) + B 0 (x, y) + B 0 (x0 , y)
=(B + B 0 )(x, y) + (B + B 0 )(x0 , y)
An
alogamente
(B + B 0 )(x, y 0 ) = (B + B 0 )(x, y) + (B + B 0 )(x, y 0 )
Tambien
(B + B 0 )(x, y) =B(x, y) + B 0 (x, y)
=B(x, y) + B 0 (x, y)
=(B + B 0 )(x, y)
An
alogamente
(B + B 0 )(x, y) = (B + B 0 )(x, y)
Por lo tanto B + B 0 Bil(V )
Por lo tanto Bil(V ) es un Ksubespacio y espacio en su propio
derecho.
Del ejemplo 3 se tiene que las matrices representan algunas formas
bilineales por lo que es natural preguntar si representa a todas, sobreentendiendo que hablamos del caso de dimensi
on finita.
27
Definici
on. Sea B : V V K una forma bilineal sobre V con V de
dimensi
on finita y = {v1 , ..., vn } una base de V , definimos la matriz
asociada a la forma B para la base como
ij = B(vi , vj )
B
si no hay riesgo a confusi
on omitiremos la base, es decir nos queda
remos con B
Proposici
on 23. Sea B Bil(V ) y = {v1 , ..., vn } una base de V ,
.
entonces B(v, w) = [v]t B[w]
Demostraci
on
Para ver esto fijamos v V y basta ver que
[B(v, )] = [v]t B
Calculando
ij =
([v]t B)
=
=
n
X
kl
[v]t1k B
k=1
n
X
[v]tik B(vk , vj )
k=1
n
X
B([v]tik vk , vj )
k=1
=B(
n
X
[v]tik vk , vj )
k=1
=B(v, vj )
=[B(v, )]j
Proposici
on 24. Sea : Bil(V ) Mn (K) para alguna base finita de
V , entonces es un isomorfismo.
28
Formas Bilineales
Demostraci
on
Ponemos a = {v1 , ..., vn }.
Primero veamos que es lineal.
Sean B, B 0 Bil(V ) y K
\0 )ij =(B + B 0 )(vi , vj )
(BB
=B(vi , vj ) + B 0 (vi , vj )
ij + B0 ij
=B
29
(c
A )ij =A (vi , vj )
=[vi ]t A[vj ]
=(it Aj )ij
=
n
X
(it A)ik kj
k=1
=(it A)ij
=
n
X
t
ik
Akj
k=1
=Aij
(c
A ) = A
El resultado anterior contesta la pregunta de si las formas bilineales
son representadas por las matrices y m
as a
un lo hacen de manera u
nica
y lineal.
Definici
on. Una forma bilineal B es simetrica si B(v, w) = B(w, v).
es simetrica.
Proposici
on 25. B es simetrica si y solo si B
Demostraci
on
30
Formas Bilineales
B(v, w) =[v]t B[w]
t [w]tt
=[v]t B
)t
=([w]t B[v]
=[w]t B[v]
Definici
on. Una forma bilineal es antisimetrica si B(v, w) = B(w, v).
es antisimetrica.
Proposici
on 26. B es antisimetrica si y solo si B
Demostraci
on
Tarea.
Definici
on. B Bil(V ) es alternante si B(v, v) = 0.
Proposici
on 27. Si 1 + 1 6= 0, entonces son equivalentes
1. B es alternante.
2. B es antisimetrica.
Demostraci
on
) 0 = B(v + w, v + w) = B(v, v) + B(v, w) + B(w, v) + B(w, w) =
B(v, w) + B(w, v)
Por lo que B(v, w) = B(w, v)
) Si B(v, v) = B(v, v) entonces 2B(v, v) = 0
Por lo que B(v, v) = 0.
Observaci
on. De la demostraci
on se sigue que aunque 1 + 1 = 0,
alternante implica antisimetrica.
Observaci
on. En el caso de que 1 + 1 = 0, se tiene que 1 = 1, por
lo que
31
ca y Bii = 0.
Demostraci
on
Sea = {v1 , ..., vn }
ij = B(vi , vj ) = B(vj , vi ) = B
t
) B
ij
ii = B(vi , vi ) = 0
B
)
B(v, v) =[v]t B[v]
=
=
n
X
k=1
n
X
1k [v]
([v]t B)
k1
n
X
jk )[v]
( [v]tij B
k1
k=1 j=1
n k1
X
X
jk [v] +
[v]tij B
k1
k=1 j=1
n k1
X
X
k=1 j=1
n
n
X
X
jk [v]
[v]tij B
k1
k=1 j=k+1
jk [v] +
[v]tij B
k1
n
n
X
X
t )[v]tt
[v]ij (B
jk
k1
k=1 j=k+1
=0.
Ejercicio. Sean SB(V ) = {B BIl(V )|B es simetrica} y AB(V ) =
{B Bil(V )|B es antisimetrica}. Si 1 + 1 6= 0 entonces Bil(V ) =
SB(V ) AB(V ).
Ahora veamos que relaci
on existe si cambiamos la base, si tenemos
y B
.
= {v1 , ..., vn } y = {w1 , ..., wn }, c
omo est
an relacionados B
Pn
Si ponemos wj = i=1 ij vi , entonces
32
Formas Bilineales
B(wi , wj ) =
=
n
X
k=1
n
X
ki B(vi , wj )
n
X
ki B(vi , vj )mj
k=1 m=1
S donde S = [IV ] .
= S t B
Por lo que B
Veamos que si calculamos el determinante
) =det(S t B
S)
det(B
)
=det(S)2 det(B
Como cualquier matriz invertible se puede usar como un cambio de
base, el conjunto de todos los determinantes que se le pueden asociar a
una forma bilineal B son todos los m
ultiplos de los otros por un cuadrado
del campo K.
Definici
on. El discriminante de B una forma bilineal lo definimos por
33
Proposici
on 29. Sea V de dimensi
on finita, son equivalentes para B
Bil(V ):
1. B es no degenerada.
2. radL (B) = {0}
3. radR (B) = {0}
Demostraci
on
1. 2. Si radL (B) 6= {0}, entonces existe v radL (B) con v 6= 0,
por lo que existe una base = {v1 , v2 , ..., vn } con v1 = v. Notemos que la
tiene en su primer columna todas las entradas cero por hipotematriz B
) = 0, por lo que dis(B) = {0}! contradiciendo el
sis. Por lo que det(B
hecho de que B fuese no degenerada.
3. 1. Supongamos que no se cumple que B no es no degenerada,
= 0, elegimos una base de V , por lo que de lo u
por lo que det(B)
ltimo
[v] = 0 de aqu que para todo
se sigue existe V con v 6= 0, tal que B
[v] = 0 de donde v radR (B) por lo que
w V B(w, v) = [w]t B
6= {0}.
radR (B) 6= {0}! por lo tanto det(B)
Definici
on. Una forma bilineal se llama reflexiva si B(v, w) = 0 implica
B(w, v) = 0.
Definici
on. Si B es una forma bilineal reflexiva diremos que v es ortogonal a w si B(v, w) = 0 y lo denotaremos por v w,notemos que pedir
que B sea reflexiva es para que la relaci
on sea reflexiva.
Definici
on. Para S V y B una forma bilineal reflexiva, definimos el
complemento ortogonal de S para B como S = {v V |B(v, w) = 0
para todo w S}.
Proposici
on 30. Sea B una forma bilineal reflexiva, S, T V . Entonces:
1. S V
34
Formas Bilineales
2. S S
3. Si S T entonces T S
4. S =< S >
Definici
on. Sea B una forma bilineal reflexiva y W V , el radical de
W en B lo definimos como radB (W ) = W W . Diremos que W es un
subespacio no degenerado si radB (W ) = 0.
Proposici
on 31. Sea B una forma bilineal reflexiva en V un espacio
de dimensi
on finita y W un subespacio no degenerado de V , entonces
V = W W .
Demostraci
on
Por hip
otesis W W = 0. Para ver que V = W + W demostraremos que dimV = dimW + dimW . Pongamos que dimV = n y
dimW = k y consideremos una base de W , {v1 , ..., vk } y extendamosla
a una base de V con los elementos {vk+1 , ...,P
vn }. Tomamos v W y
n
lo expresamos como combinaci
on lineal v = i=1P
i vi , tenemos por un
n
lado que B(vi , v) = 0 para i = 1, ..., k entonces j=1 j B(vi , vj ) = 0
Pn
= 0 para i = 1, ..., k por lo que [v]
para i = 1, ..., k de aqu j=1 j B
ij
es anulado por la matriz de k n formada por los primeros k renglones
, entonces dimW n k por el teorema de la dimension, de
de B
aqu dimW + dimW n k + k = n.
W + W = W.
Formas Cuadr
aticas
Definici
on. El grado de un monomio en n variables xk11 xk22 ...xknn lo definimos como k1 + k2 + ... + kn .
Definici
on. Una forma cuadr
atica naria sobre un campo K es un polinomio p en n variables tal que es una combinacion lineal de monomio
de grado 2.
0. Formas Cuadr
aticas
35
Ejemplos
1. p(x, y, z) = xy + yz + z 2
2. p(x, y) = x2 + xy + y 2
3. p(x) = 2x2
4. p(x, y, z, w) = zw + w2 + x2 + yx
Observaci
on. Si consideramos una matriz A en Mn (K), p(x) =
xAxt es un polinomio en n variables, m
as a
un
p(x) =
n
X
i=1
n
X
n
X
x1i (
Aij xtj1 )
i=1
j=1
n
n
XX
i=1 j=1
n X
n
X
Aij xi xj
i=1 j=1
1
0
1
1
x
p(x, y) = x y A
y
x
= x+y x
y
=x2 + xy + xy
=x2 + 2xy
36
Formas Bilineales
B=
q(x, y) = x
= x
2
0
1
0
x
y B
y
x
2x
y
=x2 + 2xy
Supondremos que 1 + 1 6= 0.
Para una forma cuadr
atica q, en n variables
q(x) =
n X
i
X
aij xi xj
i=1 j=1
aij
2
aii
si i 6= j
si i = j
0. Formas Cuadr
aticas
37
qAq (x) =
=
n X
n
X
i=1 j=1
n X
n
X
i=1 j=1
n X
i
X
Aqij xi xj
n
X
aij
xi xj +
aii x2i
2
i=1
aij xi xj
i=1 j=1
=q(x).
Tambien, toda forma cuadr
atica q QFn (K) induce una forma bilineal simetrica en Bil(K n )
Bq (x, y) =
1
(q(x + y) q(x) q(y))
2
Proposici
on 34. Sea T un operador normal en V . Entonces C es
es valor propio de T .
un valor propio de T si y solo si
38
Formas Bilineales
Demostraci
on
Ei V
i=1
si la contenci
on es propia entonces
W =
M
k
Ei
6= 0
i=1
Consideremos w W y v Ei , entonces
< T (w), v >= < w, T (v) >
iv >
= < w,
= < w, v >
= 0
=0
Por lo que T (w) W .
0. Formas Cuadr
aticas
39
Lk
Observaci
on. Si T = f (T ) con f C[x], entonces T es normal.
Proposici
on 36. Sea T un operador en V entonces T es normal si y
solo si T tiene una base ortogonal de vectores propios.
Demostraci
on
Si T es normal entonces T es diagonalizable por lo que V =
i=1 Ei donde los i son los distintos valores propios de T , consideramos una base ortogonal i en Ei , sean vi i y vj j , entonces
Lk
40
Formas Bilineales
Operadores Autoadjuntos
Proposici
on 37. Sea T un operador autoadjunto en V entonces T es
diagonalizable.
Demostraci
on
Consideremos base de V y n = dimV , entonces podemos pensar
V como Rn y a Rn metido en Cn m
as a
un esto extiende [T ] como
transformaci
on lineal de Rn en Rn a una de Cn en Cn .
Como [T ] es un operador sobre C, tiene al menos un valor propio
es un valor propio de [T ] , pero por hipotesis T = T ,
C, m
as a
un
v =[T ] v
=[T ] v
=v
por lo que R. Por lo que T tiene todos
como v 6= 0 entonces = ,
sus valores propios reales. Sean 1 , ..., k los diferentes valores propios de
Lk
on propia definimos
T , si i=1 Ei V es una contenci
W =
M
k
i=1
Sea w W y v Ei , entonces
Ei
6= 0
0. Operadores Unitarios
41
42
Formas Bilineales
Teorema Espectral
Aqu nos olvidaremos de la hip
otesis de dimension finita.
Definici
on. Si T es un operador en V , y V = W U a modo de que si
v V se ve como v = w + u con w W y u U , entonces
T (v) = w
en este caso se le llamar
a a T la proyecci
on de W atraves de U y se
QW
denotar
a por U .
Ejemplos
OX,
por lo que
1. R2 = OX
OY
Y
(x, y) = (x, 0)
OX
OY
OX
(x, y) = (0, y)
=(x y/a, 0)
3. Si HI 6= 0, P (K) = {f K K |f es par } y I(K) = {f K K |f es
I(K)
(x)
impar} entonces K K = I(K) P (K) P (K) (f )(x) = f (x)f
2
Proposici
on 39. Sea T un operador en V entonces T es una proyecci
on
si y solo si T es idempotente.
0. Teorema Espectral
43
Demostraci
on
)
) Si T es idempotente entonces
V =imT nucT
imT
T =nucT
W
Definici
on. Llamaremos a una proyecci
on ortogonal U
si U = W y
W
= W , en este caso denotaremos a la proyeccion por W .
44
Formas Bilineales
< v T (v), v T (v) >= < v, v T (v) > < T (v), v T (v) >
=0
De aqu v T (v) = 0 por lo que T (v) = v, esto es que v imT , por
lo tanto imT = (imT ) .
Proposici
on 41. Sea W V con W = W , entonces W (v) es el
elemento de W m
as cercano a v.
0. Teorema Espectral
45
Demostraci
on
Primero v = W (v) + (v W (v)) y v W (v) nucT = (imT ) =
W .
Ahora
j6=1
Ej entonces (Ei ) = Ei
2. Ti Tj = ij Ti
3. 1V =
4. T =
Pk
i=1
Pk
i=1
Ti
i Ti
Demostraci
on
Primero notemos que como T es diagonalizable V =
Lk
i=1
Ei
46
Formas Bilineales
E
por
lo que Ti (v) = Ei (v) = vi , as
i
i
i=1 i
k
X
Ti (v) =
i=1
k
X
vi = v
i=1
k
X
T (vi )
i=1
k
X
i vi
i=1
k
X
i=1
i Ti (v).
0. Teorema Espectral
47
Corolario 6. Sea T un operador normal en C V entonces T es autoadjunto si y solo si todo valor propio de T es real.
Demostraci
on
) Sea un valor propio de T y v un vector propio de entonces
v =T (v)
=T (v)
=v
entonces = .
) Como
T =(
k
X
i Ti )
i=1
k
X
iT
i=1
k
X
i=1
=T
i Ti
48
Formas Bilineales
Triangulaci
on Compleja
Aqu regresemos a la hip
otesis de dimensi
on finita.
Teorema 4 (Descomposici
on de Schur). Sea T un operador en C V , entonces existe una base tal que [T ] es triangular superior.
Demostraci
on
Como pT C[x] entonces tiene al menos un valor propio 1 , descomponemos a V = E1 E1 .
Ahora consideramos bases ortonormales 10 y 100 de Ei y Ei , por
lo que 1 = 10 100 es una base ortonormal de V , mas a
un
[T ]1 =
A01
A02
1 I
0
Tenemos que
[A02 ]2 =
2
0
a21
A22
[T ]2
1 I
= 0
0
A12
2 I
0
A22
A32
A42
Captulo 1
Forma Can
onica de Jordan
Definici
on. Sea T un operador en V y un valor propio de T , entonces
v V es un vector propio generalizado, si v 6= 0 y existe n N tal que
(T 1V )n (v) = 0.
Observaci
on. Si p = mn{n N|(T 1V )n (v) = 0} entonces
p1
(T 1V ) (v) es un vector propio del valor propio .
Notemos que p no puede ser cero, pues en dicho caso (T 1V )0 = 1V ,
lo cual implicara que v = 0.
Definici
on. Sea T un operador en V y v V un vector propio generalizado de T con valor propio . Si p = mn{n N|(T 1V (v) = 0}
entonces llamaremos a {(T 1(v), ..., (T 1)(v), v} un ciclo de vectores propios generalizado generado por v, y a p se le llama la longitud del
ciclo.
Proposici
on 42. Sea T un operador en V y un ciclo de vectores propios generalizado generado por v entonces es linealmente independiente.
Demostraci
on
Por inducci
on sobre
Si p = 1, entonces = {v} es linealmente independiente.
La hip
otesis de inducci
on ser
a
49
50
ai (T 1)i (v) = 0
i=0
aplicando (T 1) tenemos
p1
X
ai (T 1)i+1 (v) = 0
i=0
que implica
0=
p2
X
i+1
ai (T 1)
i=0
(v) =
p1
X
ai1 (T 1)(v)
i=1
1
0
Jij =
Ejemplo
1 1
1. J =
0 2
3 1
2. J = 0 3
0 0
0
1
3
si j = i + 1
si j =
6 i + 1, i
si i = j
51
Proposici
on 43. Sea T un operador en V , con un ciclo de vectores
propios generalizado generado por y de longitud p = dimV , entonces [T ]
es un bloque de Jordan.
Demostraci
on
Por la proposici
on y la dimensi
on, es base. Siguiente
= {(T 1)p1 (v), ..., (T 1)(v), v}
(T 1)(T 1)p1 (v) = 0
lo que implica que T ((T 1)p1 (v)) = v.
T (v) =T (v) v + v
=1 (T 1)(v) + v
k
X
k
T ((T 1) )(v) =T (
T ()ki (v))
i
k
i=0
k
X
k
i=0
k+1
X
i=0
k
X
k+1
k
T ()ki (v) +
T ?i ()ki (v)
i
i
=1 (T 1)
k+1
i=0
k
(v) + (T 1) (v)
52
Definici
on. Sea un valor propio de T un operador en V , definimos
K = {v V |n N(T 1)n (v) = 0}
es decir K es el conjunto de los valores propios generalizados de .
Proposici
on 44. Sea T un operador en V y un valor propio de T ,
entonces K V .
Demostraci
on
Sea x, y K entonces existen p, q N tales que (T )p (x) = 0 =
(T )q (y).
Tomamos r = m
ax{p, q}, entonces
(T )r (x + y) =(T )r (x) + (T )r (y)
=0 + 0
=0
Por lo que x + y K .
Para K, (T )p (x) = (T )p (x) = 0 = 0.
Proposici
on 45. Sea T un operador en V tal que [T ] es un bloque de
Jordan, entonces es un ciclo de vectores propios generalizados.
Demostraci
on
Sea = {v, ..., vn } y ponemos a vn = v y = [T ]11 .
Primero observamos que T (vi ) = vi +vi1 para i = 2, ..., n y T (v1 ) =
v1 .
De esto T (vi ) vi = vi1 .
Recursivamente tenemos que (T )ni (v) = vi .
53
Definici
on. Una matriz A Mn (K) es una forma canonica de Jordan
si es una matriz diagonal de matrices, a modo que la matriz Aii sea un
bloque de Jordan.
Definici
on. Sea T un operador en V y una base de V , si [T ] es una
forma can
onica de Jordan, a la llamaremos una forma de Jordan.
Proposici
on 46. Sea T un operador en V y 1 , ..., k distintos valores
propios de T , entonces
Kj
X
Ki = 0
j = 1, ...k
i6=j
Demostraci
on
P
Sean x Kj
i6=j Ki con x 6= 0, entonces x = vj Kj y
P
Pk
x = i6=j vi con vi Ki , entonces 0 = i=1 vi .
Sea pi el mnimo natural (T )pi (vi ) = 0 y se aplica (T 1 )p1 ...(T
j1 )pj1 (T j+1 )pj+1 ...(T k )pk de ambos lados, lo que resulta en
0 = (T j )pj1 (vj )
Pero por lo visto anteriormente, (T j )pj1 (vj ) es un vector
propio! por lo que no puede ser cero.
Por lo tanto x = 0.
Corolario 8. Sea T un operador en V , entonces todo vector propio generalizado tiene un u
nico valor propio.
54
Proposici
on 47. Sea T un operador en V con valor propio y sean
Si = {(T )pi 1 (vi )..., (vi )} ciclos de vectores propios asociados a de
longitud pi y generados por vi con i = 1, ..., k.
Si = {(T )p1 1 (v1 ), ..., (T )pk1 (vk )} son linealmente independientes conPk elementos, entonces S = ki=1 Si es linealmente inden
pendiente con i=1 pi elementos.
Demostraci
on
Sin perdida de generalidad podemos suponer que p1 p2 ... pk ,
as que hacemos inducci
on sobre pk .
Si pk = 1, entonces
k
[
Si ={v1 , ..., vk }
i=1
Si =
i=1
k
[
Si ) {vi , ..., vk }
i=1
k
[
i=1
Si | =
k
k
X
X
(pi 1) + k =
pi
i=1
i=1
Sea 0 =
on lineal de los elementos de S,
sS as s una combinaci
aplicando T obtenemos
55
0=
as (T )(s)
sS
as (T )(s) +
as (T )(s)
sS\
as (T )(s)
sS\
56
Como es la uni
on de ciclos de vectores propios, consideramos Si =
{T pi 1 (vi ), ..., vi } los ciclos correspondientes al valor propio 0 con i =
1, ..., k.
Como vi imT wi V tal que T (wi ) = vi por lo que podemos
considerar los siguientes ciclos
Si0 = {T pi (wi ), ..., wi }
con i = 1, ..., k, S 0 = ki=1 Si0 .
Recordemos que A = {T p1 (w1 ), ...T pk (wk )} es un conjunto de vectores propios correspondientes al cero, es decir, es un subconjunto del
n
ucleo de T , adem
as es linealmente independiente por que A , ahora
A se puede extender a una base A B con A B 6= .
Haciendo cuentas
|A| = k,
57
Corolario 9. Sea T un operador en VC , entonces existe una base de
Jordan para T .
Corolario 10. Sea T un operador en VC , entonces existe base de V
tal que [T ] es triangular superior.
Proposici
on 48. Sea T un operador en V con pT que se escinde. Si
1 , ..., k son los distintos valores propios de T con la multiplicidad algebraica de i mi y una base de Jordan para T . Si ponemos i = Ki
para i = 1, ..., k. Entonces
Lk
1. V = i=1 Ki
2. i es una base para Ki
3. Ki T V para i = 1, ..., k
4. dim(Ki ) = mi para i = 1, ..., k
5. Ki = nuc(T 1)mi para i = 1, ..., k
6. T es diagonalizable si y solo si E1 = Ki para i = 1, ..., k