Anda di halaman 1dari 16

CONTENIDO

COMBINACION LINEAL .................................................................................................................. 2


ESPACIOS VECTORIALES ................................................................................................................ 3
SUBESPACIO VECTORIAL (H) ..................................................................................................... 3
ESPACIO COLUMNA (col A) Y ESPACIO NULO (𝑵𝒖𝒍 𝑨) DE UNA MATRIZ .................................. 3
ESPACIO COLUMNA (𝑪𝒐𝒍 𝑨) ..................................................................................................... 4
ESPACIO NULO (𝑵𝒖𝒍 𝑨)............................................................................................................. 4
CONJUNTOS LINEALMENTE INDEPENDIENTES.............................................................................. 5
CONJUNTO GENERADOR ............................................................................................................... 6
BASE PARA UN SUBESPACIO ......................................................................................................... 7
BASES PARA 𝑵𝒖𝒍 𝑨 𝒀 𝑪𝒐𝒍 𝑨. .................................................................................................... 7
DIMENSION DE UN SUBESPACIO................................................................................................... 8
RANGO DE UNA MATRIZ ............................................................................................................... 9
ORTOGONALIDAD Y DIAGONALIZACION. .................................................................................... 10
VECTORES Y VALORES PROPIOS .............................................................................................. 10
LA ECUACION CARACTERISTICA. ............................................................................................. 12
DIAGONALIZACION.................................................................................................................. 13
COMBINACION LINEAL
Dados los vectores 𝑣1 , 𝑣2 , … , 𝑣𝑝 en 𝑅 𝑛 y dados los escalares 𝑐1 , 𝑐2 , … , 𝑐𝑝 , el vector es definido
por:
𝑌 = 𝐶1 𝑉1 + 𝐶2 𝑉2 … + 𝐶𝑃 𝑉𝑃

Los pesos en una combinación lineal pueden ser cualesquiera números reales, incluyendo el
cero.

Ejemplo:

- √3𝑉1 + 𝑉2
1 1
- 𝑉 = 2 𝑉1 + 0𝑉2 + 0𝑉3
2 1
- 0 = 0𝑉1 + 0𝑉2 → Vector cero.

Puede ser representada como una suma de combinación lineal los siguientes vectores:

1 2 7
𝑎1 = [−2] 𝑎2 = [5] 𝑏=[ 4 ]
−5 6 −3

𝑏 = 𝑐1 𝑎1 + 𝑐2 𝑎2

𝑥1 𝑎1 + 𝑥2 𝑎2 = 𝑏

1 2 7
𝑥1 [−2] + 𝑥2 [5] = [ 4 ]
−5 6 −3
𝑥1 2𝑥2 7
[−2𝑥1 ] + [5𝑥2 ] = [ 4 ]
−5𝑥1 6𝑥2 −3

𝑥1 + 2𝑥2 7
[−2𝑥1 + 5𝑥2 ] = [ 4 ]
−5𝑥1 + 6𝑥2 −3

Pro brevedad, se escribe esta matriz en una forma que identifique sus columnas de la siguiente
manera, solo cuando tiene solución:

𝑥1 𝑎1 + 𝑥2 𝑎2 = 𝑏

3𝑎1 + 2𝑎2 = 𝑏
ESPACIOS VECTORIALES
Un espacio vectorial es un conjunto no vacío V de objetos, llamados vectores, en el que están
definidas dos operaciones, llamadas sumas y multiplicaciones por escalares.

SUBESPACIO VECTORIAL (H)


Con frecuencia surgen subespacio conectados con alguna matriz A, los cuales brindan
información útil acerca de la ecuación 𝐴𝑥 = 𝑏.

Un subespacio de 𝑅 𝑛 es cualquier conjunto H en 𝑅 𝑛 que tenga tres propiedades:

a. El espacio cero esta en 𝐻.


b. Para cada u y v en 𝐻, la suma 𝑢 + 𝑣 esta en H.
c. Para cada u en 𝐻 y cada escalar c, el vector 𝑐𝑢 está en H.

Ejemplos:

En cada caso, de una razón especifica por el cual el conjunto H no es un subespacio de 𝑅 2.

𝑢1 𝑣1 𝑢 + 𝑣1 𝑢1 𝑘𝑢
[𝑢 ] + [𝑣 ] = [𝑢1 + 𝑣2 ] 𝑘 [𝑢 ] = [ 1 ]
2 2 2 2 𝑘𝑢2

1 2 3 2 −6
1. [ ]+[ ]=[ ] −3 [ ] = [ ]
2 2 4 3 −9

No es un subespacio ya que no cumple con la regla y si está dentro del subespacio.

−1 2 1 −1 −4
2. [ ]+[ ]= [ ] 4[ ]=[ ]
2 −3 −1 2 8

Si es un subespacio ya que cumple con las condiciones 1, 2 y 3.

1 1 2 1 4
3. [ ]+[ ]=[ ] 4[ ] = [ ]
1 −1 0 1 4

Si es un subespacio ya que cumple con las condiciones 1, 2 y 3.

ESPACIO COLUMNA (col A) Y ESPACIO NULO (𝑵𝒖𝒍 𝑨) DE UNA MATRIZ

Los subespacios de 𝑹𝒏 generalmente se presentan en aplicaciones y en la teoría en una de dos


formas:
ESPACIO COLUMNA (𝑪𝒐𝒍 𝑨)

El espacio de columnas de una matriz A es el conjunto Col A de todas las combinaciones de las
columnas de A.

El espacio columna de una matriz de m x n es una subespacio de 𝑅 𝑚 . Col A es igual a 𝑅 𝑚 solo


cuando las columnas de A generan a 𝑅 𝑚 . Si no generan, Col A es solo una parte de 𝑅 𝑚 . Sed nota
como Col A, al conjunto de todas las combinaciones lineales de las columnas de A. si 𝐴 =
[𝑎1 , … , 𝑎𝑛 ] entonces

𝐶𝑜𝑙 𝐴 = 𝐺𝑒𝑛 {𝑎1 , … , 𝑎𝑛 }

Ejemplo:

Encuentre una matriz A tal que 𝑊 = 𝐶𝑜𝑙 𝐴.

6𝑎 − 𝑏
1. 𝑊 = {[ 𝑎 + 𝑏 ] : 𝑎, 𝑏 𝑒𝑛 𝑅}
−7𝑎

6 −1
𝑊 = {𝑎 [ 1 ] + 𝑏 [ 1 ] : 𝑎, 𝑏 𝑒𝑛 𝑅}
−7 0

6 −1
= 𝐺𝑒𝑛 {[ 1 ] , [ 1 ]}
−7 0
−𝑠 + 3𝑡
2. 𝑊 = {[ 𝑠 − 2𝑡 ] : 𝑠, 𝑡 𝑒𝑛 𝑅}
5𝑠 − 𝑡
−1 3
𝑊 = {𝑠 [ 1 ] + 𝑡 [−2] : 𝑠, 𝑡 𝑒𝑛 𝑅}
5 −1
−1 3
= 𝐺𝑒𝑛 {[ 1 ] , [−2]}
5 −1

Se concluye que 𝐴𝑥 = 𝑏 es consistente, y por lo tanto b está en 𝐶𝑜𝑙 𝐴. lo que indica que el
espacio columna de A es el conjunto de todas las b para las que el sistema tiene una solución.

ESPACIO NULO (𝑵𝒖𝒍 𝑨).

El espacio nulo de una matriz A es el conjunto 𝑁𝑢𝑙 𝐴 de todas las soluciones posibles para la
ecuación homogénea 𝐴𝑥 = 0.

El espacio nulo de una matriz A de 𝑚 𝑥 𝑛 es un subespacio de 𝑅 𝑛 . El cual el conjunto de todas


las soluciones posibles para un sistema 𝐴𝑥 = 0 de m ecuaciones lineales homogéneas con n
incógnitas es un subespacio de 𝑅 𝑛 .
Ejemplo:

-Probar si u satisface 𝐴𝑢 = 0, simplemente se calcula.

5
1 −3 −2 5 −9 +4 0
𝐴𝑢 [ ][ 3 ] = [ ]=[ ]
−5 9 1 −25 +27 −2 0
−2

U en efecto está en 𝑁𝑢𝑙 𝐴

- Determine el un conjunto generador del espacio nulo de la matriz.

−3 6 −1 1 −7
𝐴 = [ 1 −2 2 3 −1]
2 −4 5 8 −4

𝑨𝒙 = 𝟎

−3 6 −1 1 −7 0
[ 1 −2 2 3 −1 0]
2 −4 5 8 −4 0

1 −2 0 – 1 3 0
[0 0 1 2 −2 0]
0 0 0 0 0 0

𝑥1 − 2𝑥2 − 𝑥4 + 3𝑥5 = 0
𝑥3 + 2𝑥4 − 2𝑥5 = 0
0=0

= 𝑥2 𝑢 + 𝑥4 𝑣 + 𝑥5 𝑤

Por lo tanto {𝑢, 𝑣, 𝑤} es un conjunto generado para 𝑁𝑢𝑙 𝐴.

CONJUNTOS LINEALMENTE INDEPENDIENTES


Se dice que el conjunto de vectores {𝑣1 , … , 𝑣𝑝 } en V es linealmente independiente si la ecuación
vectorial

𝐶1 𝑉1 + 𝐶2 𝑉2 + ⋯ + 𝐶𝑃 𝑉𝑃 = 0

Tiene solamente la solución trivial 𝑐1 = 0, … , 𝑐𝑝 = 0.

Se dice que el conjunto {𝑣1 , … , 𝑣𝑝 } es linealmente independiente si tiene una solución no trivial,
si hay algunos pesos 𝑐1 , … , 𝑐𝑝 , no todos cero, tales que la ecuación sea válida.
Al igual que 𝑅 𝑛 , un conjunto que contiene un único vector v es linealmente independiente si y
solo si 𝑣 ≠ 0. Además un conjunto de dos vectores es linealmente dependiente si y solo si uno
de los vectores es un múltiplo del otro. Y cualquier conjunto que contenga al vector cero es
linealmente dependiente.

Ejemplo:

- un vector.

𝐶1 𝑉1 𝐶1 ≠ 0 El vector cero es un vector dependiente.

- dos vectores.

3 6 3 6
𝑢=[ ] 𝑣=[ ] 2𝑢 = 𝑣 = 2 [ ] = [ ] 2𝑢 − 𝑣 = 0
1 2 1 2

3 6
[ ] [ ] No hay dependencia lineal.
1 2

- El conjunto de vectores son linealmente dependientes o independiente.

1 4 2
𝑣1 = [2] 𝑣2 = [5] 𝑣3 = [1]
3 6 0

𝑋1 𝑉1 + 𝑋2 𝑉2 + 𝑋3 𝑉3 = 0

1 4 2 0 1 4 2 0
[2 5 1 0] ~ [0 1 1 0]
3 6 0 0 0 0 0 0

1 4 0 0
~ [0 1 1 0]
0 0 0 0

La matriz es linealmente dependiente.

CONJUNTO GENERADOR
El conjunto de todos los vectores se pueden generar o escribir como una combinación lineal de
un conjunto fijo {𝑣1 , … , 𝑣𝑝 } de vectores. Forman un conjunto generador los resultados de las
combinaciones lineales.

Si 𝑣1 , … , 𝑣𝑝 están en 𝑅 𝑛 , entonces el conjunto de todas las combinaciones lineales de 𝑣1 , … , 𝑣𝑝 se


denotan como Gen {𝑣1 , … , 𝑣𝑝 } y se llama subconjunto de 𝑅 𝑛 generado por 𝑣1 , … , 𝑣𝑝 . El conjunto
de todos los vectores se puede escribir en la forma:
𝑏1
𝐶1 𝑉1 + 𝐶2 𝑉2 + ⋯ + 𝐶𝑃 𝑉𝑃 = {𝑏2 }
𝑏3

Ejemplo:

0 2 6
𝑣1 = [ 2 ] 𝑣2 = [2] 𝑣3 = [ 16 ] 𝑦 𝐻 = 𝐺𝑒𝑛{𝑣1 , 𝑣2 , 𝑣3 }.
−1 0 −5

Cada vector 𝐻 = 𝐺𝑒𝑛{𝑣1 , 𝑣2 } pertenece a H porque

𝑐1 𝑣1 + 𝑐2 𝑣2 = 𝑐1 𝑣1 + 𝑐2 𝑣2 + 0𝑣3

𝑥 = 𝑐1 𝑣1 + 𝑐2 𝑣2 + 𝑐3 𝑣3

𝑣3 = 5𝑣1 + 3𝑣2

𝑥 = 𝑐1 𝑣1 + 𝑐2 𝑣2 + 𝑐3 (5𝑣1 + 3𝑣2 )

Por lo que x está en 𝐺𝑒𝑛{𝑣1 , 𝑣2 }, por lo que cada vector en H ya pertenece a 𝐺𝑒𝑛{𝑣1 , 𝑣2 }

BASE PARA UN SUBESPACIO


Un subespacio contiene un número infinito de vectores, es factible demostrar que el conjunto
generador más pequeño posible debe ser linealmente independiente.

Una base de un subespacio H de 𝑅 𝑛 . Es un conjunto linealmente independiente en H, que genera


a H.

BASES PARA 𝑵𝒖𝒍 𝑨 𝒀 𝑪𝒐𝒍 𝑨.


Las columnas pivote de una matriz A forman una base para 𝐶𝑜𝑙 𝐴.

Siempre se produce un conjunto linealmente independiente cuando 𝑁𝑢𝑙 𝐴 contiene vectores


distintos de cero. Por lo tanto el método produce una base para 𝑁𝑢𝑙 𝐴.

Ejemplo

- Encuentre la base para 𝐶𝑜𝑙 𝐵, donde


1 4 2 0 0
𝐵 = [𝑏1 𝑏2 ]
… 𝑏5 = [0 0 −1 1 0]
0 0 0 0 1
Las columnas de la matriz que forman pivotes son las bases de la combinación, por lo tanto cada
columna que no es pivote de B es una combinación lineal de las columnas pivote. Por lo tanto
las que generan 𝐶𝑜𝑙 𝐵 es:
1 2 0
{𝑏 }
𝑆 = 1 , 𝑏3 , 𝑏5 = {[0] , [−1] , [0]}
0 0 1

- Encuentre una base para el espacio nulo de la matriz.


−3 6 −1 1 −7
𝐴 = [ 1 −2 2 3 −1]
2 −4 5 8 −4
Escribo la solución de 𝐴𝑥 = 0 en forma vectorial paramétrica:
−3 6 −1 1 −7 0 1 −2 0 −1 3 0
[ 1 −2 2 3 −1 0] ~ [0 0 1 2 −2 0]
2 −4 5 8 −4 0 0 0 0 0 0 0

𝑥1 − 2𝑥2 − 𝑥4 + 3𝑥5 = 0
𝑥3 + 2𝑥4 − 2𝑥5 = 0
0=0

𝑥1 2𝑥2 + 𝑥4 − 3𝑥5 2 1 −3
𝑥2 𝑥2 1 0 0
𝑥3 = −2𝑥4 + 2𝑥5 = 𝑥2 0 +𝑥4 −2 + 𝑥5 2
𝑥4 𝑥4 0 1 0
[𝑥5 ] [ 𝑥5 ] [ 0 ] [ 0 ] [ 1]

= 𝑥2 𝑢 + 𝑥4 𝑣 + 𝑥5 𝑤

El vector 𝑥2 𝑢 + 𝑥4 𝑣 + 𝑥5 𝑤, asi como {𝑢, 𝑣, 𝑤}, es una base para 𝑁𝑢𝑙 𝐴.

- Del ejercicio aplicado anteriormente determine Col A.


−3 6 −1 1 −7 0 1 −2 0 −1 3 0
[ 1 −2 2 3 −1 0] ~ [0 0 1 2 −2 0]
2 −4 5 8 −4 0 0 0 0 0 0 0

−3 −1
𝐶𝑜𝑙 𝐴 = {[ 1 ] , [ 2 ]}
2 5

DIMENSION DE UN SUBESPACIO
La dimensión de un espacio H diferente de cero, que se denota mediante 𝑑𝑖𝑚 𝐻, en el números
de vectores en cualquier base para H. la dimensión del subespacio cero {0}, es por definición,
cero.

El espacio 𝑅 𝑛 , tiene dimensión n, cada base para 𝑅 𝑛 consiste en n vectores.

La dimensión de 𝑁𝑢𝑙 𝐴 es el número de bases que conforman la base para el espacio nulo de A.
RANGO DE UNA MATRIZ
El rango de una matriz A, que se denota como 𝑟𝑎𝑛𝑔𝑜 𝐴, es la dimensión del espacio columna de
A. puesto que las columnas pivote de A forman una base para 𝐶𝑜𝑙 𝐴, el rango de A es
simplemente el número de columnas pivote en A.

El teorema de rango dice si una matriz A tiene n columnas, entonces 𝑟𝑎𝑛𝑔𝑜 𝐴 + 𝑑𝑖𝑚 𝑁𝑢𝑙 𝐴 =
𝑛.

Ejemplo:

-Determine el rango de la matriz.

2 5 −3 −4 8
𝐴 = [4 7 −4 −3 9 ]
6 9 −5 2 4
0 −9 6 5 −6

2 5 −3 −4 8 2 5 −3 −4 8
𝐴~ [0 −3 2 5 −7 ] ~ … ~ [0 −3 2 5 −7]
0 −6 4 14 −20 0 0 0 4 −6
0 −9 6 5 −6 0 0 0 0 0

La matriz tiene 3 columnas pivote, así que 𝑟𝑎𝑛𝑔𝑜 𝐴 = 3 y la 𝐷𝑖𝑚 𝐶𝑜𝑙 𝐴 = 3

- Encuentre la 𝐷𝑖𝑚 𝑁𝑢𝑙 𝐴. De la siguiente matriz.


−3 6 −1 1 −7
𝐴 = [ 1 −2 2 3 −1]
2 −4 5 8 −4

−3 6 −1 1 −7 0 1 −2 0 −1 3 0
[ 1 −2 2 3 −1 0] ~ [0 0 1 2 −2 0]
2 −4 5 8 −4 0 0 0 0 0 0 0

𝑥1 − 2𝑥2 − 𝑥4 + 3𝑥5 = 0
𝑥3 + 2𝑥4 − 2𝑥5 = 0
0=0

𝑥1 2𝑥2 + 𝑥4 − 3𝑥5 2 1 −3
𝑥2 𝑥2 1 0 0
𝑥3 = −2𝑥4 + 2𝑥5 = 𝑥2 0 +𝑥4 −2 + 𝑥5 2
𝑥4 𝑥4 0 1 0
[𝑥5 ] [ 𝑥5 ] [0] [0] [1]

La 𝐷𝑖𝑚 𝑁𝑢𝑙 𝐴 es el número de bases de un espacio nulo de la matriz A entonces 𝐷𝑖𝑚 𝑁𝑢𝑙 𝐴 =
3

- Del ejercicio anterior determine el rango y espacio nulo de A


−3 6 −1 1 −7 0 1 −2 0 −1 3 0
[ 1 −2 2 3 −1 0] ~ [0 0 1 2 −2 0]
2 −4 5 8 −4 0 0 0 0 0 0 0

El rango de un espacio columna es el número de posiciones pivote en la matriz que a su vez es


la 𝐷𝑖𝑚 𝑑𝑒 𝐶𝑜𝑙 𝐴. Entonces 𝑅𝑎𝑛𝑔𝑜 𝐴 = 2 y la dimensión de 𝐶𝑜𝑙 𝐴 es 𝐷𝑖𝑚 𝐶𝑜𝑙 𝐴 = 2

Y utilizando el teorema del rango que dice que si una matriz A tiene n columnas, entonces
𝑟𝑎𝑛𝑔𝑜 𝐴 + 𝑑𝑖𝑚 𝑁𝑢𝑙 𝐴 = 𝑛.

Comprobamos:

𝑟𝑎𝑛𝑔𝑜 𝐴 + 𝑑𝑖𝑚 𝑁𝑢𝑙 𝐴 = 𝑛.

𝑅𝑎𝑛𝑔𝑜 𝐴 = 2 𝐷𝑖𝑚 𝑁𝑢𝑙 𝐴 = 3

2+3=5

Lo que cumple ya que n en la matriz es 5.

ORTOGONALIDAD Y DIAGONALIZACION.
VECTORES Y VALORES PROPIOS

Un vector propio de una matriz A de 𝑛 𝑥 𝑛 es un vector distinto de cero x tal que 𝑨𝒙 = 𝝀𝒙 para
algún escalar 𝜆. Un escalar 𝜆 es un valor propio de A si existe una solución no trivial x de 𝑨𝒙 =
𝝀𝒙; tal x es el vector propio correspondiente de 𝜆.

Los valores propios de una matriz triangular son las entradas sobres su diagonal principal.

Ejemplo:

- Determine si u es un eigenvector de la matriz A.

1 6 6
𝐴=[ ] 𝑢=[ ]
5 2 −5

𝑨𝒙 = 𝝀𝒙

1 6 6 −24 6
[ ][ ] = [ ] = −4 [ ]
5 2 −5 20 −5

Lo que 𝝀 = −𝟒 es un eigenvalor de la matriz A. por lo que cada eigenvector corresponde al


eigenvalor.

- ¿El 7 es un eigenvalor?

𝑨𝒙 = 𝝀𝒙
𝑨𝒙 = 𝟕𝒙
𝑨𝒙 − 𝟕𝒙 = 𝟎
(𝑨 − 𝟕𝑰)𝒙 = 𝟎
1 6 1 0
([ ] − 7[ ]) 𝑥 = 0
5 2 0 1
1 6 7 0
([ ]−[ ]) 𝑥 = 0
5 2 0 7
−6 6
([ ]) 𝑥 = 0
5 −5
−6 6 0
[ ]=[ ]
5 −5 0
−6 6 0 1 −1 0
[ ]∼⋯∼[ ]
5 −5 0 0 0 0

No se obtuvo la solución trivial por lo tanto el 7 es un eigenvalor de la matriz A.

- Comprobar que el 2 es un eigenvalor de A y hallar el eigen espacio.


4 −1 6
𝐴 = [ 2 1 6]
2 −1 8
𝑨𝒙 = 𝝀𝒙
𝑨𝒙 = 𝟐𝒙
𝑨𝒙 − 𝟐𝒙 = 𝟎
(𝑨 − 𝟐𝑰)𝒙 = 𝟎

4 −1 6 1 0 0
([2 1 6] − 2 [0 1 0]) 𝑥 = 0
2 −1 8 0 0 1
2 −1 6
([2 −1 6]) 𝑥 = 0
2 −1 6
2 −1 6 0
[2 −1 6] = [0]
2 −1 6 0
2 −1 6 0 1 −1/2 3 0
[2 −1 6 0] ∼ [ 0 0 0 0]
2 −1 6 0 0 0 0 0

En efecto el 2 si es un eigenvalor.

𝑥1 = 1⁄2 𝑥2 − 3𝑥3

𝑥1 1/2𝑥2 1/2 −3
𝑥
[ 2 ] = [ 𝑥2 ] = 𝑥2 [ 1 ] + 𝑥3 [ 0 ]
𝑥3 𝑥3 0 1

1/2 −3
𝑁𝑢𝑙 𝐴 = {[ 1 ] , [ 0 ]} 𝑒𝑠𝑡𝑜𝑠 𝑠𝑜𝑛 𝑙𝑜𝑠 𝑒𝑖𝑔𝑒𝑛𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧
0 1
LA ECUACION CARACTERISTICA.

Debe obtenerse los escalares 𝜆 tales que la ecuación matricial (𝐴 − 𝜆𝐼)𝑥 = 0 tenga una solución
no trivial. De acuerdo eso equivale a encontrar todas las 𝜆 tales que la matriz 𝐴 − 𝜆𝐼 no sea
invertible.
Un escalar 𝜆 es un valor propio de una matriz de A de n x n si y solo si 𝜆 satisface la ecuación
característica

𝐝𝐞𝐭(𝑨 − 𝝀𝑰) = 𝟎

Ejemplo:

2 3
𝐴=[ ]
3 −6

2 3 1 0
([ ]−𝜆[ ]) 𝑥 = 0
3 −6 0 1

2−𝜆 3
([ ]) 𝑥 = 0
3 −6 − 𝜆

2−𝜆 3
[ ] = det(2 − 𝜆)(−6 − 𝜆) − 9
3 −6 − 𝜆

det(2 − 𝜆)(−6 − 𝜆) − 9 = 0

𝜆2 + 4𝜆 − 21 = 0 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑜.

𝜆2 + 4𝜆 − 21 = 0

(𝜆 + 7)(𝜆 − 3) = 0

𝜆 = −7 𝜆=3 𝑒𝑖𝑔𝑒𝑛𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴.

- Determines el polinomio característico.


−4 −1
𝐴=[ ]
6 1
−4 −1 1 0
([ ]−𝜆[ ]) 𝑥 = 0
6 1 0 1
−4 − 𝜆 −1
([ ]) 𝑥 = 0
6 1−𝜆
2−𝜆 3
[ ] = det(−4 − 𝜆)(1 − 𝜆) + 6
3 −6 − 𝜆
det(−4 − 𝜆)(1 − 𝜆) + 6

𝜆2 + 3𝜆 + 2 = 0 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑜.

𝜆2 + 3𝜆 + 2 = 0
(𝜆 + 2)(𝜆 + 1) = 0

𝜆 = −2 𝜆 = −1 𝑒𝑖𝑔𝑒𝑛𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴.

- Determine el polinomio característico y los valores propios reales de las matrices.


9 −2
𝐴=[ ]
2 5
9 −2 1 0
([ ]−𝜆[ ]) 𝑥 = 0
2 5 0 1
9−𝜆 −2
([ ]) 𝑥 = 0
2 5−𝜆
9−𝜆 −2
[ ] = det(9 − 𝜆)(5 − 𝜆) + 4
2 5−𝜆
det(9 − 𝜆)(5 − 𝜆) + 4

𝜆2 − 14𝜆 + 49 = 0 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑜.

𝜆2 − 14𝜆 + 49 = 0
(𝜆 − 7)(𝜆 − 7) = 0

𝜆=7 𝜆=7 𝑒𝑖𝑔𝑒𝑛𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴.

DIAGONALIZACION

Una matriz A es diagonalizable si A es similar a una matriz diagonal, es decir, si 𝐴 = 𝑃𝐷𝑃−1 para
alguna matriz P invertible y alguna matiz D diagonal.

Una Matriz A de 𝑛 𝑥 𝑛 es diagonalizable, si y solo si A tiene n vectores propios linealmente


independientes.

En efecto 𝐴 = 𝑃𝐷𝑃−1, con D con matriz diagonal, si y solo si las columnas de P son n vectores
propios linealmente independientes de A. En este caso, las entradas diagonales de D son valores
propios linealmente independientes de A. En este caso, las entradas diagonales de D son valores
propios de A que corresponden, respectivamente, a los vectores propios en P.

A es diagonalizable si y solo si hay suficientes vectores propios para formar una base de 𝑅 𝑛 . Tal
base es una base de vectores propios de 𝑅 𝑛 .

Una matriz de 𝑛 𝑥 𝑛 con n valores propios distintos es diagonalizable.

Ejemplo:

Diagonalice la siguiente matriz, si es posible.

1 3 3
𝐴 = [−3 −5 −3]
3 3 1

Paso 1.- determine los valores propios de A.

0 = det(𝐴 − 𝜆𝐼) = −𝜆3 − 3𝜆2 + 4


= −(𝜆 − 1)(𝜆 + 2)2

Los valores propios son: 𝜆 = 1 𝑦 𝜆 = −2

Paso 2.- encuentre tres vectores propios de A linealmente independientes. Se necesitan 3


vectores ya que A es una matriz de 3 𝑥 3.

1
𝑏𝑎𝑠𝑒 𝜆 = 1: 𝑣1 = [−1]
1
−1 −1
𝑏𝑎𝑠𝑒 𝑝𝑎𝑟𝑎 𝜆 = −2: 𝑣2 = [ 1 ] 𝑦 𝑣3 = [ 0 ]
0 1

Se puede comprobar que {𝑣1 , 𝑣2 , 𝑣3 } es un conjunto linealmente independiente.

Paso 3.- construya con los vectores del paso 2.

1 −1 −1
𝑃 = [𝑣1 𝑣2 𝑣3 ] = [−1 1 0]
1 0 1

Paso 4.- construya D con los valores propios correspondientes.

𝜆=1

𝜆 = −2

𝜆 = −2

1 0 0
𝐷 = [0 −2 0 ]
0 0 −2

Es buna idea comprobar que P y D realmente funcionen. Para evitar el cálculo de 𝑃−1 ,
simplemente compruebo que 𝐴𝑃 = 𝑃𝐷. Esto es equivalente a 𝐴 = 𝑃𝐷𝑃−1 cuando P es
invertible.

Calcule:

1 3 3 1 −1 −1 1 2 2
𝐴𝑃 = [−3 −5 −3] [−1 1 0 ] = [−1 −2 0 ]
3 3 1 1 0 1 1 0 −2

1 −1 −1 1 0 0 1 2 2
𝑃𝐷 = [−1 1 0 ] [0 −2 0 ] = [−1 −2 0 ]
1 0 1 0 0 −2 1 0 −2

- Si es posible Diagonalice la siguiente matriz.

2 4 3
𝐴 = [−4 −6 −3]
3 3 1
Paso 1.- determinar los valores propios.

0 = det(𝐴 − 𝜆𝐼) = −𝜆3 − 3𝜆2 + 4

= −(𝜆 − 1)(𝜆 + 2)2

Los valores propios son: 𝜆 = 1 𝑦 𝜆 = −2 No obstante, es fácil comprobar que cada espacio
propio es tan solo unidimensional:

Paso 2.- encuentre los vectores propios de A

1
𝑏𝑎𝑠𝑒 𝜆 = 1: 𝑣1 = [−1]
1

−1
𝑏𝑎𝑠𝑒 𝑝𝑎𝑟𝑎 𝜆 = −2: 𝑣2 = [ 1 ]
0

No existen más valores propios, en tanto que cada vector propio de A es un múltiplo de 𝑣1 o de
𝑣2 . Por consiguiente, es imposible construir una base de 𝑅 3 utilizando vectores propios de A. de
acuerdo con el teorema 5, A noes diagonalizable.