You are on page 1of 22

Facultad de Ingeniera. Asignatura: Algebra Lineal. SAIA E. Profesora: Lic. Maria Victoria Paredes Ponce.

Alumno: Valentino Raffaele Crocetta Yanuario. C.I: 10.144.294. Semestre: III.

Polinomio Caracterstico:

En lgebra lineal, se asocia un polinomio a cada matriz cuadrada llamado polinomio caracterstico. Dicho polinomio contiene una gran cantidad de informacin sobre la matriz, los ms significativos son los valores propios, su determinante y su traza. El polinomio caracterstico es una de las vas que se utiliza para calcular autovalores.

=0

+ + + =

Definicin Formal:
Sea K un cuerpo (podemos imaginar K como el cuerpo de los reales o de los complejos) y una matriz cuadrada A n-dimensional sobre K. El polinomio caracterstico de A, denotado por () , es el polinomio definido por:

()

= ( )

donde I denota la matriz identidad n-por-n. Algunos autores definen el polinomio caracterstico como ( ); la diferencia es inmaterial puesto que los dos polinomios nicamente se diferencian por su signo.

Subespacios:

Los subespacios que se presentan a continuacin son claves en la diagonalizacin de matrices.

Subespacios de un espacio afn

E()= | =

Fijemos un espacio afn (A, V) de dimensin n sobre un cuerpo K. Vamos a hacer un poco de geometra de puntos, rectas, planos, hiperplanos afines, es decir, formados por puntos "de verdad'', no por vectores. Definicin: Un subespacio del espacio afn A es un subconjunto S es subconjunto de A tal que el conjunto de vectores L = {PQ : P,Q pertenecen a S}
es un subespacio vectorial de V.

Teorema Espectral: Entre los resultados consignados en el teorema espectral, se seala que las matrices simtricas tienen autovalores reales. En matemticas, y ms especialmente en lgebra lineal y anlisis funcional, el teorema de descomposicin espectral, o ms brevemente teorema espectral, expresa las condiciones bajo las cuales un operador o una matriz pueden ser diagonalizados (es decir, representadas como una matriz diagonal en alguna base). Se identifica as, un tipo de operadores lineales que pueden representarse como una multiplicacin de operadores. Ejemplos de los operadores a los que se aplica este teorema son los operadores autoadjuntos, o ms en general, los operadores normales en espacios de Hilbert. El Teorema Espectral, proporciona adems, una descomposicin cannica (llamada descomposicin espectral) del espacio vectorial sobre el cual acta el operador.

Espacio de Dimensin finita:


Sea A: Un Operador hermtico, Una Matriz cuadrada y Perteneciente a un espacio real o complejo V, de dimensin no infinita Con el producto interno estndar, usando notacin de Dirac, la simetra del operador implica:

para toda pareja de elementos () . Recordemos que un vector propio de un operador A es un vector x distinto de cero tal que Ax = rx. El valor r es el valor propio del vector, y debe ser un escalar. Teorema: Existe una base ortonormal de V que consiste en los vectores propios de A. Los valores propios correspondientes a cada vector son reales.

| = |

Diagonalizacin de matrices simtricas por matrices ortogonales:


En lgebra lineal una matriz cuadrada A se dice que es diagonalizable si es semejante a una matriz diagonal, es decir, si mediante un cambio de base puede reducirse a una forma diagonal. En este caso, la matriz podr descomponerse de la forma = donde es una matriz invertible cuyos vectores columna son vectores propios de y es una matriz diagonal formada por los valores propios de A. Si la matriz es semejante ortogonalmente a una matriz diagonal, es decir, si la matriz es ortogonal se dice entonces que la matriz es diagonalizable ortogonalmente, pudiendo escribirse como = . El teorema espectral garantiza que cualquier matriz cuadrada simtrica con coeficientes reales es ortogonalmente diagonalizable. En este caso est formada por una base ortonormal de vectores propios de la matriz siendo los valores propios reales. La matriz es por tanto ortogonal y los vectores filas de son los vectores columnas de .

Autovalores por Matrices de Rotacin:


En lgebra lineal, los vectores propios, autovectores o eigenvectores de un operador lineal son los vectores no nulos que, cuando son transformados por el operador, dan lugar a un mltiplo escalar de s mismos, con lo que no cambian su direccin. Este escalar recibe el nombre valor propio, autovalor, valor caracterstico o eigenvalor. A menudo, una transformacin queda completamente determinada por sus vectores propios y valores propios. Un espacio propio, autoespacio o eigenespacio es el conjunto de vectores propios con un valor propio comn.

Definicin:
Las transformaciones lineales del espacio como la rotacin, la reflexin, el ensanchamiento, o cualquier combinacin de las anteriores; en esta lista podran incluirse otras transformaciones, que pueden interpretarse mediante el efecto que producen en los vectores. Los vectores pueden visualizarse como flechas de una cierta longitud apuntando en una direccin y sentido determinado. Los vectores propios de las transformaciones lineales, son vectores que, o no se ven afectados por la transformacin o se ven multiplicados por un escalar, y por tanto no varan su direccin. El valor propio de un vector propio es el factor de escala por el que ha sido multiplicado. Un espacio propio es un espacio formado por todos los vectores propios del mismo valor propio, adems del vector nulo, que no es un vector propio. La multiplicidad geomtrica de un valor propio es la dimensin del espacio propio asociado. El espectro de una transformacin en espacios vectoriales finitos es el conjunto de todos sus valores propios.

Descomposicin QR:
La descomposicin QR que se presenta a continuacin tiene diversas aplicaciones. Se utiliza en la solucin de sistemas de ecuaciones por mnimos cuadrados. Es tambin la base de un algoritmo particular para el clculo de autovalores: el algoritmo En lgebra lineal, la descomposicin o factorizacin QR de una matriz es una descomposicin de la misma como producto de una matriz ortogonal por una triangular superior. La descomposicin QR es la base del algoritmo QR utilizado para el clculo de los vectores y valores propios de una matriz. Definicin formal: La descomposicin QR de una matriz cuadrada real A es: donde Q es una matriz triangular superior.

A = QR ortogonal ( = )

y R es una matriz

Diagonalizacin:
Para estudiar una matriz suele ser conveniente expresarla de forma lo ms sencilla posible. Diagonalizar una matriz A es precisamente eso: escribirla de manera simple encontrando una matriz invertible P y una diagonal D (si se puede) tales que

=
La matriz P se llama matriz de paso. Matriz diagonalizable: Una matriz n x n es diagonolazible si existe una matriz diagonal D tal que A es semejante a D. Observacin: Si D es una matriz diagonal, entonces los valores propios son sus componentes en la diagonal. Si A es semejante a D, entonces A y D tiene los mismos valores propios. Uniendo estos dos hechos se observa que si A es diagonaliizable, entonces A es semejante a una matriz diagonal cuyas componentes en la diagonal son los valores propios de A.

Ejercicio 1.- Dada la matriz:


=

Obtenga sus valores y vectores propios. Es diagonalizable? = =

=
=

+ =

+ + = = + = ( + )( + ) = + + + = + 1 0 1 1 1 1 -3 1 -2
=

2 -2 0

1 Para encontrar un vector propio = 2 3

Asociado a este: 0 = 1;

Se resuelve el sistema homogneo de ecuaciones lineales:

|0 |. =

1 . 2 = 0 3

3 |0 |. = 0 0
|0 |. = 31 0 0

1 3 0 0 0 4 . 2 = 0 3 0 0 0
32 0 0 0 43 = 0 0

Por lo tanto: 31 32 = 0 43 = 0 un vector propio


0 asociado a 0 = 1 0 0

Dado que las ecuaciones anteriores son indeterminadas, no hay

Ejercicio 2.- Dada la siguiente matriz: =

a) Analice cundo no es diagonalizable. En tal caso, determine la forma cannica de Jordan e indique los sistemas que habra que resolver para obtener los vectores que forman la matriz de paso. b) Cundo se dice que dos matrices A y B son semejantes? Qu significa que una matriz sea diagonalizable? =

() = ( )

=
= =

Ejercicio 3.- Dada la matriz: =

Obtenga sus valores y vectores propios. Es diagonalizable? = . =

= = ( )

= . . + = +

Aplicando Ruffini tenemos:


1 -12 -4 -4 1 -16 -48 64 16 64 -64 0

+ () () ()() = = . () , = = =

+ , , = = ,

, , = = = ,

= ,
= , Por lo tanto: Para =

| =
| =

+
+

+ | = + +

| =

Para = ,
, | = + ,

, | =

, , + ,

, , , | = ,

Para = , , | = , | = ,

, , ,

, , , | = ,

You might also like