Escolar Documentos
Profissional Documentos
Cultura Documentos
Capitulo 5. Diagonalizaci
on de operadores
1. Revisi
on de la Informaci
on y Planteamiento Del Problema
2. Estudio Preliminar Del Proceso De diagonalizaci
on
3. Ejercicios Propuestos De Valores y Vectores Propios
4. Un Criterio de Diagonalizaci
on
5. Ejercicios Resueltos de Diagonalizaci
on
6. Ejercicios Propuestos de Diagonalizaci
on
7. Aplicaciones
8. Rudimentos sobre Operadores Especiales
9. Ejercicios Propuestos
3
3
3
14
14
19
24
25
30
41
Bibliografa
43
Indice Alfabetico
45
CAPITULO 5
Diagonalizaci
on de operadores
El trabajo solidario es lo u
nico que hace
humano al ser humano
Este capitulo esta destinado a estudiar esencialmente las relaciones que existen entre los isomorfismos y
las representaciones a traves de matrices diagonales. Las competencias que adquirir
a el alumno despues de
interactuar con esta informaci
on, se resumen en los siguientes procesos:
Verificar a traves de un c
alculo directo, si una transformaci
on de un espacio en si mismo (operador),
puede o no representarse a traves de una matriz diagonal.
Concluir si un operador que se representa a traves de una matriz diagonal es o no un isomorfismo.
Determinar la existencia o la no existencia de una base que permita representar a un operador a traves
de una matriz diagonal.
1. Revisi
on de la Informaci
on y Planteamiento Del Problema
(1) Para fijar ideas diremos que una transformaci
on lineal T. Ser
a llamada un operador lineal en un K
espacio vectorial V si T LK (V).
(2) Si V es un K espacio vectorial de dimensi
on n N, y T LK (V) entonces para cada base de V
tenemos la representaci
on matricial [T ] MK (n) de T.
(3) T LK (V) isomorfismo si y s
olo si det[T ] 6= 0
(4) En particular, si [T ] es una matriz diagonal, es decir,
a11 0
0
0 a22 0
0 a33
[T ] = 0
..
..
..
..
.
.
.
.
0
0
0
0
0
0
..
.
ann
entonces T isomorfismo si y s
olo si aii 6= 0 para i = 1, 2, . . . , n
(5) Bajo que condiciones existe una tal base de V que representa en forma diagonal a un operador T ?
2. Estudio Preliminar Del Proceso De diagonalizaci
on
Motivaci
on 2.1. Supongamos que para un K espacio vectorial V de dimensi
on n N, y T LK (V) existe
una base = {v1 , v2 , . . . , vn } tal que [T ] es una matriz diagonal
(1) Por construcci
on tenemos que:
a11 0
0
0 a22 0
0
0 a33
..
..
..
.
.
.
0
0
0
..
.
0
0
0
..
.
ann
As que,
T (v1 ) = a11 v1
T (v2 ) = 0v1
T (v2 ) = 0v1
..
..
..
.
.
.
T (vn ) = 0v1
+ 0v2 + 0v3
+ a22 v2 + 0v3
+ 0v2 + a33 v3
..
..
.
.
+ 0v2 + a33 v3
+
+
+
..
.
0vn
0vn
0vn
..
.
=
=
=
..
.
a11 v1
a22 v2
a33 v3
..
.
ann vn = ann vn
(2) Es claro que si una tal base existe, debe satisfacer la propiedad
T (vi ) = aii vi
( para cada i = 1, 2, . . . , n)
As que la va para encontrar una tal base , es estudiar este tipo de comportamiento, es decir estudiar
la soluci
on en V de una ecuaci
on del tipo
T (v) = v
(Para cada K)
Observaci
on 2.2. Si V es un K espacio vectorial, y consideremos la ecuaci
on T (v) = v, para alg
un K
entonces
Si v = 0V entonces como T (0V ) = 0V , puede ser cualquier escalar.
Si v 6= 0V entonces podemos analizar esta situaci
on
T (v) = v
v T (v) = 0V
1V (v) T (v) = 0V
(1V T )(v) = 0V
v ker(1V T )
dimK ker(1V T ) 1
ker(1V T )) 6= 0V
det([1V T ] ) = 0V
a12
a13
( a11 )
a21
(
a
)
a13
22
a31
a
(
a33 )
32
=
..
..
..
.
.
.
an1
an2
an3
..
.
a1n
a2n
a3n
..
.
( ann
T (v) = v det
( a11 )
a12
a13
a21
( a22 )
a13
a31
a32
( a33 )
..
..
..
.
.
.
an1
an2
an3
..
.
a1n
a2n
a3n
..
.
( ann
n + cn1 n1 + cn2 n2 + + c1 + c0 = 0
()
=0
( )
(1)
De acuerdo a las definiciones hechas podemos caracterizar al nexo que existe entre los valores propios y los
vectores propios como sigue.
Lema 2.3.2. Sea V un K espacio vectorial de dimensi
on n N, y T LK (V), v es un vector propio del
operador T si y s
olo si (0 ; 0 K) tal que PT (0 ) = 0
Teorema 2.4. Sea V un K espacio vectorial de dimensi
on n N, y T LK (V) entonces para cada K
V = {v V | T (v) = v} V
En efecto
(1) 0V V T (0V ) = 0V = 0V . As que 0V V , y V 6=
(2) Si u V y v V entonces
u V u V T (u) = u
v V v V T (v) = v
= (u + v) V T (u + v) = T (u) + T (v) = u + v = (u + v)
As que, (u + v) V
(3) Si u V y K entonces
Luego, V V
u V
=
=
=
=
u V T (u) = u
u V T (u) = T (u)
u V T (u) = u
u V T (u) = u
u V
(; K)
x
x + 2z
Ejemplo 2.4.2. Sea T LR (MR (3 1)) tal que T y = y z .
z
z
1 0
2
0
0
1
c(3)
[T ]c(3) = 0 1 1 , donde c(3) = 0 , 1 , 0
0 0 1
0
0
1
( 1)
0
2
= ( 1)2 ( + 1)
0
( 1)
1
PT () = det
0
0
( + 1)
As que los valores propios son V.P = {1, 1}
x
A = y
z
x
A = y
z
x
y
A =
z
x
x
T y = y
z
z
x + 2z
x
y z = y
z
z
x + 2z = x
yz
= y
z
= z
x + 2z = x
x
= y
A = y y z
z
= z
z
x
A = y z = 0
z
1
0
A = x 0 + y 1
0
0
*
+
0
1
0 , 1
Luego, (MR (3 1))1 =
0
0
Caso 2. Caso 2. = 1. De () sigue que
()
x + 2z = x
x
= y
A = y y z
z
= z
z
x
1
A = y x = z y = z
2
z
1
1
A = z
2
1
* 1 +
1
=
1
1
0 , 1 ,
=
0
0
1
Es una base de MR (3 1) y que en esa base el operador T se representa como una matriz diagonal
En efecto
[T ]
1
1
0
1
= T 0 T 1 T
2
0
0
1
1 0
0
0
= 0 1
0 0 1
Ejemplo 2.4.3. Sea T LR (R3 ) tal que T (x, y, z) = (3x + z, 3y + 2z, z). Determinemos valores y vectores
propios de T .
Etapa 1. Determinemos los valores propios de T .
(1) Construimos PT (), el polinomio caracterstico de T .
3 0
1
0 0
c(3)
c(3)
2
[T ]c(3) = 0 3
[1V ]c(3) = 0 0
0 0 1
0 0
( 3) 0
1
( 3)
2 = ( 3)2 ( + 1)
PT () = det 0
0
0
( + 1)
(2) Hacemos PT () = 0
PT () = 0 ( 3)2 ( + 1) = 0
= 1 = 3 2 = 1)
u R3 T (u) = u
u = (x, y, z)
3x + z = 3x
3y + 2z = 3y
z
= 3z
u = (x, y, z) z = 0
u = (x, y, 0); x R; y R
u = x(1, 0, 0) + y(0, 1, 0)
= 1
R3
u = (x, y, z)
3x + z = x
3y + 2z = y
z
= z
u = (x, y, z) z = 4x : y = 2x
u = (x, 2x, 4x); x R
u = x(1, 2, 4)
R3 1 = h{(1, 2, 4)}i
(3) Sea = {(1, 0, 0), (0, 1, 0), (1, 2, 4)} entonces como
[T ] =
(2)
y,
T (1, 0, 0) = 3(1, 0, 0)
T (0, 1, 0) = 3(0, 1, 0)
T (1, 2, 4) = (1, 2, 4)
Sustituyendo en (2) tenemos que
[T ]
3 0
0
0
= 0 3
0 0 1
(3)
Es una matriz diagonal, o mejor el operador T se representa como una matriz diagonal, en la base de
vectores propios .
Ejemplo 2.4.4. Sea T LR (R3 ) tal que T (x, y, z) = (3x + 2y + z, 3y + 2z, z). Determinemos valores y
vectores propios de T .
Etapa 1. Determinemos los valores propios de T .
(1) Construimos PT (), el polinomio caracterstico de T .
c(3)
[T ]c(3)
3 2
1
2
= 0 3
0 0 1
c(3)
[1V ]c(3)
0 0
= 0 0
0 0
( 3) 2
1
( 3)
2 = ( 3)2 ( + 1)
PT () = det 0
0
0
( + 1)
(2) Hacemos PT () = 0
PT () = 0 ( 3)2 ( + 1) = 0
= 1 = 3 2 = 1
Luego, los valores propios son V.P = {3, 1}
Etapa 2. Determinamos los subespacios propios.
(1) Proceso general:
u R3
u R3 T (u) = u
10
=3
De (), sigue que
u R
u = (x, y, z)
3x + 2y + z = 3x
3y + 2z
= 3y
z
= 3z
u = (x, y, z) z = 0; y = 0
u = (x, 0, 0); x R
u = x(1, 0, 0)
R3
= 1
= h{(1, 0, 0)}i
u = (x, y, z)
3x + 2y + z = x
3y + 2z
= y
z
= z
u = (x, y, z) z = 2y; x = 0
u = (0, y, 2y); y R
u = x(0, 1, 2)
R3
= h{(0, 1, 2)}i
Luego, no existe una base de vectores propios tal que T se represente como una matriz diagonal.
Los Ejemplos 2.4.2, 2.4.3 y 2.4.4 sugieren las siguientes reflexiones:
Reflexiones 2.4.5. En ejemplo 2.4.2 y 2.4.3 aseguramos que el conjunto de vectores propios era una base
de MR (3 1) y R3 respectivamente, en realidad esto es producto del siguiente suceso
Sea V es un K espacio vectorial de dimensi
on n N y T LK (V). Supongamos que y son valores
propios de T y que u (V {0V }) y v (V {0V }) entonces
6= = = {u, v} es un conjunto linealmente independiente
En efecto
a1 u + a2 v = 0V
= T (a1 u + a2 v) = T (0V )
= a1 T (u) + a2 T (v) = 0V
= a1 u + a2 v = 0V
Juntando la informaci
on obtenemos que
a1 u + a2 v
= 0V
a u + a2 v = 0V
= 1
= a2 ( )v = 0V = a2 = 0
a1 u + a2 v = 0V
a1 u + a2 v = 0V
11
An
alogamente,
a1 u + a2 v
= 0V
a u + a2 v = 0V
= 1
= a1 ( )u = 0V = a1 = 0
a1 u + a2 v = 0V
a1 u + a2 v = 0V
As que, = {u, v} es linealmente independiente.
Reflexiones 2.4.6. En Ejemplo 2.4.3 y 2.4.4 el polinomio caracterstico PT () es el mismo, sin embargo
en Ejemplo 2.4.3 existe la base que permite representar a T como una matriz diagonal y en Ejemplo 2.4.4
no existe una tal base.
(1) La conclusi
on inicial es que el polinomio caracterstico PT (), no es la herramienta de clasicaci
on
para la existencia de la base que representa diagonalmente a un operador lineal
(2) Si llamamos multiplicidad algebraica de en smbolos m.a.() a las veces que el valor propio , aparece
repetido enPT (), y multiplicidad geometrica de en smbolos, m.g.() a la dimensi
on del subespacio
propio R3 entonces
En Ejemplo (2.4.3), tenemos el siguiente comportamiento:
m.a.(3)=2
m.g.(3)=2
m.a.(3)=m.g.(3)
(4)
m.a.(-1)=1
m.g.(-1)=1
m.a.(-1)=m.g.(-1)
(5)
R3 = R3 3 R3 1
| {z } | {z }
dim 2
dim 1
m.g.(3)=1
m.a.(3)m.g.(3)
(6)
m.a.(-1)=1
m.g.(-1)=1
m.a.(-1)=m.g.(-1)
(7)
R3 3 R3 1 R3
| {z } | {z }
dim 1
dim 1
12
Definici
on 2.5. Sea V un K espacio vectorial y , un valor propio de T LK (V ) entonces notaremos:
(i) m.a.()= multiplicidad algebraica de
(ii) m.g.() = dimK (V )
Lema 2.5.1. Sea V un K espacio vectorial y 0 , un valor propio de T entonces
m.g.(0 ) m.a.(0 )
(8)
La demostraci
on es un poco tecnica, pero u
til para el desarrollo algortmico del pensamiento modelstico
(1) Supongamos que m.a.(0 ) = s, con s 1 y m.g.(0 ) = r
(2) Sea u (V )0 entonces T (u) = 0 u. Ahora atenci
on con la siguiente idea central !!!
T (T (u)) = T (0 u)
= 0 T (u)
Luego,
u (V )0
= T (u) (V )0
(9)
(10)
As T0 es una restricci
on de T al subespacio (V )0 y por ende satisface las siguientes propiedades:
T0 LK (V )0 ) , es decir T0 es un operador de (V )0
PT0 () = ( 0 )r y (PT0 ()) (PT ())
As, m.g.(0 ) m.a.(0 )
Motivados por el Lema 2.5.1 y por el Ejemplo 2.4.4, se justifica la siguiente definici
on.
Definici
on 2.6. Sea V un K espacio vectorial y T LK (V ). Diremos que T es un operador diagonalizable
si existe una base de vectores propios, de V . Caso contrario decimos que T no es diagonalizable.
Teorema 2.7. Sea V un K espacio vectorial de dimensi
on n y T LK (V ) tal que:
s
Y
PT () =
( i )ni ; (i 6= j si i 6= j)
s
X
i=1
ni = n
i=1
entonces T diagonalizable si y s
olo si m.a.(i ) = m.g.(i ) para i = 1, . . . , n
En efecto
(1) Sea i una base de Vi , para i = 1, 2, . . . s
s
[
(2) Sea =
i
i=1
13
Conclusi
on 2.8. Si V un K espacio vectorial de dimensi
on nita n y T LK (V ) tal que
s
Y
PT () =
( i )ni ; (i 6= j si i 6= j)
i=1
1
..
..
[T ] =
.
..
.
s
de Vi , para cada i = 1, . . . s y
(11)
= V1 V2 Vs
(12)
Es decir,
V2 . . .
Vs
V1
Figura 1: V = V1 V2 Vs
T se descompone en una suma de operadores del tipo:
T
= T1 + T2 + + Ts
(13)
14
(1) Es impracticable si el n
umero de valores propios es grande (a menos que usemos el computador, Maple,
Matlab, Matem
atica, etc. )
(2) Es posible que en muchos casos, se desee saber s
olo, si el operador es diagonalizable o no; en tal caso
se necesita una tecnica diferente.
3. Ejercicios Propuestos De Valores y Vectores Propios
Determine valores y vectores propios de las siguientes transformaciones lineales y matrices:
(1) T LR (R2 ), tal que T (x, y) = (3y, 2x)
(2) T LR (R2 ), tal que T (x, y) = (x + y, 2x + y)
(3) T LR (R3 ), tal que T (x, y, z) = (x + y, x y + 2z, 2x + y z)
(4) T R2 [x], tal que T (a0 + a1 x + a2 x2 ) = a1 + a0 x + a2 x2
(5) T MR (2), tal que T (A) = At
(6) T LR (R4 ), tal que T (x, y, z, w) = (x, x + y, x + y + z, x + y + z + w)
1
2
(7) A =
0 1
1 1
(8) A =
1 1
1 2 3
(9) A = 0 1 2
0 0 1
0 1 0
(10) A = 0 0 1
1 0 0
(11) Determine T LR (R2 ), tal que:
(a) (R2 )2 = h{(3, 1)}i y
(b) (R2 )3 = h{(2, 1)}i
(12) Determine T LR (R3 ), tal que:
(a) (R3 )0 = h{(1, 1, 1), (1, 1, 0)}i y
(b) (R3 )1 = h{(1, 0, 0)}i
(13) Sea T LK (V) tal que T T = T . Determine valores y vectores propios de T .
(14) Sea T LK (V). Demuestre que.
V0 6= {0V } T no inyectiva
4. Un Criterio de Diagonalizaci
on
Como vimos en los ejemplos (2.4.3) (2.4.4) el polinomio caracterstico es PT () = ( 3)2 ( + 1). Sin embargo en un caso T diagonaliza y en el otro no diagonaliza, la raz
on expuesta es que la m.a(3) = m.g(3) = 2
en el primer caso y m.a(3) = 2 > m.g(3) = 1 en el segundo caso, pero por las precisiones anteriores resulta
demasiado caro en tiempo y espacio esta soluci
on, as que implementaremos otra tecnica que no tenga tales
15
deficiencias, pero como siempre nada es gratis as que de acuerdo a la ley de costo beneficio hay que asumir
alg
un costo, que en este caso consiste en generar o mejor generalizar alguna ideas.
4.1. El Fundamento Conocido de Kn [x]. En este apartado, revisaremos las propiedades fundamentales
del anillo de polinomios, con miras a ser generalizadas en beneficio de nuestro estudio.
(1) Los polinomios se caracterizan como sigue:
2
n
X
i=0
n
X
donde x0 = 1
ai xi ,
i=0
ai xi Kn [x], act
ua naturalmente como funci
on sobre el
n
X
ai ui
i=0
4.2. Generalizaci
on al Anillo de Matrices. En concordancia con las ideas desarrolladas en la secci
on
anterior, podemos iniciar nuestro proceso de generalizaci
on haciendo la definici
on
Definici
on 4.2.1. Cada p(x) Kn [x] actuar
a sobre el anillo y espacio vectorial MK (s) como sigue:
n
X
ai Ai
donde
A0 = In
i=0
16
3 0
1
1
c(3)
2 3 0
PT [T ]c(3)
= 0 3
0 0 1
0
2
4 0
0 0
1
0 0
2
0 4
=
0 0
0 0 4
0 0 0
0 0 0
=
0 0 0
2
0 0
1 0
0 1
1
0 0
2
0 0
=
0
0 0
3 0
1
1 0 0
0 3
2 + 0 1 0
0 0 1
0 0 1
4
4 0 1
8 0 4 2
16
0 0 0
(1)
3 0
1
1
(1)
c(3)
2 3 0
mT [T ]c(3)
= 0 3
0 0 1
0
0 0
1
4 0
2 0 4
= 0 0
0 0 4
0 0
0 0 0
= 0 0 0
0 0 0
0 0
3 0
1
1 0 0
1 0 0 3
2 + 0 1 0
0 1
0 0 1
0 0 1
1
2
0
(2) Un c
alculo an
alogo para el Ejemplo (2.4.4) nos dice que
c(3)
PT [T ]c(3)
3 2
1
1
0 3
2
=
3 0
0 0 1
0
2
0 2
1
4 0
2 0 4
= 0 0
0 0 4
0 0
0 0 0
= 0 0 0
0 0 0
(2)
2
0 0
3
0
1 0
0 1
0
1
0 0
2 = 0 0
0
0 0
0 1
1
3 2
+ 0
0
0
0
4 0
8 0 4
16
0 0
0 0
1 0
0 1
1
2
0
17
3 2
1
1 0 0
3 0
1
1 0 0
(2)
c(3)
2 3 0 1 0 0 3
2 + 0 1 0
mT [T ]c(3)
= 0 3
0 0 1
0 0 1
0 0 1
0 0 1
0 2
1
4 0 1
2 0 4 2
= 0 0
0 0 4
0 0 0
0 8 4
= 0 0 0
0 0 0
As que tenemos las siguientes conclusiones:
c(3)
(1) En (2.4.3) y (2.4.4) se veric
o que PT [T ]c(3) = (0)
(1)
c(3)
(2) En (2.4.3) mT [T ]c(3) = (0)
(2)
c(3)
(3) En (2.4.4) mT [T ]c(3) 6= (0)
Definici
on 4.3. Si A MK (n) entonces llamaremos anulador de la matriz A, al conjunto
I(A) = {p(x) K[x] | p(A) = (0)}
3 2
1
2
Ejemplo 4.3.1. p(x) = (x 3)2 (x + 1) I(A) si A = 0 3
0 0 1
Observaci
on 4.3.2. Para el conjunto I(A) tenemos las siguientes propiedades:
(1) Si p(x) I(A) y q(x) I(A) entonces (p(x) q(x))(A) = p(A) q(A) = (0)
Conclusi
on, para cualquier A MK (n) tenemos que
p(x) I(A)
18
que,
...
...
...
..
.
a1n
a2n
a3n
..
.
ann
Y que
entonces
Adj(A)
=
...
...
...
..
.
1n
2n
3n
..
.
n1 n2 n3 . . .
nn
11
21
31
..
.
12
22
32
..
.
13
23
33
..
.
(14)
(15)
Adem
as, ij = (1)i+j det((In A)ij ) es un polinomio de grado (n 1), para cada i y para cada j, as
que:
(16)
n1
X
i=0
n1
X
i Bi
i=0
i+1 Bi
n1
X
i ABi
i=0
=
=
=
=
.
=
=
=
AB0
b0 In
AB0 A2 B1
b1 In
A2 B1 A3 B2
b2 In
A3 B2 A4 B3
b3 In
= . . . . . . . . . . . . . . . . . . . . . .
......
An2 Bn3 An1 Bn2
bn2 In
An1 Bn2 An Bn1
bn1 In
An Bn1
In
(0)
=
=
=
=
.
=
=
=
=
b0 In
b1 A
b2 A2
b3 A3
.........
bn2 An2
bn1 An1
An
PA (A)
Definici
on 4.5. Sea A MK (n) entonces diremos que mA () es el polinomio mnimo de A si:
19
PT (0 ) = 0 mT (0 ) = 0
(17)
Es decir, el polinomio caracterstico y minimal tienen las mismas races, para una demostraci
on ver [9]
Teorema 4.6. Si T LK (V) tal que PT () =
s
Y
i=1
T diagonalizable mT () =
en efecto
s
Y
( i )
(18)
i=1
1
..
..
.
s
..
.
s
Finalmente,
1
1
mT (A) = mT ([I] [T ] [I]
) = [I] mT ([T ] ) [I]
, y mT ([T ] ) = ( 1 )( 2 ) ( s )
5. Ejercicios Resueltos de Diagonalizaci
on
A = [T ]c(3)
1 0
1
4
= 2 3
1 0 3
20
+1
0
1
PT () = det 2 3 4
1
0
+3
= ( 3)[( + 1)( + 3) + 1]
= ( 3)[2 + 4 + 4]
= ( 3)( + 2)2
= {2, 3}
V.P
Etapa 2. Verifiquemos si T es diagonalizable:
4 0
1
1 0
1
4 2 5
4
(A 3I3 )(A + 2I3 ) = 2 0
1 0 6
1 0 1
As que T no es diagonalizable.
6= 0
A = [T ]p(2)
0 0 1
= 1 0 0
0 1 0
0 1
0
PT () = det 1
0 1
= 2 1
= 3 1
= ( 1)(2 + + 1)
V.P
Etapa 2. Verifiquemos si T es diagonalizable:
= {1}
21
1 0
0 1
0 0
0 0
,
,
,
0 0
0 0
1 0
0 1
m(2)
A = [T ]m(2)
0
0
0 0
0
1 1 0
=
0 1
1 0
0
0
0 0
0
0
0 ( 1)
1
PT () = det
0
1
( 1)
0
0
0
= 3 ( 2)
0
0
= {0, 2}
()
(MR (2))0 =
1 0
0 0
0 1
0 0
,
,
1 0
0 1
Luego,
m.a(0) = 3 m.g(0) = 3
m.a(2) = 1 m.g(2) = 1
3 1 1
(4) Sea A = 2 2 1 entonces
2 2
0
det(A) = 4, luego A es invertible
Calculemos su polinomio caracterstico:
= T diagonalizable
22
( 3)
1
( 2)
PT () = det 2
2
2
( 1) 1
( 2)
= det 2
2
2
( 2) 1
= ( 1) det
2
1
1
0
1
2 1
(1 ) det
2
= ( 1)(( 2) + 2) + ( 1)(2 + 2)
= ( 1)[2 2 + 2 2 + 2]
= ( 1)( 2)2
= 3 + 52 8 + 4
Estudiemos si es diagonalizable; es decir, veamos si el polinomio minimal es
?
mT () = ( 1)( 2)
2 1 1
1 1 1
(A I3 )(A 2I3 ) = 2 1 1 2 0 1
2 2 1
2 2 2
2 0 1
2 0 1
=
2 0
2
6= (0)
Luego A, no es diagonalizable.
Podemos usar el polinomio caracterstico para, calcular A1 , como sigue:
PA () = 3 52 + 8 4 = A3 5A2 + 8A 4 = 0
= A(A2 5A + 8I3 ) = 4I3
= A
1 2 5
A A + 2I3
4
4
= I3
1 2 5
A A + 2I3
4
4
(5) Sea V, un K espacio vectorial y = {v1 , v2 , v3 , . . . , vn } una base de V tal que:
= A1 =
(i) V1 = h{v1 , v2 , . . . , vr }i
1 K
2 K
3 K
23
(i; 1 i r)
vi V2 T (vi ) = 2 vi
(i; r + 1 i s)
vi V3 T (vi ) = 3 vi
(i; s + 1 i n)
Etapa 3. Ejecuci
on.
r
X
T (u) = T
ai vi +
i=1
ai T (vi ) +
r
X
ai 1 vi +
s
X
r
X
i=1
s
X
ai T (vi ) +
s
X
i=r+1
ai vi
n
X
ai T (vi )
i=s+1
ai 2 vi +
i=r+1
ai vi + 2
n
X
i=s+1
i=r+1
i=1
= 1
ai vi +
i=r+1
r
X
i=1
s
X
n
X
ai 3 vi
i=s+1
ai vi + 3
n
X
ai vi
i=s+1
(b) T es diagonalizable ?
Como es una base de vectores propios de T entonces T , es diagonalizable y
24
[T ]
1
..
.
1
2
..
.
2
3
..
.
3
(c) T es un isomorfismo ?
(19)
1 2 3 6= 0
i 6= 0 (i; i = 1, 2, 3)
(d) T 1 es invertible ?
vi = 1 T 1 (vi ) T 1 (vi ) =
1
1 vi
vi = 2 T 1 (vi ) T 1 (vi ) =
1
2 vi
vi = 3 T 1 (vi ) T 1 (vi ) =
1
3 vi
Para r + 1 i s
T (vi ) = 2 vi
Para s + 1 i n
T (vi ) = 3 vi
aij 6= 0
0
: si i j
: en otro caso
1 1
0 a
1 a
0 1
25
. Determine el conjunto:
S = {a R | A es diagonalizable}
. Determine el conjunto:
S = {a R | A es diagonalizable}
A diagonalizable = A1 diagonalizable
3 4
1 2
0 7 6
0
y (b) A = 1 4
0 2 2
7. Aplicaciones
26
As si pt , representa la poblaci
on despues de t, periodos entonces la ecuaci
on que rige el crecimiento de
dicha poblaci
on es:
pt = rpt1
equivalentemente
pt = r t p0
(20)
Es decir, la poblaci
on aumenta geometricamente (sin cota superior) en el tiempo.
(ii) r = 1 = lim pt = lim r t p0 = p0 .
t
Es decir, la poblaci
on mantiene crecimiento constante independiente del tiempo.
(iii) r < 1 = lim pt = lim r t p0 = 0.
t
Es decir, la poblaci
on disminuye geometricamente a cero en el tiempo y por tanto se extinguir
a.
(4) Algunos problemas del Modelo 1
(i) El crecimiento de una poblaci
on en general no es a tasa constante.
(ii) En general el n
umero de cras que puede generar una hembra depende de su edad
(5) Modelo 2
Hip
otesis de Trabajo
Se estudiar
a un modelo de crecimiento poblacional, para una especie de p
ajaros, que satisface las siguientes condiciones:
(1) N
umero de hembras = N
umero de machos
(2.1) p(j, n 1) = Poblaci
on juvenil de hembras en el a
no (n 1)
(2.2) p(a, n 1) = Poblaci
on adulta de hembras en el a
no (n 1)
(3) =probabilidad con que los p
ajaros j
ovenes que sobreviven y llegan a adulto en el a
no n.
(4) k= promedio de p
ajaros hembras j
ovenes, generado por las hembras adultas que sobreviven.
(5) = probabilidad con que los p
ajaros adultos sobreviven de una primavera para otra.
(6) Toda la informaci
on anterior puede ser computada va las ecuaciones:
p(j, n) =
kp(, n 1)
p(a, n) = p(j, n 1) + p(a, n 1)
(21)
Equivalentemente
0 k
p(j, n 1)
p(j, n)
=
p(j, n 1)
p(a, n 1)
{z
}
| {z } |
{z
}
|
p(n)
p(n1)
An
alisis matem
atico del modelo
De (22), sigue que
p(1) = AP (0)
p(2) = AP (1) = A2 p(0)
p(3) = AP (2) = A3 p(0)
..
.
p(n) = AP (n 1) = An p(0)
Determinemos el polinomio caracterstico de A:
PA () = det
k
( )
= ( ) k
= 2 k
Luego,
PA () = 2 k
Ahora, para calcular los valores propios hacemos PA () = 0
Es decir;
PA () = 0 2 k = 0
=
2 + 4k
2
V.P =
2 + 4k +
,
2
)
p
2 + 4k
2
Adem
as 1 y 2 satisfacen las propiedades:
(i) [0, 1] y [0, 1] y k > 0 entonces 2 + 4k > 0
(ii) Si 1 =
2 +4k
2
y 2 =
2 4k
2
27
(22)
28
Sea = {v1 , v2 }, base de vectores propios de MR (2), correspondiente a los valores propios
1 y 2 , respectivamente entonces valen las siguientes propiedades:
(i) Como p(0) MR (2) y es base de MR (2) entonces existen u
nicos escalares a1 , a2 tales
que
p(j, 0)
p(0) =
= a1 v1 + a2 v2
p(a, 0)
(ii) Sustituyendo en la ecuaci
on central p(n) = An p(0) tenemos que
p(n) = An (a1 v1 + a2 v2 )
= a1 An v1 + a2 An v2
= a1 n1 v1 + a2 n2 v2
n
2
= n1 a1 v1 +
a2 v2
1
(6) Conclusi
on al Modelo 2
n
2
n
lim p(n) = lim 1 a1 v1 +
a2 v2 n1 a1 v1
n
n
1
(7) Algunos problemas del Modelo 2
(i) La tasa de nacimiento y muerte cambia con frecuencia de un a
no para otro y depende del clima,
este modelo supone clima constante.
(ii) Muchas especies poseen una tasa de nacimiento y muerte que varia con el tama
no de la poblaci
on,
en particular una poblaci
on no puede crecer indefinidamente a una tasa constante, caso contrario
dominara la tierra.
Ejemplo 7.2. Apliquemos el modelo para el siguiente caso:
(1) Datos particulares:
k=2
= 0.3
= 0.5
0
p(0) =
10
0.0 2.0
(2) Determinamos los valores y vectores propios de A =
0.3 0.5
(i) Sus valores propios son:
V.P = {05639, 1.0639} = {2 , 1 }
0.8829
=
,
0.4697
0.9625
0.8829
=
,
0.2714
0.4697
0.9625
0.2714
= {v2 , v1 }
29
30
[ ] : V
v
7 MK (n 1)
7 [v]
hv, v1 i
hv, v2 i
..
.
hv, vn i
hv, vi ivi
v =
i=1
n
X
hu, vi ihv, vi i
i=1
n
X
hu, vi ihv, vi i
i=1
V
7
[I]
(V, )
(23)
MK (n 1) 7 MK (n 1)
Sigue que,
[I] = ([v1 ] , [v2 ] , . . . , [vn ] ) = (hvi , wj i) MK (n)
En particular
(
1
h[vk ] , [vs ] i = hvk , vs i = h[vk ] , [vs ] i =
0
: k 6= s
: otro caso
Es decir, las columnas de la matriz cambio de base [I] son ortogonales dos a dos. Por tanto, Si V
un K-espacio vectorial con producto interno y = {v1 , v2 , . . . , vn } y = {w1 , w2 , . . . , wn } dos bases
ortonormales de V entonces
t
t
1
t
[I] [I] = In [I] = [I]
[I] = [I]
31
t
(5) Finalmente, como hu, vi = h[u] , [v] i y [I] = [I] entonces
1
1
1
h(1, 0), (1, 2)i
h(0, 1), (1, 2)i
5
5
5
[I]c(2) =
=
2
1
1
5
5
([I]c(2) ) = [I]c(2)
=
2
1
5
5
5
1
n
X
=
hw, vi iL(vi ) =
i=1
hw, v1 i hw, v2 i
hw, vn i
L(v1 )
L(v2 )
..
.
L(vn )
32
n
X
i=1
L(w) =
hw, v1 i hw, v2 i
hw, vn i
L(v1 )
L(v2 )
..
.
L(vn )
= hw, vi
En efecto
(24)
entonces
(1) u LK (V, K), (u; u V), pues,
As que,
n
X
hT (vi ), vj ivj
j=1
Y para
tenemos que,
T (vi ) =
=
n
X
hT (vi ), vj ivj
(1 i n)
(1 i n)
j=1
n
X
j=1
n
X
j=1
hT (vj ), vi ivj
33
(1 i n)
As que
[T ] =
t
[T ]
[T ]c(2) =
y [T ]c(2) =
2
i
i i
c(3)
Ejemplo 8.2.5. Si [T ]c(3) = (aks ) MC (3) tal que aks = ik+s entonces T es diagonalizable.
En efecto
c(3)
c(3)
[T ]c(3)
1 i
1
1
i
1
c(3)
1
i y [T ]c(3) = i
1 i
= i
1
i 1
1 i 1
34
( + 1)
i
1
( 1)
i
PT () = det i
1
i
( + 1)
( + 1) i
1
0
i
= det
1
i ( + 1)
= ( + 1)[( + 1) ] [ + ]
= 2 ( + 1)
1
i
1
0
i
1
0 0 0
c(3)
c(3)
1 i i
2 i = 0 0 0
[T ]c(3) [T ]c(3) + I3
= i
1 i 1
1 i
0
0 0 0
T es diagonalizable
c(3)
(4) Para determinar la base que diagonaliza la matriz [T ]c(3) , usemos el procedimiento,
v C3
v C3 T (v) = v
v = [(x, y, z)]c(3)
c(3)
(a) En particular;
x
x + iy + z = x
v = y ix + y iz = y
z
x iy z = z
v C
3
x
x + iy + z = 0
v = y ix + y iz = 0
z
x iy z = 0
v h{(1, i, 0), (0, i, 1)}i
Luego,
C3
(b) Analogamente,
v C3
Luego,
()
x
x + iy + z = x
v = y ix + y iz = y
z
x iy z = z
v h{(i, 1, i)}i
C3
= h{(i, 1, i)}i
35
8.3. Propiedades del Operador Adjunto. Si V es un K-espacio vectorial con producto interno y T
on (se transforma ya en una tecnica), podemos verificar
LK (V) entonces usando el teorema de representaci
las siguientes propiedades:
Propiedad 8.3.1. (T ) = T
En efecto
Por una parte, hT (w), ui = hw, T (u)i
Y por otra parte, hT (w), ui = hu, T (w)i = hT (u), wi = hw, T (u)i
Finalmente, si denimos u (w) = hT (w), ui entonces u LK (V, K), as que una nueva aplicaci
on del
teorema de representaci
on nos permite decir que, T (u) = T (u) para cada u V, por tanto T = T
Propiedad 8.3.2. (T + L) = T + L y ( T ) = T
En efecto
Por una parte,
u (w) = h(T + L)(w), ui = hw, (T + L) (u)i
Y por otra,
u (w) = h(T + L)(w), ui = hT (w), ui + hL(w), ui = hw, T (u)i + hw, L (u)i = hw, (T + L )(u)i
As que (T + L) (u) = (T + L )(u) y entonces (T + L) = T + L
An
alogamente,
u (w) = h(T )(w), ui = hw, (T ) (u)i y,
u (w) = h(T )(w), ui = hT (w), ui = hw, T (u)i = hw, T (u)i.
As que, (T ) (u) = T (u), de donde (T ) = T
Propiedad 8.3.3. (T L) = (L) (T )
En efecto
Por una parte, u (w) = h(T L)(w), ui = h(w), (T L) (u)i, y por otra parte,
u (w) = h(T L)(w), ui = hT (L(w)), ui = hL(w), T (u)i = hw, L (T (u)) = hw, (L T )(u))
As que, aplicando el teorema de representaci
on tenemos que (T L) = L T
\
Propiedad 8.3.4. Si L\
K (V ) = {T | T LK (V )} y denimos : LK (V ) 7 LK (V ) tal que (T ) = T
entonces es un isomorsmo de grupos con la adici
on.
En efecto
Del teorema de representaci
on sigue que es una biyecci
on, pues para cada T LK (V ) existe un
u
nico T L\
(V
),
y
en
particular
de
la
propiedad
(8.3.1)
de los operadores adjuntos, sigue que
K
36
c(2)
[T ]c(2)
5
1+i
1i
2
= PT () = det
5 1+i
1i 2
= ( 5)( 2) 2 = 2 7 + 8.
49 32
7 17
As los valores propios de T son =
=
R, y T es diagonalizable.
2
2
t
5
1+i
5
1i
5
1+i
c(2)
c(2)
(2) [T ]c(2) =
=
=
= [T ]c(2)
1i
2
1+i
2
1i
2
7
T (0, 1) =
=
=
=
En particular,
Equivalentemente,
c(2)
c(2)
[T ]c(2) [T ]c(2) =
0 1
1 0
=
,y
1
0
0 1
37
38
c(2)
[T ]c(2) [T ]c(2) =
0 1
0 1
1 0
=
1
0
1 0
0 1
En efecto
39
Propiedad 8.5.5. Existe una base ortonormal, formada por vectores propios de T, esto es, T es diagonalizable
En efecto
(1) Sea R un valor propio de T, que existe por la propiedad (8.5.4) y sea v V su correspondiente
vector propio, es decir, T (v) = v
v
entonces T (u1 ) = u1 y ku1 k = 1, y si dimK (V) = 1 V posee una base ortonor||v||
mal de vectores propios de T y en particular T es diagonalizable.
(2) Si llamamos u1 =
Ejemplo 8.6.2. Del ejemplo 8.4.3 sabemos que si T LR (R2 ) tal que T (x, y) = (y, x) entonces podemos
vericar directamente que
(1) hT (x1 , y1 ), T (x2 , y2 )i = h(y1 , x1 ), (y2 , x2 )i = y1 y2 + x1 x2 = h(x1 , y1 ), (x2 , y2 )i, es decir T es un operador unitario
(2) T (x, y) = (y, x) es el operador adjunto de T y (T T )(x, y) = (x, y) y (T T )(x, y) = (x, y), es
decir T 1 = T
(3) kT (x, y)k2 = hT (x, y), T (x, y)i = h(y, x), (y, x)i = x2 + y 2 = k(x, y)k2
Lema 8.6.3. Sea V un K espacio vectorial tal que dimK (V ) = n, n N y T LK (V). Si T es un operador
Unitario entonces T es un isomorsmo, y T 1 = T
40
En efecto
Aplicando el teorema de representaci
on de Riesz 8.2.1, la denici
on de operador unitario, y el teorema de
la dimensi
on tenemos
En primer lugar,
hT (u), T (v)i = hu, vi
hT (u), T (v)i = hu, T (T (v))i
= T (T (v)) = v
41
9. Ejercicios Propuestos
on
(1) Si LR (R3 , R) tal que (x, y, z) = 2x + 3y z. Usando el teorema 8.2.1, (teorema de representaci
de Riesz), y el producto interno usual de R3 . Determine u R3 tal que (x, y, z) = h(x, y, z), ui
(2) Si LC (C3 , C) tal que (x, y, z) = xi(4z6y). Usando el teorema 8.2.1, (teorema de representaci
on
3
3
de Riesz), y el producto interno usual de C . Determine u C tal que (x, y, z) = h(x, y, z), ui
(3) Si LR (R2 [x], R) tal que (p(x)) = p(0) 2p (0). Usando el teorema 8.2.1, (teorema de repreZ 1
sentaci
on de Riesz), y el producto interno de R2 [x], definido por hp(x), q(x)i =
p(x) q(x) dx.
Determine q(x) R2 [x] tal que (p(x)) = hp(x), q(x)i
(4) Si LR (R2 [x], R) tal que (p(x)) = p(0)2p (0). Usando el teorema 8.2.1, (teorema de representaci
on
de Riesz), y el producto interno de R2 [x], definido por hp(x), q(x)i = p(0) q(0) + p(1) q(1) + p(2) q(2),
donde p(x) = a0 +ax +a2 x2 y q(x) = b0 +bx +b2 x2 . Determine q(x) R2 [x] tal que (p(x)) = hp(x), q(x)i
(5) Si T : R2 [x] 7 R2 [x] tal que T (a0 + a1 x + a2 x2 ) = a1 a2 x + a0 x2 entonces respecto del producto
Z 1
interno hp(x), q(x)i =
p(x) q(x) dx
0
Determine
Bibliografa
43
Indice Alfab
etico
adjunto, 33
autoadjunto, 36
diagonalizable, 12
hermitiano, 36
lineal, 3
unitario, 39
Polinomio caracterstico, 5
Polinomio mnimo, 18
Propiedades de los operadores autoadjuntos, 38
Propiedades del operador adjunto, 35
Subespacio invariante, 12
Subespacio propio, 5
Teorema de Cayley, 17
Teorema de representacion de Riesz, 31
Valor propio, 5
Vector propio, 5
45