Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
U.N.Sa. - Facultad de Ciencias Exactas Asignatura: Algebra Lineal y Geometría Analítica Carreras: LAS, PM, LF, LER, TEU, TUES, TUP Año: 2 do Cuatrimestre 2019 Docente: Ing. Augusto A. Estrada V. RESUMEN DEL TEMA 7 TRANSFORMACIONES LINEALES. AUTOVALORES Y AUTOVECTORES 7.1.-INTRODUCCION: En este capítulo abordaremos el estudio de las transformaciones lineales que aparecen con frecuencia en muchas aplicaciones del algebra lineal, en otras ramas de la matemática o de la ciencia. Serán funciones con dominio y codominio en espacios vectoriales sobre un mismo cuerpo de escalares, que preservan las operaciones de suma y producto por un escalar. Estudiaremos algunas propiedades, definiremos Núcleo e Imagen de ellas, enunciaremos el teorema fundamental de las transformaciones lineales y mostraremos que toda transformación lineal, tiene asociada una matriz que permite expresarla en forma matricial. En particular estudiaremos las transformaciones lineales de n que preservan la norma, llamadas isometrías Estudiaremos también los conceptos de autovalores, autovectores y autoespacios de una transformación lineal y de una matriz. Definiremos los conceptos de semejanza y diagonalización de matrices, y en particular para las matrices simétricas, la diagonalización ortogonal, conceptos necesarios para el estudio de la ecuación de segundo grado en dos y tres variables, asociadas a las cónicas y cuádricas, que estudiaremos en el siguiente tema 7.2.- TRANSFORMACIONES LINEALES Definición: Dados dos espacios vectoriales y sobre un mismo cuerpo de escalares , y una función T : . Decimos que T es una transformación lineal si y solo sí verifica: 1 X,Y TX Y TX TY 2 X , TX TX Propiedades. Si T : es una transformación lineal, entonces: P1 : TU V siendo U ,V neutro de la suma en y respectivamente P2 : TX TX P3 : T1X1 2X2 nXn 1TX1 2TX2 nTXn Teorema 7.1: La transformación nula es una transformación lineal Teorema 7.2: La transformación identidad es una transformación lineal Teorema 7.3. Si Amn y T : n m/X n, TX AX, entonces T es una transformación lineal 7.3.-NUCLEO E IMAGEN DE UNA TRANSFORMACION LINEAL Dada una transformación lineal T : Núcleo de una transformación lineal T Definición: Se llama núcleo de T y lo simbolizamos por NUT al conjunto de los vectores del espacio (dominio de T) cuyo transformado (imagen por T) es el neutro de la suma del espacio (codominio). Es decir: NUT X / TX Teorema 7.4: El núcleo de una transformación lineal T : es un subespacio de Imagen de una transformación lineal T Definición: Se llama Imagen de T y la denotamos por ImT al conjunto de los vectores del espacio (codominio de T) que son los transformados (imágenes por T) de algún vector del espacio U. Es decir: ImT Y V/ X U TX Y Teorema 7.5: La imagen de una transformación lineal T : es un subespacio de 7.4.- TEOREMA FUNDAMENTAL DE LAS TRANSFORMACIONES LINEALES Dados dos espacios vectoriales y sobre un mismo cuerpo , U1,U2, ,Un una base de y W1,W2, ,Wn , entonces existe una única Transformación lineal T : tal que: TUi Wi con i 1,2, ,n Es decir este teorema afirma que: Dados dos espacios vectoriales y sobre un mismo cuerpo de escalares, si conocemos los transformados de una base de , y esos trasformados pertenecen a , podemos asegurar que la transformación T : existe, es única y es lineal Ejemplo (de aplicación del teorema fundamental) Determina, si existe, T : 2 3 tal que: T1,1 2,0,3 y T2,1 3,1,5 Como 1,1; 2,1 es una base de 2 y 2,0,3; 3,1,5 3 tal que: TUi Wi con i 1,2 se cumplen las hipótesis del teorema fundamental, por lo que este nos asegura la existencia de una única T lineal que cumple con las condiciones dadas. Para determinar la ley de T, debemos primero expresar un vector genérico de 2 como combinación lineal de los vectores de la base y encontrar sus coordenadas respecto a esa base. x,y 11,1 22,1 x,y 1 22,1 2 1 22 x 1 2 y 1 2 x 1 1 y 1 2 x 0 1 y x 1 22 x 2 y x 1 x 22 1 2y x 2 x y Tx,y T11,1 22,1 Aplicando T a x,y 2 Tx,y 1T1,1 2T2,1 Por hom. y linealidad de T Tx,y 2y x2,0,3 x y3,1,5 Reemplazo i y TUi Wi Tx,y 4y 2x 3x 3y,x y, 6y 3x 5x 5y Prod. por un escalar y suma de vectores Tx,y x y,x y, 2x y Es la ley de la T pedida 7.5.-MATRIZ DE UNA TRANSFORMACION LINEAL RESPECTO A UN PAR DE BASES DEL DOMINIO Y CODOMINIO Matriz de T : n m respecto a las bases canónicas de ny m respectivamente Sí n y m, y T : n m es una transformación lineal, y n I1, I2, , In y m I1 , I2 , , Im las bases canónicas de n y m respectivamente, entonces podemos asociarle a T una matriz A mn de tal forma que: TX AX A la matriz Amn se la denomina matriz de la transformación T asociada a las bases canónicas de n y m o representación matricial de T Podemos demostrar que A tiene como columnas a los transformados de la base canónica del dominio de T, n expresados en la base canónica del codominio ( m) Vamos a mostrarlo para el caso particular de n 2 y m 3 con lo que T : 2 3 y 2 I1, I2 1,0, 0,1; 3 I1 , I2 , I3 1,0,0, 0,1,0, 0,0,1 Si X x y x y x 1 0 y 0 1 por ser 2 generador de 2 Es decir: X xI1 yI2 Al ser 2 una base de 2, si asignamos TI1 I1 y TI2 I2 Aplicando el teorema fundamental de las transformaciones lineales, T existe, es única y es lineal. Así que: TX TxI1 yI2 TX TxI1 TyI2. Por linealidad de T TX xTI1 yTI2. Por homogeneidad de T Como TX 3 X 2, en particular TIi 3 i 1,2, y como 3 es la base canónica de 3, tendremos que: TI1 a11I1 a21I2 a31I3 TI1 3 a11 a21 a31 TI2 a12I1 a22I2 a32I3 TI2 3 a12 a22 a32 Reemplazando estas expresiones en tenemos: TX xTI1 3 yTI2 3 x a11 a21 a31 y a21 a22 a23 a11 a12 a21 a22 a31 a32 x y Si llamamos: A a11 a12 a21 a22 a31 a32 , tendremos que: TX AX Podemos ver que A32 y que sus columnas son los vectores transformados de la base de 2 (dominio de T expresados en coordenadas de la base canónica de 3 (codominio de T En consecuencia sí la expresamos en forma simbólica: A TI1 3 /TI2 3 Si generalizamos a una T : n m con n I1, I2, , In y m I1 , I2 , , Im podemos mostrar que: TX AX con Amn TI1 m /TI2Em / /TIn m Siendo Amn matriz de T respecto a n I1, I2, , In y m I1 , I2 , , Im bases canónicas de n y m respectivamente Matriz de T : n m respecto a las bases 1 U1,U2, ,Un y 2 V1,V2, ,Vm de ny m respectivamente. De igual forma que lo hicimos anteriormente, podemos proceder para encontrar la matriz de una transformación respecto a un par de bases distintas de las canónicas TU1 11V1 21V2 m1Vm TU1 2 11,21, ,m1 T TU2 12V1 22V2 m2Vm TU2 2 12,22, ,m2 T TUn 1nV1 2nV2 mnVm TUn 2 1n,2n, ,mn T Es decir resolviendo cada una de las combinaciones lineales anteriores encontramos los valores de los coeficientes, con lo cual habremos encontrado las coordenadas respecto de la base 2, de los transformados de los vectores de la base 1 ( TUi 2 . En consecuencia siguiendo el mismo criterio que para el caso de la matriz de T respecto a las bases canónicas, dichos vectores serán las columnas de la matriz de T respecto a las bases 1 y 2. Es decir si llamamos B a dicha matriz: B TU1 2 / TU2 2 / /TUn 2. Entonces: B 11 12 1n 21 22 2n m1 m2 mn Podemos observar que esta matriz B puede encontrarse resolviendo una ecuación matricial que es equivalente a los n sistemas de ecuacionesresultantes de las n combinaciones lineales de los TUi. TU1 11V1 21V2 m1Vm TU2 12V1 22V2 m2Vm TUn 1nV1 2nV2 mnVm En efecto, el conjunto de sistemas es equivalente a la ecuación matricial: TU1/TU2/ /TUn V1/V2/ /Vm 11 12 1n 21 22 2n m1 m2 mn B 11 12 1n 21 22 2n m1 m2 mn V1/V2//Vm1TU1/TU2//TUn Como podemos observar ambos procedimientos arrojan el mismo resultado ya que son equivalentes. Esto vale en general para cualquier transformación lineal 7.6.-ISOMETRIA Definición: Sea un espacio vectorial con producto interno Dada la transformación lineal T : . Decimos que T es una Isometría si y solo si X TX X Teorema 7.6: Si T : es una isometría, entonces TX TY X Y La demostración es trivial, en efecto: TX TY TX Y X Y por ser T lineal e isometría (hipótesis) Teorema 7.7: Si T : es una isometría, entonces X,Y , TX,TY X,Y Teorema 7.8: Si T : es una isometría, entonces Transforma bases ortonormales en bases ortonormales Teorema 7.9: Si T : n n es una isometría, entonces la matriz de T es ortogonal 7.7.- AUTOVALORES Y AUTOVECTORES Autovalores y autovectores de una transformación lineal T : Definición: Dada una transformacion lineal T : y un escalar , decimos que es un autovalor de T si y solo sí existe un autovector no nulo U tal que: TU U Al vector U se lo denomina autovector de T asociado al autovalor Si es de dimensión finita, entonces T tiene asociada una matriz Ann que caracteriza a T tal que: TX AX, X En consecuencia tendremos que: AX X Así que tiene sentido definir autovalores y autovectores de una matriz Ann Autovalores y autovectores de una matriz Ann Definición: Dada Ann. Decimos que el escalar es un autovalor de A si y solo sí existe un vector no nulo U n tal que: AU U Al vector U se lo denomina autovector de A asociado al autovalor La anterior ecuación, es una ecuación matricial en la que tanto como U son incógnitas Escribamos a esta ecuación de forma de que las incógnitas estén en un sólo miembro De AU U AU U AU IU A IU . Es decir: A IU 7 Interpretemos esta igualdad 7 a los efectos de comprender mejor lo que nos dice: Al ser A nn, entonces A I nn y U n Por lo visto en temas anteriores, sabemos que la 7 es equivalente a un sistema de n ecuaciones lineales con n incógnitas homogéneo cuya matriz de coeficientes es A I nn y las coordenadas del vector U sus incógnitas. Al ser un sistema homogéneo siempre es consistente y puede tener única solución (la nula) o tener infinitas soluciones. Como U , entonces el sistema tiene infinitas soluciones y por lo tanto la dimensión del espacio solución será mayor que cero. Como la cantidad de incógnitas es n, en el sistema escalonado equivalente habrá m ecuaciones tal que m n y en consecuencia el RangoA I n ya queRangoA I es el número de filas no nulas de la matriz que resulta de escalonar A I y a su vez es la cantidad de ecuaciones del sistema escalonado equivalente. Es decir las filas de A I constituyen un conjunto linealmente dependiente, que se traduce en que una de ellas debe ser combinación lineal del resto y ello asegura que se anule el determinante de la matriz de coeficientes. Es decir: detA I 0 8 Polinomio Característico Al ser A I nn. Si calculamos detA I por ejemplo por desarrollo de Laplace, obtendremos un polinomio de grado n en la variable . A ese polinomio se lo denomina Polinomio característico de A y se lo denota por por p. Es decir: p detA I 9 Ecuación característica: Sabemos que si encontramos p 0, estamos encontrando las raíces del polinomio característico de A. En consecuencia los autovalores de A ( i, i 1,2, ,n ) son las raíces del polinomio característico, de allí que llamamos ecuación característica de A. detA I 0 10 Resolviendo la 10 obtenemos los autovalores i, i 1,2, ,n. Reemplazando cada uno de los i en 7 obtenemos el sistema: A iIU cuya solución nos dará los autovectores Ui asociados al autovalor i. El conjunto de todos los Ui no nulos asociados a cada autovalor i será: Ui n,Ui /AUi iUi Este conjunto no será un espacio vectorial porque no contiene al vector nulo. Se puede justificar que si le adicionamos el vector nulo, el conjunto resultante si es un espacio vectorial. A ese espacio vectorial así obtenido lo denominamos autoespacio o espacio propio correspondiente al autovalor i. Si lo denotamos por i, será: i U n/ AUi iUi Como todo espacio vectorial tiene una base y si recordamos que una base es un conjunto generador del espacio podremos expresar: i LU1,U2, ,Uk siendo k la máxima cantidad de autovectores linealmente independientes asociados a i Teorema 7.10: Si A nn, i, i 1,2, ,n son autovalores distintos de A y Ui, i 1,2, ,n son autovectores de A asociados respectivamente a los i, entonces U1,U2, ,Un es linealmente independiente Multiplicidad Algebraica Definición: Si es un autovalor de Ann. Llamamos multiplicidad algebraica de al número natural k de veces que se repite el escalar como raíz del polinomio característico de A.Así por ejemplo si se repite dos veces como raíz, decimos que la multiplicidad algebraica de es 2. Multiplicidad Geométrica Definición: Si i es un autovalor de Ann y i es el autoespacio asociado al autovalor i. Llamamos multiplicidad geométrica de i a la dimensión de i Terorema 7.11: Si es un autovalor de Ann, entonces la multiplicidad geométrica de es menor o igual que la multiplicidad algebraica de . Teorema 7.12: Si Ann, entonces A tiene n autovectores linealmente independientes si y solo sí la multiplicidad geométrica de cada autovalor es igual a su multiplicidad algebraica. 7.8.-CAMBIO DE BASE. DIAGONALIZACION Cambio de base Dado un espacio vectorial , de dimensión finita, sabemos que existen infinitas bases para . Sabemos también que las coordenadas de los elementos de dependen de la base en la cual se expresen, por lo que muchas veces será conveniente realizar un cambio de base (cambio de coordenadas) como por ejemplo para poder graficar más fácilmente una curva si su ecuación cartesiana está referida a una cierta base que no permite graficarla de forma sencilla. Mediante la elección de otra base conveniente y el cambio a esta nueva base, permite una simplificación del problema, veremos precisamente en qué consiste esto, primeramente con ejemplos de espacios de n para n 2 o n 3, para luego generalizar a cualquier espacio Sea 2 y 2 I1, I2 base canónica de 2 y V1;V2 otra base de 2 Dado el vector genérico de 2 X x,yT, X xI1 yI2 donde x,y son las coordenadas del vector X respecto a la base canónica Asimismo sabemos que si queremos expresar el mismo vector X en la base V1;V2 será: X sV1 tV2 siendo s, t las coordenadas del vector X respecto a la base , X Esta última expresión se puede expresar matricialmente de la siguiente forma: X PX 1 Siendo P matriz cuyas columnas son los elementos de la base y X el vector columna de componentes s, t La ecuación 1 es la denominada ecuación de cambio de base ya que es la que relaciona las coordenadas de un mismo vector pero en dos bases distintas (la canónica y otra cualquiera y permite pasar de unas coordenadas a las otras según los datos disponibles. Así si se conocen las coordenadas del vector respecto a la base s, t, podemos calcular las coordenadas del vector respecto a la base canónica x,y realizando el producto PX La matriz P es la denominada matriz de cambio de base, la que al estar constituida por columnas linealmente independientes, es inversible, por lo que: X P1X 2 Esta última ecuación permite calcular las coordenadas de un vector referidas a una base , conocidas sus coordenadasreferidas a la base canónica Ejemplo 1: Dada 1,2; 1,3 y X 3,2. Determina las coordenadas del vector X respecto a la base El problema consiste en realizar un cambio de base (cambio de coordenadas) de la base canónica a la base . Por lo tanto corresponde usar la ecuación 2, que en este caso queda: X P1X s t 1 1 2 3 1 3 2 |P| 5, AdjP 3 1 2 1 P1 3 5 1 5 25 1 5 P1X 3 5 1 5 25 1 5 3 2 11 5 4 5 X 11 5 4 5 Son las coordenadas del vector X respecto a la base . Como vemos hemos cambiado de coordenadas (hemos cambiado de base), de la base canónica a la base . Ejemplo 2: Dada 1,2; 1,3 y X 2,3. Determina las coordenadas del vector X respecto a la base canónica Ahora tenemos como dato las coordenadas del vector respecto a una base y queremos calcular sus coordenadas respecto a la base canónica, por lo tanto la ecuación a utilizar será la 1 X PX x y 1 1 2 3 2 3 x y 5 5 coordenadas respecto a la base canónica. Veamos ahora como se generaliza para 2 el cambio de base cuando tenemos dos bases cualesquiera de 2 Sea 1 U1;U2, 2 V1;V2 dos bases de 2, X x y 2 Como 1, 2 son bases de 2, entonces podemos encontrar las coordenadas del vector X en dichas bases: X 1U1 2U2 las coordenadas de X en la base 1 son: X 1 1 2 3 X 1V1 2V2 las coordenadas de X en la base 2 son: X 2 1 2 4 Nosotros queremos cambiar de la base 1 a la base 2, entonces debemos encontrar las coordenadas de los vectores U1, U2 de la base 1 respecto de la base 2. Es decir: U1 a11V1 a21V2 las coordenadas de U1 en la base 2 son : U 1B2 a11 a21 U2 a12V1 a22V2 las coordenadas de U2 en la base 2 son : U 2B2 a12 a22 5 Reemplazando 5 en 3 tenemos: X 1a11V1 a21V2 2a12V1 a22V2 X 1a11V1 1a21V2 2a12V1 2a22V2 X 1a11 2a12V1 1a21 2a22V2 Entonces: X 1a11 2a12V1 1a21 2a22V2 6 Igualando la 4 y la 6 (por ser su primer miembro el mismo) tenemos el sistema: 1a11 2a12 1 1a21 2a22 2 a11 a12 a21 a22 1 2 1 2 Llamando P a11 a12 a21 a22 y teniendo en cuenta las ecuaciones 1 y 2 tenemos: X 2 PX 1 I La ecuación I es la ecuación de cambio de base (de la base 1 a la base 2) y la matriz P se denomina matriz de cambio de la base 1 a la base 2, o matriz de transición entre las bases 1 y 2 Observemos que la matriz P tiene como columnas los vectores de la base 1, expresados en la base 2. Es decir P U1B2 /U2B2 Como la matriz P tiene por columnas vectores de una base, entonces sus columnas son linealmente independientes, entonces es inversible por lo que: P1X 2 P 1PX 1 Existencia de P 1 y propiedad de las ecuaciones P1X 2 IX 1 Definición de inversa P1X 2 X 1 Neutro del producto de matrices X 1 P 1X 2 II La ecuación II será entonces la ecuación de cambio de base, de la base 2 a la base 1, y la matriz P1 matriz de cambio de la base 2 a la base 1 respectivamente o matriz de transición entre las bases 2 y 1 Esto se puede generalizar a un espacio vectorial de dimensión finita n. Así si tenemos dos bases de : 1 U1,U2, ,Un y 2 V1,V2, ,Vn X 1U1 2U2 nUn XB1 1 2 n X 1V1 2V2 nVn XB2 1 2 n U1 a11V1 a21V2 an1Vn U1B2 a11 a21 an1 U2 a12V1 a22V2 an2Vn U2B2 a12 a22 an2 . . Ui a1iV1 a2iV2 aniVn UiB2 a1i a2i ani . . . Un a1nV1 a2nV2 annVn UnB2 a1n a2n ann Siendo la matriz P U1B2 /U2B2 /UiB2 /UnB2 la matriz de cambio de base de la base 1 a la 2 entonces : P a11 a12 a1i a1n a21 a22 a2i a2n an1 an2 ani ann Una aplicación del cambio de base se tiene cuando se quiere encontrar la matriz de una transformación lineal T : ,/ TX AX , respecto a un par de bases 1 U1;U2; ;Un y 2 V1;V2; ,Vm de y respectivamente En efecto cuando hemos encontrado la matriz de T respecto a un par de bases 1 y 2 distintas de las canónicas, vimos que se podía escribir en forma matricial como sigue: TU1/TU2/ /TUn V1/V2/ /Vm 11 12 1n 21 22 2n m1 m2 mn Entonces: TX 2 BX 1 Siendo B la matriz de T respecto a las bases 1 y 2 del dominio y codominio de T respectivamente. Como vemos esta última expresión no es más que la que corresponde al cambio de base visto anteriormente (ecuación I). Matrices semejantes Definición: Dadas A,B nn. Decimos que A es semejante o similar a B si y solo si P nn inversible tal que B P1AP Teorema 7.13: Si dos matrices A,B son semejantes entonces la transformación T : n n/ TX P1XP es una transformación lineal Veamos que esto es así: 1) TX Y P1X YP por definición de T TX Y P1XP P1YP Dist. del prod. de matrices resp. a la suma TX Y TX TY por definición de T 2) TkX P1kXP por definición de T TkX kP1XP Asoc. del producto entre escalar y matriz TkX kTX por definición de T Se cumplen las dos condiciones, entonces T es lineal Teorema 7.14: Si A y B son matrices semejantes, entonces tienen los mismos autovalores Definición: Se dice que una matriz A nn es diagonalizable si y solo sí es semejante a una matriz diagonal Es decir si y solo si P nn inversible tal que D P1AP, donde D es una matriz diagonal Teorema 7.15: A nn es diagonalizable si y solo si A tiene n autovectores Linealmente Independientes Corolario: Si A nn tiene n autovalores distintos, entonces A es diagonalizable Teorema 7.16: Si A nn es diagonalizable, entonces la matriz P que la diagonaliza tiene como columnas autovectores de A y la matriz diagonal semejante a A tiene como elementos de su diagonal los autovalores de A asociados a los respectivos autovectores, en el mismo orden en el que los autovectores están como columnas de A Ejemplo 1: Dada A 2 1 0 3 Decide si A es diagonalizable. En caso afirmativo encuentra la matriz que la diagonaliza y la matriz diagonal que es semejante a A Para responder si A es o no diagonalizable, basta aplicar el teorema 7.15. Es decir bastará ver si A tiene 2 autovactores linealmente independientes. Para ello debemos calcular los autovalores de A y sus autovectores asociados Cálculo de los autovalores: |A I| 0 A I 2 1 0 3 1 0 0 1 2 1 0 3 2 1 0 3 0 2 3 0 1 2 2 3 Como los autovalores de A son distintos, entonces sus autovectores asociados son linealmente independientes. Aplicando el corolario del teorema 7.12, entonces A tiene 2 vectores linealmente independientes, entonces por el teorema 7.15, A es diagonalizable Para encontrar la matriz que diagonaliza a A debemos encontrar los autovectores de A Cálculo de los autovectores A IX Para 1 2 2 2 1 0 3 2 x y 0 0 0 1 0 1 x y 0 0 y 0 La solución general será: x,y x, 0 x1,0 U1 1,0 es un autovector de A asociado al autovalor 1 2 Para 2 3 2 3 1 0 3 3 x y 0 0 1 1 0 0 x y 0 0 x y 0 La solución general será: x,y x,x x1,1 U2 1,1 es un autovector de A asociado al autovalor 2 3 La matriz que diagonaliza a A será: P 1 1 0 1 que es inversible por tener sus columnas linealmente independientes |P| 1, AdjP 1 1 0 1 P1 1 1 0 1 P1AP D 2 0 0 3 7.9.-MATRICES SIMETRICAS: DIAGONALIZACION ORTOGONAL Definición: Dada A nn. Decimos que A es diagonalizable ortogonalmente, si y solo sí, existe una matriz P nn ortogonal tal que PTAP D, siendo D una matriz diagonal Teorema 7.17: Si A nn es simétrica, entonces sus autovalores son reales Teorema 7.18: Si A nn es simétrica y i j son autovalores de A, entonces los autovectores Ui,Uj asociados a ellos son ortogonales Teorema 7.19: Si A nn es simétrica , entonces A tiene n autovectores ortonormales y reales Definición: SeaA nn. Decimos que A es diagonalizable ortogonalmente si y solo si P ortogonal tal que PTAP D donde D es una matriz diagonal Teorema 7.20: A nn es diagonalizable ortogonalmente, si y solo sí A es simétrica Ing Augusto A. Estrada V.
Compartir