Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
142 CAPÍTULO TRANSFORMACIONES LINEALES 5.1. Definición Sean (V, +, K, .) y (W, +, K, .) dos espacios vectoriales definidos so- bre un mismo cuerpo K. La función f: V → W es una transformación lineal si y solo si: 1) La imagen de la suma de dos vectores cualesquiera de V es igual a la suma de sus imágenes en W. f( ba + ) = f( a ) + f(b ) a ,b V 2) La imagen del producto de un escalar 0 por todo vector de V es igual al producto del escalar por la imagen de dicho vector en W. f( a ) = f( a ) a V; K Gráficamente La definición de Transformación Lineal también se puede expresar como sigue: f: V→W es Transformación lineal f( a +b ) = f( a ) + f(b ) a , b V y , K Ejemplo: a b a + b λa f(a) f(b) f(a + b) = f(a) + f(b) f(λa) = λf(a) V W f 143 Sean (R2, +, R, .) y (R3, +, R, .) dos espacios vectoriales reales y sea la función: f: R2 → R3 / f(a, b) = (b, -a, a + b). Demostrar que f es trans- formación lineal. Sean: 1v = (a1, b1) R 2 f( 1v ) = (b1 ,-a1 ,a1+b1) 2v = (a2, b2) R 2 f( 2v ) = (b2 ,-a2 ,a2+b2) 21 vv + = (a1+a2 ,b1+b2) f( 21 vv + ) = ((b1+b2),-(a1+a2), (a1+a2)+(b1+b2)) = (b1+b2 ,-a1- a2 ,(a1+b1)+(a2+b2)) = (b1 ,-a1 ,a1+b1) + (b2 ,-a2 ,a2+b2) = f( 1v ) + f( 2v ) (I) 1v = (a1 , b1) f( 1v ) = (b1 , -(a1), a1 +b1) = (b1 ,-a1 ,(a1 + b1)) = (b1, -a1, a1+ b1) = f( 1v ) (II) De (I) y (II) resulta que f es una transformación lineal. 5.2. Núcleo de una transformación lineal Definición: El núcleo de una transformación lineal es el conjunto de todos los elementos del primer espacio vectorial que tienen como imagen el cero (elemento neutro de la suma) del segundo espacio vec- torial. 144 f: V → W Transformación lineal. Nf = { x V / f( x ) = 0W} En el ejemplo dado: Nf = {(a, b) / f(a, b) = (0, 0, 0)} (b, -a, a + b) = (0, 0, 0) Nf = {(0, 0)} 5.3. Imagen de una transformación lineal Definición: Se llama Imagen de una transformación lineal al conjunto formado por los elementos del segundo espacio vectorial que son ima- gen de los vectores del primer espacio. If = { y W / x V f( x ) = y } En el ejemplo dado: La imagen de f es el conjunto de las ternas de núme- ros reales cuya 3º componente es igual a la diferencia entre la primera y la segunda componentes. If = {(x, y, x − y)} 5.4. Propiedades de las transformaciones lineales 1) La imagen del cero del primer espacio es igual al cero del segundo espacio. f(0V) = 0W b = 0 -a = 0 a + b = 0 a = 0 b = 0 El núcleo tiene una solo elemento que es el par ordenado (0,0). 145 Demostración: Sea x V x + 0V = x f( x + 0V) = f( x ) f( x ) + f(0V) = f( x ) Porque f es Transformación lineal. f( x ) + f(0V) = f( x ) + 0w 0W elemento neutro de + en W. f(0V) = 0w 2) La imagen del opuesto de un elemento de V es igual al opuesto de su imagen. f(- x ) = -f( x ) Demostración: f(- x ) = f((-1) x ) = (-1) f( x ) f(- x ) = -f( x ) 3) El núcleo de una transformación lineal f: V→ W es subespacio vec- torial del primer espacio. Nf es subespacio vectorial de V Demostración: a Nf f( a ) = 0W b Nf f(b ) = 0W f( a +b ) = f( a ) + f(b ) Porque f es transformación lineal. = 0W + 0W = 0W ( a + b ) Nf f(λ a ) = λ f( a ) Porque f es transformación lineal. = λ 0W = 0W La suma de dos elementos de Nf es otro elemento de Nf. El producto de un escalar por un elemento de Nf es otro elemento de Nf. 146 λa Nf Nf es subespacio vectorial de V. 4) La imagen de una transformación lineal es subespacio vectorial del segundo espacio. If es subespacio vectorial de W. Demostración: a) 1w If 1v V / f( 1v ) = 1w 2w If 2v V / f( 2v ) = 2w 1w + 2w = f( 1v ) + f( 2v ) = f( 1v + 2v ) Porque f es transformación lineal. Como 1v V y 2v V resulta que 1v + 2v V. ( 1v + 2v )V / f( 1v + 2v ) = 1w + 2w 1w + 2w If (I) b) λ 1w = λ f( 1v ) = f (λ 1v ) Porque f es transformación lineal. 1v V λ 1v V λ 1v V / f(λ 1v ) = λ 1w λ 1w If (II) De (I) y (II): If es subespacio vectorial de W. 5.5. Dimensión del Núcleo y de la Imagen 147 Definición: Si (V, +, K, .) es un espacio vectorial de dimensión finita y f:V→ W es una transformación lineal, entonces la suma de las dimensio- nes del núcleo y de la imagen es igual a la dimensión del primer espacio. dim (Nf ) + dim (If ) = dim (V) 5.6. Teorema fundamental de las transformaciones lineales Sean (V, +, K, .) y ( W , +, K, .) dos espacios vectoriales y [B] una base de V ( nvvvvB ,,,, 321= ). Si nwwww ,...,,, 321 son n vectores cua- lesquiera de W, entonces existe una única transformación lineal f: V→ W tal que f( iv ) = iw , i =1, 2, 3,..., n. Demostración: Todo vector x de V puede expresarse como combinación lineal de los vectores de la base [B] siendo los escalares αi únicos. = = n i iivx 1 Se define ahora una función f: V→ W tal que la imagen de cualquier vector x de V esté dada por: = = n l iiwxf 1 )( Es decir que la imagen por f de una vector x de V es la combinación lineal de los n vectores iw de W usando los mismos coeficientes que permiten expresar a x como combinación lineal de los vectores de la base [B]. En primer lugar, se demostrará que f es una transformación lineal. Sean x V = = n i iivx 1 y = = n l iiwxf 1 )( 148 y V y = = n i iiv 1 y = = n i iiwyf 1 )( = +=+ n i iii vyx 1 )( = +=+ n i iii wyxf 1 )()( = = += n i n i iiii ww 1 1 )()( yfxf += (I) = = == n i n i iiii vvx 1 1 = = n i iiwxf 1 )( = = n i iiw 1 = )(xf (II) De (I) y (II) queda demostrado que f es una transformación lineal. En segundo lugar se debe demostrar que i es: ii wvf =)( En efecto, un vector iv puede escribirse como combinación lineal de los vectores de [B] como sigue: nii vvvvv .0....1....0.0 21 +++++= 149 nii wwwwvf .0....1....0.0)( 21 +++++= ii wvf =)( Que es lo que se quería demostrar. En tercer lugar se demostrará que, bajo la condición enunciada anterior- mente, la transformación lineal f es única. Se supone que existe otra transformación lineal g: V→W / ii wvg =)( Entonces: = = n i iivgxg 1 )()( = = n i ii vg 1 )( = = n i iiw 1 = = n i ii vf 1 )( = = n i iivf 1 )( = )(xf En consecuencia, g = f y por lo tanto la transformación lineal es única. 5.7. Matriz asociada a una transformación lineal Sean (V, +, K, .) y (W, +, K, .) dos espacios vectoriales de dimensión n y m respectivamente.Sea f: V → W una transformación lineal y sean además: [B1] = nvvvv ,...,,, 321 una base de V y [B2] = mwwww ,...,,, 321 una base de W. 150 Todo vector x de V puede escribirse como combinación lineal de los vectores de la base [B1] = = n j jjvx 1 Los j son las coordenadas del vector x en la base [B1] y también se pueden escribir como una matriz columna: = n Bx 3 2 1 1 Sea y la imagen de x por la transformación lineal f: )(xfy = . Pero y es un vector de W entonces puede expresarse como combinación lineal de los vectores de la base [B2] y esa combinación es única. = = m i iiwy 1 Por el Teorema Fundamental de las transformaciones lineales, f queda caracterizada unívocamente por los valores que toma sobre cualquier base de V. O sea que es suficiente obtener las imágenes, por f, de cada uno de los vectores de la base [B1]. Para cada iv su imagen será )( ivf . Pero )( ivf es un vector de W, entonces puede expresarse como combi- nación lineal de los vectores iw de la base [B2]. = = m i iijj wvf 1 )( j = 1,2,3,..., n Se nombran los subíndices con la letra j por conveniencia. 151 Cada escalar lleva dos subíndices: el subíndice i está referido a la base [B2] = mwwww ,...,,, 321 y el subíndice j se refiere a un vector de la base [B1] = nvvvv ,...,,, 321 En consecuencia, se tiene: mm wwwwvf 13312211111)( ++++= mm wwwwvf 23322221122 )( ++++= mm wwwwvf 33332231133 )( ++++= ........................................................................... ............................................................................. mmnnnnn wwwwvf ++++= 332211)( Tomando los coeficientes ij se puede construir una matriz A que recibe el nombre de Matriz Asociada a la Transformación Lineal f respecto de las bases [B1] y [B2]. = mnmm n n A 21 22221 11211 Esta matriz es de orden mn o sea que tiene m filas (m = dimW) y n columnas (n = dimV). Entonces, para hallar la matriz asociada a una transformación lineal f, respecto de una base en cada espacio, se determinan las imágenes por f de cada uno de los vectores de la base [B1] y luego se hallan sus coorde- nadas en la base [B2]. Cada columna de A corresponde a la imagen de cada vector de [B1] ex- presada en la base [B2]. 152 5.7.1. Teorema Si A es la matriz asociada a una transformación lineal f respecto de las bases [B1] y [B2], entonces la imagen de un elemento x de V en la base [B2] es igual al producto de la matriz A por el vector columna formado por las coordenadas de x en la base [B1]. ( )( ) 12 . BB xAxf = Ejercicios resueltos 1º) Verificar que la siguiente función es una transformación lineal. Hallar el núcleo, la imagen y una base de cada uno de ellos. f : R2 → R tal que f(x, y) = 2x – 5y Sean: (a, b) R2 → f(a, b) = 2a−5b (c, d) R2 → f(c, d) = 2c−5d (a, b)+(c, d) = (a+c, b+d) R2 → f(a+c, b+d) = 2(a+c)−5(b+d) = 2a+2c−5b−5d = (2a−5b)+(2c−5d) = f(a, b)+ f(c, d) (I) (a, b)=(a, b) R2 → f(a, b) = 2a−5b = (2a−5b) = f(a, b) (II) De (I) y (II), queda demostrado que f es una transformación lineal. Determinación del Núcleo de f. (a, b) Nf → f(a, b) = 0 → 2a−5b= 0 → ba 2 5 = 153 Nf = ( ) = baRba 2 5 /, 2 ó también: Nf = bb, 2 5 Dim (Nf)=1 Entonces, una base del núcleo puede ser: {(5, 2)}. Determinación de la Imagen de f. If = R ya que para todo número real r se pueden encontrar dos nú- meros reales x e y tales que r = 2x−5y. Dim(If)= 1 Una base de la imagen de la transformación lineal puede ser cual- quier número real, por ejemplo: {-1}. 2º) Hallar la expresión de la transformación lineal g, si: g: R2 → R3 , g (-2, 4) = ( 2, 0, 4 ) y g (1, 1) = (2, 3, 1). Se puede verificar fácilmente que (-2, 4) y (1, 1) son dos vectores li- nealmente independientes. Entonces constituyen una base de R2 que es un espacio vectorial de dimensión 2. Por lo tanto todo vector de R2 puede expresarse como combinación lineal de los vectores de la base: ( ) ( ) )1,1(4,2, +−=ba =+ =+− b a 4 2 3 2 6 ba ab + = − = ( ) )1,1( 3 2 )4,2( 6 , baab ba + +− − = Por el teorema fundamental de las transformaciones lineales: ( ) ( ) ( )1,1 3 2 4,2 6 , g ba g ab bag + +− − = ( ) ( ) ( )1,3,2 3 2 4,0,2 6 , baab bag + + − = ( ) + + + + −− = 3 2 ,2, 3 24 3 22 ,0, 3 , ba ba baabab bag 154 ( ) ++− + ++− = 3 222 ,2, 3 24 , baab ba baab bag ( ) ( )bbababag ,2,, ++= 3º) Encontrar la matriz A asociada a la transformación lineal f respecto de las bases indicadas. f : R3 → R2 tal que f(x, y, z) = (x −2z, y+z) en las bases B1 ={(1, 1, 1), (1, 1, 0), (3, 0, 0)} y B2 ={(2, 0), (0, 2)} . Verificar que para todo x R3 : f ( x ) 2B = A . x 1B En primer lugar, se hallan los transformados de cada uno de los vec- tores de la base B1 y luego se calculan sus coordenadas en la base B2. f(1, 1, 1)= (-1, 2) (-1, 2) = (2, 0) + (0, 2) = −= 22 12 1 2 1 =−= f (1, 1, 1) = ( ) 2 1; 2 1 2,1 B −=− (I) f(1, 1, 0)= (1, 1) (1, 1) = (2, 0) + (0, 2) = = 12 12 2 1 2 1 == f(1, 1, 0) = ( ) 2 2 1 , 2 1 1,1 B = (II) f (3, 0, 0) = (3, 0) 155 (3, 0) = (2, 0) + (0, 2) = = 02 32 0 2 3 == f (3, 0, 0) = ( ) 2 0, 2 3 0,3 B = (III) Tomando los vectores hallados en (I), (II) y (III) como vectores co- lumna, se construye la matriz A, asociada a la transformación lineal f, respecto de las bases dadas. − = 0 2 1 1 2 3 2 1 2 1 A Para la verificación solicitada en la segunda parte del problema, se calcularán por separado f( x ) 2B y A. x 1B . Sea ( ) 3321 ,, Rxxxx = f ( ) ( )3231321 ,2,, xxxxxxx +−= ( ) ( ) += −= +=+− 32 31 3231 2 22 )2;0(0;2,2 xx xx xxxx 2 2 2 32 31 xx xx + = − = f( x ) 2B +− = 2 , 2 2 3231 xxxx () Se expresa ahora el vector x en la base B1: 156 ( ) ( ) = =+ =++ ++= 3 2 1 321 3 )0,0,3()0,1,1(1,1,1,, x x x xxx De donde resultan: 3x= , 32 xx −= y 3 21 xx −= Entonces: − −= 3 21 32 3 1 xx xx x x B A. x 1B = − 0 2 1 1 2 3 2 1 2 1 . − − 3 21 32 3 xx xx x = + − 2 2 2 32 31 xx xx () De () y (), se verifica que para todo x R3: f( x ) 2B = A. x 1B 157 CAPÍTULO 6 DIAGONALIZACION DE MATRICES 6.1. Introducción Si f: V→V es una transformación lineal de un espacio vectorial en sí mismo, un vector u es transformado, en general, por f en un vector que está en una dirección diferente. Sin embargo puede ocurrir que f( u ) sea simplemente un múltiplo de u . Es decir que: f(u ) = u donde es un escalar Esta cuestión y la de la existencia de una base respecto de la cual la ma- triz asociada a la transformación lineal sea una matriz diagonal, están íntimamente ligadas entre sí a tal punto que unresultado que afecta a una de ellas afecta también a la otra. De su estudio se derivan importantes propiedades que amplían el cono- cimiento sobre el álgebra y que son de aplicación en áreas que no son propias de esta materia como, por ejemplo, la teoría de optimización que se sirve de los autovalores de una matriz para obtener condiciones sufi- cientes de óptimo de una función. Antes de entrar de lleno en el desarrollo del tema, se debe dejar en claro que, puesto que se trabajará con transformaciones lineales de un espacio vectorial en sí mismo, entonces en todos los casos se adoptará la misma base para el espacio origen y para el espacio imagen. 158 6.2. Valores propios (autovalores) y vectores propios (autovectores) Definición: Sea f: V → V una transformación lineal. Un número real es un “autovalor” de la transformación si para algún vector u V, no nulo, se verifica que: f(u ) = u El vector u se denomina “autovector” de la transformación, relativo al autovalor . Ejemplos 1) Dada la transformación lineal f : R2 → R2 / f(u1, u2) = (2u1 - u2 , -u1 + 2u2) se puede comprobar que 1=3 y 2= 1 son dos autovalores. Para ello se calculan: f(1, -1) y f(1, 1). f(1, -1) = (2 .1-(-1), -1+2(-1)) = (2+1, -1-2) = (3, -3) = 3(1, -1) Entonces 3 es autovalor de la transformación lineal dada. f(1, 1) = (2 .1 – 1, -1 + 2. 1) = (2-1, -1+2) = (1, 1) = 1(1, 1) Por lo tanto, también 1 es autovalor de la transformación lineal dada 2) Calculando f(3, 1) y f(0, -1), comprobar que f: R2 → R2 / f(u1, u2) = (5u1 , u1 + 2u2) tiene dos autovalores diferentes. f(3,1) = (15, 5) 159 = 5(3, 1) Por lo tanto, 5 es un autovalor de la transformación lineal dada y el vector (3, 1) es un autovector de dicha transformación relativo al au- tovalor 5. f(0, -1) = (0, -2) = 2(0, -1) Entonces 2 es un autovalor de la transformación lineal dada y el vec- tor (0,-1) es un autovector de dicha transformación relativo al auto- valor 2. ¿Porqué en la definición de autovalor se hace la salvedad de que u ? Evidentemente el vector u no puede ser el vector nulo porque en ese caso la igualdad f(u ) = u se verificaría para cualquier valor de . En efecto: f() = para todo Otra consecuencia importante que se deriva de la definición de autovalor es la que se demuestra en el siguiente: Teorema: Dos autovalores diferentes no pueden tener asociado el mis- mo autovector. Demostración: Sean 1 y 2 dos autovalores diferentes de una transformación lineal. Supongamos que existe un vector u relativo a ambos autovalores f(u ) = 1 u y f(u ) = 2 u 1 u = 2 u (1 − 2 ) u = Puesto que 1 − 2 0 resulta u = que contradice la definición y el teorema queda demostrado. En consecuencia : 160 Dos autovalores diferentes no pueden tener asociado el mismo autovector. 6.3. Subespacio asociado a un autovalor Definición: Sea un autovalor de una transformación lineal f : V → V, se llama L() al conjunto de todos los vectores asociados al autovalor . L() = u V/ f(u ) = u Teorema: L() es un subespacio vectorial de V. Demostración Sea u L() f(u ) = u Sea v L() f( v ) = v f(u + v ) = f(u ) + f( v ) porque f es Transformación lineal = u + v = (u + v ) (u + v ) L() f(ku ) = k f(u ) porque f es Transformación lineal = k u = (ku ) ku L() L() es subespacio vectorial de V Dicho subespacio se denomina Subespacio asociado al autovalor . Ejemplo: Escribir los subespacios asociados a cada uno de los autovalores hallados en el ejemplo 2. L(5) = u R2/ f(u ) = 5u (5u1 , u1 + 2u2) = 5(u1, u2) 161 =+ = 221 11 52 55 uuu uu u1 = 3 u2 L(5) = (u1, u2)R 2/ u1 = 3u2 L(2) = u R2/ f(u ) = 2u (5u1, u1 + 2u2) = 2(u1, u2) =+ = 221 11 22 25 uuu uu 3u1 = 0 u1 = 0 L(2) = (u1 , u2)R 2/ u1 = 0 Teorema: Si = 0 es un autovalor de una transformación lineal f, en- tonces el subespacio asociado al autovalor 0 es igual al núcleo de la trans- formación f. L(0) = N(f) Demostración: L(0) = u V / f(u ) = 0u L(0) = u V / f(u ) = } L(0) = Nf 6.4. Independencia lineal de autovectores relativos a autovalores diferentes. Sean los subespacios hallados en el ejemplo anterior. L(5) = (u1 , u2 )R 2/ u1 =3 u2 y L(2) = (u1 , u2 )R 2/ u1 = 0 162 Si u L(5) entonces existe un número real a0 0 tal que: u = (3a0 , a0) Si v L(2) entonces existe un número real b0 0 tal que : v = (0 , b0) Se plantea ahora la siguiente igualdad: u + v = y se calculan y . (3 a0 , a0) + (0 , b0) = =+ = 0 03 00 0 ba a De donde resulta: = 0 y = 0 En consecuencia : Los vectores u y v son linealmente independientes Se ha verificado, entonces, que autovectores relativos a autovalores diferentes son linealmente independientes. Generalizando este resultado, se enuncia el siguiente teorema: Teorema : Sea f : V → V una transformación lineal y puuuu ,,,, 321 , p vectores correspondientes a los autovalores 1, 2 , ..., p. Si los autovalo- res son diferentes entre sí, entonces los p autovectores son linealmente independientes Demostración Se demuestra por medio del Principio de Inducción Completa Si p =1 la proposición es verdadera. Se supone que es verdadera para p = h y se comprobará que es verdadera para p = h+1 Sea una combinación lineal cualquiera de los autovectores 163 1321 ,,,, +huuuu igual al vector nulo : + = 1 1 h i iiua = (I) Entonces : == + = + = 1 1 11 1 1 h i ii h i ii uauaf (II) Si a la igualdad (I) se la multiplica por h+1 y se la resta de la igualdad (II), se obtiene : + = + = + − 1 1 1 1 1 h i h i iiiihi uaua = + = + − 1 1 1 )( h i iihi ua = ( ) ( ) ( ) 111111111 ++++++ −+−++− hhhhhhhhh uauaua = Pero ( ) ( ) ( ) hhhhhh uauaua −++−+− +++ 122121111 = porque se ha supuesto que h vectores son linealmente independientes. Como el factor (h+1 − i) 0 para i = 1, 2, ..., h resulta entonces que ai = 0 para i = 1, 2, ... , h. En consecuencia, volviendo a la igualdad (I): + = 1 1 h i iiua = 112211 ++++++ hhhh uauauaua = 11 ++ hh ua = 164 01 =+ha y por lo tanto, h+1 vectores son linealmente independientes, con lo que el teorema queda demostrado. Del teorema enunciado anteriormente se deriva el siguiente corolario, cuya demostración se basa en los teoremas estudiados en espacios vecto- riales : Si f : V → V es una transformación lineal en un espacio de dimensión n, entonces f tiene como máximo n autovalores diferentes. 6.5. Transformaciones lineales diagonalizables Dada la transformación lineal f : R3 → R3 definida por : f(x1, x2 , x3 ) = (15x1 + 51 x2 − 21 x3 , 3x1 + 15x2 - 3x3 , 48x2 − 6x3 ) hallar la matriz asociada a la transformación respecto de : a) la base canónica f(1, 0, 0) = (15, 3, 0) f(0, 1, 0) = (51, 15, 48) f(0, 0, 1) = (-21, -3, -6) A = − − − 6480 3153 215115 b) la base [B] = (5, 3, 8) , (3, 1, 2) , (1, 0, 1)} f(5, 3, 8) = (60, 36, 96) (60, 36, 96) = (5, 3, 8) + (3, 1, 2) + (1, 0, 1) 165 = 12 = 0 = 0 (f(5, 3, 8))[B] = (12, 0, 0) f(3, 1, 2) =(54, 18, 36) (54, 18, 36) = (5, 3, 8) + (3, 1, 2) + (1, 0, 1) = 0 = 18 = 0 (f(3, 1, 2))[B] = (0, 18, 0) f(1, 0, 1) = (-6, 0, -6) (-6, 0, -6) = (5, 3, 8) + (3, 1, 2) + (1, 0, 1) = 0 = 0 = -6 (f(1, 0, 1))[B] = (0, 0, -6) La matriz asociada a la transformación lineal respecto de la base [B] es A = − 600 0180 0012 La matriz obtenida en este caso es una matriz diagonal. En general : Definición: Una transformación lineal f: V→V es diagonalizable, si para alguna base en V, la matriz asociada a la transformación f, respecto de esa base, es una matriz diagonal. Al construir la matriz de la transformación f respecto de la base [B] se obtuvo : 166 f(5, 3, 8) = (60, 36, 96) = (12, 0, 0)[B f(3, 1, 2) = (54, 18, 36) = (0, 18, 0) [B f(1, 0, 1) = (-6, 0, -6) = (0, 0,-6) [B Pero también se observa que : f(5, 3, 8) = (60, 36, 96) = 12(5, 3, 8) Por lo que 12 es un autovalor de la transformación f y (5, 3, 8) un auto- vector relativo a ese autovalor. f(3, 1, 2) = (54, 18, 36) = 18(3, 1, 2) Por lo que 18 es un autovalor de la transformación f y (3, 1, 2) un auto- vector relativo a ese autovalor. f(1, 0, 1) = (-6, 0, -6) = -6(1, 0, 1) Por lo que -6 es un autovalor de la transformación f y (1, 0, 1) un auto- vector relativo a ese autovalor. Definición : Sea f: V→V una transformación lineal en un espacio de dimensión n. Si f tiene n autovalores distintos, la matriz asociada respec- to de una base formada por autovectores relativos a cado uno de los n autovalores es una matriz diagonal, cuyos elementos no nulos son los autovalores de la transformación. 6.6. El polinomio característico Si es un autovalor de una transformación lineal f, es por definición: f(u ) = u Pero, como ya se vió al estudiar transformaciones lineales, f(u ) = Au donde A es la matriz asociada a la transformación lineal f. Entonces re- sulta : Au = u 167 ó también : Au = Iu donde I es la matriz identidad de orden n Au − Iu = (A − I) u = Como u por ser autovector, entonces la única posibilidad para que la igualdad precedente se cumpla es que : A − I = 0 Definición : Sea A una matriz cuadrada de orden n. Se denomina poli- nomio característico de A al polinomio de grado n que resulta al de- sarrollar el determinante de la matriz (A − I). Definición: Sea f: V → V una transformación lineal y [B] una base cual- quiera de V. Si A es la matriz asociada a la transformación lineal, respec- to de dicha base, se verifica que es un autovalor de la transformación f, si y sólo si, es una raíz real del polinomio característico de A. Ejemplos: 1) Sea f(x1 ,x2) = (2x1 − x2 , -x1 + 2 x2) una transformación lineal cuyos autovalores son 1= 3 y 2 = 1. Se verificará que esos valores son las raíces del polinomio característico de la matriz A asociada a f, res- pecto de la base canónica. Se construye la matriz A f(1, 0) = (2, -1) f(0, 1) = (-1, 2) A = − − 21 12 A - I = −− −− 21 12 168 A - I = (2 - )2 – 1 = 0 2 – 4 + 3 = 0 = = 1 3 2 1 2) Dada f: R3 → R3/ f(x1, x2 , x3 ) = (3x1-x2+x3 , -x1+5x2 - x3 , x1-x2+3x3 ), utilizar la matriz A asociada a la base canónica para hallar los autova- lores y autovectores de f. f(1, 0, 0) = (3, -1, 1) f(0, 1, 0) = (-1, 5, -1) f(0, 0, 1) = (1, -1, 3) A = − −− − 311 151 113 A - I = −− −−− −− 311 151 113 A - I = (3-)2(5-) +1 +1 –(5-) – (3-) – (3-) = 0 3 - 112 + 36 -36 = 0 3 - 22 - 92+18 + 18 -36 = 0 2(-2) -9(-2) + 18(-2) = 0 (-2) (2 -9 + 18) = 0 (-2) (-3) (-6) = 0 = = = 6 3 2 3 2 1 Para calcular los autovectores, se hallan los espacios asociados a cada uno de esos autovalores: L(2) = u R3/ f(u ) = 2u 169 =+ =+ =+ 3321 2321 1321 2u 3u u - u 2u u - 5u u- 2u u u - 3u =+ =+ =+ 0 u u - u 0 u - 3u u- 0 u u - u 321 321 321 −= = 31 2 0 uu u L(2) = (u1, u2, u3)R 3 /u2 = 0 u1 = -u3 = {(-u3, 0, u3)} L(3) = u R3/ f(u ) = 3u =+ =+ =+ 3321 2321 1321 3u 3u u - u 3u u - 5u u- 3u u u - 3u = =+ =+ 0 u - u 0 u - 2u u- 0 u u - 21 321 32 u1 = u2 = u3 L(3) = (u1, u2, u3) R 3 / u1 = u2 = u3 = {(u1, u1, u1)} L(6) = u R3/ f(u ) = 6u =+ =+ =+ 3321 2321 1321 6u 3u u - u 6u u - 5u u- 6u u u - 3u = = =+ 0 3u - u - u 0 u - u - u- 0 u u - 3u- 321 321 321 −= = 32 31 2uu uu L(6) = (u1, u2, u3)R 3 /u1=u3 u2 =-2u3={(u3, -2 u3, u3 )} 6.7. Matrices semejantes Definición: Dos matrices A y B son semejantes si existe una matriz C, no singular ( C 0), tal que : 170 A = CBC-1 Teorema : Si A y B son dos matrices semejantes, tienen el mismo poli- nomio característico. Demostración A = CBC-1 A - I = CBC-1 − I = CBC-1− CIC-1 Pero : (CBC-1− CIC-1) = C(BC-1− IC-1) = C(B − I)C-1 Por lo tanto : CBC-1− CIC-1 = C(B − I)C-1 = CB − IC-1 = B − I A - I = B − I Que es lo que se quería demostrar. Nota : Dos matrices semejantes, al tener el mismo polinomio caracterís- tico, tienen los mismos autovalores. Por lo tanto, como veremos más adelante, los determinantes de dos matrices semejantes son iguales. 6.7.1. Matriz Cambio de Base Definición: Sea f: V → V una transformación lineal en un espacio de dimensión n. Si A es la matriz asociada a la transformación respecto de una base nuuu ,,, 21 y B es la matriz asociada a la misma transforma- ción f, respecto de otra base nvvv ,,, 21 , se verifica que A y B son semejantes. 171 A = CBC-1 donde C se llama Matriz Cambio de Base. Ejemplo Si se retoma la transformación lineal del ejemplo de la página 169 y se construye la matriz B asociada a la base B2 = (1,0,-1),(2,2,2),(1,-2,1), se mostrará que la matriz A hallada anteriormente y la matriz B son se- mejantes. f(1, 0, -1) = (2, 0, -2) (2, 0, -2) = (1, 0, -1) + (2, 2, 2) + (1, -2, 1) = 2 ; = 0 ; = 0 ( ) 2)1,0,1( Bf − = (2, 0, 0) f(2, 2, 2) = (6, 6, 6) (6, 6, 6) = (1, 0, -1) + (2, 2, 2) + (1, -2, 1) = 0 ; = 3 ; = 0 ( ) 2)2,2,2( Bf = (0, 3, 0) f(1, -2, 1) = (6, -12, 6) (6, -12, 6) = (1, 0, -1) + (2, 2, 2) + (1, -2, 1) = 0 ; = 0 ; = 6 ( ) 2)1,2,1( Bf − = (0, 0, 6) B = 600 030 002 A= 45 + 1 + 1 – 5 –3 –3 = 36 172 B= 36 A = B A y B son semejantes. Se verificará ahora que B = CAC-1 donde C es la matriz de cambio de base que permite pasar de la base canónica a la base [B2]. Calculando las coordenadas de los vectores canónicos en la base [B2] se puede construir C. C = − − 6 1 3 1 6 1 6 1 6 1 6 1 2 10 2 1 C-1 = − − 121 220 121 CAC-1 = − − 6 1 3 1 6 1 6 1 6 1 6 1 2 10 2 1 − −− − 311 151 113 − − 121 220 121 = − − 121 2 1 2 1 2 1 101 − − 121 220 121 = 600 030 002 Que es igual a la matriz B lo que permite verificar que A y B son seme- jantes. 173 De acuerdo a lo que acabamos de ver, se puede expresar la primera defi- nición dada en el punto 4, como sigue : Definición: Toda matriz asociada a una transformación diagonalizable es semejante a una matriz diagonal. Entonces: ¿Qué condiciones debe reunir una matriz A asociada a una transformación lineal para ser diagonalizable? La respuesta a este interro- gante se encuentra en el siguiente teorema que se enuncia sin demostra- ción: Teorema: Una matriz A, cuadrada de orden n, es diagonalizable si y sólo si A tiene n autovectores linealmente independientes. A es diagonalizable A tiene n autovectores linealmente in- dependientes. Al tratar de determinar si una matriz es diagonalizable o no, es necesario tener en cuenta la siguiente observación: Si 0 es una raíz del polinomio característico de una matriz A y su mul- tiplicidad es m, la dimensión del espacio asociado a ese autovalor puede ser igual o menor que m. dim L(0) m Por ello , resulta útil hallar en 1º lugar los subespacios de los autovecto- res asociados a los autovalores que son raíces múltiples del polinomio característico, para determinar su dimensión. Si para alguno de ellos se verifica que dim L(0) m entonces la matriz no es diagonalizable. Ejemplos 174 a) Verificar que la matriz A = −− −− − 331 551 212 no es diagonalizable. Los autovalores de A son 1 = 2 ; 2 = 1 ; 3 = 1 2 es raíz de multiplicidad uno y 1 es raíz de multiplicidad dos L(2) = {u / Au = 2u } de donde resolviendo resulta: L(2) = {(u1, u2 , u3) / u2 = u3 = 0}, por lo tanto Dim L(2) = 1 L(1) = {u / Au = u } y resolviendo resulta: L(1) = {(u1, u2 , u3 ) / u2 = u3 = -u1}, por lo tanto Dim L(1) = 1 Entonces la matriz no es diagonalizable porque la dimensión del es- pacio asociado al autovalor 1 es menor que la multiplicidad de éste. b) Sea f : R3 → R3 una transformación lineal definida por: f(x1, x2 , x3 ) = (x2 - x3 , -x1 + 2x2 - x3, x1 - x2 + 2x3) b.1) Hallar los autovalores de la transformación y los autovectores correspondientes Se calcula la matriz asociada a la transformación respecto de la base canónica f(1,0,0) = (0, -1, 1) f(0,1,0) = (1, 2, -1) f(0,0,1) = (-1, -1, 2) A = − −− − 211 121 110 175 A - I = −− −−− −− 211 121 11 1 = 2 ; 2 = 1 ; 3 = 1 Los espacios asociados a los autovalores son: L(2) ={(u1, u2 , u3 )/u1 = u2 = -u3}, por lo tanto Dim L(2) =1 L(1) ={(u1, u2 , u3 ) / u1 = u2 - u3}, por lo tanto Dim L(1) = 2 Entonces la transformación lineal dada es diagonalizable. b.2) Hallar una base de R3 respecto de la cual, la transformación sea diagonalizable. Escribir la matriz asociada a la transformación respecto de esa base. Para hallar una base respecto de la cual la transformación sea diagonizable, se toma un vector de L(2) y dos vectores de L(1), que sean linealmente independientes. Por ejemplo (1, 1, -1) L(2) (0, 3, 3) L(1) (-1, 2, 3) L(1) Entonces [B] = {(1,1,-1), (0, 3, 3), (-1, 2, 3)} A continuación se comprobará que la matriz B asociada a la transformación dada, respecto de esta nueva base, es una ma- triz diagonal y además que los elementos de la diagonal son los autovalores de la transformación lineal.. f(1, 1, -1) = (2, 2, -2) (2, 2, -2) = (1, 1, -1) + (0, 3, 3) + (-1, 2, 3) = 2 , = 0 , = 0 (f(1, 1, -1))[B] = (2, 0, 0) 176 f(0, 3, 3) = (0, 3, 3) (0, 3, 3) = (1, 1, -1) + (0, 3, 3) + (-1, 2, 3) = 0 , = 1 , = 0 (f(0, 3, 3))[B] = (0, 1, 0) f(-1, 2, 3) = (-1, 2, 3) (-1, 2, 3) = (1, 1, -1) + (0, 3, 3) + (-1, 2, 3) = 0 , = 0 , = 1 (f(-1, 2, 3))[B] = (0, 0, 1) B = 100 010 002
Compartir