Professional Documents
Culture Documents
ndice
1. Revisin de Matrices
2. Espacios Vectoriales
3. Producto Interno
5. Transformaciones Lineales
10
6. Autovalores y Autovectores
11
13
8. Ecuaciones Diferenciales
17
19
1 Revisin de Matrices
z n = a = z =
p
n
|a| ei(
2k+arg(a)
n
k = 0, 1, . . . , n 1
con
(AB) = B 1 A1
1
T
AT
= A1
T
(A + B) = AT + B T
T
(AB) = B T AT
A1 =
1
det(A) adj(A)
A, B Rnn :
1.
det(AT ) = det(A),
2.
3. Si una la de
4. Si dos las de
5. Si una la de
se suma a
A
A
6. Si toda la matriz
7. Si
k(otra
para producir
se multiplica por
Qn
i=1
para producir
det (A) =
B , det(B) = det(A),
aii .
A Rnm .
con lo cual
AT A
es inversible
A Knm
B Krn ,
entonces:
es inversible
rg (A) = n)
(son iguales si
N ul (A) N ul (BA)
(son iguales si
Si
Si
rg (B) = n)
A = EBF .
Dos matrices equivalentes pueden pensarse como dos descripciones de una misma TL, pero con
Matrices semejantes: dos matrices cuadradas A y B son semejantes (notamos A B) si y solo si existe una
matriz P inversible tal que
B = P 1 AP
A = P BP 1 .
descripciones de un mismo operador lineal, pero con respecto a bases distintas. Estas dos matrices cumplen que:
1.
det(A) = det(B)
2.
tr (A) = tr(B)
3.
rg (A) = rg(B)
4.
pA () = pB () = (A) = (B)
2 Espacios Vectoriales
Espacio
Dimensin
R
n
CC
n
CR
nm
K
Pn
C[a, b]
n
n
2n
nm
n+1
VK
0V S
(x + y) S x, y V
si
x = 1 v1 + 2 v2 + . . . + q vq
Independencia lineal: x es LI si 0 = 1 v1 + 2 v2 + . . . + q vq
a1 = a2 = . . . = aq = 0.
S1 , S2 , . . . , Sq
subespacios de
V.
1.
Interseccin: S =
2.
Suma: S =
3.
4.
Suma directa: S1 , S2 , . . . , Sq
Tq
Si = {x V : x Si i = 1, . . . , q}.
Sm
i=1 Si = gen{ i=1 Bi }, donde Bi es base de Si .
i=1
Pn
Dos subespacios son suplementarios cuando estn en suma directa y su suma es todo el espacio.
2.4 Bases
Si
dim(V) = n, {v1 , . . . , vn } V
es base de
{v1 , . . . , vn } genera V
{v1 , . . . , vn } es LI
Si
x = 1 v1 + 2 v2 + . . . + n vn ,
entonces
CB (x) =
Dado un vector y una base, las coordenadas de ese vector en esa base son nicas.
v, w V
k K :
{v1 , v2 , . . . , vr }
es LI
CB (v + w) = CB (v) + CB (w)
CB (k v) = k CB (v)
B = {v1 , v2 , . . . , vn }
|
|
|
CBC = CC (v1 ) CC (v2 ) CC (vn )
|
|
|
CCB
Adems: si
|
|
= CB (w1 ) CB (w2 )
|
|
CBC
|
1
CB (wn ) = CBC
|
3 Producto Interno
3.1 Axiomas
Sea
< , >: VK VK R
un producto interno.
x, y V
1.
< x, y > K
2.
3.
4.
5.
6.
< x, x >= 0 x V
(si
< x, x >= 0
entonces
x = 0)
Rn : < x, y >= xT y
En
C n : < x, y >= xH y
En
En
En
En
En
En
3.3 Deniciones
Ortogonalidad: < x, y >= 0 xy.
Norma de un vector : |x|2 =< x, x >. La norma depende del producto interno.
Propiedades de la norma:
1.
|x| R x V
2.
|x| 0 (|x| = 0 x = 0)
3.
|k x| = |k| |x|
4. Desigualdad de Cauchy-Schwarz:
5. Desigualdad triangular:
es paralelo a
y.
|x + y| |x| + |y|.
6. Teorema de Pitgoras: si
xy
entonces
<x,y>
|x||y| con
[0, ], x, y 6= 0,
Son iguales si
Sea
vale para
R.
EPI real.
A VK . A = {x VK : < x, y >= 0 y
Para el clculo del complemento ortogonal a un subespacio de dimensin nita, alcanza con exigir la
B = {v1 , v2 , . . . , vq }
base de
(VK , ).
Entonces
|v1 |
(v1 , v2 )
2
(v2 , v1 )
|v2 |
G=
.
.
..
.
.
.
.
.
(vq , v1 )
(vq , v2 )
(v1 , vq )
(v2 , vq )
.
.
.
2
|vq |
Propiedades:
gii > 0 i = 1, 2, . . . , q.
GH = G.
G
es denida positiva.
G1 .
es base de
VK
x, y V :
H
< x, y >= CB
(x) G CB (y)
Propiedades:
SV
x V:
.
.
x = |{z}
u + |{z}
v = PS (x) + PS (x)
S
es el vector de
ms prximo a
x.
PS (w) = 0 w S .
2
2
2
|x| = |PS (x)| + PS (x) x V.
PS (v) = v v S
Por Pitgoras:
(si
y adems
entonces
x S)
una funcin
un subespacio de
V,
B = {v1 , v2 , . . . , vq }
una BOG de
S.
Entonces
x V:
. X < vi , x >
PS (x) =
vi
< vi , vi >
i=1
RS (x) = 2PS (x) x = PS (x) PS (x) = x 2PS (x)
Im (PS ) = S
N u (PS ) = S
y sea
una base de
V,
[PS ]B =
1
..
0
.
.
.
1
0
.
.
.
..
(tantos 1 como la dimensin del espacio sobre el cual proyecto, y tantos 0 como la dimensin del complemento
ortogonal)
Nota: la matriz de un operador proyeccin en una BON es una matriz de proyeccin. En cualquier otra base,
no lo es.
: VK VK
una
TL
tal
que
una base de
T (v) = v, v S
T (v) = v, v S
V, entonces la matriz
sea
B =
de la TL es:
[T ]B =
1
..
0
.
.
.
1
1
.
.
.
..
(tantos
ortogonal)
n1
H = Id 2
Propiedades de la matriz de Householder:
wwT
wT w
en un espacio de
H H = Id .
Es involutiva:
Es simtrica:
HT = H.
Es inversible:
H 1
Es ortogonal:
H T H = HH T = Id.
H 1 = H
4.6 Rotaciones en R3
Sea
B = {v1 , v2 , v3 }
una BON de
R3
y sea
la rotacin de
1
[T ]B = 0
0
v1 .
0
0
cos() sin()
sin() cos()
{x1 , x2 , . . . , xp }
para un subespacio
de
Rn ,
dena:
v1 = x 1
v2 = x 2
x2 .v1
v1 .v1
v1
vp = x p
xp v1
v1 v1
v1
Entonces
{v1 , v2 , . . . , vp }
xp v2
v2 v2
v2 . . .
xp vp1
vp1 vp1
vp1
W.
P Knn
C.
P2 = P
PH = P
es una matriz de proyeccin
Kn , K= R
Propiedades:
col(P ) = nul(P )
P y = y y col(P )
Si
PS
Las columnas de
PS
entonces
PS + PS = Id
rg(P ) = tr(P )
det(P ) 6= 0
Si
y
si
P 6= Id
P1 P2 = P2 P1 = 0,
entonces
P 1 + P2
es matriz de proyeccin
Sea
es
Sea
B = {v1 , v2 , . . . , vq }
una base de
S,
se obtiene mediante
[Ps ] = A A A
1
v1 , v2 , . . . , vq .
= AA#
Entonces la
tal que
rg (A) = q .
La matriz pseudoinversa de
es
A# = (AH A)1 AH
Propiedades:
Si
es cuadrada e inversible,
A1 = A#
A# Rqn
A# A = Id(q)
AA# = [P ]Col(A)
Sea
x
Kq
|A
x b| < |Au b| u Kq ,
d (A
x, b) d(Au, b) u Kq ,
|A
x| |b|
b Col (A)),
(son iguales si
A
x = b = PColA (b)
AT A
x = AT b
A
x Col(A)
b A
x Col (A)
Observaciones:
1. Si
x
=0
entonces
b [Col (A)]
es inversible.
2. Si las columnas de
A A
1
stas son
N ul(A)
3. Si
b Col(A),
Ax = b
b b.
4. El error de aproximacin
es igual a
Pi = (xi , yi )
con
i = 1, 2, . . . , n.
coecientes
1
1
..
.
1
x1
y1
y
x2
2
= .
.
.
..
.
xn
yn
y = + x,
y los
la pseudoinversa de Moore-Penrose de
A.
F il(A)
y se obtiene como
x
= A+ b,
5 Transformaciones Lineales
Sea
T L(VK , WK )
A = [T ]BC
con
base de
base de
la matriz de
T.
T (u + v) = T (u) + T (v)
2.
T ( u) = T (u)
3.
T (0VK ) = 0WK .
con
u, v V.
con
u VK
K.
L(V, W)
y sea
dim (V) = n
(nita). Entonces:
v1 6= v2 = T (v1 ) 6= T (v2 ) v1 , v2 V.
es inyectiva y
es un conjunto
es LI,
T (A)
es LI.
Im(T ) = W.
dim(W) = dim(V),
T es
biyectiva
si
N u (T ) = {0}, T
{v1 , . . . , vn }
es biyectiva.
es base de
V,
entonces
{T (v1 ) , . . . , T (vn )}
es base de
W.
La matriz asociada a una TL biyectiva tiene sus las y columnas LI, o sea que es una matriz inversible, o sea
que existe la TL inversa:
Si
T 1 = [T ]
entonces o bien
10
|
|
|
A = [T ]BC = CC (T (v1 )) CC (T (v2 )) CC (T (vq ))
|
|
|
de
W.
Entonces
se
Propiedades:
V,
C1
C2
W,
entonces
: V W. Si B1
rg [T ]B1 C1 = rg([T ]B2 C2 ).
B2
matriz asociada. La recproca tambin es verdadera: dada una matriz y un par de bases, existe una nica TL
asociada.
g L (W, H) = g f L (V, H)
Propiedades:
N u (f ) N u (g f )
Im (g f ) Im(g)
TFigura
L(V)3:.
Composicin.
Propiedades:
1. Si
2. Si
T1 L(V)
T2 L(V),
entonces
T1 T2 L(V).
T L(V), T = T
| T {z. . . T}
n veces
6 Autovalores y Autovectores
6.1 Autovalores y autovectores de una matriz cuadrada
Autovector: Un vector v 6= 0 es autovector de A Knn K : Av = v.
Autoespacio: El autoespacio de A asociado a un autovalor es S (A) = nul(A I).
Polinomio caracterstico: El polinomio caracterstico de una matriz A Knn es pA () = det(A I),
tiene grado
n.
Si
K=R
races. Si
K=C
tiene exactamente
Autovalor: Los autovalores de una matriz son las races de su polinomio caracterstico.
Espectro de una matriz: (A) = { K : es autovalor de A}
11
races.
1 mg () ma ().
6.3 Propiedades
Sea
A Knn .
A
es singular
es un autovalor de
A K22 ,
Si
entonces
pA () = 2 tr (A) + det(A).
suman
entonces
s (A).
de
Si
Sea
es autovalor de
A...
AT ,
1.
2.
es autovalor de
A1
3.
es autovalor de
r A,
4.
5.
+r
es autovalor de
es autovalor de
S1 A1 = S (A),
Ak , k N
es autovalor de
A + r I.
Un vector
v 6= 0
S (T ) = {x V : T (x) = x
es autovector de
base de
T T (v) = v,
T } = N uc(T I).
autovalor de
con
Si
autovalor de
es base de
T.
y
es la matriz de
en
1.
(A) = (T ) B
2.
es autovector deT
CB (x)
es autovector de
[T ]B = A
Propiedades:
es autovalor de
T , 1
es autovalor de
T 1 .
Si
es un polinomio en
T : VK VK
es regular
T (x) = Ax,
entonces
[h (A)] = h[ (A)]
Sh() h (A) = S (A)
0
/ (T )
6.5 Diagonalizacin
A Knn es diagonalizable A D existe una base de Kn compuesta por autovectores de A A
1
tiene n autovectores LI mg () = ma () (A) P inversible y D diagonal tal que: A = P DP
,
siendo P la matriz de autovectores y D la matriz de autovalores.
12
Diagonal (A
0
..
= 0
0
0 ):
n
autovalores:
1 , . . . , n , autovectores: los
Escalar (A
= 0
0
..
De proyeccin (A
0 , k R):
k
autovalor:
k,
autovalor 1 con
ma (1) = mg (1) = q ,
autovalor 0 con
ma (0) =
mg (0) = n q
De reexin: autovalor 1 con
ma (1) = q ,
autovalor -1 con
ma (0) = n q
6.5.2 Propiedades
Si
A es diagonalizable entonces An
es diagonalizable (DA
distintos entonces
= DAn
Supongamos que
es autovalor de
particular, si
es antisimtrica
(AT = A)
entonces:
es diagonalizable unitariamente.
es simtrica (B
13
= Cnn
1.
A es diagonalizable
P DP H )
ortogonalmente:
A = P DP T (B
real:
B =
Propiedades:
A(B)
tiene
autovalores reales
A(B)
son reales
det (A) R
dim (S (A)(B)) = ma () (A, B)
Los autovectores asociados a autovalores distintos son ortogonales
es ortogonal (B
1.
2.
AT = A1 (B H = B 1 )
3. Las columnas de
A (B)
son BON de
Cnn
Rn ( Cn )
Propiedades:
det (A) = 1.
Si
det (A) = 1, A
es unitaria,
BC
CB
y las normas
(|Ax| = |x|)
son unitarias
Si
de
y los autovalores
es invariante por
es invariante por
A Knn x S : Ax S.
T L(V) x S : T (x) S.
Propiedades:
es autovalor de T ,
T (x) = x S (T ).
Si
entonces
S (T )
14
T,
T,
puesto que
x S (T )
Rn
es una funcin
n n.
Teorema de los ejes principales: sea A una matriz simtrica de n n. Entonces existe un cambio ortogonal
es una matriz ortogonal tal que det (P ) = +1
xT Ax a una forma cuadrtica y T Dy sin trminos
xT Ax = (P y)T A(P y) = y T (P T AP )y = y T DA y = g(y)
de variable,
x = P y,
donde
de producto cruzado:
Q(x) =
Perspectiva geomtrica de los ejes principales: sea la forma cuadrtica Q (x) = xT Ax, con A = P DP T .
El conjunto de todas las
Si
x Rn : xT Ax = c
Q (x) = xT Ax
es:
Denicin
Denida
positiva
Semi-denida
positiva
Denida
negativa
Semi-denida
negativa
Indenida
Q (x) > 0, x 6= 0
Criterio I
a11 > 0
Criterio II
Q (x) 0, x
Q (x) < 0, x 6= 0
det (Ak ) 0, k =
1, 2, . . . , n
a11 < 0
Q (x) 0, x
det (Ak ) 0, k =
1, 2, . . . , n.
Q (x) 0
Q(x)
kxk
max (A)
f : Rn R, f (x) = xT Ax (A simtrica),
mximo de f es max (A). y se alcanza en M = {x Smax (A) : |x| = }.
se alcanza en m = {x Smin (A) : |x| = }.
|x| = . El
min (A).2 y
sujeto a la restriccin
El mnimo de
es
xT Bx =
f : Rn R, f (x) = xT Ax (A simtrica), sujeto a la restriccin
T
T
, y sea B denida positiva tal que B = PB DB PB
. Mediante un cambio de variable y =
DB PB x (x =
q
q
q
1
1 T
1
T
DB PB y ), esto es equivalente a extremar g (y) = y
DB PB APB DB y sujeto a la restriccin |y| = .
Sea extremar una forma cuadrtica
Entonces:
m
ax g (y) = m
ax f (x),
x = PB y .
mn g (y) = mn f (x).
Los
realizando la cuenta
7.7 DVS
Valores singulares: V S (A) =
i i (AT A).
Sea
15
Rmn
es tal que
D
0
0
0
V Rnn
U Rmm
valores singulares
i 2 . . . r > 0.
autovalores de
{v1 , v2 , . . . , vn }
asociados a los
AT A.
r
Av1
Avr
1 , . . . , r . Las otras columnas
T
. Las columnas de U son autovectores de AA .
columnas son los vectores
um ...
|
0
Sea
|
A Kmn , A = u1
|
{u1 , u2 , . . . , ur }
es BON de
Col(A)
{ur+1 , . . . , um }
es BON de
[Col (A)]
{v1 , v2 , . . . , vr }
es BON de
F il (A)
{vr+1 , . . . , vn }
es BON de
1
0
|
0
T
|
vn .
|
Si
rg (A) = r
entonces:
[F il (A)]
A tiene n
V S (A)positivos = V S AT positivos
Qn
nn
Si A R
, |det(A)| = i=1 V Si (A)
es inversible
VS positivos
(A) V S(A)
Si
Si
AB ,
Si
es ortogonal,
Si
Si
singulares de
La matriz
AT A
V S (A) V S(B)
A, AB
BA
V Si (A) = |i (A)|
A
son 1. Si
son 1
(matriz de
tenga columnas LI
T : Rm Rn una transformacin lineal tal que T (x) = Ax. Sea la forma cuadrtica f (x) = |T (x)| =
x AT A x. Entonces:
T
1. El mximo de f (x) sujeto a |x| = 1 es max A A . Entonces el mximo de |T (x)| es V Smax (A) y
m
se alcanza en M = {x R
: x Smax AT A , |x| = 1}.
T
2. El mnimo de f (x) sujeto a |x| = 1 es min A A . Entonces el mnimo de |T (x)| es V Smin (A) y se
m
alcanza en m = {x R
: x Smin AT A , |x| = 1}.
Sea
16
T
Pseudoinversa de Moore-Penrose de A: A+ = Vr 1
r Ur
Propiedades:
Sea
A Rnm :
1.
A+ = A# cuando rg (A) = m
2.
A+ A = Vr VrT = PF il(A)
3.
8 Ecuaciones Diferenciales
8.1 Independencia lineal y Wronskiano
Matriz de Wronski: Sea A = {f1 , f2 , . . . , fq } funciones denidas en un intervalo I
derivada hasta el orden
(q 1)
continua en
I.
La matriz de wronski de
f1 (x)
M wA (x) = f1 (x)
(q1)
f1
(x)
R, a valores
x I:
en
C,
con
fq (x)
0
fq (x)
(q1)
(x)
fq
Si existe un
x0 I
tal que
wA (x0 ) 6= 0,
Si un conjunto es LD en un
I,
f1 , f2 , . . . , fq
son LI.
si las funciones que componen el wronskiano son soluciones de una ED lineal de orden superior.
La derivada del wronskiano es el determinante obtenido derivando la ltima la. La derivada del wronskiano es la suma de
determinantes.
S = {y1 , y2 , . . . , yn }
el
verica que:
(n)
an y (x)
ED normal en
I : an 6= 0 x I .
x0 I .
17
(x)
8.3.2 Variables separables: y0 = fg(x)
con y = y(x)
Separamos la ecuacin en
g (x) dy = f (x) dx
G (y) = F (x) + c.
y = zx
(donde
z = z (x)).
Entonces
y 0 = z + xz 0 .
yG = yH + yP .
1. Solucin de la
ecuacin homognea asociada (y
yH (x) = e p(x)dx .
+ p (x) y = 0):
2. Solucin de la no homognea:
una solucin se obtiene multiplicando toda la ecuacin por el factor integrante
de Lagrange:
u (v) = e
p(x)dx
P
y
Q
x .
si al multiplicar
8.3.6 Lineales homogneas de orden superior con coecientes constantes: an(t)y(n) + ... + a1y0 + a0y = 0 t I (I)
Polinomio caracterstico de (I): p () = ni=0 ai ni
Espectro de (I): (p) = { C : p () = 0}
P
yH (t) = tk et
es una solucin de la ED si
(p),
multiplicidad m,
k = 0, 1, . . . , m 1.
Si la ED es de coecientes constantes reales, las races del polinomio caracterstico aparecern conjugadas.
Esto es,
Entonces,
8.3.7 Lineales no homogneas de orden superior con coecientes constantes: any(n) + ... + a1y0 + a0y = f (x)
La solucin general es de la forma
yG = yP + yH ,
donde
yH
yP
se obtiene mediante
Pn
i=1
ui (x) yi (x),
siendo
yi (x)
y1
0
y1
..
.
(n)
y1
las soluciones de
y2
0
y2
...
...
.
.
.
..
(n)
y2
...
yH ,
ui (x)
0
yn
u1
0
u0
yn
2
. =
.
.
..
.
(n)
yn
18
un
0
0
.
.
.
f (x)
an
Mtodo de coecientes indeterminados: aplicable cuando f (x) es exponencial, polinomio, seno y coseno,
siendo
a2 y 00 + a1 y 0 + a0 y = f (x)
con
em k x
emk x
pk
pk
yP
a2 2 + a1 + a0 = 0), qk
es
a2 2 + a1 + a0 = 0), qk
es
no es raz de
mk
mk
s es raz de
coecientes indeterminados.
=
x0
y0
=
a11
a21
a12
a22
x
y
+
b1
b2
= X 0 = AX + B
X 0 = AX (A Knn ),
X=
n
X
con
autovalor de
c i vi e i t
i=1
|
= v1 e 1 t
|
|
vi
autovector de
asociado a
i ,
es:
c
1
|
n t ..
vn e
.
|
n
{z
} | c{z
}
nn
(t)K
X 0 = AX + B .
Pn
1.
XH =
2.
XP = (t) u(t)
i=1 ci vi e
i t
La solucin es
XG = XH + XP
con:
= (t) C
siendo
u(t)
tal que
(t) u0 (t) = B
J1 0
0
0
0 J2 0
0
..
0
.
0
0
0
0
0 Jl
i 1
0
0
0 i 1
0
X 0 = AX
X=P Y
con
X 0 = AX 7 P Y 0 = P JP 1 P Y 7 Y = JY .
problema se expresar como X (t) = P Y (t).
Luego:
19
J=
Respecto de la matriz
P =
v1
v2
autovector de
asociado a
de vectores
posee
v1
v2
J = 0
0
0
1
Respecto de
2.
J = 0
0
0
0
Respecto de
3.
(A I) v1 =
.
asociados a
1 0
J = 0 0
0 0
P = [ v1 v2 v3 ], {v1 , v2 , v3 } deben ser
0, (A I) v2 = v1 , (A I) v3 = 0. Observamos que v1
Respecto de
respectivamente.
20
v3
son autovectores de
(A I) v1 =
y
asociados a