Processing math: 100%
Saltar al contenido principal
Library homepage
 

Text Color

Text Size

 

Margin Size

 

Font Type

Enable Dyslexic Font
LibreTexts Español

12.4: El Proceso de Diagonalización

( \newcommand{\kernel}{\mathrm{null}\,}\)

Valores propios y vectores propios

Ahora tenemos los antecedentes para entender las principales ideas detrás del proceso de diagonalización.

Definición12.4.1: Eigenvalue, Eigenvector

LetA be ann×n matrix overR.λ es un valor propio deA si para algún vector de columna distinto de cero quexRn tenemosAx=λx.x se llama un vector propio correspondiente al valor propioλ.

Ejemplo12.4.1: Examples of Eigenvalues and Eigenvectors

Encuentra los valores propios y los vectores propios correspondientes de la matrizA=(2123).

Queremos encontrar vectores distintos de ceroX=(x1x2) y números reales deλ tal manera que

\ begin {align}\ begin {split} A X =\ lambda X\ quad &\ Leftrightarrow\ left (\ begin {array} {cc} 2 & 1\\ 2 & 3\\ end {array}\ right)\ left (\ begin {array} {c} x_1\\ x_2\\ end {array}\ right) =\ lambda\ left (\ begin {array} c} x_1\\ x_2\\\ end {array}\ derecha)\\ &\ Leftrightarrow\ left (\ begin {array} {cc } 2 & 1\\ 2 & 3\\\ end {array}\ derecha)\ left (\ begin {array} {c} x_1\\ x_2\\\ end {array}\ right) -\ lambda\ left (\ begin {array} {c} x_1\ x_2\\ end {array}\\ right) =\ left (\ begin {array} {c} 0\\\\ end {array}\ derecha)\\ &\ Leftrightarrow\ left (\ begin {array} {cc} 2 & 1\\ 2 & 3\\ end {array} \ derecha)\ left (\ begin {array} {c} x_1\\ x_2\\\ end {array}\ right) -\ lambda\ left (\ begin {array} {cc} 1 & 0\\ 0 & 1\\\ end {array}\ right)\ left (\ begin {array} {c} x_1\\ x_2\\ end {array}\ right) = izquierda\ (\ begin {array} {c} 0\\ 0\\ end {array}\ right)\\ &\ Leftrightarrow\ left (\ left (\ begin {array} {cc} 2 & 1\\ 2 & 3\\\ end {array}\ right) -\ lambda\ left (\ begin {array} {cc} 1 & 0\\ 0 & 1\\\ end {array}\ right)\ right)\ left (\ begin {array} {c} x_1\\ x_2\\ end {array}\ right) =\ left (\ begin {array} {c} 0\\ 0\\ final {array}\ derecha)\\ &\ Izquierda fila\ izquierda (\ begin {array} {cc} 2-\ lambda y 1\ \ 2 & 3-\ lambda\\ end {array}\ derecha)\ left (\ begin {array} {c} x_1\\ x_2\\\ end {array}\ right) =\ left (\ begin {array} {c} 0\\ 0\ end {array}\ right)\\ end {array}\ end {split}\ label {eq:1}\ end {align}

La última ecuación matricial tendrá soluciones distintas de cero si y solo si

\ begin {ecuación*}\ det\ left (\ begin {array} {cc} 2-\ lambda & 1\\ 2 & 3-\ lambda\\ end {array}\ right) =0\ end {ecuación*}

o(2λ)(3λ)2=0, que simplifica aλ25λ+4=0. Por lo tanto, las soluciones a esta ecuación cuadrática,λ1=1 yλ2=4, son los valores propios de AhoraA. tenemos que encontrar vectores propios asociados a cada autovalor.

Caso 1. Paraλ1=1,(???) se convierte en:

\ begin {ecuation*}\ left (\ begin {array} {cc} 2-1 & 1\\ 2 & 3-1\\ end {array}\ right)\ left (\ begin {array} {c} x_1\\ x_2\\ end {array}\ right) =\ left (\ begin {array} {c} 0\\ 0\\ end {array}\\ right)\\\ left (\ begin {array} {cc} 1 & 1\\ 2 & 2\\\ end {array}\ right)\ left (\ begin {array} {c} x_1\\ x _2\\\ end {array}\ right) =\ left (\ begin {array} {c} 0\\ 0\\ end {array}\ right)\ textrm {}\ end {ecuación*}

que reduce a la ecuación única,x1+x2=0. De esto,x1=x2. Esto significa que el conjunto de solución de esta ecuación es (en notación de columna)

\ begin {ecuación*} E-1 =\ left\ {\ left. \ left (\ begin {array} {c} -c\\ c\\ end {array}\ derecha)\ derecha| c\ in\ mathbb {R}\ derecha\}\ end {ecuación*}

Entonces cualquier vector de columna de la forma(cc) dondec está cualquier número real distinto de cero es un vector propio asociado conλ1=1. El lector debe verificar que, por ejemplo,

\ begin {ecuation*}\ left (\ begin {array} {cc} 2 & 1\\ 2 & 3\\\ end {array}\ right)\ left (\ begin {array} {c} 1\\ -1\\ end {array}\ right) = 1\ left (\ begin {array} {c} 1\\ -1\\ end {array}\\ right)\ end {equation*)\ end {equation*)\ end {equation*)\ end {equation*)\ end {equation*)\ end {}

por lo que(11) es un vector propio asociado con el valor propio 1.

Caso 2. Paraλ2=4(???) se convierte en:

\ begin {ecuation*}\ left (\ begin {array} {cc} 2-4 & 1\\ 2 & 3-4\\ end {array}\ right)\ left (\ begin {array} {c} x_1\\ x_2\\ end {array}\ right) =\ left (\ begin {array} {c} 0\\ 0\\ end {array}\\ right)\\\ left (\ begin {array} {cc} -2 & 1\\ 2 & -1\\\ end {array}\ right)\ left (\ begin {array} {c} x_1\\ x_2\\\ end {array}\ right) =\ left (\ begin {array} {c} 0\\ 0\\ end {array}\ right)\ end {equation*}

que reduce a la ecuación única2x1+x2=0, para quex2=2x1. El conjunto de soluciones de la ecuación sea

\ begin {ecuación*} E_2=\ left\ {\ left. \ left (\ begin {array} {c} c\\ 2c\\ end {array}\ derecha)\ derecha| c\ in\ mathbb {R}\ derecha\}\ end {ecuación*}

Por lo tanto, todos los vectores propios deA asociados con el valor propioλ2=4 son de la forma(c2c), dondec puede ser cualquier número distinto de cero.

Los siguientes teoremas resumen los aspectos más importantes del ejemplo anterior.

Teorema12.4.1: Characterization of Eigenvalues of a Square Matrix

LetA be anyn×n matrix overR. ThenλR es un valor propio deA if y only ifdet(AλI)=0.

La ecuacióndet(AλI)=0 se llama ecuación característica, y el lado izquierdo de esta ecuación se llama polinomio característico deA.

Teorema12.4.2: Linear Independence of Eigenvectors

Los vectores propios distintos de cero correspondientes a valores propios distintos son linealmente independientes.

El espacio de solución de(AλI)x=0 se denomina el espacio propio deA correspondiente aλ. Esta terminología se justifica por el Ejercicio 2 de esta sección.

Diagonalización

Consideramos ahora el principal objetivo de esta sección. Dada una matrizn×n (cuadrada)A, nos gustaríaA transformar en una matriz diagonalD, realizar nuestras tareas con la matriz más simpleD, y luego describir los resultados en términos de la matriz dadaA.

Definición12.4.2: Diagonalizable Matrix

Unan×n matrizA se llama diagonalizable si existe unan×n matriz invertibleP tal queP1AP es una matriz diagonalP Se dice queD. la matriz diagonaliza la matrizA.

Ejemplo12.4.2: Diagonalization of a Matrix

Ahora diagonalizaremos la matrizA de Ejemplo12.4.1. Formamos la matriz de laP siguiente manera: LetP(1) be the first column ofP. Choose forP(1) any eigenvector fromE1. We may also choose a simple vector inE1 soP(1)=(11) is our candidate.

Del mismo modo, letP(2) be the second column ofP, and choose forP(2) any eigenvector fromE2. El vectorP(2)=(12) es una elección razonable, por lo tanto

\ begin {ecuación*} P=\ left (\ begin {array} {cc} 1 & 1\\ -1 & 2\\\ end {array}\ derecha)\ textrm {y} P^ {-1} =\ frac {1} {3}\ left (\ begin {array} {cc} 2 & -1\\ 1 & 1\\ end {array}\ right) =\ left (\ left (\ begin {array} {cc}\ frac {2} {3} & -\ frac {1} {3}\\ frac {1} {3} &\ frac {1} {3}\\ end {array}\ right)\ fin {ecuación*}

para que

\ begin {ecuación*} P^ {-1} A P =\ frac {1} {3}\ left (\ begin {array} {cc} 2 & -1\\ 1 & 1\\ end {array}\ right)\ left (\ begin {array} {cc} 2 & 1\\ 2 & 3\\ end {array}\ derecha)\ left (\ begin {array} {cc} & 1\\ -1 & 2\\\ end {array}\ derecha) =\ left (\ begin {array} {cc} 1 & 0\\ 0 & 4\\\ end { array}\ derecha)\ end {ecuación*}

Observe que los elementos en la diagonal principal deD son los valores propios deA, dondeDii está el valor propio correspondiente al autovectorP(i).

Nota12.4.1

  1. El primer paso en el proceso de diagonalización es la determinación de los valores propios. El ordenamiento de los valores propios es puramente arbitrario. Si designamosλ1=4 yλ2=1, las columnas deP serían intercambiadas yD serían(4001) (ver Ejercicio 3b de esta sección). No obstante, el resultado final de la aplicación a la que estamos aplicando el proceso de diagonalización sería el mismo.
  2. SiA es unan×n matriz con valores propios distintos, entonces tambiénP es unan×n matriz cuyas columnasP(1),P(2),,P(n) son vectoresn linealmente independientes.

Ejemplo12.4.3: Diagonalization of a 3 by 3 Matrix

Diagonalizar la matriz

\ begin {ecuación*} A=\ left (\ begin {array} {ccc} 1 & 12 & -18\\ 0 & -11 & 18\\ 0 & -6 & 10\\\ end {array}\ right)\ text {.} \ end {ecuación*}

Primero, encontramos los valores propios deA.

\ begin {ecuation*}\ begin {split}\ det (A-\ lambda I) &=\ det\ left (\ begin {array} {ccc} 1-\ lambda & 12 & -18\\ 0 & -\ lambda -11 & 18\\ 0 & -6 & 10-\ lambda\\ end {array}\ derecha)\\ &= (1-\ lambda)\ det\ izquierda (\ begin {array} {cc} -\ lambda -11 & 18\\ -6 & 10-\ lambda\\\ end {array} \ derecha)\\ &= (1-\ lambda) ((-\ lambda -11) (10-\ lambda) +108) = (1-\ lambda)\ izquierda (\ lambda ^2+\ lambda -2\ derecha)\ end {split}\ end {ecuación*}

De ahí que la ecuacióndet(AλI) se convierta en

\ begin {ecuación*} (1-\ lambda)\ izquierda (\ lambda ^2+\ lambda -2\ derecha) =- (\ lambda -1) ^2 (\ lambda +2)\ final {ecuación*}

Por lo tanto, nuestros valores propios paraA sonλ1=2 yλ2=1. Observamos que no tenemos tres valores propios distintos, sino que procedemos como en el ejemplo anterior.

Caso 1. Paraλ1=2 la ecuación(AλI)x=0 se convierte

\ begin {ecuation*}\ left (\ begin {array} {ccc} 3 & 12 & -18\\ 0 & -9 & 18\\ 0 & -6 & 12\\\ end {array}\ right)\ left (\ begin {array} {c} x_1\ x_2\\ x_3\\ end {array}\ right) =\ left (\ begin {array} {c} 0\\ 0\\ 0\\ final {matriz}\ derecha)\ final {ecuación*}

Podemos remar reducir la matriz de coeficientes a(102012000).

La ecuación matricial es entonces equivalente a las ecuacionesx1=2x3 and x2=2x3. Por lo tanto, el conjunto de soluciones, o espacio propio, correspondiente aλ1=2 consiste en vectores de la forma

\ begin {ecuación*}\ left (\ begin {array} {c} -2x_3\\ 2x_3\\ x_3\\\ end {array}\ right) = x_3\ left (\ begin {array} {c} -2\\ 2\\ 1\\ end {array}\\ right)\ end {array}\ right)\ end {ecuación*}

Por lo tanto,(221) es un vector propio correspondiente al valor propioλ1=2, y se puede utilizar para nuestra primera columna deP:

\ begin {ecuación*} P=\ left (\ begin {array} {ccc} -2 &? &? \\ 2 &? &? \\ 1 &? &? \\\ end {array}\ derecha)\ end {ecuación*}

Antes de continuar hacemos la observación:E1 es un subespacio deR3 con base{P(1)} ydimE1=1.

Caso 2. Siλ2=1, entonces la ecuación(AλI)x=0 se convierte en

\ begin {ecuation*}\ left (\ begin {array} {ccc} 0 & 12 & -18\\ 0 & -12 & 18\\ 0 & -6 & 9\\\ end {array}\ right)\ left (\ begin {array} {c} x_1\\ x_2\\ x_3\\ end {array}\ right) =\ left (\ begin {array} {c} 0\\ 0\\ 0\\ end {array}\ derecha)\ end {ecuación*}

Sin la ayuda de ninguna tecnología informática, debe quedar claro que las tres ecuaciones que corresponden a esta ecuación matricial son equivalentes a2x23x3=0, ox2=32x3. Note quex1 pueden tomar cualquier valor, por lo que cualquier vector de la forma

\ begin {ecuation*}\ left (\ begin {array} {c} x_1\\ frac {3} {2} x_3\\ x_3\\ end {array}\ right) =x_1\ left (\ begin {array} {c} 1\\ 0\\ 0\\ end {array}\ right) +x_3\ left (\ begin {array} {c} 0\\\ frac {3} {2}\\ 1\\\ end {array}\ derecha)\ end {ecuación*}

resolverá la ecuación matricial.

Observamos que el conjunto de soluciones contiene dos variables independientes,x1 yx3. Además, notamos que no podemos expresar el espacio propioE2 como una combinación lineal de un solo vector como en el Caso 1. Sin embargo, puede escribirse como

\ begin {ecuation*} E_2=\ left\ {x_1\ left (\ begin {array} {c} 1\\ 0\\ 0\\ end {array}\ right) +x_3\ left (\ begin {array} {c} 0\\\ frac {3} {2}\\ 1\\ end {array}\ derecha)\ mid x_1, x_3\ in\ mathbb {R}\ derecho\}. \ end {ecuación*}

Podemos reemplazar cualquier vector en una base es con un múltiplo distinto de cero de ese vector. Simplemente por razones estéticas, multiplicaremos el segundo vector que generaE2 por 2. Por lo tanto, el espacio propioE2 es un subespacio deR3 con base{(100),(032)} y asídimE2=2.

Lo que esto significa con respecto al proceso de diagonalización es que nosλ2=1 da tanto a la Columna 2 como a la Columna 3 la matriz de diagonalización. El orden no es importante así que tenemos

\ begin {ecuación*} P=\ left (\ begin {array} {ccc} -2 & 1 & 0\\ 2 & 0 & 3\\ 1 & 0 & 2\\ end {array}\ derecha)\ end {ecuación*}

El lector puede verificar (ver Ejercicio12.4.5 de esta sección) queP1=(023146012) yP1AP=(200010001)

Al hacer Ejemplo12.4.3, la3×3 matriz dadaA produjo solo dos, no tres, valores propios distintos, sin embargo, todavía pudimos diagonalizarA. La razón por la que pudimos hacerlo fue porque pudimos encontrar tres vectores propios linealmente independientes. Nuevamente, la idea principal es producir una matrizP que haga la diagonalización. SiA es unan×n matriz,P será unan×n matriz, y susn columnas deben ser autovectores linealmente independientes. La pregunta principal en el estudio de la diagonalizabilidad es “¿Cuándo se puede hacer?” Esto se resume en el siguiente teorema.

Teorema12.4.3: A Condition for Diagonalizability

ADéjese ser unan×n matriz. EntoncesA es diagonalizable si y sólo siA tiene vectores propiosn linealmente independientes.

Prueba

Esquema de una prueba: () Supongamos queA tiene vectores propios linealmente independientes,P(1),P(2),,P(n), con valores propios correspondientesλ1,λ2,,λn. Queremos probar queA es diagonalizable. Columnai de lan×n matrizAP esAP(i) (ver Ejercicio12.4.7 de esta sección). Entonces, ya que elP(i) es un vector propio deA asociado con el valor propio queλi tenemosAP(i)=λiP(i) parai=1,2,,n. Pero esto significa queAP=PD, dondeD esta la matriz diagonal con entradas diagonalesλ1,λ2,,λn. Si multiplicamos ambos lados de la ecuación porP1 obtenemos el deseadoP1AP=D.

() La prueba en esta dirección involucra un concepto que no está cubierto en este texto (rango de una matriz); por lo que remitimos al lector interesado a prácticamente cualquier texto de álgebra lineal para una prueba.

Damos ahora un ejemplo de una matriz que no es diagonalizable.

Ejemplo12.4.4: A Matrix that is Not Diagonalizable

Intentemos diagonalizar la matrizA=(100021114)

Primero, determinamos los valores propios.

\ begin {ecuación*}\ begin {split}\ det (A-\ lambda I) &=\ det\ left (\ begin {array} {ccc} 1-\ lambda & 0 & 0\\ 0 & 2-\ lambda & 1\\ 1 & -1 & 4-\ lambda\\ end {array}\ derecha)\\ &= (1-\ lambda)\ det\ left (\ begin {array} {cc} 2-\ lambda y 1\\ -1 y 4-\ lambda\\\ end {array}\ derecha)\\ & amp; = (1-\ lambda) ((2-\ lambda) (4-\ lambda) +1)\\ & = (1-\ lambda)\ izquierda (\ lambda ^2-6\ lambda +9\ derecha)\\ & = (1-\ lambda) (\ lambda -3) ^2\ end {split}\ end {ecuación*}

Por lo tanto hay dos valores propios,λ1=1 yλ2=3. Dado queλ1 es un valor propio de grado uno, tendrá un espacio propio de dimensión 1. Dado queλ2 es una raíz doble de la ecuación característica, la dimensión de su propio espacio debe ser 2 para poder diagonalizar.

Caso 1. Paraλ1=1, la ecuación(AλI)x=0 se convierte

\ begin {ecuation*}\ left (\ begin {array} {ccc} 0 & 0 & 0\\ 0 & 1 & 1\\ 1 & -1 & 3\\ end {array}\\ end {array}\ right)\ left (\ begin {array} {c} x_1\\ x_2\\ x_3\\ end {array}\ right) =\ left (\ begin {array} {c} 0\ 0\\ 0\\ end {array}\ derecha)\ end {ecuación*}

La reducción de filas de este sistema revela una variable libre y un espacio propio

\ begin {ecuación*}\ left (\ begin {array} {c} x_1\\ x_2\\ x_3\\ end {array}\\ right) =\ left (\ begin {array} {c} -4x_3\\ -x_3\\ x_3\\ end {array}\\ right) = x_3\ left (\ begin {array} {c} -4\\ -1\\ 1\\\ end {array}\ derecha)\ end {ecuación*}

Por lo tanto,{(411)} es una base para el espacio propio deλ1=1.

Caso 2. Paraλ2=3, la ecuación(AλI)x=0 se convierte

\ begin {ecuación*}\ left (\ begin {array} {ccc} -2 & 0 & 0\\ 0 & -1 & 1\\ 1 & -1 & 1\\\ end {array}\\ end {array}\ right)\ left (\ begin {array} {c} x_1\\ x_2\\ x_3\\ end {array}\ right) =\ left (\ begin {array} {c} 0\ 0\\ 0\\ end {array}\ derecha)\ end {ecuación*}

Una vez más solo hay una variable libre en la reducción de fila y así la dimensión del espacio propio será una:

\ begin {ecuation*}\ left (\ begin {array} {c} x_1\\ x_2\\ x_3\\ end {array}\ right) =\ left (\ begin {array} {c} 0\\ x_3\\ x_3\\ end {array}\\ right) = x_3\ left (\ begin {array} {c} 0\\ 1\ 1\\\ end {array}\ derecha)\ end {ecuación*}

De ahí,{(011)} es una base para el espacio propio deλ2=3. Esto significa queλ2=3 produce solo una columna paraP. Desde que comenzamos con solo dos autovalores, habíamos esperado queλ2=3 produciría un espacio vectorial de dimensión dos, o, en términos matriciales, dos columnas linealmente independientes para P.Ya queA no tiene tres vectores propios linealmente independientesA no pueden ser diagonalizados.

SageMath Note - Diagonalización

Demostramos cómo se puede hacer la diagonalización en Sage. Comenzamos definiendo la matriz a diagonalizar, y también declararD yP ser variables.

1var (' D, P')
2A = Matrix (QQ, [[4, 1, 0], [1, 5, 1], [0, 1, 4]]);A

Hemos estado trabajando con “vectores propios correctos” ya quex inAx=λx es un vector de columna. No es tan común pero aún deseable en algunas situaciones considerar “vectores propios izquierdos”, por lo que SageMath permite cualquiera de ellos. El método right_eigenmatrix devuelve un par de matrices. La matriz diagonal,D, con valores propios y la matriz diagonalizadora,P, que se compone de columnas que son vectores propios correspondientes a los vectores propios deD.

1(D,P)=A.right_eigenmatrix();(D,P)

Debemos señalar aquí que noP es único porque aunque un espacio propio tenga la dimensión uno, cualquier vector distinto de cero en ese espacio servirá como vector propio. Por esa razón, elP generado por Sage no es necesariamente el mismo que el calculado por cualquier otro sistema de álgebra computacional como Mathematica. Aquí verificamos el resultado para nuestro cálculo de Sage. Recordemos que se utiliza un asterisco para la multiplicación matricial en Sage.

1P.inverse()*A*P

Aquí hay una segunda matriz para diagonalizar.

1A2=Matrix(QQ,[[8,1,0],[1,5,1],[0,1,7]]);A2

Aquí ya hemos especificado que el sistema subyacente son los números racionales. Dado que los valores propios no son racionales, Sage volverá al número aproximado por defecto. Esta vez simplemente sacaremos la matriz de vectores propios y mostraremos entradas redondeadas.

1P=A2.right_eigenmatrix()[1]
2P.numerical_approx(digits=3)
3print('------------------')
4D=(P.inverse()*A2*P);D.numerical_approx(digits=3)

Finalmente, examinamos cómo reacciona Sage a la matriz de Ejemplo12.4.4 que no pudo ser diagonalizada. Observe que la última columna es una columna cero, indicando la ausencia de un vector propio necesario.

1A3=Matrix(QQ,[[1, 0, 0],[0,2,1],[1,-1,4]])
2(D,P)=A3.right_eigenmatrix();(D,P)

Ejercicios

Ejercicio12.4.1

  1. Enumerar tres vectores propios diferentes deA=(2123), la matriz de Ejemplo12.4.1, asociados a cada uno de los dos autovalores 1 y 4. Verifica tus resultados.
  2. Elija uno de los tres vectores propios correspondientes a 1 y uno de los tres vectores propios correspondientes a 4, y muestre que los dos vectores elegidos son linealmente independientes.
Responder
  1. Cualquier múltiplo distinto de cero(11) es un vector propio asociado conλ=1.
  2. Cualquier múltiplo distinto de cero(12) es un vector propio asociado conλ=4.
  3. Dejarx1=(aa) yx2=(b2b). Se puede verificar quec1x1+c2x2=(00) si y solo sic1=c2=0. Por lo tanto,{x1,x2} es linealmente independiente.

Ejercicio12.4.2

  1. Verificar esoE1 yE2 en Ejemplo12.4.1 son espacios vectoriales sobreR. Ya que también son subconjuntos deR2, ellos se denominan subvector-espacios, o subespacios para abreviar, deR2. Dado que estos son subespacios que consisten en vectores propios, se les llama espacios propios.
  2. Utilice la definición de dimensión en la sección anterior para encontrardimE1 ydimE2. Tenga en cuenta quedimE1+dimE2=dimR2. Esto no es una coincidencia.

Ejercicio12.4.3

  1. Verificar que efectivamenteP1AP sea igual a(1004), como se indica en Ejemplo12.4.2.
  2. ElegirP(1)=(12)P(2)=(11) y verificar que el nuevo valor deP satisfaceP1AP=(4001).
  3. Tomar dos vectores propios diferentes (de la parte anterior) linealmente independientes de la matrizA de Ejemplo12.4.2 y verificar queP1AP es una matriz diagonal.
Responder

Parte c: Debes obtener(4001) o(1004), dependiendo de cómo ordenes los valores propios.

Ejercicio12.4.4

  1. DejarA ser la matriz en Ejemplo12.4.3 yP=(010101102). Sin hacer ninguna multiplicación matricial real, determinar el valor deP1AP
  2. Si eliges las columnas deP en el orden inverso, ¿qué esP1AP?

Ejercicio12.4.5

Diagonalice lo siguiente, si es posible:

  1. (1232)
  2. (2176)
  3. (3004)
  4. (114321211)
  5. (600074913)
  6. (110121011)
Responder
  1. SiP=(2131), entoncesP1AP=(4001).
  2. SiP=(1171), entoncesP1AP=(5001).
  3. SiP=(1001), entoncesP1AP=(3004).
  4. SiP=(111142111), entoncesP1AP=(200010000).
  5. Ano es diagonalizable. Cinco es una raíz doble de la ecuación característica, pero tiene un espacio propio con dimensión solo 1.
  6. SiP=(111201111), entoncesP1AP=(300010000).

Ejercicio12.4.6

Diagonalice lo siguiente, si es posible:

  1. (0111)
  2. (2142)
  3. (2110)
  4. (136356336)
  5. (110101011)
  6. (210121012)

Ejercicio12.4.7

DejarA yP ser como en Ejemplo12.4.3. Mostrar que las columnas de la matriz seAP pueden encontrar por computaciónAP(1),AP(2),,AP(n).

Responder

Esta es una aplicación directa de la definición de multiplicación matricial. DejarA(i) ser laith fila deA, y dejarP(j) ser lajth columna deP. Entonces lajth columna del productoAP es

\ begin {ecuación*}\ left (\ begin {array} {c} A_ {(1)} P^ {(j)}\\ A_ {(2)} P^ {(j)}\\\ vdots\\ A_ {(n)} P^ {(j)}\\ end {array}\\ derecha)\ end {ecuación*}

Por loj=1,2,,n. tanto,(AP)(j)=A(P(j)) para Así, cada columna deAP dependeA y laj th columna deP.

Ejercicio12.4.8

Demostrar que siPD es unan×n matriz y es una matriz diagonal con entradas diagonalesd1,d2,,dn, entoncesPD es la matriz obtenidaP, multiplicando columnai deP pordi,i=1,2,,n.


This page titled 12.4: El Proceso de Diagonalización is shared under a CC BY-NC-SA license and was authored, remixed, and/or curated by Al Doerr & Ken Levasseur.

Support Center

How can we help?