Connexions module: m12870

Eigenvectores y Eigenvalores
Michael Haag Justin Romberg
Translated By: Fara Meza Erika Jackson

Based on

Eigenvectors and Eigenvalues by

Michael Haag Justin Romberg

This work is produced by The Connexions Project and licensed under the Creative Commons Attribution License

Abstract This module denes eigenvalues and eigenvectors and explains a method of nding them given a matrix. These ideas are presented, along with many examples, in hopes of leading up to an understanding of the Fourier Series.
En esta seccin, nuestro sistema lineal ser una matriz de nn de nmeros complejos. Algunos conceptos de este modulo estn basado en los conceptos bsicos de lgebra lineal .
1

1 Eigenvectores y Eigenvalores
Sea

una matriz de nn donde

es un operador lineal en los vectores de

Cn .
(1)

Ax = b
donde

son vectores de n1 (Figure 1).

Version

http://cnx.org/content/m10736/2.6/

1.2: Aug 30, 2005 12:32 pm GMT-5

1 "Algebra Lineal: Conceptos Bsicos" <http://cnx.org/content/m12862/latest/>

http://creativecommons.org/licenses/by/2.0/

http://cnx.org/content/m12870/1.2/

Connexions module: m12870

(a)

(b)

Figure 1: Ilustracin de un sistema lineal y vectores.

Denition 1: Eigenvector
Un eigenvector de

es un vector

v Cn

tal que

Av = v
donde

(2)

es llamado el eigenvalor correspondiente. A solo cambia la longitud de v, no su direccin.

1.1 Modelo Grco

A travs de las siguientes Figure 2 y Figure 3, veamos las diferencias de la (1) y de la (2).

Figure 2: Representa la (1), Ax = b.

Si

es un eigenvector de

A,

entonces solo su longitud cambia. Vase Figure 3 y note que la longitud de

nuestro vector esta simplemente escalada por una variable

llamada

eigenvalor:

http://cnx.org/content/m12870/1.2/

Connexions module: m12870

Figure 3: Representa la (2), Av = v.

note:

Cuando tratamos con una matriz

A, los eigenvectores son los vectores posibles ms simples

para trabajar.

1.2 Ejemplos Exercise 1

A= 3 0 0 1 1
y

(Solution on p. 7.)

Por inspeccin y entendimiento de eigenvectores, encuentre los dos eigenvectores

v1

v2 ,

de

Tambin cules son los eigenvalores correspondientes, encontrar estos valores.

2 ?

No se preocupe si tiene problemas

viendo estos valores de la informacin dada hasta ahora, veremos otras maneras mas rigurosas de

Exercise 2
Muestre que estos dos vectores,

(Solution on p. 7.)

v1 = v2 =
son eigenvectores de dientes.

1 1 1 1

A,

donde

A=

3 1

1 3

.
Tambin encuentre los eigenvalores correspon-

2 Calculando Eigenvalores y Eigenvectores

En los ejemplos anteriores, conamos en su entendimiento de la denicin y de algunas observaciones para encontrar y probar los valores de los eigenvectores y eigenvalores. Sin embrago como se puede dar cuenta, encontrar estos valores no siempre es fcil. A continuacin veremos un mtodo matemtico para calcular eigenvalores y eigenvectores de una matriz.

http://cnx.org/content/m12870/1.2/

Connexions module: m12870

2.1 Encontrando Eigenvalores

Encontrar

tal que

v = 0,

donde

es el vector cero.

Empezaremos con la (2), trabajemos de la

siguiente manera mientras encontramos una manera explicita de calcular

Av = v Av v = 0 (A I ) v = 0
En el paso previo, usamos el hecho de que

v = I v
donde

es la matriz identidad.

0 1 0 ...

... ...

0 I= 0 0
Por lo tanto,

0 . .. . . . ... 1

A I

es justo una matriz nueva.

Example 1
Dada la siguiente matriz,

A,

entonces podemos encontrar nuestra nueva matriz,

A I .

A= A I =
Si

a11 a21

a12 a22

Esto quiere decir:

a11 a21
es

a12 a22

(A I ) v = 0

para algn

v = 0,

entonces

A I

no invertible.

det (A I ) = 0
este determinante (el mostrado arriba) se vuelve una expresin polinomial (de grado ejemplo para entender mejor.

n).

Vase el siguiente

Example 2
Empezando con la matriz

A (mostrada a continuacin), encontremos la expresin polinomial, donde A= A I =

nuestros eigenvalores sern variables dependientes.

3 1

1 3

3 1
2

1 3
2

det (A I ) = (3 ) (1) = 2 6 + 8
http://cnx.org/content/m12870/1.2/

Connexions module: m12870

= {2, 4}

Example 3
Empezando con la matriz

A (mostrada a continuacin),encontremos la expresin polinomial, donde A= A I =

nuestros eigenvalores sern variables dependientes.

a11 a21

a12 a22

a11 a21

a12 a22

det (A I ) = 2 (a11 + a22 ) a21 a12 + a11 a22

Si no lo han notado, calcular los eigenvalores es equivalente a calcular las races de

det (A I ) = cn n + cn1 n1 + + c1 + c0 = 0
note:

Por lo tanto usando unos pequeos clculos para resolver las races de nuestro polinomio,

podemos encontrar los eigenvalores de la matriz.

2.2 Encontrando Eigenvectores

Dado un eigenvalor,

i ,

el eigenvector asociado esta dado por

Av = i v A
conjunto de

v1
. . .

1 v1
. . .

vn

n vn

ecuaciones con

incognitas. Simplemente se resuelven las

solve the

ecuaciones

para

encontrar los eigenvectores.

3 Punto Principal
El decir que los eigenvectores de son linealmente independientes
3

A, {v1 , v2 , . . . , vn },

generan el subespacio

Cn ,

signica que

{v1 , v2 , . . . , vn }
(3)

y que podemos escribir cualquier

xC

como

x = 1 v1 + 2 v2 + + n vn
donde de

{1 , 2 , . . . , n } C

Todo lo que estamos haciendo es reescribir

en trminos de los eigenvectores

A.

Entonces,

Ax = A (1 v1 + 2 v2 + + n vn ) Ax = 1 Av1 + 2 Av2 + + n Avn

2 "Linear Algebra: The Basics": Section Span <http://cnx.org/content/m10734/latest/#span_sec> 3 "Linear Algebra: The Basics": Section Linear Independence <http://cnx.org/content/m10734/latest/#lin_ind>

http://cnx.org/content/m12870/1.2/

Connexions module: m12870

Ax = 1 1 v1 + 2 2 v2 + + n n vn = b
por lo tanto podemos escribir,

x=
i

(i vi )

Y esto nos lleva a la siguiente representacin del sistema:

Figure 4: vectores.

Ilustracin del sistema donde descomponemos nuestro vector, x, en la suma de sus eigen-

donde en la Figure 4 tenemos,

b=
i
note:

(i i vi )
en una combinacin de eigenvectores, la solucin de

Descomponiendo nuestro vector,

x,

Ax

esta dada en piezas fciles de digerir".

4 Problema de Prctica
Exercise 3
Para la siguiente matriz,

(Solution on p. 7.)

y vector

x,

resulvase por sus productos. Trate de resolverlos por los

dos diferentes mtodos: directamente y usando eigenvectores.

A=

3 1 5 3

1 3

x=

http://cnx.org/content/m12870/1.2/

Connexions module: m12870

Solutions to Exercises in this Module

Solution to Exercise 1 (p. 3)
Los eigenvectores que debi encontrar son:

v1 = v2 =
Y los eigenvalores correspondientes son:

1 0 0 1

1 = 3 2 = 1

Solution to Exercise 2 (p. 3)

Para poder probar que estos dos vectores son eigenvectores, mostraremos que estas armaciones cumplen con los requisitos que indica la denicin (Denition: "Eigenvector", p. 2).

Av1 = Av2 =
Este resultado nos muestra que

3 1 3

1 3 1 3

1 1 1

2 2 4

solo escala los dos vectores (es

decir

cambia sus longitudes) y esto prueba

que la (2) es cierta para los siguientes dos eigenvalores que se le pidi que encontrara:

1 = 2 2 = 4
. Si quiere convencerse ms, entonces tambin se pueden gracar los vectores y su producto correspondiente con

Solution to Exercise 3 (p. 6) Mtodo Directo (usese la multiplicacin bsica de matrices)

Ax = 3 1 1 3 5 3

para ver los resultados como una versin escalada de los vectores originales

v1

v2 .

12 4

Eigenvectores (use los eigenvectores y eigenvalores que se encotraron anteriormente para esta misma matriz)

v1 = v2 =

1 1 1 1

http://cnx.org/content/m12870/1.2/

Connexions module: m12870

1 = 2 2 = 4
Como se muestra en la (3), queremos representar caso tenemos:

como la suma de sus eigenvectores escalados. Para este

x = 4v1 + v2 x= 5 3 1 1 1 1

= 4

Ax = A (4v1 + v2 ) = i (4v1 + v2 )
Por lo tanto, tenemos

Ax = 4 2
Ntese que el mtodo usando eigenvectores

1 1

+ 4

1 1

12 4

no

requiere multiplicacin de matrices. . Esto puede parecer

mas complicado hasta ahora, pero, imagine que

es de dimensiones muy grandes.

http://cnx.org/content/m12870/1.2/