MONOGRAFA
Las matrices simtricas Y Formas Cuadrticas Monografa presentada en cumplimiento parcial de La asignatura Algebra Lineal
Alumnos Percy Quiroz Menor Joysi Huamn Labn Joaqun Navarro Carrasco Donald Tantalean Tenorio
multicanal es la de visualizar los datos de tal manera que la informacin obtenida sea mejor que si se estudiara cada imagen por separado. Es anlisis de componentes principales es una forma muy efectiva de eliminar redundancia y de dar en una sola o en dos partes compuestas la mayor informacin provenientes de los datos iniciales. En otras palabras el objetivo principal es encontrar una combinacin lineal especial de imgenes en un nuevo valor, es decir, una lista de pesos que en cada pixel combinen los siete valores en un solo valor. Los pesos se eligen de manera tal que hagan al intervalo intensidades de luz o varianza de la escena de la imagen compuesta (llamada la primera componente principal) mayor que en cualquiera de las imgenes originales. Tambin se pueden construir imgenes adicionales de componentes, aplicando criterios. El anlisis de componentes se ilustra en las siguientes fotos, tomadas sobre el Valle Railroad, Nevada. De (a) hasta (c) se muestran las imgenes provenientes de tres bandas espectrales Landsat. La informacin total de las tres bandas se reacomoda en las tres imgenes de (d) hasta (f). El primer componente (d) exhibe o explica el 93.5% de la varianza de la escena presente en los datos iniciales. De esta manera, los datos de un canal, con una perdida en cierto sentido de slo 6.5% de la varianza de la escena inicial. La compaa de Satlites terrestres de Rockville, Maryland, que amablemente proporcion las fotos que aqu se muestran, est experimentando con imgenes de 224 bandas espectrales individuales. El anlisis de componentes principales, indispensables con tales conjuntos masivos de datos, reduce con frecuencia los datos a aproximadamente 15 componentes principales utilizables.
Las matrices simtricas surgen en las aplicaciones, de una u otra manera, con mayor frecuencia que cualquier otra clase de importante de matrices. La teora es hermosa y rica, y depende de manera esencial tanto de la tcnica de diagonalizacin, como de la ortogonalidad. La diagonalizacin de una matriz simtrica, es el fundamento para el anlisis relativa a las formas cuadrticas. Se necesita la descomposicin en valores singulares y sobre el procesamiento de imgenes descrito en el ejemplo introductorio. En todo el tema, los vectores y matrices tienen entradas reales.
agona zac n de
ce
ca
Dada A una mat i simt ica asociada a f, endomorfismo de , se verifican las si uientespropiedades: a) Si los coeficientes de la matri son nmeros reales, sus valores propios son siempre nmeros reales. b) Los vectores propios asociados a valores propios distintos son siempre ortogonales.
c) Si normali amos los vectores propios ortogonales, los vectores obtenidos son normales. Una base con vectores propios ortonormales da lugar a una matri de cambio de base ortogonal de modo que se satisface AP=D. Siendo D una matri diagonal semejante a A.Las matrices simtricas son siempre diagonali ables como consecuencia del teorema de Schur. En la prctica para diagonali ar una matri simtrica mediante una transformaci n ortogonaldesarrollaremos el si uie te p eso: 1. Calculamos sus valores propios. Si son todos distintos, tomamos un vector propio por cada valor, la base as formada tiene la particularidad de ser ortogonal.
3.
Disponemos los vectores de la base obtenida en el paso anterior como las columnas de una matri que ser la matri de paso ortogonal. Como hemos comentado anteriormente, los elementos de la diagonal principal de D son los valores propios de A. Si los valores propios no son de orden de multiplicidad uno, los vectores elegidos para cada valorpropio pueden resultar no ser ortogonales, en tal caso hay que sustituir la base elegida por una baseortogonal, lo que se conseguir por el mtodo de ortogonali aci n de Grand-Smith, despus senormali arn los vectores y se proceder como antes.
1.
matrices simtricas 6 2
2 6 2 2 1 1 6
2.
6 8
matrices no simtricas 10 2 3
1 1 0
2 4
5 7
A=
6 -2 -1 -2 -1 6 -1 -1 5
Solucin
2. Normali amos los vectores de la base anteriormente calculada, p oorde das de ada ve tor por su m dulo.
Los clculos estndar producen una base para cada espacio propio:
=8: 1 -1 1
-1 ;
= 6:
= -1
Estos tres vectores forman una base para y los podem usar como -os columnas para una matri P que diagonalice A. Sin embargo, se puede ver fcilmente que { , , } es un conjunto ortogonal; y P ser ms til si sus columnas son ortogonales. Puesto que un mltiplo diferente de cero de un vector propio sigue siendo un vector propio, podemos normali ar a , para producir los vectores propios unitarios.
= -1/ 1/ 0 Sean:
= -1/
= -1/ 2/
1/ 1/ 1/
-1/ 1/ 0
-1/ -1/ 2/
1/ 1/ 1/
8 0 0 D= 0 6 0 0 0 3
Entonces A=PD , como de costumbre, Pero esta vez, puesto que P es cuadrtica y tiene columnas ortogonales, P es una matriz ortogonal y es simplemente (vea 6.2). El teorema 1 explica porque los valores propios de ejemplo 2 corresponden a valores propios distintos.
!
son ortogonales;
= ) = (
) =
) Puesto que =A
Puesto que
es un vector propio
=0 Pero
,Asi que
=0.
El tipo especial de diagonalizaci n del ejemplo 2 es crucial para la teora de matrices simtricas.Se dice que una matriz A es diagonalizable ortogonalmente si hay una matriz ortogonal P (con ) y una matriz diagonal D tales que: A= PD =PD .
Para diagonalizar una matriz de n x n, debemos encontrar n vectores propios linealmente independientes y ortogonales, Cundo es esto posible? Si A es diagonalizable ortogonalmente como en (1), entonces.
=
= =PD =A
Por lo tanto A es simtrica. El teorema 2 muestra que, recprocamente, toda matriz simtrica es diagonalizable.La demostraci n es mucho ms difcil y se omite; la idea principal para una demostraci n se da despus del teorema 3.
Este ejemplo trata una matriz cuyos valores propios no son todos diferentes. EJEMPLO. Diagonalice ortogonalmente la matriz. 3 -2 4 A= -2 6 2 4 2 3 Cuya ecuaci n caracterstica es 0
Soluci n: Los clculos acostumbrados producen bases para los espacios propios: 1 =7: 1 Aunque es = =
-1/2 = 0 0 y , = 1 ; =-2: 1 =
-1 -1/2
son linealmente independientes, no son ortogonales. Recurda de la sobre 1 0 1 , y la componente de -1/4 1 1/4 ,,,,, ortogonal a -1/2 1 0
Entonces {
(Observe que es una combinaci n lineal de los vectores propios , as que es precisamente el proceso esta en el espacio propio. Esta construcci n de GramSchmidt de la secci n 6.4) Puesto que el espacio propio es bidimensional (con bases ), el conjunto ortogonal { } es una base ortogonal para el espacio propio. Al normalizar con =7:
1/ = 0 1/ , =
-1/ 4/ 1/
Una base ortonormal para el espacio propio =-2 es 2 = 2 = -1 2 = -2/3 -1/3 2/3
Por el teorema 1, {
,por lo tanto
1/ P= [
-1/
-2/ ]= 0 1/ 4/ 1/
7 -1/
0 ,
0 D= 2/3 0 7 0 0 2 -2
Entonces P diagonaliza ortogonalmente a A, y A= PD En el ejemplo 3, el valor propio 7 tiene multiplicidad dos y el espacio es bidimensional. Esto no es accidental, como muestra el siguiente teorema. El teorema espectral El conjunto de valores propios de una matriz A a veces se conoce como espectro de A y la siguiente descripci n de los valores propios se denomina teorema espectral.
d.
A es diagonalizable ortogonalmente.
Descomposicin espectral
] . 0
. .
=[
].
Esta representaci n de A se llama descomposici n espectral de A porque divide A en fragmentos determinados por el espectro(valores propios) de A. Cada trmino de (2) es una matriz n n de rango 1. Por ejemplo, cada columna es un mltiplo de . An ms, cada matriz es una matri de proyecci n en el sentido de que cada x en , el vector ( ) x es la proyecci n ortogonal de xsobre el subespacio generado por .
2 4
2/ 1/
-1/ 2/
8 0
0 3
2/ -1/ y
1/ 2/ . Entonces
= 2/ 1/
2/
1/
4/ 2/
2/ 1/5
-1/ 2/
-1/
2/
1/ -2/
-2/ 4/5 y
= =
32/ 16/
16/ 8/5
+ -6/
3/ 12/5
-6/ 2
= 7 4
= A
Nota numrica
Cuando A es simtrica y no demasiado grande, los algoritmos de computador modernos de alto rendimiento calculan con gran precisi n vectores y valores propios. Tales algoritmos aplican una sucesi n de transformaciones de semejanza a A en las que intervienen matrices ortogonales. Las entradas diagonales de las matrices transformadas convergen rpidamente hacia los valores propios de A. Generalmente, el uso de matrices ortogonales evita que los errores numricos se acumulen durante el proceso. Cuando A es simtrica, la sucesi n de matrices ortogonales se combina para formar una matriz ortogonal cuyas columnas son valores propios de A. Una matriz no simtrica no puede tener un conjunto completo de vectores propios ortogonales, pero el algoritmo an produce valores propios relativamente precisos. Despus de eso, se necesitan tcnicas no ortogonales para calcular los vectores propios.
FORMAS CUADRTICAS
Hasta ahora, nuestra atenci n en este captulo se ha enfocado en ecuaciones lineales, con excepci n de las sumas y otras expresiones ms generales, llamadas formas cuadrticas, ocurren frecuentemente en aplicaciones del algebra lineal a la ingeniera (en criterios de diseos y optimaci n) y al procesamiento de seales (como potencia de un ruido de salida). Tambin surgen, por ejemplo, en fsica (como energas potencial y cintica), en geometra diferencial (como la curvatura normal de las superficies), en economa (como funciones de ganancia) y en estadstica (en elipsoides de confianza). Parte de los antecedentes matemticos para tales aplicaciones brota fcilmente de nuestro trabajo con matrices simtricas. Una forma cuadrtica en es una funci n Q definida en cuyo valor en un vector x en puede calcularse por medio de una expresi n de la forma Q(x) = Ax, donde A es una matriz simtrica n n. La matriz A se llama matri de la forma cuadrtica. El ejemplo ms sencillo de una forma cuadrtica diferente de cero es Q(x) = /x = Los ejemplos 1 y 2 muestran la conexi n entre cualquier matriz simtrica A y la forma cuadrtica Ax.
'
EJEMPLO 1: Sea x =
Calcule
a.
4 0 0 3 SOLUCION:
b.A= 3 -2 -2 7
4 a. Ax.=[
] 0 3
4
=[ ] 3 =4
b.Hay dos entradas -2 en A; observe como aparecen en los clculos. La entrada (1,2) de A esta en negrita
3 a. Ax.= [
] -2 7
-2
3
=[
-2
] -2
= (3 =3 =3
- 2 )+ -2 -4 -2 +7
(-2 +7
+ 7
Lapresencia de -4
EJEMPLO 2: Para X en , sea Q(x)=5 cuadrtica como Ax. +3 + 2 + 8 ,Escriba esta forma
Solucin: los coeficientes van en la diagonal de A. Para hacer simtrica a A, el coeficiente de para i j debe dividirse uniformemente entre las (i ,j)-esimas y (j ,i)-esimas entradas de A. El coeficiente de es cero. Se comprueba fcilmente que: 5 Q(x)= Ax=[ ] -1/2 0 Ejemplo 3 Sea Q(x)=
Q(-3,1)=
-1/2 3 4 4 -5
- 8
= 28 = 16 =-20
Q(2,-2)= Q(1,-3)=
En algunos casos es ms fcil usar formas cuadrticas cuando no tienen trminos de producto cruzado, esto es, cuando la matriz de forma cuadrtica es una matriz diagonal. Afortunadamente, el termino producto cruzado puede eliminarse mediante un cambio de variable adecuado.
Donde P es una matriz invertible e y es un nuevo vector variable en .Aqui y es el vector de coordenadas de x relativo a la base de determinada por las columnas de P Si se aplica el cambio de variable (1) en una forma cuadrtica Ax, entonces
Ax=
A( )=
= ( ) y
La nueva matriz de forma cuadrtica es . Si diagonaliza ortogonalmente a A, entonces = y = AP=D. La matriz de la nueva forma cuadrtica es diagonal. Esta es la estrategia del siguiente ejemplo.
El primer paso es diagonalizar ortogonalmente a A. Sus valores propios resultan ser =3 y 2/ -1/ ; =-7 . Los vectores propios unitarios asociados son 1/ 2/
Estos vectores son ortogonales automticamente (porque correspondes a los valores propios distintos) y por lo tanto proporcionan una base ortonormal para . Sean P= -1/ 2/ 2/ 1/ D= 3 0
X= ,
donde x=
e y=
Entonces -8 -5 = = = A = =
Para ilustrar el significado de la igualdad de formas cuadrticas en el ejemplo 4, podemos calcular Q(x) para x=(2,-2) Usando la nueva forma cuadrtica. Primero, puesto que x= Y= x = , tenemos que
As que
2/ Y= 1/
-1/ 2/
6/
-2 = -2/
De ah que 3
-7 =3 7 = 3(36/5) -7(4/5) = 80/5 = 16
Multiplicaci n por P
0 y Dy
R
16
El ejemplo 4 ilustra el siguiente teorema. La demostraci n del teorema se dio, en lo esencial, antes del ejemplo 4.
Sea A una matriz simtrica n n. Entonces existe un cambio ortogonal de variable, x = Py, que transforma la forma cuadrtica Ax en
una forma cuadrtica Dy sin trminos de producto cruzados. Las columnas de la P del teorema se llaman ejes principales de la forma cuadrtica Ax. El vector y es el vector de coordenadas de x relativo a la base ortogonal de dada por estos ejes principales.
Una perspectiva geomtrica de los ejes principales Suponga que Q(x)= , donde A es una matriz simtrica invertible 2 2 y sea c una constante. Se puede demostrar que el conjunto de todas las x en que satisface.
=c
O corresponde a una elipse (o crculo), a una hiprbola, a dos lneas que se intersecan, o a un punto singular, o no contiene ningn punto.Si A es una matriz diagonal, grafica esta en posici n estndar, como en la figura 2. Si A es una matriz no diagonal, la grafica 3 esta girada hasta salirse de la posici n estndar, como en la figura 3.encontrar los ejes principales(determinados por los vectores de A) equivale a encontrar un sistema de coordenadas con respecto al cual la grafica esta en posici n estndar. La hiprbola de la figura 3(b) es la grafica de la ecuaci n =16, donde A es la matriz del ejemplo 4. El eje positivo de la figura 3(b) eta en la direcci n de la primera columna de la P del ejemplo 4 y el eje positivo esta en la direcci n de la segunda columna de P.
b a
A(
)=48
Referencias
Bibliografa:
1. Algebra lineal y sus aplicaciones/ David C. Lay, university of Maryland/ edicin/ Addison Wesley Longman de Mxico, S.A. de C.V, ao 1999/ ISBM: 968-444-313-7/ pg. 576; 2025.5 cms/tema: Matriz simtrica y formas cuadrticas pg. 441-470.
/Matemticas 1 de empresariales /tema
2.
2:diagonalizaci n de matrices/pdf