Valores y vectores propios

Enviado por viscocho_slum Anuncios Google: Juegos de Lgica Mejore sus Capacidades Cerebrales con Nuestros Juegos de Lgica | i.lumosity.com Chatear en Ecuador? Conoce Personas Chateando. Sitio Para Hacer Amigos en Ecuador. | Amigos.com/Ecuador

1. Polinomio caracterstico 2. Diagonalizacin de una matriz n x n 3. Teorema de Caley Hamilton Sea (1) una transformacin lineal (1) . Un escalar (1) es un valor propio si existe un vector no nulo (1) tal que(1). Cualquier vector no nulo (1) que satisfaga
(1) (A.24)

es un vector propio asociado con el valor propio. La definicin E.30 implica que para un vector propio (1) el efecto de aplicarle la transformacin lineal (1) que amplificarlo por el escalar(1). Esto implica que un vector y el vector transformado son colineales o paralelos y por lo tanto linealmente dependientes. La definicin E.30 se refiere estrictamente a valores y vectores propios por derecha, para distinguirlos de los valores y vectores propios por izquierda, que deben satisfacer(1). En este texto slo se consideran los primeros, y por tanto se hace referencia a ellos simplemente como valores y vectores propios. Teorema A.15 (1) es un valor propio de (1) s y slo si satisface la ecuacin
(1) (A.25)

donde (1) es la matriz identidad de igual orden que (1) Demostracin A.15 Si(1) es un valor propio de(1) entonces existe un vector(1) tal que (1) El trmino (1) puede escribirse como (1) para facilitar la factorizacin de (1)

De acuerdo con el teorema E.13 esta ecuacin tiene solucin no trivial (existe un vector propio(1)) s y slo si (1) Como el determinante de una matriz no se afecta al multiplicar sta por un escalar no nulo, podemos escribir (1) El teorema E.15 brinda una posibilidad para calcular los valores propios de(1): podemos construir el polinomio caracterstico (1) y encontrar sus races. Cada raz de (1) ser un valor propio de(1). Los vectores propios pueden obtenerse directamente de (E.24) Debido a que los valores propios resultan ser las races del polinomio caracterstico, stos pueden ser reales o complejos, diferentes o repetidos. Definicin A.31 Multiplicidad La multiplicidad(1) de un valor propio (1) es el nmero de veces que ste se repite como raz del polinomio caracterstico. Ejemplo A.30 Obtener los valores y vectores propios de la matriz (1) Se crea entonces un sistema de ecuaciones con infinitas soluciones: (1) Se crea entonces un segundo sistema de ecuaciones con infinitas soluciones: (1) Ejemplo A.31 Obtener los valores y vectores propios de la matriz (1) Para ver las frmulas seleccione la opcin "Descargar" del men superior POLINOMIO CARACTERSTICO Consideremos una matriz n-cuadrada arbitraria: Para ver las frmulas seleccione la opcin "Descargar" del men superior La matriz (A - lIn), donde In es la matriz identidad n-cuadrada y l un escalar indeterminado, se denomina matriz caracterstica de A: Para ver las frmulas seleccione la opcin "Descargar" del men superior Su determinante, det (A - lIn) , que es un polinomio en l, recibe el nombre de polinomio caracterstico de A. Asimismo, llamamos a det (A - lIn) = 0 ecuacin caracterstica de A. Ejemplo 1: Hallar la matriz caracterstica y el polinomio caracterstico de la matriz A: Para ver las frmulas seleccione la opcin "Descargar" del men superior

La matriz caracterstica ser (A - lIn). Luego: Para ver las frmulas seleccione la opcin "Descargar" del men superior y el polinomio caracterstico, Para ver las frmulas seleccione la opcin "Descargar" del men superior As pues, el polinomio caracterstico es: l 2 - l + 4. http://www.sectormatematica.cl/contenidos/policar.htm

abab0a-

Ejemplo 2 : Si A = c d , entonces A I = c d - 0 = c d y p() = det ( A ) = (a ) (d ) bc = 2 (a + d) + (ad bc). Segn el teorema fundamental del lgebra, cualquier polinomio de grado n con coeficientes reales o complejos tiene exactamente n races (contando multiplicidades). Esto significa, por ejemplo, que el polinomio ( 1)5 tiene 5 races, todas iguales al numero 1. como cualquier valor caracterstico de A es una raz de la ecuacin caracterstica de A, concluye que Contando multiplicidades, toda matriz de n x n tiene exactamente n valores caractersticos. TEOREMA 2: Sea una valor propio de la matriz A de n x n y sea E = { v: Av = v }. Entonces E es un subespacio de Cn. Demostracin: Si Av = v, entonces ( A I )v = 0. As E es el espacio nulo de la matriz A I. que es un subespacio de Cn. Algebra lineal 5ta edicin Stanley I. Grossman McGraw Hill DIAGONALIZACION DE UNA MATRIZ N X N Matriz diagonalizable: Una matriz n x n es diagonolazible si existe una matriz diagonal D tal que A es semejante a D. Observacin: Si D es una matriz diagonal, entonces los valores propios son sus componentes en la diagonal. Si A es semejante a D, entonces Ay D tiene los mismos valores propios. Uniendo estos dos hechos se observa que si A es diagonaliizable, entonces A es semejante a una matriz diagonal cuyas componentes en la diagonal son los valores propios de A. El siguiente teorema establece cuando una matriz es diagonazable. TEOREMA 2: Una matriz A de n x n es diagonalizable si y solo si tiene n vectores propios linealmente independientes. En tal caso, la matriz diagonal D semejante a A esta dada por

Para ver la frmula seleccione la opcin "Descargar" del men superior donde 1, 2, .. ,n son los valore propios de A. Si C es una matriz cuyas columnas son vectores propios linealmente independientes de A, entonces D = C-1AC (3) Demostracin Primero se supone que A tiene n vectores propios linealmente independientes V1, V2, , Vn que corresponden a los valores no propios (no necesariamente diferentes) 1, 2, , n. Sea C11 C12 C1n C21 C22 C2n V1 = , V2 = , Vn = Cn1 Cn2 Cnn Y sea C11 C12 C1n C21 C22 C2n C= Cn1 Cn2 Cnm Entonces C es invertible ya que sus columnas son linealmente independientes. Ahora bien A11 A12 A1n C11 C12 C1n A21 A22 A2n C21 C22 C2n AC = An1 An2 Ann Cn1 Cn2 Cnn C1 Y se ve que la columna AC es A = C2i = Av1 = ivi. As, AC es la matriz cuya Cni

columna i es ivi y 1c11 2c12 nc1n 2c21 2c22 nc2n

AC =

1cn1 2cn2 ncnn

pero C11 C12 C1n 1 0 0 C21 C22 C2n 0 2 0 CD = Cn1 Cn2 Cnn 0 0 n

1c11 2c12 nc1n 2c21 2c22 nc2n =

1cn1 2cn2 ncnn Entonces AC = CD (4) Y como C es invertible, se pueden multiplicar ambos lados de (4) por la izquierda por C-1 para obtener D = C-1 AC (5) Esto prueba si A tiene n vectores propios linealmente independientes, entonces A es diagonalizable. Inversamente suponga que A es diagonalizable; esto es, suponga que (5) se cumple para alguna matriz invertible C. Sean v1, v2, vn las columnas de C. entonces AC = CD, e invirtiendo los argumentos anteriores, se ve de inmediato que Avi = ivi para i = 1, 2,, n. Entonces v1, v2, , vn son los vectores propios de A y son linealmente independientes porque C es invertible. Notacin: para indicar que D es la matriz diagonal con componentes diagonales 1, 2, , n, se escribir D = diag (1, 2, , n). Corolario: Si la matriz A de n x n tiene n valores propios diferentes, entonces A es diagonalizable.

Observacin: Si se selecciona al azar los coeficientes reales de un polinomio de grado n entonces, con probabilidad1, el polinomio tendr n races diferentes. No es difcil ver, intuitivamente, por que se cumple esto. Si n = 2, por ejemplo, entonces la ecuacin 2 + a + b = 0 tiene races reales si y solo si a2 = 4b --- un evento muy improbable se a y b se eligen aleatoria mente. Por supuesto, se pueden escribir polinomios que tienen races de multiplicidad algebraica mayor que 1, pero son excepcionales. Por lo tanto, sin pretender precisin matemtica, es posible decir que la mayora de los polinomios tienen races distintas. As, la mayora de las matrices tienen valores propios diferentes y como se estableci al principio, la mayor parte de las matrices son diagonalizables. 43 EJEMPLO 1: Diagonalizacin de una matriz 2 x 2 sea A = 3 3 .En el ejemplo 6.1.3, se 21 encontraron dos vectores propios linealmente independientes v =- 3 y v2 = 1 . 21 Despus, haciendo C = -3 1 , se encontr que Para ver la frmula seleccione la opcin "Descargar" del men superior que es la matriz cuyas componentes en la diagonal son los vectores propios de A. EJEMPLO 2: Una matriz de 2 x2 con solo un vector propio linealmente independiente 41 que no se puede diagonalizar Sea A = 0 4 . En el ejemplo 6.1.9, se vio que A no tiene

dos vectores propios linealmente independientes. Suponga que A fuera diagonalizable ( lo que 40 contradice el teorema 2 ). Entonces D = 0 4 y existira una matriz invertible C tal que C-1

AC = D. Multiplicando esta ecuacin por la izquierda por C y por la derecha por C-1, se 4 0 4 0 encuentra que A = CDC-1 = C 0 4 C-1 = C(4I)C-1 = 4CIC-1 = 4CC-1 = 4I = 0 4 = D. pero A desigual a D y por lo tanto no existe tal C. TEOREMA DE CALEY HAMILTON

Toda matriz cuadrada satisface su propia ecuacin caracterstica. Es decir, si p() = 0 es la ecuacin caracterstica de A, entonces p() = 0 . Demostracin: Se tiene a11 a12 a1n a21 a22 a2n p() = det ( A - I ) = an1 an2 amn

Es claro cualquier cofactor de ( A I ) es un polinomio en . As, la adjunta de A I es una matriz de n x n en la que cada componente es un polinomio de . Es decir, p11() p12() . p1n() p21() p22() . p2n() adj ( A I ) =

pn1() pn2() . Pnn() Esto significa que se puede expresar en adj ( A I ) como en un polinomio, Q(), en cuyos coeficientes son matrices n x n. Para entender esto, se ve lo siguiente: -2 - 2 + 1 2 2 - 7 - 4 = -1 2 2 + -2 -7 + 1 -4 42 + 5 - 2 -3 2 - + 3 4 -3 5 -1 -2 3 1 -1 4

Ejemplo 1: Ilustracin del teorema de Caley Hamilton Sea A = 3 2 -1 . En el ejemplo 6.1.4, 2 1 -1 se calculo la ecuacin caracterstica 3 - 22 - 5 + 6 = 0. Ahora se calcula 6 1 1 11 -3 22 A2 = 7 0 11 , A3 = 29 4 17 3 -1 8 16 3 5 y 11 -3 22 -12 -2 -2 A3 - 2A3 + 5A + 6I = 29 4 17 + -14 0 -22

16 3 5 -6 2 -16

-5 5 -20 6 0 0 0 0 0 + -15 -10 5 + 0 6 0 = 0 0 0 -10 -5 5 0 0 6 0 0 0 En algunas situaciones el teorema de Caley Hamilton es til para calcular la inversa de una matriz. Si existe A-1 y p(A) = 0, entonces A-1 p(A) = 0.para ilustrar esto, si p() = n + an-1 n-1 + + a1 + a0, entonces p(A) = An + an-1 An-1 + + a1A + a0I = 0 y A-1p(A) = An-1 + an-1An-2 + + a2A + a1I + a0A-1 = 0 Asi A-1 = 1/a0 (-An-1 -an-1An-2 - - a2A a1I )

Observe que a0 es diferente de 0 porque a0 = det A (Por qu?) y se supuso que A era invertible. 1 -1 4 Ejemplo 2: Aplicacin del teorema de Caley Hamilton para calcular A-1 Sea A = 3 2 -1 1. 1 -1 Entonces p() = 3 - 22 - 5 + 6. Aqu n = 3, a2 = -2,a1 = -5, a0 = 6 y A-1 = 1/6 (-A2 + 2A + 5I) -6 -1 -1 2 -2 8 5 0 0 = 1/6 -7 0 -11 + 6 4 -2 + 0 5 0 -3 1 -8 4 2 -2 0 0 5

1 -3 7 = 1/6 -1 9 -13 1 3 -5

Observe que se calculo A-1 haciendo solo una divisin y calculando solo una determinante (al encontrar p() = det ( A I)). Este mtodo en ocasiones es muy eficiente en una computadora. Algebra lineal 5ta edicin Stanley I. Grossman McGraw Hill
VVVVVVVVVVV

Sean T: V V una transformacin lineal. En muchas aplicaciones es til encontrar un vector v y un escalar V tal que Tv y v son paralelos. Es decir, se busca un vector v y un escalar tal que Tv = v (1)

Si v 0 y satisface (1), entonces se llama un eigenvalor de T y v se llama un eigenvector de T correspondiente al eigenvalor . Si V tiene una dimensin finita, entonces T se puede representar por una matriz AT. Definicin . Eigenvalor y eigenvector. Sea A una matriz de n * n con componentes reales&. El nmero (real o complejo) se llama eigenvalor de A si existe un vector diferente de cero v en Cn tal que Av = v. (2) El vector v 0 se llama eigenvector de A correspondiente al eigenvalor . Esta definicin es vlida si A tiene componentes complejas; pero como las matrices que se manejarn tienen, en su mayora, componentes reales, la definicin es suficiente para nuestros propsitos. Nota. La palabra eigen es la palabra alemana para propio. Los eigenvalores tambin se llaman valores propios o valores caractersticos y los eigenvectores reciben el nombre de vectores propios o vectores caractersticos. Ejemplo 1. Eigenvalores y eigenvectores de una matriz de 2 * 2. Sea A = 10 18 -11

Entonces A 2 = 10 18 2 = 2 1 6 11 1 1 As, propio v1 = 2 1 De manera similar, A 3 = 10 18 3 = 6 = 2 3 2 6 11 2 4 2 de manera que correspondiente vector propio v2 = 3 2 Ejemplo 2. Eigenvalores y eigenvectores de la matriz identidad. Sea A = I, entonces para cualquier v Cn, Av = Iv = v. As, 1 es el nico valor propio de A y todo v 0 Cn es un vector propio de I. Suponga que diferente de cero x1 V = x2 0 tal que Av = Rescribiendo esto se tiene (A : xn Sea A una matriz de n * n, la ecuacin (3) corresponde a un sistema homogneo de n ecuaciones con las incgnitas x1, x2, , xn. Como se ha supuesto que el sistema tiene soluciones no triviales, se concluye que det (A I) = 0. Inversamente, si det (A v= I)v = 0 (3) Iv. es un valor propio de A. Entonces existe un vector 2 = 2 es un valor propio de A con el 1 = 1 es un valor propio de A con el correspondiente vector

I) = 0, entonces la ecuacin (3) tiene soluciones no triviales y es el valor propio de A. Por otro lado, si det (A I) 0, entonces la nica solucin a (3) es v = 0 de manera que no es un eigenvalor de A. Procedimiento para calcular valores propios y vectores propios Se encuentra p( Se encuentran las races m de p( Se resuelve el sistema homogneo (A cada valor propio ) = det (A 1, ) = 0. iI)v = 0, correspondiente a i. I). 2, . . . ,

Observacin 1. Por lo general el paso ii) es el ms dificil. Ejemplo 3. Clculo de valores y vectores propios. Sea A = 4 2 33 4Entonces det (A )(3 2-7 - 1)( 2 I) = 3 3 )-6= +6= - 6) = 0. 1=1y 1 = 1 se resuelve (A - I)v = (4 -

Entonces los valores propios de A son 2 = 6. Para =0o 3 2 x1 = 0 3 2 x2 0 Es claro que cualquier vector propio correspondiente a satisface 31 + 22 = 0. Un vector propio de este tipo es v1 = 2

1=1

-3 As, E1 = gen 2 -3 -2 2 x1 = 0 De manera similar, la ecuacin (A - 6I)v = 0 significa que 3 3 x2 0 o x1 = x2. Entonces v2 = 1 es un vector propio correspondiente a gen 1 . 1 Observe que v1 y v2 son linealmente independientes ya que uno no es mltiplo del otro. Nota. No importa si se establece 2=6o 2 = 1. 1=1y 1=6y 2 = 6 y E6 =