AUTOVALORES

UNIDAD IV

Integrante: Carlos Garca, C.I.: 20.187.124 Prof. (a): Mara Paredes SAIA-A

Polinomio Caracterstico
En lgebra lineal, se asocia un polinomio a cada matriz cuadrada llamado polinomio caracterstico. Dicho polinomio contiene una gran cantidad de informacin sobre la matriz, los ms significativos son los valores propios, su determinante y su traza. El polinomio caracterstico es una de las vas que se utiliza para calcular autovalores.

Definicin Formal: Sea K un cuerpo (podemos imaginar K como el cuerpo de los reales o de los complejos) y una matriz cuadrada A n-dimensional sobre K. El polinomio caracterstico de A, denotado por pA(t), es el polinomio definido por donde I denota la matriz identidad n-por-n. Algunos autores definen el polinomio caracterstico como det(t I-A); la diferencia es inmaterial puesto que los dos polinomios nicamente se diferencian por su signo.

Ejemplo:
Supongamos que queremos encontrar el polinomio caracterstico de la matriz

Debemos calcular el determinante de

dicho determinante es

Finalmente hemos obtenido el polinomio caracterstico de A.

Subespacios
Los subespacios que se presentan a continuacin son claves en la diagonalizacin de matrices.

Subespacios de un espacio afn Fijemos un espacio afn (A, V) de dimensin n sobre un cuerpo K. Vamos a hacer un poco de geometra de puntos, rectas, planos, hiperplanos afines, es decir, formados por puntos "de verdad'', no por vectores. Definicin: Un subespacio del espacio afn A es un subconjunto S es subconjunto de A tal que el conjunto de vectores L = {PQ : P,Q pertenecen a S} es un subespacio vectorial de V.

Teorema Espectral para matrices simtricas

Entre los resultados consignados en el teorema espectral, se seala que las matrices simtricas tienen autovalores reales.

En matemticas, y ms especialmente en lgebra lineal y anlisis funcional, el teorema de descomposicin espectral, o ms brevemente teorema espectral, expresa las condiciones bajo las cuales un operador o una matriz pueden ser diagonalizados (es decir, representadas como una matriz diagonal en alguna base). Se identifica as, un tipo de operadores lineales que pueden representarse como una multiplicacin de operadores. Ejemplos de los operadores a los que se aplica este teorema son los operadores autoadjuntos, o ms en general, los operadores normales en espacios de Hilbert. El Teorema Espectral, proporciona adems, una descomposicin cannica (llamada descomposicin espectral) del espacio vectorial sobre el cual acta el operador.

Teorema Espectral para matrices simtricas

Espacio de Dimensin finita. Sea A: Un Operador hermtico, Una Matriz cuadrada y Perteneciente a un espacio real o complejo V, de dimensin no infinita Con el producto interno estndar, usando notacin de Dirac, la simetra del operador implica:

para toda pareja de elementos . Recordemos que un vector propio de un operador A es un vector x distinto de cero tal que Ax = rx. El valor r es el valor propio del vector, y debe ser un escalar. Teorema: Existe una base ortonormal de V que consiste en los vectores propios de A. Los valores propios correspondientes a cada vector son reales.

Diagonalizacin de matrices

Diagonalizacin de matrices simtricas por matrices ortogonales

Las transformaciones ortogonales aqu presentadas son claves en la creacin de algoritmos de diagonalizacin estables. En lgebra lineal una matriz cuadrada A se dice que es diagonalizable si es semejante a una matriz diagonal, es decir, si mediante un cambio de base puede reducirse a una forma diagonal. En este caso, la matriz podr descomponerse de la forma A = PDP 1 donde P es una matriz invertible cuyos vectores columna son vectores propios de A y D es una matriz diagonal formada por los valores propios de A. Si la matriz A es semejante ortogonalmente a una matriz diagonal, es decir, si la matriz P es ortogonal se dice entonces que la matriz A es diagonalizable ortogonalmente, pudiendo escribirse como A = PDPt. El teorema espectral garantiza que cualquier matriz cuadrada simtrica con coeficientes reales es ortogonalmente diagonalizable. En este caso P est formada por una base ortonormal de vectores propios de la matriz siendo los valores propios reales. La matriz P es por tanto ortogonal y los vectores filas de P 1 son los vectores columnas de P.

Clculo de autovalores utilizando matrices de rotacin

En lgebra lineal, los vectores propios, autovectores o eigenvectores de un operador lineal son los vectores no nulos que, cuando son transformados por el operador, dan lugar a un mltiplo escalar de s mismos, con lo que no cambian su direccin. Este escalar recibe el nombre valor propio, autovalor, valor caracterstico o eigenvalor. A menudo, una transformacin queda completamente determinada por sus vectores propios y valores propios. Un espacio propio, autoespacio o eigenespacio es el conjunto de vectores propios con un valor propio comn.

Clculo de autovalores utilizando matrices de rotacin

Definicin. Las transformaciones lineales del espacio como la rotacin, la reflexin, el ensanchamiento, o cualquier combinacin de las anteriores; en esta lista podran incluirse otras transformaciones pueden interpretarse mediante el efecto que producen en los vectores. Los vectores pueden visualizarse como flechas de una cierta longitud apuntando en una direccin y sentido determinados.

Los vectores propios de las transformaciones lineales son vectores que, o no se ven afectados por la transformacin o se ven multiplicados por un escalar, y por tanto no varan su direccin. El valor propio de un vector propio es el factor de escala por el que ha sido multiplicado. Un espacio propio es un espacio formado por todos los vectores propios del mismo valor propio, adems del vector nulo, que no es un vector propio. La multiplicidad geomtrica de un valor propio es la dimensin del espacio propio asociado. El espectro de una transformacin en espacios vectoriales finitos es el conjunto de todos sus valores propios.

Descomposicin QR de matrices cuadradas

La descomposicin QR que se presenta a continuacin tiene diversas aplicaciones. Se utiliza en la solucin de sistemas de ecuaciones por mnimos cuadrados. Es tambin la base de un algoritmo particular para el clculo de autovalores: el algoritmo. En lgebra lineal, la descomposicin o factorizacin QR de una matriz es una descomposicin de la misma como producto de una matriz ortogonal por una triangular superior. La descomposicin QR es la base del algoritmo QR utilizado para el clculo de los vectores y valores propios de una matriz. Definicin formal: La descomposicin QR de una matriz cuadrada real A es

donde Q es una matriz ortogonal (QTQ = I ) y R es una matriz triangular superior.

Diagonalizacin de matrices no simtricas

Para estudiar una matriz suele ser conveniente expresarla de forma lo ms sencilla posible. Diagonalizar una matriz A es precisamente eso: escribirla de manera simple encontrando una matriz invertible P y una diagonal D (si se puede) tales que: A = P D P-1 La matriz P se llama matriz de paso. Matriz diagonalizable: Una matriz n x n es diagonalizable 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 diagonalizable, entonces A es semejante a una matriz diagonal cuyas componentes en la diagonal son los valores propios de A.

EJERCICIOS
Ejercicio 1.

Dada la matriz:
2 3 0 A= 0 1 4 0 0 1 Obtenga sus valores propios Es diagonizable? Valores propios: Determinante: 1 0 0 0 1 0 0 0 1 2 3 0 0 1 4 0 0 1 =0

Determinante:

0 0 0 0 0 0

2 3 0 0 1 4 0 0 1

=0

Determinante:

+ 2 3 0 0 1 4 0 0 1

= (+2) (-1) (-1) = 0

( + 2)( 1)2 = 0 despejamos de la ecuacin +2=o = -2 ( 1)2 = o |-1| = o 2 = 3 = 1 Por lo tanto los valores propios son: 1 = -2 2 = 1 3 =1 Vectores propios:
Para x = -2 : + 2 0 0 3 1 0 0 4 1 1 0 = 2 = 0 3 0

EJERCICIOS

0 0 0

3 3 0

0 4 3

1 0 = 2 = 0 3 0

-3X1 = 0 X1 = 0 -3X2 -4X3 = 0 -3X2 -4(0)= -3X2 = 0 X2 = 0 -3X3 = 0 X3 = 0 0 V1 = 0 0

EJERCICIOS
Para = 1 + 2 0 0 3 0 0 3 1 0 3 0 0 0 4 0 0 4 1 1 0 = 2 = 0 3 0

1 0 = 2 = 0 3 0

3X1 -3X2 = 0 X1 = X2 = 0 -4X3 = 0 X3 = 0 Sea X2 =

= 0

1 = 1 0

para T= 1;

V3 = para T = -1

1 1 0

La matriz propia es: M= 1 2 = 3 0 1 1 0 1 1 0 0 0

Mas esta matriz no admite inversa debido a que M= 0, por lo tanto no se puede tampoco diagonizar.

EJERCICIOS
Ejercicio 2. Dada la matriz: A= 4 0 0 0 4 0 2 2 4

a) Analice cundo no es diagonalizable. En tal caso, determine la forma cannica de Jordn e indique los sistemas que habra que resolver para obtener los vectores que forman la matriz de paso. b) Cundo se dice que dos matrices A y B son semejantes? Qu significa que una matriz sea diagonalizable? PARTE A: Calculamos los auto valores de la matriz A, para ello hay que encontrar los ceros del polinomio caracterstico determinante ( ) . det ( ) = 4 1 0 1 0 0 4 2 = ( ) (1 ) (2 )

EJERCICIOS
Por lo tanto, los vectores son 1, 2 y . El auto-vector asociado a = 1 lo hallaremos resolviendo el siguiente sistema de ecuaciones: 1 = 0 De tal manera que: 1 4 1 As tenemos que: 1 0 1 2 = 0 Entonces decimos que 4 + 4 3 1 1 + = 0 , 2 = 1 , 3 = 0 0 Por lo tanto el auto-vector asociado a = 1 es 1 0 1 0 4 0 1 0 Nos queda 1 1 = 0 43 = 0 3 = 0 0 11 0 0 4 21

Luego, para calcular el auto-vector asociado a = 2 nos queda 2 = 0 De tal manera que: 2 As tenemos que: 4 1 2 = 0 1 2 + 43 = 0 Entonces decimos que 4 1 =0 1 2 4 1 0 12 0 0 4 22 0 1 0 0 4 2 1 2 = 0 3

EJERCICIOS
Nos queda 1 = 0 , 2 = 4 , 3 = 1 Por lo tanto el auto-vector asociado a = 2 es 0 4 1 Ahora calculando el auto-vector asociado a = tenemos que entonces: 0 1 0 0 4 2 0 As tenemos que: 4 1 0 1 0 0 4 2 1 2 3 = 0

2 4 1 Por lo tanto 4 + 1 1

= 0

1 + 2 +

4 =0 3 2 3 = 0

Entonces decimos que para 3 = 1 se tiene 1 = 2 , 2 = 4 As el auto-vector asociado a = 2 es 0 1 , 0 quiere decir que la matriz A no es cannica de Jordn es: De esta manera el conjunto 2 4 1

0 2 Forma una base si y solo si 2, esto 4 , 4 1 1 diagonalizable si = 2, en este caso la forma 2 1 0 0 2 0 0 0 1

EJERCICIOS
Aparte. Los sistemas que hay que resolver para obtener la matiz de paso son los siguientes: = Por lo tanto 1 , 2 , 3 = vectores en columna Ahora 1 , 2 , 3 = 1 , 2 , 3 2 1 0 1 , 2 , 3 donde 1 , 2 , 3 0 2 0 0 0 = 1 | 3 son

2 1 + 2 , 2 2 , 3

Los sistemas que se tienen que resolver para determinar la matriz de paso son: 1 = 2 1 + 2 2 = 22 3 = 3 PARTE B:

Dos matrices son semejantes cuando verifican que = 1 para cierta matriz cuadrada P invertible Si A y B son semejantes si existe sobre el mismo cuerpo donde estn definidas una matriz regular y B es diagonal, entonces se dice que es diagonizable.

EJERCICIOS
Ejercicio 3. Dada la matriz: A = 4 0 0 0 4 0 2 2 4

Obtenga sus valores y vectores propios Es diagonizable? DETERMINANTE ( I - A) = 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 2 2 4 4 0 0 4 0 0 0 4 0 0 4 0 2 2 4 2 2 4

I - A:

I - A:

I - A:

4 0 0

0 4 0

DET ( I - A) = 0 4 0 0 0 4 0 2 2 4

= 0

(-4) (-4) (-4) = 0 ( 4)3 = 0 (

3

4 ) = 03 = -4 =0 = 4

EL VALOR PROPIO = 4

EJERCICIOS
VECTOR PROPIO: : 44 0 0 0 0 0 2 2 0 1 0 = 2 = 0 3 0

0 0 0

0 0 0

2 2 0

1 0 = 2 = 0 3 0

-2X1 = 0 X1 = 0 -2X2 = 0 X2 = 0 X3 = 0 No existen vectores propios por lo tanto la matriz A= 4 0 0 0 4 0 2 2 4

Por no ser vectores propios no existen matriz de transicin y por ende no se puede diagonalizar.