Determinacion Numerica de Eigenvalores y Eigenvectores.

Jose Mara Rico Martnez

Departamento de Ingeniera Mecanica.
Universidad de Guanajuato, F. I. M. E. E.
Calle Tampico No. 912, Col. Bellavista.
CP 36730, Salamanca, Gto., Mexico
Tel. +52-464-6480911, Fax: +52-464-6472400.
E-mail: jrico@salamanca.ugto.mx

Introducci
on

Estas notas tienen como objetivo presentar los conceptos fundamentales de la teora de Eigenvalores y Eigenvectores, tambien conocidos como valores y vectores caratersticos o como valores y vectores propios, de una
matriz cuadrada, as como una revision somera de los metodos numericos empleados para su determinaci
on.

Establecimiento del problema y definiciones.

Considere una matriz A nn dada por

A=

a11
a21
a31
..
.

a12
a22
a32
..
.

a13
a23
a33
..
.

...
...
...
..
.

a1n
a2n
a3n
..
.

an1

an2

an3

. . . ann

(1)

Definici
on: Eigenvalor y Eigenvector. Un vector b n , tal que b = 0, se dice que es un eigenvector,
vector propio o vector caracterstico, de la matriz A si y solo si1
Ab = b,

donde

C.

(2)

Ademas, se dice que el escalar es el eigenvalor, valor propio o valor characteristico de la matriz A
asociado al eigenvector b; de manera recproca, se dice que b es un eigenvector de A asociado al eigenvalor .
Debe notarse que, a
un cuando la matriz A es real, los eigenvalores asociados a la matriz pueden ser n
umeros
complejos.
Teorema I. El conjunto de todos los eigenvectores b asociados al eigenvalor constituyen un subespacio
vectorial de n , concido como el eigenespacio asociado al eigenvalor .
Prueba: Es suficiente mostrar que el conjunto de vectores
E = {b n | Ab = b}
esta cerrado respecto a la adicion de vectores y la multiplicacion por escalar.
1 Debe

notarse que la ecuaci

on (2) requiere necesariamente que la matriz deba ser cuadrada.

1. Sean b1 , b2 E, por lo tanto

Ab1 = b1

Ab2 = b2

Puesto que la multiplicacion de matrices es una operacion lineal, se tiene que





A b1 + b2 = Ab1 + Ab2 = b1 + b2 = b1 + b2
por lo tanto, el conjunto est
a cerrado respecto de la adicion.
2. Sea b1 E y , por lo tanto

Ab1 = b1 .

Puesto que la multiplicacion de matrices es una operacion lineal, se tiene que




A b1 = Ab1 = b1 = b1 = b1 .
por lo tanto, el conjunto est
a cerrado respecto a la multiplicaci
on por escalar.
Estas dos pruebas parciales verifican que el conjunto de todos los eigenvectores b asociados al eigenvalor
constituyen un subespacio vectorial de n
Considere ahora la ecuacion (2), que puede reescribirse de la siguiente forma
Ab = b,

Ab = In b,

[A In ] b = 0

(3)

on, b = 0, la u
nica posibilidad para que
donde In es la matriz identidad de orden n. Puesto que, por definici
la ecuacion (3) se satisfaga es que, la matriz [A In ] sea singular y que b sea un elemento del espacio nulo o
kernel de la matriz. Una condicion necesaria y suficiente para que la matriz [A In ] sea singular es que su
determinante sea cero; es decir
p() =| A In |= 0.
(4)
Expandiendo el determinante de la ecuacion (4), se obtiene una ecuacion polinomial real de n-esimo orden en .
Esta ecuacion se denomina la ecuaci
on caracterstica de la matriz A. Las raices de la ecuacion caracterstica
son los eigenvalores de la matriz y los vectores que satisfacen la ecuacion (3) son los eigenvectores asociados a
los eigenvalores respectivos.
Es importante se
nalar que si la matriz A es real, la ecuacion caracterstica de orden n es real. Del teorema
fundamental del algebra, se sabe que la ecuaci
on (4) tiene n raices cuando se analiza en el campo de los n
umeros
complejos, tomando en cuenta la multiplicidad de una raiz; es decir, cuantas veces aparece como repetida una
raiz. Adem
as, si la ecuacion (4) tiene una raiz compleja o imaginaria, el complejo conjugado de esa raiz, tambien
es raiz de la ecuacion. En otras palabras, las raices complejas o imaginarias de una ecuaci
on polinomial real
siempre aparecen como pares conjugados.

M
etodo directo de determinaci
on de los eigenvalores y eigenvectores de una matriz.

Las observaciones indicadas al termino de la seccion 2, constituyen las bases de la determinaci

on de eigenvalores
y eigenvectores por el metodo directo. Los pasos necesarios para esta determinaci
on se indican a continuaci
on.
1. Determine la ecuaci
on caracterstica de la matriz; es decir determine
p() =| A In |= 0.
2. Encuentre las n raices de la ecuacion caracterstica. Estas raices son los eigenvalores de la matriz.
2

3. Para cada uno de los eigenvalores determine el subespacio solucion de la ecuaci

on
[A In ] b = 0.
Estos subespacios solucion constituyen el eigenespacio asociado al eigenvalor .

3.1

Ejemplo 1.

Considere la matriz dada por

2 6

A=
4 3

2 3

2 1

8 0

4 5

La ecuacion caracterstica de la matriz A esta dada por

0 =| A I4 |= p() = 1636 + 756 49 2 11 3 + 4
La figura 1 muestra la grafica de la ecuacion caracterstica, es evidente, de la figura que existen 4 raices reales
Las raices de la ecuacion caracterstica y, por lo tanto, los eigenvalores de la matriz A estan dadas por
2,000

1,000
lambda
8

10

1,000

2,000

3,000

4,000

Figure 1: Gr
afica de la Ecuacion Caracterstica de la Matriz A.
1 = 8.382430513,

2 = 3.094656787,

3 = 6.339424118,

4 = 9.948349608.

Para la determinaci
on de los eigenvectores asociados a 1 = 8.382430513, se tienen que realizar los siguientes calculos.
1. Determinar la matriz A 1 I4 , dada por

16.38243051
2
4

2
14.38243051
2

A 1 I4 =

4
3
0.382430513

3
3

1
1
0
13.38243051

2. Obtener la forma escalonada reducida de la matriz A 1 I4 , dada por

16.38243051
2.0
4.0
1.0

0
14.13826650 2.488328029 0.8779179928

0
0
5.059299318
13.30306562

0.0000000009

Este resultado parece contradictorio, si los calculos se hubieran realizado de manera exacta, la matriz
A 1 I4 debe ser singular, y el termino (4, 4) de la forma escalonada reducida debera ser igual a 0. La
diferencia es el resultado de no realizar los c
alculos de manera exacta.
3. Despreciando el error indicado en el punto anterior, el eigenvector asociado al eigenvalor 1 esta dado por
la soluci
on del sistema

16.38243051
2.0
4.0
1.0
x1
0

x2

0
14.13826650 2.488328029 0.8779179928

x3 = 0
0
0
0
5.059299318
13.30306562
x4
La solucion est
a dada por
b =
1

0.2453188593 0.1996149746 1 0.3803107842

Es importante se
nalar que cualquier m
ultiplo escalar de b1 es igualmente un eigenvector de la matriz A
asociado al eigenvalor 1 .
Procediendo de manera semejante con los restantes eigenvalores, se tiene que
1. Para 2 = 3.094656787, se tiene que
b =
2

0.06478833904 0.4579574956 0.1004735120 1

2. Para 3 = 6.339424118, se tiene que

b =
3

0.5802494150 0.2153771052 0.1168015068 1

3. Para 4 = 9.948349608, se tiene que

b =
4

0.3756429166 0.2856490351 0.05446763308

Determinaci
on de Eigenvalores y Eigenvectores de Matrices Sim
etricas.

Esta seccion inicia definiendo de manera formal una matriz simetrica.

Definici
on. Una matriz A nn se dice que es simetrica, si y s
olo si, su transpuesta es igual a la matriz
original, es decir:
AT = A.
Si la matriz cuyos eigenvalores y eigenvectores se desea determinar es simetrica, entonces es posible encontrar
interesantes resultados teoricos que simplifican esa determinaci
on. Por ejemplo, en la secci
on 2, se coment
o que
4

los eigenvalores de una matriz real pueden ser reales o complejos, sin embargo, si la matriz es simetrica, puede
probarse que todos sus eigenvalores son reales. Sin embargo, para probar estos resultados, es necesario emplear
algunos resultados acerca de matrices definidas sobre el campo de los n
umeros complejos y de espacios vectoriales
complejos.
umeros complejos, C, es
Definici
on. Considere el espacio vectorial C n , definido sobre el campo de los n
posible definir la siguiente forma cuadr
atica

q : Cn 

q(v ) = v v ,

donde la barra indica la transpuesta conjugado del vector.

Es necesario probar que la imagen de este mapeo es efectivamente un n
umero real
T

q(v ) = v v =

v j vj =

j=1

(aj + i bj )(aj + i bj ) =

j=1

(a2j + b2j ) 

j=1

Teorema II. La forma cuadr

atica definida en la definici
on anterior es positiva definida.
Prueba: Es evidente que
q(v ) 0 v C n .
En particular, si q(v ) = 0, entonces
n


(a2j + b2j ) = 0 aj = bj = 0 j = 1, 2, . . . , n.

j=1

Por lo tanto,

q(v ) = 0 v = 0.

Ahora se analizar
an algunas propiedades de matrices complejas.
Definici
on. Considere el algebra de matrices cuadradas, C nn , definidas sobre el campo de los n
umeros
complejos. Una matriz A C nn se denomina hermitiana si

A = A.

Donde, A representa la transpuesta conjugada de la matrix A. Es decir, una matriz es hermitiana, si la matriz
es igual a su transpuesta conjugada.
Puesto que el campo de los n
umeros reales es un subcampo de los n
umeros complejos,  < C, entonces si
a , entonces a = a, y se tiene el siguiente resultado.
Teorema III. Una matriz sim
etrica, real, es una matriz hermitiana.

Prueba: Suponga que A nn < C nn es simetrica, entonces A = AT , y se tiene que

A = AT = A.
por lo tanto es hermitiana.
Teorema IV. Sea A C nn una matriz hermitiana. Entonces

umero real para todo x C n , y

1. x A x es un n
2. Todos los eigenvalores de A son reales.
Prueba: Para la primera parte, considere el n
umero complejo


x A x = x A x = x A x
5

puesto que el n
umero complejo satisface la propiedad de que su conjugado es igual al n
umero, entonces el
n
umero complejo es, en realidad, un n
umero real.
Para la segunda parte considere, un eigenvalor de la matriz A hermitiana y sea x un eigenvector de A

asociado a y con la propiedad que su forma cuadr

atica q(x) = x x = 1, entonces
A x = x
Ademas

= x x = x x = x A x.
Debe notarse que por el primer resultado de este teorema es un n
umero real.
Debe recordarse que como indica el Teorema III, todas las matrices simetricas son hermitianas, de manera
que todos los resultados del Teorema IV son aplicables a todas las matrices simetricas.
Puede, adem
as, mostrarse que si la matriz es simetrica los eigenvectores son ortogonales, sin embargo, la
prueba de este resultado requiere de conceptos bastante mas complicados.

4.1

Ejemplo 2.

Considere la matriz dada por

2 6

A=
4 2

1 1

2 1

8 0

La ecuacion caracterstica de la matriz A esta dada por

0 =| A I4 |= p() = 2444 + 946 60 2 11 3 + 4
La figura 2 muestra la grafica de la ecuacion caracterstica, es evidente, de la figura que existen 4 raices reales
Las raices de la ecuacion caracterstica y, por lo tanto, los eigenvalores de la matriz A estan dadas por
3,000

2,000
lambda

1,000
10

10

1,000

2,000

3,000

4,000

5,000

6,000

Figure 2: Gr
afica de la Ecuacion Caracterstica de la Matriz A.

1 = 9.325502313,

2 = 4.446795311,

3 = 5.915205526,

4 = 9.963501476.

Para la determinaci
on de los eigenvectores asociados a 1 = 9.325502313, se tienen que realizar los siguientes calculos.
1. Determinar la matriz A 1 I4 , dada por

17.32550231
2
4

2
15.32550231
2

A 1 I4 =

4
2
1.325502313

1
0
14.32550231

2. Obtener la forma escalonada reducida de la matriz A 1 I4 , dada por

17.32550231
2.0
4.0
1.0

0
15.09462877 2.461747074
0.8845632315

0
0
0.0866122253
14.21594747

0.00000000332

Este resultado parece contradictorio, si los calculos se hubieran realizado de manera exacta, la matriz
A 1 I4 debe ser singular, y el termino (4, 4) de la forma escalonada reducida debera ser igual a 0. La
diferencia es el resultado de no realizar los c
alculos de manera exacta.
3. Despreciando el error indicado en el punto anterior, el eigenvector asociado al eigenvalor 1 esta dado por
la soluci
on del sistema

17.32550231
2.0
4.0
1.0
x1
0

x2

0
15.09462877 2.461747074 0.8845632315

x3 = 0
0
x4
0
0
0.0866122253 14.21594747
La solucion est
a dada por
b =
1

0.2500102856 0.1627305853 1

0.006092610111

Es importante se
nalar que cualquier m
ultiplo escalar de b1 es igualmente un eigenvector de la matriz A
asociado al eigenvalor 1 .
Procediendo de manera semejante con los restantes eigenvalores, se tiene que
1. Para 2 = 4.446795311, se tiene que


b = 0.07156723992 0.4816374493 0.05439198782 1 T .
2
2. Para 3 = 5.915205526, se tiene que


b = 0.5818315235 1 0.3109782378 0.4569120971 T .
3
3. Para 4 = 9.963501476, se tiene que


b = 1 0.4961701156 0.1674317099 0.3014344054 T .
4