lgebra

Patronato de CIFF:

Bloque 3

Octubre 2014 MASTER EN FINANZAS

Laboratorio Sun Microsystems de
Finanzas Computacionales
 Laboratorio de Finanzas
Computacionales

Queda prohibida la reproduccin total o parcial

de esta publicacin, por cualquier medio o
procedimiento, sin para ello contar con la
autorizacin previa, expresa y por escrito del
Laboratorio de Finanzas Computacionales.
Toda forma de utilizacin no autorizada ser
perseguida con los medios previstos en la Ley.

Todos los Derechos Reservados, , Laboratorio

de Finanzas Computacionales (http://lfc.uah.es)
2Alcal de Henares, Madrid, 2013
Laboratorio Sun Microsystems de
Finanzas Computacionales
Homogeneizacin lgebra

Laboratorio Sun Microsystems de

Finanzas Computacionales
Bloque 3

Laboratorio Sun Microsystems de

Finanzas Computacionales
ndice

Vectores y Valores Caractersticos.

Diagonalizacin.
Descomposicion Matricial mediante el Teorema
de la descomposicin espectral.

5 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Reduccin de Matrices

La reduccin de matrices permite convertir una matriz

en una matriz diagonal equivalente (con elementos fuera
de la diagonal igual a 0), lo cual permitir realizar clculos
de una forma mucho ms veloz.
Por ejemplo, si se tiene que realizar la operacin A10 de
dimensin 4, es mucho ms fcil realizarlo en una
diagonalizada (slo 4 elementos diferentes de 0) 4*10=
40 operaciones que 10 multiplicaciones de matrices
(operacin compleja).
En las siguientes transparencias se mostrar como
transformar una matriz en una equivalente, utilizando los
autovectores y autovalores de la matriz.
6 Laboratorio Sun Microsystems de
Finanzas Computacionales
 Definiciones Previas

Decimos que dos matrices de iguales dimensiones A y B

son equivalentes si existen dos matrices regulares
(det0) U, V tal que:
A = UBV

Decimos que dos matrices cuadradas de orden n, A y B,

son congruentes si existe una matriz regular P tal que:
A = PBPt
Decimos que dos matrices cuadradas de orden n, A y B,
son semejantes si existe una matriz P invertible tal que:
A = PBP1

7 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Definiciones Previas

Decimos que una matriz A es diagonalizable si es

semejante a una matriz diagonal B, es decir, si existe una
matriz P regular tal que:
A = PBP 1
El proceso para encontrar B se denomina
diagonalizacin.
Se trata de encontrar una matriz B que contiene los
autovalores de A y una matriz P con los autovectores,
reduciendo la matriz A la combinacin de autovalores y
autovectores de dicha matriz.

8 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Valores y Vectores
Caractersticos

Sea A una matriz cuadrada de orden n, entonces:

l Se llama autovector de A ( vector caracterstico
!
u
eigenvector) a todo vector no nulo tal que:
! !
Au = u

l El autovalor ( valor caracterstico o eigenvalor) de A

es , que es el escalar por el cual se multiplica el
autovector asociado para cumplir la igualdad.

9 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Valores y Vectores
Caractersticos

Para calcular los autovalores y autovectores se sigue el

procedimiento que se muestra a continuacin:
La condicin necesaria para que sea un autovalor de A
es:
A I = 0

Donde |A- I| se denomina polinomio caracterstico,

p(). Los autovalores son las races del polinomio, que se
obtiene al desarrollar el determinante:
a11 a12 ... a1n
a21 a22 ... a2 n
p ( ) = =0
... ... ... ...
an1 an 2 ... ann

10 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Valores y Vectores
Caractersticos

Ejemplo de clculo de autovalores:

2 3 AI 2 3
A = p ( ) =
= 0
4 9 4 9
p( ) = (2 )(9 ) + 12 = 0
p( ) = 2 11 + 30 = 0
=5 =6

11 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Valores y Vectores
Caractersticos

Se llama multiplicidad algebraica al numero de veces

que aparece un autovalor (n) como raz de la ecuacin
caracterstica. (Ejemplo anterior = 2, que son 5 y 6).
Existir un autovector asociado a cada autovalor.
!
Para calcular el autovector u asociado
! a un autovalor n
resolvemos la siguiente ecuacin (u es vector columna):
! !
( A I ) u = 0
Una vez calculados los autovalores y los autovectores, Se
compone la ecuacin inicial.
A = PBP1

12 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Diagonalizacin

En esta ecuacin se tiene que:

l P la componemos por columnas con cada autovector,
siendo P-1 la inversa.
l B es una matriz diagonal cuyos elementos son los
autovalores.
Ejemplo de diagonalizacin:

3 0 0

A = 0 4 2
0 2 1

13 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Diagonalizacin

Calculamos el polinomio caracterstico y los autovalores:

3 0 0
A I = 0 4 2 = (3 ) ( + 5) = 0
0 2 1

= 3; = 0; = 5;
Calculamos los autovectores para cada autovalor:
l Para =3
0 0 0 u1 0
!
( A 3I )u = 0 0 7 2 u 2 = 0
0 2 4 u3 0

0 = 0

7u2 + 2u3 = 0 =< (1,0,0) > .
2u + 4u = 0
2 3

14 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Diagonalizacin

l Para =0: 3 0 0 u1 0
!
( A 0 I )u = 0 0 4 2 u2 = 0
0 2 1 u3 0

3u1 = 0

4u2 + 2u3 = 0 = (0,1,2)
2u u = 0
2 3

l Para =-5: 8 0 0 u1 0
!
( A + 5I )u = 0 0 1 2 u 2 = 0
0 2 4 0
u 3

8u1 = 0

u 2 + 2u3 = 0 = (0,2,1)
2u + 4u = 0
2 3

15 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Diagonalizacin

Dividimos entre el mdulo de cada vector para que sean

ortonormales:
(1, 0, 0)
= (1, 0, 0)
(1, 0, 0)

(0, 1, 2) 1 2
= (0, , )
(0, 1, 2) 5 5

(0,2,1) 2 1
= (0, , )
(0,2,1) 5 5

16 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Diagonalizacin

Por tanto la diagonalizacin queda de la siguiente forma:

A = PBP1
1


3 0 0 1 0 0 3 0 0 1 0 0
1 2 1 2
0 4 2 = 0 0 0 0 0
0 5 5 5 5
2 1

2 1 0
0 5
2 1

0
0

5 5 5 5

Como aplicacin prctica se puede comprobar como se

ha simplificado el proceso de elevar la matriz A a una
potencia utilizando la matriz B, que es diagonal:
An = PB n P1
17 Laboratorio Sun Microsystems de
Finanzas Computacionales
 Descomposicin Espectral

Sea una matriz A, su conjunto de autovalores puede

denominarse espectro de A, y la descripcin de dichos
autovalores constituye el teorema espectral.
Teorema Espectral: Una matriz simtrica A de nxn tiene
las siguientes propiedades:
l A t i e n e n a u t o v a l o r e s r e a l e s i n c l u y e n d o
multiplicidades.
l La dimensin del espacio propio de cada autovalor es
igual a la multiplicidad de .
l A es diagonalizable ortogonalmente.

18 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Descomposicin Espectral

Los espacios propios son mutuamente ortogonales, en

l
el sentido de que los autovectores correspondientes a
autovalores diferentes son ortogonales.
Suponiendo A = PBP1 , donde! las columnas
! de P son
vectores propios ortonormales, u1 ,..., un autovectores de
A y los autovalores correspondientes 1 ,..., n estn en la
matriz diagonal B. Entonces, como P 1 = PT :
!T !T
1 ... 0 u1 u1
1 ! ! ! !
A = PBP = [u1...un ] ... ... ... = [1u1 ... nun ] ...
! T ! T
0 ... n un

un

19 Laboratorio Sun Microsystems de
Finanzas Computacionales
 Descomposicin Espectral

Si desarrollamos el producto obtenemos la

descomposicin espectral de A, que la divide en
fragmentos determinados por el espectro (autovalores) de
A, siendo cada trmino de la expresin una matriz nxn de
rango 1.

T T T
A = u u + u u + ... + u u
1 1 1 2 2 2 n n n

20 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Descomposicin Espectral

Gracias a la descomposicin espectral podemos concluir

respecto a una matriz que:
l Su rango, siendo la matriz simtrica, es el nmero de
autovalores distintos de cero que contiene.
l Su traza es la suma de sus autovalores.
l El determinante es igual al producto de sus
autovalores.

21 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Descomposicin Espectral

Ejemplo de descomposicin espectral:

A = PBP1

7 2 2 5 1 5 8 0 2 5 1 5
2 4 =
0 3
1 5 2 5 1 5 2 5

A = 8u1u1T + 3u2u2T

22 Laboratorio Sun Microsystems de

Finanzas Computacionales
 Descomposicin Espectral

Verificacin de la descomposicin:
2 5 4 5 2 5
T
u u =
1 1 [
2 5 1 5 =
2 5 1 5
]

1 5
1 5 1 5 2 5
T
u u =
2 2 [
1 5 2 ]
5 =
2 5 4 5
2 5

T 32 5 16 5 3 5 6 5 7 2
T
8u u + 3u u =
1 1 2 2 + = =A
16 5 8 5 6 5 12 5 2 4
23 Laboratorio Sun Microsystems de
Finanzas Computacionales
 Patronato de CIFF:

Laboratorio Sun Microsystems de

Finanzas Computacionales