Documentos de Académico
Documentos de Profesional
Documentos de Cultura
II. AUTOVALORES Y
AUTOVECTORES DE UNA
MATRIZ
Filas
a11 a12 ... a1i ... a1n
a
21 a22 ... a2i ... a2n
Columnas a31 a32 a3i a3n
am1 am2 ami amn
mn
MATRIZ FILA: Llamaremos matriz fila o vector fila a aquella matriz que
posee sólo una fila y n columnas.
La representamos del siguiente modo: A a11 , a12 , a13 , ..., a1n 1n
a11
a
La representamos del siguiente modo: A 21
a m1 mx1
2.1.4. IGUALDAD DE MATRICES: Las matrices A aij ; B bij son
iguales si tienen el mismo orden; es decir el número de filas y columnas
de cada una deben de ser iguales y además cada elemento de una de
ellas tiene que ser igual al correspondiente de la otra.
Su representación matricial es:
A B aij bij ; i 1,2,...,m j 1,2,3,...,n
Ejemplo:
2 4 10 20
1. 5A 5
1 2 5 10
PLANTA1 PLANTA2 PLANTA3 PLANTA4
PRODUCTO 1 5600 2330 5400 4580
2. PRODUCTO 2 2330 4500 4500 2500
PRODUCTO 3 5040 4500 5600 9500
PRODUCTO 4 4580 2500 9500 4600
Propiedades:
1 A (A)
2 ( ) A A A
Esta matriz nos proporciona el costo para producir parte de cada uno de
los cuatro productos en cuatro plantas ubicadas en ciudades diferentes
se requiere saber el costo total de cada uno de los productos.
Matriz de costo total =
PLANTA1 PLANTA2 PLANTA3 PLANTA4
PRODUCTO 1 100 40 100 800
PRODUCTO 2 30 50 44 50
PRODUCTO 3 70 55 66 99
PRODUCTO 4 50 27 99 66
Propiedades:
1. A B B A
2. A ( B C) ( A B) C
3. ( A B) A B
4. A; 0 tal que A 0 A
m p
A aij pn C A B cij mn
; B bij
columna j de B , es decir:
p
cij aik . bkj ; i 1,..., m ; j 1,..., n
k 1
Ejemplo:
1 2 2 1
1. A ; B ; Entonces:
1 3 0 2
Propiedades:
1. A.B B. A
2. A.( BC ) ( AB)C
3. A.( B C ) AB AC
4. ( B C ) A BA CA
5. kA.B AkB ; k IR
Ejemplo:
1 2 3
1. A3 7 5 0
0 8 6
0 9 8 7 6 5 4
3 2 78 5 8 6 9
5 7 0 0 0 78 0
2. A7 2 1 1 1 1 1 1
0 0 0 5 6 74 9
8 0' 2 5 5 6 0
1 1 2 2 2 0 1
i j ; y se representa como:
representa como:
a11 0 0 ... 0
a 21 a 22 0 ... 0
A a31 a32 a33 ... 0
a a m3 a nn
m1 a m2
K 0 0 0...
0 K 0 ... 0
A0 0 K ... 0
0 0 0 K
0
Ejemplo:
1 2 1 3
1. A At
3 4 2 4
Propiedades:
1. It I
2. At t A
3. kAt kAt
4. AB t B t . At
5. A Bt At B t
A At .
2 0 2 2 0 2
t
Ejemplo: A 0 4 5 A 0 4 5
2 5 3 2 5 3
9. MATRIZ ANTISIMÉTRICA: Una matriz cuadrada A se llama anti
simétrica si A At
Ejemplo:
0 2 4 0 2 4 0 2 4
t t
1. A 2 0 6 A 2 0 6 A 2 0 6
4 6 6 4 6 0 4 6 0
A At
0 4 0 4 0 4
2. A At At
4 0 4 0 4 0
A At
conjugada compleja
Ejemplo:
, en donde
Ejemplo:
1 1 0 0 0
1 2 1 0 0
A 0 1 2 1 0
0 0 1 2 1
0 0 0 1 1
Obs.
1. Las líneas paralelas a la diagonal principal se le llama
codiagonales.
2. El número total de diagonal y codiagonales con elementos
significativos es el ancho de banda (3 en este ejemplo).
3. Para matrices simétricas puede también hablarse de un ancho de
semi – banda; que incluye a la diagonal principal (2 en el ejemplo
precedente).
4. Una matriz banda tiene baja densidad. Considerando densidad
como la razón entre el número de elementos con valor significativo y el
número total de elementos.
a11 a12
Si A ; entonces det( A) a11.a22 a21.a12
a 21 a 22
Ejemplo:
1 2
1. A det(A) 1(3) 2(1) 3 2 5
1 3
a22 a23
a11 es M11
a32 a33
a12 a13
a 21 es M 21
a32 a33
A11 111 M 11 M 11
A12 11 2 M 12 M 12
A13 11 3 M 13 M 13
Ejemplo:
1 0 0
2.3
1. A 1 2 3 det( A) 1 10
0 0 5 0,5
» A=[1 0 0;1 2 3;0 0 5]
A=
1 0 0
1 2 3
0 0 5
» det(A)
ans =
10
2 5 3
2. B 2 3 4 det(B) 23(1) (4)( 2) 5(2)(1) 4(0) 3(2)( 2) 3(0)
0 2 1
2.1.8.4. Observaciones
La determinante de una matriz triangular es igual al producto de los
elementos de su diagonal principal.
, det(A) = (1)(5)(12)= 60
1 0 0 0 0
1 2 0 0 0
A 0 1 10 0 0
0 0 1 2 0
0 0 0 1 20
; det(A)= (1)(2)(10)(2)(20)=800
Aij 1i j M ij
1 3 5 14 4 22
Ejemplo: A 3 5 1 CA 4 22 14
5 1 3 22 14 4
Ejemplo:
1 2 3 3 6 3 3 6 3
A 4 5 6 CA 6 12 6 adj ( A) 6 12 6
7 8 9 3 6 3 3 6 3
CAt
de la matriz A denotada por A 1 es: A 1
1
adj ( A)
A A
1 2 3
Ejemplo: A 4 5 6 A (13) 2(4 12 ) 3(12 10 ) 9
2 3 1
13 8 2 13 7 3
CA 7 5 1 adj ( A) 8 5 6
3 6 3 2 1 3
13 7 3
1 1
A 8 5 6
9
2 1 3
1 2 3 13 7 3 1 0 0
1
Verificando tenemos: AA1 4 5 6 . 8 5 6 0 1 0
9
2 3 1 2 1 3 0 0 1
Una matriz cuadrada tiene inversa si y sólo si es una matriz no singular
en este caso se dice que es una matriz invertible.
Propiedades:
1. AB 1 B 1 A1
2. A1 1 A
3. A1 1 A1 IR
n 1
4. adj ( A) A Donde n es el orden de la matriz A
1 2 4 1 2 4 0 5 6 1 2 4
0 5 6 ; 0 5 6 ; 6 7 8 ; 6 7 8
6 7 8 0 8 9 0 8 9 0 8 9
Como no existen más matrices de orden de 3x3 cuyos determinantes
sean ceros esto quiere decir que el orden de la matriz dada es 3.
Aclaraciones:
- Toda matriz nula tiene como rango cero,
- Si una matriz A es de orden mxn no nula entonces su rango es
mayor que cero y menor igual que min (m,n)
- Si la matriz es de orden nxn su rango es mayor que cero y menor o
igual a n;
- Si la matriz es no nula de orden nxn , entonces existe su inversa si
solo si su determinante es diferente cero , en este caso se dice que la
matriz es no singular.
- De la afirmación anterior también se dice que una matriz cuadrada de
orden nxn tiene inversa si y solo si r(A) =n.
- Supongamos dos matrices A y B y que exista AB, entonces r(AB)≤
min{r(A), r(B)};
- También es necesario resaltar que existe otra manera de calcular el
rango de una matriz y es usando operaciones elementales o
transformaciones elementales.
Solución
=7.0711
;,
Observe que:
1. ,
Ejemplo
Sean los vectores y , entonces el
ángulo entre ellos es:
PERPENDICULARIDAD DE VECTORES
Dos vectores son ortogonales si el coseno entre ellos es cero es decir si
solo si
,
Ejemplo
Sean los vectores x=(2,3,3,4), y =(4,-3,7,-5) son ortogonales pues:
X*y=2*4+3(-3)+3*7+4(-5)=0
,
En general podemos definir norma de un vector x
Propiedades
1. ,
2. ,
3. ,
Estas propiedades son familiares en relación a la norma Euclidiana o
“longitud” de un vector.
La norma de una matriz cuadrada, A , puede ser definida en forma
consistente con la definición de norma de un vector:
, (x ),
..................................................................................................(1)
Esta ecuación nos afirma que -2 es un valor propio de matriz 3x3 y que
(1,3,-4)T, es un vector propio correspondiente.
2. , es singular,.............................................................(3)
3. ),........................................................................(4)
,
, , ,
Ax x
x x
x
Ax
Ax Ax
Ejemplo
Ejemplo
, entonces
,
Ejemplo
Dados los vectores: , son linealmente
dependientes de pues existen (1) y (2) tal que:
Ejemplo:
Entonces
, de esta manera
tenemos que,
,.
, Si, demás
entonces el conjunto es ortogonal.
, forman un
conjunto ortogonal, pues para estos vectores tenemos que:
, si solo si para
algún i .
Obsérvese:
TEOREMA DE SCHUR.
Sea A una matriz de orden nxn cualquiera, entonces existe una matriz U
ortogonal tal que T=U-1AU, donde T es triangular superior cuyos
elementos diagonales son los autovalores de la matriz A.
Ejemplo
TEOREMA DE GERSHGORIN
Sea A una matriz nxn y denotemos por Ri, el círculo del plano complejo
con centro en aii y radio , es decir
Ejemplo
Sea la matriz
Eje Imaginario
1 2 3 4 5 6 7 8
Eje
9 10 11
Real
2.3. FACTORIZACIONES ORTOGONALES Y PROBLEMAS DE
MÍNIMOS CUADRADOS
Ejemplo.
Pues ,
X2 e2 X2
X1=e1 E1
En donde debemos de encontrar de tal manera que es
decir:
Ejemplo.
Hacemos
Segundo: determinamos
Gráficamente
4 –
3 –
2 --
1-
–
1 2 3 4 5
-1 6
–
-2
--
-3
Para un conjunto de - n vectores Linealmente
Independientes de n componentes. A partir de ellos se puede construir
-4
un conjunto de ortogonal de la siguiente manera.
-
Primero: consideramos el primer vector
Segundo:
Tercero:
para .
Ax=b
A* Ax=A* b
FACTORIZACIÓN QR DE HOUSEHOLDER
A=QR
Segundo, hacer ,
En donde ,
En donde
En esta relación
siendo
consecuentemente tenemos
Ejemplo.
Sea la matriz
Paso I
Segundo, hacer ,
Paso II
Primero: Calculamos ,
Segundo, hacer ,
Paso III
Primero: Calculamos ,
Segundo,
Luego A=QR
A=PDQ
En donde
Ejemplo.
Se tiene que
De esta manera ,
Podemos considerar
, ,
Entonces A=PDQ