Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
Los valores y vectores propios pertenecen a los temas de mayor utilidad del álgebra lineal. Se usan en varias
áreas de las matemáticas, física, mecánica, ingeniería eléctrica y nuclear, hidrodinámica, aerodinámica, etc. De
hecho, es raro encontrar un área de la ciencia aplicada donde nunca se hayan usado.
Puede parecer muy extraño, pero los valores propios de las matrices aparecieron publicados antes que las
matrices. Esto se debe al hecho insólito de que, parafraseando a Cailey, la teoría de las matrices estaba bien
desarrollada (a través de la teoría de los determinantes) antes de que siquiera se definieran las matrices. Según
Morris Kline, los valores propios se originaron en el contexto de formas cuadráticas y en la mecánica celeste (el
movimiento de los planetas), conociéndose como raíces características de la ecuación escalar. Desde
aproximadamente 1740, Euler usaba de manera implícita los valores propios para describir geométricamente
las formas cuadráticas en tres variables.
En la década de 1760, Lagrange estudió un sistema de seis ecuaciones diferenciales del movimiento de los
planetas (sólo se conocían seis) y de ahí dedujo una ecuación polinomial de sexto grado, cuyas raíces eran los
valores propios de una matriz 66. En 1820, Cauchy se dio cuenta de la importancia de los valores propios para
determinar los “ejes principales” de una forma cuadrática con n variables. También aplicó sus descubrimientos
a la teoría del movimiento planetario. Fue Cauchy quien, en 1840, usó por primera vez los términos valores
característicos y ecuación característica para indicar los valores propios y la ecuación polinomial básica que
satisfacen.
A principios del Siglo XIX la teoría espectral estaba dividida en dos grandes vertientes, la primera de ellas estaba
dedicada a la clasificación de matrices (simétricas, ortogonales, unitarias, etc.) y al estudio de la forma de los
valores propios de los diferentes tipos de matrices, mientras que la segunda se centraba, tanto sobre el concepto
de valor propio relacionado con el estudio de sistemas de ecuaciones diferenciales, como sobre las propiedades
de sus soluciones cuando ´estas no son obtenibles analíticamente. Esta segunda vertiente desemboco también
en el estudio del comportamiento cualitativo de las soluciones de ecuaciones diferenciales y la expansión de
funciones en términos de funciones propias o eigenfunciones.
En álgebra 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 múltiplo escalar de sí mismos, con lo que
no cambian su dirección. Este escalar \lambda recibe el nombre valor propio, autovalor, valor característico o
eigenvalor. A menudo, una transformación queda completamente determinada por sus vectores propios y
valores propios. Un espacio propio, autoespacio, eigenespacio o subespacio fundamental asociado al valor
propio \lambda es el conjunto de vectores propios con un valor propio común.
La palabra alemana eigen, que se traduce en español como propio, se usó por primera vez en este contexto por
David Hilbert en 1904 (aunque Helmholtz la usó previamente con un significado parecido). Eigen se ha
traducido también como inherente, característico o el prefijo auto-, donde se aprecia el énfasis en la importancia
de los valores propios para definir la naturaleza única de una determinada transformación lineal. Las
denominaciones vector y valor característicos también se utilizan habitualmente.
Biografía
Augustin-Louis Cauchy (1789-1857)
(París, 1789-Sceaux, Francia, 1857) Matemático francés. Era el mayor de los seis hijos de un abogado católico y
realista. Fue educado en casa por su padre y no ingresó en la escuela hasta los trece años, aunque pronto empezó
a ganar premios académicos. A los dieciséis entró en la École Polytechnique parisina y a los dieciocho asistía a
una escuela de ingeniería civil, donde se graduó tres años después. Con veintisiete años ya era uno de los
matemáticos de mayor prestigio y empezó a trabajar en las funciones de variable compleja, publicando las 300
páginas de esa investigación once años después. En esta época publicó sus trabajos sobre límites, continuidad y
sobre la convergencia de las series infinitas. En 1830 se exilió en Turín, donde trabajó como profesor de física
matemática hasta que regresó a París (1838). Pasó el resto de su vida enseñando en La Sorbona. Publicó un total
de 789 trabajos, entre los que se encuentran el concepto de límite, los criterios de convergencia las fórmulas y
los teoremas de integración y las ecuaciones diferenciales de Cauchy-Riemann.
Matemático francés de origen italiano. Estudió en su ciudad natal y hasta los diecisiete años no mostró ninguna
aptitud especial para las matemáticas. Sin embargo, la lectura de una obra del astrónomo inglés Edmund Halley
despertó su interés, y, tras un año de incesante trabajo, era ya un matemático consumado. Nombrado profesor
de la Escuela de Artillería, en 1758 fundó una sociedad, con la ayuda de sus alumnos, que fue incorporada a la
Academia de Turín. Escribió asimismo numerosos artículos sobre el cálculo integral y las ecuaciones
diferenciales generales del movimiento de tres cuerpos sometidos a fuerzas de atracción mutuas. A principios
de 1760 era ya uno de los matemáticos más respetados de Europa. Sus enseñanzas sobre cálculo diferencial
forman la base de sus obras Teoría de las funciones analíticas y Resolución de ecuaciones numéricas (1798). En
1810 inició una revisión de su Teoría, pero sólo pudo concluir dos terceras partes antes de su muerte.
Matemático suizo. Las facultades que desde temprana edad demostró para las matemáticas pronto le ganaron
la estima del patriarca de los Bernoulli, Johann, uno de los más eminentes matemáticos de su tiempo y profesor
de Euler en la Universidad de Basilea. A causa de su extrema dedicación al trabajo, perdió la visión del ojo
derecho, hecho que no afectó ni a la calidad ni al número de sus hallazgos. Hasta 1741, refinó los métodos y las
formas del cálculo integral que convirtió en una herramienta de fácil aplicación a problemas de física. En el
ámbito de la geometría desarrolló conceptos básicos como los del ortocentro, el circuncentro y el baricentro de
un triángulo, y revolucionó el tratamiento de las funciones trigonométricas. En el terreno del álgebra obtuvo así
mismo resultados destacados, como el de la reducción de una ecuación cúbica a una bicuadrada y el de la
determinación de la constante que lleva su nombre.
Matemático alemán. Estudió en las universidades de Heidelberg y de Berlín, asistiendo en esta última a los
cursos de Weierstrass, Kummer, Helmholtz y Kronecker. La tesis de Hilbert trataba de los invariantes
algebraicos. Viajó después a Leipzig, y a París, donde conoció a Henri Poincaré, Camille Jordan y Charles Hermite.
De regreso a Königsberg, en 1886 inició allí su carrera académica; siete años más tarde, cuando Lindemann
marchó a Berlín, Hilbert accedió al cargo de profesor ordinario por recomendación de Klein, por entonces
profesor en Gotinga; a esta universidad se incorporó también Hilbert en 1895, de nuevo por intervención de
Klein, y en ella desarrolló el resto de su carrera profesional. En Gotinga centró su atención en la geometría. En
su obra de 1899, dedicada a proporcionar a la geometría euclidiana una fundamentación estrictamente
axiomática, realizó el primer esfuerzo sistemático y global para hacer extensivo a la geometría el carácter
puramente formal que ya habían adquirido la aritmética y el análisis matemático.
Valores propios y vectores propios (eingenvalores y eingenvectores) de matrices reales y complejas
Definición
Sea A una matriz cuadrada, un número real λ se dice que es un valor propio o un eigenvalor o un valor
característico de A si existe un vector, diferente del vector cero, x tal que:
Ax = λx
En donde:
Un vector característico x (eigenvector) no puede ser cero, si fuese x= 0 ⃗ , entonces la definición carecería de
sentido, porque A0 =λ0 se cumple para todos los valores reales de λ.
A(cx)=c(Ax)=λc(x)=λ(cx)
A (nxn) con un eigenvalor 𝛌, entonces el conjunto de eigenvectores de 𝛌 junto con ⃗𝟎⃗, es un subespacio de 𝐑𝐧 ,
llamado espacio característico de 𝛌 o eigenespacio de 𝛌.
Para que Para que $ sea valor propio de la matriz cuadrada A, el sistema homogéneo (&) ha de tener
soluciones no triviales.
Los valores propios de una matriz cuadrada son las raíces de su polinomio característico
VALORES PROPIOS DE MATRICES TRIANGULARES:
En conclusión, si A es una matriz triangular, entonces sus eigenvectores son los elementos de la diagonal
principal.
RESUMEN:
𝜆 es uneigenvalor de A.
𝐸𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 (𝜆𝐼 − 𝐴)𝑥 = 0 tiene soluciones no triviales.
𝐸𝑛 𝑅 𝑛 exite un vector x diferente de cero tal que Ax= 𝜆𝑥.
𝜆 es una solución de la ecuación característica det(𝜆𝐼 − 𝐴) = 0.
Diagonalizacion de Matrices
PROCEDIMIENTO PARA DIAGONALIZAR:
Matriz Simétrica
Una matriz es simétrica si es una matriz cuadrada, la cual tiene la característica de ser igual a su traspuesta. Una
matriz de n*m elementos:
4 ejemplos.
Si A es una matriz simétrica de orden nxn. 𝛌𝟏 , 𝛌𝟐 son eigenvalores distintos de A, entonces sus eigenvectores
correspondientes x1 , x2 son ortogonales.
MATRIZ ORTOGONAL:
𝑷−𝟏 = 𝑷𝑻
Teorema:
Una matriz P nxn es ortogonal si y solo si sus vectores columna forman un conjunto ortonormal.
Ejercicio 1:
√12 √12
< 𝑝1 , 𝑝2 >= − + =0
12 12
√6 √6
< 𝑝1 , 𝑝3 >= − =0
6 6
6 −2
𝐴=[ ]
−2 3
Eigenvalores:
𝜆−6 2
[ ]=( 𝜆 − 6)( 𝜆 − 3)-4, 𝜆 = 7, 𝜆 = 2
2 𝜆−3
Eigenvectores:
1 2 1 2 −2
𝝀=𝟕 [ ]=[ ]X, = t[ ] → 𝒖𝟏
2 4 0 0 1
−4 2 2 −1 1
𝝀=𝟐 [ ]=[ ]X, = t[ ] → 𝒖𝟐
2 −1 0 0 2
Ortonormalización 𝒖𝟏 , 𝒖𝟐 :
𝑖 𝑗 (1,2) (−1,−2)
Obtención 𝑉2 | | = 𝑖 + 2𝑗 = (1,2) = =
−2 1 √5 √5
𝒖 (−2,1)
Obtención 𝑉1 𝑉1 = ‖𝒖𝟏‖=
𝟏 √5
−1/√5 −2/√5
𝑃=[ ]
−2/√5 1/√5
Ejercicio 4:
0 10 10
A=[10 5 0]
10 0 −5
Eigenvalores:
𝜆 −10 −10
[−10 𝜆 − 5 0 ] =𝜆(𝜆2 − 25) − 100(𝜆 − 5) − 100(𝜆 + 5)
−10 0 𝜆+5
Eigenvectores:
0 −10 −10 1 0 −1/2 1/2 1
𝝀=0 [−10 −5 0 ] = [0 1 1 ] = 𝑡 [ −1 ]=[−2] → 𝒖𝟏
−10 0 5 0 0 0 1 2
15 −10 −10 1 0 1 2
𝝀=15 [−10 10 0 ] = [0 1 −2] = 𝑡 [2] → 𝒖𝟐
−10 0 20 0 0 0 1
Ortonormalización 𝒖𝟏 , 𝒖𝟐 :
𝑖 𝑗 𝑘
Obtención 𝑉3 |1 −2 2| = −6𝑖 + 3𝑗 + 6𝑘
2 2 1
−6,3,6 2 −1 2
𝑉3 = =( , , )
9 3 3 3
𝑖 𝑗 𝑘
Obtención 𝑉2 | 1 −2 2| = −18𝑖 − 18𝑗 − 9𝑘
−6 3 6
−18,−18,−9 2 2 1
𝑉2 = =(− , − , − )
27 3 3 3
𝒖 (1,−2,2)
Obtención 𝑉1 𝑉1 = ‖𝒖𝟏‖=
𝟏 3
Obtener 𝐴100 .
−7 6
𝐴=[ ]
−9 8
𝜆+7 −6
det(𝐼𝐴 − 𝜆) = [ ]=
9 𝜆−8
𝜆2 − 8𝜆 + 7𝜆 − 56 + 54 =
𝜆2 − 𝜆 − 2 = 0
(𝜆 − 2)(𝜆 + 1) = 0
𝜆1 = 2
𝜆2 = −1
Si 𝜆 = 2 :
9 −6 𝜆1 0
[ ][ ] = [ ]
9 −6 𝜆2 0
9𝜆1 = −6𝜆2
9
𝜆1 = 𝑡 𝜆2 = 𝜆
6 1
2
𝑡=[ ]
3
Si 𝜆 = −1 :
6 −6 𝜆1 0
[ ][ ] = [ ]
9 −9 𝜆2 0
6𝜆1 = 6𝜆2
𝜆1 = 𝑡 𝜆2 = 𝑡
1
𝑡=[ ]
1
1 2⋮1 0 1 2⋮ 1 0 1 0⋮ 3 −2
𝑃=[ ]=[ ]=[ ]
1 3⋮0 1 0 1⋮−1 1 0 1⋮−1 1
𝐷 = 𝑃 −1 𝐴𝑃
3 −2 −7 6 1 2 −3 2 1 2 −1 0
𝐷=[ ][ ][ ]=[ ][ ]=[ ]
−1 1 −9 8 1 3 −1 2 1 3 0 2
Entonces:
1 2 (−1)100 0 3 −2
𝐴100 = 𝑃𝐷100 𝑃 −1 = [ ][ ][ ]
1 3 0 2100 −1 1
101
𝐴100 = [ 3 − 2 100 −2 + 2101 ]
3 − 3. 2 −2 + 3. 2100
Matrices Unitarias, matrices normales, y matrices hermitianas
MATRIZ UNITARIA:
Una matriz unitaria es una matriz compleja, U de n por n elementos, que satisface la
condición:
𝑈 𝑇 𝑈 = 𝑈𝑈 𝑇 = 𝐼𝑛
Comúnmente se utilizan matrices para elaborar modelos de crecimiento de una población en un tiempo
determinado, estas matrices permiten el agrupamiento por edades de sus elementos, lo que implica diferentes
tasas de fertilidad y mortalidad. Primero se debe agrupar la población en clases de edad de la misma duración,
obteniendo así n elementos de esta manera:
x1
x2
X=[ ⋮ ] xi = numero en la clase de la iésima edad
xn
𝐿
[0, ] = 𝑐𝑙𝑎𝑠𝑒 𝑝𝑟𝑖𝑚𝑒𝑟𝑎 𝑒𝑑𝑎𝑑
𝑛
𝐿 2𝐿
[ , ] = 𝑐𝑙𝑎𝑠𝑒 𝑠𝑒𝑔𝑢𝑛𝑑𝑎 𝑒𝑑𝑎𝑑
𝑛 𝑛
(𝑛 − 1)𝐿
[ , 𝐿] = 𝑐𝑙𝑎𝑠𝑒 𝑛 − é𝑠𝑖𝑚𝑎 𝑒𝑑𝑎𝑑
𝑛
En el periodo L/n años, la probabilidad de que un elemento sobreviva y pase a la siguiente clase está dada por
𝑝𝑖 , donde:
0≤ 𝑝𝑖 ≤ 1, 𝑖 = 1,2, … , 𝑛 − 1
0≤ 𝑏𝑖 , 𝑖 = 1,2, … , 𝑛
𝑏1 𝑏2 … 𝑏𝑛−1 𝑏𝑛
𝑝1 0 . 0 0
𝐴= 0 𝑝2 . 0 0
. . . . .
[0 0 . 𝑝𝑛−1 0]
Si multiplicamos la matriz de transición de edades por el vector distribución de edades (x) en un periodo
específico, obtenemos el vector distribución de edades para el siguiente periodo, en forma simbólico esto es:
A𝑥𝑖 = 𝑥𝑖+1
EJERCICIOS:
Ejercicio 1:
a) Un tercio sobrevive el primer mes, de estos un medio sobrevive el segundo y la duración de vida de los
insectos es tres meses.
b) El primer mes su descendencia media es 1º , en el segundo 5 y el tercero1
c) Actualmente hay 18 insectos de edad un mes, 12 de 2 meses y 8 de 3 meses.
18
Vector distribución edades 𝑥 = [12]
8
10 5 1
1
Matriz trascendencia edades 𝐴 = [ 3 0 0]
1
0 0
2
10 5 1
1 18 248
0 0
𝑥2 = 3 [12] = [ 6 ]
1 8 6
[ 0 2 0]
Respuesta: La población dentro de un mes será: 248 de edad menor a un mes, 6 entre uno y dos meses y 6
mayores a dos meses pero menores a tres.
Ejercicio 2:
10 5 1
1 248 2516
0 0
𝑥3 = 3 [ 6 ] = [ 83 ]
1 6 3
[0 2 0]
10 5 1
1 2516 25578
0 0
𝑥4 = 3 [ 83 ] = [ 839 ]
1 3 42
[0 2
0]
Respuesta: La población dentro de cuatro meses será de 25578 insectos de edad menor a un mes, 839 insectos
comprendidos entre uno y dos meses, y 42 insectos mayores a dos meses y menores a tres.
Ejercicio 3:
0 3 4
12
1 0 0
𝐴=[ 1 ] 𝑥1 = [12]
0 0 12
2
𝑥2 = 𝐴 ∗ 𝑥1
0 3 4
12 84
1 0 0
𝑥2 = [ 1 ] [12] = [12]
0 0 12 6
2
𝑥3 = 𝐴 ∗ 𝑥2
0 3 4
84 60
1 0 0
𝑥3 = [ 1 ] [ 12 ] = [ 84]
0 0 6 6
2
Respuesta: La distribución de edades para el tercer año será de 60 habitantes en la clase de primera edad, 84
en la clase de segunda edad y 6 en la clase de tercera edad.
Ejercicio 4:
Encuentre una distribución de edades estable para la transición de edades del ejercicio anterior.
𝑥2 = 𝐴 ∗ 𝑥1 =𝜆𝑥1
Determinamos un eigenvalor de A:
𝜆 −3 −4
| −1 𝜆 0 |=𝜆3 − 3𝜆 − 2
1
0 − 𝜆
2
2 −3 −4 1 −2 0
2 −3 −4 3 1 −2 0
−1 2 0
[ 1 ] = [1 −2 0 ] = [1 − −2] = [0 1 −4]
0 − 2 0 1 −4 2 0 0 0
2 0 1 −4
8
=t[4] = vector de distribución de edades que ocaciona estabilida.
1
Comprobación:
0 3 4
8 16
1 0 0
𝐴 ∗ 𝑥1 = [ 1 ] [4] = [ 8 ] → incremento estable
0 0 1 2
2
Ejercicio 5:
75% sobrevive el primer año, de estos el 25% el 2do año sobrevive, la población vive un máximo de
tres años.
Cada miembro tiene descendencia media 2 el primer año, 4 el segundo y 2 el tercero.
Actualmente son 120 individuos en cada etapa de vida.
¿Cuántos habitantes habrá en el lapso de un año?
2 4 2
A=[0.75 0 0]
0 0.25 0
El vector de distribución de edades es:
120
X=[120]
120
Habitantes en un año=𝑥2 = 𝐴𝑥
2 4 2 120 960
= [0.75 0 0] [120]=[ 90 ]
0 0.25 0 120 30
Respuesta: Habrá 960 habitantes menores a un año, 90 entre uno y dos años y 30 mayores a dos años, pero
menores a tres.
𝑎𝑥 2 + 𝑏𝑥𝑦 + 𝑐𝑦 2 + 𝑑𝑥 + 𝑒𝑦 + 𝑓 = 0
En donde si b≠ 0, podemos reemplazar la ecuación por una más sencilla sin término 𝑥𝑦:
2 2
𝑎′𝑥 ′ + 𝑐′𝑦 ′ + 𝑑′𝑥′ + 𝑒′𝑦′ + 𝑓′ = 0
𝑎 𝑏/2
A=[ ], la matriz A se llama matriz de la forma cuadrática
𝑏/2 𝑐
La matriz A es simétrica siempre, por definición y A será diagonal solo si no contiene termino xy, por lo que no
sería necesaria la rotación de ejes
𝑥
Sea: 𝑋 = [𝑦], entonces 𝑎𝑥 2 + 𝑏𝑥𝑦 + 𝑐𝑦 2 + 𝑑𝑥 + 𝑒𝑦 + 𝑓 = 0, puede escribirse:
𝑦] [ 𝑎 𝑏/2 𝑥 𝑥
𝑋 𝑡 𝐴𝑋 + [𝑑 𝑒]𝑋 + 𝑓 = [𝑥 ] [𝑦] + [𝑑 𝑒] [𝑦]+f
𝑏/2 𝑐
𝑥′
Se establece que: 𝑃 𝑇 𝑋 = 𝑋 ′ = [ ] , 𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑋 = 𝑃𝑋 ′
𝑦′
𝑋 𝑇 𝐴𝑋 = (𝑃𝑋 ′ )𝐴(𝑃𝑋 ′ )
= (𝑋′)𝑇 𝑃 𝑇 𝐴𝑃𝑋 ′
= (𝑋′)𝑇 𝐷𝑋 ′
Se debe elegir la matriz ortogonal P, tal que |𝑃| = 1, esto se logra al cambiar el signo a una de sus columnas, de
esta manera P representará:
cos 𝜃 −𝑠𝑒𝑛𝜃
𝑃=[ ]
𝑠𝑒𝑛𝜃 𝑐𝑜𝑠𝜃
Donde 𝜃 es el ángulo de rotación del sistema medido desde el eje positivo x, al eje positivo x’
𝜆1 0
𝑃 𝑇 𝐴P=[ ]
0 𝜆2
EJERCICIOS:
Ejercicio 1:
a) 10xy - 10y2 + 4x – 48 = 0
0 5
A=[ ]
5 −10
b) 12x2 - 5xy - x + 2y - 20 = 0
12 −5/2
A=[ ]
−5/2 0
Ejemplo 2:
Obtenga la matriz A de la forma cuadrática asociada en la ecuación dada. Encuentre los eigenvalores de A y una
matriz ortogonal tal que PTAP sea diagonal.
16 −12 𝜆 − 16 12
A=[ ], Ecuación característica: [ ]
−12 9 12 𝜆−9
Polinomio característico: (𝜆 − 16)( 𝜆 − 9) -144 = 0
Eigenvalores: 𝝀 = 𝟎, 𝝀 = 𝟐𝟓
Eigenvectores:
Ortonormalización:
𝑖 𝑗 3 4 3
Obtención 𝑣2 =[3 ]= i− = ( ,− )
1 4j 5 5
4
𝑢 3 4
Obtención 𝑣1 = ‖𝑢1‖ = ,
1 5 5
4 3
5 5
La matriz P=[ 3 4]=matriz ortogonal, pues |𝑃| = 1
−
5 5
Ejercicio 3:
Use el teorema de los ejes principales para efectuar una rotación de ejes eliminando el término xy, identifique
la cónica rotada y su nueva ecuación.
13𝑥 2 − 8𝑥𝑦 + 7𝑦 2 − 45 = 0
La matriz P
13 −4 𝜆 − 13 4
[ ]=[ ] =( 𝜆 − 13)( 𝜆 − 7)-16
−4 7 4 𝜆−7
𝜆 = 15, 𝜆=5
Eigenvectores:
−8 4 2 −1 2
𝜆 =5[ ]=[ ] = [ ]=𝑢1
4 −2 0 0 1
2 4 1 4 −4
𝜆 = 15 [ ]=[ ] = [ ]=𝑢2
4 8 0 0 1
Ortonormalización:
𝑖 𝑗 1,−2
Obtención 𝑣2 =[ ] = i − 2j =
2 1 √5
𝑢 2,1
Obtención 𝑣1 = ‖𝑢1‖ =
1 √5
2 1
−
P=[√5
1
√5
2 ]
√5 √5
Ecuación rotada:
5𝑥′2 + 15𝑦′2 − 45 = 0
Ejercicio 4:
Efectúe rotación de ejes para simplificar la ecuación, identifique el ángulo de rotación e identifique el tipo de
cónica.
2 2 𝜆 − 2 −2
La matriz cuadrática A=[ ], ecua característica: | |
2 2 −2 𝜆 − 2
Eigenvectores:
−2 −2 1 1 1
𝜆 = 0, [ ]=[ ]=[ ]
−2 −2 0 0 −1
2 −2 1 −1 1
𝜆 = 4, [ ]=[ ]=[ ]
−2 2 0 0 1
Ortonormalización:
𝑖 𝑗 1,−1
Obtención 𝑣2 =[ ] = i−j =
1 1 √2
𝑢 1,1
Obtención 𝑣1 = ‖𝑢1‖ =
1 √2
1 1
√2 √2
La matriz P= [ 1 1 ],
|𝑃| = 1
−
√2 √2
Ecuación rotada:
1 1
4𝑦′2 + [6√2 √2 √2 [𝑥 ′ ] + 4 = 0
2√2] 1 1 𝑦′
−
[ √2 √2]
4𝑦′2 + 4𝑥 ′ + 8𝑦 ′ + 4 = 0
Indicador I=0, género parábola
Ejercicio5:
Efectúe una rotación de ejes para eliminar el término xy en la ecuación cuadrática:
13𝑥 2 − 10𝑥𝑦 + 13𝑦 2 − 72 = 0
(𝜆 − 8)(𝜆 − 18)
Se concluye que los valores característicos de A son λ1=8 y λ2=18. Por tanto, la ecuación de la cónica rotada es:
8(𝑥′)2 + 18(𝑦 ′ )2 − 72 = 0
1 −1
𝑃 = √2 √2 = [cos 𝜃 − sin 𝜃
]
1 1 sin 𝜃 cos 𝜃
[√2 √2 ]
1
Primero, observe que P 1 , lo cual implica que P es una rotación. Además, dado cos 45𝑜 = √2 = sin 𝜃45𝑜 ,
se concluye que 0, como se indica en la fig. 2
La matriz ortogonal P especificada en el teorema de los ejes principales no es única. Sus elementos dependen
del orden de los valores característicos λ1 y λ2 y de la elección posterior de los valores característicos x1 y x2.
Así en la solución del ejemplo anterior hubiera funcionado cualquier elección de P.
𝑥1 𝑥2 𝑥1 𝑥2 𝑥1 𝑥2
−1 1 −1 −1 1 −1
√2 √2 √2 √2 √2 √2
−1 −1 1 −1 −1 1
[ √2 √2 ] [ √2 √2 ] [ √2 √2 ]