VALORES PROPIOS Y VECTORES PROPIOS

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.

Joseph-Louis de Lagrange (Turín, 1736 - París, 1813)

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.

Leonhard Euler (Basilea, Suiza, 1707 - San Petersburgo, 1783)

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.

David Hilbert (Wehlan, actual Alemania, 1862 - Gotinga, id., 1943)

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:

x: Vector característico (eigenvector) de A

λ: Valor Característico (eigenvalor) de A
Es decir, es un vector que al transformarlo mediante la multiplicación por A el vector resultante mantiene su
dirección, posiblemente solo su longitud y/o sentido se modifique. El vector x se llama vector propio o
eigenvector asociado al valor propio λ.

Una matriz puede tener más de un valor característico.

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.

Sin embargo, si es posible un valor característico (eigenvalor) de λ=0

Si x es eigenvector, todo múltiplo escalar de x≠0, también es eigenvector de A:

A(cx)=c(Ax)=λc(x)=λ(cx)

Si x_ (1,) x_2 son eigenvectores correspondientes al mismo λ, su suma también lo es:

A( x_(1 )+x_2 )=Ax_(1 )+Ax_2=λx_(1 )+λx_2=λ( x_(1 )+x_2 )

ESPACIO CARACTERISTICO DE 𝛌:

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.

Determinación de los valores propios y polinomio característico

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:

Sea A una matriz triangular cualquiera:

𝑎11 𝑎12 … 𝑎1𝑛
0 𝑎22 … 𝑎2𝑛
… … … …
0 0 … 𝑎𝑛𝑛

Su ecuación característica: det(𝜆𝐼 − 𝐴) = 0

𝜆 − 𝑎11 −𝑎12 … −𝑎1𝑛

0 𝜆 − 𝑎22 … −𝑎2𝑛
| |
… … … …
0 0 … 𝜆 − 𝑎𝑛𝑛

=(𝜆 − 𝑎11 )( 𝜆 − 𝑎22 )(…)( 𝜆 − 𝑎𝑛𝑛 )

Por lo tanto los valores propios son:

𝜆 = 𝑎11 , 𝜆 = 𝑎22 , … 𝜆 = 𝑎𝑛𝑛

En conclusión, si A es una matriz triangular, entonces sus eigenvectores son los elementos de la diagonal
principal.

RESUMEN:

Las siguientes proposiciones son equivalentes:

 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:

1. Encontrar n eigenvectores LI de A: 𝑝1 , 𝑝2 … 𝑝𝑛 , si no existen n eigenvectores LI, entonces A no es

diagonalizable.
2. Formar la matriz P con sus vectores columna: 𝑝1 , 𝑝2 … 𝑝𝑛
3. La matriz 𝑃 −1 𝐴P será diagonal con 𝜆1 , 𝜆2 … 𝜆𝑛 en su diagonal, donde 𝜆𝑖 es el eigenvalor
correspondiente a 𝑝𝑖 , i=1,2,3…n (n eigenvectores)
 Matrices Simétricas y Diagonalizacion Ortogonal

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.

Si A es una matriz simétrica:

 Todos los eigenvalores de A son reales.

 Los eigenvectores de eigenespacios diferentes son ortogonales.

MATRIZ ORTOGONAL:

Una matriz P es ortogonal si es invertible y además su inversa es igual a la traspuesta de P:

𝑷−𝟏 = 𝑷𝑻

Teorema:
Una matriz P nxn es ortogonal si y solo si sus vectores columna forman un conjunto ortonormal.

Una matriz es diagonizable ortogonalmente si existe una matriz P tal que

P-1AP = D

PROCEDIMIENTO PARA DIAGONALIZAR ORTOGONALMENTE UNA MATRIZ A (NXN) SIMÉTRICA:

1. Determinar todos los eigenvalores de A y la multiplicidad de cada uno.

2. Para cada eigenvalor de multiplicidad 1 elegir un eigenvector y normalizarlos para obtener una base
ortonormal.
3. Para cada eigenvalor de multiplicidad 𝑘 ≥ 2 encontrar un conjunto de k vectores LI, que sean
ortonormales, aplicando el método de ortonormalizacion (Gram-Schmith), encontrando así bases
ortonormales para cada eigenespacio
 4. Las bases ortonormales obtenidas constituyen los vectores columna de la matriz P que debe satisfacer:
𝑃 −1 𝐴𝑃 = 𝑃 𝑡 𝐴𝑃 = 𝐷 (𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙)

Ejercicio 1:

Determine si la matriz dada es ortogonal.

√2⁄ − √6⁄6 √3⁄

2 3
0 √6⁄ √3⁄ Sus vectores columna deben formar un conjunto ortonormal
3 3
√2 √6⁄ − √3⁄3]
[ ⁄2 6

𝑝1 = (√2⁄2 , 0, √2⁄2), 𝑝2 = (− √6⁄6, √6⁄3 , √6⁄6), 𝑝3 =(√3⁄3, √3⁄3 , − √3⁄3)

√12 √12
< 𝑝1 , 𝑝2 >= − + =0
12 12

√6 √6
< 𝑝1 , 𝑝3 >= − =0
6 6

√18 √18 √18

< 𝑝2 , 𝑝3 >= − + − =0
18 9 18

‖𝑝1 ‖=< 𝑝1 , 𝑝1 >1/2 =2/2+2/4=1=1

‖𝑝2 ‖=< 𝑝2 , 𝑝2 >1/2 =6/36+6/9+6/36=1=1

‖𝑝3 ‖=< 𝑝3 , 𝑝3 >1/2 =3/9+3/9+3/9=1=1

∴ Sus vectores si forman un conjunto ortonormal y consecuentemente la matriz si es ortogonal.

Ejercicio 2:

Encuentre una matriz que diagonalice ortogonalmente a A.

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

La matriz ortogonal que diagonaliza a A es:

−1/√5 −2/√5
𝑃=[ ]
−2/√5 1/√5

Ejercicio 4:

Encuentre una matriz ortogonal P, tal que P 𝑇 AP diagonalice ortogonalmente a A.

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

𝝀=0, 𝝀=15, 𝝀=-15

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

−15 −10 −10 1 0 1 −1

𝝀=-15 [−10 −20 0 ] = [0 1 −1] = 𝑡 [ 1 ] → 𝒖𝟑
−10 0 −10 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

La matriz ortogonal que diagonaliza a A es:

1/3 −2/3 2/3

𝑃 = [−2/3 −2/3 −1/3]
2/3 −1/3 −2/3
Potencias de Matrices- Ecuaciones de diferencias
Ejercicio 1:

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

𝐴100 = [1 2101 ] [ 3 −2]

1 3. 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

donde 𝐼𝑛 en la matriz identidad y 𝑈 𝑇 es el traspuesto conjugado de U. esta condición

implica que una matriz U es unitaria si tiene inversa igual a si traspuesta conjugada 𝑈 ∗ .
 6.- APLICACIONES: Crecimiento de una población

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

Si L es el tiempo que vive un miembro del x clase edad; se establece:

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

El número de descendencia de un miembro es:

0≤ 𝑏𝑖 , 𝑖 = 1,2, … , 𝑛

Lo que en forma matricial puede representarse:

𝑏1 𝑏2 … 𝑏𝑛−1 𝑏𝑛
𝑝1 0 . 0 0
𝐴= 0 𝑝2 . 0 0
. . . . .
[0 0 . 𝑝𝑛−1 0]

Donde A=matriz de transición de edades

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:

Determine la población de insectos en un mes si:

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

Dentro de un mes 𝑥2 = 𝐴𝑥1

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:

Determine la población de insectos para el cuarto mes del ejercicio anterior.

El tercer mes estará determinado por: 𝑥3 = 𝐴𝑥2

El cuarto mes por lo tanto por: 𝑥4 = 𝐴𝑥3

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:

Dada la matriz A de transición de edades, y el vector x, vector de distribución de edades, encuentra la

distribución de edades para el tercer año.

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.

Ya que debe ser estable el crecimiento establecemos que:

𝑥2 = 𝐴 ∗ 𝑥1 =𝜆𝑥1

Determinamos un eigenvalor de A:

𝜆 −3 −4
| −1 𝜆 0 |=𝜆3 − 3𝜆 − 2
1
0 − 𝜆
2

En donde uno de sus eigenvalores es 𝝀 = 𝟐, trabajando con este valor

Un eigenvector correspondiente a 𝝀 = 𝟐, será:

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:

Una población presenta las siguientes características:

 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?

La matriz de transición de edades está dada por:

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.

7.- APLICACIONES: Formas Cuadráticas

Una ecuación cuadrática es de la forma:

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

Los coeficientes 𝑎′ , 𝑐′ son los valores característicos de la matriz:

𝑎 𝑏/2
A=[ ], la matriz A se llama matriz de la forma cuadrática
𝑏/2 𝑐

A la expresión 𝑎𝑥 2 + 𝑏𝑥𝑦 + 𝑐𝑦 2 se la llama forma cuadrática asociada con la ecuación cuadrática 𝑎𝑥 2 + 𝑐𝑦 2 +

𝑑𝑥 + 𝑒𝑦 + 𝑓 = 0

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

Se puede por lo tanto usar A para efectuar una 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

Dado que A es simétrica existe una matriz ortogonal tal que 𝑃 𝑇 𝐴𝑃 = 𝐷

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’

RESUMEN: Teorema de los ejes principales.

Para: 𝑎𝑥 2 + 𝑏𝑥𝑦 + 𝑐𝑦 2 + 𝑑𝑥 + 𝑒𝑦 + 𝑓 = 0, la rotación definida por X=PX’ que elimina el término xy si P es

matriz ortogonal con |𝑃| = 1, que diagonaliza A.

𝜆1 0
𝑃 𝑇 𝐴P=[ ]
0 𝜆2

Donde, la ecuación rotada es:

 𝝀𝟏 (𝒙′ )𝟐 + 𝝀𝟐 (𝒚′ )𝟐 + [𝒅 𝒆]𝑷𝑿′ + 𝒇 = 𝟎

EJERCICIOS:

Ejercicio 1:

Obtenga la matriz de la forma cuadrática asociada con la ecuación dada:

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.

16x2 - 24xy + 9y2 - 60x - 80y + 100=0

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:

−16 12 1 −3/4 1 −3/4 3/4

𝜆=0 [ ]=[ ]=[ ]=[ ]=𝑢1
12 −9 1 −3/4 0 0 1

9 12 1 4/3 1 4/3 −4/3

𝜆 = 25 [ ]=[ ]=[ ]= [ ]=𝑢2
12 16 1 4/3 0 0 1

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

Se debe transformar a 𝜆1 𝑥′2 + 𝜆2 𝑦′2 + [𝑑 𝑒]𝑃𝑋 ′ + 𝑓 = 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 + [0 0]𝑃𝑋 ′ − 45 = 0

5𝑥′2 + 15𝑦′2 − 45 = 0

Indicador: I=𝑏 2 − 4𝑎𝑐 = 0 − 4(5)(15) = (−) = 𝒈é𝒏𝒆𝒓𝒐 𝒆𝒍𝒊𝒑𝒔𝒆

Ejercicio 4:

Efectúe rotación de ejes para simplificar la ecuación, identifique el ángulo de rotación e identifique el tipo de
cónica.

2𝑥 2 + 4𝑥𝑦 + 2𝑦 2 + 6√2𝑥 + 2√2𝑦 + 4 = 0

2 2 𝜆 − 2 −2
La matriz cuadrática A=[ ], ecua característica: | |
2 2 −2 𝜆 − 2

Polinomio característico: 𝜆2 − 4𝜆, eigenvalores 𝜆 = 0, 𝜆 = 4

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

La matriz de la forma cuadrática asociada con esta ecuación es:

13 −5
𝐴=[ ]
−5 13

Como el polinomio característico de A es:

𝜆 − 13 5
| |
5 𝜆 − 13

(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

La cual, cuando se escribe en la forma estándar:

(𝑥 ′ )2 (𝑦 ′ )2
+ 2 =1
32 2

Se identifica como la ecuación de una elipse.

En el anterior ejercicio la matriz A tiene los vectores característicos x1  1,1 y x2   1,1 .

Al normalizar estos vectores para formar las columnas de P, se obtiene

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 ]

λ1=8, λ2=18 λ1=18, λ2=8 λ1=18, λ2=8

Ѳ=225° Ѳ=135° Ѳ=315°