1

ALGEBRA LINEAL

UNIDAD TRES-ACTIVIDAD DOS

1.4.7 MOMENTO COLABORATIVO ACTIVIDAD 2

DIANA MARCELA VALENCIA AGUIRRE

CC. 1.057.305.860
INGENIERÍA EN SEGURIDAD Y SALUD EN EL TRABAJO, FUNDACIÓN
UNIVERSITARIA SAN MATEO

ENERO 2021
 2

1. ¿Cómo podría utilizar los valores y vectores propios en biología y en física?

El cálculo de los valores propios y de los vectores propios de una matriz simétrica no solo
tiene gran importancia en las matemáticas y en la ingeniería, sino también en otras ramas
de ciencias, como lo son la biología y la física, el problema de la diagonalización de una
matriz, el cálculo de los momentos de inercia y de los ejes principales de inercia de un
sólido rígido, o de las frecuencias propias de oscilación de un sistema oscilante, El
álgebra matricial tiene muchos usos ya que proporciona herramientas elementales para
simplificar y resolver problemas donde intervienen un número elevado de datos., entre los
que cabe destacar,

En biología:

Se requieren en la biología para conocer la tendencia de un comportamiento de una

especie, es decir, si se desea conocer la tasa de desplazamientos o migraciones en
especies, y lo más relevante, mediante sistemas matriciales, es posible conocer
comportamientos de átomos, interacción de la luz con las diferentes partículas de la
materia, esto último conocido como biología cuántica.

En física, para tener un ejemplo sencillo, se necesitan valores y vectores propios, para un
sistema de fuerzas en un cuerpo estático y su diagramación para establecer su equilibrio, o
más conocido como diagrama de cuerpo libre como lo vimos en módulos anteriores.

Física:
 En la mecánica cuántica, la base es los valores y vectores propios. Los datos se
representan por operadores, En un cierto estado, se encuentra el valor propio A, y
el estado del sistema será la proyección del estado sobre el vector propio asociado
con A.
 b) Los péndulos: hay una Buena demostración con botellas oscilantes, que
depende de valores propios. Esto puede encontrarse bajo el tema “péndulos
acoplados”.
 c) En rotación de cuerpos rígidos, sin importar lo complicado que un objeto
parece, siempre hay al menos un conjunto de tres direcciones ortogonales
alrededor en las que el cuerpo puede rotar sin precesión, y para su cálculo se usan
vectores propios.
 d) Telecomunicaciones: El llamado algoritmo de “formación de rayos”, en el caso
de antenas múltiples, requiere el cálculo de vectores propios.

2. ¿Cómo puede utilizar los valores y vectores propios para diagonalizar matrices?
 3

En álgebra lineal, una matriz cuadrada "A" se dice que es diagonalizable si es semejante a una matriz

diagonal. Es decir, si mediante un cambio de base puede reducirse a una forma diagonal. En este caso, la
matriz podrá descomponerse de la forma . En donde "P" es una matriz invertible cuyos vectores
columna son vectores propios de A, y D es una matriz diagonal formada por los valores propios de A.

Si la matriz A es semejante ortogonalmente a una matriz diagonal, es decir, si la matriz P es ortogonal se

dice entonces que la matriz A es diagonalizable ortogonalmente, pudiendo escribirse como . El teorema
espectral garantiza que cualquier matriz cuadrada simétrica con coeficientes reales es ortogonalmente
diagonalizable. En este caso P está formada por una base ortonormal de vectores propios de la matriz
siendo los valores propios reales. La matriz P es por tanto ortogonal y los vectores filas de  son las
vectores columnas de P.

Para diagonalizar una matriz A es necesario encontrar sus valores y vectores propios puesto que se
deben encontrar las matrices P y D anteriormente mencionadas; la matriz D es una matriz diagonal
compuesta por los valores propios de A . Los vectores propios correspondientes a los valores propios en
D componen las columnas de la matriz P, resta calcular la matriz inversa de P y ya sabemos realizar
este procedimiento haciendo uso de los determinantes.

3 1
Veamos un ejemplo de diagonalización de matrices. Sea A=
2 2 [ ]
, encontremos sus

valores y vectores propios.

Para encontrar los valores propios de la matriz A se realiza el siguiente procedimiento

det 3 1 −λ 1 0 =0
( [ ] [ ])
2 2 0 1

det 3 1 − λ 0 =0
( [ ] [ ])
2 2 0 λ

det 3−λ 1 =0
([2 2−λ ])
( 3−λ ) ( 2−λ )−( 2 ) (1 )=0 λ 2−5 λ+4=0
 4

det 3−λ 1 =0
([2 2−λ ])
( 3−λ ) ( 2−λ )−( 2 ) (1 )=0 λ 2−5 λ+4=0

Encontramos las raíces del polinomio característico de A que es λ 2−5 λ+4=0. Las raíces

de este polinomio son λ=4 y λ=1 y con ellas formamos la matriz diagonal D= [ 40 01 ]
Ahora sustituimos cada uno de los valores de λ y encontramos los dos vectores propios

correspondientes a los valores propios obtenidos

 Para λ=4

3 1 1 0 x1 0
([ ] [ ][ ] []
2 2
−4 ¿
0 1 x2
=
0

3 1 4 0 x1 0
[ ][ ][ ][]
2 2
− ¿
0 4 x2
=
0

3−4 1 x 0
[ 2 ][ ] []
∗ 1=
2−4 x 2 0

−1 1 x 0
[ ][ ][]
∗ 1=
2 −2 x 2 0

Y obtenemos el siguiente sistema de ecuaciones

1.−x 1 + x 2=0

2. 2 x 1−2 x 2=0

De aquí se tiene que x 1=x 2 por tanto el vector propio es [ 11].

 5

 Para λ=1

[ 32 12]−1[ 10 01] ¿[ xx ]=[00 ]

1

[ 32 12]−[ 10 01] ¿ [ xx ]=[ 00]

1

3−1 1 x 0
[ 2
∗ 1=
2−1 x 2 0 ][ ] []
2 1 x1 0
[ ][ ] []
∗ =
2 1 x2 0

Y obtenemos el siguiente sistema de ecuaciones

1. 2 x 1 + x 2=0

2. 2 x 1 + x 2=0

−1 −1
De aquí se tiene que x 1=
2 [ ]
x 2 por tanto el vector propio es
2
.

Con estos dos vectores propios construimos la matriz

P= [ 11 −12 ]
Seguidamente hallamos P−1

2 1
P−1=
1
det ⁡(P)
1
∗Adj ( P )= ∗ 2 1 = 3
3 −1 1 −1
3
[ ] [ ] 3
1
3

Y así, podemos afirmar que A=PD P−1

 6

2 1 2 1
PD P−1= 1 −1 ∗ 4 0 ∗ 3
[
1 2 ][ ]
0 1 −1
3
[ ] [ ][ ] [
3 = 4 −1 ∗ 3
1
3
4 2 −1
3
3 = 3 1 =A
1
3
]
2 2

Referencias
https://moodlevirtual.sanmateovirtual.edu.co/RecursosISST/Algebra_Lineal/Unidad_3/Act_2/Co
ntexto/UV_GR_DOE_ALI_U03_2402_V01/UV_GR_DOE_ALI_U03_2402_V01.pdf
https://moodlevirtual.sanmateovirtual.edu.co/RecursosISST/Algebra_Lineal/Unidad_3/Act_2/Re
curso/UV_GR_DOE%20_%20ALI_U03_2403_V01/UV_GR_DOE%20_
%20ALI_U03_2403_V01.pdf
https://aga.frba.utn.edu.ar/diagonalizacion-de-una-matriz/