Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2.4 Ecuaciones de Eigenvalores: y X y X
2.4 Ecuaciones de Eigenvalores: y X y X
4 ECUACIONES DE EIGENVALORES
(2.4_AL_T_062, Revisión: 15-10-06)
⎛ y ⎞ ⎛ 2 1 ⎞ ⎛ x1 ⎞
y = Ax ; en 2D esto es ⎜ 1 ⎟ = ⎜ ⎟⎜ ⎟
⎝ y2 ⎠ ⎝ 1 2 ⎠ ⎝ x2 ⎠
x A y
⎛1 ⎞ ⎛ 2⎞
Ejemplo 1. Si x = ⎜ ⎟ , y = ⎜ ⎟
⎝0⎠ ⎝1 ⎠
A
(2,1)
(1,0)
De acuerdo a las operaciones básicas entre vectores, podemos ver que el vector x gira y se
alarga: el giro está dado por tan-1(½), mientras que la magnitud es ahora y = 3 x .
Podemos decir entonces que una matriz de nxn toma un radio-vector en Rn y lo transforma
en otro vector de Rn que está girado y alargado.
101
⎛ 1⎞ ⎛ 3⎞
x = ⎜ ⎟ → y = Ax = ⎜ ⎟
⎝ 1⎠ ⎝ 3⎠
Nótese que el vector no gira, sólo se hace 3 veces más largo. El problema de eigenvalores
y eigenvectores (valores propios y vectores propios) consiste en encontrar los vectores que
no giran bajo una transformación (i.e., multiplicación por una matriz). El eigenvalor nos da
el cambio de longitud (nótese que si el eigenvalor es negativo se puede pensar en un giro de
π radianes o en una inversión).
∴ y = Ax = λ x, x ≠ 0 (0 → 0 , pues A0 = 0)
( A − λI ) existe ⇒ x = ( A − λ I ) 0 = 0 , i.e.,
−1 −1
Para resolver esto, notamos que si
( A − λI )
−1
obtenemos la solución trivial al problema. Por lo tanto, para que no exista
⇒ A − λI = 0 .
⎛2 1⎞ 2−λ 1
Ejemplo 2. A=⎜ ⎟, A − λ1 = =0
⎝1 2⎠ 1 2−λ
(2 − λ ) − 1 = 4 − 4λ + λ 2 − 1 = λ 2 − 4λ + 3 = ( λ − 3)( λ − 1) = 0
2
⎛2−3 1 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞ ⎛ −1 1 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
Para λ = 3 : ⎜ ⎟ ⎜ ⎟=⎜ ⎟⇒⎜ ⎟⎜ ⎟ = ⎜ ⎟
⎝ 1 2 − 3 ⎠ ⎝ x2 ⎠ ⎝ 0 ⎠ ⎝ 1 −1⎠ ⎝ x2 ⎠ ⎝ 0 ⎠
⎛α ⎞
⇒ x1 = x2 ⇒ x = ⎜ ⎟ , i.e., cualquier escalar α satisface esta condición.
⎝α ⎠
Es conveniente construir eigenvectores cuya longitud sea 1, i.e., normalizar los
eigenvectores:
⎛ 1 ⎞
1 ⎜ 2 ⎟⎟
x = α 2 + α 2 = 2α = 1 ⇒ α = , ∴ para λ = 3, e1 = ⎜
2 ⎜ 1 ⎟
⎜ ⎟
⎝ 2⎠
102
⎛ 2 − 1 1 ⎞ ⎛ x1 ⎞ ⎛1 1⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
Similarmente, para λ = 1: ⎜ ⎟⎜ ⎟ = ⎜ ⎟ ⎜ ⎟ = ⎜ ⎟ ⇒ x1 = − x2
⎝ 1 2 − 1⎠ ⎝ x2 ⎠ ⎝1 1⎠ ⎝ x2 ⎠ ⎝ 0 ⎠
⎛ −1 ⎞ ⎛ 1 ⎞
⎜ 2 ⎟⎟ ⎜ 2 ⎟⎟
eigenvector e 2 = ⎜ (Nótese que ⎜ también es eigenvector)
⎜ 1 ⎟ ⎜ −1 ⎟
⎜ ⎟ ⎜ ⎟
⎝ 2⎠ ⎝ 2⎠
Con los eigenvectores normalizados podemos construir la matriz modal si los acomodamos
por columnas, esto es:
⎛ 1 −1 ⎞
⎜ 2 2 ⎟⎟ ⎛ 3 0⎞
Q=⎜ ⇔ Λ=⎜ ⎟
⎜ 1 1 ⎟ ⎝0 1⎠
⎜ ⎟
⎝ 2 2⎠
Eigenvector Eigenvector
para λ = 3 para λ = 1
⎛ 2 1⎞
A=⎜ ⎟
⎝ 1 2⎠
Demostración.
Consideremos un par de eigenvalores λ j y sus correspondientes eigenvectores ej . De
acuerdo al problema general de eigenvalores Le j = λ j e j ; utilizando el producto interno
podemos establecer que:
103
( e , Le ) = ( e , λ e ) = λ ( e , e )
j j j j j j j j
( Le , e ) = ( λ e , e ) = λ ( e , e )
j j j j j j j j
Dado que L es auto-adjunto, podemos tomar la diferencia entre ambos productos internos
para establecer que:
( Le , e ) = ( e , L e ) = ( e , L e ) ⇒ 0 = ( λ
j j j
*
j j j j )
− λ j (ej , ej )
Puesto que e j ≠ 0, (e , e ) ≠ 0
j j ⇒ λ j = λ j , y los eigenvalores son reales.
( Le , e ) = ( λ e , e ) = λ ( e , e )
i j i i j i i j
( e , Le ) = ( e , λ e ) = λ ( e , e ) = λ ( e , e ) (eigenvalores reales)
i j i j j j i j j i j
( Le , e ) − ( e , Le ) = 0 ⇒ 0 = ( λ − λ )( e , e )
i j i j i j i j
Si λi ≠ λ j ⇒ (e , e ) = 0
i j ∴ ei es ortogonal a ej .
∴ No importa si los eigenvalores son distintos o no, de cualquier manera los eigenvectores
son ortogonales.
∴ Construir eigenvectores ⇔ construir una base para el espacio con dimensiones finitas.
104
2.4.2 MÁS EJEMPLOS Y DEFINICIONES.
⎛a b⎞
A=⎜ ⎟ , → λ1,2 = a ± b
⎝b a⎠
⎛ 2 0 0⎞
Ejemplo 4. Consideremos ahora Ax = λ x , con A = ⎜⎜ 0 1 1 ⎟⎟
⎜0 1 1⎟
⎝ ⎠
Nótese que A está separada por bloques; para este tipo de matrices podemos reconocer la
forma de los eigenvectores y eigenvalores. En particular, en este caso podemos esperar que
uno de los eigenvectores sea λ=2. Los bloques pueden visualizarse de la siguiente manera:
⎛2 0 0⎞ ⎛1 ⎞
⎜ ⎟ ⎜ ⎟.
A= ⎜ 0 1 1 ⎟ , λ1=2 , con eigenvector asociado ⎜ 0⎟
⎜ ⎟ ⎜ 0⎟
⎜0 1 1⎟ ⎝ ⎠
⎝ ⎠
2−λ 0 0
Ecuación característica: A − λ I = 0 = 0 1− λ 1
0 1 1− λ
( )
⇒ ( 2 − λ ) (1 − λ ) − 1 = ( 2 − λ ) ( λ 2 − 2λ ) = −λ ( 2 − λ ) = 0
2 2
λ1 = 0, λ2 = 2, λ3 = 2 ← valores repetidos.
Eigenvectores:
Para λ1=0:
⎛2−0 0 0 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞
2x = 0 → x1 = 0
( A − λ1I ) x = 0 → ⎜ 0 1 − 0 1 ⎟⎟ ⎜⎜ x2 ⎟⎟ = ⎜⎜ 0 ⎟⎟ → 1
⎜
⎜ 0 x2 + x3 = 0 → x3 = − x2
⎝ 1 1 − 0 ⎟⎠ ⎜⎝ x3 ⎟⎠ ⎜⎝ 0 ⎟⎠
105
⎛ ⎞
⎜0 ⎟
⎛0 ⎞ ⎛0 ⎞ ⎜ ⎟
⎜ ⎟ x 1 ⎜ ⎟ ⎜ 1 ⎟
x = ⎜ α ⎟ , e1 = = α =
⎜ −α ⎟ x.x 2α ⎜⎜ ⎟⎟ ⎜⎜ 2 ⎟⎟
⎝ ⎠ ⎝ −α ⎠
⎜ −1 ⎟
⎜ ⎟
⎝ 2⎠
⎛2−2 0 0 ⎞ ⎛ x1 ⎞ ⎛ 0 ⎞ ⎛β ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Para λ = 2 : ⎜ 0 1− 2 1 ⎟ ⎜ x2 ⎟ = ⎜ 0 ⎟ → − x2 + x3 = 0, x2 = x3 → x = ⎜ γ ⎟
⎜ 1 1 − 2 ⎠⎟ ⎝⎜ x3 ⎠⎟ ⎝⎜ 0 ⎠⎟ ⎜γ ⎟
⎝ 0 ⎝ ⎠
⎛ ⎞
⎜0 ⎟
⎛1 ⎞ ⎜ ⎟
⎜ ⎟ ⎜ 1 ⎟
e2 = ⎜ 0 ⎟ , e3 = ⎜
⎜0⎟ ⎜ 2 ⎟⎟
⎝ ⎠
⎜ 1 ⎟
⎜ ⎟
⎝ 2⎠
⎛ ⎞ ⎛ ⎞
⎜0 ⎟ ⎜0 ⎟
⎛ 2 0 0⎞ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ 1 ⎟ ⎜ −1 ⎟
Por lo tanto, para A = ⎜ 0 1 1 ⎟ tenemos λ1 = 0, e1 = ⎜ , o bien ⎜ 2 ⎟;
⎜0 1 1⎟ ⎜ 2 ⎟⎟ ⎜ ⎟
⎝ ⎠
⎜ −1 ⎟ ⎜ 1 ⎟
⎜ ⎟ ⎜ ⎟
⎝ 2⎠ ⎝ 2⎠
⎛ ⎞
⎜0 ⎟
⎛1 ⎞ ⎜ ⎟
⎜ ⎟ , y finalmente ⎜ 1 ⎟
λ2 = 2, e 2 = ⎜ 0 ⎟ λ3 = 2, e3 = ⎜ ⎟.
⎜0⎟ ⎜ 2 ⎟
⎝ ⎠
⎜ 1 ⎟
⎜ ⎟
⎝ 2⎠
En este ejemplo puede verse la utilidad de reconocer o agrupar bloques dentro de una
matriz para obtener los eigenvalores. El bloque de un solo elemento da automáticamente el
eigenvalor (en este caso 2) y en este caso en particular, es fácil reconocer la forma que debe
tener el eigenvector asociado. El bloque de 2x2 es una matriz simétrica, y de acuerdo al
ejemplo3, los eigenvalores son 0 y 2.
106
Los eigenvalores de un matriz nos dan información sobre el determinante. En particular, en
el ejemplo 4 encontramos que λ1 = 0 . Esto implica que A-1 no existe dado
que A = λ1λ2 λ3 = 0 . Para matrices de 3x3, la ecuación característica puede escribirse
como:
λ 3 − I1λ 2 + I 2 λ − I 3 = 0 ,
⎛ 1 1⎞
Ejemplo 5. Del ejemplo anterior podemos ver que para A = ⎜ ⎟ obtenemos:
⎝ 1 1⎠
107
⎛ 1 ⎞ ⎛ 1 ⎞
⎜ 2 ⎟ ⎜ 2 ⎟⎟
λ1 = 0, e1 = ⎜ ⎟ λ2 = 2, e2 = ⎜
⎜ 1 ⎟ ⎜ 1 ⎟
⎜− ⎟ ⎜ ⎟
⎝ 2⎠ ⎝ 2⎠
⎛1 0 1⎞ ⎛∆ ∆⎞
⎜ ⎟ ⎜ ⎟
A = ⎜ 0 2 0 ⎟ ⇒ tenemos 2 bloques ⎜ ⎟
⎜1 0 1⎟ ⎜∆ ∆ ⎟⎠
⎝ ⎠ ⎝
⎛ 1 ⎞ ⎛ 1 ⎞
⎜ 2⎟ ⎛0⎞ ⎜ 2⎟
⎜ ⎟ ⎜ ⎟
λ = 0, e1 = ⎜ 0 ⎟ ; λ = 2, e2 = ⎜⎜ 1 ⎟⎟ ; λ = 2, e3 = ⎜ 0 ⎟
⎜ −1 ⎟ ⎜0⎟ ⎜ 1 ⎟
⎜⎜ ⎟⎟ ⎝ ⎠ ⎜⎜ ⎟⎟
⎝ 2⎠ ⎝ 2⎠
⎛1 1 0 0⎞
⎜ ⎟
1 1 0 0⎟
Similarmente, si A = ⎜ obtenemos:
⎜0 0 1 1⎟
⎜⎜ ⎟
⎝0 0 1 1 ⎟⎠
⎛ 1 ⎞ ⎛ 0 ⎞ ⎛ 1 ⎞ ⎛ 0 ⎞
⎜ 2 ⎟ ⎜ ⎟ ⎜ 2⎟ ⎜ ⎟
⎜ ⎟ ⎜ 0 ⎟ ⎜ ⎟ ⎜ 0 ⎟
⎜ 1 ⎟ ⎜ 1 ⎟ ⎜ 1 ⎟ ⎜ 1 ⎟
λ1 = 0, e1 = ⎜ − ⎟ ; λ2 = 0, e 2 = ⎜ ⎟ ; λ3 = 2, e3 = ⎜ ⎟ ; λ4 = 2, e 4 = ⎜ ⎟
2 2
⎜ ⎟ ⎜ 2 ⎟ ⎜ ⎟ ⎜ 2⎟
⎜ 0 ⎟ ⎜ 1 ⎟ ⎜ 0 ⎟ ⎜ 1 ⎟
⎜ 0 ⎟ ⎜− ⎟ ⎜ 0 ⎟ ⎜ ⎟
⎝ ⎠ ⎝ 2⎠ ⎝ ⎠ ⎝ 2⎠
108
⎛1 0 1 0⎞
⎜ ⎟
0 1 0 1⎟ ⎛ 1 1⎞
A=⎜ , tenemos 2 bloques intercalados de ⎜ ⎟.
⎜1 0 1 0⎟ ⎝ 1 1⎠
⎜⎜ ⎟
⎝0 1 0 1 ⎟⎠
ei ⊥ e j , ei = 1 ⇒ ( e ,e ) = δ
i j ij
Además, los eigenvectores {e1 ,e 2 , ...,e n } forman base para Rn. Analicemos ahora la matriz
modal y la matriz diagonal de eigenvalores asociada, ambas definidas por:
⎛ λ1 0 " 0⎞
⎜ ⎟
0 λ2 " 0⎟
Q ≡ ( ( e1 ) ( e2 ) " ( en ) ) ⇔ Λ≡⎜
⎜# # % # ⎟
⎜⎜ ⎟
⎝0 0 " λn ⎟⎠
Se puede ver que la matriz modal es una matriz ortogonal, i.e., Q−1 = QT pues:
El determinante es ±1 → QT Q = I, QT Q = Q = 1, Q = ±1 .
2
(1)
(2) No cambia la longitud de vectores. Supongamos que
y = Qx, y = (y , y) =
T
xT QT Qx = xT x = x
109
Con esto vemos entonces que la matriz modal Q sólo gira vectores.
Q QT AQ = QΛ
AQ = QΛ
Ae = λe, A 2e = A( Ae) = λ Ae = λ 2e
⎛ 0⎞ ⎛0⎞
⎜ ⎟ ⎜ ⎟
⎜ 0⎟ ⎜0⎟
En general: A e = λ e . Nótese también que Aek = ( QΛQ ) ek = QΛ ⎜ 1 ⎟ = Q ⎜ λk ⎟ = λk ek
n n T
⎜ ⎟ ⎜ ⎟
⎜#⎟ ⎜ # ⎟
⎜ 0⎟ ⎜0⎟
⎝ ⎠ ⎝ ⎠
110
⎛ λ1m 0 " ⎞ 0
⎜ ⎟
0 λ m
" 0
Donde: Λ = ⎜
m 2 ⎟
⎜ 0 0 % ⎟ 0
⎜⎜ ⎟
⎝ 0 0 " λnm ⎟⎠
2
1 1 1
⎛ 1⎞ 1
Nótese que A ⋅ A = QΛ Q QΛ Q = Q ⎜ Λ 2 ⎟ QT = QΛQT = A
2 2 2 T 2 T
⎝ ⎠
En general, esta descomposición de la matriz A permite realizar cualquier operación
matricial manipulando únicamente la matriz diagonal de eigenvalores. Supongamos, por
ejemplo, que queremos evaluar 2 A 2 − 3A . Utilizando la descomposición se obtiene:
A2
e A
≡I+A+ + ...
2!
Λ2 T ⎛ Λ2 ⎞
e A
= QIQT + QΛQT + Q Q +" = Q ⎜ I + Λ + + ... ⎟ QT
2 ⎝ 2 ⎠
111
⎛ eλ1 0 " 0 ⎞
⎜ λ2 ⎟
" 0 ⎟
≡⎜
0 e
⇒ e A = Q e Λ QT , e Λ
⎜ # # % 0 ⎟
⎜⎜ ⎟
⎝ 0 0 " eλn ⎟⎠
2.4.4 APLICACIONES.
⎛2 1⎞
a) Consideremos Ax = c, A=⎜ ⎟ . Para resolver este problema podemos:
⎝1 2⎠
1) Despejar x = A−1c (i.e., utilizar álgebra matricial).
⎛ 1 ⎞ ⎛ 1 ⎞
⎜− 2 ⎟ ⎜ 2⎟
λ1 = 1, e1 = ⎜ ⎟, λ2 = 3, e 2 = ⎜ ⎟
⎜ 1 ⎟ ⎜ 1 ⎟
⎜+ ⎟ ⎜ ⎟
⎝ 2⎠ ⎝ 2⎠
Nótese que la matriz es auto-adjunta y, por lo tanto, los eigenvectores son base ortonormal
(ON) para el espacio vectorial. Esto implica que podemos expresar cualquier otro vector
como una combinación lineal de ellos. Consideremos, por ejemplo:
c = ( c, e1 ) e1 + ( c, e 2 ) e 2 , x = α e1 + β e2
∴α =
( c, e1 ) β = ( c, e2 )
λ1 λ2
⎛ 1⎞ 1 1 2
Supongamos que c = ⎜ ⎟ , ⇒ ( c, e1 ) = 0, ( c, e2 ) = + = = 2
⎝ 1⎠ 2 2 2
⎛ 1 ⎞ ⎛1⎞
2 2⎜ 2 ⎟⎟ ⎜ 3 ⎟
Por lo tanto: α = 0, β = ⇒ x= ⎜ =⎜ ⎟
3 3 ⎜ 1 ⎟ ⎜1⎟
⎜ ⎟ ⎜ ⎟
⎝ 2 ⎠ ⎝3⎠
112
Podemos hacer de nuevo una eigen-expansión:
c = ∑ ( c, e k ) e k , x = ∑ α k e k , Ax = A ( ∑ α k e k ) = ∑ α k Ae k = ∑ α k λk e k
El sistema es entonces:
∑ α k λk e k − Λ ∑ α k e k − ∑ ( c, ek ) e k = 0
∑ ⎡⎣α k ( λk − Λ ) − ( c, e k ) ⎤⎦ e k = 0, con e1 , e 2 ,..., e n LI
⎡⎣α1 ( λ − Λ ) − ( c, e1 ) ⎤⎦ e1 + ⎡⎣α 2 ( λ2 − Λ ) − ( c, e 2 ) ⎤⎦ e 2 + ... + [ ] e n = 0
Puesto que los vectores base son LI, cada uno de los coeficientes tiene que ser cero. Si
Λ ≠ λk , k = 1, 2, ... , entonces:
αk =
( c, ek ) , x = ∑ α k ek
λk − Λ
Si Λ = λ j , [ ] e1 + ... + ⎡⎣α j ( λ1 − Λ ) − ( c, e j )⎤⎦ e j + ... + [ ] en = 0, ( c, e j ) e j = 0
En este caso, si ( c, e j ) ≠ 0 el sistema no tiene solución; si ( c, e j ) = 0 , se puede añadir a la
solución para cualquier valor de ℘, i.e.:
⇒x=∑
n
( c, ek ) e +℘e j
k =1 λk − Λ k
k≠ j
k k k
m m
x1 x2
mx1 = − kx1 − k ( x1 − x2 )
mx2 = − kx2 − k ( x2 − x1 )
113
Consideremos el caso k = m = 1 ; las ecuaciones son ahora:
x1 + 2 x1 − x2 = 0
x¨2 + 2 x2 − x1 = 0
⎛ x1 ⎞ ⎛
x1 ⎞ ⎛ 2 −1⎞
x = ⎜ ⎟ , con A = ⎜
x + Ax = 0, x = ⎜ ⎟ , ⎟
⎝ x2 ⎠ ⎝ x2 ⎠ ⎝ −1 2 ⎠
⎛ 1 ⎞ ⎛ 1 ⎞
⎜ 2 ⎟⎟ ⎜ 2 ⎟
λ1 = 1, e1 = ⎜ , λ2 = 3, e1 = ⎜ ⎟
⎜ 1 ⎟ ⎜ 1 ⎟
⎜ ⎟ ⎜− ⎟
⎝ 2⎠ ⎝ 2⎠
⎛ 1 1 ⎞
⎜ 2 2 ⎟⎟
x = Qx´, Q = ⎜
⎜ 1 1 ⎟
⎜ − ⎟
⎝ 2 2⎠
x = Qx
´ ⇒ Qx
´+ AQx´= 0
x1´ + x1´ = 0,
x2´ + 3 x2´ = 0
114
⎛ 1 1 ⎞
⎛ x1 ⎞ ⎜
⎜ 2 2 ⎟⎟ ⎛⎜ A1 sen ( t + φ1 ) ⎞
⎟
= Qx =
⎜ ⎟
( )
´
⎝ 2⎠
x ⎜ 1 1 ⎟ ⎜ A2 sen 3 t + φ2 ⎟
⎜ − ⎟⎝ ⎠
⎝ 2 2⎠
⎛ x1 ⎞ ⎛ sen ( t + φ1 ) ⎞ (
⎛ sen 3 t + φ2) ⎞
⎜ ⎟ = c1 ⎜⎜ ⎟⎟ + c2 ⎜⎜ ⎟
⎝ 2⎠
x ⎝ sen ( ) ⎠ ⎜ − sen 3 t + φ2
t + φ
⎝ ( ) ⎟⎟
⎠
115