Vector, valor y

espacio propios

En álgebra lineal, los vectores propios,

eigenvectores o autovectores 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 recibe el nombre
valor propio, autovalor o valor
característico. A menudo, una
transformación queda completamente
determinada por sus vectores propios y
valores propios. Un espacio propio,
autoespacio o subespacio fundamental
asociado al valor propio es el conjunto
de vectores propios con un valor propio
común.

Fig. 1. En esta transformación de la Mona Lisa, la imagen se ha deformado de tal forma que su eje vertical no ha
cambiado. (nota: se han recortado las esquinas en la imagen de la derecha). El vector azul, representado por la flecha azul
que va desde el pecho hasta el hombro, ha cambiado de dirección, mientras que el rojo, representado por la flecha roja, no
ha cambiado. El vector rojo es entonces un vector propio de la transformación, mientras que el azul no lo es. Dado que el
vector rojo no ha cambiado de longitud, su valor propio es 1. Todos los vectores de esta misma dirección son vectores
propios, con el mismo valor propio. Forman un subespacio del espacio propio de este valor propio.
Etimología
La palabra alemana eigen (/'aj γen / (http
s://translate.google.es/#de/es/eigen) ),[1] ​
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. El uso del prefijo auto- es
un caso propio y singular que se da
solamente en español, portugués e
italiano. En otras lenguas (alemán,
neerlandés, inglés, francés, ruso, etc.)
nadie parece haber traducido eigen-
(propio, perteneciente a, etc.) por auto-
(que nada tiene que ver con la etimología
o el significado del prefijo eigen).

Introducción
Las transformaciones lineales del espacio
—como la rotación, la reflexión, el
ensanchamiento, o cualquier combinación
de las anteriores; en esta lista podrían
incluirse otras transformaciones— pueden
interpretarse mediante el efecto que
producen en los vectores. Los vectores
pueden visualizarse como flechas de una
cierta longitud apuntando en una dirección
y sentido determinados.

Los vectores propios de las

transformaciones lineales son vectores
que, o no son afectados por la
transformación o solo resultan
multiplicados por un escalar; y, por
tanto, no varían su dirección.[2] ​
El valor propio de un vector propio es el
factor de escala por el que ha sido
multiplicado.
 Un espacio propio es un espacio
formado por todos los vectores propios
del mismo valor propio, además del
vector nulo, que no es un vector propio.
La multiplicidad geométrica de un valor
propio es la dimensión del espacio
propio asociado.
El espectro de una transformación en
espacios vectoriales finitos es el
conjunto de todos sus valores propios.

Por ejemplo, un vector propio de una

rotación en tres dimensiones es un vector
situado en el eje de rotación sobre el cual
se realiza la rotación. El valor propio
correspondiente es 1 y el espacio propio
es el eje de giro. Como es un espacio de
una dimensión, su multiplicidad
geométrica es uno. Es el único valor propio
del espectro (de esta rotación) que es un
número real.

Definición

Formalmente, se definen los vectores

propios y valores propios de la siguiente
manera:

Sea un operador lineal en un

cierto -espacio vectorial y un vector
no nulo en . Si existe un escalar tal que
entonces decimos que es un vector
propio del operador A, y su valor propio
asociado es . Observe que si es un
vector propio con el valor propio
entonces cualquier múltiplo diferente de
cero de es también un vector propio con
el valor propio . De hecho, todos los
vectores propios con el valor propio
asociado junto con 0, forman un
subespacio de V, el «espacio propio» para
el valor propio . Observe además que un
espacio propio es un subespacio
invariante de , es decir dado un vector
 en , el vector también pertenece
a .

Ejemplos
A medida que la Tierra rota, los vectores
en el eje de rotación permanecen
invariantes. Si se considera la
transformación lineal que sufre la Tierra
tras una hora de rotación, una flecha que
partiera del centro de la Tierra al polo Sur
geográfico sería un vector propio de esta
transformación, pero una flecha que
partiera del centro a un punto del ecuador
no sería un vector propio. Dado que la
flecha que apunta al polo no cambia de
longitud por la rotación, su valor propio es
1.

Otro ejemplo sería una lámina de metal

que se expandiera uniformemente a partir
de un punto de tal manera que las
distancias desde cualquier punto al punto
fijo se duplicasen. Esta expansión es una
transformación con valor propio 2. Cada
vector desde el punto fijo a cualquier otro
es un vector propio, y el espacio propio es
el conjunto de todos esos vectores.
Una onda estacionaria en una cuerda fija en sus cabos o, más concretamente, una función propia de la transformación
correspondiente al transcurso del tiempo. A medida que varía el tiempo, la onda estacionaria varía en amplitud, pero su
período no se modifica. En este caso el valor propio es dependiente del tiempo.

Sin embargo, el espacio geométrico

tridimensional no es el único espacio
vectorial. Por ejemplo, considérese una
cuerda sujeta por sus extremos, como la
de un instrumento de cuerda (mostrada a
la derecha). La distancia de los átomos de
la cuerda vibrante desde sus posiciones
cuando ésta está en reposo pueden
interpretarse como componentes de un
vector en el espacio con tantas
dimensiones como átomos tenga dicha
cuerda.
Si se supone que la cuerda es un medio
continuo y se considera la transformación
de la cuerda en el transcurso del tiempo,
sus vectores propios o funciones propias
son sus ondas estacionarias—lo que,
mediante la intervención del aire
circundante, se puede interpretar como el
resultado de tañer una guitarra. Las ondas
estacionarias corresponden a oscilaciones
particulares de la cuerda tales que la
forma de la cuerda se escala por un factor
(el valor propio) con el paso del tiempo.
Cada componente del vector asociado con
la cuerda se multiplica por este factor
dependiente del tiempo. Las amplitudes
(valores propios) de las ondas
estacionarias decrecen con el tiempo si se
considera la atenuación. En este caso se
puede asociar un tiempo de vida al vector
propio, y relacionar el concepto de vector
propio con el concepto de resonancia.

Casos de interés especial

Intuitivamente, para las transformaciones
lineales del espacio de dos dimensiones
, los vectores propios son:

rotación: ningún vector propio de

valores reales (existen en cambio pares
valor propio, vector propio complejos).
reflexión: los vectores propios son
perpendiculares y paralelos al eje de
 simetría, los valores propios son -1 y 1,
respectivamente.
escalado uniforme: todos los vectores
son vectores propios, y el valor propio
es el factor de escala.
proyección sobre una recta: los vectores
propios con el valor propio 1 son
paralelos a la línea, vectores propios con
el valor propio 0 son perpendiculares a
la dirección de la proyección

Ecuación del valor propio

Matemáticamente, vλ es un vector propio y
λ el valor propio correspondiente de una
transformación T si verifica la ecuación:
donde T(vλ) es el vector obtenido al aplicar
la transformación T a vλ.

Supóngase que T es una transformación

lineal (lo que significa que
para
todos los escalares a, b, y los vectores v,
w). Considérese una base en ese espacio
vectorial. Entonces, T y vλ pueden
representarse en relación con esa base
mediante una matriz AT y un vector
columna vλ—un vector vertical
unidimensional. La ecuación de valor
propio en esta representación matricial se
representa de la siguiente forma:

donde la yuxtaposición es un producto de

matrices. Dado que en esta circunstancia
la transformación T y su representación
matricial AT son equivalentes, a menudo
podemos emplear solo T para la
representación matricial y la
transformación. Esto es equivalente a un
conjunto de n combinaciones lineales,
donde n es el número de vectores de la
base. En esta ecuación, tanto el valor
propio λ y las n componentes de vλ son
desconocidos. Sin embargo, a veces es
poco natural o incluso imposible escribir la
ecuación de valor propio en forma
matricial. Esto ocurre, por ejemplo, cuando
el espacio vectorial es de dimensión
infinita, como por ejemplo en el caso de la
cuerda mostrada anteriormente.
Dependiendo de la naturaleza de la
transformación T y el espacio al que se
aplica, puede ser ventajoso representar la
ecuación de valor propio como un
conjunto de ecuaciones diferenciales,
donde los vectores propios reciben a
menudo el nombre de autofunciones del
operador diferencial que representa a T.
Por ejemplo, la derivación misma es una
transformación lineal, ya que (si f(t) y g(t)
son funciones derivables y a y b son
constantes)

Considérese la diferenciación con

respecto a . Sus autofunciones h(t)
obedecen a la ecuación de valor propio:

donde λ es el autovalor asociado con la

función. Una función en el tiempo es
constante si , crece
proporcionalmente a sí misma si es
positiva, y decrece proporcionalmente a sí
misma si es negativa. Por ejemplo, una
población ideal de conejos engendra con
más frecuencia a medida que hay más
conejos, y por tanto satisface la ecuación
para lambda positivo.

La solución a la ecuación de valor propio

es , la función
exponencial; pues esa función es una
función propia del operador diferencial
d/dt con el valor propio λ. Si λ es negativa,
la evolución de g se denomina
decaimiento exponencial; si es positiva se
denomina crecimiento exponencial. El
valor de λ puede ser cualquier número
complejo. El espectro de d/dt es entonces
el plano complejo en su totalidad. En este
ejemplo el espacio vectorial en el que
actúa d/dt es el espacio de las funciones
derivables de una variable. Este espacio
tiene una dimensión infinita (pues no es
posible expresar cada función
diferenciable como combinación lineal de
un número finito de funciones base). No
obstante, el espacio propio asociado a un
valor propio determinado λ es
unidimensional. Es el conjunto de todas
las funciones , donde
A es una constante arbitraria, la población
inicial en t=0.
Teorema espectral
El teorema espectral muestra la
importancia de los valores propios y
vectores propios para caracterizar una
transformación lineal de forma única. En
su versión más simple, el teorema
espectral establece que, bajo unas
condiciones determinadas, una
transformación lineal puede expresarse
como la combinación lineal de los
vectores propios con coeficientes de valor
igual a los valores propios por el producto
escalar de los vectores propios por el
vector al que se aplica la transformación,
lo que puede escribirse como:
donde y
representan a los vectores propios y
valores propios de . El caso más simple
en el que tiene validez el teorema es
cuando la transformación lineal viene
dada por una matriz simétrica real o una
matriz hermítica compleja.

Si se define la enésima potencia de una

transformación como el resultado de
aplicarla n veces sucesivas, se puede
definir también el polinomio de las
transformaciones. Una versión más
general del teorema es que cualquier
polinomio P de es igual a:
El teorema puede extenderse a otras
funciones o transformaciones tales como
funciones analíticas, siendo el caso más
general las funciones de Borel.

Vectores propios y valores

propios de matrices

Cálculo de valores propios y vectores

propios de matrices

Si se quiere calcular los valores propios de

una matriz dada y ésta es pequeña, se
puede calcular simbólicamente usando el
polinomio característico. Sin embargo, a
menudo resulta imposible para matrices
extensas, caso en el que se debe usar un
método numérico.

Cálculo simbólico

Cálculo de los valores propios

Una herramienta importante para

encontrar valores propios de matrices
cuadradas es el polinomio característico:
decir que λ es un valor propio de A es
equivalente a decir que el sistema de
ecuaciones lineales A v = λ v → A v - λ v =
0 (factorizando por v queda) (A - λI) v = 0
(donde I es la matriz identidad) tiene una
solución no nula v (un vector propio), y de
esta forma es equivalente al determinante:
La función p(λ) = det(A - λI) es un
polinomio de λ pues los determinantes se
definen como sumas de productos. Este
es el polinomio característico de A: los
valores propios de una matriz son los
ceros de su polinomio característico.

Todos los valores propios de una matriz A

pueden calcularse resolviendo la ecuación
.

Si A es una matriz n×n, entonces tiene

grado n y A tiene como máximo n valores
propios.
El teorema fundamental del álgebra dice
que esta ecuación tiene exactamente n
raíces (ceros), teniendo en cuenta su
multiplicidad. Todos los polinomios reales
de grado impar tienen un número real
como raíz, así que para n impar toda
matriz real tiene al menos un valor propio
real. En el caso de las matrices reales,
para n par e impar, los valores propios no
reales son pares conjugados.

Cálculo de los vectores propios

Una vez que se conocen los valores

propios λ, los vectores propios se pueden
hallar resolviendo el sistema de
ecuaciones homogéneo:
Una forma más sencilla de obtener
vectores propios sin resolver un sistema
de ecuaciones lineales se basa en el
teorema de Cayley-Hamilton que establece
que cada matriz cuadrada satisface su
propio polinomio característico. Así, si
son los valores propios
de A se cumple que

por lo que los vectores columna de

son vectores
propios de .
 Ejemplo de matriz sin valores propios
reales

Un ejemplo de matriz sin valores propios

reales es la rotación de 90 grados en el
sentido de las manecillas del reloj:

cuyo polinomio característico es y

sus valores propios son el par de
conjugados complejos i, -i. Los vectores
propios asociados tampoco son reales.

Ejemplo

Considérese la matriz
que representa un operador lineal R³ → R³.
Si se desea computar todos los valores
propios de A, se podría empezar
determinando el polinomio característico:

y porque p(x) = - (x - 2)(x - 1)(x + 1) se ve

que los valores propios de A son 2, 1 y -1.
El teorema de Cayley-Hamilton establece
que cada matriz cuadrada satisface su
propio polinomio característico. Es decir

Efectivamente, para el caso del valor

propio 2, se puede comprobar que

de donde (1, 1, -1) es un vector propio

asociado a 2.
Cálculo numérico

En la práctica, los valores propios de las

matrices extensas no se calculan usando
el polinomio característico. Calcular el
polinomio resulta muy costoso, y extraer
las raíces exactas de un polinomio de
grado alto puede ser difícil de calcular y
expresar: el teorema de Abel-Ruffini
implica que las raíces de los polinomios
de grado alto (5 o superior) no pueden
expresarse usándose simplemente raíces
enésimas. Existen algoritmos eficientes
para aproximar raíces de polinomios, pero
pequeños errores en la estimación de los
valores propios pueden dar lugar a errores
grandes en los vectores propios. En
consecuencia, los algoritmos generales
para encontrar vectores propios y valores
propios son iterativos. La manera más
fácil es el método de las potencias: se
escoge un vector aleatorio y se calcula
una secuencia de vectores unitarios:

, , ,...

Esta sucesión casi siempre convergerá a

un vector propio correspondiente al mayor
valor propio. Este algoritmo es sencillo,
pero no demasiado útil aisladamente. Sin
embargo, hay métodos más populares,
como la descomposición QR, que se
basan en él.

Propiedades

Multiplicidad algebraica

La multiplicidad algebraica de un valor

propio λ de A es el orden de λ como cero
del polinomio característico de A; en otras
palabras, si λ es una de las raíces del
polinomio, es el número de factores (t − λ)
en el polinomio característico tras la
factorización. Una matriz n×n, con
entradas complejas, tiene n valores
propios, contados de acuerdo con su
multiplicidad algebraica, ya que su
polinomio característico tiene grado n.

Un valor propio de multiplicidad algebraica

1 recibe el nombre de "valor propio
simple".

Por ejemplo, se pueden encontrar

exposiciones como la siguiente en
artículos de teoría de matrices:

"los valores propios de una matriz A son

4,4,3,3,3,2,2,1,"

lo que significa que la multiplicidad

algebraica de 4 es dos, la de 3 es tres, la
de 2 es dos y la de 1 es uno. Se emplea
este estilo porque la multiplicidad
algebraica es la clave de muchas
demostraciones matemáticas en teoría de
matrices.

Anteriormente se ha definido la
multiplicidad geométrica de un valor
propio como la dimensión del espacio
propio asociado, o el núcleo (espacio
propio de los vectores propios del valor
propio nulo) de λI - A. La multiplicidad
algebraica también puede entenderse
como una dimensión: es la dimensión del
espacio propio generalizado (1.er sentido)
asociado, que es el núcleo de la matriz (λI
- A)k para k suficientemente grande. Es
decir, es el espacio de los vectores propios
generalizados (1.er sentido), donde un
vector propio generalizado es cualquier
vector que toma valor 0 sí λI - A se aplica
suficientes veces en sucesión. Cualquier
vector propio es un vector propio
generalizado, así que cualquier espacio
propio está contenido en el espacio propio
generalizado asociado. Esto proporciona
una demostración simple de que la
multiplicidad geométrica es siempre
menor o igual a la algebraica. El primer
sentido no debe de confundirse con el
problema de valores propios
generalizados tal y como se muestra más
adelante.
Por ejemplo:

Solo tiene un valor propio λ = 1. El

polinomio característico es , así
que este valor propio tiene multiplicidad
algebraica 2. Sin embargo, el espacio
propio asociado es el eje, que
normalmente recibe el nombre de eje x,

generado por el vector unitario , así

que la multiplicidad geométrica es 1.

Los vectores propios generalizados

pueden usarse para calcular la forma
normal de Jordan de una matriz
(comentado más adelante). El hecho de
que los bloques de Jordan en general no
son diagonales sino nilpotentes está
directamente relacionado con la distinción
entre vectores propios y vectores propios
generalizados.

Teoremas de descomposición para

matrices generales

El teorema de descomposición es una

versión del teorema espectral en una clase
concreta de matrices. Este teorema se
explica normalmente en términos de
transformación coordinada. Si U es una
matriz invertible, puede verse como una
transformación entre un sistema de
coordenadas a otro, donde las columnas
de U son las componentes de la nueva
base de vectores expresados en términos
de la base anterior. En este nuevo sistema
las coordenadas del vector se
representan por , que puede obtenerse
mediante la relación y, por otra
parte, se tiene . Aplicando
sucesivamente , y
, a la relación
proporciona con
, la representación de A en
la nueva base. En esta situación, se dice
que las matrices A y son semejantes.
El teorema de descomposición declara
que, si se eligen como columnas de
n vectores propios linealmente
independientes de A, la nueva matriz
es diagonal y sus
elementos en la diagonal son los valores
propios de A. Si esto es posible, entonces
A es una matriz diagonalizable. Un ejemplo
de una matriz no diagonalizable es la
matriz A ya mostrada:

Hay muchas generalizaciones de esta

descomposición que pueden tratar con el
caso no diagonalizable, diseñadas con
diferentes propósitos:

la descomposición de Schur declara que

toda matriz es equivalente a una matriz
triangular.
la descomposición en valores
singulares, donde es
diagonal con U y V matrices unitarias,
los elementos de la diagonal de
no son negativos y
reciben el nombre de valores singulares
de A. Esta descomposición también
puede hacerse en matrices no
cuadradas.
la forma normal de Jordan, donde
y no es diagonal sino
diagonal por bloques. El número y
tamaño de los bloques de Jordan están
determinados por las multiplicidades
geométrica y algebraica de los valores
propios. La descomposición de Jordan
es un resultado fundamental. A partir de
ella se puede deducir inmediatamente
que una matriz cuadrada está descrita
completamente por sus valores propios,
incluyendo la multiplicidad. Esto
muestra matemáticamente el
importante papel que desempeñan los
valores propios en el estudio de
matrices.
 como consecuencia inmediata de la
descomposición de Jordan, cualquier
matriz A puede escribirse de forma
única como A=S + N donde S es
diagonalizable, N es nilpotente (por
ejemplo, tal que Nq=0 para un cierto q), y
S cumple la propiedad conmutativa del
producto (SN=NS).
Otras propiedades de los valores propios

El espectro es invariante bajo

transformaciones semejantes: las
matrices A y P-1AP tienen los mismos
valores propios para cualquier matriz A y
cualquier matriz invertible P. El espectro
es también invariante a la trasposición de
las matrices: A y A T tienen los mismos
valores propios.

Dado que una transformación lineal en

espacios de dimensiones finitas es
biyectiva si y solo si es inyectiva, una
matriz es invertible si y solo si cero no es
un valor propio de la matriz.

Otras consecuencias de la
descomposición de Jordan son:

una matriz es matriz diagonalizable si y

solo si las multiplicidades geométrica y
algebraica coinciden para todos sus
valores propios. En particular una matriz
n×n que tiene n valores propios
diferentes es siempre diagonalizable;
Dado que la traza, o la suma de
elementos de la diagonal principal de
una matriz se preserva en la
equivalencia unitaria, la forma normal
de Jordan constata que es igual a la
suma de sus valores propios.
De forma similar, dado que los valores
propios de una matriz triangular son las
entradas de la diagonal principal su
determinante es igual al producto de los
valores propios (contados de acuerdo
con su multiplicidad algebraica).
Algunos ejemplos de la localización del
espectro de ciertas subclases de matrices
normales son:

Todos los valores propios de una matriz

hermítica (A = A*) son reales. Además,
todos los valores propios de una matriz
definida positiva son positivos;
Todos los valores propios de una matriz
antihermítica (A = −A*) son imaginarios
puros;
Todos los valores propios de una matriz
unitaria (A-1 = A*) tienen valor absoluto
uno;
Si A es una matriz m×n con m ≤ n, y B es
una matriz n×m, entonces BA tiene los
mismos valores propios de AB más n − m
valores propios nulos.

A cada matriz se le puede asociar una

norma vectorial, que depende de la norma
de su dominio, el operador norma de una
matriz cuadrada es una cota superior del
módulo de sus valores propios, y por tanto
de su radio espectral. Esta norma está
directamente relacionada con el método
de las potencias para calcular el valor
propio de mayor módulo. Para matrices
normales, el operador norma (la norma
euclídea) es el mayor módulo entre de sus
valores propios.

Vector propio conjugado

Un vector propio conjugado es un vector

que tras la transformación pasa a ser un
múltiple escalar de su conjugado, donde el
escalar recibe el nombre de valor propio
conjugado de la transformación lineal. Los
vectores propios y valores propios
conjugados representan esencialmente la
misma información y significado que los
vectores propios y valores propios, pero
aparecen cuando se utiliza un sistema de
coordenadas alternativo. La ecuación
correspondiente es:

Por ejemplo, en teoría de

electromagnetismo disperso, la
transformación lineal A representa la
acción efectuada por el objeto dispersor, y
los vectores propios representan los
estados de polarización de la onda
electromagnética. En óptica, el sistema
coordenado se define a partir del punto de
vista de la onda, y lleva a una ecuación de
valor propio regular, mientras que en radar,
el sistema coordenado se define desde el
punto de vista del radar, y da lugar a una
ecuación de valor propio conjugado.

Problema de valor propio

generalizado

Un problema de valor propio generalizado

(2º sentido) es de la forma

donde A y B son matrices. Los valores

propios generalizados (2º sentido) λ
pueden obtenerse resolviendo la ecuación
El conjunto de matrices de la forma
, donde es un número
complejo, recibe el nombre de lápiz si B es
invertible, entonces el problema original
puede escribirse en la forma

que es un problema de valores propios

estándar. Sin embargo, en la mayoría de
situaciones es preferible no realizar la
inversión, y resolver el problema de valor
propio generalizado con la configuración
original.

Si A y B son matrices simétricas con

entradas reales, entonces los valores
propios son reales. Esto se aprecia tan
fácilmente a partir de la segunda
formulación equivalente, pues la matriz
no es necesariamente simétrica si
A y B lo son.

La aplicación de moleculares orbitales

expuesta más adelante proporciona un
ejemplo de este caso.

Entradas de un anillo

En una matriz cuadrada A con entradas de

un anillo, λ recibe el nombre de valor
propio por la derecha si existe un vector
columna x tal que Ax=λx, o un valor propio
por la izquierda si existe un vector fila no
nulo y tal que yA=yλ.

Si el anillo es conmutativo, los valores

propios por la izquierda son iguales a los
valores propios por la derecha y se les
llama simplemente valores propios.

Espacios de dimensión
infinita

Fig. 3. Espectro de absorción de un átomo de calcio. Los picos corresponden, en teoría, al espectro discreto (series de
Rydberg) del hamiltoniano; la amplia estructura de la derecha se asocia al espectro continuo (ionización). Los resultados
experimentales asociados se han obtenido midiendo la intensidad de los rayos X absorbidos por un gas de átomos como
función de la energía de incidencia de los fotones en eV.[3] ​
Si el espacio vectorial es de dimensión
infinita, la noción de valores propios puede
generalizarse al concepto de espectro. El
espectro es el conjunto de escalares λ
para el que , no está
definido, esto es, tal que no
tiene inversa acotada.

Si λ es un valor propio de T, λ está en el

espectro de T. En general, el recíproco no
es verdadero. Hay operadores en los
espacios de Hilbert o Banach que no
tienen vectores propios. Por ejemplo,
tómese un desplazamiento bilateral en el
espacio de Hilbert ; ningún vector
propio potencial puede ser cuadrado-
sumable, así que no existe ninguno. Sin
embargo, cualquier operador lineal
acotado en un espacio de Banach V tiene
espectro no vacío. El espectro del
operador T V → V se define como

no es
invertible

Entonces σ(T) es un conjunto compacto

de números complejos, y es no vacío.
Cuando T es un operador compacto (y en
particular cuando T es un operador entre
espacios finito-dimensionales como
arriba), el espectro de T es igual que el
conjunto de sus valores propios.
En espacios de dimensión infinita, el
espectro de un operador acotado es
siempre no vacío, lo que también se
cumple para operadores adjuntos propios
no acotados. A través de su medida
espectral, el espectro de cualquier
operador adjunto propio, acotado o no,
puede descomponerse en sus partes
absolutamente continua, discreta, y
singular. El crecimiento exponencial
proporciona un ejemplo de un espectro
continuo, como en el caso anterior de la
cuerda vibrante. El átomo de hidrógeno es
un ejemplo en el que aparecen ambos
tipos de espectro. El estado ligado del
átomo de hidrógeno corresponde a la
parte discreta del espectro, mientras que
el proceso de ionización queda descrito
por la parte continua.

Aplicaciones
Ecuación de Schrödinger

La función de onda asociada a los estados ligados de un electrón en un átomo de hidrógeno puede verse como los
vectores propios del átomo de hidrógeno hamiltoniano así como al operador momento angular. Está asociada a los
valores propios interpretados como sus energías (incrementándose según n=1,2,3,...) y al momento angular
(incrementándose según s,p,d,...). Aquí se muestra el cuadrado del valor absoluto de las funciones de onda. Las áreas
más iluminadas corresponden a densidades de probabilidad más altas para una posición. El centro de cada figura es el
núcleo atómico, un protón.
Un ejemplo de una ecuación de valor
propio donde la transformación se
representa en términos de un operador
diferencial es la ecuación de Schrödinger
independiente del tiempo de la mecánica
cuántica:

Donde H, el Hamiltoniano, es un operador

diferencial de segundo orden y la
función de onda, es una de las funciones
propias correspondientes al valor propio E,
interpretado como la energía.

Sin embargo, en caso de que solo se

busquen soluciones para los estados
ligados de la ecuación de Schrödinger,
como suele ser el caso en química
cuántica, se buscará en el espacio de
las funciones de cuadrado integrable.
Dado que este espacio es un espacio de
Hilbert, con un producto escalar bien
definido, podemos introducir una base en
la que se puede representar y H como
un vector unidimensional y una matriz
respectivamente. Esto permite representar
la ecuación de Schrödinger en forma
matricial.

La notación bra-ket, utilizada a menudo en

este contexto, pone énfasis en la
diferencia entre el vector o estado y
su representación, la función . En este
contexto se escribe la ecuación de
Schrödinger

y se llama a un estado propio de H

(que a veces se representa como en
algunos libros de texto) que puede
interpretarse como una transformación en
lugar de una representación particular en
términos de operadores diferenciales. En
la ecuación expuesta, se
interpreta como el vector obtenido por
aplicación de la transformación H a .

Orbitales moleculares
En mecánica cuántica, y en particular en
física atómica y molecular, y en el
contexto de la teoría de Hartree-Fock, los
orbitales atómicos y moleculares pueden
definirse por los vectores propios del
operador de Fock. Los valores propios
correspondientes son interpretados como
potenciales de ionización a través del
teorema de Koopmans. En este caso, el
término vector propio se usa con un
significado más general, pues el operador
de Fock es explícitamente dependiente de
los orbitales y sus valores propios. Si se
quiere subrayar este aspecto se habla de
ecuación de valores propios implícitos.
Tales ecuaciones se resuelven
normalmente mediante un proceso
iterativo, llamado método de campo
consistente propio. En química cuántica a
menudo se representa la ecuación de
Hartree-Fock en una base no ortogonal.
Esta representación particular es un
problema de valor propio generalizado que
tiene el nombre de ecuaciones de
Roothaan.

Análisis factorial

En análisis factorial, los valores propios de

la matriz de covarianza corresponden a
los factores, y los valores propios a las
cargas. El análisis factorial es una técnica
estadística usada en ciencias sociales y
mercadotecnia, gestión de producto,
investigación operativa y otras ciencias
aplicadas que tratan con grandes
cantidades de datos. El objetivo es
explicar la mayor parte de la variabilidad
entre varias variables aleatorias
observables en términos de un número
menor de variables aleatorias no
observables llamadas factores. Las
variables aleatorias no observables se
modelan como combinaciones lineales de
los factores más términos de errores.
Caras propias, un ejemplo del uso de vectores propios.

Caras propias

En procesado de imagen, las imágenes

procesadas de caras pueden verse como
vectores cuyas componentes son la
luminancia de cada píxel. La dimensión de
este espacio vectorial es el número de
píxeles. Los vectores propios de la matriz
de covarianza asociada a un conjunto
amplio de imágenes normalizadas de
rostros se llaman caras propias. Son muy
útiles para expresar una imagen de un
rostro como la combinación lineal de
otras. Las caras propias proporcionan un
medio de aplicar compresión de datos a
los rostros, para propósitos de biometría.

Tensor de inercia

En mecánica, los vectores propios del

momento de inercia definen los ejes
principales de un cuerpo rígido. El tensor
de inercia es necesario para determinar la
rotación de un cuerpo rígido alrededor de
su centro de masa. Los valores propios
definen los momentos máximos y
mínimos obtenidos mediante el círculo de
Mohr.

Tensor de tensión

En mecánica de sólidos deformables, el

tensor de tensión es simétrico, así que
puede descomponerse en un tensor
diagonal cuyos valores propios en la
diagonal y los vectores propios forman
una base.

Valores propios de un grafo

En teoría espectral de grafos, un valor

propio de un grafo se define como un valor
propio de la matriz de adyacencia del
grafo A, o de la matriz Laplaciana del grafo
 , donde T es una
matriz diagonal que contiene el grado de
cada vértice, y en , 0 se substituye
por . El vector propio principal de un
grafo se usa para medir la centralidad de
sus vértices. Un ejemplo es el algoritmo
PageRank de Google. El vector propio
principal de una matriz de adyacencia
modificada del grafo de la web da el page
rank en sus componentes.

Véase también
Álgebra lineal
Aplicación lineal
Matriz (matemática)
 Operador lineal
Teorema espectral
Vector

Referencias
1. «Transcriptor fonético automático» (ht
tp://www.aucel.com/pln/) .
2. Dado que ninguna transformación
lineal tiene efecto sobre el vector nulo,
éste no se considera un vector propio.
3. Gorczyca, TW: "Auger Decay of the
Photoexcited Inner Shell Rydberg
Series in Neon, Chlorine, and Argon".
Abstracts of the 18th International
Conference on X-ray and Inner-Shell
 Processes, Chicago, agosto 23-27
(1999).

Bibliografía
Cohen-Tannoudji, Claude. Quantum
Mechanics, Wiley (1977). ISBN 0-471-
16432-1. Capítulo II: “The mathematical
tools of quantum mechanics”.
De Burgos, Juan. Álgebra lineal, Edit.
MacGraW-Hill (1993).
Fraleigh, John B. y Beauregard,
Raymond A. Linear Algebra (3.ª edición),
Addison-Wesley Publishing Company
(1995). ISBN 0-201-83999-7 (edición
internacional).
 Horn, Roger A. y Johnson, Charles R.
Matrix Analysis, Cambridge University
Press (1985). ISBN 0-521-30586-1.

Enlaces externos
Calculador en línea de autovalores (htt
p://www.mathstools.com/section/main/
system_equations_solver) by
www.mathstools.com
Autovectores en un "problema" de
Internet: Markov y Google, un artículo
divulgativo: "el secreto de Google y el
álgebra lineal" (http://www.uam.es/pers
onal_pdi/ciencias/gallardo/google_sem
a.pdf)
Un artículo de divulgación sobre la
Descomposición en Valores Singulares
(SVD), en La Gaceta de la RSME (https://
web.archive.org/web/20100408064449/
http://www.rsme.es/gacetadigital/englis
h/abrir.php?id=496)
En inglés
Weisstein, Eric W. «Eigenvector» (http://
mathworld.wolfram.com/Eigenvector.ht
ml) . En Weisstein, Eric W, ed.
MathWorld (en inglés). Wolfram
Research.
Earliest Known Uses of Some of the
Words of Mathematics: E - ver
 eigenvector y términos relacionados (htt
p://jeff560.tripod.com/e.html)
Online Matrix Calculator: Calculadora en
línea de valores propios, vectores
propios y otras descomposiciones de
matrices (https://web.archive.org/web/2
0081212221215/http://www.bluebit.gr/
matrix-calculator/)

Datos: Q190524

Obtenido de
«https://es.wikipedia.org/w/index.php?
title=Vector,_valor_y_espacio_propios&oldid=14913
2344»
Esta página se editó por última vez el 7 feb 2023 a
las 22:38. •
El contenido está disponible bajo la licencia CC
BY-SA 3.0 , salvo que se indique lo contrario.