UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA

FACULTAD DE CIENCIAS MARINAS

P.E. Oceanólogo 6º ciclo
ÁLGEBRA LINEAL

UNIDAD V:
VALORES Y VECTORES PROPIOS
❑ Valores propios.
❑ Vectores propios.
❑ Aplicaciones
 APLICACIÓN 1: DIAGONALIZACIÓN DE MATRICES

Una matriz cuadrada 𝐴 ∈ ℳ(𝑛, ℝ) es diagonalizable si existe una matriz 𝑉 invertible y una matriz 𝐷 diagonal de
manera que se cumple:

𝐷 = 𝑉 −1 𝐴𝑉 ⟹ 𝐴 = 𝑉𝐷𝑉 −1

La matriz 𝐷 es una matriz diagonal en cuya diagonal principal se encuentran los valores propios de 𝐴; las columnas de
la matriz V son los vectores propios correspondientes, los cuales son linealmente independientes.

EJEMPLO:
5 6 −6
Sea la matriz 𝐴 = −3 −4 6 donde los valores propios son: 𝜆1 = 2 , 𝜆2 = −1 y los vectores propios
0 0 2
forman las bases:
−2 2 −1
ℬ𝜆1 =2 = 1 , 0 ℬ𝜆2 =−1 = 1
0 1 0

Las matrices 𝑉 y 𝐷 son:

−2 2 −1 2 0 0
𝑉= 1 0 1 𝐷= 0 2 0
0 1 0 0 0 −1

De manera que se cumple:

5 6 −6 −2 2 −1 2 0 0 −1 −1 2
𝐴 = −3 −4 6 = 1 0 1 0 2 0 0 0 1 = 𝑉𝐷𝑉 −1
0 0 2 0 1 0 0 0 −1 1 2 −2
2 Valores y vectores propios
 APLICACIÓN 2: SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES

Sea el siguiente sistema de ecuaciones diferenciales lineales, homogéneo con coeficientes constantes, donde las
variables dependientes son 𝑥(𝑡) y 𝑦(𝑡):

𝑥′ 𝑎 𝑏 𝑥
= 𝑦 ⟹ X ′ = AX
𝑦′ 𝑐 𝑑
➢ El procedimiento para calcular la solución tiene dos partes: cálculo de los valores propios y cálculo de los vectores
propios correspondientes.

➢ Para calcular los valores propios se calcula el determinante:

𝑑𝑒𝑡 𝐴 − 𝜆𝐼 = 0
el cual se denomina ECUACIÓN CARACTERÍSTICA.

➢ Para calcular los vectores propios, tendremos tres casos, dependiendo de si los valores propios son reales y
diferentes, reales e iguales o números complejos conjugados.

➢ Una vez obtenidos los valores propios y los correspondientes vectores propios se construye la solución general del
sistema.

3 Valores y vectores propios

 C 𝜆1 ≠ 𝜆2 ∈ ℝ
𝑘11 𝑘21
A • Vectores propios: 𝑨 − 𝜆1 𝑰 𝐾1 = 0 , 𝐾1 = 𝑘 𝑨 − 𝜆2 𝑰 𝐾2 = 0 𝐾2 =
𝑘22
12
S
O 𝑋 𝑡 = 𝐶1 𝐾1 𝑒 𝜆1 𝑡 + 𝐶2 𝐾2 𝑒 𝜆2 𝑡
• Solución:
1

C 𝜆1 = 𝜆2 = 𝜆 ∈ ℝ
𝑘1 𝑝1
A • Vectores propios: 𝑨 − 𝜆𝑰 𝐾 = 0 ,𝐾 = 𝑨 − 𝜆𝑰 𝑃Ԧ = 𝐾 𝑃Ԧ = 𝑝
𝑘2 2
S
O
• Solución: 𝑋 𝑡 = 𝐶1 𝐾 𝑒 𝜆 𝑡 + 𝐶2 𝐾 𝑡 + 𝑃Ԧ 𝑒 𝜆 𝑡
2

𝜆 = 𝛼 + 𝑖𝛽 ∈ ℂ
C 𝐵1 = 𝑅𝑒(𝐾 )
A • Vectores propios: 𝑨 − 𝜆𝑰 𝐾 = 0 𝐾1 = 𝑅𝑒 𝐾 + 𝑖 𝐼𝑚(𝐾 ) ∈ ℂ
𝐵2 = 𝐼𝑚(𝐾 )
S
𝑋1 = 𝑒 𝛼𝑡 𝐵1 𝑐𝑜𝑠 𝛽𝑡 − 𝐵2 𝑠𝑒𝑛 𝛽𝑡 𝑋2 = 𝑒 𝛼𝑡 𝐵2 𝑐𝑜𝑠 𝛽𝑡 + 𝐵1 𝑠𝑒𝑛 𝛽𝑡
O
3 • Solución: 𝑋 𝑡 = 𝐶1 𝑋1 (𝑡) + 𝐶2 𝑋2 (𝑡)

4 Valores y vectores propios

 APLICACIÓN 3: ANÁLISIS DE LAS COMPONENTES PRINCIPALES

➢ El análisis de componentes principales es una herramienta que se usa en análisis multivariado.

➢ Cuando se tienen varias variables en un mismo estudio, puede ocurrir que algunas de ellas pueden presentar una
alta 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 (positiva o negativa), mientras que otras pueden presentar baja correlación. Que dos variables
presenten una alta correlación significa que ambas dan información redundante acerca del mismo problema, es decir,
básicamente dan la misma información, por tanto, se puede eliminar una de ellas y así reducir el número de
variables.
➢ Se tiene un conjunto original de variables 𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒏 que presentan correlación entre sí. Este conjunto se puede

transformar en otro conjunto llamado conjunto de 𝒄𝒐𝒎𝒑𝒐𝒏𝒆𝒏𝒕𝒆 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍𝒆𝒔, 𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒑 , con 𝒑 < 𝒏, las cuales
no están correlacionadas.
➢ Las 𝒄𝒐𝒎𝒑𝒐𝒏𝒆𝒏𝒕𝒆𝒔 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍𝒆𝒔 se construyen como combinaciones lineales del conjunto de las variables
originales, de manera que podemos formar un sistema de ecuaciones:

𝒗𝟏 = 𝑎11 𝒖𝟏 + 𝑎12 𝒖𝟐 + ⋯ + 𝑎1𝑛 𝒖𝒏

𝒗𝟏 𝑎11 𝑎12 … 𝑎1𝑛 𝒖𝟏
𝒗𝟐 = 𝑎21 𝒖𝟏 + 𝑎22 𝒖𝟐 + ⋯ + 𝑎2𝑛 𝒖𝒏
𝒗𝟐 𝑎21 𝑎22 … 𝑎2𝑛 𝒖𝟐
⟹𝒗 = 𝐴𝒖 , donde 𝒗= ⋮ 𝐴= ⋮ ⋮ ⋱ ⋮ 𝒖= ⋮ 𝑐𝑜𝑛 𝑝<𝑛
⋮
𝒗𝒑 𝑎𝑝1 𝑎𝑝2 … 𝑎𝑝𝑛 𝒖𝒏
𝒗𝒑 = 𝑎𝑝1 𝒖𝟏 + 𝑎𝑝2 𝒖𝟐 + ⋯ + 𝑎𝑝𝑛 𝒖𝒏

Si calculamos los elementos de 𝐴, tendremos los valores de las nuevas variables 𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒑

5 Valores y vectores propios

 ¿Cómo calcular los elementos de la matriz A?

Las columnas de la matriz A corresponden a los vectores propios de la matriz de covarianzas 𝑪𝑶𝑽(𝒖𝒊 , 𝒖𝒋 ) la cual es
de una matriz cuadrada de orden 𝑝 y los valores propios de dicha matriz corresponden a las varianzas de las nuevas
variables 𝑽𝒂𝒓 𝒗𝒊 = 𝝀𝒊 .
Por tanto, utilizando lo que vimos sobre diagonalización de matrices:

2
𝜎11 𝜎12 … 𝜎1𝑝
𝜎21 2
𝜎22 … 𝜎2𝑝
𝐶𝑂𝑉 𝑢𝑖 , 𝑢𝑗 = 𝐴𝛬𝐴−1 =
⋮ ⋮ ⋱ ⋮2
𝜎𝑝1 𝜎𝑝2 … 𝜎𝑝𝑝
donde 𝜎𝑖𝑖2 = 𝑉𝑎𝑟(𝒖𝒊) es la varianza de la variable 𝒖𝒊 respecto a su media y 𝜎𝑖𝑗 = 𝐶𝑜𝑣(𝒖𝒊, 𝒖𝒋 ) es la covarianza de la
variable 𝒖𝒊 respecto a la variable 𝒖𝒋 :

σ𝑖,𝑗(𝑢𝑖 − 𝑢)(𝑢
ത 𝑗 − 𝑢ത ) σ𝑖 (𝑢𝑖 − 𝑢ത )2
𝜎𝑖𝑗 = , 𝜎𝑖𝑖2 =
𝑛 𝑛

Λ = 𝑉𝑎𝑟 𝒗 = 𝐴−1 𝐶𝑂𝑉 𝑢𝑖 , 𝑢𝑗 𝐴

𝜆1 0 … 0 𝑎11 𝑎12 … 𝑎1𝑛

0 𝜆2 … 0 𝑎21 𝑎22 … 𝑎2𝑛
Λ= , 𝐴=
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋱ ⋮
0 0 … 𝜆𝑝 𝑎𝑝1 𝑎𝑝2 … 𝑎𝑝𝑛

Una vez que se conoce las componentes de la matriz 𝐴, se pueden hacer las combinaciones lineales de las variables

𝒖𝟏 , 𝒖𝟐 , … , 𝒖𝒏 para obtener las nuevas variables 𝒗𝟏 , 𝒗𝟐 , … , 𝒗𝒑 no correlacionadas.

6 Valores y vectores propios
 EJEMPLO:
Supongamos que en diez diferentes puntos del Estero Punta Banda, Ensenada, B.C., se han tomado medidas de la
concentración de E. Coli y la turbidez del agua. Queremos saber si hay algún tipo de correlación entre ambas
variables.

TURBIDEZ CONCENTRACIÓN
(NTU) E. Coli /100 mL
➢ Se traza una elipse que contenga a
0.55 201
todos los puntos.
0.89 250
➢ Los ejes de la elipse son los
1.52 263
𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 y las longitudes de
2.01 244
dichos ejes son los 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠.
2.02 298

2,73 248 ➢ Cuanta mayor correlación haya entre

2.85 266 las variables, mayor diferencia habrá
3.78 309 entre las longitudes de los dos ejes.
3.97 341

➢ Una vez identificado el eje mayor de la elipse, se rota ésta

PC2
hasta que dicho eje se sitúa horizontalmente. Se traza un
PC1
nuevo eje correspondiente a una nueva variable que es
combinación lineal de las dos variables iniciales, la
turbidez y la concentración de E.Coli. A esta nueva
variable se le denomina 𝒄𝒐𝒎𝒑𝒐𝒏𝒆𝒏𝒕𝒆 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍 𝟏 (PC1). ➢ La componente principal PC1 contiene la mayoría de la
➢ Hay una segunda 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙 (PC2), la cual no información que proporcionan las variables originales.
está correlacionada con PC1. ➢ La componente principal PC2 contiene poca información.

7 Valores y vectores propios