Material de estudio

OCW 2018: Utilizando Mathematica

como apoyo al cálculo algebraico en los
grados de Ingeniería

Tema 6. Análisis espectral

Equipo docente del curso

Martín Yagüe, Luis
Unzueta Inchaurbe, Aitziber
Arrospide Zabala, Eneko
García Ramiro, María Begoña
Soto Merino, Juan Carlos
Alonso González, Erik

Departamento de Matemática Aplicada

Escuela de Ingeniería de Bilbao, Edificio II-I
 OCW2018: Utilizando Mathematica como apoyo
al cálculo algebraico en los grados de Ingeniería

TEMA 6. ANÁLISIS ESPECTRAL

Introducción

En este parte se presentan las funciones, definidas en Mathematica, que resultan útiles para facilitar
los cálculos necesarios en el proceso de diagonalización de matrices cuadradas.

Proceso de diagonalización

Polinomio característico de una matriz A n n

Es un polinomio de grado n en la variable Λ que se define como p Λ det A Λ n siendo A n n

una matriz cuadrada definida sobre el cuerpo de los números reales e n la matriz identidad de orden
n.
Se calcula con la función:

CharacteristicPolynomial. Calcula el polinomio característico de una matriz (m) en la

variable indicada (x).
Ejemplo. Calcular el polinomio característico de la matriz:
1 0 0 0
2 1 2 0
A
1 1 2 0
0 0 0 0
Definición de la matriz:

A 1, 0, 0, 0 , 2, 1, 2, 0 , 1, 1, 2, 0 , 0, 0, 0, 0 ;

MatrixForm A

1 0 0 0
2 1 2 0
1 1 2 0
0 0 0 0

Polinomio característico:

Con la función

p Λ CharacteristicPolynomial A, Λ

Λ2 2 Λ3 Λ4

Factor p Λ

1 Λ 2
Λ2

A partir de la definición y factorizando el resultado

Factor Det A Λ IdentityMatrix 4 ;

Solución:

pΛ Λ2 2 Λ3 Λ4 1 Λ 2 Λ2

1
 OCW2018: Utilizando Mathematica como apoyo
al cálculo algebraico en los grados de Ingeniería

Valores y vectores propios de una matriz A n n

Sea A n n una matriz cuadrada definida sobre el cuerpo de los números reales.

Un valor propio (también, valor característico, autovalor o eigenvalue) de la matriz A es todo

 
escalar Λ para el que existe, al menos, un vector no nulo tal que se verifica la igualdad: A v Λ v.
Un vector propio (también denominado, vector característico, autovector o eigenvector) de la
 
matriz A asociado al escalar Λ es todo vector no nulo que verifica la igualdad: A v Λ v.
El espectro de la matriz A es el conjunto formado por los valores propios de la matriz. Se denota
como Σ A .
La ecuación p Λ 0 se denomina ecuación característica de la matriz A. Sus raíces son los valores
propios de A. El órden (kΛ ) de un valor propio Λ es el número de veces que dicho valor propio es
solución de la ecuación característica (multiplicidad algebraica).
El conjunto de todos los vectores propios de una matriz A asociados a un valor propio Λ, junto con el
n
vector nulo, constituye un subespacio vectorial del -espacio vectorial denominado subespacio
propio asociado al valor propio Λ y se denota como:
  
S Λ v n
A v Λ v
Mathematica dispone de las siguientes funciones:

Eigenvalues. Devuelve una lista con los valores propios de una matriz (m) señalada como
argumento.
si un valor propio es múltiple aparece repetido en la lista tantas veces como sea su orden

Eigenvectors. Devuelve una lista con los vectores propios asociados a los valores propios de
una matriz (m) señalada como argumento.
aparecen en la lista tantos vectores como indica el orden de cada valor propio, por tanto,
bases de los subespacios propios asociados a los valores propios
si un valor propio es múltiple y no coincide su orden con la dimensión del subespacio
propio asociado (multiplicidad geométrica) entonces se completa la lista con vectores
nulos
Eigensystem. Devuelve una lista de listas:
primera lista: valores propios de la matriz (m) señalada como argumento

segunda lista: vectores propios asociados a los valores propios de la matriz

son válidas las consideraciones realizadas para los comandos Eigenvalues y

Eigenvectors

Ejemplo. Calcular los valores y vectores propios de la matriz:

1 0 0 0
2 1 2 0
A
1 1 2 0
0 0 0 0
Definición de la matriz:

A 1, 0, 0, 0 , 2, 1, 2, 0 , 1, 1, 2, 0 , 0, 0, 0, 0 ;

Valores propios:

Con la función

Eigenvalues A

1, 1, 0, 0

2
 OCW2018: Utilizando Mathematica como apoyo
al cálculo algebraico en los grados de Ingeniería

Resolviendo la ecuación característica

p Λ CharacteristicPolynomial A, Λ ;

Solve p Λ 0, Λ

Λ 0 , Λ 0 , Λ 1 , Λ 1

Espectro: Σ A Λ1 0 k1 2 , Λ2 1 k2 2

Vectores propios:

Eigenvectors A

1, 0, 1, 0 , 1, 1, 0, 0 , 0, 0, 0, 1 , 0, 2, 1, 0

Valores y vectores propios con Eigensystem:

Eigensystem A

1, 1, 0, 0 , 1, 0, 1, 0 , 1, 1, 0, 0 , 0, 0, 0, 1 , 0, 2, 1, 0

Subespacios propios y bases:

B1 0, 0, 0, 1 , 0, 2, 1, 0 B2 1, 0, 1, 0 , 1, 1, 0, 0
Λ1 0: Λ2 1:
dim S 0 2 dim S 1 2

Semejanza de matrices

Sean dos matrices cuadradas A, B n n .

Las matrices A y B son semejantes si existe una matriz invertible, Q n n , tal que se verifica la
1
igualdad: B Q A Q
Si dos matrices A y B son semejantes tienen el mismo rango, el mismo determinante y el mismo
polinomio característico (por tanto, el mismo espectro).
1 3 2 0
Ejemplo. Sean las matrices A ,B 2 2 . Calcular su espectro y determinar si
3 1 9 4
son semejantes.
Definición de las matrices:

A 1, 3 , 3, 1 ;B 2, 0 , 9, 4 ;

Polinomio característico:

pa Λ CharacteristicPolynomial A, Λ

8 2Λ Λ2

pb Λ CharacteristicPolynomial B, Λ

8 2Λ Λ2

Espectro:

Eigenvalues A

4, 2

Eigenvalues B

4, 2

3
 OCW2018: Utilizando Mathematica como apoyo
al cálculo algebraico en los grados de Ingeniería

Σ A Σ B Λ1 4 k1 1 , Λ2 2 k2 1
1
A, B semejantes Q 2 2 invertible  B Q A Q:

Q a, b , c, d ; matriz genérica cuadrada de orden 2

s Solve A.Q Q.B, a, b, c, d

Solve : Equations may not give solutions for all "solve" variables.

c a 3 b, d b

Q Q .s 1

a, b , a 3 b, b

MatrixForm Q

a b
a 3b b

Como Q debe ser invertible: det Q 0:

Solve Det Q 0, a, b

Solve : Equations may not give solutions for all "solve" variables.
2a
 b 0 , b 
3

Asignación de valores a los parámetros a y b (la matriz Q no es única):

Q1 Q . a 0, b 1 ; MatrixForm Q1 caso particular de matriz invertible

0 1
3 1

B Inverse Q1 .A.Q1

True

0 1 1
Las matrices son semejantes: Q tal que B Q A Q
3 1

Diagonalización por semejanza

Sea una matriz cuadrada A n n .

Una matriz A se dice diagonalizable si existe una matriz invertible, P n n , tal que se verifica
1
la igualdad D P A P, siendo D una matriz diagonal. Entonces, una matriz cuadrada A es diagonaliz-
able cuando es semejante a una matriz diagonal.
n
Se demuestra que una matriz A n n es diagonalizable si y sólo si existe una base de for-
mada por vectores propios de A. Esto ocurre cuando dim S Λi ki i.
Ejemplo. Determine justificadamente si es diagonalizable la matriz A:
1 0 0 0
2 1 2 0
A
1 1 2 0
0 0 0 0
La matriz A es diagonalizable dado que coinciden las multiplicidades algebraica y geométrica
para los dos valores propios; es decir, tienen asociados tantos vectores propios libres como
indica su orden: k1 2, k2 2 (obtenido en un ejemplo anterior)

4
 OCW2018: Utilizando Mathematica como apoyo
al cálculo algebraico en los grados de Ingeniería

A es diagonalizable dado que :  dim

dim
S 0
S 2
2
2
k1
k2

4
Base de formada por vectores propios:

A 1, 0, 0, 0 , 2, 1, 2, 0 , 1, 1, 2, 0 , 0, 0, 0, 0 ;

s Eigensystem A

1, 1, 0, 0 , 1, 0, 1, 0 , 1, 1, 0, 0 , 0, 0, 0, 1 , 0, 2, 1, 0

MatrixRank s 2

base s 2

1, 0, 1, 0 , 1, 1, 0, 0 , 0, 0, 0, 1 , 0, 2, 1, 0

4
Base de :B 4 1, 0, 1, 0 , 1, 1, 0, 0 , 0, 0, 0, 1 , 0, 2, 1, 0

Diagonalizar una matriz A consiste en hallar, si es posible, las matrices D y P que verifican la
1
igualdad: D P A P. La matriz de paso P se obtiene disponiendo en columnas los vectores propios
de una matriz diagonalizable. La matriz D presenta en la diagonal principal los valores propios en el
orden en que se han dispuesto los vectores propios en la matriz P.
Ejemplo. Diagonalizar la matriz A:
1 0 0 0
2 1 2 0
A
1 1 2 0
0 0 0 0
Del ejemplo anterior:

A 1, 0, 0, 0 , 2, 1, 2, 0 , 1, 1, 2, 0 , 0, 0, 0, 0 ;

s Eigensystem A

1, 1, 0, 0 , 1, 0, 1, 0 , 1, 1, 0, 0 , 0, 0, 0, 1 , 0, 2, 1, 0

Matriz de paso P:

P Transpose s 2 ;

MatrixForm P

1 1 0 0
0 1 0 2
1 0 0 1
0 0 1 0

Matriz diagonal D:

d DiagonalMatrix s 1

1, 0, 0, 0 , 0, 1, 0, 0 , 0, 0, 0, 0 , 0, 0, 0, 0

MatrixForm d

1 0 0 0
0 1 0 0
0 0 0 0
0 0 0 0

5
 OCW2018: Utilizando Mathematica como apoyo
al cálculo algebraico en los grados de Ingeniería

Comprobación:

d Inverse P .A.P

True

1 1 0 0 1 0 0 0
0 1 0 2 0 1 0 0
P D
1 0 0 1 0 0 0 0
0 0 1 0 0 0 0 0

Diagonalización de matrices reales simétricas

Matriz ortogonal

Una matriz real A aij  n n , cuadrada de orden n, es ortogonal si se verifica:

n
∆ij 1 si i j
air a jr ∆ij i, j 1, 2, ..., n donde 
∆ij 0 si i j
r 1

Si las filas (ó columnas) de una matriz ortogonal A se interpretan como n vectores de n componentes
el sumatorio anterior se interpreta como el producto escalar usual de dos de ellos:
el producto escalar de dos vectores diferentes es cero, es decir, son ortogonales

el resultado es uno cuando se multiplica un vector por sí mismo con lo que su norma es la
unidad, es decir, los vectores son unitarios
Entonces, una matriz real A es ortogonal si y sólo si sus vectores fila (ó vectores columna) consti-
tuyen un conjunto ortonormal de vectores.
Por tanto, puede definirse una matriz ortogonal como aquella matriz cuadrada, A aij  n n , de
T T
orden n que verifica A A A A n, siendo n la matriz identidad de orden n.
1
Entonces, una matriz ortogonal es invertible y, además, A AT .

Matriz simétrica

Una matriz real A n n , cuadrada de orden n, es simétrica si tiene iguales los elementos simétri-
cos respecto de la diagonal principal; entonces, A AT .
Una matriz A real y simétrica verifica las siguientes propiedades:

todos sus valores propios son reales

los vectores propios asociados a valores propios distintos de A son libres ortogonales
1
A es diagonalizable: P invertible tal que D P A P

Diagonalización por semejanza ortogonal

Sea una matriz cuadrada A n n . Se dice que A es ortogonalmente diagonalizable (o diagonal-

izable por semejanza ortogonal) si y sólo si existe una matriz P ortogonal y una matriz diagonal D
tales que D P 1
A P PT A P.
n
Dado que las columnas de toda matriz de diagonalización P están formadas por una base de
formada por vectores propios, se deduce que una matriz cuadrada es ortogonalmente diagonalizable
si y sólo si se puede encontrar una base de n formada por vectores propios ortonormales de A.

6
 OCW2018: Utilizando Mathematica como apoyo
al cálculo algebraico en los grados de Ingeniería

Se demuestra que una matriz cuadrada A n n es ortogonalmente diagonalizable si y sólo si es

simétrica.
Ejemplo. Diagonalizar por semejanza ortonormal la matriz simétrica A:
6 2 2
A 2 5 0
2 0 7
Definición de la matriz:

Clear A, s, P, d

A 6, 2, 2 , 2, 5, 0 , 2, 0, 7 ;

Valores y vectores propios:

s Eigensystem A

9, 6, 3 , 2, 1, 2 , 1, 2, 2 , 2, 2, 1

Base ortonormal de vectores propios:

bo Orthogonalize s 2

2 1 2 1 2 2 2 2 1
 , , ,  , , ,  , , 
3 3 3 3 3 3 3 3 3

Matriz de paso P:

P Transpose bo ;

MatrixForm P

2 1 2
3 3 3
1 2 2
3 3 3
2 2 1
3 3 3

Inverse P Transpose P

True

Matriz diagonal D:

d DiagonalMatrix s 1 ; MatrixForm d

9 0 0
0 6 0
0 0 3

Comprobación:

d Transpose P .A.P

True

2 1 2
3 3 3 9 0 0
1 2 2
P D 0 6 0
3 3 3
2 2 1 0 0 3
3 3 3

7
 OCW2018: Utilizando Mathematica como apoyo
al cálculo algebraico en los grados de Ingeniería

Teorema de Cayley-Hamilton

Polinomios matriciales

Se considera un polinomio escalar:

p x c0 c1 x c2 x2 ... ch 1 xh 1
ch xh donde c0 , c1 , c2 , ... , ch 1, ch
A partir de él puede definirse un polinomio de matrices, siendo n la matriz identidad de orden n:
2 h 1 h
p A c0 n c1 x c2 A ... ch 1 A ch A donde A n n

Se demuestra que toda operación realizada sobre el polinomio escalar también es válida para el
polinomio matricial.
Si p A 0 n n entonces se dice que la matriz A es un cero del polinomio p(x) o bien que p(x) es un
polinomio anulador de la matriz A.

Teorema

El teorema, debido a Arthur Cayley y William Hamilton, afirma que toda matriz cuadrada verifica su
ecuación característica. Es decir, el polinomio característico, p(Λ), de una matriz cuadrada A es un
polinomio anulador de A.

Ejemplo. Comprobar que la matriz A verifica el teorema de Cayley-Hamilton:

1 0 0 0
2 1 2 0
A
1 1 2 0
0 0 0 0
Definición de la matriz:

A 1, 0, 0, 0 , 2, 1, 2, 0 , 1, 1, 2, 0 , 0, 0, 0, 0 ;

Definición de la matriz nula:

nul Table 0, i, 4 , j, 4 ;

Polinomio característico:

p Λ CharacteristicPolynomial A, Λ

Λ2 2 Λ3 Λ4

MatrixPower A, 4 2 MatrixPower A, 3 A.A nul

True