Documentos de Académico
Documentos de Profesional
Documentos de Cultura
solución
3 2 1
𝑑𝑒𝑡𝐴 = อ1 −1 3 อ= 13
5 4 −2
7 2 1 3 7 1 3 2 7
𝑑𝑒𝑡𝐴1 = อ3 −1 3 อ, 𝑑𝑒𝑡𝐴2 = อ1 3 3 อ= 78, 𝑑𝑒𝑡𝐴3 = อ1 −1 3อ= 52
1 4 −2 5 1 −2 5 4 1
𝑑𝑒𝑡𝐴1 𝑑𝑒𝑡𝐴2 𝑑𝑒𝑡𝐴3
𝑥1 = = −3, 𝑥2 = = 6, 𝑥3 = =4
𝑑𝑒𝑡𝐴 𝑑𝑒𝑡𝐴 𝑑𝑒𝑡𝐴
7.8 El problema del valor propio
Si A es una matriz de 𝑛 × 𝑛 y K es una matriz 𝑛 × 1 (vector columna), entonces
el producto AK esta definido y es otra matriz de 𝑛 × 1. En muchas aplicaciones,
es importante determinar si existen matrices K de 𝑛 × 1 diferentes de cero tales
que el vector producto se un múltiplo constante 𝜆 con la propia K. A la situación
que se plantea resolver 𝐴𝐾 = 𝜆𝐾 para vectores K diferentes de cero se le llama
el problema del valor propio de la matriz A.
Definición. Valores propios y vectores propios.
Sea A una matriz 𝑛 × 𝑛. Se dice que un número 𝝀 es un valor propio de A si
existe un vector solución K diferente de cero del sistema lineal.
𝐴𝐾 = 𝜆𝐾
Se dice que el vector solución K es un vector propio que corresponde al valor
propio 𝜆. A los valores propios y vectores propios se les conoce también como
valores característicos y vectores característicos respectivamente.
También de
𝐴𝐾 = 𝜆𝐾
𝐴𝐾 − 𝜆𝐾 = 𝐴𝐾 − 𝜆𝐼𝐾 = ሺ𝐴 − 𝜆𝐼 ሻ𝐾 = 0
entonces
ሺ𝐴 − 𝜆𝐼 ሻ𝐾 = 0
EJEMPLO. Sea
0 −1 −3
𝐴= 2 3 3൩
−2 1 1
de la ecuación característica
ȁ𝐴 − 𝜆𝐼 ȁ = 0
0 −1 −3 𝜆 0 0 −𝜆 −1 −3
𝐴 − 𝜆𝐼 = 2 3 3 ൩− 0 𝜆 0 ൩= 2 3 − 𝜆 0 ൩
−2 1 1 0 0 𝜆 −2 1 1− 𝜆
3−𝜆
ȁ𝐴 − 𝜆𝐼 ȁ = ሺ−𝜆ሻ ቚ 0 2 0 2 3−𝜆
ቚ+ ቚ ቚ+ (−3) ቚ ቚ
1 1− 𝜆 −2 1 − 𝜆 −2 1
ȁ𝐴 − 𝜆𝐼 ȁ = −𝜆3 + 4𝜆2 − 11𝜆 + 14 = 0
las raíces o valores propios son
𝜆 = 2, 1 + 𝑗ξ 6, 1 − 𝑗ξ 6
de la ecuación
ሺ𝐴 − 𝜆𝐼 ሻ𝐾 = 0
haciendo
𝑘1
𝐾 = 𝑘2 ൩
𝑘3
para 𝜆 = 2
−2 −1 −3 𝑘1
2 1 3 ൩𝑘2 ൩= 0
−2 1 −1 𝑘3
−2𝑘1 − 𝑘2 − 3𝑘3 = 0
2𝑘1 + 𝑘2 + 3𝑘3 = 0
−2𝑘1 + 𝑘2 − 𝑘3 = 0
haciendo 𝑘1 = 1 entonces 𝑘2 = 1, 𝑘3 = −1, luego para el valor propio de 𝜆 = 2
corresponde el vector propio K
1
𝐾 = 1 ൩
−1
Teorema. Valores y vectores propios complejos
Sea A una matriz cuadrada con elementos reales. Si 𝜆 = 𝛼 + 𝑗𝛽, 𝛽 ≠ 0 es un
valor propuio complejo de A, entonces su conjugado 𝜆 = 𝛼 − 𝑗𝛽 también es un
valor propio de A. Si K es el vector propio correspondiente a 𝜆, entonces su
ഥ es un vector propio correspondiente a 𝜆, entonces su conjugado 𝐾
conjugado 𝐾 ഥ
es un vector propio correspondiente a 𝜆ҧ
.
En otras palabras, si 𝜆 = 𝛼 + 𝑗𝛽 es una raíz, entonces 𝜆 = 𝛼 − 𝑗𝛽 lo es también.
Ahora dejemos que K sea un vector propio de A correspondiente a 𝜆. Por
definición, 𝐴𝐾 = 𝜆𝐾. Calculando los conjugados complejos de la última ecuación
tenemos
ഥ= ഥ
𝐴ҧ
𝐾 𝜆𝐾 ഥ= ഥ
ഥ 𝑜 𝐴𝐾 𝜆𝐾ഥ
ഥ es un vector
puesto que A es una matriz real. La última ecuación muestra que 𝐾
propio correspondiente a 𝜆ҧ
.
EJEMPLO. Calcule los valores y vectores propios de
6 −1
𝐴=ቂ ቃ
5 4
solución
la ecuación característica es
6−𝜆 −1
detሺA − λIሻ = ቚ ቚ= 𝜆2 − 10𝜆 + 29 = 0
5 4−𝜆
𝜆 = 5 + 𝑗2, 5 − 𝑗2
𝜆1 = 5 + 𝑗2, 𝜆1ҧ= 5 − 𝑗2
Ahora para 𝜆1 = 5 + 𝑗2, debemos resolver
ሺ1 − 𝑗2ሻ𝑘1 − 𝑘2 = 0
5𝑘1 − (1 + 𝑗2)𝑘2 = 0
ya que 𝑘2 = (1 − 𝑗2)𝑘1∗ se puede deducir que, después de seleccionar 𝑘1 = 1,
ese vector propio es
1
𝐾1 = ൨
1 − 𝑗2
ഥ1 = 1 ൨
𝐾2 = 𝐾
1 + 𝑗2
Teorema. Matrices triangular y diagonal
Los valores propios de una matriz triangular superior, triangular inferior o
diagonal son los elementos de la diagonal principal.
Diagonalización
La pregunta fundamental que consideraremos en esta sección es:
Para una matriz A de 𝑛 × 𝑛. ¿podemos calcular una matriz no singular P de 𝑛 × 𝑛
tal que P −1 AP = D sea una matriz diagonal?
Una notación especial. Comenzamos con una notación abreviada para
representar el producto de dos matrices de 𝑛 × 𝑛. Esta notación será de gran
utilidad para demostrar el teorema principal de esta sección. Para efectos
ilustrativos, suponga que A y B son matrices de 2 × 2. Por lo tanto,
𝑎11 𝑎12 𝑏11 𝑏12 𝑎 𝑏 + 𝑎12 𝑏21 𝑎11 𝑏12 + 𝑎12 𝑏22
𝐴𝐵 = ቂ𝑎 𝑎22 ቃ𝑏21 ൨= 11 11 ൨
21 𝑏22 𝑎21 𝑏11 + 𝑎22 𝑏21 𝑎21 𝑏12 + 𝑎22 𝑏22
columna 1 columna 2
Si escribimos las columnas de la matriz B como los vectores
𝑏 𝑏
𝑋1 = 11 ൨, 𝑋2 = 12 ൨
𝑏21 𝑏22
entonces las columnas 1 2 del producto pueden expresarse mediante los
productos 𝐴𝑋1 y 𝐴𝑋2 . Esto es
𝐴𝐵 = ሾ𝐴𝑋1 𝐴𝑋2 ሿ
columna 1 columna 2
solución
la ecuación característica es 𝜆2 − 5𝜆 + 4 = 0, 𝜆1 = 1, 𝜆2 = 4
los vectores propios respectivamente son
3 1
𝐾1 = ቂ ቃ, 𝐾1 = ቂ ቃ
2 1
3 1
𝑃 = ሾ𝐾1 𝐾2 ሿ= ቂ ቃ
2 1
1 −1
𝑃−1 = ቂ ቃ
−2 3
1 0
𝐷 = 𝑃−1 𝐴𝑃 = ቂ ቃ
0 4
EJEMPLO. Valores propios repetidos, pero diagonalizables
0 1 0
𝐴 = 1 0 0൩
0 0 1
sus valores propios son 𝜆1 = −1, 𝜆2 = 1, 𝜆3 = 1
1 1 0
𝐾1 = −1൩, 𝐾2 = 1൩, 𝐾3 = 0൩
0 0 1
1 1 0
𝑃 = −1 1 0൩
0 0 1
−1 0 0
𝐷 = 0 1 0൩
0 0 1
Matrices simétricas. Una matriz simétrica A de 𝑛 × 𝑛 con elementos reales
siempre se puede diagonalizar. Lo anterior es una consecuencia del hecho de
que siempre podremos calcular 𝑛 vectores propios linealmente independientes
de dicha matriz. Además, puesto que podemos calcular 𝑛 vectores propios
mutuamente ortogonales, es posible usar una matriz ortogonal P para
diagonalizar A. Se dice que una matriz simétrica es diagonalizable
ortogonalmente.
Teorema. Criterio para la diagonalización ortogonal
Una matriz A de 𝑛 × 𝑛 puede ser diagonalizada ortogonalmente si y solo si A es
simétrica.
Demostración parcial. Se demostrará la parte necesaria del teorema.
Supongamos que una matriz A de 𝑛 × 𝑛 es diagonalizable ortogonalmente.
Entonces existe una matriz ortogonal P tal que 𝑃 −1 𝐴𝑃 = 𝐷 o 𝐴 = 𝑃𝐷𝑃 −1 . Puesto
que P es ortogonal 𝑃−1 = 𝑃𝑇 y en consecuencia 𝐴 = 𝑃𝐷𝑃 −1
𝐴𝑇 = (𝑃𝐷𝑃𝑇 )𝑇 = (𝑃𝑇 )𝑇 𝐷 𝑇 𝑃𝑇 = 𝑃𝐷𝑃𝑇 = 𝐴
por lo tanto, A es simétrica.
EJEMPLO. Diagonalización de una matriz simétrica
Considere la matriz simétrica
9 1 1
𝐴 = 1 9 1൩
1 1 9
los valores propios son 𝜆1 = 11, 𝜆2 = 8, 𝜆3 = 8
los vectores propios linealmente independientes correspondientes son
1 −1 −1
𝐾1 = 1൩, 𝐾2 = 1 ൩, 𝐾3 = 0 ൩
1 0 1
pero no son mutuamente ortogonales, debido a que 𝐾2 y 𝐾3 no son ortogonales
seleccionando dos vectores propios ortogonales diferentes
−2 0
𝐾2 = 1 ൩, 𝐾3 = 1 ൩
1 −1
1 2
−ۍ 0 ې
ξ 6ێξ 3 ۑ
1ێ1 1 ۑ
=𝑃 ێ ۑ
ξ 6ێξ 3 ξ2 ۑ
1ێ1 1 ۑ
−
3 ξ 6ۏ ξ ξ2 ے
11 0 0
𝐷 = 0 8 0൩
0 0 8
1 1 1 1 2
ۍ ې −ۍ 0 ې
ξ 3ێξ 3 ξ3 ξ3 ξ6
2
ێ 1 1 ۑ91ۑ ێ1 1 1ێ 1
11ۑ
ۑ 0 0
ێ 𝑃−1 𝐴𝑃 = 𝑃𝑇 𝐴𝑃 = − 9ۑ 1 ێ 1൩ 0
ۑ= 8 0൩
6 ξ 6ێξ ξ 6 1ۑ1 ξ 6ێ9 ξ 3 ξ 2 0ۑ 0 8
1 1 1ێ1 1
ێ0 − ۑ − ۑ
ۏ ξ2 ξ2 ے 3 ξ 6ۏ ξ ξ2 ے
𝐷=
GRACIAS
M. Sc. Ing. Julio Borjas Castañeda
julioborjasc@hotmail.com