Upload
dinhtruc
View
235
Download
0
Embed Size (px)
Citation preview
Unidad 4Eigenvalores y Eigenvectores
Propedéutico 2010 Facultad de Ciencias 1
Eigenvalores y Eigenvectores
Propedéutico 2010Dra. Ruth M. Aguilar Ponce
Facultad de CienciasDepartamento de Electrónica
Ecuación del Valor Propio
• Sea A una matriz de n × n, su ecuación de eigenvalor es
xxArr λ=
Propedéutico 2010 Facultad de Ciencias 2
• El número λ є C, es un eigenvalor o autovalor o valor propio.
• Mientras que el vector x es el eigenvector o autovector o vector propio asociado a λ.
• El espacio nulo de A-λI debe contener vectores diferentes de cero. Por lo tanto, A-λI debe ser singular.
Polinomio Característico y Valor Propio
• Sea A una matriz de n × n y sea λ un escalar. Entonces, el polinomio característico de A se define como
( ) ( )IAp λλ −= det
Propedéutico 2010 Facultad de Ciencias 3
• Entonces λ0 es un valor propio de A si y solo si
( ) ( )IAp λλ −= det
( ) ( ) 0det 00 =−= IAp λλ
Multiplicidad Algebraica
• Si A es una matriz de n × n con eigenvalores λ1, λ2, …, λm,entonces su polinomio característico p(λ) puede factorizarse como
( ) ( ) ( ) ( ) ( ) mr
m
rrnp λλλλλλλ −−−−= L21
211
Propedéutico 2010 Facultad de Ciencias 4
• donde r1,…, rm son las multiplicidades algebraicas de los eigenvalores λ1, λ2, …, λm, y cumplen que r1+r2+…+rm = n.
( ) ( ) ( ) ( ) ( )mp λλλλλλλ −−−−= L211
Polinomio Característico
( )( )
( ) ( )cdadad
cddadc
badet
2
2
−++−=
−+−−=
−−−=
−−
λλλλλ
λλλ
λ
Propedéutico 2010 Facultad de Ciencias 5
( ) ( )( ) ( )AAtr
bcadda
det2
2
+−=−++−=
λλλλ
( ) ( ) ( ) ( ) ( )AAtrp nnnndet11 11 ++−+−= −−
Lλλλ
Encontrando los valores y vectores propios
1. Obtener el determinante de A-λI
• Este determinante es un polinomio de grado n, que comienza con λn
2. Encontrar las raíces de este polinomio• Las n raíces son los valores propios de A
Propedéutico 2010 Facultad de Ciencias 6
• Las n raíces son los valores propios de A
3. Para cada valor propio resolver la ecuación (A-λI)x = 0
• Debido a que el determinante es cero existen soluciones además de x = 0. Estas soluciones son los vectores propios
Propiedades de los Valores Propios
• Sea A una matriz de n× n. La suma de sus nvalores propios es igual a la traza de la matriz.
( ) nnn aaaAtr +++=++= LL 221121 λλλ
Propedéutico 2010 Facultad de Ciencias 7
• El producto de n valores propios es igual al determinante de A
( ) nnn 221121
( ) ∏=
==n
i
inA1
21det λλλλ L
Espacio propio
• Sea A una matriz de n × n, y sea λ un eigenvalor de A, entonces el subespacio definido por
• es el espacio propio de A correspondiente al eigenvalor
{ } ( )IA�uvvAvE n λλλ −==∈= rrr:C
Propedéutico 2010 Facultad de Ciencias 8
• es el espacio propio de A correspondiente al eigenvalor λ.
• La multiplicidad geométrica de un eigenvalor λ de una matriz A es la dimensión del espacio propio correspondiente a λ
( )IAE λνλ −=dim
Vectores Propios
• Sea A una matriz de n × n, y sean λ1, λ2, …, λm, valores propios distintos de A con vectores propios correspondientes v1, v2, … , vm. Entonces, v1, v2, … , vm. son linealmente independientes.
Propedéutico 2010 Facultad de Ciencias 9
• Si A es una matriz de n × n, entonces A tiene n vectores propios linealmente independientes si y solo si la multiplicidad geométrica de cada valor propio es igual a su multiplicidad algebraica.
Diagonalizacion de una matriz
• Sea A una matriz de n × n con n vectores propios linealmente independientes.
• Si estos vectores propios son las columnas de la matriz S, entonces S-1AS es una matriz diagonal Λ.
• Los valores propios de A se encuentran en la diagonal.
Propedéutico 2010 Facultad de Ciencias 10
=Λ=−
n
ASS
λ
λλ
L
MOMM
L
L
00
00
00
2
1
1
Diagonalizacion de una matriz
• Si la matriz A no tiene valores propios repetidos, i.e. λ1, λ2,…, λn son diferentes, entonces automáticamente son independientes.
• La matriz de diagonalizacion S no es única
Propedéutico 2010 Facultad de Ciencias 11
• La matriz de diagonalizacion S no es única
• No todas las matrices cuentan con n vectores propios linealmente independientes, por lo tanto no todas las matrices son diagonalizables
Ak
• Los valores propios de Ak son λ1k, λ2
k,…,
λnk y cada vector propio de A sigue
siendo un vector propio de Ak. La S que diagonaliza a A, tambien diagonaliza a Ak
Propedéutico 2010 Facultad de Ciencias 12
Ak
( )( ) ( ) SASASSASSASS kk 1111 −−−− ==Λ L
Teorema Espectral
• Sea A una matriz simétrica de n × n, cumple que A = AT entonces– Todos los valores propios de A son reales
– Existe una base ortonormal {q1, q2,…,qn} para Rn
Propedéutico 2010 Facultad de Ciencias 13
– Existe una base ortonormal {q1, q2,…,qn} para Rconsistiendo de los vectores propios de A.
– En otras palabras, existe una matriz ortogonal Qtal que QTAQ = Λ es diagonal
Descomposición Espectral de A
[ ]
=
Λ=Λ= −
T
n
T
T
n
n
T
q
q
q
qqqA
QQQQA
rM
r
r
L
MOMM
L
L
rL
rr 2
1
2
1
21
1
00
00
00
λ
λλ
Propedéutico 2010 Facultad de Ciencias 14
nn qL00 λ• Esto es llamada la descomposición espectral de A.
• Multiplicar por una matriz simétrica A es lo mismo que realizar una suma ponderada de la proyección en el espacio propio respectivo.
Diagonalización Ortogonal
• Dada una matriz simétrica real A, se puede encontrar una matriz diagonalizante Q tal que QTAQ = Λ de la siguiente manera:– Encontrar una base para cada espacio propio Eλ
de A.– Encontrar una base ortonormal para cada
espacio propio Eλ de A.– Escribir Q como la matriz cuyas columnas son
los eigenvectores obtenidos en el paso anterior.
Propedéutico 2010 Facultad de Ciencias 15
Vectores Propios Generalizados
• La ecuación del valor propio generalizada es
• Donde M es una matriz definida positiva. Por lo cual puede ser descompuesta en M = RTR
MxAx λ=
Propedéutico 2010 Facultad de Ciencias 16
lo cual puede ser descompuesta en M = RTR
yACyC
yRyAR
RxRMxAx
T
T
T
λλλλ
====
−1
Rxy =1−= RC
Vectores Propios Generalizados
• Las propiedades de Ax = λMx donde A es simétrica y M es definida positiva son:– Los valores propios de Ax = λMx son reales
porque CTAC es simétrica
– Los valores propios tiene el mismo signo que los
Propedéutico 2010 Facultad de Ciencias 17
– Los valores propios tiene el mismo signo que los valores propios de A
– CTAC tiene vectores ortogonales yi = Rxi
– A y M son simultáneamente diagonalizadas.
Descomposición de Valores Singulares
• Sea A una matriz de m × n puede ser factorizada en
• Las columnas de U son los vectores propios de
( )( )( )ortogonaldiagonalortogonalVUA T =Σ=
Propedéutico 2010 Facultad de Ciencias 18
• Las columnas de U son los vectores propios de AAT
• Las columnas de V son los vectores propios de ATA• Los r valores singulares en la diagonal de Σ son las
raices cuadradas de los valores propios de AAT y ATA
Descomposición en Valores Singulares
• U y V proporcionan bases ortonormales para los cuatro subespacios fundamentales– Las primeras r columnas de U: espacio columna
de A– Las ultimas m-r columnas de U: espacio nulo
Propedéutico 2010 Facultad de Ciencias 19
– Las ultimas m-r columnas de U: espacio nulo izquierdo de A
– Las primeras r columnas de V: espacio renglon de A
– Las ultimas r columnas de V: espacio nulo de A
Formas Cuadráticas
• Una ecuación cuadrática de dos variables sin términos lineales es una ecuación de la siguiente forma
dcybxyax =++ 22
Propedéutico 2010 Facultad de Ciencias 20
• Una forma cuadrática de dos variables sin términos lineales es una expresión de la siguiente forma
( )
⋅
=++=
y
x
y
x
cb
bacybxyaxyxF
2
2, 22
Teorema de los ejes principales en R2
• Sea
• Una ecuación cuadrática en las variables x y y. Entonces existe un numero único θ en [0,2π) tal que la ecuacion cuadratica se puede reescribir en la forma
dcybxyax =++ 22
Propedéutico 2010 Facultad de Ciencias 21
• Donde x’ y y’ son los ejes obtenidos al rotar x y y un angulo θ en el sentido contrario a las manecillas del reloj y son llamados ejes principales de la grafica
• Los números a’ y c’ son los valores propios de la matriz A.
dycxa =′′+′′ 22
Teorema de los ejes principales en R2
• La ecuación cuadrática es la ecuación de – Una hipérbola si d ≠ 0 y det A < 0
dvvcb
bavvA =⋅
=⋅ rrrr
2
2
Propedéutico 2010 Facultad de Ciencias 22
– Una hipérbola si d ≠ 0 y det A < 0– Una elipse, circulo o sección cónica degenerada
si d ≠ 0 y det A > 0– Un par de rectas o una sección cónica
degenerada si d ≠ 0 y det A = 0– Si d = 0 entonces es la ecuación de dos rectas si
det A ≠ 0 y una sola recta si det A = 0