Archivo de la etiqueta: eigenvector

Álgebra Lineal I: Aplicaciones del teorema espectral, bases ortogonales y más propiedades de transformaciones lineales

3 respuestas

Introducción

Hoy es la última clase del curso. Ha sido un semestre difícil para todas y todos. El quedarnos en casa, obligados a buscar alternativas digitales que sean de fácil acceso para la mayoría de las personas, aprender a realizar toda nuestra rutina diaria en un mismo espacio; sin dudarlo, un semestre lleno de retos que de una u otra manera, haciendo prueba y error, hemos aprendido a sobrellevar.

El día de hoy terminaremos con el tema de teoría espectral. Veremos algunos problemas donde usaremos las técnicas de búsqueda de eigenvalores y eigenvectores, así como aplicaciones de uno de los teoremas más importante: el Teorema Espectral.

Matrices simétricas, matrices diagonalizables

En entradas anteriores hemos discutido sobre qué condiciones me garantizan que una matriz A es diagonalizable. No volveremos a repetir cuál es la definición de matriz diagonalizable ya que en múltiples ocasiones lo hicimos.

Sabemos que una matriz simétrica en M_n(\mathbb{R}) siempre es diagonalizable, gracias al teorema espectral, pero el siguiente problema nos ilustra que si cambiamos de campo F, no tenemos la garantía de que las matrices simétricas en M_n(F) también lo sean.

Problema. Demuestra que la matriz simétrica con coeficientes complejos

A=\begin{pmatrix} 1 & i \\ i & -1 \end{pmatrix}

no es diagonalizable.

Solución. Por la primera proposición de la clase «Eigenvalores y eigenvectores de transformaciones y matrices», si A fuese diagonalizable, es decir, que existe una matriz invertible P y una diagonal D tal que A=P^{-1}DP, entonces A y D tienen los mismos eigenvalores. Entonces, encontremos los eigenvalores de A: buscamos \lambda \in \mathbb{C} tal que \text{det}(\lambda I-A)=0,

    \begin{align*}\text{det}(\lambda I-A)&=\begin{vmatrix} \lambda -1 & i \\ i & \lambda +1 \end{vmatrix} \\&=(\lambda-1)(\lambda+1)-i^2=\lambda^2 -1+1 \\&=\lambda^2=0.\end{align*}

Por lo tanto, el eigenvalor con multiplicidad 2 de A (y también el eigenvalor de D) es \lambda =0. Si D es de la forma

D=\begin{pmatrix} a & 0 \\ 0 & b \end{pmatrix},

es fácil ver (y calcular) que sus eigenvalores son a y b, pero por lo anterior, podemos concluir que a=b=0, y por lo tanto D es la matriz cero. Si fuese así, A=P^{-1}DP=0, contradiciendo la definición de A.

\square

Problema. Sea A una matriz simétrica con entradas reales y supongamos que A^k=I para algún entero positivo k. Prueba que A^2=I.

Solución. Dado que A es simétrica y con entradas reales, todos sus eigenvalores son reales. Más aún son k-raíces de la unidad, entonces deben ser \pm 1. Esto implica que todos los eigenvalores de A^2 son iguales a 1. Dado que A^2 también es simétrica, es diagonalizable y, dado que sus eigenvalores son iguales a 1, por lo tanto A^2=I.

\square

Más propiedades de transformaciones lineales y bases ortogonales

En otras clases como Cálculo, Análisis, hablamos de funciones continuas, discontinuas, acotadas, divergentes; mientras que en este curso nos hemos enfocado únicamente en la propiedad de linealidad de las transformaciones. Si bien no es interés de este curso, podemos adelantar que, bajo ciertas condiciones del espacio V, podemos tener una equivalencia entre continuidad y acotamiento de una transformación.

Decimos que la norma de una transformación está definida como

\norm{T}=\sup_{x\in V\setminus{0}} \frac{\norm{T(x)}}{\norm{x}}.

Por ende, decimos que una transformación es acotada si su norma es acotada, \norm{T}<\infty.

Problema. Sea V un espacio euclideano y sea T una transformación lineal simétrica en V. Sean \lambda_1,\ldots,\lambda_n los eigenvalores de T. Prueba que

\sup_{x\in V\setminus{0}} \frac{\norm{T(x)}}{\norm{x}} =\max_{1\leq i\leq n} |\lambda_i|.

Solución. Renumerando a los eigenvalores, podemos decir que \max_i |\lambda_i|=|\lambda_n|. Sea e_1,\ldots,e_n una base ortonormal de V tal que T(e_i)=\lambda_i e_i para todo i. Si x\in V\setminus {0}, podemos escribirlo como x=x_1e_1+\ldots+x_n e_n para algunos reales x_i. Entonces, por linealidad de T,

T(x)=\sum_{i=1}^n \lambda_i x_ie_i.

Dado que |\lambda_i|\leq |\lambda_n| para toda i, tenemos que

\frac{\norm{T(x)}}{\norm{x}}=\sqrt{\frac{\sum_{i=1}^n \lambda_i^2 x_i^2}{\sum_{i=1}^n x_i^2}}\leq |\lambda_n|,

por lo tanto

    \begin{align*} \max_{1\leq i\leq n} |\lambda_i|&=|\lambda_n|=\frac{\norm{T(e_n)}}{\norm{e_n}}\\&\leq \sup_{x\in V\setminus{0}} \frac{\norm{T(x)}}{\norm{x}}\\ &\leq |\lambda_n|= \max_{1\leq i\leq n} |\lambda_i|. \end{align*}

Obteniendo lo que queremos.

\square

Para finalizar, no olvidemos que una matriz es diagonalizable si y sólo si el espacio tiene una base de eigenvectores, y que está íntimamente relacionado con el teorema espectral.

Problema. Encuentra una base ortogonal consistente con los eigenvectores de la matriz

A=\frac{1}{7}\begin{pmatrix} -2 & 6 & -3 \\ 6 & 3 & 2 \\ -3 & 2 & 6 \end{pmatrix}.

Solución. Para encontrar los eigenvectores, primero encontrar los eigenvalores y, después, para cada eigenvalor, encontrar el/los eigenvectores correspondientes.

Calculemos:

    \begin{align*}0&=\text{det}(\lambda I-A)=\begin{vmatrix} \lambda+2/7 & -6/7 & 3/7 \\ -6/7 & \lambda-3/7 & -2/7 \\ 3/7 & -2/7 & \lambda-6/7 \end{vmatrix} \\&= \lambda^3-\lambda^2-\lambda+1 \\&= (\lambda -1)(\lambda^2 -1),\end{align*}

entonces los eigenvalores de A son 1,-1, (\lambda=1 tiene multiplicidad 2).

Ahora, hay que encontrar los vectores v=(x,y,z) tal que Av=\lambda v, para todo eigenvalor \lambda.

Si \lambda=-1,

(\lambda I-A)v=\frac{1}{7}\begin{pmatrix} -5 & -6 & 3 \\ -6 & -10 & -2 \\ 3 & -2 & -13 \end{pmatrix}v=0,

reduciendo, obtenemos que v=(3\alpha, -2\alpha, \alpha) para todo \alpha\in \mathbb{R}.

Si \lambda=1, resolviendo de la misma manera (\lambda I-A)v=(I-A)v=0, tenemos que v=(\beta,\gamma,-3\beta+2\gamma) para todo \beta,\gamma. Entonces el conjunto de eigenvectores es

B=\{ v_1=(3,-2,1), \quad v_2=(1,0,-3), \quad v_3=(0,1,2) \}.

Es fácil ver que el conjunto B es linealmente independiente, más aún \text{dim}(\mathbb{R}^3)=3=|B|, por lo tanto, B es la base consistente con los eigenvectores de A.

\square

Agradecemos su esfuerzo por llegar hasta el final a pesar de todas las adversidades. Esperamos pronto volver a ser sus profesores/ayudantes. Mucha suerte en la última parcial, es el último esfuerzo. Pero también les deseamos mucho éxito en su proyecto de vida. ¡Gracias!

Entradas relacionadas

Álgebra Lineal I: Teorema espectral para matrices simétricas reales

3 respuestas

Introducción

En esta entrada demostramos el teorema espectral para matrices simétricas reales en sus dos formas. Como recordatorio, lo que probaremos es lo siguiente.

Teorema. Sea V un espacio euclideano y T:V\to V una transformación simétrica. Entonces, existe una base ortonormal de V que consiste de eigenvectores de T.

Teorema. Sea A una matriz simétrica en \mathbb{R}^n. Entonces, existe una matriz ortogonal P y una matriz diagonal D, ambas en \mathbb{R}^n, tales que

    \[A=P^{-1}DP.\]

Para ello, usaremos los tres resultados auxiliares que demostramos en la entrada de eigenvalores de matrices simétricas reales. Los enunciados precisos están en ese enlace. Los resumimos aquí de manera un poco informal.

  • Los eigenvalores complejos de matrices simétricas reales son números reales.
  • Si una transformación T es simétrica y W es un subespacio estable bajo T, entonces W^\bot también lo es. Además, T restringida a W o a W^\bot también es simétrica.
  • Es lo mismo que una matriz sea diagonalizable, a que exista una base formada eigenvectores de la matriz.

Además de demostrar el teorema espectral, al final de la entrada probaremos una de sus consecuencias más importantes. Veremos una clasificación de las matrices que inducen formas bilineales positivas.

Demostración de la primera versión del teorema espectral

Comenzamos mostrando la siguiente versión del teorema espectral.

Teorema. Sea V un espacio euclideano y T:V\to V una transformación simétrica. Entonces, existe una base ortonormal de V que consiste de eigenvectores de T.

Demostración. Como V es espacio Euclideano, entonces tiene cierta dimensión finita n. Haremos inducción fuerte sobre n. Si n=1, el polinomio característico de T es de grado 1 y con coeficientes reales, así que tiene una raíz \lambda real. Si v es un eigenvector de T para \lambda, entonces \frac{v}{\norm{v}} también es eigenvector de T y conforma una base ortonormal para V.

Supongamos que el resultado es cierto para todo espacio Euclideano de dimensión menor a n y tomemos V espacio Euclideano de dimensión n. Por el teorema fundamental del álgebra, el polinomio característico de T tiene por lo menos una raíz \lambda en \mathbb{C}. Como T es simétrica, cualquier matriz A que represente a T también, y \lambda sería una raíz del polinomio característico de A. Por el resultado que vimos en la entrada anterior, \lambda es real.

Consideremos el kernel W de la transformación \lambda \text{id} - T. Si W es de dimensión n, entonces W=V, y por lo tanto T(v)=\lambda v para todo vector v en V, es decir, todo vector no cero de V es eigenvector de T. De esta forma, cualquier base ortonormal de V satisface la conclusión. De esta forma, podemos suponer que W\neq V y que por lo tanto 1\leq \dim W \leq n-1, y como

    \[V=W\oplus W^\bot,\]

se obtiene que 1\leq \dim W^\bot \leq n-1. Sea B una base ortonormal de W, que por lo tanto está formada por eigenvectores de T con eigenvalor \lambda.

Como la restricción T_1 de T a W^\bot es una transformación simétrica, podemos aplicar la hipótesis inductiva y encontrar una base ortonormal B' de eigenvectores de T_1 (y por lo tanto de T) para W^\bot.

Usando de nuevo que

    \[V=W\oplus W^\bot,\]

tenemos que B\cup B' es una base de V formada por eigenvectores de T.

El producto interior de dos elementos distintos de B, o de dos elementos distintos de B' es cero, pues individualmente son bases ortonormales. El producto de un elemento de B y uno de B' es cero pues un elemento está en W y el otro en W^\bot. Además, todos los elementos de B\cup B' tiene norma 1, pues vienen de bases ortogonales. Esto muestra que B\cup B' es una base ortonormal de V que consiste de eigenvectores de T.

\square

Demostración de la segunda versión del teorema espectral

Veamos ahora la demostración del teorema espectral en su enunciado con matrices.

Teorema. Sea A una matriz simétrica en M_n(\mathbb{R}). Entonces, existe una matriz ortogonal P y una matriz diagonal D, ambas en M_n(\mathbb{R}), tales que

    \[A=P^{-1}DP.\]

Demostración. Como A es una matriz simétrica, la transformación T:F^n\to F^n dada por T(X)=AX es simétrica. Aplicando la primer versión del teorema espectral, existe una base ortonormal de F^n que consiste de eigenvectores de T. Digamos que estos eigenvectores son C_1,\ldots,C_n. Por definición de T, estos eigenvectores de T son exactamente eigenvectores de A.

Anteriormente demostramos que si construimos a una matriz B usando a C_1,\ldots,C_n como columnas y tomamos la matriz diagonal D cuyas entradas son los eigenvalores correspondientes \lambda_1,\ldots,\lambda_n, entonces

    \[A=BDB^{-1}.\]

Afirmamos que la matriz B es ortogonal. En efecto, la fila j de la matriz ^t B es precisamente C_j. De esta forma, la entrada (i,j) del producto {^tB} B es precisamente el producto punto de C_i con C_j. Como la familia C_1,\ldots,C_n es ortonormal, tenemos que dicho producto punto es uno si i=j y cero en otro caso. De aquí, se concluye que {^tB} B=I_n.

Si una matriz es ortogonal, entonces su inversa también. Esto es sencillo de demostrar y queda como tarea moral. Así, definiendo P=B^{-1}, tenemos la igualdad

    \[A=P^{-1}DP,\]

con D diagonal y P ortogonal, justo como lo afirma el teorema.

\square

Matrices positivas y positivas definidas

Una matriz A simétrica en M_n(\mathbb{R}) induce una forma bilineal simétrica en \mathbb{R}^n mediante la asignación

    \[(x,y) \mapsto {^t x} A y,\]

con forma cuadrática correspondiente

    \[x \mapsto {^t x} A x.\]

Definición. Una matriz A en M_n(\mathbb{R}) es positiva o positiva definida si su forma bilineal asociada es positiva o positiva definida respectivamente.

Una de las aplicaciones del teorema espectral es que nos permite dar una clasificación de las matrices simétricas positivas.

Teorema. Sea A una matriz simétrica. Entonces todas las siguientes afirmaciones son equivalentes:

  1. A es positiva.
  2. Todos los eigenvalores de A son no negativos.
  3. A=B^2 para alguna matriz simétrica B en M_n(\mathbb{R}).
  4. A= {^tC} C para alguna matriz C en M_n(\mathbb{R}).

Demostración. (1) implica (2). Supongamos que A es positiva y tomemos \lambda un eigenvalor de A. Tomemos v un eigenvector de eigenvalor \lambda. Tenemos que:

    \begin{align*}\lambda \norm{v}^2 &=\lambda {^tv} v\\&= {^t v} (\lambda v)\\&={^t v} Av\\&\geq 0. \end{align*}

Como \norm{v}^2\geq 0, debemos tener \lambda \geq 0.

(2) implica (3). Como A es matriz simétrica, por el teorema espectral tiene una diagonalización A=P^{-1}DP con P una matriz invertible y D una matriz diagonal cuyas entradas son los eigenvalores \lambda_1,\ldots,\lambda_n de A. Como los eigenvalores son no negativos, podemos considerar la matriz diagonal E cuyas entradas son los reales \sqrt{\lambda_1},\ldots,\sqrt{\lambda_n}. Notemos que E^2=D, así que si definimos a la matriz B=P^{-1}EP, tenemos que

    \[B^2=P^{-1}E^2 P = P^{-1}DP = A.\]

Además, B es simétrica pues como E es diagonal y P es ortogonal, tenemos que

    \begin{align*}{^tB} &= {^t P} {^t E} {^t (P^{-1})}\\&= P^{-1} E P\\&= B.\end{align*}

(3) implica (4). Es inmediato, tomando C=B y usando que B es simétrica.

(4) implica (1). Si A= {^tC} C y tomamos un vector v en \mathbb{R}^n, tenemos que

    \begin{align*}{^t v} A v &= {^tv} {^tC} C v\\&= {^t(Cv)} (Cv)\\&=\norm{Cv}^2\\&\geq 0,\end{align*}

lo cual muestra que A es positiva.

\square

También hay una versión de este teorema para matrices simétricas positivas definidas. Enunciarlo y demostrarlo queda como tarea moral.

En una entrada final, se verá otra consecuencia linda del teorema espectral: el teorema de descomposición polar. Dice que cualquier matriz con entradas reales se puede escribir como el producto de una matriz ortogonal y una matriz simétrica positiva.

Más allá del teorema espectral

Durante el curso introdujimos varias de las nociones fundamentales de álgebra lineal. Con ellas logramos llegar a uno de los teoremas más bellos: el teorema espectral. Sin embargo, la teoría de álgebra lineal no termina aquí. Si en tu formación matemática profundizas en el área, verás otros temas y resultados fundamentales como los siguientes:

  • El teorema de Cayley-Hamiltón: toda matriz se anula en su polinomio característico.
  • La clasificación de matrices diagonalizables: una matriz es diagonalizable si y sólo si su polinomio característico se factoriza en el campo de la matriz, y la multiplicidad algebraica de sus eigenvalores corresponde con la multiplicidad geométrica.
  • El teorema de la forma canónica de Jordan: aunque una matriz no se pueda diagonalizar, siempre puede ser llevada a una forma estándar «bonita».
  • Productos interiores con imágenes en \mathbb{C}, a los que también se les conoce como formas hermitianas.
  • Los polinomios mínimos de matrices y transformaciones, que comparten varias propiedades con el polinomio característico, pero dan información un poco más detallada.

Tarea moral

Los siguientes ejercicios no forman parte de la evaluación del curso, pero te servirán para entender mucho mejor los conceptos vistos en esta entrada, así como temas posteriores.

  • Muestra que la inversa de una matriz ortogonal es ortogonal.
  • Encuentra una base ortonormal de \mathbb{R}^3 conformada por eigenvectores de la matriz \begin{pmatrix}10 & 0 & -7\\ 0 & 3 & 0 \\ -7 & 0 & 10\end{pmatrix}.
  • Determina si la matriz anterior es positiva y/o positiva definida.
  • Enuncia y demuestra un teorema de clasificación de matrices simétricas positivas definidas.
  • Muestra que la matriz

        \[\begin{pmatrix}5 & 1 & 7\\1 & 10 & -7\\7 & -7 & 18\end{pmatrix}\]

    es positiva.

Más adelante…

En esta entrada discutimos dos demostraciones del teorema espectral. Sólo nos falta discutir cómo podemos aplicarlo. En la siguiente entrada trabajaremos con algunos problemas, por ejemplo, ver cómo se usa para demostrar que una matriz simétrica no es diagonalizable.

Finalmente, discutiremos cómo podemos pensar en las nociones de continuidad y acotamiento en el álgebra lineal.

Entradas relacionadas

Álgebra Lineal I: Eigenvalores y eigenvectores de transformaciones y matrices

8 respuestas

Introducción

En entradas anteriores ya establecimos los fundamentos para hablar de determinantes. Dimos su definición para el caso de vectores y el caso de matrices/transformaciones lineales. Enunciamos y demostramos varias de sus propiedades. Luego dedicamos toda una entrada a ver formas de calcularlos. Finalmente, vimos que nos pueden ayudar para entender mucho mejor a los sistemas de ecuaciones lineales. Entender bien estos conceptos te será de gran utilidad en tu formación matemática.

Además, los determinantes son un paso natural en uno de nuestros objetivos del curso: entender por qué las matrices simétricas reales son diagonalizables. Recuerda que una matriz A en M_n(F) es diagonalizable si existe una matriz diagonal D y una matriz invertible P, ambas en M_n(F), de modo que

    \[A=P^{-1}DP.\]

Lo que haremos en esta entrada es hablar de esos valores que aparecen en la matriz diagonal D en el caso de que A sea diagonalizable. Resulta que estos valores están relacionados con una pregunta muy natural en términos de lo que le hace la matriz a ciertos vectores. Y mejor aún, como veremos, hay un método para encontrar estos valores por medio de un determinante. Vamos poco a poco.

Eigenvalores y eigenvectores para transformaciones lineales

Sea V un espacio vectorial sobre un campo F y sea T:V\to V una transformación lineal. Para fijar ideas, pensemos en \mathbb{R}^n por el momento. A veces, T simplemente la cambia la magnitud a un vector, sin cambiarle la dirección. Es decir, hay algunos vectores para los cuales T se comporta simplemente como la multiplicación por un escalar. En símbolos, hay vectores v tales que existe un valor \lambda tal que T(v)=\lambda v.

Por supuesto, al vector 0 siempre le pasa esto, pues como T es lineal, se tiene que T(0)=0=\lambda\cdot 0 para cualquier escalar \lambda. Resulta que cuando se estudian estos vectores y escalares especiales, lo más conveniente es quitar al vector 0 de la discusión. Estas ideas llevan a la siguiente definición.

Definición. Un eigenvalor de una transformación lineal T:V\to V es un escalar \lambda tal que \lambda \text{id} - T no es invertible. En otras palabras, \lambda es un escalar tal que existe un vector no cero en el kernel de \lambda \text{id} - T. A un vector v\neq 0 en V tal que

    \[(\lambda \text{id} - T)v=0,\]

se le conoce como un eigenvector de T.

En otras palabras, v es un eigenvector correspondiente a T si v no es cero y T(v)=\lambda v. A los eigenvalores y eigenvectores de T también se les conoce en la bibliografía como valores propios y vectores propios de T.

Observa que si al conjunto de eigenvectores para un eigenvalor \lambda le agregamos el vector 0, entonces obtenemos el kernel de una transformación lineal, que sabemos que es un subespacio vectorial.

Veamos un par de ejemplos para que queden más claras las ideas.

Ejemplo. Consideremos a la transformación lineal T:\mathbb{R}^3\to \mathbb{R}^3 dada por

    \[T(x,y,z)=(-2x+15y+18z,3y+10z,z).\]

Observa que

    \begin{align*}T(1,0,0)&=(-2,0,0)\\&=-2(1,0,0),\end{align*}

que

    \begin{align*}T(-19,-5,1)&=((-2)(-19)+15(-5)+18,3(-5)+10, 1)\\&=(28+75-18,-15+10,1)\\&=(-19,-5,1),\end{align*}

y que

    \begin{align*}T(3,1,0)&=(-6+15,3,0)\\&=(9,3,0)\\&=3(3,1,0).\end{align*}

Estas igualdades muestran que (1,0,0) es un eigenvector de T con eigenvalor -2, que (-19,-5,1) es un eigenvector de T con eigenvalor 1 y (3,1,0) es un eigenvector de T con eigenvalor 3.

\square

Ejemplo. Consideremos al espacio vectorial \mathbb{R}[x] de polinomios con coeficientes reales. Tomemos la transformación lineal T que manda a un polinomio a su segunda derivada. ¿Quiénes son los eigenvalores y eigenvectores de T?

Para que p sea un eigenvector con eigenvalor \lambda, tiene que suceder que

    \[p''=T(p)=\lambda p.\]

Como p no es el vector cero, tiene un cierto grado. Si \lambda \neq 0, entonces la igualdad anterior no puede suceder, pues si p es de grado mayor o igual a 2, entonces el grado de p'' es menor al de \lambda p, y si el grado de p es 0 ó 1, su segunda derivada es 0, y no puede pasar \lambda p = 0. Así, el único eigenvalor que puede tener T es \lambda = 0. Observa que sí es válido que los eigenvalores sean cero (los eigenvectores no).

Cuando \lambda = 0, tiene que pasar que p'' sea 0\cdot p, es decir, el polinomio cero. Los únicos polinomios tales que su derivada es cero son los constantes y los lineales. Pero el polinomio cero por definición no es eigenvector.

Así, la respuesta final es que el único eigenvalor de T es 0, y sus eigenvectores correspondientes son los polinomios constantes distintos de cero, y los polinomios lineales.

\square

Eigenvalores y eigenvectores para matrices

Tenemos una definición similar para matrices. Sea A una matriz en M_n(F).

Definición. Un escalar \lambda en F es un eigenvalor de A si la matriz \lambda I_n - A no es invertible. En otras palabras, si existe un vector no cero X en F^n tal que AX=\lambda X. A un tal vector X se le conoce como un eigenvector correspondiente al eigenvalor \lambda.

En otras palabras, los eigenvalores y eigenvectores de A son exactamente los eigenvalores y eigenvectores de la transformación T_A:\mathbb{F}^n\to \mathbb{F}^n dada por T_A(v)=Av.

Además, si elegimos cualquier base B de un espacio de dimensión finita V y A es la matriz de T con respecto a la base B, entonces para cualquier escalar \lambda se tiene que \lambda I_n - A es la matriz de \lambda \text{id} - T con respecto a esta misma base. De aquí se deduce que los eigenvalores de T son los mismos que los eigenvalores de A. Dos matrices que representan a T difieren sólo en un cambio de base, así que obtenemos el siguiente resultado fundamental.

Proposición. Si A es una matriz en M_n(F) y P es una matriz invertible, entonces A y P^{-1}AP tienen los mismos eigenvalores. En otras palabras, matrices similares tienen los mismos eigenvalores.

En el primer ejemplo tomamos la transformación lineal T:\mathbb{R}^3\to \mathbb{R}^3 tal que

    \[T(x,y,z)=(-2x+15y+18z,3y+10z,z).\]

Su matriz en la base canónica de \mathbb{R}^3 es

    \[A=\begin{pmatrix} -2 & 15 & 18\\ 0 & 3 & 10\\ 0 & 0 & 1 \end{pmatrix}.\]

En el ejemplo vimos que los eigenvalores eran -2, 1 y 3, que precisamente conciden con las entradas en la diagonal de A. Esto no es casualidad. El siguiente resultado muestra esto, y es una primer evidencia de la importancia de los determinantes para encontrar los eigenvalores de una matriz.

Proposición. Si A es una matriz triangular (superior o inferior) en M_n(F), entonces sus eigenvalores son exactamente las entradas en su diagonal principal.

Demostración. Haremos el caso para cuando A es triangular superior. El otro caso queda de tarea moral.

Queremos encontrar los valores \lambda para los cuales la matriz \lambda I_n - A no sea invertible. La matriz A es triangular superior, así que la matriz \lambda I_n - A también, pues las entradas de A se vuelven negativas, y luego sólo se altera la diagonal principal.

Si las entradas diagonales de A son a_{11},\ldots,a_{nn}, entonces las entradas diagonales de \lambda I_n -A son

    \[\lambda - a_{11},\ldots,\lambda-a_{nn}.\]

La matriz \lambda I_n - A no es invertible si y sólo si su determinante es igual a cero. Como es una matriz triangular superior, su determinante es el producto de sus entradas diagonales, es decir,

    \[\det(\lambda I_n - A) = (\lambda - a_{11})\cdot\ldots\cdot(\lambda - a_{nn}).\]

Este producto es 0 si y sólo si \lambda es igual a alguna entrada a_{ii}. De esta forma, los únicos eigenvalores de A son las entradas en su diagonal.

\square

Si A es una matriz diagonalizable, entonces es semejante a una matriz diagonal D. Por la proposición anterior, los eigenvalores de A serían entonces las entradas en la diagonal principal de D. Esto nos da una intuición muy importante: si acaso pudiéramos encontrar todos los eigenvalores de A, entonces eso podría ser un paso parcial hacia diagonalizarla.

Encontrar eigenvalores es encontrar las raíces de un polinomio

La siguiente proposición conecta eigenvalores, polinomios y determinantes.

Proposición. Sea A una matriz en M_n(F). Entonces la expresión

    \[\det(\lambda I_n - A)\]

está en F[\lambda], es decir, es un polinomio en la variable \lambda con coeficientes en F. Además, es de grado exactamente n.

Demostración. La fórmula para el determinante

    \begin{align*}\begin{vmatrix}\lambda - a_{11} & -a_{12} & \ldots & -a_{1n}\\-a_{21} & \lambda - a_{22} & \ldots & -a_{1n}\\\vdots & & \ddots & \\-a_{n1} & -a_{n2} & \ldots & \lambda - a_{nn}\end{vmatrix}\end{align*}

en términos de permutaciones nos dice que el determinante es sumas de productos de entradas de A. Cada una de las entradas es un polinomio en F[\lambda], ya sea constante, o lineal. Como F[\lambda] es cerrado bajo sumas y productos, esto prueba la primer parte de la afirmación.

Para probar que el grado es exactamente n, notemos que cada sumando de la expresión multiplica exactamente n entradas. Como las entradas a lo mucho son de grado uno en F[\lambda], entonces cada sumando es un polinomio de grado a lo más n. Hay una única forma que el grado sea n: cuando se elige la permutación identidad y entonces se obtiene el sumando

    \[(\lambda-a_{11})\cdot\ldots\cdot(\lambda-a_{nn}).\]

Esto termina la prueba.

\square

La proposición anterior nos asegura entonces que la siguiente definición tiene sentido.

Definición. Para A una matriz en M_n(F), el polinomio característico de A es el polinomio \chi_A(\lambda) en F[\lambda] dado por

    \[\chi_A(\lambda) = \det(\lambda I_n - A).\]

De esta forma, \lambda es un eigenvalor de A si y sólo si es una raíz del polinomio \chi_A(\lambda). Esto son buenas y malas noticias. Por un lado, nos cambia un problema de álgebra lineal a uno de polinomios, en donde a veces tenemos herramientas algebraicas que nos ayudan a encontrar raíces. Sin embargo, como se ve en cursos anteriores, también hay otros polinomios para los cuales es muy difícil encontrar sus raíces de manera exacta. Lo que salva un poco esa situación es que sí existen métodos para aproximar raíces numéricamente de manera computacional.

A pesar de la dificultad de encontrar raíces, sin duda tenemos consecuencias interesantes de esta conexión. Consideremos como ejemplo el siguiente resultado.

Proposición. Una matriz A en M_n(F) tiene a lo más n eigenvalores distintos. Lo mismo es cierto para una transformación lineal T:V\to V para V un espacio vectorial de dimensión n.

Demostración. La matriz A tiene tantos eigenvalores como raíces en F tiene su polinomio característico. Como el polinomio característico es de grado exactamente n, tiene a lo más n raíces en F.

La parte de transformaciones queda de tarea moral.

\square

Ya que encontramos los eigenvalores de una matriz o transformación, es posible que queramos encontrar uno o más eigenvectores correspondientes a ese eigenvalor. Observa que eso corresponde a encontrar una solución no trivial al sistema lineal de ecuaciones homogéneo de la forma

    \[(I_n-A) X = 0.\]

Para ello ya tenemos muchas herramientas, como hacer reducción Gaussiana.

Terminamos esta entrada con un ejemplo de cómo encontrar los valores propios y vectores propios en un caso concreto.

Problema. Encuentra los eigenvalores de la matriz

    \[A=\begin{pmatrix}1 & 0 & 0\\ 0 & 0 & -1 \\ 0 & 1 & 0 \end{pmatrix}\]

considerándola como:

  • Una matriz en M_3(\mathbb{R})
  • Una matriz en M_3(\mathbb{C}).

En el caso de M_n(\mathbb{R}), encuentra un eigenvector para cada eigenvalor.

Solución. Para encontrar los eigenvalores, tenemos que encontrar el determinante

    \[\begin{vmatrix}\lambda - 1 & 0 & 0\\ 0 & \lambda & 1 \\ 0 & -1 & \lambda \end{vmatrix}.\]

Usando expansión de Laplace en la primer columna y haciendo las operaciones, obtenemos que el determinante de \lambda I_3 - A es el polinomio

    \[(\lambda-1)(\lambda^2+1).\]

Aquí es importante la distinción de saber en qué campo estamos trabajando. Si estamos en M_3(\mathbb{R}), la única raíz del polinomio es 1. Si estamos en M_3(\mathbb{C}), obtenemos otras dos raíces: i y -i.

Ahora, para cuando A es matriz en M_3(\mathbb{R}), necesitamos encontrar un eigenvector para el eigenvalor 1. Esto equivale a encontrar una solución al sistema de ecuaciones

    \[(I_3-A)X=0,\]

es decir, a

    \[\begin{pmatrix}0 & 0 & 0\\ 0 & 1 & 1 \\ 0 & -1 & 1\end{pmatrix}X=0.\]

Una solución para este sistema es X=(1,0,0). Y en efecto, (1,0,0) es eigenvector de A para el eigenvalor 1 pues no es el vector cero y

    \[\begin{pmatrix}1 & 0 & 0\\ 0 & 0 & -1 \\ 0 & 1 & 0 \end{pmatrix}\begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix} = \begin{pmatrix} 1 + 0 + 0 \\ 0 + 0 + 0 \\ 0 + 0 + 0 \end{pmatrix} = \begin{pmatrix} 1 \\ 0 \\ 0 \end{pmatrix}.\]

\square

Observa que la matriz anterior no es diagonalizable en M_n(\mathbb{R}), pues si lo fuera tendría que ser semejante a una matriz diagonal D con entradas i y -i en la diagonal, pero entonces D no sería una matriz en M_n(\mathbb{R}). Esto nos da otra intuición con respecto a la diagonalización de una matriz: si acaso una matriz en M_n(F) es diagonalizable, entonces su polinomio característico debe tener puras raíces en F. Esta es una condición necesaria, pero aún no es suficiente.

Tarea moral

Los siguientes ejercicios no forman parte de la evaluación del curso, pero te servirán para entender mucho mejor los conceptos vistos en esta entrada, así como temas posteriores.

  • En la entrada vimos que los eigenvalores de una transformación T son los eigenvalores de cualquier matriz que la represente. ¿Es cierto que los eigenvectores de T son los eigenvectores de cualquier matriz que lo represente?
  • Muestra que una transformación lineal T:V\to V para V un espacio vectorial de dimensión n tiene a lo más n eigenvalores distintos.
  • Encuentra los eigenvalores de las matrices de permutación.
  • Para un real \theta\in[0,2\pi) se define la matriz

        \[A(\theta):=\begin{pmatrix} \cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{pmatrix}.\]

    Muestra que A(\theta) tiene eigenvalores reales si y sólo si \theta=0 \o \theta=\pi. Sugerencia: Encuentra el polinomio característico (que es cuadrático) y calcula su discrimintante. Si es negativo, no tiene soluciones reales.
  • Sea A una matriz en M_n(F). Muestra que la matriz transpuesta ^t A tiene los mismos eigenvalores que A, y de hecho, el mismo polinomio característico que A. Sugerencia. Recuerda que una matriz y su transpuesta tienen el mismo determinante.

Más adelante…

En esta entrada definimos el concepto de eigenvalor y eigenvector para una transformación lineal y para una matriz; y vimos algunas de las propiedades que cumplen. En la siguiente entrada estudiaremos el concepto de polinomio característico utilizando los conceptos que hemos visto en esta entrada y enunciaremos (sin demostración) dos teoremas muy importantes. Luego, pondremos en práctica lo que hemos estudiado resolviendo algunos ejercicios.

Entradas relacionadas