Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Matemáticas II Clase 20: Valores y vectores propios, determinante Jorge Rivera 10 de octubre de 2022 Apunte de Curso: Págs. 215 - 222 1 Agenda Objetivos de la clase Valores y vectores propios Determinantes Śıntesis de hechos relevantes 2 Objetivos de la clase • Conocer el concepto de valor y vector propio de una matriz. • Conocer propiedades elementales de valor y vector propio. • Conocer el determinante de una matriz. 3 Motivación • La motivación fundamental para lo que sigue es establecer un resultado importante a partir del cual uno pueda determinar el signo de una matriz: diagonalización de matrices simétricas. • Para establecer ese resultado se introduce el concepto de valor y vector propio de matrices. • Para encontrar valores propios de una matriz se usa los determinantes. • La diagonalización de matrices simétricas utiliza los valores propios de la matriz. 4 Valores y vectores propios • Un valor propio de una matriz A ∈ Rn×n es un escalar λ para el cual existe un vector v ̸= 0n (llamado vector propio asociado al valor propio λ) tal que Av = λv . Nota: es importante que el vector v sea diferente de 0n, porque si uno permite que sea 0n ocurre que cualquier escalar seŕıa un valor propio: A0n = λ0n = 0n. Ejemplo Para la matriz A = [ 2 1 1 2 ] , λ = 3 es un valor propio de A, ya que, por ejemplo, para v = [ 5 5 ] se cumple que [ 2 1 1 2 ] ︸ ︷︷ ︸ A [ 5 5 ] ︸︷︷︸ v = [ 15 15 ] = 3︸︷︷︸ λ [ 5 5 ] ︸︷︷︸ v : Av = λv . 5 Propiedades básicas de los valores y vectores propios (i) Si λ es un vp de A y v 1 y v 2 son vectores propios asociados a ese valor propio, entonces para todo β ∈ R se tiene que v 1 + βv 2 es un vector propio asociado a λ: A(v 1 + βv 2) = Av 1 + βAv 2 = λv 1 + βλv 2 = λ(v 1 + βv 2). Por lo anterior, agregando el vector 0n al conjunto de todos los vectores propios asociados a un valor propio, el conjunto Sλ = {v ∈ Rn : Av = λv} es un subespacio vectorial de Rn, llamado subespacio propio asociado al valor propio λ • Una consecuencia de lo anterior, que usaremos más adelante, es que si v ∈ Rn es un vector propio de A ∈ Rn×n asociado al valor propio λ, entonces para todo escalar β ocurre que βv también es un vector propio asociado a λ. 6 (ii) Sean λ1 y λ2 valores propios de A y sean v 1, v 2 respectivos vectores propios. Primero, si λ1 ̸= λ2 se tiene que v 1 es l.i con v 2. Más aun, segundo, si la matriz es simétrica, bajo lo indicado se tiene que v 1 ⊥ v 2. Primero: sean α1 y α2 tal que α1v 1 + α2v 2 = 0n. Pre-multiplicando por A se tiene que A(α1v 1 + α2v 2) = A0n = 0n ⇒ α1(λ1v 1)︸ ︷︷ ︸ λ1α1v1 +α2(λ2v 2)︸ ︷︷ ︸ λ2α2v2 = 0n. De lo primero, α1v 1 = −α2v 2, y eso en lo anterior implica que λ1(−α2v 2)+λ2(α2v 2) = 0n ⇒ (λ2 − λ1)︸ ︷︷ ︸ ̸=0 α2v 2 = 0n ⇒ α2 = 0. Usando lo anterior se deduce que α1 = 0, por lo que v 1 y v 2 son l.i. 7 Para lo segundo: partamos por tener presente que para dos vectores X ,Y ∈ Rn se tiene que X · Y = X tY , y que para A ∈ Rn×n, por propiedades de traspuesta se tiene que X tA = (AtX )t. Con eso, recordando que At = A (simétrica) se tiene que: v 1 · v 2 = ( 1 λ1 Av 1 ) ·v 2 = 1 λ1 (Av 1)tv 2 (AB)t=BtAt = 1 λ1 v t1A tv 2 At=A = 1 λ1 v t1Av 2 es decir, v 1 · v 2 Av2=λ2v2= 1 λ1 v t1λ2v 2 = λ2 λ1 v t1·v 2 = λ2 λ1 v 1·v 2 ⇐⇒ ( 1− λ2 λ1 ) ︸ ︷︷ ︸ λ1 ̸=λ2: λ2 λ1 ̸=1 v 1·v 2 = 0. Lo anterior implica que v 1 · v 2 = 0, es decir, v 1 ⊥ v 2. Nota: la parte en rojo ya que Av 1 = λ1v 1 implica que v 1 = 1λ1Av 1. 8 Ejemplo Suponiendo que A ∈ Rn×n es invertible, explicar por qué si λ es un valor propio de A entonces 1λ es un valor propio de A −1. En efecto: si λ es un valor propio de A es porque hay un vector v ̸= 0n tal que Av = λv . Luego, multiplicando por A−1 tenemos que Av = λv A−1(Av) = A−1(λv) ⇒ I nv = λA−1v es decir, v = λA−1v ⇒ A−1v = 1 λ v . Luego, para la cantidad 1λ hay un vector no nulo (v) que cumple la condición para ser valor propio de A−1. 9 Ejemplo Mostremos que los valores propios de una matriz diagonal son precisamente los elementos de la diagonal. Para ilustrar consideramos una matriz de 2× 2: A = [ λ1 0 0 λ2 ] . Notando que A [ 1 0 ] = [ λ1 0 0 λ2 ][ 1 0 ] = [ λ1 0 ] = λ1 [ 1 0 ] , el vector v 1 = [ 1 0 ] ̸= 02 cumple que Av 1 = λ1v 1. Luego, λ1 es un valor propio de A. Para mostrar que λ2 es un valor propio, basta verificar que el vector v 2 = [ 0 1 ] ̸= 02 cumple Av 2 = λ2v 2. 10 Ejemplo Explique por qué si λ es un valor propio de A ∈ Rn×n entonces λ2 es un valor propio de A2 = AA. En efecto, si λ es un valor propio de A es porque existe un vector v ̸= 0n tal que Av = λv . Luego, multiplicando por A se tiene que Av = λv A (·) =⇒ A(Av) = A(λv) ⇒ A2v = λ Av︸︷︷︸ λv = λ(λv) = λ2v . Luego, para la cantidad λ2 existe un vector no nulo (v) tal que A2v = λ2v , es decir, λ2 es un valor propio de A. 11 Ejemplo Explique por qué si λ = 0 es un valor propio de A ∈ Rn×n entones A no es invertible. En efecto: si λ = 0 es un valor propio de A es porque existe v ̸= 0n tal que Av = 0 v ⇒ Av = 0n. Como v ̸= 0n, lo anterior corresponde a decir que hay una combinación lineal de las columnas de A que es 0n donde no todos los coeficientes son 0 (componentes de v). Es decir, las columnas de A son l.d, por lo que A no es invertible. Ejercicio: explique Ud. por qué si A ∈ Rn×n no es invertible, entonces λ = 0 debe ser un valor propio de A. • Sobre la base de lo anterior, se concluye que una matriz A ∈ Rn×n es invertible śı y solo śı todos sus valores propios son diferentes de 0. 12 Determinantes Motivación • El determinante de una matriz será de gran ayuda para calcular (obtener) sus valores propios. • Para introducir el concepto de determinante de una matriz, ilustremos la idea para una matriz de 2× 2: A = [ a11 a12 a21 a22 ] . Las columnas de esta matriz definen un paralelogramo en R2, que se muestra en la siguiente figura. 13 Figura 1: Paralelogramo definido por las columnas de A 14 • Usando “algo de geometŕıa” se puede probar que el área del paralelogramo de la Figura 1 es dado por Area Paralelogramo de la Figura 1 = |a11 ∗ a22 − a21 ∗ a12|. • El determinante de la matriz A ∈ R2×2 anterior se define como det(A) = a11 ∗ a22 − a21 ∗ a12 de modo que el área en la Figura 1 es el valor absoluto del determinante de la matriz. • El hecho clave es que si las columnas de la matriz son l.i, de modo que la matriz es invertible, entonces sus columnas definen un paralelogramo que tiene área diferente de 0: A invertible ⇐⇒ det(A) ̸= 0. 15 • ¿Qué es el determinante de una matriz de 3× 3? Las columnas de la matriz A = a11 a12 a13a21 a22 a23 a31 a32 a33 definen una caja oblicua (un paraleleṕıpedo) en el espacio. Figura 2: Paraleleṕıpedo definido por las columnas de A 16 • Si las columnas de A son l.i, entonces el paraleleṕıpedo tiene volumen diferente de cero, mientras que si las columnas son l.d entonces el “volumen de la caja” es 0. • Salvo por una cuestión de signo, el determinante de una matriz A ∈ R3×3, denotado det(A), es el volumen del paraleleṕıpedo que forman las columnas de la matriz. De esta manera, la matriz de 3× 3 es invertible śı y solo śı su determinante es diferente de 0. • La idea anterior se puede extender a matrices de n × n: el determinante es el “hipervolumen” del “hiper-paraleleṕıpedo” que forman las columnas de la matriz. • Por lo anterior, A ∈ Rn×n es invertible śı y solo śı su determinante es diferente de 0. • ¿Cómo calcular el volumen de la caja en la Figura 2? Más general: ¿cómo calcular el hipervolumen de una “hiper-caja” en Rn definida por las columnas de una matriz de n × n? Próxima clase.... 17 Śıntesis de hechos relevantes 1. Conocer qué es un valor propio de una matriz, y qué es un vector propio asociado. 2. Dado un valor propio, saber que el conjunto de todos los vectores propios asociados, incluyendo al vector nulo, es un sev. 3. Conocer que, en general, vectores propiosasociados a valores propios diferentes son vectores l.i. 4. Conocer que cuando la matriz es simétrica, vectores propios asociados a valores propios diferentes son ortogonales (más fuerte que l.i). 5. Conocer que, salvo el signo, el determinante es el área (o volumen, o hipervolumen) del (hiper) paraleleṕıpedo” que se forma con las columnas de la matriz. 6. Conocer que la matriz es invertible si y sólo si su determinante es diferentes de cero. 7. Saber como se calcula el determinante de una matriz de 2× 2. 8. Pendiente: cálculo de determinantes de matrices de “orden mayor” que 2× 2. 18 Objetivos de la clase Valores y vectores propios Determinantes Síntesis de hechos relevantes
Compartir