Teoria Autovalores y Autovectores

UNIVERSIDAD TECNOLGICA NACIONAL
FACULTAD REGIONAL DELTA

LGEBRA Y GEOMETRA ANALTICA

AUTOVALORES Y AUTOVECTORES

El tema que nos ocupa hoy es autovalores y autovectores. Pero antes vamos a mencionar
algunos problemas que se presentan en matemtica, en otras ciencias, en ingeniera, que
para ser resueltos fue necesario la definicin de nuevos conceptos que permiten hallar una
respuesta viable a los mismos.
A saber entre otros:
La necesidad de obtener una frmula explcita de las sucesiones que se definen por
recursin. Sea { } b a, = alfabeto se quiere calcular las palabras de cierta longitud
n que no contengan aes consecutivas. An
n
, A0={ }, A1={a,b}, A2={ab,
ba,bb} se deduce que es sn= sn-1 +sn-2. Pero se necesita su expresin explcita
En el anlisis de la conducta de los sistemas que modelizan el mundo real, uno de
los enfoques ms poderosos es determinar el denominado eigensistema de
matrices involucradas en el modelado del sistema:
El estudio de los eigenvalores (autovalores, valores propios) y eigenvectores
(autovectores, vectores propios) de matrices y TL es de fundamental importancia en
matemtica aplicada. Una de las razones es que esos conceptos surgen cuando los modelos
se estudian desde diversos puntos de vista. Algunos a tener en cuenta: a) la singularidad
de A - I, siendo es un parmetro, b) subespacios invariantes, c) representaciones
sencillas de matrices, d) descomposicin de matrices.
a) En los fenmenos oscilatorios (alas de un avin bajo fuerzas aerodinmicas, los
vaivenes de la economa bajo las fuerzas del mercado, entre otros). Sea el siguiente
ejemplo de dos masas suspendidas y acopladas, esa situacin, como hemos vistos
anteriormente responde a una matriz de 2x2 , M-
2
P, con M y P conocidas y se
debe hallar el valor de tal que M-
2
P sea singular. Esto responde al modelo de
hallar para que A - I sea singular.
b) Cuando dimos ejemplos de las cadenas de Markov con respecto a cmo se
comportaba el mercado a lo largo del tiempo vimos que efectubamos xi+1=Axi En
situaciones reales los p elementos del vector xi pueden tener valores
extremadamente grandes. Una tcnica consiste en intentar partir el sistema que se
est modelando en un conjunto de subsistemas ms pequeos para manejarlos
ms fcilmente. Algebraicamente esto es encontrar un subespacio V0 de IR
p
de
menor dimensin tal que Ax est en V0 si x lo est. Esto se llama subespacio
invariante de A y TL. La dimensin ms sencilla de V0 es uno, para que sea
generado por un solo vector x no nulo, con lo que Ax es un mltiplo de x, es decir
Ax= x para algn . Esto significa (A- I)x= 0 con x 0 y as A - I es singular.
es un eigenvalor de A y los vectores x 0 asociados a se llaman
eigenvectores.
c) A travs de los eigenvalores y eigenvectores de matrices de pxp se encuentran
representaciones ms sencillas de TL, basndonos en el teorema de cambio de
base y la idea de matriz diagonal.
Algebra y Geometra Analtica Autovalores y autovectores

2 22 2
d) Utilizar los eigenvalores y eigenvectores de matrices de pxp para la factorizacin
de las mismas.
Ahora si definimos los conceptos de eigenvalores y eigenvectores , que tienen sentido para
cualquier TL de Ven V, nos restringimos a espacios de dimensin finita

Eigenvalores Eigenvalores Eigenvalores Eigenvalores y y y y polinomios caractersticos polinomios caractersticos polinomios caractersticos polinomios caractersticos. .. .
Los eigenvalores de una matriz A real o compleja de pxp, son los nmeros reales o
complejos para los que hay un x 0 tal que Ax = x.

Observemos que Ax = x
x I x
p
=
Ax - Ip x = 0 (A- Ip) x = 0 sistema parametrizado
homogneo. Como x 0 entonces det (A- Ip) = 0 (ecuacin o polinomio caracterstico)
pues, (A- Ip) es una matriz singular.
Por qu sabemos que es un polinomio? De qu grado es?

Cmo determinamos si dados vectores son autovectores asociados a una matriz
dada?
Por ejemplo
|
|
\
|
=
|
|
\
|
=
|
|
\
|
=
2
3
,
5
6
,
2 5
6 1
v u A . Debe existir un tal que Au = u.
Procedamos al clculo de Au =
|
|
\
|
=
|
|
\
|
=
|
|
\
|
|
|
\
|
5
6
4
20
24
5
6
.
2 5
6 1
= -4
|
|
\
|
5
6
, o sea =-4
u es autovector de A. Procedemos anlogamente con v :

|
|
\
|
|
|
\
|
=
|
|
\
|
|
|
\
|
2
3
19
15
2
3
.
2 5
6 1
, v no es autovector de A

Cmo determinamos si dado un escalar ste es un autovalor asociado a una
matriz dada?
Por ejemplo 7 ,
2 5
6 1
=
|
|
\
|
= A . Armamos A-7I2 y calculamos su determinante, si da 0, 7
es autovalor sino, no.
El determinante queda
5 5
6 6
, que da 0. Si resolvemos la ecuacin homognea (A-

7I2) x=0 se forma la matriz
|
|
\
|
|
|
\
|
0 0 0
0 1 1
0 5 5
0 6 6
. La solucin general tiene la
forma x2
|
|
\
|
1
1
. Cada vector de esta forma con x2 no nulo es un autovector para = 7.

3 33 3
El conjunto de todas las soluciones de (A- I)x=0 es el espacio nulo de la matriz A- I,
o sea que es un subespacio de IR
n
y se llama espacio propio de A correspondiente a
Tambin nos va a interesar hallar los autovalores y autovectores asociados a una
matriz dada:
Por ejemplo Sea
|
|
\
|
=
0 6
1 5
A hallar y x.
Ax = x
|
|
\
|
=
|
|
\
|
|
|
\
|
2
1
2
1
0 6
1 5
x
x
x
x

Como sabemos que slo ve afectada la diagonal principal, determinamos los valores de
que anulan al determinante
0
6
1 5
=
=
=
= +
6
1
0 6 5
2
1 2

Calculamos los autovectores asociados, o sea hallamos el conjunto solucin de: (A- Ip) x =
0, para cada autovalor:
1 = -1, nos queda
0
0
1 6
1 6
o sea 6x1+ x2= 0 x2= -6x1
|
|
\
|
=
1
6
1
E . Anlogamente
con 2 = 6, obetenemos
|
|
\
|
=
1
1
2
E
El conjunto de esos autovectores forman una base de IR
2
(por qu?)

Resumiendo el procedimiento para calcular valores y vectores propios:
Se encuentra p()= det(A - I).
Se encuentra las races 1, 2,, r de p() = 0
Se resuelve el sistema homogneo (A - iI) v = 0
correspondiente a cada valor de i
Importa el orden en que se establecen los valores propios?En qu influye el
orden?

Teorema Teorema Teorema Teorema Suponga A pxp Entonces a) det(A- I) es un polinomio de grado p en , llamado
polinomio caracterstico de A b) El coeficiente
p
en f( ) es igual a (-1)
p
c) El coeficiente
p-1
en f( ) es igual a (-1)
p-1
trA d) el trmino constante de f( ) es el det (A)
Demuestre.

Qu ocurre si calculamos los autovalores de una matriz triangular, ya sea superior
o inferior?

4 44 4
|
|
|
|
|
\
|
=
|
|
|
|
|
\
|
nn
n
n
nn
n
n
a
a a
a a a
I
a
a a
a a a
... 0 0
...
... 0
...
... 0 0
...
.. 0
...
2 22
1 12 11
2 22
1 12 11
y su determinante es el
producto de su diagonal principal , o sea (a11 - ) (a22 - )(ann - ) . Con lo cual los
autovalores coinciden con los valores de los elementos de su diagonal principal, pues
anulan al determinante (A- I).
Teniendo en cuenta que el det(A- I) es un polinomio de grado n, si A es de n.n , nos queda
que det(A- I)= ( ) ( ) ( ) n r
r
m
r
m m
, ...
2 1
2 1

m1 + m2+ + mr= n

Entonces qu significa que una matriz tenga un valor propio 0?
Esto es que A x = 0x tiene una solucin no trivial. Pero es equivalente a afirmar que A x
= 0 es un sistema compatible indeterminado, o lo que es lo mismo a decir que el det(A)=
0.
Entonces si la matriz A tiene un autovalor igual a cero es singular.

Teorema Teorema Teorema Teorema. .. . Si v1,v2,,vr son los vectores propios que corresponden a distintos valores
propios 1, 2,..., r de una matriz A de n x n entonces el conjunto de los vectores
propios es li.
H) v1,v2,,vr son los vectores propios que corresponden a distintos valores propios 1,
2,..., r de una matriz A de n x n
T) {v1,v2,,vr} es li
d) Supongamos que {v1,v2,,vr} es ld entonces hay un ndice mnimo p tal que vp+1 es
combinacin lineal de los vectores (li) precedentes y existen escalares 1, , p tales que

1v1 + 2v2+ + pvp = vp+1 (1)
m.m.a.m por A y utilizando que Avk = kvk
1Av1 + 2A v2+ + PAvp = Avp+1

1 1v1 + 2 2 v2+ + P P vp = p+1vp+1
m.m.a.m la igualdad (1) por p+1 y restrsela a la anterior tenemos:

1 ( 1- p+1 )v1 + 2 ( 2 - p+1 )v2+ + p ( P - p+1 )vp = 0 (2)
como {v1, v2,, vp} es un conjunto li todos los pesos, o sea los escalares de (2) son todos
ceros. Pero ninguno de esos factores i - p+1 son cero, porque los valores propios son
distintos. De ah que i = 0 para i= 1, 2, .., p . Pero entonces de (1) vp+1 =0, lo que es
imposible. Por lo tanto {v1,v2,,vr} es li

5 55 5

Observemos la siguiente matriz y calculemos sus autovalores y autovectores.
|
|
|
|
|
|
\
|
=
1 0 0 0 0
0 2 0 0 0
0 0 1 0 0
0 0 1 1 0
0 0 0 0 2
A como A es una matriz diagonal sus autovalores son los elementos
de su diagonal principal y el polinomio caracterstico es :
det(A- I)= (2- )
2
(1- )
3
Calculemos los autovectores asociados.
Para =2

|
|
|
|
|
|
\
|
|
|
|
|
|
|
\
|
=
=
=
=
=
=
|
|
|
|
|
|
\
|
=
0
1
0
0
0
,
0
0
0
0
1
0
0
0
1 0 0 0 0
0 0 0 0 0
0 0 1 0 0
0 0 1 1 0
0 0 0 0 0
2
5
4
3
2
1
E
x
k x
x
x
h x

Para =1

|
|
|
|
|
|
\
|
|
|
|
|
|
|
\
|
=
=
=
=
=
=
|
|
|
|
|
|
\
|
=
1
0
0
0
0
,
0
0
0
1
0
0
0
0
0 0 0 0 0
0 1 0 0 0
0 0 0 0 0
0 0 1 0 0
0 0 0 0 1
1
5
4
3
2
1
E
k x
x
x
h x
x

Qu es lo que ocurri?
Los valores propios en este ejemplo, son mltiples, y la dimensin del espacio propio
correspondiente a 2 (nulidad de A- I) no coincide con la multiplicidad algebraica de su
valor propio. Por ende, el conjunto de vectores propios en este ejemplo no es una base de
IR
5
, sino de un subespacio en IR
5
.
Entonces el nmero de vectores propios li no necesariamente es igual a la multiplicidad
algebraica del valor propio correspondiente.
As que se define el concepto de multiplicidad geomtrica multiplicidad geomtrica multiplicidad geomtrica multiplicidad geomtrica como la dimensin del espacio
propio correspondiente a , siendo un valor propio de de una matriz A, o sea es la
nulidad de la matriz A- I. Esto es:
Multiplicidad geomtrica de = dim

E = v (A- I)


6 66 6
Multiplicidad geomtrica de Multiplicidad aritmtica de

Cundo una matriz nxn tiene n vectores propios li?
Cuando la multiplicidad geomtrica de cada valor propio es igual a la multiplicidad
algebraica. En particular, si los n valores propios son diferentes la matriz A tiene n
vectores li (ya que???)(ver teorema pgina 3)

Dada la matriz
|
|
\
|
=
3 1
1 3
A calcular los eigenvalores y eigenvectores.
i i I = + = = +
|
|
\
|

=
|
|
\
|
3 , 3 0 1 ) 3 (
3 1
1 3
3 1
1 3
2 1
2

Calculamos los eigenvectores.
Para = 3 + i
0 1
0 1
0 1
0 1
i
i
i
i

O sea x1=i x2
)
`
|
|
\
|
=
+
1
3
i
E
i

Para = 3 - i
0 1
0 1
0 1
0 1
i
i
i
i

O sea x1=-i x2
)
`
|
|
\
|
=

1
3
i
E
i

Entonces si la matriz es real y sus valores propios son complejos stos son
Ejercicios Ejercicios Ejercicios Ejercicios
1. 1. 1. 1. Sea
|
|
\
|
=
1 , 1 75 , 0
6 . 0 5 , 0
A encuentre los valores propios y una base para cada espacio
propio.

7 77 7
Adems ver cmo afecta la multiplicacin de A por ejemplo al vector
|
|
\
|
0
2
y
graficar las imgenes sucesivas de este punto bajo respectivas multiplicaciones por
A. Qu determina la transformacin de x Ax ?

2. 2. 2. 2. Si x es un vector propio de A para un cierto , proponga una expresin que
permita calcular A
n
x. Demuestre por IC.

En el campo de la investigacin, en muchas ocasiones se necesita modelizar
matemticamente sistemas dinmicos que varan en el tiempo.
Algunas caractersticas del sistema se miden a intervalos de tiempo discretos,
producindose una secuencia de vectores x0, x1, x2,Las entradas xk proporcionan
informacin acerca del estado del sistema en el momento de la k-sima medicin.
Si existe una matriz A tal que x1= Ax0 , x2= Ax1 en general xk+1 = Axk (1)para k =0, 1, 2,
entonces dicha expresin general se llama ecuacin lineal en diferencias ( o relacin de
recurrencia).
Si A es una matriz de nxn entonces (1) es una descripcin recursiva de una sucesin de
{xk} en IR
n
. Una solucin de (1) es una descripcin explcita de {xk } cuya frmula para cada
xk no depende directamente de A ni de los trminos precedentes en la sucesin excepto el
trmino inicial x0.
La manera ms sencilla de construir una solucin de (1) es tomar un vector propio x0 y su
valor correspondiente y hacer xk =
k
x0 (k = 1, 2, )
1

Esta sucesin funciona, pues, Axk= A(
k
x0) =
k
(Ax0) =
k
( xo) =
k+1
x0 = xk+1

Ejemplo Ejemplo Ejemplo Ejemplo
En los bosques de secuoyas de California, las ratas pie pardo de bosque constituyen hasta
el 80% de las lechuzas moteadas (depredador de la rata de bosque. Dentese a la
poblacin de lechuzas y ratas de bosque en un tiempo k por
|
|
\
|
=
k
k
k
R
O
x donde k es el
tiempo en meses, Ok el nmero de lechuzas en la regin estudiada y Rk el nmero de ratas
medidas en miles. Suponga que
Ok+1 = 0,5Ok + 0,4 Rk
RK+1 = -pOk + 1,1Rk
p es un parmetro positivo por especificar. El 0,5 Ok dice que sin ratas de bosque para
alimentarse, slo sobrevivir la mitad de las lechuzas cada mes, mientras que el 1,1 Rk de
la segunda ecuacin dice que sin lechuzas como depredadoras, la poblacin de ratas
aumentar en un 10% cada mes. Si hay abundancia de ratas, el 0,4Rk tender a hacer que
la poblacin de lechuzas aumente, mientras que el trmino negativo -pOk mide las muertes
de ratas debidas a la depredacin de las lechuzas. Determinar la evolucin de este sistema
cuando el parmetro de depredacin es p=0,104.

1
Las combinaciones lineales de soluciones de esta forma tambin soluciones

8 88 8
Verificar que los valores propios de la situacin precedente para p= 0,104 son 1= 1,02 y
2= 0,58 y sus respectivos vectores propios
|
|
\
|
=
|
|
\
|
=
1
5
,
13
10
2 1
v v . Se puede escribir una x0
inicial como x0= c1v1+c2v2, por ser 1 2 entonces v1 y v2 son base de IR
2
,Por otra parte
x1= Ax0= c1 Av1+c2 Av2= c1 1v1+c2 2v2, en general xk = c1
k
1
v1+c2
k
2
v2 (k= 0, 1, 2,)
xk = c1 1,02
k
|
|
\
|
+
|
|
\
|
1
5
58 , 0
13
10
2
k
c
Observamos que si k es un nmero suficientemente grande 0,58
k
tiende a cero, entonces xk
|
|
\
|
13
10
02 , 1
1
k
c (2). As que esta aproximacin mejora para k (suficientemente grande)
xk+1
k
k
x c 02 , 1
13
10
02 , 1
1
1

|
|
\
|
+

Indica que mensualmente el ndice de crecimiento es del 2%. Por (2) xk es
aproximadamente un mltiplo de
|
|
\
|
13
10
, esto es por cada 10 lechuzas hay
aproximadamente 13000 ratas.

Podemos generalizar que en un sistema dinmico xk+1 = Axk en el cual A es nxn y sus
valores propios satisfacen que 1
1
y 1 <
j
, con j= 2,3,,n y v1 es un vector propio de
1
. Si x0 est dado por la combinacin lineal de los vectores propios (c1 0 ) entonces para
toda k suficientemente grande xk+1
k
x
1
y xk
1 1 1
v c
k
.Estas aproximaciones se pueden
hacer tan cercanas como se quiera tomando k suficientemente grande. Adems que las
entradas de xk es casi igual a la proporcin de las entradas correspondientes en v1 .

Dejamos por un momento este tema y definamos: matrices semejantes y diagonalizacin matrices semejantes y diagonalizacin matrices semejantes y diagonalizacin matrices semejantes y diagonalizacin
Dos matrices A y B de nxn son semejante semejante semejante semejantes s s s si y slo s existe una matriz no singular C de
nxn tal que B = C
-1
AC.
Esta funcin se llama transformacin de semejanza (demuestre que es una TL) (T(A) = C
-
1
AC)
Una definicin alternativa es que A y B son semejantes si y slo s existe una matriz
invertible C tal que CB = AC
Ejemplo muestre que
|
|
\
|
=
|
|
\
|
=
|
|
\
|
=
1 1
1 2
,
3 5
2 4
,
1 0
1 2
C B A

A y B son semejantes.

Teorema Teorema Teorema Teorema Si A y B son matrices semejantes de nxn, entonces tienen el mismo polinomio
caracterstico y por ende los mismos valores propios.

9 99 9
Demostracin det(B - I ) = det( C
-1
AC - I ) = det(C
-1
AC- C
-1
( I) C)= det(C
-1
(A- I)C)
= det (C
-1
) det(A- I) det (C
-1
) = ..complete.

Definicin Definicin Definicin Definicin Una matriz A de nxn se dice diagonalizable si existe una matriz diagonal D tal
que A es semejante a D.
(Tener en cuenta que si es una matriz diagonal sus valores propios son los elementos de
su diagonal principal por qu?)

Teorema Teorema Teorema Teorema Una matriz A de nxn es diagonalizable si y slo si tiene n vectores propios li En
tal caso la matriz diagonal D semejante a A est dada por una matriz diagonal donde los
elementos de la diagonal principal son los valores propios de A . Siendo C la matriz cuyas
columnas son los vectores propios li de A que cumple que D = C
-1
AC

Cundo una matriz A n xn es diagonalizable?
Muchas matrices son diagonalizables?

Ejercicios Ejercicios Ejercicios Ejercicios. .. .
3. 3. 3. 3. Diagonalice
a.
|
|
\
|
3 3
2 4

b.
|
|
|
\
|
1 1 2
1 2 3
4 1 1

c.
|
|
|
\
|
3 2 4
2 0 2
4 2 3

d.
|
|
\
|
4 0
1 4

4. 4. 4. 4. Demuestre que si A es diagonalizable A
n
= CD
n
C
-1
. Calcule A
10
, si A
|
|
\
|
=
1 2
1 0

5. 5. 5. 5. Sea una cadena de Markov de matriz de transicin
|
|
\
|
8 , 0 3 , 0
2 , 0 7 , 0
y vector de estado
inicial x0=
|
|
\
|
4 , 0
6 , 0
muestre que los vectores de transicin xk (A
k
x0=xk) convergen al
vector de estado estacionario x0
6. 6. 6. 6. En una caja se coloca una rata con tres compartimientos. La rata fue entrenada
para seleccionar una puerta aleatoriamente siempre que se haga sonar una
campana y pasar a travs de ella hacia el siguiente compartimento

10 10 10 10
a. Si la rata se encuentra en el compartimento 1,cul es la probabilidad de
que se encontrar en el compartimento 2 despus de que la campana suene
dos veces?y tres veces?
b. A la larga, qu porcentaje de su tiempo pasar la rata en cada
compartimento?
c. Las potencias de la matriz de transicin a qu matriz se aproximan
2

7. 7. 7. 7. Cierta especie de escarabajo alemn vive hasta tres aos. Dividimos las hembras
de los escarabajos en tres: menores (de 0 a1), jvenes (de 1 a 2) y adultas (de 2 a
3). Las menores no producen huevos, cada joven un promedio de cuatro hembras y
las adultas, de tres.
8. 8. 8. 8. La tasa de supervivencia de las menores es de 50%, la de las jvenes de 25% .
Supongamos que comenzamos con una poblacin de 100 hembras, 40 menores, 40
jvenes y el resto adultas. Prediga la poblacin dentro de 5 aos.Encuentre la tasa
de estado estacionario y las razones correspondientes entre las clases de edad de
la matriz de Leslie
3

Teorema Teorema Teorema Teorema Sea V un espacio vectorial de dimensin finita con bases B1 y B2. Sea la TL de
VV , con AT la representacin matricial de la TL respecto de la base B1 y CT la
representacin matricial de la TL respecto de la base B2, entonces A y C son semejantes.
Teorema Teorema Teorema Teorema Sea A una matriz simtrica real de nxn, entonces los valores propios son reales .
Teorema Teorema Teorema Teorema Sea A una matriz simtrica real de nxn, si
1
y
2
son valores propios diferentes
con vectores reales correspondientes v1 y v2 entonces v1 y v2 son ortogonales.
Demostracin (A v1 ) v2 = (
1
v1 ) v2 =
1
(v1 v2) (*)

(A v1 ) v2 = (A v1 )
t
v2 = v1
t
A
t
v2 = v1
t
A v2 = v1
2
v2 =
2
(v1 v2) (**)

(*) y (**) son iguales y como
1

2
, v1 v2 = 0
Entonces v1 y v2 son ortogonales.
(Justifique cada paso)

Teorema Teorema Teorema Teorema Sea A una matriz simtrica real de nxn, entonces A tiene n vectores propios
reales ortonormales.

Definicin Definicin Definicin Definicin Se dice que una matriz A de nxn es diagonalizable ortogonalmente diagonalizable ortogonalmente diagonalizable ortogonalmente diagonalizable ortogonalmente si existe una
matriz ortogonal Q tal que Q
t
AQ =D, donde D es la matriz diagonal de A, donde los
elementos de su diagonal principal son los valores propios de A ( Q es ortogonal si Q
t
= Q
-
1
)

2
Ver solucin en apndice I
3
Er solucin en apndice II

11 11 11 11
Teorema Teorema Teorema Teorema Sea A una matriz real de nxn, entonces es diagonalizable ortogonalmente si A es
simtrica.

Procedimiento para encontrar una matriz diagonalizante Q
Encuentre una base para cada espacio propio de A
Encuentre una base ortonormal para cada espacio propio de A(proce4so de Gram-
Schmidt)
Escriba Q como la matriz cuyas columnas son los vectores propios ortonormales
obtenidos en el paso anterior

Ejercicios Ejercicios Ejercicios Ejercicios .
9. 9. 9. 9. Diagonalice
|
|
\
|
=
3 2
2 1
A ,
|
|
|
\
|
=
2 2 2
2 5 4
2 4 5
B
La ecuacin caracterstica de A es 1 4
3 2
2 1
) det(
2
=

=
I A ,
siendo sus races 5 2 . El autovector asociado a
1
= 5 2 , es
|
|
\
|
+
=
5 1
2
1
v , siendo su mdulo 5 2 10 . Por lo tanto
|
|
\
|
+
=
5 1
2
5 2 10
1
1
u
Despus para
2
= 5 2 + ,
|
|
\
|

=
2
5 1
2
v (verifique v1v2= 0)
Su mdulo 5 2 10 de manera que
|
|
\
|

=
2
5 1
5 2 10
1
12
u
|
|
\
|
+
=
2 5 1
5 1 2
5 2 10
1
Q

|
|
\
|
=
2 5 1
5 1 2
5 2 10
1
t
Q

Si efectuamos
|
|
\
|
+
=
5 2 0
0 5 2
AQ Q
t
(verifique)
Calculamos la ecuacin caracterstica de B y sus races obteniendo
1
= 1 (doble)
y
2
= 10. Los autovectores de

1
son
|
|
|
\
|
=
0
1
1
1
v y
|
|
|
\
|
=
2
0
1
2
v , para
2
es

12 12 12 12
|
|
|
\
|
=
1
2
2
3
v . Aplicamos el proceso de Gram Schmidt a {v1, v2}. Como 2
1
= v ,
|
|
|
|
|
|
|
\
|
=
0
2
1
2
1
1
u
Despus ( )
|
|
|
|
|
|
\
|
= =
2
2
1
2
1
1 1 2 2 2
u u v v v y normalizamos
|
|
|
|
|
|
\
|
=
2
3
4
2
3
1
2
3
1
2
u .
Se verifica que u1u2 = 0. Entonces
|
|
|
|
|
|
\
|
= =
3
1
3
2
3
2
3
3
3
v
v
u
|
|
|
|
|
\
|

=
3
1
2
3
4
0
3
2
2
3
1
2
1
3
2
2
3
1
2
1
Q calculemos Q
t
y efectuando Q
t
BQ llegamos a
|
|
|
\
|
10 0 0
0 1 0
0 0 1
(verifique)

Formas cuadrticas y secciones cnicas Formas cuadrticas y secciones cnicas Formas cuadrticas y secciones cnicas Formas cuadrticas y secciones cnicas. .. .

Una ecuacin cuadrtica en dos variables sin trminos lineales es ax
2
+bxy+cy
2
= d con al
menos uno de los coeficientes a,b o c distintos de cero.
Una forma cuadrtica en dos variables sin trminos lineales es ax
2
+bxy+cy
2
=F (x,y) con al
menos uno de los coeficientes a,b o c distintos de cero.
As por ejemplo: F (x,y) = x
2
-4xy+3y
2
F (x,y) = Avv
y
x
y
x
=
|
|
\
|
|
|
\
|
|
|
\
|
3 2
2 1


13 13 13 13
Se puede representar a F (x,y) por muchas matrices pero sola una simtrica. En nuestro
ejemplo a11= 1, a22= 3 y a12 +a21=-4. Puede ser
|
|
\
|
3 3
7 1

Si ax
2
+bxy+cy
2
=F (x,y) es una forma cuadrtica sea
|
|
\
|
=
c b
b a
A
2 /
2 /
, entonces Avv =
F(x,y)
Para escribir la ecuacin cuadrtica es suficiente escribir Avv = d donde A es una matriz
simtrica.
Entonces va existir una matriz ortogonal Q tal que Q
t
AQ=D siendo D lamatriz diagonal de
los autovalores de A. Entonces A=QDQ
t
Podemos escribir (QDQ
t
v)v=d . Pero por
propiedad del producto escalar (Av u = v A
t
u)
Q(DQ
t
v)v= DQ
t
v Q
t
v= d
Entonces como Q
t
v es un vector de dos componentes : Dvv=d. Efectuando este producto,
se obtiene una forma cuadrtica en xy ysin trmino rectangular.
En realidad xy y son los ejes obtenidos al rotar los x y y un ngulo en el sentido
antihorario.

Ejemplos Ejemplos Ejemplos Ejemplos
Sea la ecuacin cuadrtica x
2
-4xy+3y
2
= 6 Su ecuacin es Ax x = 6 donde
|
|
\
|
=
3 2
2 1
A . En la pgina 9 en el ejercicio pedido, se la diagonaliz
|
|
\
|
+
=
5 2 0
0 5 2
D con
|
|
\
|
+
=
2 5 1
5 1 2
5 2 10
1
Q
Entonces
|
|
\
|
|
|
\
|
= =
|
|
\
|
=
y
x
x Q
y
x
x
t
2 5 1
5 1 2
5 2 10
1
y para las nuevas variables la
ecuacin se puede escribir como ( ) ( ) 6 5 2 5 2
2 2
= + + y x que corresponde a la
ecuacin de una hiprbola. (por qu???????). Pues 5 2 es negativo.
Repetir el procedimiento para 5x
2
-2xy+5y
2
=4.
Idem para -5x
2
+2xy-5y
2
=4.

Teorema Teorema Teorema Teorema Si
|
|
\
|
=
c b
b a
A
2 /
2 /
entonces la ecuacin cuadrtica ax
2
+bxy+cy
2
= d es la
ecuacin de:
1. Una hiprbola si d no es cero y det(A)<0

14 14 14 14
2. Una elipse, circunferencia o seccin cnica degenerada si d no es cero y
det(A)>0
3. Un par de rectas u otra cnica degenerada d no es cero y det(A)=0
4. Dos rectas si d = 0 y det(A) no nulo y una recta si d= det(A) = 0

Anlogamente para ecuaciones cuadrticas de ms de dos variables.

5x
2
+8xy+5y
2
+4xz+4yz+2z
2
= 100
|
|
|
\
|
=
|
|
|
\
|
=
z
y
x
v B ,
2 2 2
2 5 4
2 4 5
entonces se puede escribir Bv v = 100. Esta matriz tambin fue
diagonalizada D=
|
|
|
\
|
10 0 0
0 1 0
0 0 1
donde
|
|
|
|
|
\
|

=
3
1
2
3
4
0
3
2
2
3
1
2
1
3
2
2
3
1
2
1
Q
Sea v Q
z
y
x
v
t
=
|
|
|
\
|
= . Entonces B= QDQ
t
y Bv v QDQ
t
v v= DQ
t
v Q
t
v= Dvv= 100 en
trminos de las nuevas variables : x
2
+y
2
+10z
2
= 100. Qu result ser?

Idem proceder con x
2
-2xy+2y
2
-2yz+z
2
= 4
Idem 5x
2
+ 16xy+11y
2
+20xz-4yz+2z
2
= 36

Definicin Definicin Definicin Definicin Una dorma cuadrtica f(x)=x
t
Ax se clasifica como uno de los siguientes tipos:
1. 1. 1. 1. Definida positiva Definida positiva Definida positiva Definida positiva si f(x)>0 para toda x no nula
2. 2. 2. 2. Semidefinida positiva Semidefinida positiva Semidefinida positiva Semidefinida positiva si 0 ) ( x f para toda x
3. 3. 3. 3. Definida negativa Definida negativa Definida negativa Definida negativa si f(x<0 para toda x no nula
4. 4. 4. 4. Semidefinida negativa Semidefinida negativa Semidefinida negativa Semidefinida negativa si 0 ) ( x f para toda x
5. 5. 5. 5. Indefinida Indefinida Indefinida Indefinida si f(x) toma cualquier valor

Teorema Teorema Teorema Teorema Sea A una matriz simtrica de nxn, la forma cuadrtica f(x)=x
t
Ax es

a. Definida positiva si y slo si todos los valores propios de A son positivos
b. Semidefinida positiva si y slo si todos los valores propios de A son no negativos

15 15 15 15
c. Definida negativa si y slo si todos los valores propios de A son negativos
d. Semidefinida negativa si y slo si todos los valores propios de A son no positivos
e. Indefinida si y slo si todos los valores propios de A son tanto positivos como
negativos

Si una forma cuadrtica f(x)=x
t
Ax es definida positiva (negativa)y como f(0)=0, el valor
mnimo (mximo) de f(x) es 0 y se presenta en el origen. Entonces teniendo en cuenta el
teorema anterior, se nos permite resolver problemas de mximos y mnimos
(optimizacin con restricciones) con facilidad sin recurrir al clculo.

Proceso Proceso Proceso Proceso de de de de G GG Gram ram ram ram- -- -S SS Schmidt y la factorizacin chmidt y la factorizacin chmidt y la factorizacin chmidt y la factorizacin QR QR QR QR
Para encontrar una base ortonormal de un subespacio de IR
n
se puede utilizar el mtodo
de Gram-Schmidt. Se comienza con una base arbitraria {v1,v2,vk}del subespacio y
ortogonalizar un vector a la vez.
Para ello partimos de un ejemplo: base: {x1,x2} con
|
|
|
\
|
=
0
1
1
1
x y
|
|
|
\
|
=
1
0
2
2
x , construiremos
una base ortogonal
A partir de x1 obtenemos un segundo vector ortogonal a l tomando la componente de x2
ortogonal a x1(v2)

x1=v1 y
v2 =
|
|
|
\
|
=
|
|
|
\
|
|
\
|
|
|
|
\
|
= = =
1
1
1
0
1
1
2
2
1
0
2
.
.
) ( ) (
1
2 2
2 1
2 2 2 2
1 1
x
x x
x x
x x proy x x perp
x x

{ v1, v2}es li y base del subespacio en IR
3
de dimensin dos.

Teorema Teorema Teorema Teorema Sea {v1, v2, , vk} una base del subespacio W de IR
n
y definimos
v1= x1 base de W1={x1}


16 16 16 16
v2= x2-
1
1 1
2 1
.
.
v
v v
x v
base de W2={x1, x2}

v3= x3-
2
2 2
3 2
1
1 1
3 1
.
.
.
.
v
v v
x v
v
v v
x v
base de W3={x1, x2, x3}

vk= xk-
1
1 1
1
2
2 2
2
1
1 1
1
.
.
...
.
.
.
.

k
k k
k k k k
v
v v
x v
v
v v
x v
v
v v
x v
base de Wk={x1, x2, x3xk}

Entonces {v1, v2,,vk} es una base ortogonal de W

10. 10. 10. 10. Encuentre una base ortonormal para el subespacio de IR
4
generado por
|
|
|
|
|
\
|
|
|
|
|
|
\
|
|
|
|
|
|
\
|
2
1
2
2
,
1
0
1
2
,
11
1
1
1
y una base ortogonal de IR
3
que contenga el vector
|
|
|
\
|
2
3
1

Factorizacin Factorizacin Factorizacin Factorizacin QR QR QR QR
Si A es una matriz de mxn con columnas li (para lo cual se requiere que n m ) entonces
la aplicacin del proceso de Gram-Schmidt a estas columnas nos lleva a una muy til
factorizacin de A como el producto de una matriz Q con columnas ortonormales, con una
matriz triangular superior (factorizacin QR factorizacin QR factorizacin QR factorizacin QR)
A los vectores columnas li de A ,{a1,a2,,an} se le aplica el proceso de Gram-Schmidt con
normalizaciones, obteniendo {q1,q2,qn}. Para cada i= 1,,n la base de Wi={ a1,a2,,ai } =
{q1,q2,qi} . Por lo tanto existen escalares r1i, r2i,,rii tales que

ai=r1iq1+r2iq2++riiqi para i= 1,2,,n que en forma matricial se expresa
[ ] [ ] QR
r
r r
r r r
q q q a a a A
nn
n
n
n n
=
(
(
(
(
= =
... 0 0
... ... ... ...
... 0
...
... ...
2 22
1 12 11
2 1 2 1

Teorema Teorema Teorema Teorema Si A es una matriz de mxn con columnas li. Entonces A puede ser factorizada
como A=QR donde Q es una matriz de mxn con columnas ortonormales y R es una matriz
triangular superior invertible nxn

17 17 17 17
Como A=QR y Q una matriz ortogonal, R =Q
t
A

Ejercic Ejercic Ejercic Ejercicio io io io Factoree
|
|
|
|
|
\
|
=
2 1 1
1 0 1
2 1 1
2 2 1
A de la forma QR
Diagonalizacin ortoganal de matrices simtricas Diagonalizacin ortoganal de matrices simtricas Diagonalizacin ortoganal de matrices simtricas Diagonalizacin ortoganal de matrices simtricas
Las matrices simtricas reales tienen autovalores reales y siempre es diagonalizable
Sea la matriz
|
|
\
|
=
2 2
2 1
A calculamos las races de su ecuacin caracterstica y luego los
autovectores asociados.
Se obtiene
|
|
\
|
=
2
1
1
v y
|
|
\
|
=
1
2
2
v . Obteniendo
|
|
\
|
=
2 0
0 3
D
Pero se puede resolver mejor. Teniendo en cuenta que v1 y v2 son ortogonales, los
normalizamos y obtenemos
|
|
\
|
=
5 1 5 2
5 2 5 1
Q . As D= Q
-1
AQ=Q
t
AQ

Definicin Definicin Definicin Definicin Una matriz cuadrada A es ortogonalmente diagonalizable ortogonalmente diagonalizable ortogonalmente diagonalizable ortogonalmente diagonalizable si existe una matriz
ortogonal Q y una matriz diagonal D tales que Q
t
AQ=D

11. 11. 11. 11. Diagonalice ortogonalmente
|
|
|
\
|
=
2 1 1
1 2 1
1 1 2
A
12. 12. 12. 12. Pruebe que si A es ortogonalmente diagonalizable es simtrica.
13. 13. 13. 13. Demuestre que las matrices simtricas reales tienen autovalores reales
14. 14. 14. 14. Si A es una matriz simtrica, entonces cualesquiera dos autovectorews
correspondientes distintos de A son ortogonales.

Forma matricial de ecuaciones diferenciales Forma matricial de ecuaciones diferenciales Forma matricial de ecuaciones diferenciales Forma matricial de ecuaciones diferenciales. .. .

Sabemos que una ecuacin diferencial es una ecuacin que incluye al menos una derivada
x(t) = ax(t). Se puede demostrar que las soluciones son de la forma x(t)=ce
at
, siendo
c=x0=x (0) por qu?qu interpretacin fsica tiene?
Con frecuencia existen varias funciones ligadas por varias ecuaciones diferenciales. Sea el
siguiente sistema de n ecuaciones diferenciales con n funciones desconocidas:

18 18 18 18
) ( ... ) ( ) ( ) (
...
) ( ... ) ( ) ( ) (
) ( ... ) ( ) ( ) (
2 2 1 1
2 2 22 1 21 2
1 2 12 1 11 1
t x a t x a t x a t x
n nn n n n
n n
n n
+ + + =
+ + + =
+ + + =

Este sistema se llama sistema de ecuaciones difer sistema de ecuaciones difer sistema de ecuaciones difer sistema de ecuaciones diferenciales lineales de primer orden de enciales lineales de primer orden de enciales lineales de primer orden de enciales lineales de primer orden de nxn.
Sea
|
|
|
|
|
\
|
=
) (
...
) (
) (
) (
2
1
t x
t x
t x
t x
n
se llama funcin vectorial. funcin vectorial. funcin vectorial. funcin vectorial. Se define
|
|
|
|
|
\
|
=
) (
...
) (
) (
) (
2
1
t x
t x
t x
t x
n
y
|
|
|
|
|
\
|
=
nn n n
n
n
a a a
a a a
a a a
A
...
...
...
...
2 1
2 22 21
1 12 11
, el sistema nos queda x(t)=Ax(t) ()
Para resolver () se puede esperar que la solucin tenga la forma
At
e
Recordemos que ...
! 3 ! 2
1
3 2
+ + + + =
t t
t e
t

Como converge para todo valor de t en particular ...
! 3
) (
! 2
) (
1
3 2
+ + + + =
at at
at e
at

Definicin Definicin Definicin Definicin
At
e

=
= + + + + =
0
3 2
!
...
! 3 ! 2
k
k
A
k
A A A
A I e

Teorema Teorema Teorema Teorema Para cualquier vector constante c, x(t) = e
At
c es una solucin de () siendo
c=x(0)=x0.

e
At
se llama matriz solucin principal del sistema x=Ax

Calcular e
A

|
|
|
\
|
=
3 0 0
0 2 0
0 0 1
A
|
|
|
\
|
=
2
2
2
2
3 0 0
0 2 0
0 0 1
A ...
3 0 0
0 2 0
0 0 1
3
3
3
3
|
|
|
\
|
= A
|
|
|
\
|
=
m
m
m
m
A
3 0 0
0 2 0
0 0 1


19 19 19 19
. ..
! 3
3
0 0
0
! 3
2
0
0 0
! 3
! 2
3
0 0
0
! 2
2
0
0 0
! 2
3 0 0
0 2 0
0 0
1 0 0
0 1 0
0 0 1
3 3
3
3
2
2
2 2
2
= +
|
|
|
|
|
|
|
\
|
+
|
|
|
|
|
|
|
\
|
+
|
|
|
\
|
+
|
|
|
\
|
=
t
t
t
t
t
t
t
t
t
e
t
At

=
|
|
|
|
|
|
|
\
|
+ + + +
+ + + +
+ + + +
...
! 3
) 3 (
! 2
) 3 (
3 1 0 0
0 ...
! 3
) 2 (
! 2
) 2 (
2 1 0
0 0 ...
! 3 ! 2
1
3 2
3 2
3 2
t t
t
t t
t
t t
t

|
|
|
\
|
t
t
t
e
e
e
3
2
0 0
0 0
0 0

Ac fue fcil calcular
At
e pues A es una matriz diagonal. Entonces lo que conviene es
diagonalizar. Pero y si no se puede. Existe una matriz semejante ms sencilla aunque no
diagonal que va a simplicar las operacines
Definimos
|
|
|
|
|
|
\
|
=
0 ... 0 0 0
1 ... 0 0 0
...
0 ... 1 0 0
0 ... 0 1 0
k
N , o sea con 1 arriba de la diagonal principal y ceros en
la otra parte
Para un escalar se define la matriz de bloques de Jordan matriz de bloques de Jordan matriz de bloques de Jordan matriz de bloques de Jordan B() por
|
|
|
|
|
|
\
|
= + =

0 ... 0 0 0
1 ... 0 0 0
...
0 0 ... 1 0
0 0 ... 0 1
) (
k
N I B

Una matriz de Jordan J tiene la forma

20 20 20 20
|
|
|
|
|
\
|
=
) ( ... 0 0
...
0 ... ) ( 0
0 ... 0 ) (
2 2
1 1
r r
B
B
B
J
o sea es una matriz que en su diagonal principal

tiene matrices de bloques de Jordan y en el resto ceros.
Por ejemplo
|
|
|
\
|
8 0 0
0 3 0
0 1 3

|
|
|
|
|
|
\
|
9 0 0 0 0
0 7 0 0 0
0 1 7 0 0
0 0 1 7 0
0 0 0 0 7
Ahora marque las matrices de bloques de
Jordan

Ejercicio Ejercicio Ejercicio Ejercicio

15. 15. 15. 15. Ejemplifique todas las posibles matrices de Jordan de 2x2 y de 3x3

Teorema Teorema Teorema Teorema Sea una matriz A de nxn, entonces existe una matriz C invertible de nxn tal que C
-
1
AC = J donde J es una matriz de Jordan cuyos elementos en la diagonal son los valores
propios de A. (Esta matriz J se llama forma cannica de Jordan de A

Observaci Observaci Observaci Observaciones ones ones ones
Si A es diagonalizable J = D y cada elemento de la diagonal es una matriz de
bloques de Jordan de 1x1.
Si una matriz A de 2x2 tiene un valor propio de multiplicidad algebraica 2 y
geomtrica 1, existe un vector v2 que satisface la ecuacin (A-I)v2= v1 siendo v1 el
autovector asociado a . A v2 se lo llama vector propio generalizado


16. 16. 16. 16. Encuentre un vector propio generalizado de
|
|
\
|
=
5 8
2 3
A Por qu un y no el?
Halle, ahora la forma cannica de Jordan.
17. 17. 17. 17. Si el polinomio caracterstico de A es (-5)
3
(+4), d todas las posibles formas
cannicas de Jordan y seale la multiplicidad geomtrica en cada caso.
18. 18. 18. 18. Ahora s calcule
At
e si
|
|
\
|
=
h
h
A
0
1
, utilizando la forma cannica de Jordan de A


21 21 21 21

Teorema Teorema Teorema Teorema Sea J la forma cannica de Jordan de una matriz A y J=C
-1
AC, entonces A=CJC
-1
y
e
At
= Ce
Jt
C
-1

Aplicaciones varias Aplicaciones varias Aplicaciones varias Aplicaciones varias

En estos problemas armar A, calcular la forma cannica de Jordan de A y aplicar teorema
anterior.
19. 19. 19. 19. Sea el sistema
) ( 2 ) ( 2 ) (
) ( ) ( 3 ) (
2 1 2
2 1 1
t x t x t x
t x t x t x
+ =
=
. Se observa que el aumento en la
poblacin de una especie causa disminucin en la tasa de crecimiento de la otra.
Suponer x1(0)=90, x2(0)=150 . Encuentre las poblaciones de ambas especies.
(t>0)
20. 20. 20. 20. En este sistema la especie 1 es la presa y la 2, el depredador.
) ( 4 ) ( ) (
) ( ) ( 2 ) (
2 1 2
2 1 1
t x t x t x
t x t x t x
+ =
=
Encuentre las poblaciones de ambas especies, si
x1(0)=500, x2(0)=100(t>0)
21. 21. 21. 21. Sea el sistema
) ( ) ( ) (
) ( ) ( ) (
2 1 2
2 1 1
t x t x t x
t x t x t x
+ =
+ =
. Suponer x1(0)=x2(0)=1000. Encuentre
las poblaciones de ambas especies. (t>0)
22. 22. 22. 22. Considere el modelo de cooperacin de especies dado por
) (
2
1
) (
4
1
) (
) ( ) (
2
1
) (
2 1 2
2 1 1
t x t x t x
t x t x t x
=
+
=
supngase x1(0)=200, x2(0)=500(t>0). Determine
la poblacin de cada especie.

Ecuaciones diferenciales lin Ecuaciones diferenciales lin Ecuaciones diferenciales lin Ecuaciones diferenciales lineales homogneas eales homogneas eales homogneas eales homogneas. .. .

Teorema Teorema Teorema Teorema Dada y+ay+by=0 y 1 y 2 las races de la ecuacin caracterstica
2
+ a + b
= 0. Si a.
2 1
, entonces { }
t t
e e
2 1
,

es una base del conjunto solucin
b.
2 1
= , entonces { }
t t
te e

, es una base del conjunto solucin

O sea que las soluciones son de la forma :a.
t t
e c e c y
2 1
2 1

+ =
b.
t t
te c e c y

2 1
+ =


22 22 22 22
23. 23. 23. 23. Encuentre todas las soluciones de:
y-4y++3y=0; y+4y+4y=0, y(0) = 1, y(0)=0; y-2y+4y=0


23 23 23 23
APNDICE APNDICE APNDICE APNDICE I II I

La matriz de transicin para esta cadena de Markov es P=(pij). Entonces p21=p31=1/2,
p13=p13= 1/3, p11=p22=p33=0 siendo pij la probabilidad de moverse de j a i. Nos queda
|
|
|
|
|
|
\
|
=
0
3
2
2
1
3
2
0
2
1
3
1
3
1
0
P y el vector inicial
|
|
|
\
|
=
0
0
1
0
x
Despus del taido de campana
|
|
|
\
|
= =
5 , 0
5 , 0
0
0 1
Px x
|
|
|
|
|
|
\
|
= =
3
1
3
1
3
1
1 2
Px x y
|
|
|
|
|
|
\
|
= =
18
7
18
7
9
2
2 3
Px x .
Por lo tanto la probabilidad de que se encuentre en el comportimento 2 es de 1/3 despus
de dos campanazos, y 7/18, despus de tres.
b) x debe pertenecer al espacio nulo de I P. Resolvemos el sistema
|
|
|
|
|
\
|
=
t
t
t
x
3
2
. Puesto que
x es un vector de probabilidad necesitamos que x1 + x2 + x3 = 1, de este modo
8
3
= t y
|
|
|
|
|
|
\
|
=
8
3
8
3
4
1
x . O sea que la rata a la larga se va a pasar de su tiempo en el compartimento 1 y
3/8 en cada uno de los otros dos compartimentos.
c) Las potencias de P se aproximan a
|
|
|
|
|
|
\
|
8
3
8
3
8
3
8
3
8
3
8
3
4
1
4
1
4
1
la rata pasar 25% de su tiempo en el
compartimiento 1 y 37,5% en cada uno de los dos compartimentos.


24 24 24 24
APNDICE II APNDICE II APNDICE II APNDICE II

Despus de un ao el nmero de menores ser de 40x4 + 20x3 = 220
El de jvenes las que hayan sobrevivido 40x0,5 = 20
Lo mismo para las adultas 40 x 0,25 = 10
Podramos haber obtenido estos resultados a partir de una ecuacin matricial
|
|
|
\
|
=
|
|
|
\
|
|
|
|
\
|
10
20
220
20
40
40
0 25 , 0 0
0 0 5 , 0
3 4 0

O Lx0= x1 , donde
|
|
|
\
|
=
20
40
40
0
x es el vector de distribucin de poblacin inicial,
|
|
|
\
|
=
10
20
220
1
x
es la distribucin despus de un ao.
As hay que seguir para llegar hasta los 5 aos x5= Lx4= L(Lx3)== L
5
x0

Teoria Autovalores y Autovectores

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Teoria Autovalores y Autovectores

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD TECNOLGICA NACIONAL

FACULTAD REGIONAL DELTA

, que da 0. Si resolvemos la ecuacin homognea (A-

= 10. Los autovectores de

o sea es una matriz que en su diagonal principal

You might also like