Autovalores repetidos y autovalores complejos Juan Manuel Rivas Castillo Matrices no diagonalizables Consideremos las siguientes matrices: 

Ambas tienes autovalores repetidos iguales a 3, pero existe una diferencia entre la matriz A y la matriz B, pues la matriz A tiene un solo autovector independiente mientras que A tiene dos autovectores independientes. Contemplemos el hecho de que la matriz B es ya diagonal. En resumen, para la matriz A no puedo formar una matriz de autovectores linealmente independientes que permitan diagonalizar la matriz, mientras que para la matriz B tengo un conjunto de vectores en que facilitan la tarea de encontrar vectores linealmente independientes. Una matriz que tiene autovalores de multiplicidad1 mayor a 1 pero que tiene autovectores independientes correspondientes a estos autovalores se le llama una matriz no diagonalizable o matriz defectuosa. De esta parte se puede concluir que una matriz es diagonalizable si ya es diagonal. Recordemos que para llegar a una matriz diagonal realizamos la siguiente transformacin , esta transformacin permite llegar a una matriz del tipo para el caso de la matriz defectuosa se puede diagonalizar esta .

cuando se llega a una matriz casi diaoganal, es decir, Consideremos nuevamente la matriz que tiene un solo autovector

cuyos autovalores son 3 y 3 y para llegar a la forma casi diagonal , entonces se cumple

empleamos el autovector generalizado, como . que

La multiplicidad es la geomtrica, es decir, la dimensin del espacio de autovectores generado por un autovalor.

La regla del vector generalizado se cumple por inspeccin, es decir, si ya se tiene el primer autovector, el segundo se construye a partir de hacer , tal como sigue:

A partir de este resultado se tiene que Entonces ahora con estos dos autovectores es posible encontrar una matriz casi diagonal: = Trabajemos ahora con una matriz de 3x3

El polinomio caracterstico de esta matriz es r = r3 - 8r2 + 21r -18, mientras que las races de este polinomio son: 3 con multiplicidad doble y 2. El autivector para el autovalor 2 es: , mientras que para el autovalor 3 es

, para encontrar el tercer autovector empleamos la regla del autovector generalizado, como sigue:

Mediante inspeccin tomamos el vector  Entonces:

Resolviendo ecuaciones en diferencia no diagonalizables Resolvamos el siguiente sistema:

La solucin del sistema es como sigue: +

Sabemos que

, entonces:

Autovalores y autovectores complejos Hasta ahora habamos trabajado con matrices cuadradas que tenan k reales autovalores. Adicionalmente, habamos visto que las matrices son diagonalizables si tena k distintos autovalores, o si cada autovalor de multiplicdiad j tena j autovectores linealmente independientes. Ahora veamos que pasa cuando los autovalores son nmeros complejos. Como los autovalores son las races del polinomio caracterstico, los autovalores complejos ocurren cuando el det(A-rI), tiene races complejas. Si vemos una matriz de 2x2 de autovalores complejos, tenemos que tener en cuenta que estos siempre vienen en pares y que son distintos, es decir, no tenemos que preocuparnos por los autovectores generalizados. Una matriz de 3x3 debe tener por lo menos un autovalor real. Es solo con las matrices de 4x4 que sure la posibilidad de repetir autovalores complejos. Veamos el siguiente ejemplo:

El polinomio caracterstico es p(r)= r2-2r+10

Las races de este polinomio son: 1+3i, 1-3i Entonces los autovectores surgen de resolver:

Tenemos que

tiene que el autovector asociado es Entonces la matriz P de autovectores es , y la matriz diagonal es:

, entonces

y para el autovalor de 1-3i, se

Para resolver la ecuacin de diferencia anterior apliquemos el siguiente teroma:

Sea A una matriz de 2x2 con autovalores complejos  y su correspondientes autovectores complejos  , podemos escribir los autovalores en coordenadas polares como r*(cos U*+ i sin U*), donde: y 

, entonces la solucin general de la ecuacin en

diferencia es:

U

U

sistema sera:

descomponen en su parte real e imaginaria como: 

Nota: recordemos que los autovectores eran :

. La solucin final del

, los cuales se

Procesos de Markov Veamos el siguiente ejemplo: Consideremos una poblacin bajo estudio que puede estar empleada o desempleada, consideremos dos periodos de tiempo y supongamos que una persona empleada tiene un 90% de probabilidad de estarlo en un segundo periodo y una persona desempleada tiene un 40% de probabilidad de estar empleada en el siguiente periodo, la dinmica correspondiente es:

Al ser una matriz de Markov uno de sus autovalores es el 1 y el otro autovalores es 0.5, los autovectores respectivos son: 4,1 y 1,-1. Entonces el resultado es:

Entonces la solucin de largo plazo del proceso de Markov tiende a

y como

estos resultados deben ser probabilidades las que deben sumar uno, supongamos que es el reciproco de la suma de los autovectores se tiene el siguiente resultado

Esta es la solucin de largo plazo en la cual se tiende a un 20% de desempleo y un 80% de empleo. Veamos el siguiente ejemplo: Supongamos que las familias americanas son clasificadas en urbanas, suburbanas y rurales. Cada ao el 20% de las familias urbanas se mudan a los suburbios y el 5% se mudan a reas rurales, el 2% de las familias que viven en reas suburbanas se mudan a reas urbanas y el 8% a reas rurales; el 10% de las familias rurales se mudan a reas urbanas y el 20% a reas suburbanas. Los datos de este problema conducen al siguiente sistema de Markov:

Los autovalores de esta matriz son: 1, 0.7 y 0.65, tomamos los autovalores y presentamos la solucin general del sistema:

Esta es la solucin general del sistema, pues los otros autovalores al ser menor a 1 cuando n tienda a infinito se vuelven cero, si normalizamos el vector a partir de asumir que es la reciproca de los componentes tendremos la siguiente conclusin: En el largo plazo el 13% de la poblacin vivir en zonas urbanas y el 67% en zonas suburbanas y el 20% restante en zonas rurales.

Matrices simtricas Las matrices simtricas se emplean de manera intensa en el anlisis econmico y lo importante de estas matrices es que mantienen propiedades que son deseables, como que solo tienen autovalores que son reales y que siempre cuentan con autovectores independientes que permiten la diagonalizacin de la matriz y que son ortogonales entre s. Finalmente, empleando los autovalores tambin es posible definir matrices: A es positiva definida si y solo si todos los autovalores de A son >0 A es positiva semidefinida si y solo si todos los autovalores de A son >=0 A es negativa definida si y solo si todos los autovalores de A son <0 A es negativa semidefinida si y solo si todos los autovalores de A son <=0 A es indefinida si y solo si los autovalores de A son positivos y negativos