Beruflich Dokumente
Kultur Dokumente
⎡2 0 2⎤ ⎡ 1 ⎤ ⎡ 6 ⎤ ⎡1⎤
Capítulo 7 ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
AX 3 = ⎢0 6 0⎥ ⎢ 5 ⎥ = ⎢10⎥ = 6 ⎢ 5 ⎥ = λ 3X 3 ; siendo λ3 = 6
3
⎢⎣1 3 3⎥⎦ ⎢⎣ 2 ⎥⎦ ⎢⎣12⎥⎦
3
⎢⎣ 2 ⎥⎦
AUTOVALORES
Y AUTOVECTORES Es decir, λ1 = 1, λ2 = 4 y λ3 = 6 son autovalores de A con autovectores
⎡ −2 ⎤ ⎡1⎤ ⎡1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
asociados X1 = ⎢ 0⎥ , X 2 = ⎢0⎥ y X 3 = ⎢ 5 ⎥ , respectivamente.
3
⎢⎣ 1⎥⎦ ⎢⎣1⎥⎦ ⎢⎣ 2 ⎥⎦
7.1. INTRODUCCIÓN.
En este capítulo se presentan dos de los más importantes conceptos del Nótese que A∈M3x3(K) y tiene exactamente 3 autovalores.
Álgebra Lineal que son claves en el Análisis de Datos Multivariante como lo
son los conceptos de Autovalor y Autovector. Se exponen todos sus temas Definición 7.2.
asociados como lo son la relación entre los autovalores y autovectores de una
matriz y su matriz transpuesta, la semejanza de matrices y los autovalores y Sea A∈Mnxn(K). Se define como espectro de A y se denota por E(A) al
autovectores de matrices simétricas. conjunto formado por todos los autovalores de A.
Sean A∈Mnxn(K) y λ∈K. Se dice que λ es autovalor, valor propio, valor Definición 7.3.
característico o eigenvalor de A si:
Sean A∈Mnxn(K) y λ∈K, tales que λ es autovalor de A. Se define como
n autoespacio, espacio propio, espacio característico o eigenespacio de A y se
∃X ∈ K (X ≠ θ nx1 ) : AX = λX denota por Vλ(A) al conjunto:
⎡2 0 2⎤ ⎡1⎤ ⎡4⎤ ⎡1⎤ Nótese que para cada autovalor existen infinitos autovectores, los cuales se
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥ generan por un conjunto finito de vectores. En el ejemplo 7.3., los autovectores
AX = ⎢0 6 0⎥ ⎢0⎥ = ⎢0⎥ = 4⎢0⎥ = λ 2 X 2 ; siendo λ2 = 4
2
de cada autovalor se generan cada uno por un solo vector.
⎢⎣1 3 3⎥⎦ ⎢⎣1⎥⎦ ⎢⎣4⎥⎦ ⎢⎣1⎥⎦
238
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Supongamos que X es autovector de A asociado a los autovalores λ y μ. cual significa que ∃X ∈ K n (X ≠ θ nx1 ) : AX = λX , es decir, λ es autovalor de
Luego, A.
AX = λX Definición 7.4.
⇒ AX − AX = λX − μX ⇒ θ nx1 = (λ − μ)X
AX = μX
Sea A∈Mnxn(K). Se define como autopolinomio, polinomio propio, polinomio
característico o eigenpolinomio de A y se denota por PA(λ) a:
Como X∈K -{θnx1} entonces para que (λ − μ)X = θ nx1 debe cumplirse que
n
Utilicemos reducción al absurdo. Supongamos que λ es autovalor de A y que Por el teorema 3.1., apartados 5 y 8 se tiene que:
Det(A-λIn) ≠ 0. Luego, por el teorema 3.1, apartado 13 se tiene que A − λI n es
Det (A − λI n ) = Det([ A1 A 2 − λe 2 L A n − λe n ]) +
no singular. Por lo tanto, por el teorema 4.19., n( A − λI n ) = 0, es decir,
+ Det([ −λe1 A 2 − λe 2 L A n − λe n ])
N ( A − λI n ) = {X ∈ K n : (A − λI n )X = θ nx1} = {θnx1}. Esto significa que
= Det([ A1 A 2 − λe 2 L A n − λe n ]) +
(A − λI n )X = θ nx1 ⇒ X = θ nx1 , es decir, AX − λX = θ nx1 ⇒ X = θ nx1 , lo cual a
+ ( −λ )Det([ e1 A 2 − λe 2 L A n − λe n ])
su vez indica que AX = λX ⇒ X = θ nx1 . Por consiguiente, X es autovector de
= Det([ A1 A 2 L A n − λe n ]) +
A asociado al autovalor λ y X = θnx1 , lo cual es una contradicción.
239 240
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
+ Det([ A1 −λe 2 L A n − λe n ]) + n
⇒ Det (A − λI n ) = ∑ (−1) n− j
SDMPAO( j)λn − j
+ ( −λ )Det([ e1 A 2 L A n − λe n ]) j=0
+ ( −λ )Det([ e1 −λe 2 L A n − λe n ])
Observaciones:
= Det([ A1 A 2 L A n − λe n ]) +
+ ( −λ )Det([ A1 e 2 L A n − λe n ]) + 1. PA(λ) es un polinomio de grado n en λ. Como todo autovalor λ de
A es raíz de PA(λ) demuestra que A tiene exactamente n
+ ( −λ )Det([ e1 A 2 L A n − λe n ]) autovalores.
+ ( −λ ) Det([ e
2 1
e 2 L A n − λe n ]) 2. El término independiente de PA(λ) es Det(A). Esto implica que:
2.1. A tiene al menos 1 autovalor nulo si y sólo si Det(A) = 0.
2.2. A tiene al menos 1 autovalor nulo si y sólo si Rango(A) < n.
Aplicando estas 2 propiedades n–2 veces cada una sobre cada matriz se
2.3. A tiene al menos 1 autovalor nulo si y sólo si A es singular.
obtiene:
2.4. A tiene todos sus autovalores no nulos si y sólo si A es no
singular.
Det (A − λI n ) = (−λ ) n Det([ e1 e 2 L e n ]) + 2.5. Si Rango(A) = r entonces A tiene exactamente n–r
+ (−λ ) n −1 Det([ A1 e 2 L e n ]) + (−λ ) n −1 Det([ e1 A 2 L e n ]) + … autovalores nulos y r autovalores no nulos.
3. Al resolver la ecuación PA(λ)= 0 se obtienen los n autovalores de A.
+ (−λ ) n −1 Det([ e1 e 2 L A n ]) + (−λ) n − 2 Det([ A1 A 2 L e n ]) + 4. Para cada autovalor calculado λ se obtiene el conjunto Vλ(A)
+ (−λ ) n − 2 Det([ A1 e 2 A 3 L A n ]) + … + resolviendo el SEL homogéneo (A − λI n )X = θ nx1 .
+ (−λ) n − 2 Det([ e1 e 2 L A n −1 A n ])+ … +
1 1 2
Definición 7.5.
+ (−λ ) Det([ e A L A ]) + (−λ )1 Det([ A1 e 2 L A n ]) + … +
n
1 1
+ (−1) λ Det(M(A)2) + … + (−1) λ Det(M(A)n) + Det(A)1 1
1. Si λ1, λ2, …, λm son los autovalores de A entonces ∑r = n .
i =1
i
241 242
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Posibles raíces: ±1, ±2, ±3, ±4, ±6, ±8, ±12, ±24 ⎡2 0 2⎤ ⎡1 0 0⎤ ⎡ x1 ⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
( A − 4 I 3 ) X = θ 3 x1 ⇒ ( ⎢ 0 6 0 ⎥ − 4 ⎢ 0 1 0 ⎥ ) ⎢ x 2 ⎥ = ⎢ 0 ⎥
−1 11 −34 24 ⎢⎣1 3 3⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦
⎡ −2 0 2⎤ ⎡ x1 ⎤ ⎡0⎤ ⎧ −2x1 + 2x 3 = 0
1 −1 10 − 24 ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎪ ⎧⎪x − x 3 = 0 ⎧x1 = x 3
⇒⎢ 0 2 0 ⎥ ⎢ x 2 ⎥ = ⎢0 ⎥ ⇒ ⎨ 2x 2 = 0 ⇒⎨ 1 ⇒⎨
⎪ x =0 ⎩ x2 = 0
− 1 10 − 24 0 ⎢⎣ 1 3 − 1 ⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎪⎩x1 + 3x 2 − x 3 = 0 ⎩ 2
4 −4 24 Luego,
−1 6 0 ⎡ x1 ⎤ ⎡ x 3 ⎤ ⎡1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X = ⎢ x 2 ⎥ = ⎢ 0 ⎥ = x 3 ⎢0 ⎥
6 −6 ⎢⎣ x 3 ⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣1⎥⎦
−1 0
Por consiguiente,
Luego,
⎧ ⎡1 ⎤ ⎫
E(A) = {1, 4, 6} ⎪ 3 ⎢ ⎥ *⎪
V4 (A) = ⎨X ∈ ℜ : X = b ⎢0⎥; b ∈ ℜ ⎬
⎪ ⎢⎣1⎥⎦ ⎪
Determinemos ahora el autoespacio asociado a cada autovalor: ⎩ ⎭
V1(A): V6(A):
⎡2 0 2⎤ ⎡1 0 0⎤ ⎡ x1 ⎤ ⎡0⎤ ⎡2 0 2⎤ ⎡1 0 0⎤ ⎡ x1 ⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
(A − 1I3 )X = θ3 x1 ⇒ ( ⎢0 6 0⎥ − 1⎢0 1 0⎥ ) ⎢ x 2 ⎥ = ⎢0⎥ ( A − 6 I 3 ) X = θ 3 x1 ⇒ ( ⎢ 0 6 0 ⎥ − 6 ⎢ 0 1 0 ⎥ ) ⎢ x 2 ⎥ = ⎢ 0 ⎥
⎢⎣1 3 3⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣1 3 3⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦
⎡1 0 2⎤ ⎡ x1 ⎤ ⎡0⎤ ⎧ x1 + 2x 3 = 0 ⎡ −4 0 2⎤ ⎡ x1 ⎤ ⎡0⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎪ ⎧⎪x + 2x 3 = 0 ⎧x1 = −2x 3 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎧ − 4 x1 + 2 x 3 = 0 ⎧⎪ 2 x 3 = 4 x1 ⎧ x 3 = 2 x1
⇒ ⎢0 5 0 ⎥ ⎢ x 2 ⎥ = ⎢0⎥ ⇒ ⎨ 5x 2 = 0 ⇒⎨ 1 ⇒⎨ ⇒⎢ 0 0 0 ⎥ ⎢ x 2 ⎥ = ⎢0⎥ ⇒ ⎨ ⇒⎨ ⇒⎨
x2 = 0 ⎩ x2 = 0 x + 3x 2 − 3x 3 = 0 ⎪⎩3x 2 = 3x 3 − x1 ⎩3x 2 = 3x 3 − x1
⎢⎣1 3 2⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎪⎩x1 + 3x 2 + 2x 3 = 0 ⎪⎩ ⎢⎣ 1 3 − 3 ⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎩ 1
⎧ x 3 = 2 x1 ⎧ x 3 = 2 x1 ⎧ x = 2 x1 ⎪⎧ x 3 = 2x1
Luego, ⇒⎨ ⇒⎨ ⇒⎨ 3 ⇒⎨ 5
⎩3x 2 = 3(2x1 ) − x1 ⎩3x 2 = 6 x1 − x1 ⎩3x 2 = 5x1 ⎪⎩x 2 = 3 x1
243 244
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Luego, ⎡1 − 18 − 7 0⎤
3 → r3 − r2
⎢ ⎥ ⎧x − 18x 2 − 7 x 3 = 0 ⎧⎪x1 = 18x 2 + 7 x 3
⎯r⎯ ⎯⎯→ ⎢0 7 3 0⎥ ⇒ ⎨ 1 ⇒⎨ 3
⎡ x1 ⎤ ⎡ x1 ⎤ ⎡1⎤
⎢0 ⎥ ⎩ 7 x 2 + 3x 3 = 0 ⎪⎩ x 2 = − 7 x 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ 0 0 0 ⎦
X = ⎢ x 2 ⎥ = ⎢ 5 x1 ⎥ = x 3 ⎢ 5 ⎥
3 3
⎢⎣ x 3 ⎥⎦ ⎢⎣ 2 x1 ⎥⎦ ⎢⎣ 2 ⎥⎦ ⎧x1 = 18(− 3 x 3 ) + 7 x 3 ⎧x1 = − 54 x 3 + 7 x 3 ⎧ x1 = − 5 x 3
⎪ 7 ⎪ 7 ⎪ 7
⇒⎨ ⇒⎨ ⇒⎨
⎪⎩ x2 = − 3 x3 ⎪ x2 = − 3 x3 ⎪ x2 = − 3 x3
Por consiguiente, 7 ⎩ 7 ⎩ 7
⎧ ⎫ Luego,
⎡1⎤
⎪ ⎢ ⎥ ⎪
V6 (A) = ⎨X ∈ ℜ3 : X = c ⎢ 5 ⎥; c ∈ ℜ* ⎬
⎡ x1 ⎤ ⎡⎢− 7 x 3 ⎤⎥ ⎡− 5 ⎤
3 5
⎪ ⎢⎣ 2 ⎥⎦ ⎪ ⎢ 7⎥
⎩ ⎭ ⎢ ⎥ ⎢ 3
X = ⎢x 2 ⎥ = − x 3 ⎥ = x 3 ⎢− 3 ⎥
⎢ 7 ⎥ ⎢ 7⎥
Ejemplo 7.5. ⎣⎢ x 3 ⎦⎥ ⎢⎣ x 3 ⎥⎦ ⎢ 1⎥
⎣ ⎦
⎡ 0 −18 −7 ⎤ ⎧ ⎡− 5 ⎤ ⎫
⎢ ⎥ ⎪ ⎢ 7⎥ ⎪
A = ⎢ 1 − 12 − 4⎥ ⎪ ⎪
V−1 (A) = ⎨X ∈ ℜ3 : X = a ⎢− 3 ⎥; a ∈ ℜ* ⎬
⎢⎣ − 1 25 9⎥⎦ ⎢ 7 ⎥
⎪ ⎪
⎢ 1⎥
⎩⎪ ⎣ ⎦ ⎭⎪
PA (λ ) = (−1)3 λ3 + (−1) 2 (Det ([0]) + Det ([−12] + Det ([9])λ2 +
Ejemplo 7.6.
⎡ 0 −18 −7 ⎤
⎡0 − 18⎤ ⎡ 0 − 7⎤ ⎡ − 12 − 4⎤ 1 ⎢ ⎥
1
(−1) ( Det ( ⎢ ⎥ ) + Det ( ⎢ ⎥ ) + Det ( ⎢ ⎥ ))λ + Det( ⎢ 1 − 12 − 4⎥ ) Sea A∈Mnxn(ℜ) una matriz diagonal definida por:
⎣1 − 12⎦ ⎣ −1 9⎦ ⎣ 25 9⎦
⎢⎣ − 1 25 9⎦⎥
V-1(A):
⎡A11 0 L 0 ⎤ ⎡1 0 L 0⎤
⎢ ⎥ ⎢ ⎥
−18 −7 ⎤ ⎡1 0 0⎤ ⎡ x1 ⎤ ⎡0⎤ 0 A 22 L 0 ⎥ 0 1 L 0⎥
⎡ 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ PA(λ) = Det (A − λI n ) = Det ( ⎢ − λ⎢ )
(A − (−1)I 3 )X = θ3x1 ⇒ (A + I 3 )X = θ3 x1 ⇒ ( ⎢ 1 − 12 − 4⎥ + ⎢0 1 0⎥ ) ⎢ x 2 ⎥ = ⎢0⎥ ⎢ M M M ⎥ ⎢M M M⎥
⎢ ⎥ ⎢ ⎥
⎢⎣ − 1 25 9⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎣⎢ 0 0 L A nn ⎥⎦ ⎣⎢0 0 L 1⎦⎥
⎡ 1 − 18 − 7 ⎤ ⎡ x1 ⎤ ⎡0⎤ ⎡ 1 − 18 − 7 0⎤ r → r − r ⎡1 − 18 − 7 0⎤ ⎡A11 − λ 0 L 0 ⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎯⎯2
⎯⎯→ ⎢
2 1
⎥ ⎢ ⎥
⇒ ⎢ 1 − 11 − 4⎥ ⎢ x 2 ⎥ = ⎢0⎥ ⇒ ⎢ 1 − 11 − 4 0⎥ r →r + r ⎢0 7 3 0⎥ 0 A − λ L 0
⎯⎯3
⎯⎯
3 1
→ = Det ( ⎢ 22 ⎥)
⎢⎣ − 1 25 10 ⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣− 1 25 10 0⎥⎦ ⎢0
⎣ 7 3 0⎥⎦ ⎢ M M M ⎥
⎢ ⎥
⎣⎢ 0 0 L A nn − λ ⎦⎥
245 246
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Por lo tanto,
Luego, al hacer PA(λ) = 0 se obtiene que los autovalores de A son λ1 = A11,
λ2 = A22, …, λn = Ann, es decir, los autovalores de una matriz diagonal son los
elementos de la diagonal principal. Determinemos el autoespacio asociado al ⎡0 ⎤
i-ésimo autovalor de A: ⎢ ⎥
⎢M⎥
VAii (A) = {X ∈ ℜ : X = a ⎢1⎥; a ∈ ℜ*} = {X ∈ ℜ n : X = aei ; a ∈ ℜ*}
n
(A − λ i I n )X = θ nx1 ⇒ (A − A ii I n )X = θ nx1 ⎢ ⎥
⎢M⎥
⎡A11 L 0 L 0 ⎤ ⎡1 L 0 L 0⎤ ⎢0 ⎥
⎢ ⎥ ⎢ ⎥ ⎣ ⎦
⎢ M M M ⎥ ⎢M M M⎥
⇒ ( ⎢ 0 L A ii L 0 ⎥ − A ii ⎢0 L 1 L 0⎥ )X = θ nx1 Esto indica que los autoespacios asociados a los autovalores de A son
⎢ ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎢M M M⎥ generados por los vectores de la base canónica de ℜn.
⎢ 0 L 0 L A ⎥ ⎢0 L 0 L 1 ⎥
⎣ nn ⎦ ⎣ ⎦
⎡A11 L 0 L 0 ⎤ ⎡A ii L 0 L 0 ⎤ Ejemplo 7.7.
⎢ ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎢ M M M ⎥
Sea A∈Mnxn(ℜ) una matriz triangular superior definida por:
⇒ ( ⎢ 0 L A ii L 0 ⎥ − ⎢ 0 L A ii L 0 ⎥ )X = θ nx1
⎢ ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎢ M M M ⎥
⎡A11 A12 L A1n ⎤
⎢ 0 L 0 L A ⎥ ⎢0 L 0 L A ⎥ ⎢ ⎥
⎣ nn ⎦ ⎣ ii ⎦ 0 A 22 L A 2 n ⎥
A=⎢
⎡A11 − A ii L 0 L 0 ⎤ ⎢ M M M ⎥
⎢ ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎣⎢ 0 0 L A nn ⎦⎥
⇒ (⎢ 0 L A ii − A ii L 0 ⎥ )X = θ nx1
⎢ ⎥
⎢ M M M ⎥ Determinemos los autovalores de A.
⎢ 0 L 0 L A nn − A ii ⎥⎦
⎣
⎡A11 A12 L A1n ⎤ ⎡1 0 L 0⎤
⎡A11 − A ii L 0 L 0 ⎤ ⎡ x 1 ⎤ ⎡0 ⎤ ⎢ ⎥ ⎢ ⎥
0 A 22 L A 2 n ⎥ 0 1 L 0⎥
⎢
M M M
⎥ ⎢ ⎥ ⎢ ⎥ PA(λ) = Det (A − λI n ) = Det ( ⎢ − λ⎢ )
⎢ ⎥ ⎢ M ⎥ ⎢M⎥ ⎢ M M M ⎥ ⎢M M M⎥
⇒ (⎢ 0 L 0 L 0 ⎥ ) ⎢ x i ⎥ = ⎢0 ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣⎢ 0 0 L A nn ⎦⎥ ⎣⎢0 0 L 1⎦⎥
⎢ M M M ⎥ ⎢ M ⎥ ⎢M⎥
⎢ ⎡A11 − λ A12 A1n ⎤
L 0 L A nn − A ii ⎥⎦ ⎢⎣ x n ⎥⎦ ⎢⎣0⎥⎦
L
⎣ 0 ⎢ ⎥
0 A − λ L A
= Det ( ⎢ 22 2n ⎥
)
⎢ M M M ⎥
⎡ (A11 − A ii ) x1 ⎤ ⎡0⎤ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎣⎢ 0 0 L A nn − λ ⎦⎥
⎢ M ⎥ ⎢M⎥
⇒) ⎢ 0 ⎥ = ⎢0⎥ ⇒ x i = 0; ∀ i = 1, 2, ..., i - 1, i + 1, ..., n.
⎢ ⎥ ⎢ ⎥ Por el teorema 3.1., apartado 19 se tiene que:
⎢ M ⎥ ⎢M⎥
⎢( A − A ) x ⎥ ⎢0 ⎥ PA (λ) = (A11 − λ )(A 22 − λ)...(A nn − λ )
⎣ nn ii n⎦ ⎣ ⎦
Luego, Luego, al hacer PA(λ) = 0 se obtiene que los autovalores de A son λ1 = A11, λ2
= A22, …, λn = Ann, es decir, los autovalores de una matriz triangular superior
⎡0⎤ ⎡0 ⎤ son los elementos de la diagonal principal. Análogamente se demuestra que los
⎢ ⎥ ⎢ ⎥ autovalores de una matriz triangular inferior son los elementos de la diagonal
⎢M⎥ ⎢M⎥ principal.
X = ⎢ x i ⎥ = x i ⎢1 ⎥ = x i e i
⎢ ⎥ ⎢ ⎥
⎢M⎥ ⎢M⎥
⎢0⎥ ⎢0 ⎥
⎣ ⎦ ⎣ ⎦
247 248
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Sean A∈Mnxn(K), λ1, λ2, …, λm∈K y X1, X2, …, Xm∈Kn-{θnx1}, tales que λ1, c1•X1 + c2•X2 + … + cp•Xp + cp+1•Xp+1 = θnx1 (5)
λ2, …, λm son autovalores de A, con λi ≠ λj, ∀ i ≠ j; i = 1, 2, …, m;
j = 1, 2, …, m. Si X1, X2, …, Xm son autovectores de A asociados a los Premultiplicando a ambos lados de (5) por A se obtiene que:
autovalores λ1, λ2, …, λm de A entonces X1, X2, …, Xm son L.I.
A(c1•X1 + c2•X2 + … + cp•Xp + cp+1•Xp+1) = A(θnx1)
Demostración ⇒ c1•AX1 + c2•AX2 + … + cp•AXp + cp+1•AXp+1 = θnx1 (6)
Utilicemos inducción matemática. Demostremos que la proposición es cierta Como λ1, λ2, …, λp+1 son autovalores de A con autovectores asociados
para m = 2. En efecto, X1, X2, …, Xp+1 respectivamente se tiene que AX1 = λ1X1, AX2 = λ2X2, …,
AXp+1 = λp+1Xp+1. Sustituyendo en (6) se obtiene que:
Consideremos la igualdad c1•X1 + c2•X2 = θnx1 (1). Premultiplicando a ambos
lados de (1) por A se obtiene que: c1λ1•X1 + c2λ2•X2 + … + cpλp•Xp + cp+1λp+1•Xp+1 = θnx1 (7)
A(c1•X1 + c2•X2) = A(θnx1) Ahora, multipliquemos a ambos lados de (5) por λp+1. Luego,
⇒ c1•AX1 + c2•AX2 = θnx1 (2)
λp+1(c1•X1 + c2•X2 + … + cp•Xp + cp+1•Xp+1) = λp+1(θnx1)
Como λ1, λ2 son autovalores de A con autovectores asociados X1, X2, ⇒ c1λp+1•X1 + c2λp+1•X2 + … + cpλp+1•Xp + cp+1λp+1•Xp+1 = θnx1 (8)
respectivamente se tiene que AX1 = λ1X1 y AX2 = λ2X2. Sustituyendo en (2) se
obtiene que: Restando a ambos lados (8) menos (7) se obtiene que :
c1λ1•X1 + c2λ2•X2 = θnx1 (3) (c1λp+1•X1 + c2λp+1•X2 + … + cpλp+1•Xp + cp+1λp+1•Xp+1) – (c1λ1•X1 + c2λ2•X2
+ … + cpλp•Xp + cp+1λp+1•Xp+1) = θnx1 – θnx1
Ahora, multipliquemos a ambos lados de (1) por λ1. Luego,
⇒ (c1λp+1 – c1λ1)•X1 + (c2λp+1 – c2λ2)•X2 + … + (cpλp+1 – cpλp)•Xp +
λ1(c1•X1 + c2•X2) = λ1(θnx1) (cp+1λp+1 – cp+1λp+1)•Xp+1 = θnx1
⇒ c1λ1•X1 + c2λ1•X2 = θnx1 (4)
⇒ c1(λp+1 – λ1)•X1 + c2(λp+1 – λ2)•X2 + … + cp(λp+1 – λp)•Xp = θnx1
Restando a ambos lados (4) menos (3) se obtiene que:
Como por hipótesis de inducción X1, X2, …, Xp son L.I. se tiene que:
(c1λ1•X1 + c2λ1•X2) – (c1λ1•X1 + c2λ2•X2) = θnx1 – θnx1
⇒ (c1λ1•X1 – c1λ1•X1) + (c2λ1•X2 – c2λ2•X2) = θnx1 c1(λp+1 – λ1) = c2(λp+1 – λ2) = … = cp(λp+1 – λp) = 0
⇒ θnx1 + (c2λ1 – c2λ2)•X2 = θnx1
⇒ c2(λ1 – λ2)•X2 = θnx1 Como λi ≠ λj, ∀ i ≠ j; i = 1, 2, …, m; j = 1, 2, …, m, se concluye que
c1 = c2 = … = cp = 0. Sustituyendo este resultado en (5) se obtiene que:
Como X2 es autovector de A entonces X2 ≠ θnx1. Además, λ1 ≠ λ2. Luego,
c2 = 0. Sustituyendo en (1) se obtiene que: 0•X1 + 0•X2 + … + 0 •Xp + cp+1•Xp+1 = θnx1
⇒ cp+1•Xp+1 = θnx1
c1•X1 + c2•X2 = θnx1
⇒ c1•X1 + 0•X2 = θnx1 Como Xp+1 es autovector de A entonces Xp+1 ≠ θnx1. Luego, cp+1 = 0. Por
⇒ c1•X1 = θnx1 consiguiente, c1 = c2 = … = cp = cp+1 = 0 y de esta forma X1, X2, …, Xp, Xp+1
son L.I.
Como X1 ≠ θnx1 se obtiene que c1 = 0. Por consiguiente, c1 = c2 = 0 y en
consecuencia X1 y X2 son L.I. Teorema 7.6.
Supongamos que la proposición se cumple para m = p, es decir, si Sean A∈Mnxn(K), λ∈K y X∈Kn-{θnx1}. Si λ es autovalor de A con autovector
X1, X2, …, Xp son autovectores de A asociados a los autovalores λ1, λ2, …, λp asociado X entonces λm es autovalor de Am con autovector asociado X;
de A entonces X1, X2, …, Xp son L.I. m∈ℵ-{0, 1}.
249 250
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Si λ es autovalor de A con autovector X entonces: Sean A∈Mnxn(K) y λ∈K. λ es autovalor de A si y sólo si λ es autovalor de At.
AX = λX Demostración
⇒ A(AX) = A(λX)
⇒ A2X = λ(AX) CN(⇒): Si λ es autovalor de A entonces λ es autovalor de At.
⇒ A2X = λ(λX)
⇒ A2X = λ2X Como λ es autovalor de A entonces por el teorema 7.3., Det(A–λIn)= 0. Luego,
⇒ λ2 es autovalor de A2 con autovector asociado X. por el teorema 3.1., apartado 2 se tiene que:
Ejemplo 7.9.
En el ejemplo 7.1.,
251 252
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡1 0 0⎤ ⎡λ1 0 L 0 ⎤
⎢ ⎥ ⎢ ⎥
D λ ( A ) = ⎢0 4 0 ⎥ 0 λ2 L 0 ⎥
[ X1 X 2 L Xn ] ⎢ = XDλ(A)
⎢⎣0 0 6⎥⎦ ⎢M M M⎥
⎢ ⎥
⎢⎣ 0 0 L λ n ⎥⎦
Teorema 7.8.
Luego,
Sean A∈Mnxn(K), λ, μ∈K y X, Y∈Kn-{θnx1}. Si λ es autovalor de A con
autovector asociado X y μ es autovalor de At con autovector asociado Y con λ X-1AX = Dλ(A)
≠ μ entonces X ⊥ Y.
7.4. SEMEJANZA DE MATRICES.
Demostración
Definición 7.7.
Por hipótesis,
Sean A, B∈Mnxn(K). Se dice que A es semejante a B si y sólo si:
⎧ AX = λX ⎪⎧ Y AX = Y (λX) ⎧⎪ Y t AX = λY t X ⎧⎪(Y t AX) t = (λY t X) t
t t
⎨ t ⇒⎨ t t ⇒⎨ t t ⇒⎨
⎩A Y = μY ⎪⎩X A Y = X (μY) ⎪⎩X A Y = μX Y ⎪⎩ X A Y = μX Y
t t t t t ∃ P ∈ M nxn (K ) (P no singular) : P -1AP = B
Ejemplo 7.10.
⎧⎪X t A t Y = λX t Y
⇒⎨ t t
⎪⎩X A Y = μX t Y En el ejemplo 7.4., ∃ P∈M3x3(ℜ) (P no singular) definida por:
Como λ ≠ μ se tiene que XtY = 0, es decir, <X, Y> = 0. Luego, X ⊥ Y. tal que P-1AP = Dλ(A). Es decir, A es semejante a Dλ(A).
Sean A∈Mnxn(K), λ1, λ2, …, λn∈K y X1, X2, …, Xn∈Kn-{θnx1}, tales que Sea A∈M3x3(ℜ) definida por:
λ1, λ2, …, λn son los n autovalores de A, con λi ≠ λj, ∀ i ≠ j; i = 1, 2, …, n;
j = 1, 2, …, n, con autovectores asociados X1, X2, …, Xn, respectivamente. ⎡1 0 1⎤
Consideremos la matriz particionada por columnas 1xn siguiente: ⎢ ⎥
A = ⎢2 2 0⎥
⎢⎣3 1 3⎥⎦
X = [ X1 X2 L Xn ]
Como λi ≠ λj, ∀ i ≠ j; i = 1, 2, …, n; j = 1, 2, …, n entonces por el teorema 7.5. Hallaremos una matriz B semejante a la matriz A así como también la matriz P
X1, X2, …, Xn son L.I. Por lo tanto, por el teorema 4.10., la matriz X es no que define la semejanza entre dichas matrices. Apliquemos sobre A y sobre I3
singular. una operación elemental de filas. Digamos r2→r2 – 2r1:
Ahora bien, ⎡1 0 1 1 0 0 ⎤ ⎡1 0 1 1 0 0⎤
[A I ] = ⎢⎢2
3
⎥ 2 →r2 − 2 r1 ⎢
2 0 0 1 0⎥ ⎯r⎯
⎥
⎯⎯→⎢0 2 − 2 − 2 1 0⎥ = C E [ ]
AX = A[ X1 X 2 L X n ] = [ AX1 AX 2 L AX n ] ⎢3 1 3 0 0 1⎥ ⎢3 1
⎣ ⎦ ⎣ 3 0 0 1⎥⎦
= [ λ1 X1 λ 2 X 2 L λ n X n ]
La matriz E es una matriz elemental y se cumple que EA = C. Hallemos E-1
aplicando la operación elemental de filas inversa de r2→r2 – 2r1 sobre I3:
253 254
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Para resolver este mismo problema de una forma más fácil sólo basta definir ⎡1 4 1⎤ ⎡2 0 1⎤
⎢ ⎥ ⎢ ⎥
arbitrariamente una matriz P∈M3x3(ℜ) no singular y al hacer P-1AP se obtiene A = ⎢2 4 0⎥ y B = ⎢0 2 1⎥
la matriz B. En este caso, dicha matriz B se obtendría definiendo la matriz ⎢⎣3 1 3⎥⎦ ⎢⎣3 1 3⎥⎦
P = E-1.
Si sobre B se aplica un procedimiento análogo al aplicado sobre A se obtendrá Determinemos si A y B son semejantes.
una matriz D semejante a B con la correspondiente matriz Q que define la
semejanza entre dichas matrices. El lector podrá comprobar fácilmente que la El teorema 7.9., plantea 5 condiciones necesarias para que A y B sean
matriz A también es semejante a D. semejantes. Aplicando la equivalencia contrarecíproca en cada una de ellas se
obtiene que si alguna de estas 5 condiciones no se cumple entonces eso es
Teorema 7.9. suficiente para decir que A y B no son semejantes.
Sean A, B∈Mnxn(K). Si A es semejante a B entonces: En este caso se aprecia fácilmente que Traza(A) = 1 + 4 + 3 = 8 y
Traza(B) = 2 + 2 + 3 = 7. Luego, Traza(A) ≠ Traza(B) y por consiguiente A no
es semejante a B.
1. PA(λ) = PB(λ).
2. Traza(A) = Traza(B).
3. Det(A) = Det(B). Definición 7.8.
4. Rango(A) = Rango(B).
5. Vλ(A) = {Y∈Kn: Y = PX; X∈Vλ(B)}. Sea A∈Mnxn(K). Se dice que A es diagonalizable si y sólo si A es semejante a
su respectiva matriz de autovalores Dλ(A). En ese caso se dice que dicha
Demostración matriz de autovalores es la forma canónica de Jordan de A. Si A no es
diagonalizable entonces se dice que es una matriz defectuosa.
Por definición, PB(λ) = Det(B – λIn). Por hipótesis, ∃P∈Mnxn(K)
(P no singular): P-1AP = B. Luego, Teorema 7.10.
255 256
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Como X1, X2, …, Xn son L.I. entonces P es no singular. Por consiguiente, Sean A∈Mnxn(K) y λi∈K; ∀ i = 1, 2, …, m tales que son autovalores de A. A
es diagonalizable si y sólo si ri = ki, ∀ i = 1, 2, …, m.
AP = PDλ(A) ⇒ P-1AP = Dλ(A)
Demostración
Esto indica que A es semejante a Dλ(A), es decir, A es diagonalizable.
CN(⇒): Si A es diagonalizable entonces ri = ki, ∀ i = 1, 2, …, m.
Ejemplo 7.13.
Por hipótesis, A es diagonalizable, es decir, A es semejante a su
En el ejemplo 7.10., se observó como la matriz A del ejemplo 7.4., resultó ser correspondiente forma canónica de Jordan Dλ(A). Por consiguiente,
semejante a su correspondiente matriz de autovalores Dλ(A), es decir, resultó
ser diagonalizable. Veamos ahora otra forma de apreciar esta situación. En ese ∃P∈Mnxn(K) (P no singular): P-1AP = Dλ(A)
caso, E(A) = {1, 4, 6}. Como A∈M3x3(ℜ) y tiene 3 autovalores distintos ⇒ ∃P∈Mnxn(K) (P no singular): P-1AP – λiIn = Dλ(A) – λiIn
entonces por el teorema 7.5., A tiene 3 autovectores L.I. Por ello, A es ⇒ ∃P∈Mnxn(K) (P no singular): P-1AP – λiP-1P = Dλ(A) – λiIn
diagonalizable y además la matriz P que la diagonaliza es:
257 258
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⇒ ∃P∈Mnxn(K) (P no singular): P-1(A – λiIn)P = Dλ(A) – λiIn serían L.I., lo cual es imposible debido a que Y1 + Y2 + … Ym = θnx1. En
⇒ Rango(P-1(A – λiIn)P) = Rango(Dλ(A) – λiIn) consecuencia, Yi = θnx1, ∀ i = 1, 2, …, m, es decir:
Ahora bien, ki
Yi = ∑c ij • X ij = θ nx1 ; ∀ i = 1, 2, …, m.
El autovalor λi aparece ri veces en la diagonal principal de Dλ(A) por lo cual la j=1
CS (⇐) : Si ri = ki, ∀ i = 1, 2, …, m, entonces A es diagonalizable. Por consiguiente, los n autovectores de A son L.I. y por el teorema 7.10., A es
diagonalizable.
Si ri = ki, ∀ i = 1, 2, …, m, entonces el autovalor λi de A tiene asociados
m m
Ejemplo 7.14.
exactamente ki autovectores L.I., con ∑k = ∑r = n .
i =1
i
i =1
i Supongamos que
En el ejemplo 7.5.,
dichos autovectores son los siguientes:
⎡ 0 −18 −7 ⎤
{
Para λ1: X11 , X12 , ..., X1k1 } ⎢
A = ⎢ 1 − 12 − 4⎥
⎥
Para λ : {X
2
21
, X 22 , ..., X 2k 2 } ⎢⎣ − 1 25 9⎥⎦
259 260
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Pero, r1 = 3 ≠ k1 = 1. Por consiguiente, A no es diagonalizable. tienen los mismos autovalores por lo cual tienen idénticas formas canónicas de
Jordan. Luego,
La otra forma de hallar k1 es con la dimensión de V-1(A). Como:
∃ P, Q∈Mnxn(ℜ) (P, Q no singulares): P-1AP = Dλ(A), Q-1BQ = Dλ(B) y
⎧ ⎡− 5 ⎤ ⎫ Dλ(A) = Dλ(B)
⎪ ⎢ 7⎥ ⎪
⎪ ⎪
V−1 (A) = ⎨X ∈ ℜ3 : X = a ⎢− 3 ⎥; a ∈ ℜ* ⎬ Por consiguiente,
⎢ 7⎥
⎪ ⎪
⎢ 1⎥
⎩⎪ ⎣ ⎦ ⎭⎪ P-1AP = Q-1BQ
⇒ QP APQ-1 = QQ-1BQQ-1
-1
Ejemplo 7.15. Se puede verificar que los autoespacios asociados a los autovalores de A son:
Ahora bien, A y B tienen 3 autovalores distintos. Luego, tienen 3 autovectores Por lo tanto,
L.I. y por el teorema 4.10., ambas son diagonalizables. Por otra parte, A y B
261 262
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
En consecuencia:
1 → r1 − 6 r2
⎯r⎯ ⎯⎯→⎢0 1
⎢
3 0
⎥
[ ]
1 0⎥ = C E
⎢0 0 1 0 0 1⎥⎦
⎣
⎡1 0 1⎤ ⎡2 1 1⎤ ⎡3 1 1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ Luego,
PQ-1 = ⎢0 1 0⎥ ⎢1 1 0⎥ = ⎢1 1 0⎥ = R
⎢⎣0 0 1⎥⎦ ⎢⎣1 0 0⎥⎦ ⎢⎣1 0 0⎥⎦ EA = C
263 264
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Por hipótesis: ⎡ x ⎤ ⎡ x − 2 y⎤
Sean T: ℜ2→ℜ2 una T.L. definida por T( ⎢ ⎥ ) = ⎢ ⎥,
⎣ y ⎦ ⎣2x + y⎦
[T(α)]B = [T] [α]B B1
B1 (11)
1 1
⎡ 1⎤ ⎡ 2⎤ ⎡2⎤ ⎡0 ⎤
[T(α)]B = [T]BB [α]B 2
2
2 2
(12) B1 = { α1 = ⎢ ⎥ , α 2 = ⎢ ⎥ } y B2 = { β1 = ⎢ ⎥ , β 2 = ⎢ ⎥ }. Determinemos las
−
⎣ ⎦1 1
⎣ ⎦ 0
⎣ ⎦ ⎣ 3⎦
matrices [T ]B11 y [T ]B22 así como también la matriz de transición de B1 a B2
B B
tiene que:
[α]BB1
2
que define la semejanza entre [T ]B11 y [T ]B22 .
B B
[α]B = [α]BB [α ]B 2
(13)
[T ]BB
1
1
:
2 1 1
⎡a ⎤ ⎡ 1⎤ ⎡2⎤ ⎡ c1 ⎤ ⎡2c 2 ⎤ ⎡ c1 + 2c 2 ⎤
Por otra parte, también por el teorema 6.11., se tiene que: ⎢ ⎥ = c1 • α1 + c 2 • α 2 = c1 • ⎢ ⎥ + c 2 ⎢ ⎥ = ⎢ ⎥+⎢ ⎥ = ⎢ ⎥
⎣b⎦ ⎣ − 1⎦ ⎣1 ⎦ ⎣ − c1 ⎦ ⎣ c 2 ⎦ ⎣− c1 + c 2 ⎦
[T(α)]B = [α]BB [T(α)]B 2
2
1 1
(14) ⇒ a = c1 + 2c2 ⇒ c1 = a – 2c2.
⇒ b = –c1 + c2 ⇒ b = –(a – 2c2) + c2 ⇒ b = –a + 2c2 + c2 ⇒ b = –a + 3c2
Sustituyendo (13) y (14) en (12) se obtiene que: ⇒ b + a = 3c2 ⇒ c2 = (a + b)/3
⇒ c1 = a – 2(a + b)/3 ⇒ c1 = (3a – 2a – 2b)/3 ⇒ c1 = (a – 2b)/3
[α]BB [T(α)]B = [T ]B22 [α ]B12 [α ]B1
2 B B
1 1
⎡ ⎡a ⎤ ⎤ ⎡( a − 2 b ) ⎤
⇒ ⎢⎢ ⎥ ⎥ = ⎢ 3⎥
⎢ (a + b ) ⎥
Ahora bien, por el teorema 6.12., la matriz [α ]B12 es no singular. Por lo tanto, ⎣⎢ ⎣b ⎦ ⎦⎥ B1 ⎣⎢
B
3 ⎦⎥
Como [α]B ≠ θnx1 entonces ( [T ]BB – ( [α]BB )-1 [T]BB [α]BB ) = θnxn. Luego,
1
1
1
2
1
2
2
2
1
Luego,
[T ]BB 1
1
= ( [α ]B12 )-1 [T ]B22 [α ]B12
B B B
[T ]BB
1
=⎢ 3 3⎥
5 ⎥
1
⎢4
⎣ 3 3⎦
En consecuencia, [T ]B11 y [T ]B22 son semejantes.
B B
[T]BB 2
2
:
265 266
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡2⎤ ⎡2 − 2.(0)⎤ ⎡2⎤ Sean λ1, λ2, …, λn los autovalores de A y sea X1 el autovector correspondiente
T (β1 ) = T ( ⎢ ⎥ ) = ⎢ ⎥=⎢ ⎥
⎣0⎦ ⎣2.2 + (0)⎦ ⎣4⎦ al autovalor λ1. Luego, se cumple que AX1 = λ1X1.
⎡0⎤ ⎡0 − 2.(3) ⎤ ⎡−6 ⎤
T (β 2 ) = T( ⎢ ⎥ ) = ⎢ ⎥=⎢ ⎥ Procederemos ahora a construir una matriz P1∈Mnxn(K) no singular tal que:
⎣3⎦ ⎣ 2.0 + (3)⎦ ⎣ 3⎦
⎡(2) / 2⎤ ⎡ 1 ⎤ P1 = [ X1 b 2 L b n ] = [ X1 B1 ]
[T(β1 )]B =⎢ ⎥ = ⎢4 ⎥
⎣ (4) / 3⎦ ⎣⎢ 3 ⎦⎥
2
⇒ P1−1X1 = e1 (16)
Luego,
Pero,
⎡1 −3⎤
[T]B2
B2 = ⎢4 ⎥
1⎥ AP1 = [ AX1 AB1 ] = [ λ1X1 AB1 ]
⎣⎢ 3 ⎦
La matriz de transición de B1 a B2 se determina de la siguiente forma: Premultiplicando por P1−1 se obtiene que:
⎢ ⎥
⎡ 1 1⎤ ⎣⎢ 0 ⎦⎥
[α]BB 2
=⎢ 2 ⎥
1
⎢− 1 1 ⎥
⎣ 3 3⎦
Luego, A es semejante a P1−1AP1 . Por lo tanto, tienen los mismos autovalores y
en consecuencia A1 tiene como autovalores λ2, …, λn, es decir, los restantes
Se puede verificar fácilmente que [T ]B11 y [T ]B22 son semejantes y que la
B B
autovalores de A.
matriz no singular que define la semejanza entre dichas matrices es [α ]B12 , es
B
De forma análoga a la matriz P1 procederemos ahora a construir una matriz
decir, se cumple que: P2∈M(n-1)x(n-1)(K) no singular tal que:
267 268
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
n
⎡λ 2 C 2 ⎤
⎢ ⎥
2. Det (A) = ∏λ i .
0 i =1
P2−1A1P2 = ⎢ ⎥ ; donde C ∈M
1x(n-2)(K), A2∈M(n-2)x(n-2)(K)
⎢ M A2 ⎥ 2
⎢ ⎥ Demostración
⎣⎢ 0 ⎦⎥
Por el teorema 7.13., A es semejante a la matriz Tλ(A). Luego, por el teorema
Sea Q2∈Mnxn(K) una matriz no singular definida por: 7.9., apartados 2 y 3, la definición 1.19., y el teorema 3.1., apartado 19 se tiene
que:
⎡ 1 θ1x ( n −1) ⎤
Q2 = ⎢ ⎥ n
θ
⎣⎢ ( n −1) x1 P2 ⎦⎥ 1. Traza (A) = Traza (Tλ (A)) = ∑λ
i =1
i .
n
Luego,
2. Det (A ) = Det (Tλ (A )) = ∏λ
i =1
i .
⎡ λ1 0 C3 ⎤
⎢ ⎥
Q 2−1 (P1−1AP1 )Q 2 = ⎢ 0 λ 2 ⎥ ; donde C3∈M2x(n-2)(K), A2∈M(n-2)x(n-2)(K) 7.5. AUTOVALORES Y AUTOVECTORES DE MATRICES
⎢θ ( n − 2 ) x 2 A 2 ⎥ SIMÉTRICAS.
⎣ ⎦
Teorema 7.15.
Al repetir este proceso n–1 veces se obtiene una matriz no singular P∈Mnxn(K)
definida por: Sea A∈Mnxn(ℜ). Si A es simétrica entonces todos sus autovalores son números
reales y sus autoespacios correspondientes están definidos por vectores reales.
⎡ 1 θ1x ( n −1) ⎤ ⎡ I 2 θ 2 x ( n − 2) ⎤ ⎡ I n − 2 θ(n −2) x 2 ⎤
P = P1 ⎢ ⎥⎢ ⎥L⎢ ⎥ Demostración
⎣⎢θ ( n −1) x1 P2 ⎦⎥ ⎣⎢θ ( n − 2) x 2 P3 ⎦⎥ ⎣⎢θ 2 x ( n − 2 ) Pn −1 ⎦⎥
Sea λ autovalor de A con autovector asociado X. Luego,
Donde Pn-1∈M2x2(K) es la matriz no singular obtenida en la (n–1)-ésima etapa,
tal que: AX = λX (17)
269 270
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
Ahora bien, A∈Mnxn(ℜ) y λ∈ℜ. Luego, (A–λIn)∈Mnxn(ℜ). Por lo tanto, las Como TSλ(A) es una matriz triangular superior que tiene en la diagonal
soluciones del SEL homogéneo (A–λIn)X = θnx1 serán vectores X∈Mnx1(ℜ). En principal los autovalores de A entonces (TSλ(A))t es una matriz triangular
consecuencia, Vλ(A) está definido por vectores reales. inferior que tiene en la diagonal principal los autovalores de A. Denotemos
dicha matriz por TIλ(A), es decir, TIλ(A) = (TSλ(A))t. Además A es simétrica,
Teorema 7.16. es decir, At = A. Luego,
271 272
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ 1 1 −1 ⎤ β1 = 12 + (−1) 2 + 12 = 3
⎢ ⎥
P = ⎢− 1 1 0⎥
⎢⎣ 1
β2 = (1)2 + (1)2 + 0 2 = 2
0 1⎥⎦
β3 = (− 1 2 ) + (1 2 ) + (1)
2 2 2
= 6
4
= 6
2
Se verifica que P es no singular y cumple que:
Por consiguente,
⎡5 0 0 ⎤
-1 ⎢ ⎥
P AP = Dλ(A) = ⎢0 8 0⎥ ⎡ 3 ⎤
⎢⎣0 0 8⎥⎦
⎡ 1⎤ ⎡ 1⎤ ⎢ 3⎥
1 1 ⎢ ⎥ 3⎢ ⎥ ⎢ 3 ⎥
δ1 =
β1
β1 = ⎢− 1⎥ = 3 ⎢− 1⎥ = ⎢− 3
⎥
Ahora bien, si se desea hallar la matriz ortogonal Q que diagonaliza 3⎢ ⎥
⎣ 1⎦ ⎢⎣ 1⎥⎦ ⎢ 3 ⎥
ortogonalmente a A se procede a buscar una base ortonormal con los 3 ⎢ ⎥
⎢⎣ 3 ⎥⎦
autovectores L.I. de A. Dichos vectores seguirán siendo L.I. y autovectores de
A. ⎡ 2 ⎤
⎡1⎤ ⎡1⎤ ⎢ 2 ⎥
Comenzamos con la base de ℜ : 3
1 1 ⎢ ⎥ 2⎢ ⎥ ⎢ 2 ⎥
δ2 = β2 = ⎢1⎥ = 2 ⎢1⎥ = ⎢ 2 ⎥
β2 2⎢ ⎥
⎣0 ⎦ ⎢⎣0⎥⎦ ⎢ 0 ⎥
⎢ ⎥
⎢⎣ ⎥⎦
273 274
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
⎡ 6 ⎤ Rango(A) = Rango(Dλ(A))
⎡− 1 ⎤ ⎡− 1 ⎤ ⎡− 1 ⎤ ⎢− 6⎥ Traza(A) = Traza(Dλ(A))
2⎥ 2⎥ 2⎥ ⎢
1 1 ⎢ ⎢
1 ⎥= 2 ⎢
⎢
1 ⎥= 6 ⎢ 1 ⎥=⎢ 6 ⎥
⎥
δ3 = β3 = ⎢
β3 6 ⎢ 2⎥ 6⎢ 2⎥ 3 ⎢ 2⎥ ⎢ 6⎥ Ahora bien, por el ejemplo 7.8., los valores posibles de los autovalores de una
2 ⎢⎣ 1⎥ ⎢⎣ 1⎥ ⎢⎣ 1⎥ ⎢ 6 ⎥ matriz idempotente son 0 ó 1. En ese caso, Dλ(A) tiene tantas filas no nulas
⎦ ⎦ ⎦ 3 ⎥⎦
⎢⎣ como Traza tiene dicha matriz Dλ(A), es decir, Rango(Dλ(A)) = Traza(Dλ(A)).
Por con siguiente,
En consecuencia, el conjunto {δ1 , δ 2 , δ3 } es una base ortonormal de ℜ3.
Rango(A) = Rango(Dλ(A)) = Traza(Dλ(A)) = Traza(A)
Luego, la matriz Q ortogonal que diagonaliza ortogonalmente a A es: Ejemplo 7.19.
275 276
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
1 Teorema 7.20.
⇒ r1 = Traza( (1n ) t (1n ) )
n
Sea A∈Mnxn(ℜ). Si A es simétrica y no singular entonces:
1
⇒ r1 = Traza(n)
n ∃P∈Mnxn(ℜ) (P ortogonal): A-1 = P(Dλ(A))-1Pt
1
⇒ r1 = n Demostración
n
⇒ r1 = 1
Como A es simétrica entonces A es diagonalizable ortogonalmente, es decir:
Luego, para λ2 = 1 ⇒ r2 = n – r1 ⇒ r2 = n – 1. Finalmente, el autopolinomio de
∃P∈Mnxn(ℜ) (P ortogonal): PtAP = Dλ(A)
P es PP (λ ) = λ(λ − 1) n −1 . ⇒ ∃P∈Mnxn(ℜ) (P ortogonal): PPtAPPt = PDλ(A)Pt
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): A = PDλ(A)Pt
Teorema 7.19. (Teorema Espectral)
Como A es no singular entonces:
Sean A∈Mnxn(ℜ), λ1, λ2, …, λn∈ℜ y X1, X2, …, Xn∈ℜn-{θnx1}, tales que λ1,
λ2, …, λn son los n autovalores de A con autovectores ortonormalizados ∃P∈Mnxn(ℜ) (P ortogonal): A-1 = (PDλ(A)Pt)-1
asociados X1, X2, …, Xn, respectivamente. Si A es simétrica entonces: ⇒ ∃P∈Mnxn(ℜ) (P ortogonal): A-1 = (Pt)-1(Dλ(A))-1(P)-1
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): A-1 = P(Dλ(A))-1Pt
n
A= ∑ λ X (X )
i =1
i
i i t
Teorema 7.21.
Sea X∈Mnxp(ℜ) tal que Rango(X) = r. Entonces las matrices XtX y XXt tienen
Demostración
los mismos autovalores no nulos.
Como A es simétrica entonces A es diagonalizable ortogonalmente, es decir:
Demostración
∃P∈Mnxn(ℜ) (P ortogonal): P AP = Dλ(A) t
Las matrices XtX y XXt son matrices simétricas y tales que
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): PPtAPPt = PDλ(A)Pt Rango(XtX) = Rango(XXt) = Rango(X) = r. Por lo tanto, dichas matrices
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): A = PDλ(A)Pt tienen exactamente r autovalores no nulos. Sea λ un autovalor no nulo de XtX
con autovector asociado V. Luego,
Ahora bien, la matriz P se puede expresar particionada por columnas 1xn de la
siguiente forma: XtXV = λV (24)
⇒ X(XtXV) = X(λV)
P = [ X1 X2 L Xn ] ⇒ (XXt)(XV) = λ(XV)
Luego, Sólo basta probar que el vector XV≠θnx1 para probar que λ es también
autovalor de XXt. Utilicemos reducción al absurdo. Supongamos que XV=θnx1.
⎡λ1 0 L 0 ⎤ ⎡ (X1 ) t ⎤ Sustituyendo en (24) se tiene que:
⎢ ⎥ ⎢ 2 t⎥
0 λ2 L 0 ⎥ ⎢( X ) ⎥
A = [ X1 X2 L Xn ] ⎢ Xt(θnx1) = λV
⎢M M M⎥ ⎢ M ⎥
⎢ ⎥ ⎢ n t⎥ ⇒ θpx1 = λV
⎣⎢ 0 0 L λ n⎥
⎦ ⎣⎢(X ) ⎦⎥
Por hipótesis λ ≠ 0. Por lo tanto, V = θpx1, lo cual es una contradicción ya que
⎡ (X1 ) t ⎤
⎢ 2 t⎥ V es autovector de XtX. De esta forma se termina de demostrar que XtX y XXt
(X ) ⎥ tienen los mismos autovalores no nulos.
⇒ A = [ λ 1 X1 λ 2 X 2 L λnXn ] ⎢
⎢ M ⎥
⎢ n t⎥ Teorema 7.22.
⎣⎢(X ) ⎦⎥
⇒ A = λ1X1(X1)t + λ2X2(X2)t + … + λnXn(Xn)t Sean X∈Mnxp(ℜ) tal que Rango(X) = r, V∈Mpxr(ℜ) y U∈Mnxr(ℜ). Si V y U
n son las matrices cuyas columnas son los autovectores ortonormalizados de las
⇒ A= ∑ λ X (X )
i =1
i
i i t
277 278
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
U i = cXV i ; ∀ i = 1, 2, …, r (27)
λi
Ui = XV i ; ∀ i = 1, 2, …, r
Calculando la norma al cuadrado a ambos lados de (27) se obtiene que: λi
λi
( U i ) t U i = (cXV i ) t (cXV i ) ; ∀ i = 1, 2, …, r ⇒ U i ( λ i (V i ) t ) = XV i ( λ i (V i ) t ) ; ∀ i = 1, 2, …, r
λi
⇒ 1 = c(V ) X (cXV ) ; ∀ i = 1, 2, …, r
i t t i
( λi )2
⇒ 1 = c 2 (V i ) t X t XV i ; ∀ i = 1, 2, …, r ⇒ λ i U i (V i ) t = XV i (V i ) t ; ∀ i = 1, 2, …, r
λi
⇒ 1 = c 2 λ i .1 ; ∀ i = 1, 2, …, r ∑i =1
λ i U i (V i ) t = ∑ XV (V )
i =1
i i t
⇒ 1 = c 2 λ i ; ∀ i = 1, 2, …, r p p
1
⇒ X ∑ V (V ) = ∑i i t
λ i U i (V i ) t
⇒ c2 = ; ∀ i = 1, 2, …, r i =1 i =1
λi
Ahora bien, como V es ortogonal entonces:
1
⇒ c= ; ∀ i = 1, 2, …, r
λi p
1 ∑ V (V ) i i t
= VV t = I p
⇒ c= ; ∀ i = 1, 2, …, r i =1
λi
Además, λr+1 = λr+2 = … = λp = 0. Luego,
λi
⇒ c= ; ∀ i = 1, 2, …, r
λi r r
⇒ XI p = ∑i =1
λ i U i (V i ) t ⇒ X= ∑
i =1
λ i U i (V i ) t
Sustituyendo el valor de c en (27) se obtiene que:
279 280
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
EJERCICIOS PROPUESTOS. 8. Sea A∈Mnxn(ℜ) una matriz involutiva. Demuestre que (I+A)Y e
(I–A)Y son autovectores de A asociados respectivamente a los
1. Determine los autovalores y los correspondientes autoespacios de las autovalores λ1 = 1 y λ2 = –1, siendo Y un vector arbitrario de ℜn.
siguientes matrices:
9. Sea A∈Mmxn(ℜ). Se dice que A es una matriz estocástica, aleatoria o
⎡3 0 0⎤ ⎡3 0 −1⎤ ⎡ 7 1 2⎤ de probabilidad si y sólo si ∀ (i,j)∈JmxJn 0 ≤ Aij ≤ 1 y ∀ i=1, 2, …, m
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ n
A = ⎢0 1 1⎥ B = ⎢0 1 1 ⎥ C = ⎢ −1 7 0⎥
⎢⎣2 0 1⎥⎦ ⎢⎣1 0 1⎥⎦ ⎢⎣ 1 −1 6⎥⎦
se cumple que ∑A
j=1
ij = 1 . Demuestre que si m = n y A es una matriz
6.1. Las matrices B-1A y (Ct)-1AC-1 tienen los mismos autovalores. 16. Sean A, B∈Mnxn(ℜ). Demuestre que si A y B son semejantes
6.2. Los autovectores V de la matriz (Ct)-1AC-1 tienen la forma entonces:
V = CU.
16.1. At y Bt son semejantes.
7. Sean A∈Mnxp(ℜ) y B∈Mpxn(ℜ). Demuestre que: 16.2. Am y Bm son semejantes, con m∈ℵ*.
16.3. Si A y B son no singulares entonces A-1 y B-1 son semejantes.
7.1. AB y BA tienen los mismos autovalores no nulos y además
se cumple que λnPBA(λ) = ±λpPAB(λ).
7.2. Si n = p y B es no singular entonces los autovalores de AB
son los mismos autovalores de BA.
281 282
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
17. Sean A, B, C∈M3x3(ℜ) definidas por: 20. Sea A∈M3x3(ℜ) definida por:
⎡2 0 1⎤ ⎡1 0 −1 ⎤ ⎡1 0 −1 ⎤ ⎡1 0 0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A = ⎢0 6 0 ⎥ B = ⎢0 3 6⎥ C = ⎢0 3 2⎥ A = ⎢a − 2 3⎥
⎢⎣1 3 2⎥⎦ ⎢⎣0 0 3⎥⎦ ⎢⎣0 0 6⎥⎦ ⎢⎣1 − 1 2⎥⎦
Para las siguientes T.L. determine las matrices [T ]B11 y [T ]B22 así Determine si cada una de las matrices dadas en el ejercicio 1 son
B B 21.
18.
diagonalizables. En caso afirmativo, encuentre la matriz diagonal y la
como también la matriz de transición de B1 a B2 [α ]
B2
B1 que define la matriz que la diagonaliza.
semejanza entre [T ] y [T ] :
B1 B2
B1 B2 22. Sea A∈M2x2(ℜ) definida por:
⎡ x ⎤ ⎡3x + 4 y ⎤ ⎡a b ⎤
18.1. T: ℜ2→ℜ2 definida por T( ⎢ ⎥ ) = ⎢ ⎥, A=⎢ ⎥
⎣ y⎦ ⎣ x − 5y ⎦ ⎣c d⎦
⎡ 2⎤ ⎡ 3⎤ ⎡1⎤ ⎡0 ⎤
B1 = { α 1 = ⎢ ⎥ , α 2 = ⎢ ⎥ } y B2 = { β1 = ⎢ ⎥ , β 2 = ⎢ ⎥ }. Demuestre que si (a–d)2+4bc > 0 entonces A es diagonalizable.
−
⎣ ⎦3 ⎣0 ⎦ 1
⎣⎦ ⎣ 2⎦ Determine que ocurre si (a–d)2+4bc < 0 y si (a–d)2+4bc = 0.
⎡x ⎤ ⎡ x + y + z ⎤
⎢ ⎥ ⎢ ⎥ 23. Sea A∈M2x2(ℜ) definida por:
18.2. T: ℜ3→ℜ3 definida por T( ⎢ y ⎥ ) = ⎢ x − 2 y + 3z ⎥ ,
⎢⎣ z ⎥⎦ ⎢⎣ 2 x − y − z ⎥⎦
⎡ b 4a ⎤
A=⎢ ⎥
⎡1⎤ ⎡ 2⎤ ⎡ −1 ⎤ ⎡1⎤ ⎣a b ⎦
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
B1 = { α1 = ⎢0⎥ , α 2 = ⎢ − 1⎥ , α 3 = ⎢ 3⎥ } y B2 = { β1 = ⎢0⎥ ,
⎢⎣1⎥⎦ ⎢⎣ 1⎥⎦ ⎢⎣ 0⎥⎦ ⎢⎣0⎥⎦ Demuestre que si la ecuación ax2 + bx + a = 0 tiene raíces imaginarias
entonces A es diagonalizable. Determine que ocurre si dicha ecuación
⎡0 ⎤ ⎡1⎤ tiene raíces reales iguales y si tiene raíces reales distintas.
⎢ ⎥ ⎢ ⎥
β 2 = ⎢1⎥ , β3 = ⎢1⎥ }.
24. Sean X∈Mnxp(ℜ) y A∈Mnxn(ℜ) con rango(X) = p, tales que
⎢⎣1⎥⎦ ⎢⎣0⎥⎦
A = In – X(XtX)-1Xt. Estudie para esta matriz:
18.3. T: P1→P1 definida por T(a + bx ) = (a + b) + (a − b) x ,
24.1. Simetría.
B1 = { α1 = 1 , α 2 = x }, B2 = { β1 = 2 + 3x , β 2 = −4 + 5x }.
24.2. Idempotencia.
24.3. Rango.
19. Sea A∈M3x3(ℜ) definida por: 24.4. Autovalores.
24.5. Traza.
⎡a b b ⎤ 24.6. Autopolinomio.
⎢ ⎥
A = ⎢b a b ⎥
25. Sea A∈Mnxn(ℜ) una matriz simétrica de rango r con autovalores
⎢⎣b b a ⎥⎦ r n n
λ1, λ2, …, λn. Demuestre que ∑ λ = ∑∑ (A )
i =1
2
i
i =1 i =1
ij
2
.
19.1. Demuestre que (a-b) y (a+2b) son autovalores de A.
19.2. Determine el tercer autovalor.
26. Sean A, B ∈Mnxn(ℜ) tales que A y B son simétricas e idempotentes
con AB = θnxn y rango(A) + rango(B) = p, 0 < p < n. Determine la
multiplicidad algebraica de cada uno de los autovalores de la matriz
C = In – (A + B).
283 284
CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES
⎡1 a ⎤
A=⎢ ⎥
⎣2 b⎦
⎡−2⎤
29.1. Determine los valores de a y b para que el vector ⎢ ⎥ sea
⎣ 1⎦
autovector de A asociado al autovalor λ = 5.
29.2. Determine el otro autovalor de A.
30. Sea A∈M3x3(ℜ) definida por:
⎡a 1 0 ⎤
⎢ ⎥
A = ⎢1 a 0⎥
⎢⎣0 0 1⎥⎦
⎡ 1⎤ ⎡1⎤ ⎡ 1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X1 = ⎢− 1⎥ , X 2 = ⎢1⎥ , X 3 = ⎢− 1⎥
⎢⎣ 1⎥⎦ ⎢⎣0⎥⎦ ⎢⎣ 0 ⎥⎦
⎡0 0 1 0⎤
⎢ ⎥
0 0 0 − 1⎥
A=⎢
⎢1 0 0 0⎥
⎢ ⎥
⎣⎢0 −1 0 0⎦⎥
285