EIGEN VECTORES, EIGEN VALORES Y POLINOMIO CARACTER´ ISTICO DE UNA MATRIZ

EIGENVALUES, EIGENVECTORS AND CHARACTERISTIC POLYNOMIAL OF A MATRIX.

OMAR ARGUELLO 24 de junio de 2013 Resumen
El art´ ıculo que se presenta a continuaci´ on es un estudio comprensivo del concepto y aplicabilidad de los Eigen vectores, Eigen valores y de los Polinomios caracter´ ısticos de una matriz. Se realiza una consulta masiva de conceptos bas´ andose esencialmente en el libro “Linear Algebra and its applications” para obtener un proceso ordenado de explicaci´ on e introducci´ on al tema. Los resultados obtenidos ser´ an reflejados en el aprendizaje de los conceptos b´ asicos de dichos temas para desarrollar dentro de los temas antes vistos. Palabras clave : Aplicabilidad, Eigen vectores, Eigen valores, Polinomios caracter´ ısticos de una matriz.

Abstract
The following article shows a deep study of the Eigen values, Eigen vectors and Characteristic polynomial of a matrix’s concept and applicability. We developed a massive research about concepts based essentially on the “Linear Algebra and its applications” in order to obtain an ordered process of explanation and introduction to the main topic. The results obtained will be reflected in the basic concepts learning of each topic in order to develop it within the already looked at topics. Key words : Applicability, Eigen values, Eigen vectors, Characteristic Polynomial of a matrix.

´ INTRODUCCION
En este documento se presentar´ a la correcta manera de encontrar los Eigen vectores, Eigen Valores y el Polinomio Caracter´ ıstico de una matriz. Son conocimientos secuenciales lo cual nos indica que para entender uno de los conceptos dependemos del total comprendimiento del otro. Se estudia dichos conceptos para la b´ usqueda de aplicaciones en las que se puedan implementar estos conocimientos y de esta manera agilizar el trabajo y optimizar recursos. Se realiza un estudio minuicioso a cada ecuaci´ on para determinar los teoremas y concluir con una definici´ on mas amigable para el estudiante. 1

Si la matriz A es una matriz identidad. y todos los Eigen Valores λ son iguales a 1. Este valor indica si el vector X est´ a siendo alargado o reducido cuando es multiplicado por la matriz A. casi todos los vectores cuando son multiplicados por A cambian de direcci´ on. El Eigen valor puede ser 0. lo que significa que el Eigen vector como λ = 1 o λ = 2 o λ = 2 se encuentra en el espacio nulo. pudiendo as´ ı encontrar valores para λ 1 .3 0. Demostraci´ on: Siendo: A= Sustraemos λ ∗ x en ambos lados: A∗X −λ∗X =λ∗X −λ∗X A∗X −λ∗X =0 Si multiplicamos una matriz Identidad por λ no cambia el sentido de la ecuaci´ on. a estos vectores se los denomina Eigen Vectores. 0. lo que quiere decir que todos los vectores de I son Eigen Vectores.8 0.7 2 . teniendo as´ ı: A∗X −λ∗I ∗X =0 Sacamos factor com´ un X: (A − λ ∗ I ) ∗ X = 0 Para que la ecuaci´ on no tenga soluciones triviales el determinante de A − λ ∗ I tiene que ser 0 para que se cumpla la ecuaci´ on.2 0. dicho valor entonces es llamado Eigen Valor. esto quiere decir que si multiplicamos un Eigen vector X por una matriz A.METODOLOG´ IA EIGEN VALORES Y EIGEN VECTORES Para entender el concepto de los Eigen valores se debe entender primero el concepto de los Eigen vectores. el valor de AX ser´ a entonces λ veces el vector X teniendo as´ ı: A∗X =λ∗X Dicha ecuaci´ on determina que el valor de λ cambia su longitud m´ as no su direcci´ on. excepto en ciertos casos donde el vector X est´ a en la misma direcci´ on que AX. cada vector tiene A ∗ X = X .

7 − λ 3λ 1 + 2 2 ∆ ∆ = λ2 − Factorizando obtenemos: 1 (λ − 1) y (λ − 2 ) Se obtienen dos Eigen valores: λ = 1 y λ = 1 .Resolvemos el ∆ para (A − λ ∗ I): 0. Para dichos valores la ecuaci´ on A − λ ∗ I = 0 2 Primer paso: Reemplazamos el valor de λ en la ecuaci´ on A−λ∗I =0 B=0 Igualamos A − λ ∗ I = B Obtenemos: B= 0.3 0.2 0.2 0.8 0.8 − 1 0 .3 0.3 0 0 = 0 0 = 0 0 0.3 Resolvemos por Gauss Jordan: 1.2 0.7 −λ∗ 1 0 0 1 Para el valor de λ = 1 calculamos los Eigen Vectores: B= Entonces: −0.2 0.8 − λ 0.2 0.7 − 1 3 . F2 − F1 −0.3 0.3 0.2 −0.

2 1 2 0.2 0.2 0.2 Resolvemos por Gauss Jordan: = 0 0 4 . asignamos un valor cualquiera.3 0.7 2. −5 ∗ F1 1 −1.4 + 0.7 − 1 2 Entonces: 0.3 0.6 0.6 + 1.2.3 0.8 − 0.3 0.8 0. en este caso asignaremos el valor de 2. entonces: 3 2 = 3 2 3 2 = 3 2 ∗ 0.5 0 0 Obtenemos: 3X2 =0 2 3 X 1 = X2 2 3 ∗ X2 X= 2 X2 X1 − X2 = α X =α∗ 3 2 = 0 0 1 Debido a que α puede ser cualquier n´ umero perteneciente a los R excepto el 0.4 = 3 2 Por lo tanto los Eigen Vectores para la Matriz A son: X =α∗ Para el valor de λ = 1 2 3 2 1 |α=0 calculamos los Eigen Vectores: B= 0.

0.3 ∗ X2 = 0 0.3 0 0 = 0 0 Obtenemos: 0.3 ∗ X1 = −0.3 ∗ X2 X1 = −X2 X= −X2 X2 −1 1 X2 = β X=β∗ Debido a que β puede ser cualquier n´ umero perteneciente a los R excepto el 0.3 −0.3 0.8 0. los m´ as significativos son los valores propios.7 = −1 2 1 2 Por lo tanto los Eigen Vectores para la Matriz A son: X=β∗ −1 1 |β=0 POLINOMIO CARACTER´ ISTICO DE UNA MATRIZ En ´ algebra lineal.2 0. en este caso asignaremos el valor de 1. se asocia un polinomio a cada matriz cuadrada llamado polinomio caracter´ ıstico.3 0. Dicho polinomio contiene una gran cantidad de informaci´ on sobre la matriz.3 ∗ X1 + 0. asignamos un valor cualquiera.3 ∗ F2 − 0.7 −0. Siendo: a b A= c d 5 . entonces: λ∗ −1 1 −1 2 1 2 = = −1 2 1 2 −1 1 ∗ 0.8 + 0.2 + 0. su determinante y su traza.1.2 ∗ F1 0.

teniendo as´ ı: P(λ) = ∆(A − λ ∗ I ) P(λ) = ∆ a−λ b c d−λ P(λ) = (a − λ) ∗ (d − λ) − b ∗ c P(λ) = a ∗ d − a ∗ λ − d ∗ λ + λ2 − b ∗ c Ordenando: P(λ) = λ2 − λ ∗ (a + d) − b ∗ c + a ∗ d Si observamos (a ∗ d − b ∗ c) es el ∆(A). Teniendo en cuenta que la traza de la matriz A [Tr(A) ] est´ a presente en la ecuaci´ on del polinomio caracter´ ıstico deducimos que el coeficiente de la variable λ en dicha ecuaci´ on es la traza de la matriz A [Tr(A) ]. Deducimos as´ ı que el polinomio caracter´ ıstico de la matriz est´ a dado de la siguiente manera: P(λ) = λ2 − λ ∗ T r(A) + ∆(A) CONCLUSIONES • Los Eigen Valores no cambian la direcci´ on del vector.De la deducci´ on vista en Eigen Vectores y Eigen Valores acerca del determinante de A − λ ∗ I igualandolo a 0 podemos decir entonces que: A−λ∗I = A−λ∗I = A−λ∗I = a b c d a b c d −λ∗ − 1 0 0 1 λ 0 0 λ a−λ b c d−λ A−λ∗I =0 0= a−λ b c d−λ El polinomio caracter´ ıstico de λ tiene que ser igualado a 0. pero pueden cambiar de distintas maneras la longitud del mismo. • Los Eigen vectores de una matriz pueden ser varios. siempre y cuando el coeficiente α no sea igual a 0. • Para calcular los Eigen Vectores a partir de una matriz dada se debe despejar el polinomio caracter´ ıstico de la matriz y de esta concluir mediante procesos matem´ aticos los valores que puede tomar λ para cumplir los requisitos de una matriz para tener Eigen Valores en un no espacio nulo. 6 .

• Butcher.G. (18 de Enero del 2013).youtube. 7 . http://www. Linear Algebra and its applications ”. Chapter 6:Eigenvalues. 4th Edition ”. (18 de Enero del 2013). (2009). http://www. • Butcher. http://www. Chapter 5: Eigen values and Eigen vectors. D. ”Finding all Eigenvectors (Nonzero Eigenspace) for an Eigenvalue. ”Introduction to Linear Algebra.youtube.com/watch?v=5CQ8QB6zrfg. D.youtube. D. ”The Characteristic Polynomial for a 2x2 Matrix. D. (18 de Enero del 2013).BIBLIOGRAF´ IA • Strang. ”How to Find an Eigenvalue and all it’s Eigenvectors. • Butcher.Massachusetts Institute of Technology.com/watch?v=qvy1FF2k66Y • Lay.com/watch?v=UIW2tePm2hw.