2.

4 ECUACIONES DE EIGENVALORES
(2.4_AL_T_062, Revisin: 15-10-06)

Consideremos la multiplicacin de una matriz por un vector, i.e.:

y 2 1 x1 y = Ax ; en 2D esto es 1 = y2 1 2 x2
A transforma xy , esto es, un punto en 2D a otro punto en 2D ( equivalentemente, podemos verlo como un mapeo de R2 en R2).

1 2 Ejemplo 1. Si x = , y = 0 1

(2,1) (1,0)

Si en vez de puntos consideramos radio-vectores podemos representar la transformacin como:

De acuerdo a las operaciones bsicas entre vectores, podemos ver que el vector x gira y se alarga: el giro est dado por tan-1(), mientras que la magnitud es ahora y = 3 x . Podemos decir entonces que una matriz de nxn toma un radio-vector en Rn y lo transforma en otro vector de Rn que est girado y alargado. Consideremos ahora el caso:
101

 1 3 x = y = Ax = 1 3

Ntese que el vector no gira, slo se hace 3 veces ms largo. El problema de eigenvalores y eigenvectores (valores propios y vectores propios) consiste en encontrar los vectores que no giran bajo una transformacin (i.e., multiplicacin por una matriz). El eigenvalor nos da el cambio de longitud (ntese que si el eigenvalor es negativo se puede pensar en un giro de radianes o en una inversin).

y = Ax = x, x 0 (0 0 , pues A0 = 0)
Buscamos entonces x tal que Ax = x = Ix , o equivalentemente: ( A I ) x = 0 Para resolver esto, notamos que si
A I = 0 .

(*)

( A I )

existe x = ( A I ) 0 = 0 , i.e.,
1

obtenemos la solucin trivial al problema. Por lo tanto, para que

( A I )

no exista

Ejemplo 2.

2 1 A= , 1 2

A 1 =

2 1

1 =0 2

Del determinante obtenemos el polinomio caracterstico:

(2 )

1 = 4 4 + 2 1 = 2 4 + 3 = ( 3)( 1) = 0

= 3,1 son los eigenvalores (o valores propios).

Para encontrar el eigenvector asociado a utilizamos (*) 1 x1 0 1 1 x1 0 23 Para = 3 : = = 2 3 x2 0 1 1 x2 0 1
x1 = x2 x = , i.e., cualquier escalar satisface esta condicin. Es conveniente construir eigenvectores cuya longitud sea 1, i.e., normalizar los eigenvectores:
1 , para = 3, e1 = x = 2 + 2 = 2 = 1 = 2 1 2 1 2

102

 2 1 1 x1 1 1 x1 0 Similarmente, para = 1: = = x1 = x2 2 1 x2 1 1 x2 0 1
eigenvector e 2 = 1 2 1 2 (Ntese que 1 2 tambin es eigenvector) 1 2

Con los eigenvectores normalizados podemos construir la matriz modal si los acomodamos por columnas, esto es:
Q= 1 2 1 2 1 3 0 2 = 1 0 1 2

Eigenvector para = 3 Grficamente podemos representar esto como:

Eigenvector para = 1

2 1 A= 1 2

no gira y se hace 3 veces ms largo

vectores en esta lnea no girarn y mantienen su longitud

2.4.1 I

TEOREMAS SOBRE OPERADORES AUTOADJUNTOS.

Si un operador L es auto-adjunto, entonces: a) los eigenvalores i son reales b) los eigenvectores ei correspondientes a distintos eigenvalores son ortogonales.

Demostracin. Consideremos un par de eigenvalores j y sus correspondientes eigenvectores ej .

De

acuerdo al problema general de eigenvalores Le j = j e j ; utilizando el producto interno podemos establecer que: 103

( e , Le ) = ( e , e ) = ( e , e )
j j j j j j j j

( Le , e ) = ( e , e ) = ( e , e )
j j j j j j j j

Dado que L es auto-adjunto, podemos tomar la diferencia entre ambos productos internos para establecer que:

( Le , e ) = ( e , L e ) = ( e , L e ) 0 = (
* j j j j j j

j (ej , ej )

Puesto que e j 0,

(e , e ) 0
j j

j = j , y los eigenvalores son reales.

Consideremos ahora el producto interno

(e , e )
i j

, y eigenvalores i , j ,

j ) ,

Lei = i ei .

( Le , e ) = ( e , e ) = ( e , e )
i j i i j i i j

( e , Le ) = ( e , e ) = ( e , e ) = ( e , e ) (eigenvalores reales)
i j i j j j i j j i j

Utilizando el carcter auto-adjunto del operador:

( Le , e ) ( e , Le ) = 0 0 = ( )( e , e )
i j i j i j i j

Si i j
II

(e , e ) = 0
i j

ei es ortogonal a ej .

Para cualquier operador L auto-adjunto en un espacio con dimensiones finitas, se pueden encontrar k eigenvectores ortogonales para un eigenvalor con multiplicidad k.

No importa si los eigenvalores son distintos o no, de cualquier manera los eigenvectores son ortogonales. III

Los eigenvectores de cualquier operador auto-adjunto L en un espacio con dimensiones finitas forman base.

Construir eigenvectores construir una base para el espacio con dimensiones finitas.

Nota: Un caso particular importante es el sistema de Sturm-Liouville en el espacio de funciones ( dim = ) .

104

2.4.2

MS EJEMPLOS Y DEFINICIONES.

Ejemplo 3. Se puede demostrar mediante el problema general de eigenvalores que si:

a b A= , 1,2 = a b b a
2 0 0 Ejemplo 4. Consideremos ahora Ax = x , con A = 0 1 1 0 1 1

Ntese que A est separada por bloques; para este tipo de matrices podemos reconocer la forma de los eigenvectores y eigenvalores. En particular, en este caso podemos esperar que uno de los eigenvectores sea =2. Los bloques pueden visualizarse de la siguiente manera:

2 A= 0 0

0 0 1 1 , 1=2 , con eigenvector asociado 1 1

1 . 0 0

Para verificar esto podemos utilizar la metodologa usual:

2 0 Ecuacin caracterstica: A I = 0 = 0 1 0 1 0 1 1
2

( 2 ) (1 ) 1 = ( 2 ) ( 2 2 ) = ( 2 ) = 0
2

1 = 0, 2 = 2, 3 = 2 valores repetidos.
Eigenvectores: Para 1=0:
0 0 x1 0 20 2x = 0 x1 = 0 ( A 1I ) x = 0 0 1 0 1 x2 = 0 1 x + x = 0 x = x 2 3 3 2 0 1 1 0 x3 0

105

 0 0 0 1 1 x x = , e1 = = = 2 2 x.x 1 2 0 0 x1 0 22 Para = 2 : 0 1 2 1 x2 = 0 x2 + x3 = 0, x2 = x3 x = 1 1 2 x3 0 0

Ntese que se pueden encontrar 2 eigenvectores ortogonales y adems ambos son ortogonales a e1 . Podemos tomar:
0 1 1 e2 = 0 , e3 = 0 2 1 2 0 2 0 0 1 tenemos Por lo tanto, para A = 0 1 1 1 = 0, e1 = , o bien 0 1 1 2 1 2 0 1 2 ; 1 2

0 1 1 , y finalmente . 2 = 2, e 2 = 0 3 = 2, e3 = 2 0 1 2 En este ejemplo puede verse la utilidad de reconocer o agrupar bloques dentro de una matriz para obtener los eigenvalores. El bloque de un solo elemento da automticamente el eigenvalor (en este caso 2) y en este caso en particular, es fcil reconocer la forma que debe tener el eigenvector asociado. El bloque de 2x2 es una matriz simtrica, y de acuerdo al ejemplo3, los eigenvalores son 0 y 2.

106

Los eigenvalores de un matriz nos dan informacin sobre el determinante. En particular, en el ejemplo 4 encontramos que 1 = 0 . Esto implica que A-1 no existe dado que A = 12 3 = 0 . como: Para matrices de 3x3, la ecuacin caracterstica puede escribirse

3 I1 2 + I 2 I 3 = 0 ,
en donde I1 , I 2 , I 3 son los invariantes de la matriz, dados por:
I1 tr ( A )

( traza = a11 + a22 + a33 )

I2

a 1 2 ( trA ) trA 2 = 11 a21 2

a12 a22 a32 a13 a23 a33

a12 a22

a11 a31

a13 a33

a22 a32

a23 a33

a11 I 3 A = a21 a31

Si I3=0 se puede ver que 3 I1 2 + I 2 = ( 2 I1 + I 2 ) = 0 , lo que implica que uno de los eigenvalores es cero.
Definiciones para operadores matriciales. De acuerdo al problema de Eigenvalores Ax = x , donde A es el operador matricial, se establece que una matriz es:

positivamente definida si xT .Ax > 0 x 0 positivamente definida si i > 0 i = 1, 2,... positivamente semi-definida si xT .Ax 0 x 0 positivamente semi-difinida si i 0 negativamente definida si xT Ax < 0 x 0 negativamente definida si i < 0 i = 1, 2, .. negativamente semi-definida si xT Ax 0 x 0 negativamente semi-definida si i 0 i = 1, 2,...

En el ejemplo anterior 4, A es positivamente semi-definida. 1 1 Ejemplo 5. Del ejemplo anterior podemos ver que para A = obtenemos: 1 1

107

 1 2 1 = 0, e1 = 1 2

2 = 2, e2 =

1 2 1 2

Con este resultado y agrupando por bloques podemos obtener tambin:

1 0 1 A = 0 2 0 tenemos 2 bloques 1 0 1

bloque 1x1 ( 2 ) , = 2, e = (1)

1 1 bloque 2 x 2 = 0, 2 e = 1 1 1 2 , 1 2 1 2 1 2

Los eigenvectores son entonces:

1 2 0 = 0, e1 = 0 ; = 2, e2 = 1 ; 1 0 2 1 1 Similarmente, si A = 0 0 1 1 0 0 0 0 1 1 1 2 = 2, e3 = 0 1 2

0 0 obtenemos: 1 1

1 0 1 0 2 2 0 0 1 1 1 1 1 = 0, e1 = ; 2 = 0, e 2 = ; 3 = 2, e3 = 2 ; 4 = 2, e 4 = 2 2 2 0 1 0 1 0 0 2 2

Los bloques pueden tambin encontrarse intercalados; por ejemplo, si:

108

1 0 A= 1 0
2.4.3

0 1 0 1

1 0 1 0

0 1 , tenemos 2 bloques intercalados de 0 1

1 1 . 1 1

DIAGONALIZACIN DE UNA MATRIZ, POTENCIAS, INVERSAS, EXPONENCIALES, ETC.

T

Considerando operadores matriciales auto-adjuntos, i.e.: A* = A , el problema de eigenvalores tiene la forma:

Ae = e 1 , 2 .., n con eigenvectores e1 ,e2 , ...en De acuerdo a los teoremas vistos anteriormente, los s son reales y los eigenvectores son ortogonales, o inclusive, pueden hacerse ortonormales, i.e.:
ei e j , ei = 1

( e ,e ) =
i j

ij

Adems, los eigenvectores {e1 ,e 2 , ...,e n } forman base para Rn. Analicemos ahora la matriz modal y la matriz diagonal de eigenvalores asociada, ambas definidas por:
1 0 0 2 0 0 0 0 n

Q ( ( e1 )

( e2 )

( en ) )

Se puede ver que la matriz modal es una matriz ortogonal, i.e., Q1 = QT pues:
e1 e1 e1 e1 e 2 e2 e e e e T Q Q = ( ( e1 )( e2 ) ... ( en ) ) = 2 1 2 2 e n e n e1 e n e 2 Algunas propiedades tiles de una matriz ortogonal: (1) (2) El determinante es 1 QT Q = I,
QT Q = Q = 1,
2

e1 en 1 0 e2 en 0 1 = en en 0 0

0 0 1

Q = 1 .

No cambia la longitud de vectores. Supongamos que

y = Qx,

y =

(y , y) =
T

xT QT Qx = xT x = x

109

Con esto vemos entonces que la matriz modal Q slo gira vectores. La matriz modal se puede utilizar para escribir en forma cannica la matriz A. Consideremos el caso general: e1 e1 Q AQ = ( A ) ( ( e1 ) ... ( en ) ) = ( ( Ae1 ) ... ( Aen ) ) en en e1 1 0 0 = ( ( 1e1 ) ... ( ne n ) ) = 0 2 0 0 n en
T

Pre-multiplicando por Q obtenemos:

Q QT AQ = Q AQ = Q
Post-multiplicando por QT:
AQQT = QQT A = QQT , y tambin: QT AQ =

Expresar la matriz A en trminos del producto de la matriz modal, la matriz diagonal de eigenvalores y la matriz modal transpuesta es til para realizar varias operaciones matriciales de inters. Observemos que:

Ae = e, A 2e = A( Ae) = Ae = 2e
0 0 0 0 T n n En general: A e = e . Ntese tambin que Aek = ( QQ ) ek = Q 1 = Q k = k ek 0 0 Si expresamos la matriz en trminos de la matriz modal y la matriz diagonal de eigenvalores:

A = QQT , A 2 = (QQT )(QQT ) = Q 2QT A m = Q mQT

110

 1m 0 m Donde: = 0 0

m 2

0 0

nm 0 0 0
0 0 1 n

Algunos casos particulares interesantes:

T 1 T 1 1 1 1 1 T 1 A = ( QQ ) = ( Q ) Q = Q Q , = 1 0 0 1 1 1 2 0 0 Si: A 2 Q 2 QT con 2 0 n 0
1 2 1 2 1 2 T 1 2 2 T

0 1

1 Ntese que A A = Q Q Q Q = Q 2 QT = QQT = A En general, esta descomposicin de la matriz A permite realizar cualquier operacin matricial manipulando nicamente la matriz diagonal de eigenvalores. Supongamos, por ejemplo, que queremos evaluar 2 A 2 3A . Utilizando la descomposicin se obtiene:
212 31 2 A 2 3A = 2Q 2QT 3QQT = Q(2 2 3 )QT = Q 0 T Q 2 2n 3n 0

De igual forma, podemos evaluar la matriz exponencial:

I+A+

A2 + ... 2!

Utilizando la descomposicin matricial:

= QIQT + QQT + Q

2 T Q + 2

2 = QI + + + ... QT 2

111

 e A = Q e QT ,

e1 0 0

0 e
2

0 0 0 en

2.4.4

APLICACIONES.

a) Consideremos Ax = c,

2 1 A= . Para resolver este problema podemos: 1 2 1) Despejar x = A1c (i.e., utilizar lgebra matricial).

2) Utilizar una eigen-expansin. Sabemos que Ae = e , y por la forma de la matriz obtenemos:

1 1 2 2 , 1 = 1, e1 = 2 = 3, e 2 = 1 1 + 2 2 Ntese que la matriz es auto-adjunta y, por lo tanto, los eigenvectores son base ortonormal (ON) para el espacio vectorial. Esto implica que podemos expresar cualquier otro vector como una combinacin lineal de ellos. Consideremos, por ejemplo: c = ( c, e1 ) e1 + ( c, e 2 ) e 2 , x = e1 + e2

Si encontramos los coeficientes y del vector x podremos encontrar la solucin del problema. Expresando todo en trminos de los eigenvectores obtenemos:
Ax = A ( e1 + e 2 ) = Ae1 + Ae 2 = 1e1 + 2e 2

= 1 Supongamos que c = , 1
Por lo tanto: = 0, =
2 3

( c, e1 ) = ( c, e2 )
1 2
1 1 2 + = = 2 2 2 2

( c, e1 ) = 0, ( c, e2 ) =
2 x= 3

1 1 2 3 = 1 1 2 3

b) Consideremos el caso Ax = x + c , donde es un escalar dado.

112

Podemos hacer de nuevo una eigen-expansin:

c = ( c, e k ) e k , x = k e k , Ax = A ( k e k ) = k Ae k = k k e k

El sistema es entonces:
k k e k k e k ( c, ek ) e k = 0 1 ( ) ( c, e1 ) e1 + 2 ( 2 ) ( c, e 2 ) e 2 + ... + [ ] e n = 0 k ( k ) ( c, e k ) e k = 0, con e1 , e 2 ,..., e n LI

Puesto que los vectores base son LI, cada uno de los coeficientes tiene que ser cero. Si k , k = 1, 2, ... , entonces:

k =
Si = j ,

En este caso, si ( c, e j ) 0 el sistema no tiene solucin; si ( c, e j ) = 0 , se puede aadir a la solucin para cualquier valor de , i.e.:
x=
k =1 k j n

[ ] e1 + ... + j ( 1 ) ( c, e j ) e j + ... + [ ] en = 0, ( c, e j ) e j = 0

( c, ek ) ,

x = k ek

( c, ek ) e

+e j

c) Consideremos un sistema masa-resorte en serie como se muestra en la figura. El objetivo de estos problemas es generalmente encontrar los desplazamientos de las masas. Ntese que el resorte que une a las dos masas (m) dar como resultado un acoplamiento entre los dos desplazamientos x1 y x2, i.e., el modelo matemtico de este sistema ser un sistema de ecuaciones acopladas.
k m x1 k m x2 k

El comportamiento del sistema est descrito por:

mx1 = kx1 k ( x1 x2 )
mx2 = kx2 k ( x2 x1 )

113

Consideremos el caso k = m = 1 ; las ecuaciones son ahora:

x1 + 2 x1 x2 = 0 x2 + 2 x2 x1 = 0
Podemos expresar esto en forma matricial:

x1 x1 2 1 x + Ax = 0, x = , x = , con A = 1 2 x2 x2
Ntese que el operador A es auto-adjunto y los eigenvalores y eigenvectores son:
1 = 1, e1 = 1 2 , 1 2 1 2 2 = 3, e1 = 1 2

Utilicemos la matriz modal para realizar un cambio de coordenadas. Consideremos especficamente el cambio:
x = Qx, Q = 1 2 1 2 1 2 1 2

x = Qx Qx+ AQx= 0
Pre-multiplicando por la matriz modal transpuesta: QT Qx+QT AQx= 0 , pero QT Q = I, QT AQ = . El sistema se reduce entonces a x+ x= 0 . Esto puede expresarse equivalentemente como:
x1 + x1 = 0, x2 + 3 x2 = 0

Las soluciones son, respectivamente:

x1 = A1 sen ( t + 1 ) , x2 = A2 sen Regresando a las coordenadas originales obtenemos:

3 t + 2

114

 x1 = Qx= x2

1 2 1 2

1 2 A1 sen ( t + 1 ) 1 A2 sen 3 t + 2 2

sen 3 t + 2 sen ( t + 1 ) x1 +c = c1 sen ( t + ) 2 x2 sen 3 t + 2

El uso de la matriz modal desacopla el sistema de ecuaciones y la solucin queda expresada en trminos de una combinacin lineal de los modos normales, o equivalentemente, en trminos de las frecuencias naturales de oscilacin del sistema.

115