Bibliografía de la Clase:
Un breve recordatorio de valores y vectores propios:
Sea una matriz cuadrada. Un vector es un vector propio (eigenvector) de , y es su valor propio (eigenvalue) correspondiente, si:
La idea principal es que la transformación que aplica la matriz en el subespacio de puede algunas veces imitar una multiplicación por un escalar.
Cuando lo anterior sucede, el subespacio es llamado espacio propio (eigenspace), y cualquier vector es un vector propio.
El conjunto de valores propios de la matriz se denomina spectrum de , y es un subconjunto de y se denota .
Mayor detalle en Valores y Vectores Propios
Sea . Obtener .
Lo mismo para la segunda columna de , por lo tanto:
Nota
La matriz anterior es una Matriz de Markov. Todas sus entradas son positivas y los elementos de cada columna suman 1. Esto garantiza que el mayor valor propio es 1 lo que indica que el el vector propio no cambia su estado (porque ) y por lo tanto el otro vector propio decae, hasta desaparecer, mientras mayor sea la potencia de .
Revisar Ejercicio Propuesto
La descomposición de valores propios de una matriz cuadrada , es la factorización:
Esta factorización, no siempre existe. es no singular y es diagonal.
Esta factorización puede también ser escrita como:
En una notación más resumida:
Si es no singular, entonces la transformación se denomina transformación de similitud de . Se dice que dos matrices y son similares si hay una transformación de similitud que las relacione, es decir, si existe una matriz no singular tal que:
En general, una matriz tiene multiplicidades geométrica y algebraica iguales, pero no ocurre para todas las matrices.
Si se consideran las siguientes matrices:
Ambas matrices tienen polinomios característicos , por lo tanto, hay un solo valor propio que tiene multiplicidad algebraica 3. Para la matriz se pueden escoger tres vectores propios independientes, por ejemplo, y , por lo tanto la multiplicidad geométrica también es 3.
Para la matriz , se puede encontrar solo un vector propio independiente (), por lo tanto la multiplicidad geométrica del valor propio es 1.
Un valor propio cuya multiplicidad algebraica excede su multiplicidad geométrica se dice que es un valor propio deficiente. Una matriz que tiene uno o más valores propios deficientes se denomina matriz deficiente.
Toda matriz diagonal es no deficiente. En estas matrices, la multiplicidad algebraica y geométrica de un valor propio son iguales al número de ocurrencias en la diagonal.
La clase de matrices no deficientes son precisamente la clase de matrices que tienen una descomposición de valores propios. En otras palabras las matrices no deficientes son diagonalizables.
La diagonalización de matrices corresponde a una transformación de similitud.
Nota
De CC1: La multiplicidad geométrica corresponde a la dimensión del subespacio propio generado por el valor propio (o al número de vectores propios l.i. asociado a ). La multiplicidad algebraica corresponde al número de veces que aparece el valor propio como raíz de la ecuación característica de A.
¿Para que es útil la diagonalización? Nuevamente consideremos :
Los números de Fibonacci está formada por los números: . Se definen recursivamente como:
Pero se quisiera lograr una ecuación de la forma:
para usar las ventajas de los valores y vectores propios. Como tiene valores propios distintos (por lo tanto vectores propios, l.i.) y es conocido (condición inicial):
Tomando en cuenta lo anterior, se puede usar el truco: . Con esta definición se puede construir el siguiente sistema:
por lo tanto es:
Si se calculan los valores y vectores propios:
Recapitulando, si se usa la ecuación :
para encontrar :
por lo tanto,
Interesa el segundo componente de :
Nota
Sea una matriz normal, es decir, , donde denota la matriz hermitiana adjunta de .
Las matrices normales poseen un sistema completo de valores y vectores propios, es decir, tienen valores propios , a cada valor propio le corresponde exactamente un vector propio , y el sistema de los vectores propios es un sistema ortogonal completo, i.e., constituye una base ortogonal de .
El teorema de Gerschgorin es un resultado muy útil que permite estimar bastante bien los valores propios de una matriz simétrica o no simétrica.
Teorema:
Sea , una matriz cualquiera. Entonces todo valor propio de está en a lo menos un disco del plano complejo centrado en y con radio :
Además, Si de estos discos forman un dominio conexo disjunto de los restantes discos, entonces hay precisamente valores propios en ese dominio conexo.
Nota
Un dominio es conexo si cualquier par de puntos en el dominio puede ser conectado por una curva que está completamente contenida en el dominio.
Ejemplo Para
Sea un valor propio de y su correspondiente vector propio, i.e., .
Entonces la p-ésima ecuación del sistema se puede escribir de la forma:
por lo tanto:
y si dividimos por y utilizamos la consideración :
Luego está contenido en el disco .
Se debe calcular los centros y radios de los discos de Gerschgorin: