CATEDRA 0 9 Facultad de Ingeniería de Minas, Geología y Civil Departamento académico de ingeniería de minas y civil METODOS NUMERICOS Ingeniería Civil Capitulo XIII AUTOVALORES Y AUTOVECTORES C0NTENIDO II. AUTOVALORES Y AUTOVECTORES 2.1. Aspectos básicos. 2.2. Teorema de Schur y Gershgorin 2.3. Problemas propios de una matriz. 2.4. Factorizaciones Ortogonales y problemas de mínimos cuadrados 2.5. Método de QR de Francis para problemas de valores propios 2.6. Método mixtos evaluación de la determinante Iteración en un subespacio 3 Competencias: . Explica los conceptos de valores y vectores propios de una matriz cuadrada. . Explica los conceptos de polinomio característico y ecuación característica de una matriz. . Explica el concepto de base propia. . Explica el concepto de matriz diagonalizable. . Determina cuando una matriz es diagonalizable y hallar la matriz de transición necesaria para diagonalizarla. Un poco de historia Los valores y vectores propios pertenecen a los temas de mayor utilidad del álgebra lineal. Se usan en varias áreas de las matemáticas, física, mecánica, ingeniería eléctrica y nuclear, hidrodinámica, aerodinámica,etc. De hecho, es raro encontrar un área de la ciencia aplicada donde nunca se hayan usado. Puede parecer muy extraño, pero los valores propios de las matrices aparecieron publicados antes que las matrices. Esto se debe al hecho insólito de que, parafraseando a Cailey, la teoría de las matrices estaba bien desarrollada (a través de la teoría de los determinantes) antes de que siquiera se definieran las matrices. Según Morris Kline, los valores propios se originaron en el contexto de formas cuadráticas y en la mecánica celeste (el movimiento de los planetas), conociéndose como raíces características de la ecuación escalar. Desde aproximadamente 1740, Euler usaba de manera implícita los valores propios para describir geométricamente las formas cuadráticas en tres variables. En la década de 1760, Lagrange estudió un sistema de seis ecuaciones diferenciales del movimiento de los planetas (sólo se conocían seis) y de ahí dedujo una ecuación polinomial de sexto grado, cuyas raíces eran los valores propios de una matriz 66. En 1820, Cauchy se dio cuenta de la importancia de los valores propios para determinar los “ejes principales” de una forma cuadrática con n variables. También aplicó sus descubrimientos a la teoría del movimiento planetario. Fue Cauchy quien, en 1840, usó por primera vez los términos valores característicos y ecuación característica para indicar los valores propios y la ecuación polinomial básica que satisfacen. 5 Un poco de historia Augustin-Louis Cauchy (1789-1857) nació en París. Fue educado en casa por su padre y no ingresó en la escuela hasta los trece años, aunque pronto empezó a ganar premios académicos. A los dieciséis entró en la École Polytechnique parisina y a los dieciocho asistía a una escuela de ingeniería civil, donde se graduó tres años después. Su primer trabajo fue como ingeniero militar para Napoleón, ayudando a construir las defensas en Cherburgo. A los veinticuatro años volvió a París y dos más tarde demostró una conjetura de Fermat que había superado a Euler y Gauss. Con veintisiete años ya era uno de los matemáticos de mayor prestigio y empezó a trabajar en las funciones de variable compleja, publicando las 300 páginas de esa investigación once años después. En esta época publicó sus trabajos sobre límites, continuidad y sobre la convergencia de las series infinitas. Joseph Louis Lagrange (1736-1813) Matemático y físico francés. En un libro de 1797 él enfatizó la importancia de la serie de Taylor y el concepto de función. Trabajó en el sistema métrico y defendió la base decimal. Leonhard Euler (1707-1783) Matemático suizo. Los trabajos científicos de Euler abarcan prácticamente todas las matemáticas contemporáneas a él. En todas las ramas de las matemáticas hizo descubrimientos notables, que lo situaron en el primer lugar en el mundo. Euler fue capaz de comprender las matemáticas como un todo único, aunque enorme en el confluían un montón de ramas importantes y ante todo el Análisis. Laplace indicó que Euler fue el maestro común de todos los matemáticos de la segunda mitad del siglo XVIII. Euler fue en gran medida responsable de los símbolos e, i y. 6 VALORES Y VECTORES PROPIOS VALOR PROPIO Diagonalización de matrices Interpretación VECTOR PROPIO Propiedades Condiciones de diagonalizabilidad Diagonalización de matrices Espectro Polinomio característico Subespacio propio Resultados interesantes Diagonalización ortogonal Metodología para la obtención de valores y vectores propios 7 VECTOR Y VALOR PROPIO Definición: Dada la Matriz A nxn se llama valor propio de A al escalar y vector propio de A al vector no nulo v nx1 tal que: AV= V vector propio valor propio POLINOMIO Y ECUACIÓN CARACTERÍSTICA SEA Anxn y SEA V NO NULO, nx1 Tal que AV = V entonces : P( ) = det ( A- det ( A - I) I)=0 polinomio característico ecuación característica CONJUNTO DE VECTORES PROPIOS DE UNA MATRIZ SEA UN VALOR PROPIO DE Anxn EL CONJUNTO: E ={V nx1 (A- I)V = 0 } CONTIENE TODOS LOS VECTORES PROPIOS DE A CORRESPONDIENTES AL VALOR PROPIO observe que los v son las soluciones del sistema homogéneo (A - I)V=0 PROCEDIMIENTO PARA CALCULAR LOS VALORES Y VECTORES PROPIOS DE UNA MATRIZ 1. Se halla los valores propios que son las raíces 1, 2 ,..., n de p( ) = det(A- I )= 0 2. Para determinar los vectores propios se resuelve el sistema homogéneo (A- I)v= 0, correspondiente a cada valor propio i ( son los vi ) EJEMPLO: Hallar los valores y vectores propios de 1 0 0 1 2 4 A= 0 1 1 VALORES Y VECTORES PROPIOS Los conceptos básicos estudiados en este tema son útiles en todas las áreas de las matemáticas puras y aplicadas, y aparecen en contextos mucho más generales que los que consideramos aquí. Una de las principales aplicaciones de la teoría espectral son los sistemas dinámicos discretos (ejemplo introductorio), pero también pueden utilizarse los valores propios para estudiar ecuaciones diferenciales y sistemas dinámicos continuos, además proporcionan información crítica en el diseño de ingeniería y se presentan naturalmente en campos como la física y la química. Un escalar se llama valor propio de A si existe una solución no trivial de ; una de esas soluciones no triviales se denomina vector propio de A asociado al valor propio . El conjunto de todos los valores propios de una matriz cuadrada A se denomina espectro de A y se denota (A). 13 VALORES Y VECTORES PROPIOS Cierta información útil de los valores propios de una matriz cuadrada A se encuentra codificada en una ecuación escalar llamada ecuación característica de A. Este hecho nos va a permitir enunciar un resultado de gran importancia práctica para el cálculo de los valores propios de una matriz cuadrada. Para que sea valor propio de la matriz cuadrada A, el sistema homogéneo () ha de tener soluciones no triviales, luego el determinante de la matriz cuadrada A · I ha de ser cero. Polinomio característico de A Ecuación característica de A Los valores propios de una matriz cuadrada son las raíces de su polinomio característico 14 SUBESPACIOS PROPIOS Subespacios propios. Propiedades.1.- Todo vector propio de A está asociado a un único valor propio de A. 2.vectorial de asociado a . es un subespacio y se denomina subespacio propio 3.4.- Si de A y son valores propios distintos , entonces: es un sistema libre 15 ¿Cómo calcular los valores propios de una matriz cuadrada? Los valores propios de una matriz cuadrada A son las raíces de su polinomio característico. El orden del valor propio es la multiplicidad k de como raíz del polinomio característico. Si k = 1, es un valor propio simple. Observación La suma de los valores propios de una matriz, teniendo en cuenta su multiplicidad, coincide con la traza de la matriz 16 -EJEMPLO.- Calcular los valores propios de A, indicando su orden o multiplicidad: Solución Espectro de A Atención 17 ¿Cómo calcular los subespacios propios de una matriz cuadrada? Para calcular los subespacios propios de una matriz cuadrada A debemos resolver un sistema homogéneo compatible indeterminado. Si es un valor propio de orden k de una matriz A y d = dim V(), entonces: 1 d = dim V() k 18 -EJEMPLO.- Calcular los subespacios propios de A, indicando su dimensión: Solución 19 20 OBSERVACIONES.- 1.- Sea tal que: valores propios distintos de A: 1 , 2 , , r órdenes respectivos: k1 , k2 , , kr dimensión de los subespacios propios asociados: di = V(i) d1 , d2 , , dr se cumple que: orden de la matriz nro. valores propios distintos 21 2.- Si cumple que: el polinomio característico de la matriz A es: ATENCIÓN 3.- Conocido el polinomio característico de una matriz cuadrada se puede calcular fácilmente su determinante: 22 Dos matrices si: son semejantes Dos matrices semejantes tienen el mismo polinomio característico, luego tienen los mismos valores propios con los mismos órdenes de multiplicidad. Sin embargo, el recíproco no es necesariamente cierto. Es decir, existen matrices coon el mismo polinomio carácterístico pero que no son semejantes. 23 MATRICES CUADRADAS DIAGONALIZABLES En muchos casos la información de vector propio-valor propio contenida dentro de una matriz A se puede mostrar con una útil factorización de la forma: Las ideas y métodos aquí explicados nos permiten calcular rápidamente Ak para valores grandes de k, una idea fundamental en varias aplicaciones del Álgebra Lineal. Además la teoría aquí expuesta se aplica también en las ecuaciones diferenciales. En sistemas dinámicos, en procesos de Markov, en el estudio de curvas y superficies, en la teoría de gráficas y en muchos otros campos. Una matriz cuadrada A se dice diagonalizable si existe una matriz regular P que cumple que: Es decir, A es semejante a una matriz diagonal. 24 La definición anterior de matriz diagonalizable no resulta demasiado útil en la práctica. Una caracterización muy interesante de matrices diagonalizables es la siguiente: Una matriz es diagonalizable si y sólo si existe una base de formada por vectores propios de la matriz A. Existe un resultado muy cómodo que nos permite justificar de manera muy simple si una matriz cuadrada A es diagonalizable o no: A es diagonalizable si y sólo si se cumplen las dos condiciones siguientes: k1 + k2 + … + kr = n di = ki ; i = 1, 2 , … , r 25 Las dos condiciones del resultado anterior se pueden resumir en una única condición, obteniendo el siguiente resultado: A es diagonalizable si y sólo si : d 1 + d 2 + … + dr = n Del resultado anterior se obtiene fácilmente el siguiente corolario: Una matriz cuadrada A de orden n con n valores propios reales distintos, es diagonalizable. 26 ¿Cómo se diagonaliza una matriz cuadrada A diagonalizable? 1.- Calcular los valores propios de A indicando sus órdenes. 2.- Calcular los subespacios propios V(i) y bases Bi de cada subespacio. base de formada por v.p. de A. 3.- Escribir las matrices D y P tales que: columnas de P: vectores de la base B de formada por v.p. de A encontrada en 2.- En orden elementos de la diagonal principal de D: valores propios de A En orden 27 -EJEMPLO.- Diagonalizar la matriz cuadrada A Solución Sabemos que: 28 -EJEMPLO.- Hallar una matriz regular P tal que: Solución 29 Como ya sabemos, el cálculo de las potencias Ak puede ser bastante tedioso. Sin embargo, si A es diagonalizable y hemos calculado P y D, entonces sabemos que así que: Con lo cual, iterando el proceso llegamos a: Como el cálculo de Dk equivale a elevar sólo los elementos diagonales de D a la k-ésima potencia, vemos que Ak es fácil de obtener. Si sucede que A es invertible, entonces 0 no es valor propio de A. Por consiguiente D-1 existe y 30 DIAGONALIZACIÓN ORTOGONAL DE MATRICES SIMÉTRICAS Las matrices simétricas surgen en las aplicaciones, de una u otra manera, con mayor frecuencia que cualquier otra clase de matrices. La teoría es hermosa y rica, y depende de manera esencial tanto de la técnica de diagonalización expuesta en este capítulo, como de la ortogonalidad del capítulo anterior. La diagonalización de una matriz simétrica es el fundamento para el estudio de las formas cuadráticas y se utiliza también en el procesamiento de imágenes. 31 Teorema espectral.Sea 1.- matriz simétrica: Todos los valores propios de A son reales. 2.3.- A es diagonalizable, es decir: 4.- A es diagonalizable ortogonalmente, es decir: 32 ¿Cómo se diagonaliza ortogonalmente una matriz simétrica? 1.- Calcular los valores propios de A indicando sus órdenes. 2.- Calcular los subespacios propios V(i) y bases Bi de cada subespacio. Recordar que al ser A simétrica es diagonalizable y por tanto: di = ki. base de formada por v.p. de A. 3.- Ortonormalizamos las bases Bi de 2.- base ortonormal de formada por v.p. de A. 4.- Escribir las matrices D y P tales que: columnas de P: vectores de la base BON de formada por v.p. de A encontrada en 3. elementos de la diagonal principal de D: valores propios de A En orden En orden 33 Teorema de la matriz invertible.- Sea A una matriz cuadrada de orden n. Entonces los enunciados que siguen son equivalentes. 1.- A es una matriz invertible. 2.- A es una matriz regular. 3.- A es equivalente por filas a la matriz In , es decir: . 4.- Los vectores columna de A son linealmente independientes. 5.- Los vectores columna de A generan . 6.- Los vectores columna de A forman una base de . 7.- Los vectores fila de A son linealmente independientes. 8.- Los vectores fila de A generan . 9.- Los vectores fila de A forman una base de . 10.- AT es una matriz invertible. 11.- Existe una matriz B cuadrada de orden n tal que A · B = In. 12.- Existe una matriz C cuadrada de orden n tal que C · A = In. 13.- r ( A ) = n. 14.. 15.- El sistema homógeneo A · x = 0 tiene solamente la solución trivial. 16.- El sistema A · x = b es siempre compatible determinado y la solución viene dada por: x = A-1 · b. 17.- 0 no es valor propio de A. 34 Aspectos básicos. ASPECTOS BÁSICOS Para ingresar a los estudios de los valores propios de una matriz debemos tener cierta familiaridad con matrices y determinantes de los números complejos. MATRICES, DEFINICIÓN, INTERPRETACIÓN DEFINICIÓN: Llamaremos matriz a un arreglo rectangular de entes (números, funciones, etc) ordenados en filas y columnas. 35 Aspectos básicos. a11 a12 ... a1i ... a1n a a a a ... ... 21 22 2 2 i n a31 a32 a3i a3n am1 am2 ami amn mn ORDEN DE UNA MATRIZ: Se llama así al producto de las filas y columnas 3 4 2 5 2 2 3 4 1 0 9 9 8 7 0 5 2 5 aij mn aij filas columnas 36 Aspectos básicos. MATRIZ FILA Y MATRIZ COLUMNA MATRIZ FILA: Llamaremos matriz fila o vector fila a aquella matriz que posee sólo una fila y n columnas. La representamos del siguiente modo: A a11 , a12 , a13 , ..., a1n 1 n MATRIZ COLUMNA: Llamaremos matriz columna o vector columna a aquella matriz que posee sólo una columna y m filas. a11 a La representamos del siguiente modo: A 21 a m1 mx1 37 Aspectos básicos. IGUALDAD DE MATRICES: Las matrices son iguales si tienen el mismo orden; es decir el número de filas y columnas de cada una deben de ser iguales y además cada elemento de una de ellas tiene que ser igual al correspondiente de la otra. Su representación matricial es: A B aij bij ; i 1,2,..., m j 1,2,3,..., n PRODUCTO DE UN ESCALAR POR UNA MATRIZ a11 a1n A a m1 a mn 38 Aspectos básicos. SUMA DE MATRICES: Dadas las matrices A aij m n y B bij m n la suma de ambas es otra matriz en la que cada elemento de es igual a la suma de los elementos correspondientes de . Su representación matricial es: C A B aij bij ( a b) ij m n m n 39 Aspectos básicos. PRODUCTO DE MATRICES El producto de DOS es una matriz . El producto de las matrices estará definido correctamente si ; es decir si el número de columnas de la matriz es igual al número de filas de la matriz . Su representación matricial es: A aij ; B bij C A B cij m p p n m n p cij aik . bkj ; i 1,..., m ; j 1,..., n k 1 40 Aspectos básicos. TIPOS ESPECIALES DE MATRICES: 1.MATRIZ CUADRADA: Cuando m=n ; se llama matriz cuadrada de orden y se denota porA. Aij n n 6 5 4 0 9 8 7 3 2 78 5 8 6 9 5 7 0 0 0 78 0 A7 2 1 1 1 1 1 1 0 0 0 5 6 74 9 8 0 2 5 5 6 0 1 1 2 2 2 0 1 41 Aspectos básicos. 2. MATRIZ TRIANGULAR SUPERIOR: Llamaremos matriz triangular superior a aquella matriz cuyos elementos son ceros para ; y se representa como: a11 a12 0 a 22 A 0 0 0 0 ... a1n ... a 2n a33 ... a3n 0 0 a nn a13 a 23 42 Aspectos básicos. 3.MATRIZ TRIANGULAR INFERIOR: Llamaremos matriz triangular inferior a aquella matriz cuyos elementos son ceros para ; y se representa como: a11 0 0 ... 0 a 21 a 22 A a31 a32 a m1 a m 2 0 a33 ... 0 a m3 a nn 0 ... 4.MATRIZ DIAGONAL: Llamaremos matriz diagonal a aquella matriz donde todos sus elementos son ceros para , y se representa de la siguiente forma: 0 0 ... 0 a11 A 0 a 22 0 0 0 0 0 a33 ... 0 0 0 a nn 0 ... 43 2.1. Aspectos básicos. 5. MATRIZ ESCALAR: Es aquella matriz diagonal donde todos los elementos son igual a una constante ; y se representa de la siguiente manera: 6. MATRIZ IDENTIDAD: Es una matriz escalar con ; y se representa de la siguiente manera 7. MATRIZ TRANSPUESTA: Dada una matriz A aij m n ; llamaremos transpuesta de A denotada por At a la matriz a ji n m K 0 A0 0 0 K 0 0 0 ... 0 0 ... 0 K ... 0 0 0 K (5) 21/06/2015 1 0 A 0 0 0 1 0 0 0 0 1 0 (6) ... ... ... 0 0 0 0 1 a11 a12 a 21 a 22 A a31 a32 a m1 a m 2 a1n a11 a 2n a12 a33 ... a3n At a13 a a m3 ... a mn 1n a13 a 23 ... ... a 21 a 22 a 23 a 2n ... a m1 ... a m 2 a33 ... a m3 a3n ... a mn a31 a32 (7) 44 Aspectos básicos. 8. MATRIZ SIMÉTRICA: Se dice que una matriz cuadrada es simétrica si se cumple que los elementos aij a ji ; i j ; es decir . A At 9. MATRIZ ANTISIMÉTRICA: Una matriz cuadrada se llama anti simétrica si A At 10.MATRIZ HERMITIANAS Las matrices cuadradas cuyos elementos tienen simetría conjugada se le llama matriz Hermitianas es decir: , en donde * indica la conjugada compleja 2 4 2 4 0 0 2 4 0 A 2 0 6 At 2 0 6 At 2 0 6 4 6 6 4 6 4 6 0 0 (9) (10) 45 Aspectos básicos. 11. MATRIZ BANDA Es una matriz cuadrada en donde la mayor parte de los elementos son ceros y los elementos con valor significativo están agrupados alrededor de su diagonal principal en este caso se llama matriz banda. 1 1 0 0 0 1 2 1 0 0 A 0 1 2 1 0 0 0 1 2 1 0 0 0 1 1 46 Aspectos básicos. Obs. •Las líneas paralelas a la diagonal principal se le llama codiagonales. •El número total de diagonal y codiagonales con elementos significativos es el ancho de banda (3 en este ejemplo). •Para matrices simétricas puede también hablarse de un ancho de semi – banda; que incluye a la diagonal principal (2 en el ejemplo precedente). •Una matriz banda tiene baja densidad. Considerando densidad como la razón entre el número de elementos con valor significativo y el número total de elementos. 47 Aspectos básicos. DETERMINANTE DE UNA MATRIZ Definición: Determinante de una matriz A denotada por det( . A) A a12 a A 11 a 21 a 22 det( A) a11.a22 a 21.a12 MENOR COMPLEMENTARIO Definición: Llamaremos menor complemento " M ij "de un elemento de una matriz A de tercer orden al determinante de una matriz cuadrada de segundo orden que se obtiene después de eliminar la fila i y la columna j; . ( M ij ) El menor complementario de aij se denota por . M ij 48 Aspectos básicos. Ejemplo a11 a12 A aij a 22 a 33 21 a 31 a32 a11 es M11 a22 a32 a13 a 23 a33 a 23 a33 el menor complementario de: de a 21 es a M 21 12 a32 a13 a33 COFACTOR DE UN ELEMENTO Sea aij un elemento de una matriz A denotaremos cofactor se define como: Aij 1i j M ij a11 a12 A a 21 a 22 a 31 a32 a13 a 23 a33 Aij y A11 111 M 11 M 11 A12 11 2 M 12 M 12 A13 11 3 M 13 M 13 A a11M 11 a12 M 12 a13 M 13 49 Aspectos básicos. Propiedades: 1. Si se intercambian una fila por una columna en su determinante su valor no se altera. a1 a 2 b1 b2 c1 c2 a3 a1 b3 a 2 c3 a 3 b1 b2 c1 c2 b3 c3 2. Si todos sus elementos de una fila o columna son ceros el determinante es cero. 3. Si se intercambian dos filas o dos columnas continuas el a1 a2 a3 b1 b2 b3 determinante cambia de signo. b1 b2 b3 a1 a2 a3 c1 c2 c3 c2 c3 c1 50 Aspectos básicos. Propiedades: 4. Si un determinante tiene dos filas ó dos columnas iguales o proporcionales su valor es cero. a1 a 2 ka1 ka2 c1 c 2 a3 ka3 0 c3 5. Todos los elementos de una fila o columna de un determinante se multiplica por un número el valor del determinante queda multiplicado por el número. ka1 a 2 kb1 b2 a3 a1 a 2 b3 kb1 kb2 a3 a1 a 2 kb3 k b1 b2 a3 b3 kc1 c3 c3 c3 c2 c1 c2 c1 c2 51 Aspectos básicos. Propiedades: 6. Si todos los elementos de una fila o columna son expresados como la suma de dos o más números, el determinante puede expresarse como la suma de dos o más determinantes a1 x a 2 b1 y b2 c1 z c2 a3 a1 a 2 b3 b1 b2 c3 c1 c 2 a3 x a 2 b3 y b2 a3 b3 c3 c3 z c2 7. Si a cada uno de los elementos de una fila o columna se le multiplica por m y a este resultado se le suma otra fila o columna el valor del determinante no se altera a1 a2 a3 a1 ma2 a2 a3 b1 b2 c1 c2 b3 b1 mb2 c3 c1 mc2 b2 b3 c2 c3 52 Aspectos básicos. Observaciones La determinante de una matriz triangular es igual al producto de los elementos de su diagonal principal. MATRIZ DE COFACTORES a11 a12 a13 Sea la matriz A a21 a22 a23 a 31 a32 a33 entonces llamamos matriz de cofactores de la matriz A a la matriz ;CA AA11 AA12 AA13 donde i j 21 A 31 22 A32 23 A33 Aij 1 M ij 4 22 14 1 3 5 A 3 5 1 CA 4 22 14 22 14 5 1 3 4 53 Aspectos básicos. MATRIZ ADJUNTA Se llama así a la matriz transpuesta de la matriz de cofactores y se A11 A21 A31 denota por adj ( A) CAt A12 A 13 A22 A23 A32 A33 3 3 3 6 3 6 1 2 3 A 4 5 6 CA 6 12 6 adj ( A) 6 12 6 3 6 3 6 7 8 9 3 3 MATRIZ INVERSA. Supongamos la matriz cuadrada tiene , entonces la inversa de la matriz A denotada por es t A 1 1 CA adj ( A) A A 54 Aspectos básicos. , RANGO DE UNA MATRIZ: Se llama rango de una matriz A de orden nxn, al orden de la matriz cuadrada mas grande contenida en A cuyo determinante es diferente de cero y se denota r(A) = rango de A. Debemos resaltar que el r(A) ≤ min:{m,n} donde la matriz A en de orden de mxn. LONGITUD DE UN VECTOR Supongamos x un vector en R2, su longitud denotado por |x| es definido como un número positivo o cero En términos de producto punto 1, 2. 55 2.1. Aspectos básicos. , ANGULO ENTRE VECTORES El coseno entre dos vectores es dado por Ejemplo Sean los vectores PERPENDICULARIDAD DE VECTORES Dos vectores son ortogonales si el coseno entre ellos es cero es decir si solo si Ejemplo:Sean los vectores x=(2,3,3,4), y =(4,-3,7,-5) son ortogonales pues X*y=2*4+3(-3)+3*7+4(-5)=0 21/06/2015 56 , Aspectos básicos. , ESPACIO VECTORIAL Cn El espacio vectorial Cn, esta compuesto de todos los vectores X en donde , Si al vector complejo x es multiplicado por también complejo el resultado es otro vector complejo así: NORMA DE VECTORES La norma Euclidiana se define: , 57 Aspectos básicos. VALOR PROPIO DE UN MATRIZ A Ahora consideremos A una matriz de orden nxn cuyos elementos pueden ser complejos y sea un escalar (numero complejo). Si la ecuación (1) Tiene una solución no trivial es decir entonces , es un valor propio de A . Un vector x distinto de cero que satisface la ecuación (1) es un vector propio de A correspondiente al valor propio Ejemplo: Consideremos la Ecuación siguiente . 58 Aspectos básicos. Esta ecuación nos afirma que -2 es un valor propio de matriz 3x3 y que (1,3,-4)T, es un vector propio correspondiente. La condición de que la ecuación (1) tenga una solución no trivial es equivalente a cada una de las siguientes afirmaciones. mapea algún vector distinto de cero en 0 es singular (2) (3) (4) 59 , Aspectos básicos. ECUACIÓN CARACTERÍSTICA DE LA MATRIZ A Debemos decir que podemos resolver la relación (4) para las incógnitas , y de esta manera determinamos los valores propios de A. Resaltando que a esta relación se le conoce como ecuación característica de la matriz A . Nosotros podemos escribir esta ecuación mas detalladamente así: a11 a 21 det ai1 a n1 a12 a 22 ai 2 an2 a13 a 23 ai 3 a n3 ... ... a1n 0 a 2 n 0 0 ain 0 0 ... a nn ... a1 j ... a2 j ... aij ... ... a nj 60 Aspectos básicos. POLINOMIO CARACTERÍSTICO DE A, Podemos observar que la ecuación (4) tiene la forma de un polinomio de grado n en la variable , a esto se le llama polinomio característico de A, de lo cual podemos decir que una matriz de nxn tiene exactamente n valores propios, siempre y cuando se cuenten con las multiplicidades que tienen como raíces de la ecuación característica. , , , , Ax x x x Ax x Ax Ax 61 Aspectos básicos. , Ejemplo Sea la matriz , calcular los autovalores de A Los autovalores de A son Un auto vector de A asociado con así que Ejemplo Dada la matriz A determinar una solución de 62 Aspectos básicos. , RADIO ESPECTRAL DE UNA MATRIZ Radio espectral de una matriz A en donde es un autovalor de A Ejemplo: Consideremos la matriz son: se define así: sus autovalores El radio espectral se encuentra estrechamente vinculada con la norma de una matriz. Para la norma matricial 63 Aspectos básicos. , INDEPENDENCIA LINEAL Diremos que los vectores no nulos son linealmente independientes si el único conjunto de números reales tal que , es: en caso contrario se dirá que los vectores son dependientes. Ejemplo Dados los vectores del vector 64 Aspectos básicos. INDEPENDENCIA LINEAL es un conjunto Linealmente Independiente de n vectores en Rn, entonces para cada vector x en Rn, existe un único conjunto de número reales , tal que en este caso se dice que es una base de Rn. Ejemplo: Sean los vectores .Si los números son tales que como Si 65 Aspectos básicos. , Pues la única solución al sistema es entonces el conjunto , es Linealmente independiente en R3, y por lo tanto es una base de R3. Entonces cualquier vector en R3, puede escribirse de la siguiente manera: 66 Independencia Lineal , INDEPENDENCIA LINEAL DE AUTOVECTORES Si A es una matriz y son autovalores distintos de A con autovectores correspondientes , entonces , es linealmente independiente. Un conjunto de vectores es ortogonal , si, y demás es ortogonal. entonces el conjunto 67 Independencia Lineal , INDEPENDENCIA LINEAL DE VECTORES ORTOGONALES Un conjunto ortogonal de vectores que no contenga el vector cero es linealmente independiente. Ejemplo: El conjunto de vectores, forman un conjunto ortogonal, pues para estos vectores tenemos que: 68 Independencia Lineal Este conjunto forman un conjunto ortogonal ortogonalidad de por heredar la Diremos que una matriz Q de dimensiones nxn es una matriz ortogonal si , debemos aclarar que esta terminología provienen del hecho de que las columnas de una matriz ortogonal forman un conjunto ortogonal. 69 Independencia Lineal , Ejemplo. Considerando el ejemplo anterior la matriz ortogonal será: Observemos que: Q*Qt=I Además se tiene que, 70 Independencia Lineal , AUTOVALORES Y AUTOVECTORES DE MATRICES SEMEJANTES Se dice que dos matrices A y B de dimensiones nxn son semejantes si existe una matriz P tal que A=P-1BP. Dos matrices semejantes tienen los mismos autovectores. Supongamos que las matrices A y B son semejantes de orden nxn, y que es un autovalor de A con un autovector asociado x. En estas condiciones diremos que es un autovalor de B y además si A=P-1BP., entonces Px es un autovector de B asociado a 71 Independencia Lineal , Obsérvese que la determinación de los autovalores de una matriz triangular de orden nxn es relativamente sencilla, pues en este caso es la solución de la ecuación , si solo si para algún i . 72 Teorema de Schur y Gershgorin , TEOREMA DE SCHUR Y GERSHGORIN Teorema 1. Todas las matrices semejantes tienen los mismos valores propios . Pues supongamos que A y B son dos matrices semejantes esto es Veamos que A y B tienen el mismo polinomio característico 73 Teorema de Schur y Gershgorin , * Obsérvese: Que se a considerado que el determinante del producto de dos matrices es el producto de sus determinantes, y el determinante de la inversa de una matriz es el reciproco de su determinante. 74 Teorema de Schur y Gershgorin , TEOREMA DE SCHUR. Sea A una matriz de orden nxn cualquiera, entonces existe una matriz U ortogonal tal que T=U-1AU, donde T es triangular superior cuyos elementos diagonales son los autovalores de la matriz A. Debemos manifestar que el teorema de Schur garantiza que la matriz triangular existe, pero su prueba no proporciona la construcción de T. En otras palabras SCHUR afirmo que toda matriz cuadrada es unitariamente semejante a una matriz triangular. 75 Teorema de Schur y Gershgorin , Corolario 1: toda matriz cuadrada es semejante una matriz triangular. Corolario 2. Toda matriz Hermitiana es semejante unitariamente a una matriz diagonal. Pues si A es Hermitiana, entonces A=A*, y sea U una matriz untaría tal que UAU*, es triangular superior. En este caso (UAU*)*, es triangular inferior, pero, (UAU*)*= U** A* U*= UAU*, De esta manera la matriz UAU* es triangular superior e inferior en consecuencia se trata de una matriz diagonal 76 Teorema de Schur y Gershgorin , Ejemplo LOCALIZACIÓN DE LOS VALORES PROPIOS TEOREMA DE GERSHGORIN Sea A una matriz nxn y denotemos por Ri, el círculo del plano complejo con centro en aii y radio , es decir 77 Teorema de Schur y Gershgorin , , En donde C denota el conjunto de los números complejos. Entonces los autovalores de la matriz A están contenidos en , es más, si la unión de estos k círculos no se cortan con los demás n-k círculos entonces dicha unión contiene precisamente k autovalores contando las multiplicidades Ejemplo Los círculos del teorema de Gershgorin son: 78 Teorema de Schur y Gershgorin , , Como los R1 y R2 son disjuntos de R3, existen dos autovalores en y uno con R3 Eje Imaginario 1 2 3 4 5 6 7 8 9 10 11 Eje Real 79 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , , En ítems anteriores ya se ha se conceptualizo un espacio complejo Cn, En este espacio el producto nos permite definir el concepto de ortogonalidad, es decir dos vectores x, y son ortogonales si , lo que podemos generalizarlo considerando un conjunto en Cn, diremos que los vectores vi y vj, son ortogonales si. Si en este caso se dice que el conjunto de los vectores es ortonormal 80 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , , Ejemplo. Determinar si los vectores son ortogonales x1 =[10,10] y . x2 =[-2,2] Pues , Sin embargo si tenemos x1 =[10,10] y . x2 =[2,-2.0003], son casi ortogonales lo que induce al estudio de criterios de Ortagonalizacion 81 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , , MÉTODO DE ORTAGONALIZACION DE GRAM SCHMIDT Consideremos dos vectores x1 , y x2 en el plano XY linealmente Independientes, a partir de estos vectores construyamos los vectores e1 y e2, ortogonales. Supongamos x1= e1, y e1 como componente de e2 perpendicular a x1, en consecuencia , gráficamente es X2 X1=e1 e2 X2 E1 82 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , , En donde debemos de encontrar es decir: de tal manera que Consecuentemente se tiene que De esta manera e2 se encuentra en función de x1 y x2, y se ha ortogonalizado dichos vectores. 83 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , , Ejemplo. Ortogonalizar x1 =[4,6]t y . x2 =[8,0]t Hacemos Primero: consideramos el primer vector Segundo: determinamos 84 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , , Tercero: determinamos el segundo vector ortogonal. Gráficamente 4 – 3 – 2 -1– 6 1 2 3 4 5 -1 – -2 --3 -4 - 85 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , , Para un conjunto de n vectores Linealmente Independientes de n componentes. A partir de ellos se puede construir un conjunto de ortogonal de la siguiente manera. Primero: consideramos el primer vector Segundo: Tercero: 86 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , Afirmación1.Una sucesión de vectores ortogonales genera una base ortogonal del espacio generado por para . Cuando el proceso de Ortagonalizacion de Gram-Schmidt, se aplica a las columnas de una matriz, se puede interpretar el resultado como una factorización matricial. 87 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , Pues los productos internos que aparecen en el calculo se guarda en una matriz que será uno de los factores. Aplicamos el proceso a las columnas A1, A2, ...,An de una matriz A de mxn y finalmente se llega después de n pasos a una matriz B de mxn cuyas columnas forman un conjunto de ortogonal 88 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , PROBLEMA DE LOS MÍNIMOS CUADRADOS El problema de los mínimos cuadrados para sistemas de ecuaciones lineales es justamente una aplicación de las factorizaciones ortogonales. Consideremos un sistema de m ecuaciones con n incógnitas, es decir Ax=b En este sistema de ecuaciones A es una matriz de mxn, x es de nx1, y b es de mx1 89 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , Vamos a considerar que el rango de A es n de donde . Por lo general el sistema no tiene solución, como consecuencia de que b no pertenece al espacio Cm, de dimensión n. generado por las columnas de A . En consecuencia generalmente se quiere encontrar una x que minimice la norma del vector residual b-Ax. La solución en mínimos cuadrados del sistema planteado es el vector x que hace de , un mínimo el cual x será único según el supuesto del rango de A. 90 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , , LEMA: Si x es tal que A*(Ax-b)=0 entonces x es una solución del problema de mínimos cuadrados. Si suponemos que A se a factorizado de la forma A= BT, la solución en mínimos cuadrados del sistema Ax=b será la solución exacta del sistema nxn Tx=(B*B )-1 B*b. el cual se verifica usando el lema anterior A*Ax=(BT)*BTx=T* B*BTx = T* B*B(B*B )-1 B*b=T*B*b=A*b Veer demostracion en Analisis numerico de David Kincaid; Ward Cheney 91 Factorizaciones Ortogonales y Problemas de Mínimos Cuadrados , , La matriz (B*B )-1es un matriz diagonal , esta diagonal es calculado por el algoritmo modificado de Gram-Schmidt cuyo algoritmo evita el calculo de raíces cuadradas. Otra manera de abordar el problema de mínimos cuadrados asociado al sistema Ax=b es utilizar directamente el lema citado de esta manera , será un mínimo si A* (Ax-b)=0. 92 Factorización QR de Householder , , FACTORIZACIÓN QR DE HOUSEHOLDER Es uno de los métodos mas útiles para factorizar ortogonalmente. La idea es factorizar una matriz A de orden mxn como un producto A=QR En donde Q es una matriz unitaria de mxm y R una matriz triangular superior de mxn, vale destacar que el algoritmo de factorización produce Q*A=R Construyéndose Q* paso a paso como un producto de matrices unitarias que tiene la forma de, 93 Factorización QR de Householder , , FACTORIZACIÓN QR DE HOUSEHOLDER Esto se le conoce con el nombre de transformaciones de Householder Primero, determinamos el vector con la característica que l-vv*, sea untaría de tal manera que (I-vv* )A inicie con tener la forma de R es decir una matriz triangular superior de orden mxm es decir su primera columna debe de tener la forma , y denotamos la primera columna de A con A1, Queremos que , esto se realiza como sigue: 94 Factorización QR de Householder , , FACTORIZACIÓN QR DE HOUSEHOLDER Primero, elegimos un número complejo , sea real. Segundo, hacer , En donde , Obsérvese que aquí se admite dos valores para , en este caso nosotros elegimos la que permita realizar menos cancelaciones al calcular el valor de v es decir, 95 Factorización QR de Householder , , FACTORIZACIÓN QR DE HOUSEHOLDER Los siguientes pasos son similares al primero, pues después de k pasos se habría conseguido multiplicar por la izquierda por k matrices untarías, obteniendo de esta manera lo siguiente, , En donde J : es una matriz triangular superior de KxK 0: es la matriz nula de (m-k)xk H: es una matriz de kx(n-k) W: es una matriz (m-k)x(n-k) , 96 Factorización QR de Householder , , Se afirma que existe un vector tal que I-W*, es una matriz unitaria de orden m-k con la característica de que (I-W*) tiene ceros por debajo del elemento en su primera columna, esto es, . En esta relación , es una matriz unitaria y lo denotamos por Uk+1, y el proceso termina cuando la columna (n-1) - ésima de R queda en la forma apropiada y consecuentemente tenemos, Q* A = R, en donde Q* denota el producto de todas las matrices unitarias que se han usado como factores dado que Q es una matriz unitaria, A=QR . 97 Factorización QR de Householder , Observemos que Q*= Qn-1Qn-2....Q1 en este caso , siendo se puede observar que Uk es Hermitiana consecuentemente tenemos , 98 Factorización QR de Householder , Ejemplo. Sea la matriz Paso I Primero: Calculamos como , pues A1es real Segundo, hacer 99 Factorización QR de Householder , En este caso el primero factor unitario Tercero. Calculamos U1A 100 Factorización QR de Householder , Paso II Primero: Calculamos Segundo, hacer 101 Factorización QR de Householder , En este caso el primero factor unitario Tercero. Calculamos U2 U1A 102 Factorización QR de Householder , Paso III Primero: Calculamos Segundo En este caso el primero factor unitario 103 Factorización QR de Householder , En este caso el primero factor unitario En este caso la matriz triangular superior es 104 Factorización QR de Householder , Tercero. Calculamos Q* U3 U2 U1A Luego A=QR 105 Descomposición de los Valores Singulares y Seudoinversas , La descomposición en valores singulares es otra manera de factorizar matrices que tiene una diversidad de aplicaciones en el mundo real. Se afirma que toda matriz compleja A de orden mxn se puede factorizar en la forma A=PDQ En donde P= es una matriz de orden mxm D= es una matriz de orden mxn Q= es una matriz de orden nxn 106 Descomposición de los Valores Singulares y Seudoinversas , , Ejemplo Se tiene que: 107 Descomposición de los Valores Singulares y Seudoinversas Entonces A=PDQ 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 Muchas Gracias 127