◄Clase 4
►Clase 6

  • Espacios Vectoriales y Subespacios

    • Introducción

      Los espacios vectoriales constituyen uno de los conceptos más esenciales en álgebra lineal y matemáticas en general, ya que proporcionan un marco abstracto para trabajar con vectores y operaciones que combinan estos elementos de forma coherente. Un espacio vectorial está formado por un conjunto de vectores y un campo de escalares (como los números reales o complejos), y está definido por un conjunto de axiomas que garantizan la suma y la multiplicación escalar conserven propiedades fundamentales como la asociatividad, conmutatividad, existencia de un elemento neutro (vector cero) y existencia de inversos aditivos. Estos espacios permiten modelar y analizar una amplia variedad de fenómenos, desde problemas geométricos en dos y tres dimensiones hasta sistemas más complejos en espacios de dimensión infinita, utilizados en física, ingeniería, informática y economía. Gracias a estas propiedades, los espacios vectoriales facilitan la representación y manipulación sistemática de datos y funciones, haciendo posible la aplicación de técnicas como la descomposición en bases y el estudio de transformaciones lineales.

      Dentro de un , los representan subconjuntos especiales que por sí mismos cumplen con las mismas propiedades de un espacio vectorial, es decir, son cerrados bajo la suma y la multiplicación por escalares y contienen el vector cero. Estos subespacios son cruciales para el análisis estructural de espacios vectoriales, ya que permiten identificar y estudiar partes internas del espacio que pueden ser analizadas de manera independiente. El concepto de subespacio es fundamental para entender la dimensión, bases y la independencia lineal, así como para resolver sistemas de ecuaciones lineales y analizar transformaciones lineales. En ingeniería y ciencias aplicadas, el reconocimiento de subespacios facilita la simplificación y resolución de problemas complejos, como la reducción de dimensiones en el procesamiento de señales, la optimización en control de sistemas y la modelación de espacios funcionales en física matemática.

    • Los espacios vectoriales son estructuras matemáticas fundamentales en el álgebra lineal que permiten estudiar fenómenos complejos mediante un lenguaje abstracto y preciso. Estas estructuras generalizan muchas propiedades conocidas de vectores del espacio euclidiano y se aplican en campos tan variados como la ingeniería, la economía, la física, la estadística y la informática.

      La noción de espacio vectorial, junto con la de subespacio, proporciona un marco para analizar sistemas de ecuaciones lineales, transformaciones lineales y problemas geométricos o algebraicos. A través de esta clase exploraremos sus definiciones, propiedades, criterios, ejemplos y contraejemplos, resaltando los conceptos clave para facilitar su comprensión y aplicación.

      Los espacios vectoriales son estructuras matemáticas fundamentales que permiten estudiar una gran variedad de fenómenos en álgebra lineal. A través de estos espacios, es posible generalizar muchas propiedades conocidas de los vectores del espacio euclidiano y aplicarlas en contextos más amplios, lo que facilita el análisis de sistemas complejos. Estos conceptos se extienden más allá de los vectores en dos o tres dimensiones, permitiendo trabajar en espacios de cualquier dimensión, lo que resulta útil en disciplinas como la ingeniería, la economía, la física, la estadística y la informática. Los espacios vectoriales proporcionan una base abstracta que facilita la resolución de problemas relacionados con sistemas de ecuaciones lineales, transformaciones lineales y otros problemas geométricos y algebraicos.

      En un espacio vectorial, los elementos básicos son los vectores, que se pueden sumar y multiplicar por escalares, es decir, por números reales o complejos, dependiendo del contexto. Los axiomas que definen un espacio vectorial aseguran que estas operaciones se realicen de manera consistente. Esto incluye propiedades como la conmutatividad y la asociatividad de la suma de vectores, la existencia de un vector nulo y de un inverso aditivo, así como la distribución de la multiplicación escalar con respecto a la adición de vectores y escalares. Estas propiedades son fundamentales para poder manipular y operar con vectores de manera sistemática.

      Una de las ideas centrales de los espacios vectoriales es la noción de subespacios. Un subespacio es simplemente un subconjunto de un espacio vectorial que, a su vez, es un espacio vectorial por sí mismo, es decir, cumple con las mismas reglas de adición y multiplicación por escalares que el espacio original. Los subespacios permiten descomponer un espacio más grande en partes más simples y comprender mejor su estructura. Estos subespacios pueden ser, por ejemplo, líneas o planos dentro de un espacio tridimensional, y son fundamentales en el estudio de soluciones a sistemas de ecuaciones lineales y en la teoría de transformaciones lineales.


      Gráfico 2: Espacio y Subespacio vectorial.
      Creación propia.

      El concepto de combinación lineal es otro pilar en el estudio de los espacios vectoriales. Una combinación lineal de un conjunto de vectores es simplemente una suma ponderada de esos vectores, donde los coeficientes son escalares. Este concepto es esencial para entender cómo se pueden generar otros vectores a partir de un conjunto dado de vectores. Un conjunto de vectores es generador del espacio vectorial si cualquier vector dentro de ese espacio puede expresarse como una combinación lineal de esos vectores. Esto conduce a la noción de base de un espacio vectorial, que es un conjunto de vectores linealmente independientes que genera todo el espacio. La cantidad de vectores en una base es la dimensión del espacio vectorial, un concepto clave en la clasificación y análisis de los espacios.

      Los espacios vectoriales tienen numerosas aplicaciones prácticas en una amplia gama de disciplinas. En la economía, por ejemplo, los espacios vectoriales se utilizan para modelar sistemas de equilibrio en mercados, donde los vectores pueden representar bienes o activos, y las combinaciones lineales pueden utilizarse para analizar los efectos de los precios y la oferta. En la ingeniería, los espacios vectoriales permiten modelar y analizar fenómenos físicos como el movimiento, las fuerzas, las deformaciones de materiales y las dinámicas de sistemas complejos. En física, el estudio de los espacios vectoriales es esencial para entender fenómenos como los campos electromagnéticos, la mecánica cuántica y la teoría de la relatividad, entre otros.

      En estadística y aprendizaje automático, los espacios vectoriales permiten representar datos complejos en espacios de múltiples dimensiones, lo que facilita el análisis de grandes volúmenes de información y la aplicación de técnicas como la reducción de la dimensionalidad, el análisis de componentes principales (PCA) y la clasificación de patrones. Estos conceptos son esenciales en la construcción de modelos de predicción y en el análisis de datos multidimensionales, que son fundamentales en la ciencia de datos y la inteligencia artificial.

      Los espacios vectoriales también tienen aplicaciones fundamentales en el procesamiento de señales, la computación gráfica y la simulación por computadora. En gráficos por computadora, por ejemplo, se utilizan transformaciones lineales para manipular objetos en 2D y 3D, como rotaciones, traslaciones y escalados. De igual manera, en la ingeniería de sistemas, los espacios vectoriales se emplean para modelar sistemas dinámicos, donde las variables del sistema pueden representar cantidades físicas como velocidad, temperatura, presión o posición, y las transformaciones lineales ayudan a comprender cómo cambian esos valores a lo largo del tiempo.

      En cuanto a la representación de los espacios vectoriales, se pueden encontrar ejemplos concretos de espacios como el espacio euclidiano, que es el conjunto de vectores de un número determinado de dimensiones, o los espacios de polinomios, donde los vectores pueden ser polinomios de un grado específico. Sin embargo, no todos los subconjuntos de un espacio vectorial son subespacios. Por ejemplo, un conjunto de vectores que no incluye el vector cero o que no es cerrado bajo la suma y la multiplicación por escalares no será un subespacio, lo que sirve como un importante contraejemplo en el estudio de los espacios vectoriales.


      Un espacio vectorial (también llamado espacio lineal) es un conjunto de elementos llamados vectores, junto con dos operaciones: suma de vectores y multiplicación por escalares, que cumplen una serie de axiomas específicos. Estas operaciones se definen sobre un campo, que comúnmente es el de los números reales R, aunque también puede ser el de los complejos C.

      Formalmente, un conjunto V es un espacio vectorial sobre un campo K si para cada par de vectores u, v ∈ V y cada escalar a ∈ K, se cumplen los siguientes axiomas.


      Gráfico 3: Esquema general de la estructura de un espacio vectorial.
      Creación propia.

      Los elementos que componen un espacio vectorial pueden ser de diferentes naturalezas:

      • Tuplas (como en ℝⁿ),
      • Polinomios,
      • Funciones continuas,
      • Matrices,
      • Soluciones de ecuaciones diferenciales lineales, entre otros.

      Los ocho axiomas que definen un espacio vectorial aseguran que las operaciones dentro del conjunto mantengan una estructura coherente. Estos axiomas son:

      1. Cerradura bajo la suma: Si u, v ∈ V, entonces u + v ∈ V.
      2. Conmutatividad de la suma: u + v = v + u.
      3. Asociatividad de la suma: (u + v) + w = u + (v + w).
      4. Existencia del neutro aditivo: Existe 0 ∈ V tal que v + 0 = v para todo v ∈ V.
      5. Existencia del inverso aditivo: Para cada v ∈ V, existe -v ∈ V tal que v + (-v) = 0.
      6. Cerradura bajo la multiplicación escalar: Si a ∈ K y v ∈ V, entonces a ⋅ v ∈ V.
      7. Compatibilidad de la multiplicación escalar: a(bv) = (ab)v.
      8. Identidad escalar: 1 ⋅ v = v, donde 1 ∈ K es el elemento identidad.

      Estos axiomas se cumplen en todos los espacios vectoriales y son la base para definir subespacios, bases, dimensión, y más.


      Gráfico 4: Tabla de axiomas del espacio vectorial con ejemplos en R^2.
      Creación propia.

      Un es un subconjunto de un espacio vectorial que es a su vez un espacio vectorial respecto a las operaciones originales. Es decir, un subconjunto W ⊆V es un subespacio si:

      • Contiene al vector cero de V,
      • Es cerrado bajo la suma de vectores,
      • Es cerrado bajo la multiplicación escalar.

      Esto quiere decir que, al sumar dos elementos de W, o al multiplicar uno por un escalar, el resultado permanece dentro del subconjunto.

      Por ejemplo:

      • El conjunto de todos los vectores de la forma (x, 0) ∈ ℝ² es un subespacio de ℝ².
      • El conjunto de polinomios de grado menor o igual que 3 es un subespacio del conjunto de todos los polinomios reales.

      Gráfico 5: Visualización de un subespacio como una línea que pasa por el origen en R^2.
      Creación propia.

      En la práctica, para verificar que un conjunto es subespacio, no es necesario revisar los ocho axiomas, sino que basta con aplicar el siguiente criterio de subespacio:

      1. El vector cero está en el conjunto.
      2. Cerradura bajo la suma: Si u, v ∈ W, entonces u + v ∈ W.
      3. Cerradura bajo la multiplicación escalar: Si a ∈ K y v ∈ W, entonces a ⋅ v ∈ W.

      Este criterio se aplica, por ejemplo, para verificar que un conjunto de funciones continuas o matrices simétricas es un subespacio.


      Gráfico 6: Diagrama del criterio de subespacio con ejemplos gráficos en R^2. Creación propia.

      A continuación, se presentan ejemplos de subespacios y también contraejemplos (conjuntos que no son subespacios):

      Ejemplos

      • Ejemplo 1: El conjunto W = {(x, 0) ∣ x ∈ ℝ} en ℝ² es un subespacio.
      • Ejemplo 2: El conjunto de matrices simétricas de orden n con entradas reales es un subespacio de Mn×n(ℝ).
      • Ejemplo 3: El conjunto de funciones continuas en [0, 1] es un subespacio del conjunto de funciones reales en ese intervalo.

      Contraejemplos

      • Contraejemplo 1: {(x, y) ∈ ℝ² ∣ x + y = 1} no es subespacio porque no contiene al vector cero.
      • Contraejemplo 2: {(x, y) ∈ ℝ² ∣ x ≥ 0} no es subespacio porque no es cerrado bajo la multiplicación escalar.

      Gráfico 7: Comparación entre subespacio y conjunto que no lo es (línea que pasa por el origen vs línea desplazada).
      Profundiza más

      Este recurso te ayudará a enfatizar sobre (propiedades de los espacios vectoriales y cómo identificar subespacios) ¡Accede aquí!

      Profundiza más

      Este recurso te ayudará a enfatizar sobre (teoría de espacios funcionales y soluciones de sistemas) ¡Accede aquí!

    • Actividades
    • Quiz icon
      C9C1 - Cuestionario Quiz
      Make attempts: 1

    • Espacios Vectoriales y Subespacios

    • Introducción

      La diagonalización es uno de los procesos más poderosos y fundamentales en álgebra lineal, que permite simplificar enormemente el estudio y la manipulación de matrices cuadradas. Este proceso transforma una matriz dada en una matriz diagonal que conserva las propiedades fundamentales de la matriz original, pero en una forma mucho más simple de trabajar. La clave de la diagonalización radica en la existencia de una base de vectores propios de la matriz, lo que permite que la transformación lineal asociada se represente de manera mucho más directa. Los valores propios de la matriz original se colocan en la diagonal de la nueva matriz diagonal, y estos valores propios son escalares que describen cómo los vectores propios se estiran o comprimen al aplicar la transformación. Este enfoque no solo simplifica los cálculos al elevar matrices a potencias o al resolver ecuaciones diferenciales lineales, sino que también permite una visión más profunda de la estructura interna de las transformaciones lineales y sus efectos en los espacios vectoriales. La diagonalización convierte una tarea computacionalmente compleja en algo mucho más accesible, especialmente cuando se trata de problemas que involucran matrices de gran tamaño o sistemas dinámicos complejos.

      Los valores propios y vectores propios son esenciales en muchas aplicaciones científicas y tecnológicas, desempeñando un papel crucial en la interpretación y análisis de sistemas dinámicos y procesos naturales. En ingeniería estructural, por ejemplo, la diagonalización de matrices de rigidez y masa es fundamental para identificar los modos normales de vibración de una estructura. Este análisis es vital para evaluar cómo una estructura responde a cargas dinámicas y para evitar resonancias destructivas que podrían comprometer su integridad. En física, los valores propios se encuentran al estudiar operadores lineales que describen sistemas cuánticos, donde los valores propios corresponden a los niveles de energía posibles de los sistemas, mientras que los vectores propios representan los estados cuánticos asociados. Además, en ciencias de la computación y en el análisis de datos, técnicas como el análisis de componentes principales (PCA) se basan en la diagonalización para reducir la dimensionalidad de grandes volúmenes de datos, facilitando la identificación de patrones y simplificando modelos complejos sin perder información esencial. Este proceso de reducción de dimensionalidad es especialmente útil en áreas como el aprendizaje automático, la inteligencia artificial y el procesamiento de señales, donde los datos multidimensionales deben analizarse de manera eficiente. Así, la diagonalización y el análisis de valores propios se han convertido en herramientas fundamentales no solo para resolver problemas matemáticos complejos, sino también para mejorar la comprensión y la optimización de sistemas multidimensionales en una amplia variedad de disciplinas científicas y de ingeniería.

    • La es una técnica fundamental en álgebra lineal que permite simplificar la manipulación de matrices cuadradas. Esta técnica es especialmente útil para estudiar sistemas dinámicos, resolver sistemas de ecuaciones diferenciales, realizar análisis espectral en física e ingeniería, y en muchas otras aplicaciones científicas. El proceso consiste en transformar una matriz cuadrada A en una matriz diagonal D mediante un cambio de base dado por una matriz invertible P, tal que:

      $$ P^{-1} A P = D $$

      Para comprender este proceso es esencial dominar los conceptos de valores propios y vectores propios, así como el proceso de encontrar estos elementos y entender bajo qué condiciones una matriz es diagonalizable.


      Gráfico 1: Representación visual de Diagonalización. Creación propia.

      La diagonalización es una herramienta poderosa que se utiliza en álgebra lineal para simplificar el estudio y la manipulación de matrices cuadradas. Este proceso transforma una matriz cuadrada en una forma más sencilla, es decir, una matriz diagonal, lo que facilita enormemente los cálculos relacionados con potencias de matrices, sistemas de ecuaciones diferenciales, análisis de estabilidad de sistemas dinámicos, y muchos otros problemas en física e ingeniería. La idea central detrás de la diagonalización es que las matrices diagonales son mucho más fáciles de manejar que las matrices generales, ya que las operaciones de multiplicación y potencia de matrices se vuelven más directas y computacionalmente eficientes.

      Para entender cómo se realiza la diagonalización de una matriz, es importante primero comprender dos conceptos clave: los valores propios y los vectores propios de una matriz. Los valores propios de una matriz son aquellos escalares que describen cómo la matriz afecta a ciertos vectores al ser multiplicados por ella. Los vectores propios, por otro lado, son los vectores cuya dirección no cambia cuando son transformados por la matriz, aunque su magnitud puede escalarse por el valor propio correspondiente. Estos vectores y valores propios son esenciales para el proceso de diagonalización, ya que la matriz diagonal resultante tiene en su diagonal los valores propios de la matriz original, y las columnas de la matriz que lleva a cabo la diagonalización están formadas por los vectores propios.


      Gráfico 2: Representación visual de Valores y Vectores Propios. Creación propia.

      El proceso de diagonalización comienza con la búsqueda de los valores propios de la matriz original. Esto implica resolver el polinomio característico de la matriz, que se obtiene restando un valor escalar multiplicado por la matriz identidad a la matriz original, y luego calculando el determinante del resultado. Los valores propios se encuentran como las soluciones de esta ecuación. Una vez que se han encontrado los valores propios, el siguiente paso es determinar los vectores propios correspondientes a cada valor propio. Esto se hace resolviendo un sistema de ecuaciones lineales, y los vectores que satisfacen esta ecuación son los vectores propios.

      Una vez que se han encontrado los vectores propios, se puede construir una matriz de vectores propios. Si la matriz original es diagonalizable, entonces los vectores propios formarán una base del espacio vectorial y la matriz de vectores propios será invertible. Con esta matriz invertible, se puede llevar a cabo la diagonalización de la matriz original, produciendo una matriz diagonal cuyos elementos son los valores propios de la matriz original.

      Sin embargo, no todas las matrices son diagonalizables. Para que una matriz sea diagonalizable, debe cumplir con una condición importante: debe tener un número suficiente de vectores propios linealmente independientes para formar una base del espacio vectorial. Esto sucede, por lo general, cuando la matriz tiene un número completo de valores propios distintos, aunque existen casos más complejos en los que matrices con valores propios repetidos también pueden ser diagonalizables si cumplen con la condición de tener suficientes vectores propios linealmente independientes. Si una matriz no tiene suficientes vectores propios linealmente independientes, no será diagonalizable, aunque en algunos casos se puede realizar una forma generalizada de diagonalización llamada "diagonalización de Jordan", que es un proceso más complejo.

      La diagonalización tiene muchas aplicaciones en diversas áreas de la ciencia y la ingeniería. En física, por ejemplo, la diagonalización de matrices es fundamental en el estudio de sistemas cuánticos, ya que permite encontrar los estados propios de un sistema, lo cual es esencial para comprender el comportamiento del sistema en cuestión. En ingeniería, se usa en la resolución de sistemas dinámicos lineales, como los que describen el comportamiento de circuitos eléctricos, oscilaciones mecánicas o sistemas de control. La capacidad de diagonalizar una matriz facilita la solución de estos sistemas, ya que las ecuaciones que describen su evolución temporal se vuelven mucho más simples cuando se trabaja con matrices diagonales.

      Además, en la teoría de ecuaciones diferenciales, la diagonalización de matrices es útil para resolver sistemas de ecuaciones diferenciales lineales, especialmente cuando estos sistemas están relacionados con matrices de coeficientes constantes. Al diagonalizar la matriz de coeficientes, el sistema se descompone en un conjunto de ecuaciones más simples que pueden resolverse de forma independiente, lo que permite obtener soluciones más fácilmente.

      En el ámbito de la informática y la ciencia de datos, la diagonalización también tiene aplicaciones. Se utiliza en algoritmos de reducción de dimensionalidad, como el análisis de componentes principales (PCA), que es una técnica utilizada en el procesamiento de datos y el aprendizaje automático para reducir el número de variables en un conjunto de datos sin perder demasiada información. Esto se logra mediante la diagonalización de matrices de covarianza, lo que permite encontrar las direcciones principales de variabilidad en los datos.

      Es importante destacar que, además de la diagonalización estándar, existen otros tipos de descomposición de matrices que se utilizan en álgebra lineal y que también están relacionadas con el estudio de los valores y vectores propios. Algunas de estas descomposiciones incluyen la descomposición en valores singulares (SVD), que se utiliza en áreas como la compresión de imágenes, la filtración de ruido y la resolución de sistemas sobredeterminados, y la descomposición de Jordan, que generaliza la diagonalización para matrices que no son diagonalizables en el sentido clásico.

      Un de una matriz A es un escalar λ tal que existe un vector no nulo v, llamado vector propio o eigenvector, que satisface la ecuación:

      $$ A \mathbf{v} = \lambda \mathbf{v} $$

      Esto significa que aplicar la transformación lineal representada por la matriz A al vector v resulta en un vector colineal a v, escalado por el factor λ.

      Para encontrar los valores propios, es necesario resolver la ecuación característica:

      $$ \det(A - \lambda I) = 0$$

      Donde I es la matriz identidad del mismo tamaño que A. Esta expresión genera un polinomio característico en λ, cuyas raíces son precisamente los eigenvalores.

      La importancia de los eigenvalores radica en que describen las escalas en que la matriz actúa en distintas direcciones, mientras que los eigenvectores determinan esas direcciones.


      Gráfico 3: Representación visual del polinomio característico y sus raíces como eigenvalores.

      Para ilustrar el proceso, consideremos una matriz cuadrada n ×n. El procedimiento es:

      1. Construir la matriz A - λI.
      2. Calcular el determinante det(A - λI), que es un polinomio de grado n en λ.
      3. Resolver la ecuación det(A - λI) = 0 para encontrar las raíces λ1, λ2, …, λn, que son los eigenvalores.

      Ejemplo para una matriz 2 ×2:

      $$ A = \begin{bmatrix} a & b \\ c & d \end{bmatrix} $$

      El polinomio característico es:

      $$ \det\begin{pmatrix} a - \lambda & b \\ c & d - \lambda \end{pmatrix} = (a - \lambda)(d - \lambda) - bc = \lambda^2 - (a + d)\lambda + (ad - bc) = 0 $$

      La solución se obtiene con la fórmula cuadrática.

      Este polinomio característico es fundamental pues su grado iguala la dimensión de la matriz y refleja la complejidad del sistema.


      Gráfico 4: Ejemplo de cálculo del polinomio característico para una matriz 2x2.

      Una vez encontrados los eigenvalores, el siguiente paso es hallar los eigenvectores asociados a cada uno. Para cada eigenvalor λ, se debe resolver el sistema homogéneo:

      $$ (A - \lambda I)\mathbf{v} = \mathbf{0} $$

      Este sistema representa un conjunto de ecuaciones lineales homogéneas. Como el determinante de A - λI es cero (por definición de eigenvalor), el sistema tiene soluciones infinitas no triviales.

      La solución no trivial v es el eigenvector correspondiente a λ. Este vector pertenece al núcleo (kernel) de la matriz A - λI.

      El conjunto de todos los eigenvectores asociados a λ, junto con el vector cero, forman un subespacio vectorial llamado espacio propio o eigenspace de λ.

      El cálculo de los eigenvectores se realiza generalmente por reducción de matrices (método de eliminación Gaussiana) sobre la matriz A - λI.


      Gráfico 5: Visualización del espacio propio asociado a un eigenvalor en R^2.

      Una matriz A es si existe una matriz invertible P tal que:

      $$ P^{-1} A P = D $$

      donde D es diagonal, y sus elementos diagonales son los eigenvalores de A.

      El procedimiento para diagonalizar una matriz consta de:

      1. Encontrar todos los eigenvalores de A.
      2. Para cada eigenvalor, encontrar la base de su espacio propio (los eigenvectores).
      3. Si el conjunto total de eigenvectores es linealmente independiente y tiene cardinalidad igual al tamaño de A, entonces se construye la matriz P con estos eigenvectores como columnas.
      4. La matriz D es la matriz diagonal formada por los eigenvalores en el mismo orden de los eigenvectores en P.

      Diagonalizar una matriz permite simplificar mucho los cálculos, en particular para:

      • Calcular potencias An con facilidad, ya que:

        $$ A^n = P D^n P^{-1} $$

      • Resolver sistemas de ecuaciones diferenciales lineales.
      • Realizar análisis espectral en física y estadística.

      Gráfico 6: Proceso gráfico de diagonalización con matrices A, P, D, y P^(-1). Creación propia.

      No todas las matrices son diagonalizables. Algunas condiciones clave son:

      • Una matriz cuadrada de tamaño n × n es diagonalizable si y solo si tiene n eigenvectores linealmente independientes.
      • Matrices con eigenvalores distintos siempre son diagonalizables.
      • En matrices con eigenvalores repetidos, la diagonalización depende de la cantidad de eigenvectores asociados.
      • Las matrices simétricas reales son siempre diagonalizables y poseen una base ortonormal de eigenvectores (teorema espectral).
      • La diagonalización puede ser considerada como un cambio de base a un sistema de vectores propios.

      Cuando estas condiciones no se cumplen, la matriz no es diagonalizable y puede tener una forma de Jordan.


      Gráfico 7: Condiciones visuales para diagonalización con ejemplos de matrices diagonalizables y no diagonalizables.

      Ejemplo 1: Diagonalización de una matriz 2x2

      Sea la matriz

      $$ A = \begin{bmatrix} 4 & 1 \\ 2 & 3 \end{bmatrix} $$

      Paso 1: Calcular el polinomio característico:

      $$ \det(A - \lambda I) = (4 - \lambda)(3 - \lambda) - 2 \cdot 1 = \lambda^2 - 7\lambda + 10 = 0 $$

      Paso 2: Resolver para λ:

      $$ \lambda_1 = 5, \quad \lambda_2 = 2 $$

      Paso 3: Encontrar eigenvectores:

      Para λ1 = 5:

      $$ (A - 5I) \mathbf{v} = \begin{bmatrix} -1 & 1 \\ 2 & -2 \end{bmatrix} \mathbf{v} = \mathbf{0} $$

      Sistemas equivalentes dan v1 = v2. Un eigenvector asociado es v1 = (1, 1)^T.

      Para λ2 = 2:

      $$ (A - 2I) \mathbf{v} = \begin{bmatrix} 2 & 1 \\ 2 & 1 \end{bmatrix} \mathbf{v} = \mathbf{0} $$

      De aquí 2v1 + v2 = 0  ⇒  v2 = -2v1. Un eigenvector asociado es v2 = \begin{pmatrix} 1 \\ -2 \end{pmatrix}.

      Paso 4: Construir matrices

      $$ P = \begin{bmatrix} 1 & 1 \\ 1 & -2 \end{bmatrix}, \quad D = \begin{bmatrix} 5 & 0 \\ 0 & 2 \end{bmatrix} $$

      Con esto,

      $$ P^{-1} A P = D $$

      lo que confirma que A es diagonalizable.


      Gráfico 8: Ejemplo de diagonalización con matriz A, matriz P y matriz diagonal D.

      Aplicaciones prácticas adicionales

      • Sistemas de ecuaciones diferenciales: La diagonalización permite resolver sistemas lineales con coeficientes constantes de forma directa al reducir la matriz del sistema a una matriz diagonal.
      • Estabilidad de sistemas dinámicos: Los eigenvalores determinan la estabilidad y comportamiento a largo plazo del sistema.
      • Mecánica cuántica: Los operadores hermíticos son diagonalizables y sus eigenvalores representan cantidades observables.
      • Análisis de vibraciones: La diagonalización de matrices de masa y rigidez permite obtener modos normales de vibración.
      • Compresión de datos y reducción de dimensionalidad: En análisis de componentes principales (PCA), se diagonaliza la matriz de covarianza para identificar direcciones principales de variación.
      Profundiza más

      Este recurso te ayudará a enfatizar sobre conceptos de eigenvalores, eigenvectores ¡Accede aquí!

      Profundiza más

      Este recurso te ayudará a enfatizar sobre sistemas dinámicos y ejemplos de matrices diagonalizables y no diagonalizables ¡Accede aquí!

    • Actividades
    • Quiz icon
      C10C1 - Cuestionario Quiz
      Make attempts: 1
◄Clase 4
►Clase 6