Vector propio generalizado

Vector que satisface algunos de los criterios de un vector propio

No confundir con el problema de valores propios generalizados .

En álgebra lineal , un vector propio generalizado de una matriz es un vector que satisface ciertos criterios que son más relajados que los de un vector propio (ordinario) . ^[1]${\displaystyle n\times n}$ ${\displaystyle A}$

Dejar que sea un dimensional espacio vectorial ; dejar que sea un mapa lineal en L ( V ) , el conjunto de todos los mapas lineales de en sí mismo; y sea ​​la representación matricial de con respecto a alguna base ordenada .${\displaystyle V}$${\displaystyle n}$${\displaystyle \phi }$${\displaystyle V}$${\displaystyle A}$${\displaystyle \phi }$

Puede que no siempre exista un conjunto completo de vectores propios linealmente independientes que formen una base completa para . Es decir, la matriz puede no ser diagonalizable . ^{[2] [3]} Esto sucede cuando la multiplicidad algebraica de al menos un valor propio es mayor que su multiplicidad geométrica (la nulidad de la matriz o la dimensión de su espacio nulo ). En este caso, se denomina valor propio defectuoso y se denomina matriz defectuosa . ^[4]${\displaystyle n}$ ${\displaystyle A}$${\displaystyle V}$${\displaystyle A}$ ${\displaystyle \lambda _{i}}$${\displaystyle (A-\lambda _{i}I)}$${\displaystyle \lambda _{i}}$${\displaystyle A}$

Un vector propio generalizado correspondiente a , junto con la matriz, genera una cadena de Jordan de vectores propios generalizados linealmente independientes que forman una base para un subespacio invariante de . ^{[5] [6] [7]}${\displaystyle x_{i}}$${\displaystyle \lambda _{i}}$${\displaystyle (A-\lambda _{i}I)}$${\displaystyle V}$

Usando autovectores generalizados, un conjunto de autovectores linealmente independientes de puede extenderse, si es necesario, a una base completa para . ^[8] Esta base se puede utilizar para determinar una "matriz casi diagonal" en la forma normal de Jordan , similar a , que es útil para calcular ciertas funciones matriciales de . ^[9] La matriz también es útil para resolver el sistema de ecuaciones diferenciales lineales donde no es necesario diagonalizable. ^{[10] [11]}${\displaystyle A}$${\displaystyle V}$${\displaystyle J}$${\displaystyle A}$${\displaystyle A}$${\displaystyle J}$ ${\displaystyle \mathbf {x} '=A\mathbf {x} ,}$${\displaystyle A}$

La dimensión del espacio propio generalizado correspondiente a un valor propio dado es la multiplicidad algebraica de . ^[12]${\displaystyle \lambda }$${\displaystyle \lambda }$

Resumen y definición

Hay varias formas equivalentes de definir un vector propio ordinario . ^{[13] [14] [15] [16] [17] [18] [19] [20]} Para nuestros propósitos, un vector propio asociado con un valor propio de una matriz × es un vector distinto de cero para el cual , donde es la identidad × matriz y es el vector cero de longitud . ^[21] Es decir, está en el núcleo de la transformación . Si tiene vectores propios linealmente independientes, entonces${\displaystyle \mathbf {u} }$${\displaystyle \lambda }$${\displaystyle n}$${\displaystyle n}$${\displaystyle A}$${\displaystyle (A-\lambda I)\mathbf {u} =\mathbf {0} }$${\displaystyle I}$${\displaystyle n}$${\displaystyle n}$ ${\displaystyle \mathbf {0} }$${\displaystyle n}$${\displaystyle \mathbf {u} }$ ${\displaystyle (A-\lambda I)}$${\displaystyle A}$${\displaystyle n}$${\displaystyle A}$es similar a una matriz diagonal . Es decir, existe una matriz invertible tal que es diagonalizable a través de la transformación de similitud . ^{[22] [23]} La matriz se denomina matriz espectral para . La matriz se llama matriz modal para . ^{[24] Las} matrices diagonalizables son de particular interés ya que sus funciones matriciales se pueden calcular fácilmente. ^[25]${\displaystyle D}$ ${\displaystyle M}$${\displaystyle A}$${\displaystyle D=M^{-1}AM}$${\displaystyle D}$${\displaystyle A}$${\displaystyle M}$${\displaystyle A}$

Por otro lado, si no tiene vectores propios linealmente independientes asociados, entonces no es diagonalizable. ^{[26] [27]}${\displaystyle A}$${\displaystyle n}$${\displaystyle A}$

Definición: Un vector es un autovector generalizado de rango m de la matriz y correspondiente al autovalor si${\displaystyle \mathbf {x} _{m}}$${\displaystyle A}$${\displaystyle \lambda }$

${\displaystyle (A-\lambda I)^{m}\mathbf {x} _{m}=\mathbf {0} }$

pero

${\displaystyle (A-\lambda I)^{m-1}\mathbf {x} _{m}\neq \mathbf {0} .}$ ^[28]

Claramente, un autovector generalizado de rango 1 es un autovector ordinario. ^[29] Cada matriz × tiene vectores propios generalizados linealmente independientes asociados con ella y se puede demostrar que es similar a una matriz "casi diagonal" en la forma normal de Jordan. ^[30] Es decir, existe una matriz invertible tal que . ^[31] La matriz en este caso se denomina matriz modal generalizada para . ^[32] Si es un autovalor de multiplicidad algebraica , entonces tendrá autovectores generalizados linealmente independientes correspondientes a .${\displaystyle n}$${\displaystyle n}$${\displaystyle A}$${\displaystyle n}$${\displaystyle J}$${\displaystyle M}$${\displaystyle J=M^{-1}AM}$${\displaystyle M}$${\displaystyle A}$${\displaystyle \lambda }$${\displaystyle \mu }$${\displaystyle A}$${\displaystyle \mu }$${\displaystyle \lambda }$^[33] Estos resultados, a su vez, proporcionan un método sencillo para calcular ciertas funciones matriciales de. ^[34]${\displaystyle A}$

Nota: Para que una matriz sobre un campo se exprese en forma normal de Jordan, todos los valores propios de deben estar en . Es decir, el polinomio característico debe factorizarse completamente en factores lineales. Por ejemplo, si tiene elementos de valor real , entonces puede ser necesario que los valores propios y los componentes de los vectores propios tengan valores complejos . ^{[35] [36] [37]}${\displaystyle n\times n}$${\displaystyle A}$ ${\displaystyle F}$${\displaystyle A}$${\displaystyle F}$ ${\displaystyle f(x)}$${\displaystyle A}$

El conjunto abarcado por todos los vectores propios generalizados para un determinado , forma el espacio propio generalizado para . ^[38]${\displaystyle \lambda }$${\displaystyle \lambda }$

Ejemplos de

A continuación se muestran algunos ejemplos para ilustrar el concepto de vectores propios generalizados. Algunos de los detalles se describirán más adelante.

Ejemplo 1

Este ejemplo es simple pero ilustra claramente el punto. Este tipo de matriz se utiliza con frecuencia en los libros de texto. ^{[39] [40] [41]} Supongamos

${\displaystyle A={\begin{pmatrix}1&1\\0&1\end{pmatrix}}.}$

Entonces solo hay un valor propio, y su multiplicidad algebraica es m = 2.${\displaystyle \lambda =1}$

Observe que esta matriz tiene la forma normal de Jordan, pero no es diagonal . Por tanto, esta matriz no es diagonalizable. Dado que hay una entrada superdiagonal , habrá un vector propio generalizado de rango mayor que 1 (o se podría notar que el espacio vectorial es de dimensión 2, por lo que puede haber como máximo un vector propio generalizado de rango mayor que 1). Alternativamente, se podría calcular la dimensión del espacio nulo de ser p = 1, y por lo tanto no son m - p = 1 vectores propios generalizados de mayor rango de 1.${\displaystyle V}$${\displaystyle A-\lambda I}$

El vector propio ordinario se calcula como de costumbre (consulte la página de vectores propios para ver ejemplos). Usando este autovector, calculamos el autovector generalizado resolviendo${\displaystyle \mathbf {v} _{1}={\begin{pmatrix}1\\0\end{pmatrix}}}$${\displaystyle \mathbf {v} _{2}}$

${\displaystyle (A-\lambda I)\mathbf {v} _{2}=\mathbf {v} _{1}.}$

Escribiendo los valores:

${\displaystyle \left({\begin{pmatrix}1&1\\0&1\end{pmatrix}}-1{\begin{pmatrix}1&0\\0&1\end{pmatrix}}\right){\begin{pmatrix}v_{21}\\v_{22}\end{pmatrix}}={\begin{pmatrix}0&1\\0&0\end{pmatrix}}{\begin{pmatrix}v_{21}\\v_{22}\end{pmatrix}}={\begin{pmatrix}1\\0\end{pmatrix}}.}$

Esto simplifica a

${\displaystyle v_{22}=1.}$

El elemento no tiene restricciones. El vector propio generalizado de rango 2 es entonces , donde a puede tener cualquier valor escalar. La elección de a = 0 suele ser la más sencilla.${\displaystyle v_{21}}$${\displaystyle \mathbf {v} _{2}={\begin{pmatrix}a\\1\end{pmatrix}}}$

Tenga en cuenta que

${\displaystyle (A-\lambda I)\mathbf {v} _{2}={\begin{pmatrix}0&1\\0&0\end{pmatrix}}{\begin{pmatrix}a\\1\end{pmatrix}}={\begin{pmatrix}1\\0\end{pmatrix}}=\mathbf {v} _{1},}$

por lo que es un vector propio generalizado,${\displaystyle \mathbf {v} _{2}}$

${\displaystyle (A-\lambda I)\mathbf {v} _{1}={\begin{pmatrix}0&1\\0&0\end{pmatrix}}{\begin{pmatrix}1\\0\end{pmatrix}}={\begin{pmatrix}0\\0\end{pmatrix}}=\mathbf {0} ,}$

por lo que es un vector propio ordinario, y que y son linealmente independientes y, por lo tanto, constituyen una base para el espacio vectorial .${\displaystyle \mathbf {v} _{1}}$${\displaystyle \mathbf {v} _{1}}$${\displaystyle \mathbf {v} _{2}}$${\displaystyle V}$

Ejemplo 2

Este ejemplo es más complejo que el Ejemplo 1 . Desafortunadamente, es un poco difícil construir un ejemplo interesante de orden inferior. ^[42] La matriz

${\displaystyle A={\begin{pmatrix}1&0&0&0&0\\3&1&0&0&0\\6&3&2&0&0\\10&6&3&2&0\\15&10&6&3&2\end{pmatrix}}}$

tiene valores propios y con multiplicidades y algebraicas , pero multiplicidades y geométricas .${\displaystyle \lambda _{1}=1}$${\displaystyle \lambda _{2}=2}$ ${\displaystyle \mu _{1}=2}$${\displaystyle \mu _{2}=3}$ ${\displaystyle \gamma _{1}=1}$${\displaystyle \gamma _{2}=1}$

Los espacios propios generalizados de se calculan a continuación. es el vector propio ordinario asociado con . es un vector propio generalizado asociado con . es el vector propio ordinario asociado con . y son vectores propios generalizados asociados con .${\displaystyle A}$${\displaystyle \mathbf {x} _{1}}$${\displaystyle \lambda _{1}}$${\displaystyle \mathbf {x} _{2}}$${\displaystyle \lambda _{1}}$${\displaystyle \mathbf {y} _{1}}$${\displaystyle \lambda _{2}}$${\displaystyle \mathbf {y} _{2}}$${\displaystyle \mathbf {y} _{3}}$${\displaystyle \lambda _{2}}$

${\displaystyle (A-1I)\mathbf {x} _{1}={\begin{pmatrix}0&0&0&0&0\\3&0&0&0&0\\6&3&1&0&0\\10&6&3&1&0\\15&10&6&3&1\end{pmatrix}}{\begin{pmatrix}0\\3\\-9\\9\\-3\end{pmatrix}}={\begin{pmatrix}0\\0\\0\\0\\0\end{pmatrix}}=\mathbf {0} ,}$

${\displaystyle (A-1I)\mathbf {x} _{2}={\begin{pmatrix}0&0&0&0&0\\3&0&0&0&0\\6&3&1&0&0\\10&6&3&1&0\\15&10&6&3&1\end{pmatrix}}{\begin{pmatrix}1\\-15\\30\\-1\\-45\end{pmatrix}}={\begin{pmatrix}0\\3\\-9\\9\\-3\end{pmatrix}}=\mathbf {x} _{1},}$

${\displaystyle (A-2I)\mathbf {y} _{1}={\begin{pmatrix}-1&0&0&0&0\\3&-1&0&0&0\\6&3&0&0&0\\10&6&3&0&0\\15&10&6&3&0\end{pmatrix}}{\begin{pmatrix}0\\0\\0\\0\\9\end{pmatrix}}={\begin{pmatrix}0\\0\\0\\0\\0\end{pmatrix}}=\mathbf {0} ,}$

${\displaystyle (A-2I)\mathbf {y} _{2}={\begin{pmatrix}-1&0&0&0&0\\3&-1&0&0&0\\6&3&0&0&0\\10&6&3&0&0\\15&10&6&3&0\end{pmatrix}}{\begin{pmatrix}0\\0\\0\\3\\0\end{pmatrix}}={\begin{pmatrix}0\\0\\0\\0\\9\end{pmatrix}}=\mathbf {y} _{1},}$

${\displaystyle (A-2I)\mathbf {y} _{3}={\begin{pmatrix}-1&0&0&0&0\\3&-1&0&0&0\\6&3&0&0&0\\10&6&3&0&0\\15&10&6&3&0\end{pmatrix}}{\begin{pmatrix}0\\0\\1\\-2\\0\end{pmatrix}}={\begin{pmatrix}0\\0\\0\\3\\0\end{pmatrix}}=\mathbf {y} _{2}.}$

Esto da como resultado una base para cada uno de los espacios propios generalizados de . Juntas, las dos cadenas de vectores propios generalizados abarcan el espacio de todos los vectores columna de 5 dimensiones.${\displaystyle A}$

${\displaystyle \left\{\mathbf {x} _{1},\mathbf {x} _{2}\right\}=\left\{{\begin{pmatrix}0\\3\\-9\\9\\-3\end{pmatrix}}{\begin{pmatrix}1\\-15\\30\\-1\\-45\end{pmatrix}}\right\},\left\{\mathbf {y} _{1},\mathbf {y} _{2},\mathbf {y} _{3}\right\}=\left\{{\begin{pmatrix}0\\0\\0\\0\\9\end{pmatrix}}{\begin{pmatrix}0\\0\\0\\3\\0\end{pmatrix}}{\begin{pmatrix}0\\0\\1\\-2\\0\end{pmatrix}}\right\}.}$

Se obtiene una matriz "casi diagonal" en forma normal de Jordan , similar a la siguiente:${\displaystyle J}$${\displaystyle A}$

${\displaystyle M={\begin{pmatrix}\mathbf {x} _{1}&\mathbf {x} _{2}&\mathbf {y} _{1}&\mathbf {y} _{2}&\mathbf {y} _{3}\end{pmatrix}}={\begin{pmatrix}0&1&0&0&0\\3&-15&0&0&0\\-9&30&0&0&1\\9&-1&0&3&-2\\-3&-45&9&0&0\end{pmatrix}},}$

${\displaystyle J={\begin{pmatrix}1&1&0&0&0\\0&1&0&0&0\\0&0&2&1&0\\0&0&0&2&1\\0&0&0&0&2\end{pmatrix}},}$

donde es una matriz modal generalizada para , las columnas de son una base canónica para y . ^[43]${\displaystyle M}$${\displaystyle A}$${\displaystyle M}$${\displaystyle A}$${\displaystyle AM=MJ}$

Cadenas de Jordan

Definición: Sea un vector propio generalizado de rango m correspondiente a la matriz y el valor propio . La cadena generada por es un conjunto de vectores dados por${\displaystyle \mathbf {x} _{m}}$${\displaystyle A}$${\displaystyle \lambda }$ ${\displaystyle \mathbf {x} _{m}}$${\displaystyle \left\{\mathbf {x} _{m},\mathbf {x} _{m-1},\dots ,\mathbf {x} _{1}\right\}}$

${\displaystyle \mathbf {x} _{m-1}=(A-\lambda I)\mathbf {x} _{m},}$ ${\displaystyle \mathbf {x} _{m-2}=(A-\lambda I)^{2}\mathbf {x} _{m}=(A-\lambda I)\mathbf {x} _{m-1},}$ ${\displaystyle \mathbf {x} _{m-3}=(A-\lambda I)^{3}\mathbf {x} _{m}=(A-\lambda I)\mathbf {x} _{m-2},}$ ${\displaystyle \vdots }$ ${\displaystyle \mathbf {x} _{1}=(A-\lambda I)^{m-1}\mathbf {x} _{m}=(A-\lambda I)\mathbf {x} _{2}.}$

( 1 )

Así, en general,

${\displaystyle \mathbf {x} _{j}=(A-\lambda I)^{m-j}\mathbf {x} _{m}=(A-\lambda I)\mathbf {x} _{j+1}\qquad (j=1,2,\dots ,m-1).}$

( 2 )

El vector , dado por ( 2 ), es un autovector generalizado de rango j correspondiente al autovalor . Una cadena es un conjunto de vectores linealmente independientes. ^[44]${\displaystyle \mathbf {x} _{j}}$${\displaystyle \lambda }$

Base canónica

Artículo principal: Base canónica § Álgebra lineal

Definición: Un conjunto de n vectores propios generalizados linealmente independientes es una base canónica si está compuesto enteramente por cadenas de Jordan.

Por lo tanto, una vez que hemos determinado que un vector propio generalizado de rango m está en una base canónica, se deduce que los vectores m - 1 que están en la cadena de Jordan generados por también están en la base canónica. ^[45]${\displaystyle \mathbf {x} _{m-1},\mathbf {x} _{m-2},\ldots ,\mathbf {x} _{1}}$${\displaystyle \mathbf {x} _{m}}$

Sea un autovalor de multiplicidad algebraica . Primero, encuentre los rangos (rangos de la matriz) de las matrices . Se determina que el número entero es el primer número entero para el que tiene rango ( siendo n el número de filas o columnas de , es decir, es n × n ).${\displaystyle \lambda _{i}}$${\displaystyle A}$${\displaystyle \mu _{i}}$${\displaystyle (A-\lambda _{i}I),(A-\lambda _{i}I)^{2},\ldots ,(A-\lambda _{i}I)^{m_{i}}}$${\displaystyle m_{i}}$${\displaystyle (A-\lambda _{i}I)^{m_{i}}}$${\displaystyle n-\mu _{i}}$${\displaystyle A}$${\displaystyle A}$

Ahora define

${\displaystyle \rho _{k}=\operatorname {rank} (A-\lambda _{i}I)^{k-1}-\operatorname {rank} (A-\lambda _{i}I)^{k}\qquad (k=1,2,\ldots ,m_{i}).}$

La variable designa el número de autovectores generalizados linealmente independientes de rango k correspondientes al autovalor que aparecerá en una base canónica para . Tenga en cuenta que${\displaystyle \rho _{k}}$${\displaystyle \lambda _{i}}$${\displaystyle A}$

${\displaystyle \operatorname {rank} (A-\lambda _{i}I)^{0}=\operatorname {rank} (I)=n}$. ^[46]

Cálculo de autovectores generalizados

En las secciones anteriores hemos visto técnicas para obtener los vectores propios generalizados linealmente independientes de una base canónica para el espacio vectorial asociado con una matriz . Estas técnicas se pueden combinar en un procedimiento:${\displaystyle n}$${\displaystyle V}$${\displaystyle n\times n}$${\displaystyle A}$

Resolver la ecuación característica de para valores propios y sus multiplicidades algebraicas ;${\displaystyle A}$${\displaystyle \lambda _{i}}$${\displaystyle \mu _{i}}$

Para cada ${\displaystyle \lambda _{i}:}$

Determinar ;${\displaystyle n-\mu _{i}}$

Determinar ;${\displaystyle m_{i}}$

Determinar para ;${\displaystyle \rho _{k}}$${\displaystyle (k=1,\ldots ,m_{i})}$

Determine cada cadena de Jordan para ;${\displaystyle \lambda _{i}}$

Ejemplo 3

La matriz

${\displaystyle A={\begin{pmatrix}5&1&-2&4\\0&5&2&2\\0&0&5&3\\0&0&0&4\end{pmatrix}}}$

tiene un valor propio de multiplicidad algebraica y un valor propio de multiplicidad algebraica . También tenemos . Porque tenemos .${\displaystyle \lambda _{1}=5}$${\displaystyle \mu _{1}=3}$${\displaystyle \lambda _{2}=4}$${\displaystyle \mu _{2}=1}$${\displaystyle n=4}$${\displaystyle \lambda _{1}}$${\displaystyle n-\mu _{1}=4-3=1}$

${\displaystyle (A-5I)={\begin{pmatrix}0&1&-2&4\\0&0&2&2\\0&0&0&3\\0&0&0&-1\end{pmatrix}},\qquad \operatorname {rank} (A-5I)=3.}$

${\displaystyle (A-5I)^{2}={\begin{pmatrix}0&0&2&-8\\0&0&0&4\\0&0&0&-3\\0&0&0&1\end{pmatrix}},\qquad \operatorname {rank} (A-5I)^{2}=2.}$

${\displaystyle (A-5I)^{3}={\begin{pmatrix}0&0&0&14\\0&0&0&-4\\0&0&0&3\\0&0&0&-1\end{pmatrix}},\qquad \operatorname {rank} (A-5I)^{3}=1.}$

El primer número entero para el que tiene rango es .${\displaystyle m_{1}}$${\displaystyle (A-5I)^{m_{1}}}$${\displaystyle n-\mu _{1}=1}$${\displaystyle m_{1}=3}$

Ahora definimos

${\displaystyle \rho _{3}=\operatorname {rank} (A-5I)^{2}-\operatorname {rank} (A-5I)^{3}=2-1=1,}$

${\displaystyle \rho _{2}=\operatorname {rank} (A-5I)^{1}-\operatorname {rank} (A-5I)^{2}=3-2=1,}$

${\displaystyle \rho _{1}=\operatorname {rank} (A-5I)^{0}-\operatorname {rank} (A-5I)^{1}=4-3=1.}$

En consecuencia, habrá tres vectores propios generalizados linealmente independientes; uno cada uno de los rangos 3, 2 y 1. Dado que corresponde a una sola cadena de tres vectores propios generalizados linealmente independientes, sabemos que hay un vector propio generalizado de rango 3 correspondiente a tal que${\displaystyle \lambda _{1}}$${\displaystyle \mathbf {x} _{3}}$${\displaystyle \lambda _{1}}$

${\displaystyle (A-5I)^{3}\mathbf {x} _{3}=\mathbf {0} }$

( 3 )

pero

${\displaystyle (A-5I)^{2}\mathbf {x} _{3}\neq \mathbf {0} .}$

( 4 )

Las ecuaciones ( 3 ) y ( 4 ) representan sistemas lineales que pueden resolverse . Dejar${\displaystyle \mathbf {x} _{3}}$

${\displaystyle \mathbf {x} _{3}={\begin{pmatrix}x_{31}\\x_{32}\\x_{33}\\x_{34}\end{pmatrix}}.}$

Luego

${\displaystyle (A-5I)^{3}\mathbf {x} _{3}={\begin{pmatrix}0&0&0&14\\0&0&0&-4\\0&0&0&3\\0&0&0&-1\end{pmatrix}}{\begin{pmatrix}x_{31}\\x_{32}\\x_{33}\\x_{34}\end{pmatrix}}={\begin{pmatrix}14x_{34}\\-4x_{34}\\3x_{34}\\-x_{34}\end{pmatrix}}={\begin{pmatrix}0\\0\\0\\0\end{pmatrix}}}$

y

${\displaystyle (A-5I)^{2}\mathbf {x} _{3}={\begin{pmatrix}0&0&2&-8\\0&0&0&4\\0&0&0&-3\\0&0&0&1\end{pmatrix}}{\begin{pmatrix}x_{31}\\x_{32}\\x_{33}\\x_{34}\end{pmatrix}}={\begin{pmatrix}2x_{33}-8x_{34}\\4x_{34}\\-3x_{34}\\x_{34}\end{pmatrix}}\neq {\begin{pmatrix}0\\0\\0\\0\end{pmatrix}}.}$

Por tanto, para satisfacer las condiciones ( 3 ) y ( 4 ), debemos tener y . No se imponen restricciones sobre y . Al elegir , obtenemos${\displaystyle x_{34}=0}$${\displaystyle x_{33}\neq 0}$${\displaystyle x_{31}}$${\displaystyle x_{32}}$${\displaystyle x_{31}=x_{32}=x_{34}=0,x_{33}=1}$

${\displaystyle \mathbf {x} _{3}={\begin{pmatrix}0\\0\\1\\0\end{pmatrix}}}$

como un vector propio generalizado de rango 3 correspondiente a . Tenga en cuenta que es posible obtener un número infinito de otros vectores propios generalizados de rango 3 eligiendo valores diferentes de , y , con . Nuestra primera opción, sin embargo, es la más simple. ^[47]${\displaystyle \lambda _{1}=5}$${\displaystyle x_{31}}$${\displaystyle x_{32}}$${\displaystyle x_{33}}$${\displaystyle x_{33}\neq 0}$

Ahora usando las ecuaciones ( 1 ), obtenemos y como vectores propios generalizados de rango 2 y 1, respectivamente, donde${\displaystyle \mathbf {x} _{2}}$${\displaystyle \mathbf {x} _{1}}$

${\displaystyle \mathbf {x} _{2}=(A-5I)\mathbf {x} _{3}={\begin{pmatrix}-2\\2\\0\\0\end{pmatrix}},}$

y

${\displaystyle \mathbf {x} _{1}=(A-5I)\mathbf {x} _{2}={\begin{pmatrix}2\\0\\0\\0\end{pmatrix}}.}$

El autovalor simple se puede tratar usando técnicas estándar y tiene un autovector ordinario${\displaystyle \lambda _{2}=4}$

${\displaystyle \mathbf {y} _{1}={\begin{pmatrix}-14\\4\\-3\\1\end{pmatrix}}.}$

Una base canónica para es${\displaystyle A}$

${\displaystyle \left\{\mathbf {x} _{3},\mathbf {x} _{2},\mathbf {x} _{1},\mathbf {y} _{1}\right\}=\left\{{\begin{pmatrix}0\\0\\1\\0\end{pmatrix}}{\begin{pmatrix}-2\\2\\0\\0\end{pmatrix}}{\begin{pmatrix}2\\0\\0\\0\end{pmatrix}}{\begin{pmatrix}-14\\4\\-3\\1\end{pmatrix}}\right\}.}$

${\displaystyle \mathbf {x} _{1},\mathbf {x} _{2}}$y son autovectores generalizados asociados con , mientras que es el autovector ordinario asociado con .${\displaystyle \mathbf {x} _{3}}$${\displaystyle \lambda _{1}}$${\displaystyle \mathbf {y} _{1}}$${\displaystyle \lambda _{2}}$

Este es un ejemplo bastante simple. En general, el número de vectores propios generalizados linealmente independientes de rango no siempre será igual. Es decir, puede haber varias cadenas de diferentes longitudes correspondientes a un valor propio particular. ^[48]${\displaystyle \rho _{k}}$${\displaystyle k}$

Matriz modal generalizada

Artículo principal: Matriz modal generalizada

Sea una matriz n × n . Una matriz modal generalizada para es una matriz n × n cuyas columnas, consideradas como vectores, forman una base canónica y aparecen de acuerdo con las siguientes reglas:${\displaystyle A}$ ${\displaystyle M}$${\displaystyle A}$${\displaystyle A}$${\displaystyle M}$

• Todas las cadenas de Jordan que constan de un vector (es decir, un vector de longitud) aparecen en las primeras columnas de .${\displaystyle M}$
• Todos los vectores de una cadena aparecen juntos en columnas adyacentes de .${\displaystyle M}$
• Cada cadena aparece en orden de rango creciente (es decir, el vector propio generalizado de rango 1 aparece antes del vector propio generalizado de rango 2 de la misma cadena, que aparece antes del vector propio generalizado de rango 3 de la misma cadena, etc.). ^[49]${\displaystyle M}$

Jordan forma normal

Un ejemplo de una matriz en forma normal de Jordan. Los bloques grises se llaman bloques Jordan.

Artículo principal: forma normal de Jordan

Sea un espacio vectorial n- dimensional; dejar que sea un mapa lineal en L ( V ) , el conjunto de todos los mapas lineales de en sí mismo; y sea ​​la representación matricial de con respecto a alguna base ordenada. Se puede demostrar que si el polinomio característico de factores en factores lineales, entonces tiene la forma${\displaystyle V}$${\displaystyle \phi }$${\displaystyle V}$${\displaystyle A}$${\displaystyle \phi }$ ${\displaystyle f(\lambda )}$${\displaystyle A}$${\displaystyle f(\lambda )}$

${\displaystyle f(\lambda )=\pm (\lambda -\lambda _{1})^{\mu _{1}}(\lambda -\lambda _{2})^{\mu _{2}}\cdots (\lambda -\lambda _{r})^{\mu _{r}},}$

donde están los valores propios distintos de , entonces cada uno es la multiplicidad algebraica de su valor propio correspondiente y es similar a una matriz en la forma normal de Jordan , donde cada uno aparece veces consecutivas en la diagonal, y la entrada directamente encima de cada uno (es decir, en la superdiagonal ) es 0 o 1: la entrada sobre la primera aparición de cada uno es siempre 0; todas las demás entradas en la superdiagonal son 1. Todas las demás entradas (es decir, fuera de la diagonal y superdiagonal) son 0. La matriz está tan cerca como se puede llegar a una diagonalización de . Si es diagonalizable, entonces todas las entradas por encima de la diagonal son cero.${\displaystyle \lambda _{1},\lambda _{2},\ldots ,\lambda _{r}}$${\displaystyle A}$${\displaystyle \mu _{i}}$${\displaystyle \lambda _{i}}$${\displaystyle A}$${\displaystyle J}$${\displaystyle \lambda _{i}}$${\displaystyle \mu _{i}}$${\displaystyle \lambda _{i}}$${\displaystyle \lambda _{i}}$${\displaystyle J}$${\displaystyle A}$${\displaystyle A}$^[50] Tenga en cuenta que algunos libros de texto tienen los que están en la subdiagonal , es decir, inmediatamente debajo de la diagonal principal en lugar de en la superdiagonal. Los valores propios todavía están en la diagonal principal. ^{[51] [52]}

Cada matriz n × n es similar a una matriz en forma normal de Jordan, obtenida mediante la transformación de similitud , donde es una matriz modal generalizada para . ^[53] (Véase la nota anterior).${\displaystyle A}$${\displaystyle J}$${\displaystyle J=M^{-1}AM}$${\displaystyle M}$${\displaystyle A}$

Ejemplo 4

Encuentre una matriz en forma normal de Jordan que sea similar a

${\displaystyle A={\begin{pmatrix}0&4&2\\-3&8&3\\4&-8&-2\end{pmatrix}}.}$

Solución: La ecuación característica de es , por lo tanto, es un valor propio de multiplicidad algebraica tres. Siguiendo los procedimientos de los apartados anteriores, encontramos que${\displaystyle A}$${\displaystyle (\lambda -2)^{3}=0}$${\displaystyle \lambda =2}$

${\displaystyle \operatorname {rank} (A-2I)=1}$

y

${\displaystyle \operatorname {rank} (A-2I)^{2}=0=n-\mu .}$

Por lo tanto, y , lo que implica que una base canónica de contendrá un vector propio generalizado linealmente independiente de rango 2 y dos vectores propios generalizados linealmente independientes de rango 1, o equivalentemente, una cadena de dos vectores y una cadena de un vector . Designando , encontramos que${\displaystyle \rho _{2}=1}$${\displaystyle \rho _{1}=2}$${\displaystyle A}$${\displaystyle \left\{\mathbf {x} _{2},\mathbf {x} _{1}\right\}}$${\displaystyle \left\{\mathbf {y} _{1}\right\}}$${\displaystyle M={\begin{pmatrix}\mathbf {y} _{1}&\mathbf {x} _{1}&\mathbf {x} _{2}\end{pmatrix}}}$

${\displaystyle M={\begin{pmatrix}2&2&0\\1&3&0\\0&-4&1\end{pmatrix}},}$

y

${\displaystyle J={\begin{pmatrix}2&0&0\\0&2&1\\0&0&2\end{pmatrix}},}$

donde es una matriz modal generalizada para , las columnas de son una base canónica para y . ^[54] Nótese que dado que los vectores propios generalizados en sí mismos no son únicos, y dado que algunas de las columnas de ambos y pueden intercambiarse, se deduce que ambos y no son únicos. ^[55]${\displaystyle M}$${\displaystyle A}$${\displaystyle M}$${\displaystyle A}$${\displaystyle AM=MJ}$${\displaystyle M}$${\displaystyle J}$${\displaystyle M}$${\displaystyle J}$

Ejemplo 5

En el ejemplo 3 , encontramos una base canónica de vectores propios generalizados linealmente independientes para una matriz . Una matriz modal generalizada para es${\displaystyle A}$${\displaystyle A}$

${\displaystyle M={\begin{pmatrix}\mathbf {y} _{1}&\mathbf {x} _{1}&\mathbf {x} _{2}&\mathbf {x} _{3}\end{pmatrix}}={\begin{pmatrix}-14&2&-2&0\\4&0&2&0\\-3&0&0&1\\1&0&0&0\end{pmatrix}}.}$

Una matriz en forma normal de Jordan, similar a es${\displaystyle A}$

${\displaystyle J={\begin{pmatrix}4&0&0&0\\0&5&1&0\\0&0&5&1\\0&0&0&5\end{pmatrix}},}$

de modo que .${\displaystyle AM=MJ}$

Aplicaciones

Funciones de matriz

Artículo principal: función de matriz

Tres de las operaciones más fundamentales que se pueden realizar en matrices cuadradas son la suma de matrices, la multiplicación por un escalar y la multiplicación de matrices. ^[56] Estas son exactamente las operaciones necesarias para definir una función polinomial de una matriz n × n . ^[57] Si recordamos del cálculo básico que muchas funciones se pueden escribir como una serie de Maclaurin , entonces podemos definir funciones más generales de matrices con bastante facilidad. ^[58] Si es diagonalizable, es${\displaystyle A}$${\displaystyle A}$

${\displaystyle D=M^{-1}AM,}$

con

${\displaystyle D={\begin{pmatrix}\lambda _{1}&0&\cdots &0\\0&\lambda _{2}&\cdots &0\\\vdots &\vdots &\ddots &\vdots \\0&0&\cdots &\lambda _{n}\end{pmatrix}},}$

luego

${\displaystyle D^{k}={\begin{pmatrix}\lambda _{1}^{k}&0&\cdots &0\\0&\lambda _{2}^{k}&\cdots &0\\\vdots &\vdots &\ddots &\vdots \\0&0&\cdots &\lambda _{n}^{k}\end{pmatrix}}}$

y la evaluación de la serie de Maclaurin para funciones de se simplifica enormemente. ^[59] Por ejemplo, para obtener cualquier potencia k de , sólo tenemos que calcular , premultiplicar por , y postmultiply el resultado por . ^[60]${\displaystyle A}$${\displaystyle A}$${\displaystyle D^{k}}$${\displaystyle D^{k}}$${\displaystyle M}$${\displaystyle M^{-1}}$

Usando vectores propios generalizados, podemos obtener la forma normal de Jordan y estos resultados pueden generalizarse a un método sencillo para calcular funciones de matrices no diagonalizables. ^[61] (Consulte la función de matriz # Descomposición de Jordan ).${\displaystyle A}$

Ecuaciones diferenciales

Artículo principal: Ecuación diferencial ordinaria

Considere el problema de resolver el sistema de ecuaciones diferenciales ordinarias lineales

${\displaystyle \mathbf {x} '=A\mathbf {x} ,}$

( 5 )

donde

${\displaystyle \mathbf {x} ={\begin{pmatrix}x_{1}(t)\\x_{2}(t)\\\vdots \\x_{n}(t)\end{pmatrix}},\quad \mathbf {x} '={\begin{pmatrix}x_{1}'(t)\\x_{2}'(t)\\\vdots \\x_{n}'(t)\end{pmatrix}},}$      y      ${\displaystyle A=(a_{ij}).}$

Si la matriz es una matriz diagonal de modo que para , entonces el sistema ( 5 ) se reduce a un sistema de n ecuaciones que toman la forma${\displaystyle A}$${\displaystyle a_{ij}=0}$${\displaystyle i\neq j}$

${\displaystyle x_{1}'=a_{11}x_{1}}$ ${\displaystyle x_{2}'=a_{22}x_{2}}$ ${\displaystyle \vdots }$ ${\displaystyle x_{n}'=a_{nn}x_{n}.}$

( 6 )

En este caso, la solución general viene dada por

${\displaystyle x_{1}=k_{1}e^{a_{11}t}}$

${\displaystyle x_{2}=k_{2}e^{a_{22}t}}$

${\displaystyle \vdots }$

${\displaystyle x_{n}=k_{n}e^{a_{nn}t}.}$

En el caso general, tratamos de diagonalizar y reducir el sistema ( 5 ) a un sistema como ( 6 ) de la siguiente manera. Si es diagonalizable, tenemos , where es una matriz modal para . Sustituyendo , la ecuación ( 5 ) toma la forma , o${\displaystyle A}$${\displaystyle A}$${\displaystyle D=M^{-1}AM}$${\displaystyle M}$${\displaystyle A}$${\displaystyle A=MDM^{-1}}$${\displaystyle M^{-1}\mathbf {x} '=D(M^{-1}\mathbf {x} )}$

${\displaystyle \mathbf {y} '=D\mathbf {y} ,}$

( 7 )

donde

${\displaystyle \mathbf {x} =M\mathbf {y} .}$

( 8 )

La solución de ( 7 ) es

${\displaystyle y_{1}=k_{1}e^{\lambda _{1}t}}$

${\displaystyle y_{2}=k_{2}e^{\lambda _{2}t}}$

${\displaystyle \vdots }$

${\displaystyle y_{n}=k_{n}e^{\lambda _{n}t}.}$

Entonces se obtiene la solución de ( 5 ) usando la relación ( 8 ). ^[62]${\displaystyle \mathbf {x} }$

Por otro lado, si no es diagonalizable, elegimos ser una matriz modal generalizada para , tal que es la forma normal de Jordan de . El sistema tiene la forma${\displaystyle A}$${\displaystyle M}$${\displaystyle A}$${\displaystyle J=M^{-1}AM}$${\displaystyle A}$${\displaystyle \mathbf {y} '=J\mathbf {y} }$

${\displaystyle {\begin{aligned}y_{1}'&=\lambda _{1}y_{1}+\epsilon _{1}y_{2}\\&\vdots \\y_{n-1}'&=\lambda _{n-1}y_{n-1}+\epsilon _{n-1}y_{n}\\y_{n}'&=\lambda _{n}y_{n},\end{aligned}}}$

( 9 )

donde son los valores propios de la diagonal principal de y son los unos y los ceros de la superdiagonal de . El sistema ( 9 ) suele resolverse más fácilmente que ( 5 ). Podemos resolver la última ecuación en ( 9 ) para obtener . Luego sustituimos esta solución por en la penúltima ecuación en ( 9 ) y resolvemos . Continuando con este procedimiento, trabajamos con ( 9 ) desde la última ecuación hasta la primera, resolviendo todo el sistema para . A continuación, se obtiene la solución mediante la relación ( 8 ). ^[63]${\displaystyle \lambda _{i}}$${\displaystyle J}$${\displaystyle \epsilon _{i}}$${\displaystyle J}$${\displaystyle y_{n}}$${\displaystyle y_{n}=k_{n}e^{\lambda _{n}t}}$${\displaystyle y_{n}}$${\displaystyle y_{n-1}}$${\displaystyle \mathbf {y} }$${\displaystyle \mathbf {x} }$

Notas

1. Bronson (1970 , p. 189)
2. Beauregard y Fraleigh (1973 , p. 310)
3. Nering (1970 , p. 118)
4. Golub y Van Loan (1996 , p. 316)
5. Beauregard y Fraleigh (1973 , p. 319)
6. Bronson (1970 , págs. 194-195)
7. Golub y Van Loan (1996 , p. 311)
8. Bronson (1970 , p. 196)
9. Bronson (1970 , p. 189)
10. Beauregard y Fraleigh (1973 , págs. 316–318)
11. Nering (1970 , p. 118)
12. Bronson (1970 , p. 196)
13. Anton (1987 , págs. 301-302)
14. Beauregard y Fraleigh (1973 , p. 266)
15. Burden & Faires (1993 , p. 401)
16. Golub y Van Loan (1996 , págs. 310-311)
17. Harper (1976 , p. 58)
18. Herstein (1964 , p. 225)
19. Kreyszig (1972 , págs. 273,684)
20. Nering (1970 , p. 104)
21. Burden & Faires (1993 , p. 401)
22. Beauregard y Fraleigh (1973 , págs. 270-274)
23. Bronson (1970 , págs. 179-183)
24. Bronson (1970 , p. 181)
25. Bronson (1970 , p. 179)
26. Beauregard y Fraleigh (1973 , págs. 270-274)
27. Bronson (1970 , págs. 179-183)
28. Bronson (1970 , p. 189)
29. Bronson (1970 , págs. 190,202)
30. Bronson (1970 , págs. 189,203)
31. Bronson (1970 , págs. 206-207)
32. Bronson (1970 , p. 205)
33. Bronson (1970 , p. 196)
34. Bronson (1970 , págs. 189,209-215)
35. Golub y Van Loan (1996 , p. 316)
36. Herstein (1964 , p. 259)
37. Nering (1970 , p. 118)
38. Nering (1970 , p. 118)
39. Nering (1970 , p. 118)
40. Herstein (1964 , p. 261)
41. Beauregard y Fraleigh (1973 , p. 310)
42. Nering (1970 , págs. 122, 123)
43. Bronson (1970 , págs. 189-209)
44. Bronson (1970 , págs. 194-195)
45. Bronson (1970 , págs. 196, 197)
46. Bronson (1970 , págs. 197, 198)
47. Bronson (1970 , págs. 190-191)
48. Bronson (1970 , págs. 197-198)
49. Bronson (1970 , p. 205)
50. Beauregard y Fraleigh (1973 , p. 311)
51. Cullen (1966 , p. 114)
52. Franklin (1968 , p. 122)
53. Bronson (1970 , p. 207)
54. Bronson (1970 , págs.208)
55. Bronson (1970 , p. 206)
56. Beauregard y Fraleigh (1973 , págs. 57-61)
57. Bronson (1970 , p. 104)
58. Bronson (1970 , p. 105)
59. Bronson (1970 , p. 184)
60. Bronson (1970 , p. 185)
61. Bronson (1970 , págs. 209-218)
62. Beauregard y Fraleigh (1973 , págs. 274-275)
63. Beauregard y Fraleigh (1973 , p. 317)

Referencias

• Anton, Howard (1987), Álgebra lineal elemental (5.a ed.), Nueva York: Wiley , ISBN 0-471-84819-0
• Axler, Sheldon (1997). Álgebra lineal bien hecha (2ª ed.). Saltador. ISBN 978-0-387-98258-8.
• Beauregard, Raymond A .; Fraleigh, John B. (1973), Un primer curso de álgebra lineal: con introducción opcional a grupos, anillos y campos , Boston: Houghton Mifflin Co. , ISBN 0-395-14017-X
• Bronson, Richard (1970), Métodos de matriz: una introducción , Nueva York: Academic Press , LCCN  70097490
• Burden, Richard L .; Faires, J. Douglas (1993), Análisis numérico (5.a ed.), Boston: Prindle, Weber y Schmidt , ISBN 0-534-93219-3
• Cullen, Charles G. (1966), Matrices y transformaciones lineales , Lectura: Addison-Wesley , LCCN  66021267
• Franklin, Joel N. (1968), Teoría de la matriz , Acantilados de Englewood: Prentice-Hall , LCCN  68016345
• Golub, Gene H .; Van Loan, Charles F. (1996), Matrix Computations (3.a ed.), Baltimore: Johns Hopkins University Press , ISBN 0-8018-5414-8
• Harper, Charlie (1976), Introducción a la física matemática , Nueva Jersey: Prentice-Hall , ISBN 0-13-487538-9
• Herstein, IN (1964), Temas de álgebra , Waltham: Blaisdell Publishing Company , ISBN 978-1114541016
• Kreyszig, Erwin (1972), Matemáticas de ingeniería avanzada (3.a ed.), Nueva York: Wiley , ISBN 0-471-50728-8
• Nering, Evar D. (1970), Álgebra lineal y teoría de matrices (2a ed.), Nueva York: Wiley , LCCN  76091646