Introducción
Los eigenvalores y eigenvectores son conceptos fundamentales en álgebra lineal con aplicaciones en física, ingeniería, informática y más. Estos elementos nos permiten entender transformaciones lineales de manera profunda, revelando propiedades intrínsecas de matrices y operadores. Imagina que cada matriz es un universo con direcciones privilegiadas (eigenvectores) y factores de escala (eigenvalores) que describen cómo se deforma el espacio a lo largo de esas direcciones. En este artículo, exploraremos su teoría, demostraciones clave, ejercicios prácticos y aplicaciones en el mundo real.
Definiciones Básicas
Dada una matriz cuadrada $A$ de tamaño $n \times n$, un eigenvector $v \neq 0$ y un eigenvalor $\lambda$ satisfacen:
$$ A v = \lambda v $$
Esta ecuación implica que la acción de $A$ sobre $v$ simplemente escala $v$ por $\lambda$.
Ejemplo 1: Cálculo de Eigenvalores
Encuentra los eigenvalores de $A = \begin{pmatrix} 2 & 1 \\ 1 & 2 \end{pmatrix}$.
Solución: Resolvemos $\det(A – \lambda I) = 0$:
$$ \det \begin{pmatrix} 2 – \lambda & 1 \\ 1 & 2 – \lambda \end{pmatrix} = (2 – \lambda)^2 – 1 = 0 $$
$$ \lambda^2 – 4\lambda + 3 = 0 \implies \lambda = 1 \text{ o } 3. $$
Propiedades Clave
Los eigenvalores tienen propiedades importantes:
- La traza de $A$ es la suma de eigenvalores.
- El determinante de $A$ es el producto de eigenvalores.
- Matrices similares comparten eigenvalores.
Teorema 1: Independencia Lineal de Eigenvectores
Eigenvectores correspondientes a eigenvalores distintos son linealmente independientes.
Demostración: Supongamos $v_1, \dots, v_k$ son eigenvectores con eigenvalores distintos $\lambda_1, \dots, \lambda_k$. Si $\sum c_i v_i = 0$, aplicando $(A – \lambda_j I)$ repetidamente se obtiene $c_j = 0$ para todo $j$.
Diagonalización
Una matriz $A$ es diagonalizable si existe una matriz invertible $P$ tal que:
$$ P^{-1} A P = D $$
donde $D$ es diagonal. Esto ocurre si $A$ tiene $n$ eigenvectores LI.
Ejemplo 2: Diagonalización
Diagonaliza $A = \begin{pmatrix} 4 & 1 \\ 2 & 3 \end{pmatrix}$.
Solución: Eigenvalores: $\lambda = 2, 5$. Eigenvectores: $v_1 = (1, -2)^T$, $v_2 = (1, 1)^T$. Entonces:
$$ P = \begin{pmatrix} 1 & 1 \\ -2 & 1 \end{pmatrix}, \quad D = \begin{pmatrix} 2 & 0 \\ 0 & 5 \end{pmatrix}. $$
Teorema Espectral
Teorema 2: Teorema Espectral para Matrices Simétricas
Toda matriz simétrica real $A$ puede ser diagonalizada por una matriz ortogonal $Q$:
$$ A = Q D Q^T $$
donde $D$ es diagonal y $Q$ tiene columnas ortonormales.
Demostración (bosquejo): Los eigenvectores de $A$ son ortogonales y pueden normalizarse.
Ejercicios Resueltos
Ejercicio 1
Encuentra eigenvalores y eigenvectores de $B = \begin{pmatrix} 5 & -1 \\ 3 & 1 \end{pmatrix}$.
Solución: $\det(B – \lambda I) = \lambda^2 – 6\lambda + 8 = 0 \implies \lambda = 2, 4$. Para $\lambda = 2$: $(B – 2I)v = 0 \implies v = (1, 3)^T$. Para $\lambda = 4$: $v = (1, 1)^T$.
Ejercicio 2
Demuestra que si $\lambda$ es eigenvalor de $A$, entonces $\lambda^k$ es eigenvalor de $A^k$.
Solución: Por inducción: $A^k v = A^{k-1}(A v) = \lambda A^{k-1} v = \dots = \lambda^k v$.
Aplicaciones Prácticas
- Mecánica Cuántica: Los estados estacionarios son eigenvectores del operador Hamiltoniano.
- Google PageRank: El ranking es un eigenvector de la matriz de enlaces.
- Análisis de Estabilidad: En sistemas dinámicos, los eigenvalores determinan convergencia.
Conclusión
Los eigenvalores y eigenvectores son herramientas poderosas que descomponen operadores lineales en componentes esenciales. Desde diagonalización hasta aplicaciones en algoritmos y física, su estudio es crucial para entender estructuras matemáticas subyacentes en problemas complejos. Dominar estos conceptos abre puertas a áreas avanzadas de matemáticas y ciencias aplicadas.