Objetivos

Definir el concepto de los valores propios dentro del algebra lineal.

Conocer e identificar las distintas propiedades un vector propio.
Establecer las aplicaciones bsicas que presentan los valores propios dentro de la
ingeniera civil y estructural.

Conclusiones

Los valores propios, (eigenvalores o eigenvectores) son los vectores no nulos que,
cuando son transformados por el operador, dan lugar a un mltiplo escalar de s
mismos, con lo que no cambian su direccin.
Atreves de la aplicacin de los valores propios se realizan procesos matemticos
esencial durante el anlisis modal computarizado de una estructura, para estimar su
comportamiento dinmico, as mismo tienen utilidad en clculo de tensores de
inercia y tensores de tensin.
Entre las propiedades de un valor propio o eigenvalor estn: su multiplicidad
algebraica y su multiplicidad geomtrica.
La dimensin geomtrica de un valor propio es menor o igual que la dimensin
algebraica pero nunca mayor.
Si los vectores v1, v2, , vn son vectores propios asociados a valores propios
diferentes entonces el conjunto formado por ellos es linealmente independiente.

Recomendaciones
Presentar en clase un desarrollo esquemtico sobre la aplicacin de los eigenvalores
durante el anlisis modal de una estructura simple, para ampliar su comprensin.
 Base de Valores Propios

Dentro del Algebra lineal los vectores propios son tambin conocidos con el nombre de
autovectores o eigenvectores, los cuales son un operador lineal que funcionan como
vectores no nulos que, cuando son transformados por el operador, dan lugar a un mltiplo
escalar de s mismos, con lo que no cambian su direccin.

Este escalar se conoce con la letra , este recibe el nombre de valor propio, autovalor, valor
caracterstico o eigenvalor. A menudo, una transformacin queda completamente
determinada por sus vectores propios y valores propios. Un espacio propio, autoespacio,
eigenespacio o subespacio fundamental asociado al valor propio es el conjunto de vectores
propios con un valor propio comn.

Las transformaciones lineales del espacio tales como la rotacin, la reflexin, el

ensanchamiento, o cualquier combinacin de las anteriores se pueden interpretar
mediante el efecto que producen en los vectores. Los vectores pueden visualizarse como
flechas de una cierta longitud apuntando en una direccin y sentido determinados. Por lo
tanto, se tiene algunas caractersticas bsicas de los vectores que cae en la categora de
eigenvectores:

Los vectores propios de las transformaciones lineales son vectores que, o no son
afectados por la transformacin o slo resultan multiplicados por un escalar; y, por
tanto, no varan su direccin.

El valor propio de un vector propio es el factor de escala por el que ha sido

multiplicado.

Un espacio propio es un espacio formado por todos los vectores propios del mismo
valor propio, adems del vector nulo, que no es un vector propio.

La multiplicidad geomtrica de un valor propio es la dimensin del espacio propio

asociado.
El espectro de una transformacin en espacios vectoriales finitos es el conjunto de
todos sus valores propios.

1. Definicin:

Sea A una matriz cuadrada, un nmero real se dice que es un valor propio o un eigenvalor
o un valor caracterstico de A si existe un vector, diferente del vector cero, x tal que:

=
Es decir, es un vector que al transformarlo mediante la multiplicacin por A el vector
resultante mantiene su direccin, posiblemente solo su longitud y/o sentido se modifique.
El vector x se llama vector propio o eigenvector asociado al valor propio .

Ejemplo:

Para la matriz A indique cules vectores son vectores propios.

1 2
=[ ]
2 1

1 2 1 0
1 = ( ) , 2 = ( ) , 3 = ( ) , 4 = ( )
1 3 1 2

Solucin:
Debemos multiplicar cada vector por la matriz A y ver si el vector resultante es un mltiplo
escalar del vector.

1 2 1 3 1
1 = [ ]( ) = ( ) = 3( )
2 1 1 3 1

S v1 es vector propio de A asociado al valor propio 3.

1 2 2 8 2
2 = [ ]( ) = ( ) ( )
2 1 3 7 3

V2 no es vector propio de A.

1 2 1 1 1
3 = [ ] ( ) = ( ) = 1 ( )
2 1 1 1 1

v3 si es vector propio de A asociado al valor propio -1

1 2 0 4 0
4 = [ ]( ) = ( ) ( )
2 1 2 2 2

2. Determinacin de los valores propios:

Sea o un valor propio de la matriz cuadrada A, as existe un vector diferente cero de xo tal
que:

x = 0 =
Por lo tanto

= ( ) =0

Si = lo anterior significa que el sistema homogneo n x n

= 0

Tiene adems de la solucin trivial otro solucin ( = 0). Por consiguiente, no tiene
solucin nica. Y por tanto, el determinante de la matriz B debe ser cero:

det() = det( = 0

Resumiendo:

Todo valor propio debe ser raz del polinomio caracterstico asociado a A:

() = ( )

Y un vector propio asociado al valor propio debe ser solucin al sistema homogneo:

( ) = 0

Ejemplo:
Determine los valores y los vectores propios correspondientes de la matriz:

1 2 1 1 1 2
1 = [ ], 2 = [ ], 3 = [ ]
2 1 0 1 1 2

Solucin:
Para 1

1 2 1 0
() = ( 2 ) = ([ ][ ])
2 1 0 1

1 2 0 1 2
1 () = ([ ][ ]) = ([ ])
2 1 0 2 1

1 2
1 () = | | = (1 )2 4
2 1

1 () = 2 2 3 = ( 3) ( + 1)
Por tanto, los nicos valores propios de A1 son 1 = 3 y 2 = -1.
Vector propio para 1 = 3
Debe ser solucin al sistema homogneo:

(1 2 ) = 0
Es decir:
1 2 1 0
([ ] 3[ ]) = 0
2 1 0 1

Desarrollando y finalmente aplicando Gauss-Jordan:

13 2 2 2 0 1 1 0
[ ] = 0 ( | )( | )
2 13 2 2 0 0 0 0

Convirtiendo en ecuacin y poniendo en la notacin vectorial:

1
= 0 = () = ( )
1

Lo anterior indica que cualquier vector de la forma:

1
( )
1

Es un vector propio asociado a 1 = 3; nosotros nos conformaremos con uno: digamos el

que se obtiene para y=1:

1
( )
1

Vector propio para 2 = -1; Debe ser solucin al sistema homogneo:

(1 2 ) = 0

Es decir:

1 2 1 0
([ ] (1) [ ]) = 0
2 1 0 1

Desarrollando y finalmente aplicando Gauss-Jorda;

1+1 2 2 20 1 10
[ ] = 0 { | }{ | }
2 1+1 2 20 0 00
Convirtiendo en ecuacin y poniendo en la notacin vectorial:

1
+ = 0 = () = ( )
1

Lo anterior indica que cualquier vector de la forma:

1
( )
1
es un vector propio asociado a 2 = -1; nosotros nos conformaremos con uno: digamos el
que se obtiene para y = 1:

1
( )
1

Para la matriz A2:

1 1 0 1 1
2 () = ([ ][ ]) = ([ ])
0 1 0 0 1

1 1
2 () = [ ] = (1 )2
0 1

Por tanto, el nico valor propio de A2 es 1 = 1. Vector propio para 1 = 1; Debe ser
solucin al sistema homogneo:

(2 2 ) = 0

Es decir:

1 1 1 0
([ ] 1[ ]) = 0
0 1 0 1

Desarrollando y finalmente aplicando Gauss-Jordan:

11 1 0 10 0 10
[ ] = 0 ( | )( | )
0 11 0 00 0 00

Convirtiendo en ecuacin y poniendo en la notacin vectorial:

1
= 0 ( ) = ( )
0

Lo anterior indica que cualquier vector de la forma:

 1
( )
0

es un vector propio asociado a 1 = 1; nosotros nos conformaremos con uno: digamos el

que se obtiene para y = 1:

1
( )
0

Para la matriz A3:

1 2 0 1 2
3 () = ([ ][ ]) = [ ]
1 2 0 1 2

El polinomio caracterstico queda:

3 () = 2 3 + 4

Como este polinomio tiene races complejas, A3 no tiene valores ni vectores propios.

3. El Teorema del Factor:

Sea p(x) un polinomio. Un nmero c es raz del polinomio p(x), es decir p(x = c) = 0 si y slo
si x - c divide a p(x). Es decir, al hacer la divisin de p(x) entre x - c el residuo es cero. De
hecho, p(c) es precisamente el residuo de la divisin de p(x) entre x - c. Y este residuo puede
calcularse por medio de un proceso elemental conocido como divisin sinttica:

4. Multiplicidad algebraica de un valor propio

Definicin
Sea A una matriz cuadrada y o un valor propio. Como hemos visto debe ser raz del
polinomio caracterstico de A PA () asi:

( o ) | PA ( )
Al mayor exponente m que cumple

PA ( ) = ( o ) m q( )

Le llamaremos la multiplicidad algebraica de o.

5. Espacios Invariantes

Teorema
Sea A una matriz cuadrada y un escalar cualquiera entonces
{ | = }
Es un subespacio lineal de .
Demostracin

1. No es vaco pues: A0 = 0 = 0. Es decir, 0 es un elemento del conjunto.

2. Si Ax1 = x1 y Ax2 = x2 :
A ( x1 + x2 ) = x1 + x2 = x1 + x2 = ( x1 + x2 )
Es decir, que si x1 y x2 son elementos del conjunto, la suma de ellos tambin es un
vector en el conjunto al cumplir la propiedad que define al conjunto.
3. Si Ax1 = x1 :
A ( cx1 ) = cAx1 = cx1 = ( cx1 )
Es decir que si un vector x1 pertenece al conjunto y c es un escalar cualquiera,
entonces, el vector cx1 tambien pertenece al conjunto al cumplir la propiedad.

Por tanto, el conjunto dado es un espacio lineal.

Observe que en la afirmacin del teorema anterior no se requiere que el escalar

sea un valor propio. Sin embargo, el conjunto anterior es diferente de {0} slo
cuando el valor es efectivamente un valor propio.

6. Multiplicidad geomtrica de un valor propio

Definicin
Por el resultado anterior: Siendo o un valor propio el anterior conjunto es un espacio
lineal diferente de {0} asi tiene dimensin mayor que cero: la dimensin del espacio
anterior se llamar multiplicidad geomtrica del valor propio o.

Teorema

La dimensin geomtrica de un valor propio es menor o igual que la dimensin algebraica.

Ejemplo

Determine la dimensin y una base para el espacio propio asociado a = -3 para la matriz:

1 7 9

2 4 4
5 11 5
=
4 8 8
15 63 17
[ 4 8 8]

Solucin:

El espacio propio de un valor es el conjunto de soluciones al sistema homogneo:

( ) =

En este caso queda:

5/2 7/4 9/4|0

[ ()|] = [ 5/4 35/8 5/8|0]
15/4 63/8 41/8|0

Despus de eliminacin gaussiana obtenemos:

1 0 2/3|0
[0 0 1/3|0]
0 0 0|0

Como slo hay una variable libre, entonces la dimensin geomtrica del espacio propio de
= -3 es 1. Y una base es:

2/3
{(1/3)}
1

Como se trabaja en R3 , el espacio propio es una lnea que pasa por el origen y que tiene
direccin < 2/3, 1/3, 1 >por consiguiente tiene ecuaciones simtricas:
 0 0 0
= =
2/3 1/3 1

Teorema

Si los vectores V1, V2 ,, Vk , son vectores propios asociados a valores propios diferentes
entonces el conjunto formado por ellos es linealmente independiente.

Demostracin

Llamemos i al valor propio al cual est asociado el vector vi. Supongamos que el conjunto
de vectores es linealmente dependiente. Puesto que ningn vector propio puede ser
vector cero, de esta suposicin deducimos entonces que un vector vi debe ser
combinacin lineal de los anteriores. Escojamos aquel que tiene el menor ndice posible,
digamos j , as: vj es combinacin lineal de los vectores V1 ,, Vj-1 y ningn vector vi es
combinacin lineal de los anteriores para i = 2, 3, ,j-1. Tenemos

Vj = c1 v1 + c2 v2 ++ cj-1 vj-1

Multiplicando para , y utilizando que cada v es vector propio, obtenemos

j Vj = c1 1 v1 ++ cj-1 j-1 vj-1

Si multiplicamos la primera de estas ecuaciones por j y se la restamos a la segunda

obtenemos:

0= c1 (1 j) v1 + + cj-1 (j-1 j-1) vj-1

Como el conjunto formado por los vectores V1 ,, Vj-1 es linealmente independiente. Al no

ser vector combinacin de los restantes, se deduce que todos los coeficientes de esta
ltima ecuacin deben ser cero:

ci (i j) = 0 para i = 1,, j-1

como los propios son diferentes entre si: i j 0. Asi son los ci =0 para i =1,, j-1. Asi la
frmula inicial de este teorema queda:
 Vj = 0 v1 ++ 0 vj-1= 0

Pero esto es imposible pues ningn vector propio es el vector cero. Esta contradiccin
afirma que el conjunto formado por los vectores es linealmente independiente.

Ejemplos de aplicacin
ANALISIS MODAL:

Durante el anlisis modal de una estructura se generan diversas ecuaciones que deben de
ser analizadas en agrupaciones matriciales, las cuales se resuelven por medio de la
aplicacin de eigenvectores, una de estas es la siguiente:

En donde la participacin de los mismos en este anlisis se da por medio de los siguientes
parmetros:

Los eigenvalores de la matriz de estado A son las races (i) del polinomio
caracterstico asociado con la matriz de estado, el cual est definido en forma
compacta como

Los valores de i que satisfacen a la ecuacin pueden ser reales o complejos y

cuando la matriz A es real como en el caso de la matriz de estado de un SEP, las
races complejas siempre se presentan en pares conjugados.
 Los eigenvectores son vectores asociados con cada uno de los eigenvalores i que
satisfacen el siguiente sistema de ecuaciones;

A cada uno de estos vectores ui y vi se les conoce como eigenvectores derechos o

"mode shapes" e izquierdos, respectivamente. Los elementos de los eigenvectores
derechos dan una medida de la actividad relativa de las variables de estado cuando
un modo en particular es excitado.

En otras palabras, el ksimo elemento del eigenvector ui mide la actividad de la

variable de estado xk en el isimo eigenvalor, mientras que el ksimo elemento
del eigenvector vi es una medida de la influencia de dicha actividad sobre el isimo
eigenvalor.

TENSOR DE INERCIA:

En mecnica de solidos deformables, el tensor es simtrico, as que puede descomponerse

en un tensor diagonal cuyos valores propios en la diagonal y los vectores propios forman
una base.

TENSOR DE TENSIN:
En mecnica de slidos deformables, el tensor de tensin es simtrico, as que puede
descomponerse en un tensor diagonal cuyos valores propios en la diagonal y los vectores
propios forman una base.