Connexions

You are here: Home » Content » Diagonalización de Matrices
Content Actions
Lenses

What is a lens?

Lenses

A lens is a custom view of Connexions content. You can think of it as a fancy kind of list that will let you see Connexions through the eyes of organizations and people you trust.

What is in a lens?

Lens makers point to Connexions materials (modules and collections), creating a guide that includes their own comments and descriptive tags about the content.

Who can create a lens?

Any individual Connexions member, a community, or a respected organization.

This content is ...
Affiliated with (?)
This content is either by members of the organizations listed or about topics related to the organizations listed. Click each link to see a list of all content affiliated with the organization.

  • This module is included inLens: Rice University OpenCourseWare
    By: OpenCourseWare ConsortiumAs a part of collection:"Señales y Sistemas"

    Click the "Rice University OCW" link to see all content affiliated with them.

    Rice University OCW
Tags

(?)

These tags come from the endorsement, affiliation, and other lenses that include this content.

Diagonalización de Matrices

Module by: Michael Haag Translated by: Fara Meza, Erika JacksonBased on: Matrix Diagonalization por Michael Haag

Summary: (Blank Abstract)

De nuestro entendimiento de eigenvalores y eigenvectores hemos descubierto ciertas cosas sobre nuestro operador, la matriz AA. Sabemos que los eigenvectores de AA generan el espacio ℂn n y sabemos como expresar cualquier vector xx en términos de v1v2…vn v 1 v 2 … v n , entonces tenemos el operador AA calculado. Si tenemos AA actuando en xx, después esto es igual a AA actuando en la combinación de los eigenvectores.
Todavía tenemos dos preguntas pendientes:
  1. ¿Cuándo los eigenvectores v1v2…vn v 1 v 2 … v n de AA generan el espacio ℂn n (asumiendo que v1v2…vn v 1 v 2 … v n linealmente independientes)?
  2. ¿Cómo expresamos un vector dado xx en términos de v1v2…vn v 1 v 2 … v n ?

1 Respuesta a la Pregunta #1

Question #1: ¿Cuándo los eigenvectores v1v2…vn v 1 v 2 … v n de AA generan el espacio ℂn n ?
Si AA tiene nn diferentes eigenvalores ∀i,i≠j: λ i ≠ λ j i i j λ i λ j donde ii y jj son enteros, entonces AA tiene nn eigenvectores linealmente independientes. v1v2…vn v 1 v 2 … v n que generan el espacio ℂn n .
nota: La demostración de esta proposición no es muy difícil, pero no es interesante para incluirla aquí. Si desea investigar esta idea, léase Strang G., “Algebra Lineal y sus aplicaciones” para la demostración.
Además, nn diferentes eigenvalores significa que detA-λI= c n λn+ c n − 1 λn-1+…+ c 1 λ+ c 0 =0 A λ I c n λ n c n − 1 λ n 1 … c 1 λ c 0 0 tiene nn raíces diferentes.

Respuesta a la Pregunta #2

Question #2: ¿Cómo expresamos un vector dado xx en términos de v1v2…vn v 1 v 2 … v n ?
Queremos encontrar α 1 α 2 … α n ∈ℂ α 1 α 2 … α n tal que
x= α 1 v1+ α 2 v2+…+ α n vn x α 1 v 1 α 2 v 2 … α n v n (1)
Para poder encontrar el conjunto de variables, empezaremos poniendo los vectores v1v2…vn v 1 v 2 … v n como culumnas en una matriz V V de n×n. V= ⋮⋮ ⋮v1v2…vn⋮⋮ ⋮ V ⋮ ⋮   ⋮ v 1 v 2 … v n ⋮ ⋮   ⋮ Ahora la ecuación 1 se convierte en x= ⋮⋮ ⋮v1v2…vn⋮⋮ ⋮ α 1 ⋮ α n x ⋮ ⋮   ⋮ v 1 v 2 … v n ⋮ ⋮   ⋮ α 1 ⋮ α n ó x=Vα x V α Lo que nos da una forma sencilla de resolver para la variable de nuestra pregunta αα: α=V-1x α V -1 x Notese que VV es invertible ya que tiene nn columnas linealmnete independientes.

Comentarios Adicionales

Recordemos el conocimiento de funciones y sus bases y examinemos el papel de VV. x=Vα x V α x 1 ⋮ x n =V α 1 ⋮ α n x 1 ⋮ x n V α 1 ⋮ α n donde αα es solo xx expresada en una base diferente: x= x 1 10⋮0+ x 2 01⋮0+…+ x n 00⋮1 x x 1 1 0 ⋮ 0 x 2 0 1 ⋮ 0 … x n 0 0 ⋮ 1 x= α 1 ⋮v1⋮+ α 2 ⋮v2⋮+…+ α n ⋮vn⋮ x α 1 ⋮ v 1 ⋮ α 2 ⋮ v 2 ⋮ … α n ⋮ v n ⋮ VV transforma xx de la base canónica a la base v1v2…vn v 1 v 2 … v n

Diagonalización de Matrices y Salidas

También podemos usar los vectores v1v2…vn v 1 v 2 … v n para representar la salida b b, del sistema: b=Ax=A α 1 v1+ α 2 v2+…+ α n vn b A x A α 1 v 1 α 2 v 2 … α n v n Ax= α 1 λ 1 v1+ α 2 λ 2 v2+…+ α n λ n vn=b A x α 1 λ 1 v 1 α 2 λ 2 v 2 … α n λ n v n b Ax= ⋮⋮ ⋮v1v2…vn⋮⋮ ⋮ λ 1 α 1 ⋮ λ 1 α n A x ⋮ ⋮   ⋮ v 1 v 2 … v n ⋮ ⋮   ⋮ λ 1 α 1 ⋮ λ 1 α n Ax=VΛα A x V Λ α Ax=VΛV-1x A x V Λ V -1 x donde ΛΛ es la matriz con eigenvalores en la diagonal: Λ= λ 1 0…00 λ 2 …0⋮⋮⋱⋮00… λ n Λ λ 1 0 … 0 0 λ 2 … 0 ⋮ ⋮ ⋱ ⋮ 0 0 … λ n Finalmente, podemos cancelar las x x y quedarnos con una ecuación final para AA: A=VΛV-1 A V Λ V -1

1 Interpretación

Para nuestra interpretación, recordemos nuestra formulas: α=V-1x α V -1 x b=∑i α i λ i vi b i α i λ i v i podemos interpretar el funcionamiento de xx con AA como: x 1 ⋮ x n → α 1 ⋮ α n → λ 1 α 1 ⋮ λ 1 α n → b 1 ⋮ b n x 1 ⋮ x n α 1 ⋮ α n λ 1 α 1 ⋮ λ 1 α n b 1 ⋮ b n Donde los tres pasos (las flechas) en la ilustración anterior representan las siguientes tres operaciones:
  1. Transformar x x usando V-1 V -1 , nos da αα
  2. Multiplicar por Λ Λ
  3. Transformada Inversa usando V V, lo que nos da bb
¡Este es el paradigma que usaremos para los sistemas LTI!
eigv_sys.png
Figura 1: Ilustración simple del sistema LTI.

Comments, questions, feedback, criticisms?

Send feedback