Aprende Valores Propios y Vectores Propios | Álgebra Lineal y Operaciones con Matrices

Desliza para mostrar el menú

Los valores propios y los vectores propios son conceptos fundamentales en el álgebra lineal, ampliamente utilizados para analizar cómo las transformaciones lineales afectan los datos. Dada una matriz cuadrada A, un vector propio es un vector no nulo x que, al ser multiplicado por A, da como resultado un vector que apunta en la misma dirección que x, pero escalado por un factor constante llamado valor propio.

La relación entre la matriz, el vector propio y el valor propio es:

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

$A$ es una matriz cuadrada que representa una transformación lineal;
$\mathbf{x}$ es un vector columna no nulo (el vector propio);
$\lambda$ es un escalar (el valor propio).

Esta fórmula significa que aplicar $A$ a $\mathbf{x}$ estira o encoge $\mathbf{x}$ por el factor $\lambda$ , pero no cambia su dirección. Los valores propios y los vectores propios revelan propiedades clave de las matrices, como estabilidad, ejes principales y modos característicos, que son esenciales en aplicaciones científicas e ingenieriles.


              1234567891011121314
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

print("Eigenvalues:")
print(eigenvalues)
print("\nEigenvectors (each column corresponds to an eigenvector):")
print(eigenvectors)

Después de calcular los valores propios y los vectores propios, a menudo se desea verificar que cumplen con la ecuación fundamental A x = λ x. Utilizando los resultados de scipy.linalg.eig, se puede comprobar esta relación para cada par propio multiplicando la matriz original por un vector propio y comparándolo con el producto del valor propio y ese vector propio.


              1234567891011121314151617181920212223242526
            
import numpy as np
from scipy.linalg import eig

# Define a square matrix
A = np.array([[4, 2],
              [1, 3]])

# Compute eigenvalues and eigenvectors
eigenvalues, eigenvectors = eig(A)

# Select the first eigenvalue and eigenvector
idx = 0
lambda_ = eigenvalues[idx]
x = eigenvectors[:, idx]

# Compute A @ x and lambda * x
Ax = A @ x
lambdax = lambda_ * x

print("A @ x:")
print(Ax)
print("\nλ * x:")
print(lambdax)

# Check if the two results are approximately equal
print("\nAre they approximately equal?", np.allclose(Ax, lambdax))

Los valores y vectores propios tienen aplicaciones muy amplias en física e ingeniería. En física, son esenciales para analizar sistemas de ecuaciones diferenciales, mecánica cuántica (para encontrar estados de energía) y el estudio de vibraciones o modos normales en sistemas mecánicos. En ingeniería, se utilizan en el análisis de estabilidad, análisis de componentes principales (PCA) para reducción de datos y en el diseño de estructuras para predecir frecuencias de resonancia. Comprender los valores y vectores propios permite resolver sistemas complejos, optimizar procesos e interpretar el comportamiento subyacente de fenómenos del mundo real.

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 2. Capítulo 3

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Sección 2. Capítulo 3

Valores Propios y Vectores Propios

1. ¿Qué función de SciPy se utiliza para calcular valores y vectores propios?

2. ¿Cuál es la importancia de los valores propios en aplicaciones científicas?

3. ¿Cómo puedes verificar que un vector es un vector propio de una matriz?