29.2: Matriz diagonalizable
- Page ID
- 115076
En clase estaremos usando la diagonalización matricial para resolver algunos problemas.
Matrix\(A\) es diagonalizable si existe una matriz diagonal\(D\) que es similar a\(A\):
\[ D = C^{-1}AC \nonumber \]
Si matrix\(A\) tiene vectores propios linealmente independientes (\(v_1, \ldots, v_n\)) entonces\(A\) es diagonalizable con la siguiente solución:
\[C = \left[ v_1^T, \ldots, v_n^T \right] \nonumber \]
En otras palabras, cada columna de\(C\) es un autovector linealmente independiente de\(A\). La matriz diagonal\(D\) es
\ [\ begin {split} D =
\ left [
\ begin {matrix}
\ lambda_1 & 0 & 0\\
0 &\ ddots & 0\\\
0 & 0 &\ lambda_n
\ end {matrix}
\ derecha]
\ end {split}\ nonumber\]
En otras palabras,\(D\) consiste en los valores propios correspondientes.
Usando numpy
, diagonaliza (es decir, calcular\(C\) y\(D\)) la siguiente matriz:
Verifica que de hecho\(A\) sea Diagonalizable calculándolo\(D2 = C^{-1} AC\) y comparándolo con tu original\(D\) usando np.allclose
.
Diagonalización de Matrices Simétricas
Un caso especial es Matrices Simétricas. Se puede demostrar que las Matrices simétricas son diagonalizables y los vectores propios resultantes no solo son linealmente independientes sino también ortogonales. Como esto es cierto, la ecuación cambia a:
\[ D = C^{T}AC \nonumber \]
¿Por qué nos importa si\(C\) es ortogonal? ¿Qué ventajas nos da la ecuación anterior?