Instituto Tecnológico Superior de

Abasolo

Carrera:

Nombre de la Materia: Ecuaciones Diferenciales

Actividad: Practica de simulacion

Docente: José Emmanuel Moreno Andrade

No. de Control e Integrantes (comenzar por apellidos y en orden

alfabético):

Antero Barron Diaz AS22110098

Santacruz Soto Adolfo AS22110066

Fecha de entrega del reporte: 8 de Mayo del 2024

 1. Objetivo(s):
Objetivo general:
El objetivo de este reporte de práctica es comprender el concepto de eigenvalores y su aplicación en el
análisis de sistemas lineales. Se busca demostrar cómo los eigenvalores proporcionan información crucial
sobre la estructura y el comportamiento de matrices y transformaciones lineales. Este conocimiento es
fundamental en diversos campos, desde la ingeniería hasta la física, para comprender y resolver problemas
relacionados con sistemas dinámicos y matrices.
Objetivos específicos:
El objetivo específico es calcular los eigenvalores de una matriz usando un software de álgebra
computacional, para comprender cómo estos valores describen la estructura y el comportamiento de la
matriz. Esto permitirá una mejor comprensión de conceptos clave en álgebra lineal y su aplicación práctica.

2. Introducción (Marco teórico -citar en formato APA-):

 Eigenvalores y Eigenvectores

Los Eigenvalores y Eigenvectores son conceptos sumamente empleados en diferentes áreas de las
matemáticas aplicadas e ingenierías. La raíz eigen proviene del alemán y significa propio, por lo cual
podemos definir como Valores propios o valores característicos de una transformación lineal o de una
matriz, mientras los eigenvectores pueden ser definidos como vectores propios o vectores característicos
de una transformación lineal o de una matriz.

Sea V𝑉 un espacio vectorial sobre un campo K𝐾 y sea T𝑇 una transformación lineal

T:V→V𝑇:𝑉→𝑉

un vector v0≠ 0 del espacio vectorial V se denomina un eigenvector de T si existe un escalar 𝜆 ∈ 𝐾 tal
que

T(v0)= λv0

en este caso λ∈K se denomina el eigenvalor de la transformación 𝑇 asociado al eigenvector v0

De manera semejante podemos definir los eigenvectores y eigenvalores de una matriz M.

Sea M ∈ Knxn para algún número natural n, un elemento →x ∈ Kn se denomina un eigenvector de M si

existe un escalar λ ∈ K tal que

𝑀𝑥=𝜆𝑥

en este caso λ∈K se denomna eigenvalor de la matriz M asociado al eigenvector 𝑥

Los autovectores y autovalores tienen muchas aplicaciones prácticas. Una de las más conocidas es en el
análisis de componentes principales (PCA), que es una técnica de análisis de datos que se utiliza para
reducir la dimensionalidad de un conjunto de datos y resaltar las características más importantes. En PCA,
los autovectores se utilizan para construir los componentes principales, que son vectores que se utilizan
para representar la mayor cantidad de variabilidad en el conjunto de datos.

Otra aplicación importante de los autovectores y autovalores es en el cálculo de las matrices de rotación
y reflexión en el espacio. Estas matrices se pueden usar para rotar y reflexionar objetos en el espacio, lo
que es muy útil en aplicaciones como la ingeniería y la visualización de datos.

Además de estas aplicaciones, los autovectores y autovalores tienen otras propiedades muy interesantes.
Por ejemplo, cada matriz tiene un número finito de autovectores y autovalores, y cada autovector se asocia
con un autovalor único. Esto significa que cada matriz tiene un número finito de parejas eigenvalue-
eigenvector.
Tenemos una definición similar para matrices. Sea 𝐴 una matriz en 𝑀𝑛(𝐹).

Definición. Un escalar 𝜆 en 𝐹 es un eigenvalor de 𝐴 si la matriz 𝜆𝐼𝑛–𝐴 no es invertible. En otras

palabras, si existe un vector no cero 𝑋 en 𝐹𝑛 tal que 𝐴𝑋=𝜆𝑋. A un tal vector 𝑋 se le conoce como
un eigenvector correspondiente al eigenvalor 𝜆.

En otras palabras, los eigenvalores y eigenvectores de 𝐴 son exactamente los eigenvalores y

eigenvectores de la transformación 𝑇𝐴:𝐹𝑛→𝐹𝑛 dada por 𝑇𝐴(𝑣)=𝐴𝑣.
Además, si elegimos cualquier base 𝐵 de un espacio de dimensión finita 𝑉 y 𝐴 es la matriz de 𝑇 con
respecto a la base 𝐵, entonces para cualquier escalar 𝜆 se tiene que 𝜆𝐼𝑛–𝐴 es la matriz de 𝜆id–𝑇 con
respecto a esta misma base. De aquí se deduce que los eigenvalores de 𝑇 son los mismos que los
eigenvalores de 𝐴. Dos matrices que representan a 𝑇 difieren sólo en un cambio de base, así que
obtenemos el siguiente resultado fundamental.

Proposición. Si 𝐴 es una matriz en 𝑀𝑛(𝐹) y 𝑃 es una matriz invertible, entonces 𝐴 y 𝑃−1𝐴𝑃 tienen los
mismos eigenvalores. En otras palabras, matrices similares tienen los mismos eigenvalores.

3. Materiales, Reactivos y/o Equipos. (Unidades y cantidades):

Computadora
Software Matlab
Apuntes de clase
Investigación en fuentes confiables
4. Metodología (Desarrollo de la práctica; procedimiento puntual a seguir):

 Introducir la matriz x’

Imagen 1 , Definir la matriz

 Calcular Eigenvalores y Eigenvectores introduciéndolos en una matriz e igualándolos al

Eigenvector x’

2 Imagen , Calcular valores y vectores

 Mostrar los Eigenvalores con un display

Imagen 3 , Mostrar valores

 No es necesario hacer operación debido a que Matlab entiende que eig (x’) es un

Eigenvector y lo resuleve por si solo

 Al finalizar me da los resultados

Imagen 4, Resultado
5. Diagrama de flujo:

INICIO

Usamos el software de Matlab

Verificamos los datos que meteremos

Introducimos la matriz
correspondiente

Corremos el programa

Nos da los resultados

Capturamos los datos para la

practica

FIN
5. Resultados (Incluir imágenes o fotografías de resultados e integrantes -con pie de imagen

Imagen 5, Programación de la practica

Imagen 6, Resultados dados de la practica

 6. Discusión (De los resultados obtenidos; incluir observaciones y cuestionario -si aplica-):
Durante la práctica de cálculo de eigenvalores utilizando el software de álgebra computacional, nos
enfrentamos a un inconveniente cuando la matriz proporcionada resultó ser de gran tamaño y la
computadora comenzó a mostrar lentitud en el procesamiento de los cálculos. Este problema dificultó
la realización eficiente del análisis y retrasó el avance de la práctica.

7. Conclusiones (Individuales):
Antero Barron Diaz: Al usar software especializado para calcular los eigenvalores de una matriz,
podemos entender mejor cómo funciona esa matriz en sistemas lineales. Esta herramienta nos ayuda a
descubrir información importante sobre la estabilidad y otros aspectos cruciales de los sistemas. Así, al
comprender los eigenvalores, podemos mejorar nuestra comprensión de conceptos importantes en
álgebra lineal y aplicarlos en diferentes áreas como la ingeniería y la física.

Adolfo Santacruz Soto: el análisis de eigenvalores mediante herramientas computacionales ofrece una
perspectiva fundamental para comprender la dinámica de sistemas lineales. Esta capacidad de análisis
proporciona una base sólida para la toma de decisiones informadas en una amplia gama de campos. Al
aprovechar estas herramientas, podemos desentrañar la complejidad de los sistemas y avanzar hacia
soluciones efectivas y fundamentadas.

9. Bibliografía (Referenciar citas del marco teórico -al menos 3 fuentes-):

Eigenvectors y eigenvalues. (s/f). [Link]. Recuperado el 9 de mayo de 2024, de

[Link]

Sandoval, L. I. M. (2020, mayo 20). Álgebra Lineal I: Eigenvalores y eigenvectores de

transformaciones y matrices. El blog de Leo; Leonardo Ignacio Martínez Sandoval.

[Link]

y-matrices/
López, U. (s/f). Eigenvalores y Eigenvectores. [Link]. Recuperado el 9 de mayo de 2024, de

[Link]

eigenvectores