Valores propios y vectores propios — La huella digital de una matriz
Cuando una matriz actúa sobre la mayoría de los vectores, cambia tanto su dirección como su longitud.
Pero siempre hay algunos vectores en «direcciones especiales»,Después de que la matriz actúe, la dirección no cambia, solo cambia la longitud.Estos son los vectores propios, y el factor de escala es el valor propio.
Fórmula clave: \( A\mathbf{v} = \lambda \mathbf{v} \)
- \( \mathbf{v} \): vector propio (no nulo), cuya dirección permanece invariante tras la transformación
- \( \lambda \): valor propio, que indica el factor de estiramiento de v
λ > 0
Estiramiento/acortamiento positivo
La dirección permanece igual
λ < 0
Estiramiento/acortamiento en sentido inverso
La dirección se invierte por completo
Una matriz n×n tiene como máximo n vectores propios linealmente independientes.
Los valores propios de una matriz simétrica son siempre números reales; esta es una de las razones por las que las matrices simétricas son tan importantes.
Ejemplo de la vida real
Estiramiento de una membrana de goma
Una membrana de goma se estira 2 veces en dirección horizontal y permanece sin cambios en dirección vertical.
La flecha en dirección horizontal (por ejemplo, (1,0)) se estira a (2,0), pero su dirección no cambia: es un vector propio, λ=2.
La flecha en dirección vertical (por ejemplo, (0,1)) no cambia en absoluto: también es un vector propio, λ=1.
La flecha inclinada (por ejemplo, (1,1)) cambia de dirección: no es un vector propio.
Definición matemática
\[ A\mathbf{v} = \lambda \mathbf{v} \quad \Leftrightarrow \quad (A - \lambda I)\mathbf{v} = 0 \]Condición para que exista una solución no nula: \( \det(A - \lambda I) = 0 \) (ecuación característica).
Práctica con Python
Ejemplo
A = np.array([[2, 0], [0, 1]]) # Estiramiento horizontal de 2 veces, vertical sin cambios
eigenvalues, eigenvectors = np.linalg.eig(A)
print("Valores propios:", eigenvalues) # [2. 1.]
print("Vectores propios (columnas):\n", eigenvectors)
# Verificar Av = λv
for i in range(2):
v = eigenvectors[:, i]
lam = eigenvalues[i]
print(f"\nVerificando vector propio {i+1}:")
print(f" A @ v = {A @ v}")
print(f" λ * v = {lam * v}")
print(f" Igual: {np.allclose(A @ v, lam * v)}")
# Los valores propios de una matriz simétrica son todos reales
S = np.array([[1, 4], [4, 2]])
print(f"\nValores propios de la matriz simétrica S: {np.linalg.eigvals(S)} (todos reales)")
特征值: [2. 1.] 特征向量 (列): [[1. 0.] [0. 1.]] 验证特征向量1: A@v=[2. 0.], λv=[2. 0.], 相等: True 对称矩阵 S 的特征值: [ 5. -2.](全实数)
Demostración interactiva de vectores propios
Arrastra el vector azul v y observa la transformación Av (línea discontinua roja) que aplica la matriz A = [[2,0],[0,1]].
Cuando v está en dirección horizontal o vertical, Av es colineal con v — esa es la dirección de los vectores propios:
Casos de aplicación en IA
Reducción de dimensionalidad con PCA
Se calculan los valores propios y vectores propios de la matriz de covarianza de los datos. Los vectores propios correspondientes a los k mayores valores propios son las k direcciones de mayor varianza de los datos (componentes principales). Al proyectar los datos sobre estas direcciones, se descartan las direcciones de baja varianza y se logra la reducción de dimensionalidad. Reduciendo las imágenes MNIST de 784 dimensiones a 50 dimensiones, aún se conserva aproximadamente el 90% de la información.
Normalización espectral (Spectral Normalization)
En el entrenamiento de GAN, la matriz de pesos del discriminador se somete a normalización espectral en cada paso: W ← W / \sigma_{max}(W), donde \sigma_{max} es el mayor valor singular (en matrices cuadradas = el valor absoluto del mayor valor propio). Esto asegura que el discriminador sea 1-Lipschitz, estabiliza el entrenamiento y reduce el colapso de modos.
Métodos espectrales para redes neuronales de grafos
Los valores propios y vectores propios de la matriz laplaciana del grafo L = D - A (donde D es la matriz diagonal de grados y A es la matriz de adyacencia) definen la transformada de Fourier sobre el grafo. GCN (Red Convolucional de Grafos) realiza la convolución en este dominio espectral — aunque las GCN modernas usan más métodos en el dominio espacial, el método espectral es la base teórica.
Otras extensiones