Valores y vectores propios

Departamento de Matemáticas, CCIR/ITESM

11 de mayo de 2009

Índice
24.1. Definición de valor y vector propio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
24.2. Determinación de los valores propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
24.3. Multiplicidad algebraica de un valor propio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
24.4. Multiplicidad geométrica de un valor propio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
24.5. Resultados teóricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
24.6. Procesos operativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

24.1. Definición de valor y vector propio

Los vectores propios de una matriz son vectores invariantes bajo la multiplicación por ella. Veamos la
definición matemática:

Definición 24.1
Sea A una matriz cuadrada, un número real λ se dice que es un valor propio o un eigenvalor o un valor
caracterı́stico de A si existe un vector, diferente del vector cero, xo tal que:
Axo = λ xo
Es decir, es un vector que al transformarlo mediante la multiplicación por A el vector resultante mantiene
la dirección, posiblemente sólo su longitud y/o sentido se modifique. El vector xo se llama vector propio o
eigenvector asociado al valor propio λ.

Ejemplo 24.1
Para la matriz A  
1 2
A=
2 1
Indique cuáles vectores son vectores propios:
       
1 2 −1 0
v1 = , v2 = , v3 = , v4 =
1 3 1 2
Solución:
Veamos si v1 es vector propio de A:
    
1 2 1 3
Av1 = =
2 1 1 3
Ahora veamos si Av1 es un múltiplo de v1 :
   
3 1
Av1 = =3 = 3 v1
3 1
Por tanto, v1 sı́ es vector propio de A y está asociado al valor propio 3.
Veamos si v2 es vector propio de A:
    
1 2 2 8
Av2 = =
2 1 3 7

Ahora veamos si Av2 es un múltiplo de v2 :

   
8 2
Av2 = 6= k
7 3

Por tanto, v2 no es vector propio de A.

Veamos si v3 es vector propio de A:
    
1 2 −1 1
Av3 = =
2 1 1 −1

Ahora veamos si Av3 es un múltiplo de v3 :

   
1 −1
Av3 = = −1
−1 1

Por tanto, v3 sı́ es un vector propio de A y está asociado al valor propio -1.
Veamos si v4 es vector propio de A:
    
1 2 0 4
Av4 = =
2 1 2 2

Ahora veamos si Av4 es un múltiplo de v4 :

   
4 0
Av4 = 6= k
2 2

por tanto, v4 no es vector propio de A 

Ejemplo 24.2
Indique cuáles de los siguientes valores

λ1 = −1, λ2 = 1, λ3 = −2, λ4 = 2

son valores propios de la matriz A:  

5 −3
A=
6 −4
Solución
λ1 es valor propio ssi existe un vector x diferente de cero tal que:

A x = λ1 x

Es decir, ssi
(A − λ1 I) x = A x − λ1 I x = A x − λ1 x = 0
no tiene solución única:
   
5 − (−1) −3 0 1 −1/2 0
[A − λ1 I|0] = →
6 −4 − (−1) 0 0 0 0

2
Como el sistema tiene una variable libre, el sistema tiene infinitas soluciones: por tanto además de la solución
x = 0, existen muchos vectores x diferentes del vector cero tales que Ax = λ1 x. Por tanto, λ1 sı́ es valor
propio de la matriz A. De hecho, podemos encontrar la solución general al sistema anterior:
  
1 −1/2 0 x = 1/2 y
→ {x − 1/2y = 0 →
0 0 0 y = y

Por tanto, todos los vectores propios asociados a λ1 se obtienen:

 
1/2
x=y , con y 6= 0
1

Veamos si λ2 es valor propio de A:

   
5 − (1) −3 0 1 0 0
[A − λ2 I|0] = →
6 −4 − (1) 0 0 1 0

Como el sistema tiene solución única x = 0, por tanto no existe un vector diferente de cero x que cumpla
A x = λ2 x. Por tanto, λ2 no es un vector propio de A.
La regla es :

λ es valor propio de A ssi al reducir [A − λ I|0] se tiene al menos una variable libre.

Veamos si λ3 es valor propio de A:

   
5 − (2) −3 0 1 −1 0
[A − λ3 I|0] = →
6 −4 − (2) 0 0 0 0

Una variable libre; por tanto, λ3 sı́ es valor propio de A.

Veamos si λ4 es valor propio de A:

   
5 − (−2) −3 0 1 0 0
[A − λ4 I|0] = →
6 −4 − (−2) 0 0 1 0

Ninguna variable libre; por tanto, λ4 no es valor propio de A 

24.2. Determinación de los valores propios

Sea λo un valor propio de la matriz cuadrada A, esto será cierto si y sólo si existe un vector xo (xo 6= 0)
tal que:
Axo = λo xo = λo In xo
Por tanto:
Axo − λo In xo = (A − λo In ) xo = 0
Si B = A − λo In , esto será cierto si y sólo si el sistema homogéneo n × n

Bx = 0

tiene, además de la solución trivial, otra solución (x = xo 6= 0). Es decir, si y sólo si no tiene solución única.
Y esto será cierto, si y sólo si el determinante de la matriz B es cero:

det(B) = det (A − λo In ) = 0

3
es decir, que todo escalar λo es valor propio de A si y sólo si es raı́z del polinomio caracterı́stico asociado a A:

pA (λ) = det (A − λIn )

y un vector propio asociado a λo debe ser solución al sistema homogéneo

(A − λo In ) x = 0

Note al ser pA (t) un polinomio de grado igual que n, habrá a lo más n valores propios.
Ejemplo 24.3
Determine los valores y los vectores propios correspondientes a la matriz:
 
1 2
A=
2 1

Solución
Determinemos el polinomio caracterı́stico de A:
   
1 2 1 0
pA (λ) = det (A − λI2 ) = det −λ
2 1 0 1
     
1 2 λ 0 1−λ 2
pA (λ) = det − = det
2 1 0 λ 2 1−λ
 
 1−λ 2 
pA (λ) = 
 = (1 − λ)2 − 4
2 1−λ 

pA (λ) = λ2 − 2λ − 3 = (λ − 3) (λ + 1)
Por tanto, los únicos valores propios son λ1 = 3 y λ2 = −1.
Vector propio para λ1 = 3
Debe ser solución al sistema homogéneo:
(A − λI2 ) x = 0
Es decir:    
1 2 1 0
− (3) x=0
2 1 0 1
Desarrollando y finalmente aplicando Gauss-Jordan:
     
1−3 2 −2 2 0 1 −1 0
x=0→ →
2 1−3 2 −2 0 0 0 0

Convirtiendo en ecuación y poniendo en la notación vectorial:

   
x 1
x−y =0→x=y → =y , y 6= 0
y 1

Lo anterior indica que cualquier vector de la forma:

 
1
y , y 6= 0
1

4
es un vector propio asociado a λ1 = 3. Es importante señalar que la variable libre y no puede ser cero, pues de
otra manera el vector que obtendrı́amos serı́a el vector cero, el cual por definición no puede ser vector propio.
Nosotros nos conformaremos con un vector propio: digamos el que se obtiene para y = 1:
 
1
1
Vector propio para λ2 = −1
Debe ser solución al sistema homogéneo:
(A − λI2 ) x = 0
Es decir:    
1 2 1 0
− (−1) x=0
2 1 0 1
Desarrollando y finalmente aplicando Gauss-Jordan:
     
1+1 2 2 2 0 1 1 0
x=0→ →
2 1+1 2 2 0 0 0 0
Convirtiendo en ecuación y poniendo en la notación vectorial:
   
x −1
x + y = 0 → x = −y → =y , y 6= 0
y 1
Lo anterior indica que cualquier vector de la forma:
 
−1
y , y 6= 0
1
es un vector propio asociado a λ2 = −1; nosotros nos conformaremos con uno: digamos el que se obtiene para
y = 1:  
−1

1

Ejemplo 24.4
Determine los valores y los vectores propios correspondientes de la matriz:
 
1 1
A=
0 1
Solución
Para la matriz A:      
1 1 λ 0 1−λ 1
pA (λ) = det − = det
0 1 0 λ 0 1−λ
 
 1−λ 1  = (1 − λ)2

pA (λ) = 
0 1−λ 
Por tanto, el único valor propio de A es λ1 = 1.
Vector propio para λ1 = 1
Debe ser solución al sistema homogéneo:
(A − λI2 ) x = 0
Es decir:    
1 1 1 0
− (1) x=0
0 1 0 1

5
Desarrollando y finalmente aplicando Gauss-Jordan:
     
1−1 1 0 1 0 0 1 0
x=0→ →
0 1−1 0 0 0 0 0 0

Convirtiendo en ecuación y poniendo en la notación vectorial:

   
x 1
y=0→ =x , x 6= 0
y 0

Lo anterior indica que cualquier vector de la forma:

 
1
x , x 6= 0
0

es un vector propio asociado a λ1 = 1; nosotros nos conformaremos con uno: digamos el que se obtiene para
x = 1:  
1

0

Ejemplo 24.5
Determine los valores y los vectores propios correspondientes de la matriz:
 
1 2
A=
−1 2

Solución
Obtengamos el polinomio carcterı́stico:
     
1 2 λ 0 1−λ 2
pA (λ) = det − = det
−1 2 0 λ −1 2 − λ

El polinomio caracterı́stico queda:

pA (t) = t2 − 3 t + 4
Como este polinomio tiene raı́ces complejas, A no tiene valores ni vectores propios. 

24.3. Multiplicidad algebraica de un valor propio

Sea A una matriz cuadrada y λo un valor propio. Como hemos visto λ debe ser raı́z del polinomio carac-
terı́stico de A pA (λ) ası́:
(λ − λo ) | pA (λ)
Al mayor exponente m que cumple
pA (λ) = (λ − λo )m q(λ)
le llamaremos la multiplicidad algebraica o dimensión algebraica de λo .
Ejemplo 24.6
Determine los valores propios y sus multiplicidades algebraicas para la matriz:
 
2 −3 6
A= 0 5 −6 
0 3 −4

6
Solución Primeramente determinemos el polinomio caracterı́stico:
 
 2 − t −3 6 
 
pA (t) = det(A − t I) =  0 5−t −6 

 0 3 −4 − t 

desarrollado sobre la primer columna queda:

 
 5−t −6 
pA (t) = (2 − t) · 

3 −4 − t 
= (2 − t) · ((5 − t) · (−4 − t) − (3)(−6))
= −4 + 3 t2 − t3
factorizando tenemos:
pA (t) = −(t − (−1)) · (t − 2)2
Por lo tanto:
Los únicos valores propios de la matriz A son t = −1 y t = 2.
La multiplicidad algebraica de t = −1 es 1.
La multiplicidad algebraica de t = 2 es 2.

24.4. Multiplicidad geométrica de un valor propio

Un resultado importante es que el conjunto de vectores invariantes asociados a un escalar es un espacio
lineal:
Teorema
Sea A una matriz cuadrada n × n y λ un escalar cualquiera entonces
Eλ = {x ∈ Rn |Ax = λx}
es un espacio lineal de Rn .

Demostración
Eλ 6= ∅
Efectivamente, como A 0 = 0 = λ 0, entonces 0 ∈ Eλ .
Eλ es cerrado bajo la suma
Sean x1 y x2 en Eλ . Por tanto, A x1 = λ x1 y A x2 = λ x2 . Por consiguiente,
A (x1 + x2 ) = A x1 + A x2
= λ x1 + λ x2
= λ (x1 + x2 )
Por tanto, x1 + x2 ∈ Eλ .
Eλ es cerrado bajo el producto
Sean x en Eλ y c ∈ R. Por tanto, A x = λ x. Por consiguiente,
A (c x) = c · A x
= c · λx
= λ (c x)
Por tanto, c x ∈ Eλ .

7
Lo anterior prueba que Eλ es un espacio lineal 

Siendo λ un valor propio, el anterior conjunto que se llama el espacio invariante o espacio propio o eigenespacio
asociado a λ y es un espacio lineal diferente de {0} ası́ tiene dimensión mayor que cero: la dimensión del
espacio anterior se llamará multiplicidad geométrica o dimensión geométrica del valor propio λ. Note que Eλ
corresponde al espacio nulo de la matriz A − λ I. Ası́ pues la dimensión geométrica de λ es el número de
columnas sin pivote en la matriz reducida que se obtiene de A − λ I.
Ejemplo 24.7
Determine los valores propios y sus multiplicidades geométricas para la matriz:
 
−1 1 −3 −7
 0 −3 4 4 
A=  0 −2

3 2 
0 0 0 1
Solución
Primeramente determinemos el polinomio caracterı́stico:
pA (t) = det(A − t I)
= 1 − 2 t2 + t4
= (t − 1)2 (t − (−1))2
De lo anterior concluimos que los únicos valores propios son t1 = −1 y t2 = 1 y que ambos tienen multiplicidad
algebraica 2. Determinemos ahora sus multiplicidades geométricas:
Para t1 = −1
Al resolver [A − t1 I|0] tenemos:  
0 1 0 0 0
 0 0 1 0 0 
[A − t1 I|0] → 
 0 0 0 1 0 


0 0 0 0 0
Al haber una columna sin pivote hay una variable libre, concluimos que la dimensión geométrica de t1 = −1
es 1.
Para t2 = 1
Al resolver [A − t2 I|0] tenemos:
 
1 0 1 3 0
 0 1 −1 −1 0 
[A − t2 I|0] → 
 0 0

0 0 0 
0 0 0 0 0
Al haber dos columnas sin pivote hay dos variable libres, concluimos que la dimensión geométrica de t2 = 1
es 2 

Ejemplo 24.8
Determine la multiplicidad algebraica y geométrica de cada uno de los valores propios de la siguiente matriz
3 −1 5 5 0 0
 
 0
 4 −5 −5 0 0 

 −1 −2 0 −4 0 0 
A= 
 1
 2 −1 3 0 0 

 2 4 −2 8 −1 0 
3 6 −3 12 0 −1

8
Solución
El polinomio caracterı́stico de A es:
pA (t) = det(A − t I) = −48 − 104 t − 35 t2 + 40 t3 + 10 t4 − 8 t5 + t6
y sus raı́ces son
t1 = 3, t2 = 4, t3 = 4, t4 = −1, t5 = −1, t6 = −1
Análisis de t = 3
Como t = 3 aparece como raı́z una sola vez, entonces su multiplicidad algebraica es 1. Para determinar su
multiplicidad geométrica analicemos
1 0 0 0 0 1/3 0
 
 0 1 0 0 0 0 0 
 
 0 0 1 0 0 1/3 0 
[A − (3) I|0] →  
 0 0
 0 1 0 −1/3 0 

 0 0 0 0 1 −2/3 0 
0 0 0 0 0 0 0
de donde todos los vectores propios asociados a t = 3 son de la forma:
c < −1/3, 0, −1/3, 1/3, 2/3, 1 >′ , c 6= 0
Por tanto, la multiplicidad geométrica de t = 3 es 1.
Análisis de t = 4
Como t = 4 aparece como raı́z dos veces, entonces su multiplicidad algebraica es 2. Para determinar su
multiplicidad geométrica analicemos
1 0 0 0 0 0 0
 
 0 1 0 0 0 0 0 
 
 0 0 1 0 0 1/3 0 
[A − (4) I|0] → 
 
 0 0 0 1 0 −1/3 0 

 0 0 0 0 1 −2/3 0 
0 0 0 0 0 0 0
de donde todos los vectores propios asociados a t = 4 son de la forma:
c < 0, 0, −1/3, 1/3, 2/3, 1 >′ , c 6= 0
Por tanto, la multiplicidad geométrica de t = 4 es 1.
Análisis de t = −1
Como t = −1 aparece como raı́z tres veces, entonces su multiplicidad algebraica es 3. Para determinar su
multiplicidad geométrica analicemos
1 0 1 0 0 0 0
 
 0
 1 −1 0 0 0 0 

 0 0 0 1 0 0 0 
[A − (−1) I|0] →  0

 0 0 0 0 0 0 

 0 0 0 0 0 0 0 
0 0 0 0 0 0 0
de donde todos los vectores propios asociados a t = −1 son de la forma:
c1 < −1, 1, 1, 0, 0, 0 >′ +c2 < 0, 0, 0, 0, 1, 0 >′ +c3 < 0, 0, 0, 0, 0, 1 >′ , c1 , c2 , c3 6= 0
Por tanto, la multiplicidad geométrica de t = −1 es 3. 

9
24.5. Resultados teóricos
Los principales resultados teóricos adicionales al hecho de que el subespacio invariante es efectivamente un
subespacio vectorial son los siguientes:
Teorema
La dimensión geométrica de un valor propio es menor o igual que la dimensión algebraica:

1 ≤ dimensión geométrica λ ≤ multiplicidad algebraica de λ (1)

Teorema
Si los vectores x1 , x2 , . . . , xk son vectores propios asociados a valores propios diferentes entonces el
conjunto formado por ellos es linealmente independiente.
Demostración
Digamos que el vector xi es vector propio asociado al valor propio λi . Supongamos que el conjunto formado
por los vectores xi es linealmente dependiente. Como el vector cero no es vector propio, los vectores dados no
son cero. Por tanto, la suposición de que sea linealmente dependiente indica que existe un vector xi que es
combinación de los anteriores en la lista. Tomemos el primero xi que es combinación de los anteriores. Ası́, xi
es combinación de
B = {x1 , x2 , . . . , xi−1 }
y el conjunto B es linealmente independiente al no ser ninguno de sus elementos combinación lineal de los
anteriores. De todo esto tenemos que existen c1 ,c2 ,. . . ,ci−1 tales que

xi = c1 x1 + c2 x2 + · · · + ci−1 xi−1

multiplicando por A lo anterior y aprovechando que los xj son valores propios asociados a λj tenemos:

λi xi = c1 λ1 x1 + c2 λ2 x2 + · · · + ci−1 λi−1 xi−1

Multiplicando primera relación por λi y restando a la segundo se tiene:

0 = c1 (λi − λ1 )x1 + c2 (λi − λ2 )x2 + · · · + ci−1 (λi − λi−1 )xi−1

Como el conjunto B es linealmente independiente, se deduce que todos los coeficientes de la relación anterior
son cero:
cj (λi − λj ) = 0, para 1 ≤ j < i
como los valores propios son todos diferentes debe cumplirse cj = 0 para 1 ≤ j < i. Por tanto, xi = 0.
Imposible. Esta contradicción indica que el conjunto no puede suponerse linealmente dependiente: debe ser
linealmente independiente. 

24.6. Procesos operativos

A continuación listamos los procesos de cálculos referentes a valores y vectores propios:
1.- Cómo saber si v es vector propio de A
Calcule vector u = A v

v es vector propio si y sólo si u es un múltiplo escalar de v. Esto se puede hacer formando la aumentada
[u|v] y reduciendo: v es vector propio si y sólo si tal sistema es consistente.

10
2.- Cómo saber si α es valor propio de A

Forme y reduzca el sistema [A − αI|0].

α es valor propio si y sólo el sistema tiene al menos una variable libre.

3.- Cómo saber si v es vector propio asociado al valor propio α de A

Calcule vector u = A v

v es vector propio asociado al valor propio α si y sólo si u = α · u.

4.- Cómo determinar todos los valores propios de una matriz A

Calcule el polinomio caracterı́stico de A, pA (t) = det(A − t I).

Obtenga todas las raı́ces de pA (t): Sólo las raı́ces reales de pA (t) son los valores propios de A.

5.- Cómo determinar todos los vectores propios de un valor propio de A

Forme y resuelva el sistema [A − αI|0].

Un vector v es vector propio asociado al valor propio α de A si y sólo si no es el vector cero y es solución
al sistema anterior.

Alternativamente, utilice su equipo computacional y determine el espacio nulo de la matriz [A − αI].

6.- Cómo determinar la multiplicidad algebraica de un valor propio de A

Calcule el polinomio caracterı́stico de A, pA (t) = det(A − t I).

Aplique división repetidamente para determinar cuántas veces divide t − α a pA (t).

El número mayor de veces es la multiplicidad algebraica de α.

7.- Cómo determinar la multiplicidad geométrica de un valor propio de A

Forme y reduzca el sistema [A − αI|0].

El número de variables libres es la dimensión o multiplicidad geométrica de α.

11