Espacios Vectoriales

Un espacio vectorial es un espacio no vacío “V” de objetos, llamados vectores,

en el que están definidas dos operaciones, llamadas suma y multiplicación por
escalares (números reales), sujetas a las 10 reglas presentes a continuación.
Las reglas deben ser validas para todos los vectores u, v, w en “V”, y para
todos los escalares c y d.
1. La suma de u y v, denotada con u + v, están en “V”.
2. u + v = v + u
3. (u +v) + w = u + (v + w)
4. Hay un vector cero en “V” tal que u + 0 = u
5. Para cada u en “V”, existe un vector – u en “V” tal que u + (- u) =0
6. El múltiplo escalar de u por c, que se denota con cu, esta en “V”.
7. c( u + v) =cu + cv
8. (c + d)u = cu + du
9. C(du) =(cd) u
10. Iu = u

Subespacios Vectoriales
Un subespacio vectorial de 𝑅 𝑛 es cualquier conjunto de H en 𝑅 𝑛 que tenga tres
propiedades:
a. El vector cero está en H (subespacio).
b. Para todo u y v en H, la suma u + v también esta en H.
c. Para todo u en H y cada escalar en K el vector ku
esta en H.

 El conjunto que consta de solo del vector cero en un

espacio vectorial “V” es un subespacio de “V”, llamado
subespacio cero, y se representa como {0}.
𝑢1 𝑣1 𝑢 +𝑣
[𝑢 ] + [𝑣 ] = [𝑢1 + 𝑣1 ]
2 2 2 2

𝑢1 𝑘𝑢
𝑘 [𝑢 ] = [ 1 ]
2 𝑘𝑢2

Ejercicio
H = Subespacio
𝟎 𝟐 −𝟔
[ ] − 𝟑[ ] = [ ]
𝟎 𝟑 −𝟗
Con un escalar negativo el vector no esta en el
conjunto H.
 Espacio de Columnas y Espacio Nulo de una Matriz

ESPACIO COLUMNA
El espacio columna de una matriz A es el conjunto de combinaciones de las
columnas de A y se representa por Col A.
𝐴 = [𝑚𝑥𝑛] 𝐴 = [𝑎1 𝑎2 𝑎3 … 𝑎𝑛 ]
𝐶𝑜𝑙 𝐴 = 𝐺𝑒𝑛 {𝑎1 𝑎2 𝑎3 … 𝑎𝑛 }
El espacio columna de una matriz mxn es un subespacio de 𝑅 𝑚 .
1 5 −1 −5 0 1 0
[2 6 −2 −6 0 1 0]
3 7 −3 −7 1 1 1
La matriz es de 4 x 7 entonces es un subespacio de 𝑅 4 .
𝐴𝑥 = 𝑏
El vector b es una combinación de las columnas de A si y solo si la ecuación Ax
= b tiene una solución.
Ejercicio 1
𝟏 −𝟑 −𝟒 𝟑
𝑨=[ 𝟒 𝟔 −𝟐] 𝒃=[ 𝟑 ]
−𝟑 𝟕 𝟔 −𝟒

1 −3 −4 3
1 −3 −4 3 1 −3 −4 3 7 1
[4 6 −2 3 ] ~ [0 18 14 −9] ~ [0 1 − ]
−3 7 6 −4 0 −2 −6 −5 9 2
0 −2 −6 −5

1 −3 −4 3 1 −3 −4 3 1 −3 −4 3
~ [0 1 7/9 −1/2] ~ [0 1 7/9 −1/2] ~ [0 1 7/9 −1/2 ]
0 0 −40/9 5 0 0 −40 36 0 0 1 −36/40

La matriz tiene solución por lo que las columnas son espacio columna de la
matriz A
3
[ 3 ] este vector es un subespacio columna
−4
Ejercicio 2
Determine si w está en el subespacio de 𝑅 3 generado por v1 y v2.
1 −2 −3
𝑣1 = [ 3 ] 𝑣2 = [−2] 𝑤 = [−3]
−4 7 10

1 −2 −3 1 −2 −3 1 −2 −3 1 −2 −3
[ 3 −3 −3] ~ [0 3 6 ] ~ [0 3 6 ] ~ [0 1 2]
−4 7 10 0 −1 −2 0 1 2 0 3 6

1 −2 −3
~ [0 1 2]
0 0 2
Tiene solución, por lo tanto, w si esta en el subespacio de 𝑅 3 generado por v1 y
v2.

Ejercicio 3
Sea
2 −3 −4 6
𝑣1 = [−8] 𝑣2 = [ 8 ] 𝑣3 = [ 6 ] 𝑝 = [−10]
6 −7 −7 11
¿Está p en Col A?
2 −3 −4 6 1 −3/2 −2 3
[𝐴 𝑝] = [−8 8 6 −10] ~ [−8 8 6 −10]
6 −7 −7 11 6 −7 −7 11

1 −3/2 −2 3 1 −3/2 −2 3 1 −3/2 −2 3

~ [0 −4 −10 14 ] ~ [0 1 5/2 −7/2] ~ [0 1 5/2 −7/2]
0 2 5 −7 0 2 5 −7 0 0 0 0

Tiene solución, AX = por lo tanto, p si está en Col A.

ESPACIO NULO

El espacio nulo de una matriz A es el conjunto Nul A de todas las soluciones

posibles para la ecuación homogénea Ax = 0
Cuando A tiene n columnas, las soluciones de Ax = 0 pertenece a 𝑅 𝑛 , y el
espacio nulo de A es un subconjunto de 𝑅 𝑛 . De hecho, Nul A tiene las
propiedades de un subespacio de matrices de 𝑅 𝑛 .
El espacio nulo de una matriz A de mxn es un subespacio de 𝑅 𝑛 . De manera
equivalente, el conjunto de todas las soluciones posibles para un sistema Ax =
0 de m ecuaciones lineales homogéneas con “n” incógnitas es un subespacio
de 𝑅 𝑛 .

Ejercicio 1
Determine si p esta en Nul A
2 −3 −4 6
𝐴 = [−8 8 6] 𝑝 = [−10]
6 −7 7 11

(2)(6) + (−3)(−10) + (−4)(11) 12 + 30 − 44 −2

[ (−8)(6) + (8)(−10) + (6)(11) ] = [−48 − 80 + 66] = [−62]
(6)(6) + (−7)(−10) + (−7)(11) 36 + 70 − 77 29

Ap ≠ 0 por lo tanto p no esta en Nul A.

Ejercicio 2
Determine si p está en Nul A
−2 −2 0 −5
𝐴=[ 0 3 −5] 𝑝= [5]
6 3 5 3

(−2)(−5) + (−2)(5) + 0 10 − 10 0
[ 0 + (3)(5) + (−5)(3) ] = [ 15 − 15 ] = [0 ]
(6)(−5) + (3)(5) + (5)(3) −30 + 15 + 15 0

Au = 0 por lo tanto u si está en Nul A.

Ejercicio 3
Encuentre un vector diferente de cero en Nul A y un vector diferente de cero en
Col A.
3 2 1 −5
𝐴 = [−9 −4 1 7 ]
9 2 −5 1

3 2 1 −5 0 1 2/3 1/3 −5/3 0 1 2/3 1/3 −5/3 0

[−9 −4 1 7 0] ~ [−9 −4 1 7 0 ] ~ [0 1 2 −4 0]
9 2 −5 1 0 9 2 −5 1 0 0 −4 −8 16 0

1 2/3 1/3 −5/3 0 1 0 −1 1 0

~ [0 1 2 −4 0] ~ [0 1 2 −4 0]
0 0 0 0 0 0 0 0 0 0

𝑥1 − 𝑥3 + 𝑥4 = 0
𝑥2 + 2𝑥3 − 4𝑥4 = 0
La solución es:
𝑥1 = 𝑥3 − 𝑥4
𝑥2 = −2𝑥3 + 4𝑥4
En donde 𝑥3 y 𝑥4 son variables libres.
1
𝑣 = [−2] 𝑒𝑛 𝑁𝑢𝑙 𝐴
1
0

Base para un Subespacio

Una base de un subespacio H de 𝑅 𝑛 es un conjunto linealmente independiente
en H, que genera a H.
Las columnas de una matriz invertible de n x n forman una base para toda 𝑅 𝑛
ya que son linealmente independientes y generan a 𝑅 𝑛 .
Una matriz de este tipo es la matriz identidad de n x n. Sus columnas se
denotan mediante 𝑒1 𝑒2 … . . 𝑒𝑛 .
Ejemplo 1
Encuentre una base para el espacio nulo de la matriz
−3 6 −1 1 −7
𝐴 = [ 1 −2 2 3 −1]
2 −4 5 8 4

−3 6 −1 1 −7 0 1 −2 2 3 −1 0 1 −2 2 3 −1 0
[ 1 −2 2 3 −1 0] ~ [−3 6 −1 1 −7 0] ~ [0 0 5 10 −10 0]
2 −4 5 8 4 0 2 −4 5 8 4 0 0 0 1 2 6 0

1 −2 2 3 −1 0 1 −2 2 3 −1 0 1 −2 0 −1 3 0
~ [0 0 1 2 −2 0] ~ [0 0 1 2 −2 0] ~ [0 0 1 2 −2 0]
0 0 1 2 6 0 0 0 0 0 0 0 0 0 0 0 0 0

𝑥1 − 2𝑥2 − 𝑥4 + 3𝑥5 = 0
𝑥3 + 2𝑥4 − 2𝑥5 = 0
𝑥1 2 1 −3
𝑥2 1 0 0
𝑥3 = 𝑥2 0 + 𝑥4 −2 + 𝑥5 2
𝑥4 0 1 0
[ 𝑥 5] [0] [0] [1]
La dimensión de un subespacio

la dimensión de un subespacio H diferente de cero, que se denota mediante

dim H, es el número de vectores en cualquier base para H. La dimensión del
subespacio cero {0} es, por definición, cero.
 El espacio 𝑅 𝑛 tiene dimensión n. Cada base para 𝑅 𝑛 consiste en n
vectores. Un plano a través de 0 en 𝑅 3 es bidimensional, y una recta que
pasa a través de 0 es unidimensional.

 La dimensión del espacio nulo, dim Nul A va a ser igual al numero de

variables libres del sistema.

 La dimensión del espacio columna, dim Col A es igual al número de

columnas pivotes que tenga la matriz reducida.

El Rango
El rango de una matriz A, que se denota como rango de A, es la dimensión del
espacio columna de A.
El Teorema del Rango
Si una matriz A tiene n columnas, entonces rango A + dim Nul A = n

Ejercicio 1
1 2 −4 3 −2 6 0
𝐴 = [0 0 0 1 0 −3 7 ]
0 0 0 0 1 4 −2
0 0 0 0 0 0 1

𝐶𝑜𝑙 𝐴 = 4 𝑝𝑜𝑟𝑞𝑢𝑒 𝑒𝑛 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑒𝑥𝑖𝑠𝑡𝑒𝑛 4 𝑝𝑜𝑠𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑖𝑣𝑜𝑡𝑒.

𝑁𝑢𝑙 𝐴 = 3 𝑝𝑜𝑟𝑞𝑢𝑒 𝑒𝑛 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑒𝑥𝑖𝑠𝑡𝑒𝑛 3 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑙𝑖𝑏𝑟𝑒𝑠.
dim 𝐶𝑜𝑙 𝐴 = 4 dim 𝑁𝑢𝑙 𝐴 = 3
Ejercicio 2
3 2
𝐴=[ ]
−6 5
3 2 1 2/3 0 1 2/3 0
[ ] ~ [ ] ~ [ ]
−6 5 −6 5 0 0 9 0
1 2/3 0 1 0 0
~ [ ] ~ [ ]
0 1 0 0 1 0

𝐶𝑜𝑙 𝐴 = 2 𝑝𝑜𝑟𝑞𝑢𝑒 𝑒𝑛 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑒𝑥𝑖𝑠𝑡𝑒𝑛 2 𝑝𝑜𝑠𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑖𝑣𝑜𝑡𝑒.

𝑁𝑢𝑙 𝐴 = 0 𝑝𝑜𝑟𝑞𝑢𝑒 𝑒𝑛 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑛𝑜 𝑒𝑥𝑖𝑠𝑡𝑒𝑛 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑙𝑖𝑏𝑟𝑒𝑠.
Dim 𝐶𝑜𝑙 𝐴 = 2 dim 𝑁𝑢𝑙 𝐴 = 0
Ejercicio 3
1 1 −1
𝐴 = [0 2 0 ]
0 0 0
𝐶𝑜𝑙 𝐴 = 2 𝑝𝑜𝑟𝑞𝑢𝑒 𝑒𝑛 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑒𝑥𝑖𝑠𝑡𝑒𝑛 2 𝑝𝑜𝑠𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑖𝑣𝑜𝑡𝑒.
𝑁𝑢𝑙 𝐴 = 1 𝑝𝑜𝑟𝑞𝑢𝑒 𝑒𝑛 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑒𝑥𝑖𝑠𝑡𝑒𝑛 1 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑙𝑖𝑏𝑟𝑒𝑠.
Dim 𝐶𝑜𝑙 𝐴 = 2 dim 𝑁𝑢𝑙 𝐴 = 1
El teorema de la matriz invertible
Sea A un matriz de n x n. En tal caso, cada uno de los siguientes enunciados
es equivalente al enunciado de que A es una matriz invertible.
a. Las columnas de A forman una base de 𝑅 𝑛 .
b. Col A = 𝑅 𝑛
c. Dim Col A = n
d. Rango A = n
e. Nul A = {0}
f. Dim Nul A = 0

La dimensión de un Espacio Vectorial

Si un espacio vectorial V tiene una base 𝛽 = {𝑏1 , … … , 𝑏𝑛 }, entonces cualquier

conjunto en V que contenga más de n vectores debe ser linealmente
dependiente.
 Si un espacio vectorial V tiene una base de n vectores, entonces toda
base de V debe consistir exactamente en n vectores.

Ejercicio 1:
Para cada subespacio encuentre una base para el subespacio e indique la
dimensión.
2𝑎
{[−4𝑏 ] ∶ 𝑎, 𝑏 𝑒𝑛 𝑅}
−2𝑎
2 0
𝑣1 (𝑎) = [ 0 ] 𝑣2 (𝑏) = [−4]
−2 0
dim 𝐻 = 2
Ejercicio 2:
Para cada subespacio encuentre una base para el subespacio e indique la
dimensión.
𝑝 + 2𝑞
−𝑝
{[ ] ∶ 𝑝, 𝑞 𝑒𝑛 𝑅}
3𝑝 − 𝑞
𝑝+𝑞
1 2
−1
𝑣1 (𝑝) = [ ] 𝑣2 (𝑞) = [ 0 ]
3 −1
1 1
dim 𝐻 = 2
Ejercicio 3:
Para cada subespacio encuentre una base para el subespacio e indique la
dimensión.
3𝑎 − 𝑐
{[ −𝑏 − 3𝑐 ] ∶ 𝑎, 𝑏, 𝑐 𝑒𝑛 𝑅}
−7𝑎 + 6𝑏 + 5𝑐
−3𝑎 + 𝑐
3 0 −1
𝑣1 (𝑎) = [ 0 ] −1
𝑣2 (𝑏) = [ ] 𝑣3 (𝑐) = [−3]
−7 6 5
−3 0 1
dim 𝐻 = 3
Ejemplo:
Suponga que la matriz A es equivalente por filas a B, sin hacer cálculos liste
rango de A y dim Nul A. luego, encuentre las bases para Col A, Fila A y Nul A.
1 3 5 −1 2 1 3 4 −1 2
𝐴 = [2 6 6 0 −3] 𝐵 = [0 0 1 −1 1 ]
3 9 3 6 −3 0 0 0 0 −5
3 9 0 9 0 0 0 0 0 0
dim 𝐶𝑜𝑙 𝐴 = 3
dim 𝑁𝑢𝑙 𝐴 = 2
rango 𝐴 = 3

1 4 2
2 6 −3
𝐵𝑎𝑠𝑒 𝑝𝑎𝑟𝑎 𝐶𝑜𝑙 𝐴 = {[ ] , [ ] , [ ]}
3 3 −3
3 0 0

Base para Nul A

1 3 4 −1 2 1 3 4 −1 2 1 3 0 3 0
[0 0 1 −1 1 ] ~ [0 0 1 −1 1] ~ [0 0 1 −1 0]
0 0 0 0 −5 0 0 0 0 1 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 Ortogonalidad y Diagonalización

Valor Propio o Eigen Valor

Un valor propio de una matriz A de n x n es un vector distinto de cero x tal que
𝐴𝑥 = λx para algún escalar 𝜆. Un escalar 𝜆 es un valor propio de A si existe
una solución no trivial x de 𝐴𝑥 = λx, tal x es el vector propio correspondiente a
𝜆.
 Los valores propios de un matriz triangular son las entradas sobre su
diagonal principal.
Ejercicio 1
1 6
𝐴= [ ]
5 2
6 3
𝑢=[ ] 𝑣=[ ]
−5 −2
¿U es un eigen vector de la matriz A?
𝐴𝑥 = 𝜆𝑥
𝐴𝑢 = 𝜆𝑢
1 6 6 (1)(6) + (6)(−5) 6 − 30 −24
[ ][ ] = [ ]= [ ] = [ ]
5 2 −5 (5)(6) + (2)(−5) 30 − 10 20
6
−4 [ ] 𝜆 = −4
−5
-4 es un eigen valor de la matriz A por lo tanto u es un eigen vector.
Ejercicio 2
Es el 7 un eigen valor de la matriz A
1 6
𝐴= [ ]
5 2
𝐴𝑥 = 𝜆𝑥
𝐴𝑥 = 7𝑥
𝐴𝑥 − 7𝑥 = 0
(𝐴 − 7𝐼)𝑥 = 0
 Sera un eigen valor siempre y cuando la resolución al sistema
homogéneo no me dé la solución trivial.
1 6 1 0
([ ] − 7[ ]) 𝑥 = 0
5 2 0 1
1 6 7 0
([ ]−[ ]) 𝑥 = 0
5 2 0 7
 −6 6
[ ]𝑥 = 0
5 −5
−6 6 𝑥1 0
[ ][ ] = [ ]
5 −5 𝑥2 0
−6 6 0 1 −1 0 1 −1 0
[ ] ~ [ ] ~ [ ]
5 −5 0 5 −5 0 0 0 0
El 7 si es un eigen valor de la matriz A porque no tiene la solución trivial.

 Un eigen espacio, se le llama así al espacio nulo.

 Los vectores que forman la base del eigen espacio, son los eigen
vectores.
Ejercicio 3
Comprobar que el 2 es un eigen valor de la matriz A y hallar el eigen espacio,
relacionar los vectores.
4 −1 6
𝐴 = [2 1 6] 𝜆=2
2 −1 8
𝐴𝑥 = 𝜆𝑥
(𝐴 − 𝜆𝐼)𝑥 = 0
(𝐴 − 2𝐼)𝑥 = 0
4 −1 6 1 0 0
([2 1 6] − 2 [0 1 0]) 𝑥 = 0
2 −1 8 0 0 1
4 −1 6 2 0 0
([2 1 6] − [0 2 0]) 𝑥 = 0
2 −1 8 0 0 2
2 −1 6
[2 −1 6] 𝑥 = 0
2 −1 6
2 −1 6 𝑥1 0
𝑥
[2 −1 6] [ 2 ] = [ 0]
2 −1 6 𝑥3 0
2 −1 6 0 1 −1/2 3 0 1 −1/2 3 0
[2 −1 6 0] ~ [2 −1 6 0] ~ [0 0 0 0]
2 −1 6 0 2 −1 6 0 0 0 0 0

1
𝑥1 − 𝑥2 − 3𝑥3 = 0
2
Como no se obtuvo la solución trivial el 2 si es un eigen valor de la matriz A.
 𝑥1 1 1
𝑥2 + 3𝑥3 3
[ 𝑥2 ] = [ 2 𝑥 ] = 𝑥2 [ 2] + 𝑥 [ 0]
3
𝑥3 2 1
𝑥3 1
0
1
3
𝐵𝑎𝑠𝑒 𝑁𝑢𝑙 𝐴 = 𝑒𝑖𝑔𝑒𝑛 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 = {[ 2] , [ 0]}
1
1
0

 Si tenemos una matriz triangular, es decir aquella que por debajo y

sobre su diagonal principal sus valores son cero, entonces
automáticamente se cuales son los eigen valores. Los eigen valores
serán los elementos de la diagonal principal.
Ejemplo:
3 6 8
𝐴 = [0 0 6]
0 0 2
𝜆1 = 3 𝜆2 = 0 𝜆3 = 2
 Si existe un eigen valor cero, lo que no puede existir es un eigen vector
cero.

La ecuación característica

Información útil acerca de los valores propios de una matriz cuadrada A está
codificada en una ecuación escalar especial llamada ecuación característica de
A.
(𝑨 − 𝝀𝑰)𝒙 = 𝟎, no tiene que ser invertible. Lo que quiere decir es que el
determinante 𝑑𝑒𝑡(𝑨 − 𝝀𝑰) = 0.
Con un ejemplo se demostrará claramente estas condiciones.
Similitud
Si las matrices A y B de n x n son similares, entonces tienen el mismo
polinomio característico y, por lo tanto, los mismos valores propios (con las
mismas multiplicidades)
El teorema de la matriz invertible (continuación)
Sea A una matriz de n _ n. Entonces, A es invertible si y solo si:
a) El número 0 no es un valor propio de A.
b) El determinante de A no es cero.
Propiedades de los determinantes
Sean A y B matrices de n x n.
a) A es invertible si y solo si det 𝐴 ≠ 0.
b) det (𝐴𝐵) = (det 𝐴) (det 𝐵).
c) det 𝐴𝑇 = det 𝐴.
d) Si A es triangular, entonces det 𝐴 es el producto de las entradas sobre la
diagonal
principal de A.
e) La operación de remplazo de filas sobre A no cambia el determinante. Un
intercambio de filas cambia el signo del determinante. Un escalamiento de filas
también escala al determinante por el mismo factor de escala.
𝐴𝑥 = 𝜆𝑥
(𝐴 − 𝜆𝐼)𝑥 = 0
Ejercicio 1
2 3
𝐴= [ ]
3 −6
2 3 1 0
([ ]− 𝜆[ ]) 𝑥 = 0
3 −6 0 1
2−𝜆 3
[ ]𝑥 = 0
3 −6 − 𝜆
2−𝜆 3
| |
3 −6 − 𝜆
(2 − 𝜆)(−6 − 𝜆) − (9) = 0
−12 − 2𝜆 + 6𝜆 + 𝜆2 − 9 = 0
𝜆2 + 4𝜆 − 21 = 0 → 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
(𝜆 + 7)(𝜆 − 3) = 0
𝜆+7=0 𝜆−3 =0
𝜆 = −7 𝜆 = 3 → 𝐸𝑖𝑔𝑒𝑛 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴
Ejercicio 2

 5 2 6 1
0 3 8 0 
A 
0 0 5 4 
 
0 0 0 1
(𝑨 − 𝝀𝑰)𝒙 = 𝟎

  5 2 6 1 1 0 0 0 
   
 0 3 8 0   0 1 0 0 
x0
 0 0 5 4  0 0 1 0 
    
 0 0 0 1 0 0 0 1 

  5 2 6 1  0 0 0  
 
 0 3 8 0  0  0 0 
 x0
 0 0 5 4   0 0  0  
     
 0 0 0 1  0 0 0   

 5   2 6 1 
 
 0 3   8 0   0
𝑑𝑒𝑡(𝑨 − 𝝀𝑰) 
 0 0 5 4 
  
 0 0 0 1    

El determinante de una matriz triangular, no es nada más que multiplicar su

diagonal principal.
(5 − 𝜆)(3 − 𝜆)(5 − 𝜆)(1 − 𝜆) = 0
𝜆4 − 14𝜆3 + 68𝜆2 − 130𝜆 + 75 = 0 Ecuación característica.
Se factoriza para obtener los eigen valores.
(5 − 𝜆)(3 − 𝜆)(5 − 𝜆)(1 − 𝜆) = 0
𝜆1 = 5 𝜆2 = 3 𝜆3 = 5 𝜆4 = 1
El eigen valor 5 tiene multiplicidad (2).

Diagonalización

La información valor propio-vector propio contenida en una matriz A se

presenta en una factorización útil de la forma 𝐴 = 𝑃𝐷𝑃 −1 donde D es una
matriz diagonal. La factorización permite calcular rápidamente las potencias 𝐴𝑘
para valores grandes de k.
 5 0 5 0 5 0 2
Si 𝐷 = [ ], entonces 𝐷2 = [ ][ ] = [5 0 ]. En general:
0 3 0 3 0 3 0 32
𝑘
𝐷 𝑘 = [5 0 ] 𝑝𝑎𝑟𝑎 𝑘 ≥ 1
0 3𝑘
Si 𝐴 = 𝑃𝐷𝑃 −1 para alguna P invertible con D diagonal, entonces 𝐴𝑘 es también
fácil de calcular.

Ejemplo 1
Diagonalice la siguiente matriz si es posible.

 1 3 3
A   3 5 3
 3 3 1

Esto es, encuentre una matriz invertible P y una matriz diagonal D tales que
𝐴 = 𝑃𝐷𝑃−1 .
Se requiere cuatro pasos para resolver según la teoría.
Paso 1. Encontrar los valores propios de A. cuando la matriz es mayor de 2
x 2 es necesario de una computadora con los recursos necesarios como el
software pertinente.
En el presente caso, resulta que la ecuación característica contiene un
polinomio cubico al cual se puede factorizar:
0 = det(𝐴 − 𝜆𝐼) = −𝜆3 − 3𝜆2 + 4
0 = −(𝜆 − 1)(𝜆 + 2)2
Los eigen valores son 𝜆1 = 1, 𝜆2 = −2
Paso 2. Encontrar tres vectores propios de A linealmente independientes.
Se necesitan tres vectores porque A es una matriz de 3 x 3. Este es el paso
crítico. Si falla, entonces no se puede diagonalizar.

 1
Base para 𝜆 = 1 v1   1
 1

 1  1
Base para 𝜆 = −2 v2   1 y v3   0 
 0   1

Puede comprobarse que {𝑣1 , 𝑣2 , 𝑣3 } es un conjunto linealmente independiente.

Paso 3. Estructurar P a partir de los vectores del paso anterior. El orden de
los vectores no tiene importancia.
  1 1 1
P   v1 v2 v3    1 1 0 
 1 0 1

Paso 4. Estructurar D a partir de los valores propios correspondientes. En

este paso, resulta esencial que el orden de los valores propios corresponda al
orden elegido para las columnas de P. utilice el valor propio 𝜆 = −2 dos veces,
una para cada uno de los vectores propios correspondientes a 𝜆 = −2;

 1 0 0
D  0 2 0
0 0 2

Es recomendable comprobar que P y D realmente funcionen. Para evitar

calcular 𝑃 −1, simplemente verifique si 𝐴𝑃 = 𝑃𝐷. Esto equivale a 𝐴 = 𝑃𝐷𝑃−1
cuando P es invertible, (comprobar si P es invertible).

 1 3 3  1 1 1  1 2 2
AP   3 5 3 * 1 1 0  1 2 0
 3 3 1  1 0 1  1 0 2

 1 1 1  1 0 0  1 2 2
PD   1 1 0 * 0 2 0    1 2 0 
 1 0 1 0 0 2   1 0 2 

Dado que la multiplicación de estas matrices es igual, la matriz A es

diagonalizable.
Ejemplo 2
¿La siguiente matriz es diagonalizable?

 2 4 3
A   4 6 3
 3 3 1

1. Encontrar eigen valores.

2   4 3
 3
 4 6  
det(𝐴 − 𝜆𝐼)=
 3 3 1   

4 3 2 3 2 4
det(𝐴 − 𝜆𝐼)= 3*  3*  (1   )*
6   3 4 3 4 6  
det(𝐴 − 𝜆𝐼) = 3[−12 − (3(−6 − 𝜆)] − 3[−3(2 − 𝜆) + 12] + (1
− 𝜆)[(2 − 𝜆)(−6 − 𝜆) + 16]

det(𝐴 − 𝜆𝐼) = −36 − 9(−6 − 𝜆) + 9(2 − 𝜆) − 36 + (1 − 𝜆)(2 − 𝜆)(−6 − 𝜆)

+ 16(1 − 𝜆)
det(𝐴 − 𝜆𝐼) = −72 + 54 + 9𝜆 + 18 − 9𝜆 + 16(1 − 𝜆) + (1 − 𝜆)(2 − 𝜆)(−6 − 𝜆)

det(𝐴 − 𝜆𝐼) = 16(1 − 𝜆) + (1 − 𝜆)(2 − 𝜆)(−6 − 𝜆)

det(𝐴 − 𝜆𝐼) = (1 − 𝜆)[16 + (1 − 𝜆)(2 − 𝜆)(−6 − 𝜆)]

det(𝐴 − 𝜆𝐼) = (1 − 𝜆)[4 + 4𝜆 + 𝜆2 ]

det(𝐴 − 𝜆𝐼) = −(𝜆 + 1)(𝜆 + 2)2

0 = −𝜆3 − 3𝜆2 + 4, Ecuación característica.

0 = −(𝜆 − 1)(𝜆 + 2)2

Los eigen valores son 𝜆1 = 1, 𝜆2 = −2

 1
Base para 𝜆 = 1 v1   1
 1

 1
Base para 𝜆 = −2 v2   1
 0 

No existen otros valores propios, y cada vector propio de A es un múltiplo ya

sea de 𝑣1 𝑜 𝑑𝑒 𝑣2 . Por lo tanto, es imposible construir una base para 𝑅 3 usando
vectores propios de A. entonces no es diagonalizable.