FACULTAD DE INGENIERIA

ESCUELA CIVIL
ÁLGEBRA LINEAL

CAPÍTULO 5:

VECTORES PROPIOS Y VALORES

PROPIOS
ALUMNA:

DIANA CRISTINA CÁRDENAS

VÁZQUEZ
PROFESOR:
ING. HERNÁN PESANTEZ.
 INGENIERIA CIVIL

SEP. 2011- MAR. 2012

Introducción:
Los valores y vectores propios pertenecen a los temas de mayor utilidad del
álgebra lineal. Se usan en varias áreas de las matemáticas, física, mecánica,
ingeniería eléctrica y nuclear, hidrodinámica, aerodinámica, etc. De hecho, es raro
encontrar un área de la ciencia aplicada donde nunca se hayan usado.

Puede parecer muy extraño, pero los valores propios de las matrices aparecieron
publicados antes que las matrices. Esto se debe al hecho insólito de que,
parafraseando a Cailey, la teoría de las matrices estaba bien desarrollada (a través
de la teoría de los determinantes) antes de que siquiera se definieran las matrices.
Según Morris Kline, los valores propios se originaron en el contexto de formas
cuadráticas y en la mecánica celeste (el movimiento de los planetas), conociéndose
como raíces características de la ecuación escalar. Desde aproximadamente 1740,
Euler usaba de manera implícita los valores propios para describir
geométricamente las formas cuadráticas en tres variables.

En la década de 1760, Lagrange estudió un sistema de seis ecuaciones diferenciales

del movimiento de los planetas (sólo se conocían seis) y de ahí dedujo una
ecuación polinomial de sexto grado, cuyas raíces eran los valores propios de una
matriz 6x6. En 1820, Cauchy se dio cuenta de la importancia de los valores propios
para determinar los “ejes principales” de una forma cuadrática con n variables.
También aplicó sus descubrimientos a la teoría del movimiento planetario. Fue
Cauchy quien, en 1840, usó por primera vez los términos valores característicos y
ecuación característica para indicar los valores propios y la ecuación polinomial
básica que satisfacen.
 INGENIERIA CIVIL

Objetivos:

Al terminar el estudio de este capítulo usted podrá estar en capacidad

de
1. Formular la definición de Valor propio y de Vector propio.
2. Enunciar e interpretar el significado del teorema sobre la
condición de subespacio vectorial, de un subconjunto de vectores
propios.
3. Enunciar e interpretar el significado del teorema relativo a
vectores propios pertenecientes a sub-espacios propios diferentes
4. Aplicar los resultados de las definiciones y teoremas estudiados, a
la determinación de los valores propios y de los sub-espacios
propios.
5. Formular la definición de base propia.
6. Enunciar e interpretar el significado del teorema sobre la
diagonalización, en el caso de que los valores propios sean reales
y desiguales.
7. Aplicar los resultados del teorema anterior a la resolución de
ejercicios.
 INGENIERIA CIVIL

CONTENIDO:
INTRODUCCIÓN BIOGRÁFICA

1. Valores propios y vectores propios (eigenvalores y

eigenvectores) de matrices reales y complejas.

2. Diagonalización de matrices.

3. Matrices simétricas y diagonalización ortogonal.

4. Potencias de matrices. Ecuaciones en diferencias.

5. Matrices unitarias, matrices normales y matrices

hermitianas.

6. Aplicaciones:
 Crecimiento de una población.
 Formas cuadráticas.
 INGENIERIA CIVIL

INTRODUCCIÓN BIOGRÁFICA:

CARL FRIEDRICH GAUSS

Johann Carl Friedrich Gauss nació en la ciudad de

Braunschweig (Brunswick), Alemania, el 30 de abril
de 1777, en una familia muy pobre: Su abuelo era allí
un humilde jardinero y repartidor. Nunca pudo
superar la espantosa miseria con la que siempre
convivió. De pequeño, Gauss fue respetuoso y
obediente y, en su edad adulta, nunca criticó a su
padre por haber sido tan rudo y violento, que murió
poco después de que Gauss cumpliera 30 años.

Desde muy pequeño, Gauss mostró su talento para

los números y para el lenguaje. Aprendió a leer solo
y, sin que nadie lo ayudara, aprendió muy rápido la aritmética desde muy
pequeño. En 1784, a los siete años de edad, ingresó en la escuela primaria de
Brunswick donde daba clases un profesor llamado Büttner. Se cuenta la anécdota
de que, a los dos años de estar en la escuela, durante la clase de Aritmética, el
profesor propuso el problema de sumar los números de una progresión
aritmética.[1] Gauss halló la respuesta correcta casi inmediatamente diciendo
«Ligget se'» (ya está). Al acabar la hora se comprobaron las soluciones y se vio que
la solución de Gauss era correcta, mientras que no lo eran muchas de las de sus
compañeros.

Desde que Gauss conoció a Bartels, se aceleraron sus progresos en Matemáticas.

Ambos estudiaban juntos, se apoyaban y se ayudaban para descifrar y entender los
manuales que tenían sobre álgebra y análisis elemental. En estos años se
empezaron a gestar algunas de las ideas y formas de ver las matemáticas, que
caracterizaron posteriormente a Gauss. Se dio cuenta, por ejemplo, del poco rigor
 INGENIERIA CIVIL
en muchas demostraciones de los grandes matemáticos que le precedieron, como
Newton, Euler, Lagrange y otros más.

A los 12 años ya miraba con cierto recelo los fundamentos de la Geometría, y a los
16 tuvo sus primeras ideas intuitivas sobre la posibilidad de otro tipo de
geometría. A los 17 años, Gauss se dio a la tarea de completar lo que, a su juicio,
habían dejado a medias sus predecesores en materia de teoría de números. Así
descubrió su pasión por la Aritmética, área en la que poco después tuvo sus
primeros triunfos. Su gusto por la aritmética prevaleció por toda su vida, ya que
para él “La Matemática es la reina de las ciencias y la Aritmética es la reina de las
Matemáticas”. Gauss tenía 14 años cuando conoció al duque Ferdinand. Éste
quedó fascinado por lo que había oído del muchacho, y por su modestia y timidez.
Decidió solventar todos los gastos de Gauss para asegurar que su educación
llegara a buen fin.

Al año siguiente de conocer al duque, Gauss ingresó al Colegio Carolino para

continuar sus estudios, y lo que sorprendió a todos fue su facilidad para las
lenguas. Aprendió y dominó el griego y el latín en muy poco tiempo. Estuvo tres
años en el Colegio Carolino y, al salir, no tenía claro si quería dedicarse a las
matemáticas o a la filología. En esta época ya había descubierto su ley de los
mínimos cuadrados. Este trabajo marca el interés de Gauss por la teoría de errores
de observación y su distribución.

n 1796 demostró que se puede dibujar un polígono regular de 17 lados con regla y
compás.

Fue el primero en probar rigurosamente el teorema fundamental del álgebra

(disertación para su tesis doctoral en 1799), aunque una prueba casi completa de
dicho teorema fue hecha por Jean Le Rond d'Alembert anteriormente.

En 1801 publicó el libro Disquisitiones Arithmeticae, con seis secciones dedicadas a

la Teoría de números, dándole a esta rama de las matemáticas una estructura
sistematizada. En la última sección del libro expone su tesis doctoral. Ese mismo
año predijo la órbita de Ceres aproximando parámetros por mínimos cuadrados.

En 1809 fue nombrado director del Observatorio de Göttingen. En este mismo año
publicó Theoria motus corporum coelestium in sectionibus conicis Solem
ambientium describiendo cómo calcular la órbita de un planeta y cómo refinarla
posteriormente. Profundizó sobre ecuaciones diferenciales y secciones cónicas.

Gauss murió en Göttingen el 23 de febrero de 1855.

 INGENIERIA CIVIL

DAVID HILBERT

Hilbert nació en Königsberg, en Prusia Oriental (actual Kaliningrado, Rusia). Se

graduó en el liceo de su ciudad natal y se matriculó en la Universidad de
Königsberg ("Albertina"). Obtuvo su doctorado en 1885, con una disertación,
escrita bajo supervisión de Ferdinand von
Lindemann, titulada Über invariante Eigenschaften
specieller binärer Formen, insbesondere der
Kugelfunctionen ("Sobre las propiedades invariantes
de formas binarias especiales, en particular las
funciones circulares"). Hermann Minkowski coincidió
con Hilbert en la misma universidad y momento
como doctorando, y llegaron a ser amigos íntimos,
ejerciendo uno sobre el otro una influencia recíproca
en varios momentos de sus carreras científicas.

Hilbert permaneció como profesor en la Universidad

de Königsberg de 1886 a 1895, cuando, como
resultado de la intervención en su nombre de Felix
Klein, obtuvo el puesto de Catedrático de Matemática
en la Universidad de Göttingen, que en aquél
momento era el mejor centro de investigación matemática en el mundo, donde
permanecería el resto de su vida.

(23 de enero de 1862, Königsberg, Prusia Oriental – 14 de febrero de 1943,

Göttingen, Alemania) fue un matemático alemán, reconocido como uno de los más
influyentes del siglo XIX y principios del XX. Estableció su reputación como gran
matemático y científico inventando o desarrollando un gran abanico de ideas,
como la teoría de invariantes, la axiomatización de la geometría y la noción de
espacio de Hilbert, uno de los fundamentos del análisis funcional. Hilbert y sus
estudiantes proporcionaron partes significativas de la infraestructura matemática
necesaria para la mecánica cuántica y la relatividad general. Fue uno de los
fundadores de la teoría de la demostración, la lógica matemática y la distinción
entre matemática y metamatemática. Adoptó y defendió vivamente la teoría de
conjuntos y los números transfinitos de Cantor.

Un ejemplo famoso de su liderazgo mundial en la matemática es su presentación

en 1900 de un conjunto de problemas que establecieron el curso de gran parte de la
investigación matemática del siglo XX. En la pugna por demostrar correctamente
 INGENIERIA CIVIL
algunos de los errores cometidos por Einstein, en la teoría general de la relatividad,
David Hilbert se adelantó a las correcciones de Einstein, sin embargo nunca quiso
otorgarse el mérito.

LEONHARD EULER

Euler nació en Basilea y en esa ciudad comenzó sus

estudios universitarios, a los 13 años. En 1723,
recibió el título de Maestro de Filosofía.

En 1726, a los 19 años de edad, finalizó su doctorado

y en julio de ese año, aceptó el cargo de profesor de
fisiología en la Academia Imperial Rusa de las
Ciencias, en San Petersburgo en donde vivió 15 años.

En el año 1741, aceptó un cargo que le ofreció

Federico II el Grande, rey de Prusia, en la Academia
de Berlín. Vivió veinticinco años en Berlín.

Euler está considerado como el principal matemático

del siglo XVIII y uno de los más grandes de todos los tiempos.

Trabajó prácticamente en todas las áreas de las matemáticas: geometría, cálculo,

trigonometría, álgebra, teoría de números, además de física continua, teoría lunar y
otras áreas de la física.

Ha sido uno de los matemáticos más prolíficos de la historia. Si se imprimiesen

todos sus trabajos, muchos de los cuales son de una importancia fundamental,
ocuparían entre 60 y 80 volúmenes.

En 1776, Catalina II de Rusia le invita a volver a la Academia de San Petersburgo;

Euler decide volver, aunque los médicos le advierten de que el riguroso clima de la
capital rusa le haría perder por completo la vista. Es recibido en San Petersburgo
como una gran personalidad.

Tal como le advirtieron los médicos, Euler perdió la vista casi por completo; sólo
conservó la capacidad de distinguir los trazos gruesos de la tiza en la pizarra, con
lo que su capacidad de trabajo no disminuyó.
 INGENIERIA CIVIL

En 1773 recobra la vista después de someterse a una operación, pero no tardará en

volverla a perder y así vivió 17 años con su ceguera. Aunque ciego no dejó sus
trabajos, primero empleaba una pizarra y más tarde dictaba a sus colaboradores las
publicaciones.

En 1777, su casa fue destruida por un incendio, pero gracias al conde de Orloff, se
salvaron sus manuscritos.

Pasó sus últimos días jugando con sus nietos y discutiendo las últimas teorías
sobre el planeta Urano.

Murió el 8 (18) de Septiembre de 1783, repentinamente, mientras fumaba y tomaba

el té con su familia. Fue enterrado en San Petersburgo.

LAGRANGE

Joseph Louis Lagrange, bautizado como Giuseppe

Lodovico Lagrangia, también llamado Giuseppe Luigi
Lagrangia o Lagrange (25 de enero de 1736 en Turín - 10
de abril de 1813 en París) fue un matemático, físico y
astrónomo italiano que después vivió en Rusia y
Francia. Lagrange trabajó para Federico II de Prusia, en
Berlín, durante veinte años. Lagrange demostró el
teorema del valor medio, desarrolló la mecánica
Lagrangiana y tuvo una importante contribución en
astronomía.

Joseph Louis de Lagrange procedía de una familia parisina que gozaba de buena
posición social. Fue educado en la universidad de Turín y no fue hasta los
diecisiete años cuando mostró interés por las matemáticas. Su entusiasmo lo
despertó la lectura de una obra del astrónomo Edmund Halley. Tras un año de
incesante trabajo era ya un matemático consumado.

Cuando tenía sólo diecinueve años envió una carta a Leonhard Euler en que
resolvió un problema, que había sido un asunto de discusión durante más de
medio siglo, mediante una nueva técnica: el cálculo de variaciones. Euler reconoció
la generalidad del método y su superioridad, y con una cortesía rara en él retuvo
un artículo que él había escrito previamente para que el joven italiano tuviera
 INGENIERIA CIVIL
tiempo para completar su trabajo, como exige la invención de un nuevo método de
cálculo. El nombre de esta rama del análisis la sugirió el propio Euler.

Este trabajo puso a Lagrange en primera línea entre los matemáticos de su época.
En 1758, con la ayuda de sus alumnos, Lagrange publicó en la Academia de Turin
la mayoría de sus primeros escritos, consistentes en los cinco volúmenes
normalmente conocidos como Miscellanea Taurinensia .

En 1761 Lagrange no tenía rival en el campo de las matemáticas; pero su trabajo

incesante durante los últimos nueve años habían afectado seriamente su salud, y
los doctores se negaron a ser responsables de su vida a menos que él se lo tomara
en serio. Aunque su salud fue temporalmente restablecida su sistema nervioso
nunca recuperó su tono y de aquí en adelante padeció constantemente ataques de
melancolía severa.

Lagrange era de mediana estatura, complexión débil, con ojos azul claro y un color
de piel pálido. Era de un carácter nervioso y tímido, detestó la controversia, y al
evitarla de buena gana permitió a otros tener crédito por cosas que él había hecho.

ARTHUR CAYLEY

(Richmond, Reino Unido, 1821-Cambridge, id., 1895)

Matemático británico. Hijo de comerciantes, los
primeros ocho años de su infancia transcurrieron en San
Petersburgo. En 1838 ingresó en el Trinity College de
Cambridge, donde estudió matemáticas y derecho.

Nombrado profesor de esta primera disciplina,

permaneció en Cambridge durante el resto de sus días.
Uno de los matemáticos más prolíficos de la historia,
Cayley publicó a lo largo de su vida más de novecientos
artículos científicos. Considerado como uno de los
padres del álgebra lineal, introdujo el concepto de matriz y estudió sus diversas
propiedades.

Con posterioridad empleó estos resultados para estudiar la geometría analítica de

dimensión n; en 1859 concluyó que la geometría métrica se encontraba incluida en
la proyectiva, noción que recogería Felix Klein en su estudio de las geometrías no
euclídeas. Entre 1854 y 1878 escribió diversos artículos en los que desarrolló por
vez primera la teoría de los invariantes.
 INGENIERIA CIVIL
AUGUSTIN-LOUIS CAUCHY

(París, 1789-Sceaux, Francia, 1857) Matemático francés. Era el mayor de los seis
hijos de un abogado católico y realista, que hubo de retirarse a Arcueil cuando
estalló la Revolución. Allí sobrevivieron de forma precaria, por lo que Cauchy
creció desnutridos y débiles.

Fue educado en casa por su padre y no ingresó en la

escuela hasta los trece años, aunque pronto empezó
a ganar premios académicos. A los dieciséis entró en
la École Polytechnique parisina y a los dieciocho
asistía a una escuela de ingeniería civil, donde se
graduó tres años después.

Su primer trabajo fue como ingeniero militar para

Napoleón, ayudando a construir las defensas en
Cherburgo. A los veinticuatro años volvió a París y
dos más tarde demostró una conjetura de Fermat
que había superado a Euler y Gauss.

Con veintisiete años ya era uno de los matemáticos de mayor prestigio y empezó a
trabajar en las funciones de variable compleja, publicando las 300 páginas de esa
investigación once años después. En esta época publicó sus trabajos sobre límites,
continuidad y sobre la convergencia de las series infinitas. En 1830 se exilió en
Turín, donde trabajó como profesor de física matemática hasta que regresó a París
(1838). Pasó el resto de su vida enseñando en La Sorbona.
 INGENIERIA CIVIL

DESARROLLO:

VALORES PROPIOS Y VECTORES PROPIOS.

1. VALORES PROPIOS Y VECTORES PROPIOS

(EIGENVALORES Y EIGENVECTORES) DE MATRICES
REALES Y COMPLEJAS.

Aunque una transformación lineal 𝑥 → 𝐴𝑥 puede mover vectores en

diversas direcciones, frecuentemente sucede que existen vectores especiales
sobre los cuales la acción de A es muy sencilla.

EJEMPLO 1:

3 −2 −1 2
Sean 𝐴 = [ ⃗ = [ ] ; 𝑣 = [ ] . Las imágenes de 𝑢
] ,𝑢 ⃗ y de 𝑣
1 0 1 1
bajo la multiplicación por A se muestra en la figura:

En realidad Av es sólo 2v; es decir, solamente estira o dilata v.

Como conclusión buscamos vectores que sean transformados por A en

múltiplos escalares de sí mismos.
INGENIERIA CIVIL
DEFINICIÓN: Un vector propio de una matriz A nxn es un vector x
diferente de cero tal que 𝐴𝑥 = 𝜆𝑥 para algún escalar λ. Un escalar λ se llama
valor propio de A si existe una solución no trivial de x de 𝐴𝑥 = 𝜆𝑥; una x tal
se llama vector propio correspondiente a λ.

Es fácil determinar si un vector dado es un vector propio de una matriz.

También es fácil decidir si un escalar específico es un valor propio.

EJEMPLO 2:

1 6 6 3
Sean 𝐴=[ ⃗ = [ ];𝑣 = [ ] .
] ,𝑢 ¿Son 𝑢
⃗ 𝑦𝑣 vectores
5 2 −5 −2
propios de A?

Solución:
1 6 6 −24 6
𝐴𝑢
⃗ =[ ][ ] = [ ] = −4 [ ] = −4𝑢
⃗
5 2 −5 20 −5

1 6 3 −9 3
𝐴𝑣 = [ ][ ] = [ ] ≠ 𝜆[ ]
5 2 −2 11 −2

⃗ Es un vector propio correspondiente a un valor propio -4,

∴ 𝑢
pero 𝑣 no es un vector propio de A, porque Av no es múltiplo de
v.

EJEMPLO 3:

Demuestre que 7 es un valor propio de A en el EJEMPLO 2 y

encuentre los vectores propios correspondientes.

Solución:
(Razonamiento) El escalar 7 es un valor propio de 𝐴 ↔ 𝐴𝑥 = 7𝑥
no tiene solución trivial.
INGENIERIA CIVIL
𝐴𝑥 − 7𝑥 = 0
(𝐴 − 7𝐼)𝑥 = 0 → 1
1 6 7 0 −6 6
∴ (𝐴 − 7𝐼) = [ ]−[ ]=[ ]=𝐵
5 2 0 7 5 −5

Las columnas de la matriz B son linealmente dependientes por

tener su det(B)=0, es por esto que no tiene solución trivial.
Entonces 7 es un valor propio de A.
Para encontrar los vectores propios correspondientes resolvemos
el sistema:
𝑥1 𝑥2 𝑏
−6 6 0
[ ]
5 −5 0

[0 0]

∴ Tenemos que 𝑥2 es un parámetro, de aquí la solución del

1
sistema es 𝑥2 = 𝑡 y 𝑥1 = 𝑡 o también 𝑥2 [ ]: cada vector de esta
1
forma con 𝑥2 ≠ 0 es vector propio correspondiente a λ=7; así por
ejemplo:

2 1 6 2 14 2
Con 𝑥2 = 2 ∴ [ ] → [ ][ ] = [ ] = 7[ ]
2 5 2 2 14 2

En este caso utilizamos eliminación continua para determinar los

vectores propios, así mismo podíamos utilizar reducción por
filas, pero no se puede usar estos métodos para encontrar valores
propios. Una forma escalonada de una matriz A generalmente no
exhibe los valores propios de A.

Podemos generalizar la “ecuación característica” 1 para

cualquier valor de λ en lugar de λ=7 ∴
INGENIERIA CIVIL
𝜆 𝑒𝑠 𝑢𝑛 𝑣𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 𝑑𝑒 𝐴 ↔ (𝐴 − 𝜆𝐼)𝑥 = 0 tiene solución no
trivial. El conjunto de todas las soluciones es precisamente el
espacio nulo de la matriz (𝐴 − 𝜆𝐼). De manera que este conjunto
es un subespacio de 𝑅𝑛 y se llama espacio propio de A
correspondiente a λ. El espacio propio consiste en los vectores
cero y todos los vectores propios correspondientes a λ.
En el ejemplo anterior se muestra que para la matriz A el espacio
propio correspondiente a λ=7 consiste en todos los múltiplos de
(1,1), o sea, la línea que pasa por (1,1) y el origen. Además
sabemos que el espacio propio correspondiente a λ=-4 es la línea
que pasa por (6,-5):

EJEMPLO 4.
INGENIERIA CIVIL
10 −18 2 3
Sean 𝐴=[ ⃗ = [ ];𝑣 = [ ] .
] ,𝑢 ¿Son 𝑢
⃗ 𝑦𝑣 vectores
6 −11 1 2
propios de A?

10 −18 2 2
∴ 𝐴𝑢
⃗ =[ ] [ ] = [ ] = 1𝑢
⃗ → 𝜆1 = 1
6 −11 1 1
De igual manera:

10 −18 3 −6
𝐴𝑣 = [ ] [ ] = [ ] = −2𝑣 → 𝜆2 = −2
6 −11 2 −4

Gráficamente tenemos los vectores 𝑢

⃗ 𝑦 𝑣:

EJEMPLO 5:

Encuentre los valores propios o eigenvalores de:

INGENIERIA CIVIL
3 2
a. 𝐴 = [ ]
−1 0
Sabemos que : (𝐴 − 𝜆𝐼) = 𝐵 𝑡𝑎𝑙 𝑞𝑢𝑒 |𝐵| = 0

3 2 1 0 3−𝜆 2
∴[ ]− 𝜆[ ]=𝐵=[ ]
−1 0 0 1 −1 −𝜆

det(𝐵) = 𝒑(𝝀) = −𝟑𝝀 + 𝝀𝟐 + 𝟐 = 𝟎 → “polinomio

característico”; 𝑑𝑜𝑛𝑑𝑒 𝜆 = 1 𝑦 𝜆 = 2
−2 −1
b. [ ]
5 2
De igual manera que el ejemplo anterior:
−2 −1 1 0 −2 − 𝜆 −1
→[ ]−𝜆[ ]=𝐵=[ ]
5 2 0 1 5 2−𝜆

det(𝐵) = 𝜆2 + 1 = 0; 𝑑𝑜𝑛𝑑𝑒 𝜆 = 𝑖 𝑦 𝜆 = −𝑖

Este ejemplo ilustra que una matriz real puede tener valores y vectores
característicos complejos. Algunos autores definen los valores característicos
de matrices reales como las raíces reales de la ecuación característica. Con
esta definición la matriz de este ejemplo no tiene valores propios. Esto
puede hacer que los cálculos sean más sencillos, pero también reduce en
gran medida la utilidad de la teoría de valores propios y vectores propios.
Nótese también que λ1 y λ2 son conjugados.

EJEMPLO 6:
2 1 0
Encuentre los valores propios de la matriz 𝐴 = [3 2 0]
0 0 4

SOLUCIÓN:
𝜆 − 2 −1 0
det(𝐴 − 𝜆𝐼) = det ([ −3 𝜆 − 2 0 ])
0 0 𝜆−4
3 2
= 𝜆 − 8𝜆 + 17λ − 4 = 0
INGENIERIA CIVIL
Entonces los valores propios de A son:
𝜆 = 4; 𝜆 = 2 + √3 ; 𝜆 = 2 − √3

EJEMPLO 7:
Encuentre los valores propios y los vectores propios para 𝐴 =
3 2 −3
[−3 −4 9 ]
−1 −2 5

𝜆−3 −2 3
det(𝐴 − 𝜆𝐼) = det ((−1) [ 3 𝜆 + 4 −9 ])
1 2 𝜆−5

= 𝜆3 − 4𝜆2 + 4λ = 0
𝜆(𝜆2 − 4λ + 4) = 0
2
𝜆(𝜆 − 2) = 0

Entonces los valores propios son: 𝜆1 = 0; 𝜆2 = 2

Los vectores propios:

o Para 𝜆1 = 0
(𝜆𝐼 − 𝐴)𝑥 = 0

𝜆 − 3 −2 3 𝑥1 0
∴[ 3 𝜆 + 4 −9 ] [𝑥2 ] = [0]
1 2 𝜆 − 5 𝑥3 0

−3 −2 3 𝑥1 0
→[ 3 4 −9] [𝑥2 ] = [0]
1 2 −5 𝑥3 0
INGENIERIA CIVIL

Resolviendo con eliminación continua:

−3 −2 3
−6 18
[3 4 −9] ≅ [ ] ≅ [0]
−4 12
1 2 −5
−1
𝑆= {(−𝑡 , 3𝑡 , 𝑡)} = 𝑡 [ 3 ]
1
o Para 𝜆2 = 2

(𝜆𝐼 − 𝐴)𝑥 = 0

𝜆 − 3 −2 3 𝑥1 0
∴[ 3 𝑥
𝜆 + 4 −9 ] [ 2 ] = [0]
1 2 𝜆 − 5 𝑥3 0

−1 −2 3 𝑥1 0
→[ 3 𝑥
6 −9] [ 2 ] = [0]
1 2 −3 𝑥3 0
Después de resolver mediante eliminación continua
tenemos:
𝑆 = {(3𝑡 − 2𝑠 , 𝑠 , 𝑡)} = {(3,1,0); (−2,0,1)}

Como 𝜆2 = 2 tiene 2 vectores propios linealmente independientes,

entonces 𝑆 = {(3,1,0); (−2,0,1)} es una base del espacio característico
para 𝜆2 = 2 y por tanto su dimensión es 2.
OBSERVACIÓN: Multiplicidad geométrica: sea λ un valor
característico de la matriz A, entonces la multiplicidad geométrica de
λ es la dimensión del espacio característico correspondiente a λ (que
es la nulidad de la matriz A-λI)

TEOREMA DE RESUMEN:
 INGENIERIA CIVIL

Sea A una matriz de nxn:

i. A es invertible.
ii. La única solución del sistema homogéneo 𝐴𝑥 = 0 es la solución trivial
(𝑥 = 0).
iii. El sistema 𝐴𝑥 = 𝑏 tiene una solución única para cada n-vector b.
iv. A es equivalente por renglones a la matriz identidad In.
v. A se puede expresar como el producto de matrices elementales.
vi. La forma escalonada por renglones de A tiene n pivotes.
vii. Las columnas y renglones de A son linealmente independientes.
viii. det(𝐴) ≠ 0
ix. 𝑣(𝐴) = 0
x. 𝑝(𝐴) = 𝑛
xi. La transformación lineal T de Rn en Rn definida por 𝑇𝑥 = 𝐴𝑥 es un
isomorfismo.
xii. Cero no es un valor característico de A.

Estas condiciones son equivalentes, es decir, cuando una es verdadera

las otras 11 también lo son!

2. DIAGONALIZACIÓN DE MATRICES:

En muchos casos, la información de vector propio y valor propio

contenida dentro de la matriz A se puede mostrar como una útil
factorización de la forma 𝐴 = 𝑃𝐷𝑃−1 . Esta factorización nos
permite calcular fácilmente 𝐴𝑘 para valores grandes de k, una
idea fundamental en varias aplicaciones del algebra lineal.
La “D” en la factorización significa diagonal. El cálculo de las
potencias de una D semejante es trivial.
INGENIERIA CIVIL
Matrices Semejantes:
Se dice que dos matrices A y B de nxn son semejantes si existe una
matriz invertible C de nxn tal que: 𝑩 = 𝑪−𝟏 𝑨𝑪 → 1

La función definida por 1 que lleva a la matriz A en la matriz B se

denomina transformación de semejanza. Se puede escribir en
transformación lineal como:
𝑇(𝐴) = 𝑪−𝟏 𝑨𝑪

Vamos a demostrar que la mayoría de las matrices son semejantes a

las matrices diagonales.

Suponga que 𝑩 = 𝑪−𝟏 𝑨𝑪 ; entonces al multiplicar por la izquierda

por C tenemos 𝐶𝐵 = 𝐶𝐶 −1 𝐴𝐶 ; o sea 𝐶𝐵 = 𝐴𝐶
→ A y B son semejantes si y sólo si existe una matriz invertible C
tal que 𝑪𝑩 = 𝑨𝑪

EJEMPLO 1:

7 2
Sea 𝐴 = [ ] encuentre una fórmula para Ak, dado que 𝐴 =
−4 1
1 1 5 0
𝑃𝐷𝑃−1 , 𝑑𝑜𝑛𝑑𝑒 𝑃 = [ ] 𝑦𝐷=[ ]
−1 −2 0 3

SOLUCIÓN:

2 1
Tenemos 𝑃−1 = [ ]
−1 −1

Entonces, por la propiedad asociativa de la multiplicación de

matrices:
𝐴2 = (𝑃𝐷𝑃−1 )(𝑃𝐷𝑃−1 ) = 𝑃𝐷𝐼𝐷𝑃−1 = 𝑃𝐷𝐷𝑃 −1

1 1 52 0 ][ 2 1
= 𝑃𝐷2 𝑃−1 = [ ][ 2 −1 −1]
−1 2 0 3
INGENIERIA CIVIL

Una vez más:

𝐴3 = (𝑃𝐷𝑃−1 )(𝑃𝐷2 𝑃−1 ) = 𝑃𝐷𝐼𝐷2 𝑃−1 = 𝑃𝐷3 𝑃 −1

En general, para 𝑘 ≥ 1:

1 1 5𝑘 0 ][ 2 1
𝐴𝑘 = 𝑃𝐷𝑘 𝑃−1 = [ ][ 𝑘 −1 −1]
−1 −2 0 3

𝑘 𝑘
= [ 2 ∙ 𝑘5 − 3 𝑘 5𝑘 − 3𝑘 ]
2∙3 −2∙5 2 ∙ 3𝑘 − 5𝑘

Decimos que una matriz cuadrada A es diagonalizable si A es

semejante a una matriz diagonal, esto es, si 𝐴 = 𝑃𝐷𝑃−1 para
alguna matriz P invertible y alguna matriz D diagonal.

El siguiente teorema da una caracterización de las matrices

diagonalizables e indica cómo construir una factorización
adecuada.

EL TEOREMA DE DIAGONALIZACIÓN:

Una matriz nxn es diagonalizable si y sólo sí A tiene n vectores

propios linealmente independientes.
De hecho, 𝐴 = 𝑃𝐷𝑃−1 siendo D una matriz diagonal, si y sólo si
las columnas de P son n vectores propios de A linealmente
independientes. A es diagonalizable si y sólo si hay suficientes
INGENIERIA CIVIL
vectores propios para formar una base de Rn. Llamamos a una
base de este tipo: base de vectores propios.

Demostración:

Si P es cualquier matriz nxn con columnas v1….vn y si D es

cualquier matriz diagonal con entradas diagonales λ1…..λn
entonces:
 𝐴𝑃 = 𝐴[𝑣1 𝑣2 … 𝑣𝑛 ] = [𝐴𝑣1 𝐴𝑣2 … 𝐴𝑣𝑛 ]

𝜆1 ⋯ 0
 𝑃𝐷 = 𝑃 [ ⋮ ⋱ ⋮ ] = [𝜆1 𝑣1 ⋯ 𝜆𝑛 𝑣𝑛 ]
0 ⋯ 𝜆𝑛
Ahora suponga que A es diagonalizable y que 𝐴 = 𝑃𝐷𝑃−1 .
Entonces, si multiplicamos por la derecha eta relación por P,
tendremos AP=PD:

∴ [𝐴𝑣1 𝐴𝑣2 … 𝐴𝑣𝑛 ] = [𝜆1 𝑣1 ⋯ 𝜆𝑛 𝑣𝑛 ]

Igualando columnas tenemos que:

𝐴𝑣1 = 𝜆1 𝑣1 ; 𝐴𝑣2 = 𝜆2 𝑣2 ; 𝐴𝑣𝑛 = 𝜆𝑛 𝑣𝑛

EJEMPLO 2:
Diagonalice la siguiente matriz, si es posible.
1 3 3
𝐴 = [−3 −5 −3]
3 3 1
Esto es, encuentre una matriz P invertible y una matriz diagonal
D tales que 𝐴 = 𝑃𝐷𝑃−1 .

SOLUCIÓN:
INGENIERIA CIVIL
Paso 1. Encontrar los valores propios de A.
0 = det(𝐴 − 𝜆𝐼) = −𝜆3 − 3𝜆2 + 4 = −(𝜆 − 1)(𝜆 + 2)2

Los valores propios son λ=1 y λ= -2.

Paso 2: Encontrar tres vectores propios de A linealmente
independientes.
Se necesitan tres vectores propios porque A es una matriz de 3x3.

Para λ=1→𝑆 = {(𝑡, −𝑡, 𝑡)} ∴ ⃗⃗⃗⃗

𝑣1 = (1, −1,1)
Para λ= -2→𝑆 = {(−𝑡 − 𝑠, 𝑡. 𝑠)} ∴ 𝑣
⃗⃗⃗⃗2 = (−1,1,0); 𝑣
⃗⃗⃗⃗3 = (−1,0,1)

Puede comprobarse que es un conjunto linealmente

independiente.

Paso 3. Construir P con 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. Construir D con los valores propios correspondientes.

En este paso es esencial que el orden de los valores propios
corresponda al orden escogido para las columnas de P. Utilice el
valor propio λ= -2 dos veces, una para cada uno de los vectores
correspondientes a λ= -2:

1 0 0
𝐷 = [0 −2 0 ]
0 0 −2

Comprobemos:
INGENIERIA CIVIL
→ 𝐴𝑃 = 𝑃𝐷
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

→Que P sea invertible:

det(𝑃) = 1 ≠ 0

CONCLUSIÓN:
Si una matriz de nxn tiene n valores propios distintos, entonces
los vectores propios correspondientes son linealmente
independientes y A es diagonalizable

EJEMPLO 3.

Encuentre una matriz P que diagonalice, si es posible, la

siguiente matriz:

−14 12
𝐴=[ ]
−20 17

1. Valores propios de A:
det(𝜆𝐼 − 𝐴) = 0

𝜆 + 4 −12
| |=0
20 𝜆 − 17

(𝜆 + 14)(𝜆 − 17) + 240 = 0

(𝜆 − 2)(𝜆 − 1) = 0
Los valores propios de A son 1 y 2.
 INGENIERIA CIVIL
2. Vectores propios:
 Para λ=2
(Luego de resolver el sistema homogéneo tenemos:)
3 3
𝑆 = {( 𝑡, 𝑡)} = ( , 1) = 𝑣1
4 4
 Para 𝜆 = 1
4 4
𝑆 = {( 𝑡, 𝑡)} = ( , 1) = 𝑣2
5 5
3 4
∴ 𝑃 = [𝑣1 𝑣2 ] = [4 5]
1 1
Comprobamos si P es invertible:
−20 16
𝑃−1 = [ ]
20 −15
Ahora si D es diagonal:
3 4
−1 −20 16 −14 12 𝟐 𝟎
𝐷 = 𝑃 𝐴𝑃 = [ ][ ] [4 5] = [ ]
20 −15 −20 14 𝟎 𝟏
1 1
EJEMPLO 4:
Encuentre una matriz P que diagonalice, si es posible, la
siguiente matriz:
−1 0 1
𝐴 = [−1 3 0]
−4 13 −1

|𝜆𝐼 − 𝐴| = 0

𝜆+1 0 −1
| 1 𝜆−3 0 |=0
4 −13 𝜆 + 1
INGENIERIA CIVIL
(𝜆 + 1)(𝜆 − 3)(𝜆 + 1) + 13 + 4(𝜆 − 3) = 0

𝜆3 − 𝜆2 − 𝜆 − 2 = 0
La ecuación característica tiene solo una raíz real, un
solo valor propio que es λ=2
Conclusión:
Como el número de valores propios es menor que la
dimensión de la matriz, entonces la matriz A NO es
diagonalizable.

EJEMPLO 5:
1 0 0
𝐴 = [0 1 1]
0 1 1
Valores propios:
|𝜆𝐼 − 𝐴| = 0

𝜆−1 0 0
| 0 𝜆 − 1 −1 | = 0
0 −1 𝜆 − 1

(𝜆 − 1)2 − (𝜆 − 1) = 0
𝜆1 = 0; 𝜆2 = 1; 𝜆3 = 2
Para 𝜆1 = 0
(𝜆𝐼 − 𝐴)𝑥 = 0
𝜆−1 0 0 𝑥 0
[ 0 𝜆 − 1 −1 ] [ 𝑥 ] = [ 0]
0 −1 𝜆 − 1 𝑥 0

−1 0 0 𝑥 0
[0 −1 −1] [𝑥] = [0]
0 −1 −1 𝑥 0

Luego de resolver por eliminación continua:

𝑆 = {(0, −𝑡, 𝑡)} = (0, −1,1) = ⃗⃗⃗⃗

𝑣1
INGENIERIA CIVIL
Para 𝜆2 = 1
(𝜆𝐼 − 𝐴)𝑥 = 0
𝜆−1 0 0 𝑥 0
[ 0 𝜆 − 1 −1 ] [𝑥] = [0]
0 −1 𝜆 − 1 𝑥 0

0 0 0 𝑥 0
𝑥
[0 0 −1] [ ] = [0]
0 −1 0 𝑥 0

𝑆 = {(𝑡, 0,0)} = (1,0,0) = ⃗⃗⃗⃗

𝑣2

Para 𝜆3 = 2
(𝜆𝐼 − 𝐴)𝑥 = 0

𝜆−1 0 0 𝑥 0
[ 0 𝜆−1 −1 ] [𝑥] = [0]
0 −1 𝜆−1 𝑥 0

1 0 0 𝑥 0
[0 1 −1] [𝑥 ] = [0]
0 −1 1 𝑥 0

𝑆 = {(0, 𝑡, 𝑡)} = (0,1,1) = ⃗⃗⃗⃗

𝑣3

0 1 0
Entonces 𝑃 = [𝑣
⃗⃗⃗⃗1 𝑣2
⃗⃗⃗⃗ 𝑣3 ] = [−1 0
⃗⃗⃗⃗ 1]
1 0 1
1 1
0 −
2 2
𝑃−1 = 1 0 0
1 1
[ 0
2 2]

𝐷 = 𝑃−1 𝐴𝑃

1 1
0 −
2 2 1 0 0 0 1 0
𝐷= 1 0 0 [0 1 1] [−1 0 1]
1 1 0 1 1 1 0 1
[0 2 2]
 INGENIERIA CIVIL

0 0 0
𝐷 = [0 1 0]
0 0 2

Además nótese que los elementos de la diagonal principal de

D son los valores propios de la matriz diagonalizada A. El
orden de estos depende del orden en que se tomen los vectores
propios de la matriz P.

3. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN

ORTOGONAL.

Teorema 1.
Sea A una matriz simétrica real de nxn. Entonces los valores
característicos de A son reales.

Una matriz simétrica es una matriz A cuadrada tal que 𝐴𝑇 = 𝐴

EJEMPLO 1:
Diagonalice de ser posible la matriz:
6 −2 −1
𝐴 = [−2 6 −1]
−1 −1 5

La ecuación característica es: −(𝜆 − 8)(𝜆 − 6)(𝜆 − 3) = 0

−1 −1
Con λ=8 → ⃗⃗⃗⃗
𝑣1 = [ 1 ] Con λ=6 → 𝑣⃗⃗⃗⃗2 = [−1]
0 2

1
Con λ=3 → 𝑣
⃗⃗⃗⃗3 = [1]
1
INGENIERIA CIVIL

Estos tres vectores forman una base para R3 y los podemos usar como
columnas para una matriz P que Diagonalice A. sin embargo, nos damos
cuenta que {𝑣1 𝑣2 𝑣3 } es un conjunto ortogonal; y P será más útil si sus
columnas son ortonormales. Puesto que un múltiplo diferente de cero de un
vector propio sigue siendo un vector propio y podemos normalizar a
𝑣1 𝑣2 𝑦 𝑣3 para producir vectores propios unitarios.

1 1
−
1 −
√6 √3
√2 1 1
𝑢1 = [
⃗⃗⃗⃗ 1 ], 𝑢2 = − √6 ,
⃗⃗⃗⃗ 𝑢3 =
⃗⃗⃗⃗ √3
√2 2 1
0 [ √6 ] [ √3 ]

Entonces tenemos:
1 1
1 −
− √6 √3
√2 1 1 8 0 0
𝑃= 1 − → 𝐷 = [0 6 0]
√6 √3 0 0 3
√2 2 1
0
[ √6 √3 ]

Entonces 𝐴 = 𝑃𝐷𝑃−1 , esta vez P es cuadrada y tiene columnas

ortonormales, P es una matriz ortogonal y 𝑃−1 es 𝑃𝑇 .

Teorema 2:
Si A es simétrica, entonces cualesquier dos vectores propios de
espacios propios diferentes son ortogonales.

Demostración:
INGENIERIA CIVIL
Sean λ1 y λ2 valores propios distintos de A con vectores propios
correspondientes 𝑣1 𝑦 𝑣2 ∴ 𝐴𝑣1 = 𝜆1 𝑣1 𝑦 𝐴𝑣2 = 𝜆2 𝑣2
La forma escalar del producto punto (producto escalar) es:
𝑣21
𝑣22
𝑣1 ∙ 𝑣2 = [𝑣11 𝑣12 … 𝑣1𝑛 ] [ ⋮ ] = 𝑣1𝑇 𝑣2
𝑣2𝑛

Entonces demostrar que:

<v1,v2>=v1v’1+v2v’2+…+vnv’n=0
𝑇
Dado que 𝑣1 𝑣2 es una matriz de orden 1x1, que tiene a
〈𝑣1 , 𝑣2 〉 como su único elemento, la demostración se completará
probando que 𝑣1𝑇 𝑣2 = 0

Dado que 𝑣1𝑇 𝐴𝑣2 es una matriz de 1x1, y es obvio que toda matriz
de 1x1 es simétrica; entonces ↓
𝑣1𝑇 𝐴𝑣2 = (𝑣1𝑇 𝐴𝑣2 )𝑇
= 𝑣1𝑇 𝐴𝑇 𝑣2 (Por una propiedad de la matriz transpuesta)
𝑇
= 𝑣2 𝐴𝑣1 (dado que A es simétrica)
Además:

(𝑣1𝑇 𝐴𝑣2 ) = (𝑣1𝑇 𝜆2 𝑣2 ) = 𝜆2 (𝑣1𝑇 𝑣2 ) y 𝑣2𝑇 𝐴𝑣1 = 𝑣2𝑇 𝜆1 𝑣1 = 𝜆1 𝑣2𝑇 𝑣1

∴ 𝜆1 (𝑣2𝑇 𝑣1 )𝑇 = 𝜆2 (𝑣1𝑇 𝑣2 )
Por consiguiente:
∴ 𝜆1 𝑣1𝑇 𝑣2 = 𝜆2 (𝑣1𝑇 𝑣2 )
Es decir:
(𝜆1 − 𝜆2 )𝑣𝑇1 𝑣2 = 0

Como 𝜆1 ≠ 𝜆2 , se deduce que 𝑣1𝑇 𝑣2 = 0 lqqd⁄⁄

Teorema 3:
INGENIERIA CIVIL
La ecuación característica de una matriz simétrica solamente
tiene raíces reales.

Teorema 4:
Si un valor característico λ de una matriz simétrica A es una raíz de
multiplicidad k de la ecuación característica, entonces el espacio
característico correspondiente a λ‫ ﮑ‬es de dimensión k.

EJEMPLO 2:
Demuestre que A es diagonalizable:

1 −4 5
𝐴 = [−4 3 0] → 𝐴 = 𝐴𝑇 (𝑠𝑖𝑚é𝑡𝑟𝑖𝑐𝑎)
5 0 7

Debido a un teorema indicado anterior que dice que una matriz A de nxn
diagonalizable ortogonalmente queda diagonalizada ortogonalmente por
una matriz P de orden nxn cuyas columnas forman un conjunto ortonormal
de vectores característicos de A.

Sea D la matriz diagonal: D= P −1AP, por lo que:

A= PDP-1
Ó dado que P es ortogonal, A=PDPt
Por tanto, At=(PDPt)t=PDtPt=PDPt=A

Esto muestra que una matriz diagonalizable ortogonalmente es simétrica. La

afirmación recíproca también es cierta.
 INGENIERIA CIVIL

EJEMPLO 3:

Encuentre una matriz ortogonal P que diagonalice a

4 2 2
𝐴 = [2 4 2]
2 2 4

Se debe formar una matriz P cuyos vectores columna formen un conjunto

ortonormal de vectores característicos de A. Esto se puede efectuar de la
siguiente manera:
1. Encuentre una base para cada espacio característico de A.
2. Aplique el proceso de Gram-Schmidt a cada una de las bases para obtener
una base ortonormal para cada espacio característico.

3. Forme la matriz P cuyas columnas son los vectores de las bases que se
obtuvieron en el paso número 2, esta matriz diagonaliza

ortogonalmente a A.

La ecuación característica de A es:

𝜆−4 −2 −2
det(‫ﮑ‬I – A)=det[ −2 𝜆 − 4 −2 ] → (𝜆 − 2)2 (𝜆 − 8) = 0
−2 −2 𝜆 − 4

Por lo que los valores característicos de A son: λ= 2 y λ =8

−1 −1
𝑢1 =[ 1 ] 𝑢2 =[ 0 ] forman una base del espacio
0 1
característico correspondiente a λ=2. Aplicando el proceso de
INGENIERIA CIVIL
Gram-Schmidt a {u1,u2} se obtienen los vectores característicos
ortonormales:
1
−
1 −
√6
√2 1
𝑣1 =[ 1 ] 𝑣2 = − √6
√2 2
0 [ √6 ]
1
El espacio característico correspondiente a λ =8 tiene a: 𝑢3 =[1]
1
1
√3
1
Aplicando el proceso de gran-Schmidt a {u3} resulta 𝑣3 = √3
1
[√3]
Por construcción, <v1,v2>=0 además <v1,v3>=<v2,v3>=0 por lo
que {v1,v2,v3} es un conjunto ortonormal de vectores
característicos. Por tanto:
1 1
−
1 −
√6 √3
√2 1 1
P= 1 −
√6 √3
diagonaliza ortogonalmente a A.
√2 2 1
[ 0 √6 √3]

Coincidencia con el EJEMPLO 1.?

EJEMPLO 4.

1 −2
Sea A=[ ]
−2 3
Entonces la ecuación característica de A es:
1−𝜆 −2
det(𝐴 − 𝜆𝐼) = det ([ ])=λ2- 4λ -1=0
−2 3−𝜆
INGENIERIA CIVIL
4±√20
Las raíces son: λ= = 2±√5
2

En el caso de λ1=2-√5 resulta que

(A-λ I)v=[−1 + √5 −2 ] [𝑥1 ]=[0]

−2 1 + √5 𝑥2 0
2
Un vector característico es 𝑣1 = [ ]
−1 + √5
→|v1|=√(4 + (−1 + √5)2 )=√(10 − 2√5)
2
De esta manera u1=1/√(10 − 2√5) [ ]
−1 + √5

Para λ =2+√5 calculamos (A-λ I)v =[−1 − √5 −2 ] [𝑥1 ]=[0] y

−2 1 − √5 𝑥2 0

v2=[1 − √5]
2
Note que v1v2=0 , se tiene así que |v2|=√(10 − 2√5), por lo que:

u2=1/√(10 − 2√5) [1 − √5],

2
Finalmente:

Q=
1
[ 2 1 − √5], Qt= 1
[ 2 −1 + √5] y
√(10−2√5) −1 + √5 2 √(10−2√5) 1 − √5 2

Q’AQ=
1
[ 2 −1 + √5] [ 1 −2] [ 2 1 − √5]
√(10−2√5) 1 − √5 2 −2 3 −1 + √5 2

[ 2 −1 + √5] [ 4 − 2√5 −3 − √5]

1
=
√(10−2√5) 1 − √5 2 −7 + 3√5 4 + 2√5

=
1
[30 − 14√5 0 ]=[2 − √5 0 ]
√(10−2√5) 0 10 + 6√5 0 2 + √5
INGENIERIA CIVIL
EJEMPLO 5:
Resumen de diagonalización ortogonal de una matriz simétrica:
 Hallar una base para cada espacio característico de A.
 Aplique el proceso de Gram-Schmidt o determinantes a cada una
de las bases para obtener una base ortonormal para cada espacio
característico.
 Formar la matriz P que tiene por columnas os vectores base
construidos en el pase anterior, esta matriz P diagonaliza
ortogonalmente a la matriz A.

Encuentre una matriz ortogonal P que Diagonalice a las

siguientes matrices simétricas:

0 4 4
𝐴 = [4 2 0]
4 0 −2

Encontramos los valores propios det(𝜆𝐼 − 𝐴) = 0

𝜆 −4 −4
|−4 𝜆−2 0 |=0
−4 0 𝜆+2

𝜆(𝜆 − 2)(𝜆 + 2) − 16(𝜆 − 2) − 16(𝜆 + 2) = 0

𝜆3 − 36𝜆 = 0 → 𝜆(𝜆2 − 36) = 0

𝜆(𝜆 − 6)(𝜆 + 6) = 0 → 𝜆 = 0; 𝜆 = −6; 𝜆 = 6

INGENIERIA CIVIL
Hallamos los vectores propios. Resolviendo por eliminación
continua cada sistema homogéneo: (𝜆𝐼 − 𝐴)𝑥 = 0

 Para λ=0
0 −4 −4 −4 −2 0
[−4 −2 0 ] ≅ [ 0 −4 −4]
−4 0 2 −4 0 2
−4 −4
[ ]
−8 −8
1
𝑆 = {( 𝑡, −𝑡, 𝑡)}
2
𝑥1 1 1
𝑡
𝑣1 = [𝑥2 ] = [2 ] = 𝑡 [ 2 ]
𝑥3 −𝑡 −1
𝑡 1
 Para λ=-6
−6 −4 −4
32 −16
[−4 −8 0 ] ≅ [ ]
−16 8
−4 0 −4
𝑥1 −𝑡 −1
1 1
𝑣2 = [𝑥2 ] = [ 𝑡 ] = 𝑡 [ ]
𝑥3 2 2
𝑡 1

 Y para λ=6
𝑥1 2𝑡 2
𝑥
𝑣3 = [ 2 ] = [2𝑡] = 𝑡 [2]
𝑥3 𝑡 1
Como todos los valores propios tienen multiplicidad 1; y
forman bases ortogonales para R3 entonces simplemente
INGENIERIA CIVIL
debemos normalizar los vectores propios. Para obtener
bases ortonormales.

1 2 3
‖𝑣1 ‖ = √( ) + (−1)2 + (1)2 =
2 2

1 2 3
√
‖𝑣2 ‖ = (−1) + ( ) + (1)2 =
2
2 2

‖𝑣3 ‖ = √(2)2 + (2)2 + (1)2 = 3

𝑣 𝑣 𝑣
𝑃1 = ‖𝑣1‖ ; 𝑃2 = ‖𝑣2 ‖ ; 𝑃3 = ‖𝑣3 ‖
1 2 3

1 2 2 2 1 2 2 2 1
∴ 𝑃1 = ( , − , ) ; 𝑃2 = (− , , ) ; 𝑃3 = ( , , )
3 3 3 3 3 3 3 3 3

Entonces la matriz ortogonal P que diagonaliza a la matriz

simétrica A, es aquella que tiene por columnas las bases
ortonormales de los espacios característicos de la matriz A:
1 2 2
−
3 3 3
2 1 2
𝑃= −
3 3 3
2 2 1
[ 3 3 3]
0 0 0
−1
𝐷 = 𝑃 𝐴𝑃 = [0 −6 0]
0 0 6
 INGENIERIA CIVIL
4. POTENCIAS DE MATRICES. ECUACIONES EN
DIFERENCIAS.

Matriz potencia:
Una primera aplicación a la diagonalización de una matriz es que
se puede encontrar fácilmente su potencia n-ésima. Supongamos
que la matriz A se ha diagonalizado y por lo tanto podemos decir
que 𝐴 = 𝑃𝐷𝑃−1 .
Al elevar al cuadrado:
𝐴2 = (𝑃𝐷𝑃−1 )(𝑃𝐷𝑃−1 ) = 𝑃𝐷𝐼𝐷𝑃−1 = 𝑃𝐷𝐷𝑃 −1

Una vez más:

𝐴3 = (𝑃𝐷𝑃−1 )(𝑃𝐷2 𝑃−1 ) = 𝑃𝐷𝐼𝐷2 𝑃−1 = 𝑃𝐷3 𝑃 −1

En general, para 𝑛 ≥ 1:

𝐴𝑛 = 𝑃𝐷𝑛 𝑃−1

Y la matriz Dn su puede encontrar fácilmente.

Calculo de la potencia de matrices diagonales:

EJEMPLO 1:
𝑎 0
Elevar la matriz 𝐴 = [ ] al cuadrado, al cubo y a la cuarta
0 𝑏
potencia:
SOLUCIÓN:
𝑎 0 𝑎 0 2
𝐴2 = 𝐴 ∙ 𝐴 = [ ][ ] = [𝑎 0]
0 𝑏 0 𝑏 0 𝑏2
INGENIERIA CIVIL
2 3
𝐴3 = 𝐴2 ∙ 𝐴 = [𝑎 0 ] [𝑎 0
] = [𝑎 0]
0 𝑏2 0 𝑏 0 𝑏3

𝐴3 = 𝐴2 ∙ 𝐴2 = [𝑎
2
0 ] [𝑎2 0 ] = [𝑎 4 0]
0 𝑏2 0 𝑏2 0 𝑏4

Como vemos podemos afirmar que la n-ésima potencia de A es:

𝑎𝑛 0
𝐴𝑛 = [ ]
0 𝑏𝑛
Y en la forma general de cualquier matriz diagonal
𝑎𝑛 0 0
𝐴𝑛 = [ 0 𝑏 𝑛 0 ]
0 0 𝑐𝑛
EJEMPLO 2:
Elevar al cuadrado la matriz A:
1 4
𝐴=[ ]
3 5
−2 2 −1 0 1 −3 2
𝐴 = 𝑃𝐷𝑃.1 = [ ][ ] [ ]
1 3 0 7 8 1 2
Entonces:
2 2 .1 −2 2 (−1)2 0 1 −3 2
𝐴 = 𝑃𝐷 𝑃 = [ ][ ] [ ]
1 3 0 72 8 1 2

13 24
𝐴2 = [ ]
18 37

ECUACIONES EN DIFERENCIA:

Hay cierto tipo de problemas cuya resolución depende de la potencia de

una matriz. Es el caso de las ecuaciones en diferencias en las que a partir de
una matriz cuadrada A y vectores de Rm.
𝑥0 , 𝑥1 , 𝑥2 ,…
Se cumple para cada índice natural n que
INGENIERIA CIVIL

𝑥𝑛+1 = 𝐴𝑥𝑛

Entonces la solución viene dada por la expresión

𝑥𝑛 = 𝐴𝑥0

EJEMPLO 3:

En una población de 10000 individuos se observa que, de modo

aproximado, el 80% de los que eran donantes de sangre un año siguen
siéndolo al siguiente y que el 70% de los que no eran donantes de sangre
permanecen de nuevo sin donar a otro año. Suponiendo que inicialmente
hay 2000 donantes hallar cuántos habrá después de 10 años.
Denominemos dn y en al número de donantes y no donantes que hay
después de n años. Entonces se verifican las siguientes ecuaciones en
diferencia
𝑑𝑛+1 = 0.8𝑑𝑛 + 0.3𝑒𝑛
𝑒𝑛+1 = 0.2𝑑𝑛 + 0.7𝑒𝑛

0.8 0.8 𝑑
Si ponemos 𝐴 = [ ] 𝑦 𝑢𝑛 = [ 𝑛 ]se tiene que las ecuaciones anteriores
0.2 0.7 𝑒𝑛
pueden ponerse del siguiente modo equivalente 𝑢𝑛+1 = 𝐴𝑢𝑛 . Si aplicamos
𝑑0
reiteradamente dicha relación se obtiene que 𝑢𝑛 = 𝐴𝑛 𝑢𝑛 , donde 𝑢0 = [ ]=
𝑒0
2000
[ ]. Debemos pues hallar 𝐴𝑛 . Para ello calcularemos la diagonalización
8000
INGENIERIA CIVIL
de la matriz A. sus valores propios son 0.5 y 1. Los subespacios propios
asociados son ker(A-0.5I)=< (1, −1) >. De este modo tomando 𝐷 =
0.5 0 1 1
[ ]𝑦 𝑃 = [ ] se tiene que que A=PDP-1. En este caso el cálculo de
0 1 −1 1
1 1 −1
la inversa de P sea 𝑃′ = 2 [ ]Finalmente se tiene que 𝐴𝑛 = 𝑃𝐷𝑛 𝑃−1 =
1 1
1 (0.5)𝑛 − 1 −(0.5)𝑛 + 1
[ ]
2 (0.5)𝑛 + 1 (0.5)𝑛 + 1
Entonces deducimos que
1 (0.5)𝑛 − 1 −(0.5)𝑛 + 1 2000 −3000(0.5)𝑛 + 500
𝑢𝑛 = 𝐴𝑛 𝑢𝑛 = 2 [ ][ ]=[ ]
(0.5)𝑛 + 1 (0.5)𝑛 + 1 8000 3000(0.5)𝑛 + 500

Por lo que el número de donantes después de pasar n años es de dn =-

3000(0.5)𝑛 − 5000, y para n=5 se tiene:
3000
𝑑10 = −3000(0.5)10 + 5000 = − + 5000 ≅ 4997
1024

EJEMPLO 4:

Efectúe una rotación de ejes para eliminar el elemento xy en la ecuación

cuadrática 𝟏𝟔𝒙𝟐+𝟐𝟒𝒙𝒚+𝟗𝒚𝟐+𝟐𝟓𝒙=𝟎

La matriz de la forma cuadrática asociada con la ecuación es:

16 12
𝐴=[ ]
12 9

La ecuación característica de A es

(𝜆−25)=0

Los valores propios son: 𝜆1=25 y 𝜆2=0

Ahora hallamos los vectores propios. Para 𝜆1=25

INGENIERIA CIVIL
𝜆 − 16 −12 −16 −12
[ ]=[ ]
−12 𝜆−9 −12 −9

3 3
𝑆 = {(− 𝑡, 𝑡)} = (− , 1)
4 4
3 3 4
Ortonormalizamos (− 4 , 1). Dividiendo para su norma obtenemos (− 5 , 5)

Con el mismo procedimiento para λ=0.

Tenemos el mismo vector!

Entonces la matriz que diagonaliza ortogonalmente a A es:

4 3
−
𝑃 = [5 5] = [cos 𝜃 −𝑠𝑒𝑛𝜃
]
3 4 𝑠𝑒𝑛𝜃 𝑐𝑜𝑠𝜃
5 5

De aquí, cos𝜃=4/5 por lo que θ=36°52′12′′. Como se observa en la gráfica.

[𝑑 𝑒]𝑃𝑋′=(𝑑cos𝜃+𝑒 𝑠𝑒𝑛 𝜃)𝑥′+(−𝑑 𝑠𝑒𝑛 𝜃+𝑒cos𝜃)𝑦′

[𝑑 𝑒]𝑃𝑋′=􁉀25∗45􁉀+0􁉀𝑥′+􁉀−2535􁉀+0􁉀𝑦′

[𝑑 𝑒]𝑃𝑋′=(20)𝑥′+(−15)𝑦′

Entonces la ecuación de la curva rotada es:

25(𝑥′)2+20(𝑥′)−15(𝑦′)=0

5(𝑥′)2+4(𝑥′)−3(𝑦′)=0
INGENIERIA CIVIL

5. MATRICES UNITARIAS, MATRICES NORMALES Y

MATRICES HERMITIANAS.

Los problemas que implican la diagonalización de matrices complejas, así

como los problemas asociados de valores propios, requieren del concepto de
matrices unitarias y hermitianas. Estas matrices corresponden grosso modo
a las matrices reales ortogonales y simétricas. Para definir las matrices
unitarias y hermitianas, primero introduce el concepto de transpuesta
conjugada de una matriz compleja o matriz normal:

Definición de la transpuesta conjugada de una matriz compleja

o definición de la matriz normal:

La transpuesta conjugada de la matriz compleja A; denotada por

A*, se define como
̅̅̅̅
𝐴∗ = 𝐴 𝑇

Donde los elementos de ̅̅̅̅

𝐴 son todos los conjugados complejos
de los elementos correspondientes de A
INGENIERIA CIVIL

EJEMPLO 1:
Determine A* para la matriz
3 + 7𝑖 0
𝐴=[ ]
2𝑖 4−𝑖
SOLUCIÓN:
3 − 7𝑖 0 3 − 7𝑖 0
𝐴̅ = [ ] →→→ 𝐴∗ = ̅̅̅̅
𝐴𝑇 = [ ]
−2𝑖 4+𝑖 −2𝑖 4+𝑖

PROPIEDADES DE LA TRANSPUESTA CONJUGADA

Si A y B son matrices complejas y k es un número complejo,

entonces se cumplen las siguientes propiedades:

1. (𝐴∗ )∗ = 𝑨
2. (𝐴 + 𝐵)∗ = 𝐴∗ + 𝐵∗
3. (𝑘𝐴)∗ = 𝑘̅𝐴∗
4. (𝐴𝐵)∗ = 𝐵∗ 𝐴∗

Definición de matriz Unitaria

Una matriz compleja A se denomina unitaria si
𝐴−1 = 𝐴∗

EJEMPLO 2:
Demuestre que la siguiente matriz es unitaria
1 1+𝑖 1−𝑖
𝐴= [ ]
2 1−𝑖 1+𝑖

Como:
INGENIERIA CIVIL
1 1+𝑖 1−𝑖 1 1+𝑖 1−𝑖 1 4 0
𝐴𝐴∗ = [ ] [ ]= [ ]=𝐼
2 1−𝑖 1+𝑖 2 1−𝑖 1+𝑖 4 0 4

Se concluye que 𝐴−1 = 𝐴∗ . Por consiguiente A es una matriz

unitaria.
Anteriormente se demostró que una matriz real ortogonal sí y
sólo si sus vectores renglón forman un conjunto ortonormal. Para
las matrices complejas, esta propiedad caracteriza las matrices
que son unitarias.

Matrices Unitarias

Una matriz compleja A nxn unitaria sí y sólo si sus vectores

renglón o columna forman un conjunto ortonormal en Cn.

EJEMPLO 3:
1 1+𝑖 1
−
2 2 2
𝑖 𝑖 𝑖
−
√3 √3 √3
5𝑖 3+𝑖 4 + 3𝑖
[2√15 2√15 2√15 ]

Sean r1,r2 y r3 definidos como sigue:

1 1+𝑖 1
𝑟1 = ( , ,− )
2 2 2

𝑖 𝑖 𝑖
𝑟2 = (− , , )
√ 3 √3 √3
INGENIERIA CIVIL
5𝑖 3 + 𝑖 4 + 3𝑖
𝑟2 = ( , , )
2√15 2√15 2√15

Entonces, las longitudes de 𝑟1 , 𝑟2 𝑦 𝑟3 son:

‖𝑟1 ‖ = 1, ‖𝑟2 ‖ = 1, ‖𝑟3 ‖ = 1

Además el producto interior euclidiano:

〈𝑟1 , 𝑟2 〉 = 0; 〈𝑟1 , 𝑟3 〉 = 0; 〈𝑟2 , 𝑟3 〉 = 0
Y se puede concluir que este es un conjunto ortonormal.

Matrices hermitianas:

Se dice que una matriz cuadrada A es hermitiana si

𝐴 = 𝐴∗
 Los elementos de la diagonal principal de A son reales.
 El elemento 𝑎𝑖𝑗 en el i-ésimo renglón y en la j-ésima columna es el
conjugado complejo del elemento 𝑎𝑗𝑖 en el j-ésimo renglón y en la i-
ésima columna.

Teorema:
Los valores característicos de una matriz hermitiana.

Si A es una matriz hermitiana, entonces sus valores propios son números

reales.

DEMOSTRACIÓN:

Si λ es un valor característico de A y 𝑣 = (𝑎1 + 𝑏1 𝑖, 𝑎2 + 𝑏2 𝑖, … , 𝑎𝑛 + 𝑏𝑛 𝑖) es

un vector característico correspondiente, entonces 𝐴𝑣 = 𝜆𝑣

Al multiplicar ambos lados de esta ecuación por v* se tiene 𝑣 ∗ 𝐴𝑣 = 𝑣 ∗ 𝜆𝑣 =

𝜆(𝑣 ∗ 𝑣) = 𝜆(𝑎12 + 𝑏12 + 𝑎22 + 𝑏22 + ⋯ + 𝑎𝑛2 + 𝑏𝑛2 ) → 𝑛ú𝑚𝑒𝑟𝑜 𝑟𝑒𝑎𝑙. ‼!

EJEMPLO 4:
INGENIERIA CIVIL
Determine los valores característicos de la matriz hermitiana A:

3 2−𝑖 −3𝑖
𝐴 = [2 + 𝑖 0 1 − 𝑖]
3𝑖 1+𝑖 0

El polinomio característico de A es:

det(𝐴 − 𝜆𝐼) = 0 = (𝜆 + 1)(𝜆 − 6)(𝜆 + 2)

Esto es que los valores propios de A son -1,6 y -2

Para encontrar los valores característicos de una matriz compleja se usa un

procedimiento semejante al que se emplea con una matriz real. Así en el
ejemplo anterior el vector característico correspondiente al valor propio de
λ=-1 se obtiene al resolver la siguiente ecuación:

𝜆−3 −2 + 𝑖 3𝑖 𝑣1 0
[−2 − 𝑖 𝜆 −1 + 𝑖 ] [𝑣2 ] = [0]
−3𝑖 −1 − 𝑖 𝜆 𝑣3 0

−4 −2 + 𝑖 3𝑖 𝑣1 0
[−2 − 𝑖 −1 −1 + 𝑖 ] [ 𝑣2 ] = [ 0]
−3𝑖 −1 − 𝑖 −1 𝑣3 0

Por eliminación continua tenemos:

𝑣1 −1
𝑣
𝑣 = [ 2 ] = 𝑡 [1 + 2𝑖 ]
𝑣3 1
De la misma manera para λ=6 y λ=-2 los vectores propios son
respectivamente: (1 − 2𝑖, 6 − 9𝑖, 13)𝑦(1 + 3𝑖, −2 − 𝑖, 5)

Las matrices hermitianas son de utilidad en la resolución de problemas de

diagonalización. Se dice que una matriz cuadrada A es diagonalizable
unitariamente si existe una matriz unitaria P tal que 𝑃 −1 𝐴𝑃 es una matriz
diagonal. Dado que P es unitaria, entonces 𝑃 −1 = 𝑃∗ , por lo que una
afirmación equivalente es decir que A es diagonalizable unitariamente si
existe una matriz unitaria P tal que 𝑃 ∗ 𝐴𝑃 es una matriz diagonal. En
INGENIERIA CIVIL
realidad, el problema de diagonalización implica dos cuestiones por
separado.

Matrices diagonalizables unitariamente.

Si A es una matriz hermitiana nxn, entonces:

1. A es diagonalizable unitariamente.
2. A tiene un conjunto de n vectores característicos ortonormales.

Vectores característicos o propios de una matriz hermitiana.

Si A es una matriz hermitiana con vectores característicos 𝑣1 y 𝑣2

correspondientes a distintos valores propios 𝜆1 𝑦 𝜆2 entonces 𝑣 1 y 𝑣2 son
ortogonales. Es decir 𝑣1 . 𝑣2 = 0

EJEMPLO 5:

Demuestre que los siguientes vectores propios de la matriz hermitiana del

ejemplo anterior son mutuamente ortogonales.

𝑣1 = (−1,1 + 2𝑖, 1)

𝑣2 = (1 − 2𝑖, 6 − 9𝑖, 13)

𝑣3 = (1 + 3𝑖, −2 − 𝑖, 5)

𝑆𝑂𝐿𝑈𝐶𝐼Ó𝑁 𝑐𝑜𝑛 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 𝑖𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝑒𝑢𝑐𝑙𝑖𝑑𝑖𝑎𝑛𝑜:

〈𝑣1 , 𝑣2 〉 = (−1,1 + 2𝑖, 1). (1 − 2𝑖, 6 − 9𝑖, 13) = 0

〈𝑣1 , 𝑣3 〉 = (−1,1 + 2𝑖, 1). (1 + 3𝑖, −2 − 𝑖, 5) = 0

〈𝑣2 , 𝑣3 〉 = (1 − 2𝑖, 6 − 9𝑖, 13). (1 + 3𝑖, −2 − 𝑖, 5) = 0

Los tres vectores propios de este ejemplo son mutuamente ortogonales

porque corresponden a valores propios distintos de la matriz hermitiana A.
dos o más vectores propios correspondientes al mismo valor propio pueden
no ser ortogonales. Sin embargo, una vez que se obtiene cualquier conjunto
de valores propios linealmente independientes para un valor propio dado,
se puede aplicar el proceso de ortonormalización de Gram. Schmidt para
obtener el conjunto ortogonal.!
INGENIERIA CIVIL

Aplicaciones:

Crecimiento de una población.

Primero se debe agrupar la población en clases de edad de la misma
duración. Por ejemplo si el tiempo que vive un miembro de la población es
L años entonces las clases de edad se representan por los n siguientes
intervalos.
𝑐𝑙𝑎𝑠𝑒𝑠 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠 𝑑𝑒 𝑐𝑙𝑎𝑠𝑒𝑠 𝑑𝑒
𝑝𝑟𝑖𝑚𝑒𝑟𝑎 𝑒𝑑𝑎𝑑 𝑠𝑒𝑔𝑢𝑛𝑑𝑎 𝑒𝑑𝑎𝑑 𝑛. é𝑠𝑖𝑚𝑎

𝐿 𝐿 2𝐿 (𝑛 − 1)𝐿
[0, ), [ , ), … , [ , 𝐿)]]]
𝑛 𝑛 𝑛 𝑛

El número de elementos de la población en cada clase de edad se representa

entonces por el vector de distribución de edades:

𝑥1 Número en la clase de la primera edad

𝑥2 Número en la clase de la segunda edad
𝑥=[⋮]
𝑥3 Número en la clase de la n − ésima edad

Durante un período de L/n años, la probabilidad de que una persona de la

clase de la i-ésima edad sobreviva para convertirse en el elemento de la clase
de la (i+1)-ésima edad está dada por 𝑝𝑖 , donde:

0 ≤ 𝑝𝑖 ≤ 1, 𝑖 = 1,2, … , 𝑛 − 1

El número medio de descendencia producido por un miembro de la clase de

la i-ésima edad está dado por 𝑏𝑖, dónde:

0 ≤ 𝑏𝑖, , 𝑖 = 1,2, … , 𝑛

Los números indicados pueden escribirse en forma matricial de la siguiente

manera:
INGENIERIA CIVIL
𝑏1 𝑏2 𝑏3 ⋯ 𝑏𝑛−1 𝑏𝑛
𝑝1 0 0 ⋯ 0 0
𝐴= 0 𝑝2 0 ⋯ 0 0
⋮ ⋮ ⋮ ⋱ ⋮ ⋮
[0 0 0 ⋯ 𝑝𝑛−1 𝑝𝑛 ]

Esta matriz es conocida como matriz de transición de edades. Y al

multiplicarla por el vector de distribución de edades durante un periodo
específico se obtiene el vector de distribución de edades para el siguiente
periodo.
𝐴𝑥𝑖 = 𝑥𝑖+1

EJEMPLO 1:

Modelo matricial de crecimiento de poblaciones: La fecundidad y la

probabilidad de muerte de los individuos de una población varían con la
edad. Para desarrollar un modelo que contemple este hecho se utilizan
matrices, que permiten aplicar distintas tasas de fecundidad y mortalidad a
los distintos grupos de edades. Es frecuente recoger estos datos
exclusivamente para las hembras.
Aquí vamos a referirnos a la población en términos generales, sin hacer
separación de sexos.
Hagamos una primera aproximación a este tipo de modelo:
Una población de cierta especie de aves se divide en dos grupos: jóvenes
(inmaduras) y adultas. Denotamos por n1(t) y n2(t), respectivamente, a las
poblaciones de aves jóvenes y adultas en el ano t. Cada primavera ocurre los
siguientes hechos:
La probabilidad de que un ave joven sobreviva para llegar a ser adulta la
primavera siguiente es s1.
La probabilidad de que un ave adulta sobreviva de una primavera a la
siguiente
es s2.
Por cada ave adulta, se obtienen una media de f individuos jóvenes la
primavera
siguiente.
Estos datos nos dicen cómo calcular la población en el año t a partir de la
población del año anterior, t − 1:
INGENIERIA CIVIL
n1(t) = f · n2(t − 1)
n2(t) = s1 · n1(t − 1) + s2 · n2(t − 1)
Estas ecuaciones se pueden escribir en forma matricial. Si llamamos
n1(t) 𝑜 𝑓
→ =[ ] y A =[ ]
𝑛𝑡 n2(t) 𝑠1 𝑠2
entonces:
→= A→ −1
𝑛𝑡 𝑛𝑡
n1(0)
Si partimos de una población inicial, que recogemos en el vector → =[ ]
𝑛0 n2(0)
la población en los años sucesivos será :
en el primer año→ = A→
𝑛1 𝑛0
en el segundo año → = A→ = A(A→ ) = A2→ . . . .
𝑛2 𝑛1 𝑛0 𝑛0
y así sucesivamente obtenemos:
→ = At →
𝑛𝑡 𝑛0
El ejemplo anterior no es más que un caso particular y simplificado de lo
que se
conoce como cadenas de Markov4, que se utilizan en campos tan diversos
como la Economía o la Sociología.

EJEMPLO 3:

Consideremos una laguna habitada por una determinada especie de peces.

Deseamos estudiar la evolución de la población de esta especie, y para ello,
0 3
supongamos que se a obtenido la siguiente matriz A=[ ]
0.2 0.6
Que nos indica que cada hembra adulta produce k=3 descendientes
hembras, y como se suponía en nuestro modelo que el número de hembras
y de machos es igual, entonces cada hembra produce 6 descendientes. La
matriz A también nos indica que sólo el 20% de las hembras jóvenes
sobreviven hasta llegar a la madurez en la siguiente primavera, y que el 60%
INGENIERIA CIVIL
de las hembras adultas sobreviven hasta llegar a la siguiente primavera,
50
supongamos también que: p o =[ ]
200
Es decir, que al inicio de nuestro estudio hay p=50 hembras (y50 machos)
jóvenes, y q=200 hembras( y 200 machos) adultas.
Para comenzar el estudio matemático, empezaremos calculando los valores
propios de A y los vectores propios asociados ; tenemos:

3+√69 3+√69
𝑚1 = ⇒ ‫ﮑ‬1 = 0 + 3𝑚1 = >0
30 30
3m2+(0-0.6)m-0.2=0 ⇒ {
3−√69 3−√69
𝑚2 = ⇒ ‫ﮑ‬2 = 0 + 3𝑚2 = <0
30 30

Y los vectores propios son:

1 1
v 1=[ 3+√69 ], v 2=[ 3−√69 ]
30 30

Luego tenemos:
𝑛 𝑛
5√69 3−√69 3+√69 3+√69 3−√69
P j, n = = − {50 ( )( ) −( )( ) }+
23 30 10 30 10
𝑛 𝑛
3 − √69 3 + √69
200 {( ) −( ) }
10 10

𝑛 𝑛
5√69 3+√69 3+√69 3−√69 3−√69
Pa, n == − {−200 ( )( ) −( )( ) }+
23 30 10 30 10
𝑛 𝑛
10 3 − √69 3 + √69
{( ) −( ) }
3 10 10

La expresión anterior nos indica el número total de peces hembras, que en

nuestro caso son:
INGENIERIA CIVIL
𝑛 𝑛
5√69 45+25√69 3+√69 45−25√69 3−√69
P n =− {(− )( ) +( )( ) }+
23 3 10 3 10
𝑛 𝑛
610 3 − √69 3 + √69
{( ) −( ) }
3 10 10

1−0.6
Para nuestro ejemplo se cumple que 3> =2
0.2

Puede afirmarse que la especie crecerá, y en principio, aunque el estudio

teórico nos indica que este crecimiento será indefinido, el conocimiento
biológico nos permite predecir que la acotación de los recursos disponibles
será la que determine el umbral de estabilización de esta población.
30
A largo plazo la proporción entre peces jóvenes y adultos será igual a 3+√69

≅ 2.6533 , es decir, a largo plazo habrá aproximadamente 26 peces jóvenes

por cada 10 adultos. También tenemos que la población aumenta a una tasa
anual constante del 13% ya que,
3+√69
𝜆= ≅ 1.1307
10

En la siguiente tabla se puede observar más claramente las distintas

conclusiones que hemos obtenido en el desarrollo del ejercicio:

P n+1
año P j, n /P a,
/P n
n P j, n Pa, n Pn n
2.92
0 50 200 250 0,25
0.8055
1 600 130 730 4,61538462
1,34
2 390 198 588 1,96969697
1,05
3 594 197 791 3,01522843
INGENIERIA CIVIL
1,17
4 590 237 827 2,48945148
1,11
5 711 260 971 2,73461538
1,13
10 1287 485 1773 2,65360825
1,13
11 1456 549 2005 2,65209472
1,13
12 1646 620 2267 2,65483871
1,13
13 1861 701 2563 2,65477889
1,13
14 2104 793 2898 2,65321564
1,13
15 2378 897 3276 2,65105909
1,13
20 4397 1657 6054 2,65359083

EJEMPLO 4
Una ilustración de este modelo aplicado durante 20 generaciones (pájaros):
0 2
Sea A=[ ]
0.3 0.5
Esto significa que cada hembra adulta produce dos críos hembras y como se
supone que el número de machos es igual al número de hembras, al menos
cuatro huevos – y tal vez muchos más ya es probable que las pérdidas de
pajaritos recién nacidos sean altas. Se ve que ∝ y 𝛽 están en el intervalo
[0,1].
Como no es tan probable que sobrevivan los pájaros jóvenes como los
adultos, se debe tener que ∝< 𝛽. En la siguiente tabla se supone que en un
principio hay 10 hembras (y 10 machos) adultos y no hay jóvenes. Los
INGENIERIA CIVIL
cálculos se hicieron en computadora pero el trabajo no es demasiado
oneroso con una calculadora de bolsillo.

Por ejemplo,

0 2 0 20
p1=[ ] [ ]=[ ] de manera que p j,1=20 y que p a,1= 5, el total de
0.3 0.5 10 5
población de hembras después de un año es 25 y la razón de hembras
0 2 20 10
jóvenes a adultos es 4 a 1. En l 2do año p2=[ ] [ ]= [ ] que se
0.3 0.5 5 8.5
10 1
redondea a [ ] debido a que no se puede obtener 82 pájaros adultos.
8
En la tabla que se mostrará a continuación presenta las razones pj,n/pa,n y las
razones Tn/Tn-1 del total de hembras en los años sucesivos.

Año Núm.jóvenes Núm.adultos Pobla.tot.hembras

n pj,n pa,n Tn en el año n pj,n/pa,n † Tn/Tn-1 †

0 0 10 10 0 -

1 20 5 25 4.00 2.50

2 10 8 18 1.18 0.74

3 17 7 24 2.34 1.31

4 14 8 22 1.66 0.96

5 17 8 25 2.00 1.13

10 22 12 34 1.87 1.06

11 24 12 36 1.88 1.07

12 25 13 38 1.88 1.06

20 42 22 64 1.88 1.06
INGENIERIA CIVIL

De la tabla se percibe que la razón pj,n/pa,n se acerca a la constante 1.88,

mientras que la población total parece aumentar a una tasa constante de 6%
anual. Se verá si se puede determinar por qué ocurre esto.
Primero, supondremos que A tiene los valores propios reales distintos 𝜆1 y
𝜆2 con los vectores propios correspondientes v1 y v2. Como v1 y v2 son
linealmente independientes forman una base para R2 y se puede escribir:
po=a1v1 + a2v2 para algunos números reales a1 y a2 se convertirá
en:
pn= An(a1v1 + a2v2) pero, Av1= 𝜆1 v1 y A2 v1= A(Av1)=A(𝜆1 v1)= 𝜆1 Av1=
𝜆1 (𝜆1 v1) = 𝜆1 2 v1 , así se puede ver que An v1= 𝜆1 n v1 , An v2= 𝜆1 n v2 y
se tendría que:
pn= a1 𝜆1 1n v1 + = a2 𝜆 2n v2
−‫ﮑ‬ 𝑘
La ecuación característica de A es | |= ‫ﮑ‬ 2 - 𝛽‫ ﮑ‬- 𝑘𝛼=0, o sea, ‫ﮑ‬
∝ 𝛽−‫ﮑ‬
𝛽 ±√ 𝛽2 +4𝑘∝
= 2

Por suposición, k>0, o<∝<1 y 0< 𝛽<1. Entonces 4𝑘 ∝>0 y 𝛽 2 + 4𝑘 ∝>0;

esto significa que, sin duda, los valores propios son reales y diferentes y que
un valor propio es positivo y el otro es negativo; |λ1|>|λ 2| luego la
ecuación se puede escribir como:
λ
pn= λ1n [a1 v1 + (λ )n a2 v2 ]
2
1

λ λ
Como |λ2| <1 es evidente que (λ2)n se vuelve muy pequeña cuando n crece.
1 1

Entonces para n grande:

pn≈ a1λ1n v1
INGENIERIA CIVIL
Esto quiere decir que a la larga, la distribución de edades se estabiliza y es
proporcional a v1. Cada grupo de edad cambiará por un factor de ‫ﮑ‬1 cada
año.

EJEMPLO 5:
(referido a la tabla anterior)
Los valores y vectores propios de A determinan el comportamiento de
generaciones futuras.
0 2 0.5±√0.25+2.4
Para A=[ ]se tiene λ 2 – 0.5λ - 0.6=0, o sea, λ = de tal
0.3 0.5 2

manera que:
λ 1≈1.06 y λ 2≈-0.56
Esto explica el6% de aumento en la población que se observa en la última
columna de la tabla. Correspondiente al valor propio ‫ﮑ‬1 ≈ 1.06 ,
se calcula:
−1.06 2 𝑥1 0
(A – 1.06I)v1= [ ] [𝑥 ]=[ ] luego se tiene que 1.06x1 =2x2 de
0.3 −0.56 2 0
1
manera que v1=[ ] es un vector propio, de manera similar, (A + 0.56I)v2=
0.53
0.56 2 𝑥1 0
[ ] [𝑥 ]=[ ] luego se tiene que 0.56x1 +2x2 = 0 de manera que
0.3 1.06 2 0
1
v2=[ ] es un segundo vector propio. En v1 se tiene que 1 /0.53 ≈ 1.88
−0.28
Esto explica la razón pj,n/pa,n
Observación: En los cálculos anteriores se perdió la precisión porque se
redondeó a dos decimales. Se obtiene una exactitud mayor usando una
calculadora de mano o una computadora.
Es notable con cuánta información se cuenta a partir de un sencillo cálculo
de valores propios. Es de gran interés saber si la población eventualmente
1−𝛽
crecerá o decrecerá. Aumentará si ‫ﮑ‬1>1 , esto conduce a: k> 𝛼
 INGENIERIA CIVIL
Debe hacerse dos limitaciones de este modelo de crecimiento de la
población:
- Las tasas de nacimiento y muerte cambian con frecuencia de un año al otro
y dependen particularmente del clima. Este modelo supone un medio
ambiente constante.
- Los ecologistas han encontrado que para muchas especies las tasas de
nacimiento y muerte varían con el tamaño de la población. En particular,
una población no puede crecer cuando llega a cierto tamaño debido a los
efectos de una alimentación limitada y a la sobrepoblación. Es evidente que
una población no puede crecer en forma indefinida a una tasa constante. De
otra manera, esa población dominaría la tierra.

FORMAS CUADRÁTICAS.

Las ecuaciones y las formas cuadráticas que se definen a continuación,

surgen de muchas maneras. Por ejemplo se pueden usar formas cuadráticas
para obtener información sobre las secciones cónicas en R2 (círculos,
parábolas, hipérbolas, elipses) y extender esta teoría para definir ciertas
superficies, denominadas superficies cuadráticas en R3. Las formas
cuadráticas surgen en gran variedad de aplicaciones que van de la
descripción de las funciones de costo en economía al análisis del control del
recorrido de un cohete en el espacio.

DEFINICIÓN 1:

ECUACIÓN CUADRÁTICA Y FORMA CUADRÁTICA:

INGENIERIA CIVIL

1. Una ecuación cuadrática en dos variables sin términos lineales es una

ecuación de la forma:
𝑎𝑥 2 + 𝑏𝑥𝑦 + 𝑐𝑦 2 = 𝑑
Donde |𝑎| + |𝑏| + |𝑐| = 0. Esto es, al menos uno de los números a,b,y c es
diferente de cero.
2. Una forma cuadrática en dos variables es una expresión de la forma:
𝐹(𝑥, 𝑦) = 𝑎𝑥 2 + 𝑏𝑥𝑦 + 𝑐𝑦 2

Donde |𝑎| + |𝑏| + |𝑐| ≠ 0

Es evidente que las ecuaciones y las formas cuadráticas tienen una fuerte
relación. Se comenzará el análisis de las formas cuadráticas con un ejemplo:

EJEMPLO 1:
Considere la forma cuadrática 𝐹(𝑥, 𝑦) = 𝑥 2 − 4𝑥𝑦 + 3𝑦 2 sean

𝑥 1 −2
𝑣 = [𝑦] 𝑦 𝐴=[ ]
2 3

Entonces
1 −2 𝑥 𝑥 𝑥 − 2𝑦 𝑥
𝐴𝑣 ∙ 𝑣 = [ ] [𝑦] ∙ [𝑦] = [ ] ∙ [𝑦 ]
2 3 −2𝑥 + 3𝑦

= (𝑥 2 − 2𝑥𝑦) + (−2𝑥𝑦 + 3𝑦 2 ) = 𝑥 2 − 4𝑥𝑦 + 3𝑦 2 = 𝐹(𝑥, 𝑦)

De esta manera se ha representado la forma cuadrática F(x,y) mediante la

matriz simétrica A en el sentido de que

𝐹(𝑥, 𝑦) = 𝐴𝑣. 𝑣

De forma inversa, si A es una matriz simétrica, entonces la ecuación (3)

define una forma cuadrática
𝐹(𝑥, 𝑦) = 𝐴𝑣. 𝑣
INGENIERIA CIVIL
Se puede representar 𝐹(𝑥, 𝑦) por muchas matrices pro sólo por una matriz
1 𝑎
simétrica. Para esto, sea 𝐴 = [ ] , 𝑑𝑜𝑛𝑑𝑒 𝑎 + 𝑏 = −4. Entonces 𝐴𝑣. 𝑣 =
𝑏 3
𝐹(𝑥, 𝑦). Si por ejemplo.

EJEMPLO 2:

1 3 𝑥 + 3𝑦
𝐴=[ ] Entonces 𝐴𝑣 = [ ] 𝑦 𝐴𝑣. 𝑣 = 𝑥 2 − 4𝑥𝑦 + 3𝑦 2 , sin
−7 3 −7𝑥 + 3𝑦
embargo si insistimos en que A sea simétrica, entonces debe tenerse 𝑎 + 𝑏 =
−4 𝑦 𝑎 = 𝑏. Este par de ecuaciones tiene una solución única 𝑎 = 𝑏 = −2.
Si 𝐹(𝑥, 𝑦) = 𝑎𝑥 2 + 𝑏𝑥𝑦 + 𝑐𝑦 2 es una forma cuadrática, sea
𝑏
𝑎
𝐴=[ 2]
𝑏
𝑐
2
𝑏 𝑏
𝑎 𝑎𝑥 + ( )𝑦
𝐴𝑣. 𝑣 = [ 2] [𝑥 ] . [𝑥 ] = [ 2 ] . [𝑥 ]
𝑏 𝑦 𝑦 𝑏 𝑦
𝑐 ( ) 𝑥 + 𝑐𝑦
[ 2 ] 2
= 𝑎𝑥 2 + 𝑏𝑥𝑦 + 𝑐𝑦 2 = 𝐹(𝑥, 𝑦)

Se regresa ahora a la ecuación cuadrática (1). Usando (3) se puede escribir

(1) como :

𝐴𝑣. 𝑣 = 𝑑

Donde A es simétrica. Por teoremas anteriores existe una matriz ortogonal Q

tal que 𝐷 = 𝑄 −1 𝐴𝑄 ∴ 𝐴 = 𝑄𝐷𝑄 −1, entonces tendremos:

(𝑄𝐷𝑄 −1 𝑣). 𝑣 = 𝑑

Sabemos que: 𝐴𝑣. 𝑦 = 𝑣. 𝐴−1 𝑦

INGENIERIA CIVIL
𝑄(𝐷𝑄 −1 𝑣). 𝑣 = 𝐷𝑄 −1 𝑣. 𝑄 −1 𝑣

[𝐷𝑄 −1 𝑣]. 𝑄𝑣 = 𝑑

Sea v=Qv. Entonces v’ es un vector de 2 componentes y entonces

tendríamos

𝐷𝑣 ′ . 𝑣 ′ = 𝑑

Expresión de una forma cuadrática en las nuevas variables x’ y

y’ sin el término x’y’.

Considere la ecuación cuadrática 𝑥 2 − 4𝑥𝑦 + 3𝑦 2 = 6 como se vio la

1 −2
ecuación puede escribirse en la forma 𝐴𝑥. 𝑥 = 6 donde A=[ ].en el
−2 3
2 − √5 0
ejemplo anterior que diagonalizando tendríamos 𝐷 = [ ]
0 2 + √5
1 2 1 − √5
usando la matriz ortogonal 𝑄 = [ ].
√10−√5 −1 + √5 2

𝑥′ 1 2 1 − √5] [𝑥 ]
𝑥 ′ = [ ] = 𝑄′𝑥 = [ 𝑦
𝑦′ √10 − √5 −1 + √5 2

1 2𝑥 + (−1 + √5)𝑦
= [ ]
√10 − √5 (1 − √5)𝑥 + 2𝑦

Y para las nuevas variables, la ecuación se puede escribir como

2
(2 − √5)𝑥 ′ + (2 + √5)𝑦´2 = 6

Teorema de los ejes principales en R2.

Sea
𝑎𝑥 2 + 𝑏𝑥𝑦 + 𝑐𝑦 2 = 𝑑
INGENIERIA CIVIL
Una ecuación cuadrática en las variables x y y. entonces existe un número
único 𝜃 en [0,2𝜋] tal que la ecuación anterior se pueda escribir así:

′2
𝑎′𝑥′2 + 𝑐 ′𝑦 =𝑑

Donde x’ y y’ son los ejes obtenidos al rotal los ejes x y y y un ángulo 𝜃

En el sentido contrario a las manecillas del reloj. Más aun, los números a’ y
c’ son los valores propios de a. los ejes x’ y y’ se denominan ejes principales
de la gráfica de la ecuación cuadrática.

DEFINICIÓN 2:
Forma cuadrática:
𝑥1
𝑥2
Sea [ ⋮ ] y sea A una matriz simétrica de nxn. Entonces una forma
𝑥𝑛
cuadrática en 𝑥1, 𝑥2 , … , 𝑥𝑛 es una expresión de la forma

𝐹(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 𝐴𝑣. 𝑣
 INGENIERIA CIVIL

BIBLIOGRAFÍA:

 LIBRO: INTRODUCCIÓN AL ÁLGEBRA LINEAL, HOWARD ANTON.

 LIBRO: ÁLGEBRA LINEAL, 5ta edición, STANLEY I. GROSSMAN.

 http://es.wikipedia.org/wiki/Vector_propio_y_valor_propio#Definiciones

 http://es.wikipedia.org/wiki/David_Hilbert

 http://lc.fie.umich.mx/~jrincon/apuntes%20intro%20valores%20propios.p

df

 http://es.wikipedia.org/wiki/Matriz_diagonalizable

 http://sistemas.itlp.edu.mx/tutoriales/matematicas4/t65.htm
 INGENIERIA CIVIL
 http://es.scribd.com/doc/305838/Coleccion-De-Problemas--Aplicadas-A-

La-Ingeniería

 http://es.wikipedia.org/wiki/Forma_cuadr%C3%A1tica

 http://dialnet.unirioja.es

 http://es.wikipedia.org/wiki/Joseph-Louis_de_Lagrange

 http://www.biografiasyvidas.com/biografia/c/cauchy.htm

 http://sauce.pntic.mec.es/~rmarti9/euler1.html

 http://matematicas.unex.es/~mamulero/biologos/temaV.pdf

 http://www.biografiasyvidas.com/biografia/c/cayley.htm

 http://es.wikipedia.org/wiki/Carl_Friedrich_Gauss