EIGEN VECTORES, EIGEN VALORES Y

POLINOMIO CARACTERÍSTICO DE UNA MATRIZ

EIGENVALUES, EIGENVECTORS AND CHARACTERISTIC POLYNOMIAL OF A MATRIX.

OMAR ARGUELLO
24 de junio de 2013

Resumen
El artı́culo que se presenta a continuación es un estudio comprensivo del concepto y aplicabi-
lidad de los Eigen vectores, Eigen valores y de los Polinomios caracterı́sticos de una matriz.
Se realiza una consulta masiva de conceptos basándose esencialmente en el libro “Linear Al-
gebra and its applications” para obtener un proceso ordenado de explicación e introducción
al tema. Los resultados obtenidos serán reflejados en el aprendizaje de los conceptos básicos
de dichos temas para desarrollar dentro de los temas antes vistos.
Palabras clave: Aplicabilidad, Eigen vectores, Eigen valores, Polinomios caracterı́sticos de
una matriz.
Abstract
The following article shows a deep study of the Eigen values, Eigen vectors and Characte-
ristic polynomial of a matrix’s concept and applicability. We developed a massive research
about concepts based essentially on the “Linear Algebra and its applications” in order to
obtain an ordered process of explanation and introduction to the main topic. The results
obtained will be reflected in the basic concepts learning of each topic in order to develop it
within the already looked at topics.
Key words: Applicability, Eigen values, Eigen vectors, Characteristic Polynomial of a matrix.

INTRODUCCIÓN
En este documento se presentará la correcta manera de encontrar los Eigen vectores, Eigen
Valores y el Polinomio Caracterı́stico de una matriz. Son conocimientos secuenciales lo cual
nos indica que para entender uno de los conceptos dependemos del total comprendimiento
del otro. Se estudia dichos conceptos para la búsqueda de aplicaciones en las que se puedan
implementar estos conocimientos y de esta manera agilizar el trabajo y optimizar recursos.
Se realiza un estudio minuicioso a cada ecuación para determinar los teoremas y concluir
con una definición mas amigable para el estudiante.

1
 METODOLOGÍA
EIGEN VALORES Y EIGEN VECTORES

Para entender el concepto de los Eigen valores se debe entender primero el concepto de los
Eigen vectores, casi todos los vectores cuando son multiplicados por A cambian de dirección,
excepto en ciertos casos donde el vector X está en la misma dirección que AX, a estos vectores
se los denomina Eigen Vectores, esto quiere decir que si multiplicamos un Eigen vector X
por una matriz A, el valor de AX será entonces λ veces el vector X teniendo ası́:

A∗X =λ∗X

Dicha ecuación determina que el valor de λ cambia su longitud más no su dirección, dicho
valor entonces es llamado Eigen Valor. Este valor indica si el vector X está siendo alargado
o reducido cuando es multiplicado por la matriz A, pudiendo ası́ encontrar valores para λ
como λ = 1 o λ = 2 o λ = 21 . El Eigen valor puede ser 0, lo que significa que el Eigen vector
se encuentra en el espacio nulo.

Si la matriz A es una matriz identidad, cada vector tiene A ∗ X = X, lo que quiere de-
cir que todos los vectores de I son Eigen Vectores, y todos los Eigen Valores λ son iguales a 1.

Demostración:
Siendo:  
0,8 0,3
A=
0,2 0,7

Sustraemos λ ∗ x en ambos lados:

A∗X −λ∗X =λ∗X −λ∗X

A∗X −λ∗X =0

Si multiplicamos una matriz Identidad por λ no cambia el sentido de la ecuación, teniendo ası́:

A∗X −λ∗I ∗X =0

Sacamos factor común X:

(A − λ ∗ I) ∗ X = 0

Para que la ecuación no tenga soluciones triviales el determinante de A − λ ∗ I tiene que ser
0 para que se cumpla la ecuación.

2
Resolvemos el ∆ para (A − λ ∗ I):

 
0,8 − λ 0,3
∆
0,2 0,7 − λ

3λ 1
∆ = λ2 − +
2 2

Factorizando obtenemos:

(λ − 1) y (λ − 21 )

Se obtienen dos Eigen valores: λ = 1 y λ = 12 . Para dichos valores la ecuación A − λ ∗ I = 0

Primer paso:
Reemplazamos el valor de λ en la ecuación

A−λ∗I =0

B=0
Igualamos A − λ ∗ I = B

Obtenemos:
   
0,8 0,3 1 0
B= −λ∗
0,2 0,7 0 1

Para el valor de λ = 1 calculamos los Eigen Vectores:

 
0,8 − 1 0,3
B=
0,2 0,7 − 1
Entonces:
   
−0,2 0,3 0
=
0,2 −0,3 0
Resolvemos por Gauss Jordan:

1. F2 − F1
   
−0,2 0,3 0
=
0 0 0

3
 2. −5 ∗ F1    
1 −1,5 0
=
0 0 0

Obtenemos:
3X2
X1 − =0
2
3
X 1 = X2
2
 3 
∗ X 2
X= 2
X2
X2 = α
 3 
X =α∗ 2
1
Debido a que α puede ser cualquier número perteneciente a los R excepto el 0, asignamos
un valor cualquiera, en este caso asignaremos el valor de 2, entonces:
     
3 3 0,8 0,3
= ∗
2 2 0,2 0,7
   
3 2,4 + 0,6
=
2 0,6 + 1,4
   
3 3
=
2 2
Por lo tanto los Eigen Vectores para la Matriz A son:
 3 
X = α ∗ 2 | α 6= 0
1
1
Para el valor de λ = 2
calculamos los Eigen Vectores:

0,8 − 12
 
0,3
B= 1
0,2 0,7 − 2
Entonces:
   
0,3 0,3 0
=
0,2 0,2 0
Resolvemos por Gauss Jordan:

4
 1. 0,3 ∗ F2 − 0,2 ∗ F1
   
0,3 0,3 0
=
0 0 0

Obtenemos:

0,3 ∗ X1 + 0,3 ∗ X2 = 0
0,3 ∗ X1 = −0,3 ∗ X2
X1 = −X2
 
−X2
X=
X2
X2 = β
 
−1
X=β∗
1
Debido a que β puede ser cualquier número perteneciente a los R excepto el 0, asignamos
un valor cualquiera, en este caso asignaremos el valor de 1, entonces:
     
−1 −1 0,8 0,3
λ∗ = ∗
1 1 0,2 0,7
 1   
−2 −0,8 + 0,3
1 =
2
−0,2 + 0,7
 1   1 
−2 −2
1 = 1
2 2

Por lo tanto los Eigen Vectores para la Matriz A son:

 
−1
X=β∗ | β 6= 0
1

POLINOMIO CARACTERÍSTICO DE UNA MATRIZ

En álgebra lineal, se asocia un polinomio a cada matriz cuadrada llamado polinomio carac-
terı́stico. Dicho polinomio contiene una gran cantidad de información sobre la matriz, los
más significativos son los valores propios, su determinante y su traza.
Siendo:  
a b
A=
c d

5
De la deducción vista en Eigen Vectores y Eigen Valores acerca del determinante de A − λ ∗ I
igualandolo a 0 podemos decir entonces que:
   
a b 1 0
A−λ∗I = −λ∗
c d 0 1
   
a b λ 0
A−λ∗I = −
c d 0 λ
 
a−λ b
A−λ∗I =
c d−λ
A−λ∗I =0
 
a−λ b
0=
c d−λ
El polinomio caracterı́stico de λ tiene que ser igualado a 0, teniendo ası́:

P(λ) = ∆(A − λ ∗ I)
 
a−λ b
P(λ) = ∆
c d−λ
P(λ) = (a − λ) ∗ (d − λ) − b ∗ c
P(λ) = a ∗ d − a ∗ λ − d ∗ λ + λ2 − b ∗ c
Ordenando:
P(λ) = λ2 − λ ∗ (a + d) − b ∗ c + a ∗ d
Si observamos (a ∗ d − b ∗ c) es el ∆(A).
Teniendo en cuenta que la traza de la matriz A [Tr(A)] está presente en la ecuación del
polinomio caracterı́stico deducimos que el coeficiente de la variable λ en dicha ecuación es
la traza de la matriz A [Tr(A)].
Deducimos ası́ que el polinomio caracterı́stico de la matriz está dado de la siguiente manera:

P(λ) = λ2 − λ ∗ T r(A) + ∆(A)

CONCLUSIONES
• Los Eigen Valores no cambian la dirección del vector, pero pueden cambiar de distintas
maneras la longitud del mismo.
• Para calcular los Eigen Vectores a partir de una matriz dada se debe despejar el polinomio
caracterı́stico de la matriz y de esta concluir mediante procesos matemáticos los valores que
puede tomar λ para cumplir los requisitos de una matriz para tener Eigen Valores en un no
espacio nulo.
• Los Eigen vectores de una matriz pueden ser varios, siempre y cuando el coeficiente α no
sea igual a 0.

6
 BIBLIOGRAFÍA
• Strang,G. (2009). ”Introduction to Linear Algebra, 4th Edition”.Massachusetts Institute
of Technology. Chapter 6:Eigenvalues.
• Butcher, D. (18 de Enero del 2013). ”Finding all Eigenvectors (Nonzero Eigenspace) for
an Eigenvalue. http://www.youtube.com/watch?v=5CQ8QB6zrfg.
• Butcher, D. (18 de Enero del 2013). ”How to Find an Eigenvalue and all it’s Eigenvectors.
http://www.youtube.com/watch?v=UIW2tePm2hw.
• Butcher, D. (18 de Enero del 2013). ”The Characteristic Polynomial for a 2x2 Matrix.
http://www.youtube.com/watch?v=qvy1FF2k66Y
• Lay, D. Linear Algebra and its applications”. Chapter 5: Eigen values and Eigen vectors.