VALORES Y VECTORES PROPIOS

Valores y vectores propios

Definicion: Sea 𝐴 una matriz cuadrada de orden 𝑛. Diremos que 𝛌 es un valor
propio (valor característico o autovalor) de 𝐴 si existe un vector 𝑥 ∈ ℝ𝑛 no nulo
tal que
𝐴𝑋 = 𝜆𝑋
Dicho vector se denomina vector propio (vector característico o autovector)
asociado a 𝜆.

2 1
Ejemplo: Sea 𝐴 = , el número 𝜆 = 5 es un valor propio de 𝐴, pues para el vector
3 4
(1,3) se tiene :
2 1 1 5 1
= =5
3 4 3 15 3
Teorema 1: Sea 𝐴 una matriz cuadrada, el número 𝜆 es un autovalor de 𝐴 si y sólo si
det 𝐴 − 𝜆𝐼𝑛 = 0.

Definición: Sea 𝐴 una matriz cuadrada de orden 𝑛, al polinomio (de grado 𝑛 en 𝜆) 𝑝 𝜆 = det(𝐴 − 𝜆𝐼𝑛 )
se le llama polinomio característico de 𝑨.

Teorema 2: Sea 𝐴 una matriz cuadrada de orden 𝑛 y 𝜆 un autovalor de 𝐴. El conjunto de vectores

propios asociados a 𝜆, junto con el vector nulo, es un subespacio de ℝ𝑛 llamado espacio propio de 𝛌 y
denotado por 𝐸𝜆 , es decir,
𝐸𝜆 = {𝑥 ∈ 𝑀𝑛𝑥1 : 𝐴𝑥 = 𝜆𝑥} = 𝑥 ∈ 𝑀𝑛𝑥1 : 𝐴 − 𝜆𝐼𝑛 𝑥 = 0𝑛𝑥1
 Pasos para determinar los valores y vectores propios

1. Calcular la matriz 𝐴 − 𝜆𝐼𝑛 .

2. Calcular el polinomio (o ecuación) característico de la matriz 𝐴, el cual se
obtiene calculando el determinante det(𝐴 − 𝜆𝐼𝑛 ), es decir,
p 𝜆 = det 𝐴 − 𝜆𝐼𝑛 .
3. Calcular las raíces del polinomio característico 𝑝 𝜆 = 0 (tales raíces
pueden ser complejas).
4. Cada uno de los valores obtenidos en el paso 2 se sustituyen en la matriz
𝐴 − 𝜆𝐼𝑛 y se resuelve el sistema de ecuaciones 𝐴 − 𝜆𝐼𝑛 𝑥 = 0𝑛𝑥1 .
5. Las soluciones obtenidas en el paso 4 serán los autovectores asociados a
cada autovalor 𝜆.
Ejemplo:
1. Calcular los autovalores y autovectores asociados a las matrices:
1 1 1
3 −5
𝐴 = 1 1 −1 , 𝐵 =
1 −1
1 −1 1

2. Calcular los valores de 𝑎 y 𝑏 para que el vector (-1,1) sea un autovector

3 𝑎
asociado al autovalor 𝜆 = 1 en la matriz 𝐴 =
−1 𝑏

Definición: Sea 𝑝 𝜆 = (𝜆 − 𝜆1 )𝑟1 (𝜆 − 𝜆2 )𝑟2 … (𝜆 − 𝜆𝑘 )𝑟𝑘 el polinomio

característico de la matriz 𝐴, entonces
• La multiplicidad algebraica de 𝝀𝒊 es 𝑟𝑖 .
• La multiplicidad geométrica de 𝝀𝒊 es dim 𝐸𝜆 𝑖 = 𝜈(𝐴 − 𝜆𝑖 𝐼).

Teorema 3: Sea 𝜆 un valor característico de 𝐴 entonces, la multiplicidad

geométrica de 𝜆 es menor o igual que la multiplicidad algebraica de 𝜆.
Observaciones:
 Contando Multiplicidades, toda matriz de orden 𝑛𝑥𝑛 tiene exactamente n valores
característicos.
 Una matriz real puede tener valores y vectores característicos complejos.
 Los valores característicos complejos de una matriz real ocurren en pares complejos
conjugados.
 Los vectores característicos correspondientes a los valores característicos complejos
son complejos conjugados entre sí.

Teorema 4: Los valores característicos de una matriz triangular son las componentes
diagonales de la matriz.
Ejemplo:
Calcular los autovalores de la matriz
−2 0 0
A= 0 −4 0
0 0 4

Teorema 5: Sea 𝐴 una matriz cuadrada de orden 𝑛 y sea 𝜆1 , 𝜆2 , … , 𝜆𝑚 ∈ ℛ, valores

característicos distintos de 𝐴 (es decir, 𝜆𝑖 ≠ 𝜆𝑗 si 𝑖 ≠ 𝑗) con vectores característicos
correspondientes 𝑣1 , 𝑣2 , … , 𝑣𝑚 . Entonces 𝑣1 , 𝑣2 , … , 𝑣𝑚 son linealmente
independientes. Esto es, los vectores característicos correspondientes a valores
característicos distintos son linealmente independientes
 Diagonalización
Definicion: Dos matrices 𝐴 y 𝐵 de orden 𝑛 son equivalentes (o semejantes) si
existe una matriz invertible 𝐶 tal que
𝐵 = 𝐶 −1 𝐴𝐶 o 𝐶𝐵 = 𝐴𝐶

−6 0 −6 −6 2 −10
Ejemplo: Las matrices A= 6 −6 6 y B = = −9 −9 −15 son
0 0 −12 3 1 7
1 1 1
semejantes , ya que , la matriz P = 1 −1 1 es invertible y
1 0 2
2 2 2
−1 1
𝑃 = 3 −3 0 y se cumple 𝐵 = 𝑃−1 𝐴 𝑃
6
1 1 −2
Teorema 6: Si 𝐴 y 𝐵 son equivalentes, entonces 𝐴 y 𝐵 tienen el mismo
polinomio característico y por tanto los mismos autovalores.

Ejemplo:
−2 0 0 −2 2 −2
Las matrices A= 0 −4 0 y B = = 2 −2 −2 son semejantes
0 0 4 −2 −2 2

Definición: Una matriz 𝐴 de orden 𝑛 es diagonalizable si existe una matriz

diagonal 𝐷 tal que 𝐴 es equivalente a 𝐷.
Teorema 7: Una matriz 𝐴 de orden 𝑛 es diagonalizable si y sólo si 𝐴 tiene 𝑛
vectores propios linealmente independientes, en este caso, la matriz 𝐷
equivalente a 𝐴 esta dada por:
𝜆1 0 … 0
0
𝐷 = 0 𝜆2 … ⋮
⋮ ⋮ ⋱
0 0 … 𝜆𝑛
Donde 𝜆1 , 𝜆2 , … , 𝜆𝑛 son los autovalores de 𝐴. Si 𝐶 es la matriz cuyas
columnas son los autovectores de 𝐴, entonces
𝐷 = 𝐶 −1 𝐴𝐶.

Corolario: Si la matriz 𝐴 de orden 𝑛 tiene 𝑛 valores característicos

diferentes, entonces 𝐴 es diagonalizable.

 A 𝑒𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙𝑖𝑧𝑎𝑏𝑙𝑒 𝑎ú𝑛 𝑐𝑢𝑎𝑛𝑑𝑜 𝑠𝑢𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑜𝑠 𝑛𝑜

𝑠𝑒𝑎𝑛 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑡𝑒𝑠
Teorema 8: 𝐴 ∈ 𝑀𝑛𝑥𝑛 (ℛ) tiene n autovectores linealmente independientes si
y sólo si 𝑃 𝜆 tiene sólo raíces reales y la multiplicidad algebraica, de cada uno
de los autovalores de A, es igual a su multiplicidad geométrica. En particular si
A tiene n autovalores distintos, entonces A tiene n autovalores linealmente
independientes.

Ejemplo:
En caso de ser posible, diagonalize las siguientes matrices.

1 1 1 1 −1 4
3 −5
𝐴= 1 1 −1 , B= , C= 3 2 −1
1 −1
1 −1 1 2 1 −1

 Como existe un número infinito de maneras en las cuales se puede elegir un

vector característico, existe un número infinito de formas para seleccionar una
matriz diagonal D.
 Matrices Simétricas y Diagonalización Ortogonal

Teorema 9: Sea A una matriz simétrica real de orden 𝑛 . Entonces los

valores característicos son reales.

Teorema 10: Si 𝐴 es una matriz simétrica real de orden 𝑛 con valores

propios diferentes 𝜆1 y 𝜆2 y vectores propios correspondientes 𝑣1 y 𝑣2 ,
entonces 𝑣1 y 𝑣2 son ortogonales.

Teorema 11: Si 𝐴 es una matriz simétrica de orden 𝑛, entonces 𝐴 tiene

𝑛 vectores propios reales ortonormales.
Definición: Se dice que una matriz real 𝐴 de orden 𝑛 es diagonalizable
ortogonalmente, si existe una matriz ortogonal 𝑄 tal que
𝑄𝑇 𝐴𝑄 = 𝐷

Donde 𝐷 = 𝑑𝑖𝑎𝑔 𝜆1 , 𝜆2 , … , 𝜆𝑛 y 𝜆1 , 𝜆2 , … , 𝜆𝑛 son los valores propios de 𝐴.

Teorema 12: Sea 𝐴 una matriz real de orden 𝑛. Entonces 𝐴 es

diagonalizable ortogonalmente si y sólo si 𝐴 es simétrica.
Procedimiento para encontrar una matriz diagonalizable Q

1. Encontrar una base para cada espacio característico de A.

2. Encontrar una base ortonormal para cada espacio característico de A usando
Gram Schmidt.
3. 𝑄 es la matriz cuyas columnas son los vectores propios ortonormalizados.

Ejemplo:
Diagonalizar la siguiente matriz usando una matriz ortogonal

1 1 1
𝐴= 1 1 −1 .
1 −1 1
Definición:
Sea 𝑉 un espacio vectorial de dimensión finita y 𝑇: 𝑉 → 𝑉 una
transformación lineal, diremos que 𝜆 ∈ ℛ es un valor propio de 𝑇 y que
𝑣 ∈ 𝑉, 𝑣 ≠ 0𝑉 es un vector propio de 𝑇 asociado a 𝜆 si y sólo si T 𝑣 = 𝜆𝑣

Teorema 13:
Sea 𝑉 un espacio vectorial de dimensión finita, 𝛽 una base de 𝑉, 𝑇: 𝑉 → 𝑉
una transformación lineal y 𝐴 la matriz asociada a 𝑇 en la base 𝛽, 𝜆 es un
valor propio de 𝑇 y 𝑣 ∈ 𝑉 es un vector propio asociado a 𝜆 si y sólo si 𝜆 es
un valor propio asociado a 𝐴 y 𝑣 𝛽 es un vector propio asociado a 𝜆.

Ejemplo:
Determinar los valores y vectores propios de la transformación
𝑇: 𝑃2 𝑥 → 𝑃2 (𝑥) dada por :
𝑇 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 = 𝑎 + 2𝑏 − 𝑐 + 𝑎 + 𝑐 𝑥 + (4𝑎 − 4𝑏 + 5𝑐)𝑥 2
Teorema 14:
Sea 𝑉 un espacio vectorial de dimensión finita con bases 𝛽1 y 𝛽2 . Sea
𝑇: 𝑉 → 𝑉 una transformación lineal , si 𝐴 𝑇,𝛽1 es la representación
matricial de 𝑇 respecto a la base 𝛽1 y 𝐴 𝑇,𝛽2 es la representación matricial
de 𝑇 respecto a la base 𝛽2 , entonces 𝐴 𝑇,𝛽1 = 𝐴 𝑇,𝛽2 son semejantes.

Definición
Sean 𝑉 un espacio vectorial de dimensión finita, 𝛽 una base de 𝑉 y
𝑇: 𝑉 → 𝑉 una transformación lineal. Diremos que 𝑇 es diagonalizable si
𝐴 𝑇,𝛽 es diagonalizable.

Ejemplo:
Determinar si la transformación 𝑇: 𝑃2 𝑥 → 𝑃2 (𝑥) dada por :
𝑇 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 = 𝑎 + 2𝑏 − 𝑐 + 𝑎 + 𝑐 𝑥 + (4𝑎 − 4𝑏 + 5𝑐)𝑥 2
es diagonalizable.