Capı́tulo 4

Aprendiendo

Valores y vectores propios

En este capı́tulo presentamos conceptos de valores y vectores propios,

polinomio caracterı́stico y diagonalización de matrices. Para ser más
exactos, el presente enfoque se propone seleccionar un operador lineal
sobre un espacio vectorial de dimensión finita y separarlo para ver qué
es lo que lo hace importante.

Los valores y vectores propios son muy importantes tanto en ciencias

naturales, ingenierı́a y ciencias sociales, lo cual independientemente de la
gran variedad de sus aplicaciones, es necesario trabajar simultáneamente
con muchos datos, por lo tanto es necesario el uso de las matrices y
vectores.

El objetivo de este capı́tulo es presentar algunas definiciones y

propiedades de valores y vectores propios.

7.1 Valores y vectores propios.

7.2 Matrices similares.
7.3 Diagonalización de matrices.
2 Profesor: Adeluz Apaza Valdivia

4.1 ¿Para qué sirve valores y vectores propios?1

Los valores y vectores propios desempeñan un papel muy importante
en el campo de la ingenierı́a y las matemáticas. Algunos de estos campos
de aplicación son ecuaciones diferenciales, estabilidad de sistemas lineales,
sistemas eléctricos (componentes simétricos), polos y ceros de funciones
transferencia, diagonalización de matrices y muchas otras áreas de la cien-
cia y de la vida diaria.

1 Recuerde, reconocer que nos hemos equivocado nos hace grandes.

Capı́tulo 3: Transformaciones lineales 3

4.2 Valores y vectores propios.1

La meta de esta sección es conocer los vectores que son transformados
por operadores lineales en múltiplos de si mismos. Los escalares y vectores
que cumplen esta relación juegan un papel importante en el desarrollo del
presente curso. Es por eso que daremos un nombre especial de valores y
vectores propios.

Cabe señalar que a lo largo del proceso seguiremos asumiendo que V es

espacios vectoriales y T : V → V un operador lineal sobre V.

Definición 1. (Valor y vector propio de un operador lineal)

Se llama valor propio del operador lineal T : V → V, a todo escalar

λ ∈ R tal que existen vectores no nulos v en V que cumplen:
T (v) = λv.
En este caso, se dice que v es un vector propio de T asociado a λ.

Observemos que un vector propio solo puede pertenecer a un solo valor

propio. Dentro de esto, los valores propios presentados lı́neas arriba suelen
llamarse también raı́ces caracterı́sticas, eigenvalores, valores caracterı́sticos
o valores espectrales.

Observación 1. La condición de que existan vectores no nulos en la

definición anterior es indispensable, pues de lo contrario todo escalar serı́a
valor propio, pues:
T (0) = λ0,
y la definición no tendrı́a interés. Asimismo, observemos que no hay ningu-
na restricción sobre los escalares.

Una vez presentada valores y vectores propios, veamos a continuación

este concepto con un par de ejemplos bastante simples.

Ejemplo 1. Sean V = R2 y el operador lineal T : R2 → R2 dada por:

T (x, y) = (2x, 3y).

1 Recuerde, los valores propios de una matriz son números reales.
4 Profesor: Adeluz Apaza Valdivia

Claramente λ = 2 es un valor propio con vector propio (6, 0); λ = 3 es

también un valor propio de T con vector propio (0, −2).

Ejemplo 2. Sea V = R3 y el operador lineal T : R3 → R3 dada por:

T (x, y, z) = (3x, x − y, 2x + y + z),

entonces para T cumple:

T (8, 2, 9) = (24, 6, 27) = 3(8, 2, 9)

T (0, 2, −1) = (0, −2, 1) = −1(0, 2, −1)
T (0, 0, 1) = (0, 0, 1) = 1(0, 0, 1).

Por lo tanto, 3, −1 y 1 son valores propios del operador T .

Ejemplo 3. Sea T : V → V el operador identidad dado por:

T (v) = v,

entonces el número 1 es el único valor propio de T .

Ejemplo 4. Sean V un espacio vectorial cualquiera y T un operador

lineal no inyectivo de V, entonces por definición se tiene que el núcleo
Ker(T ) 6= {0}, y si v ∈ Ker(T ), v 6= 0, entonces:

T (v) = 0 = 0 v.

Esto significa que 0 es un valor propio de todo operador lineal no inyectivo.

Debemos señalar que un valor propio tiene infinitos vectores propios no

nulos; por ello damos la siguiente definición.

Definición 2. (Conjunto de vectores propios)

Sea λ un valor propio de T : V → V, entonces su correspondiente

conjunto de todos los vectores propios asociados a λ se define por:
Vλ = {v ∈ V tal que T (v) = λv}.

Nótese que Vλ 6= 0 si y sólo si λ es valor propio de T , en tal caso Vλ es un

subespacio propio de T asociado al valor propio λ, como veremos enseguida.
Capı́tulo 3: Transformaciones lineales 5

Observación 2. El conjunto Vλ es un subespacio de V. Esto es cier-

to ya que si u, v ∈ Vλ y α, β ∈ R cumple:

T (αu + βv) = T (αu) + T (βv) = αT (u) + βT (v)

= α(λu) + β(λv) = (αλ)u + (βλ)v
= λ(αu + βv).

Esto muestra que αu + βv ∈ Vλ , lo cual implica que Vλ es un subespacio de

V. Es claro entonces que el subespacio propio contiene a todos los vectores
propios correspondientes a λ y además al vector nulo.

Definición 3. (Multiplicidad geométrica)

Se llama multiplicidad geométrica del valor propio λ a la dimensión

del subespacio propio Vλ .

Es interesante notar que la definición de valores y vectores propios:

T (v) = λv
se puede escribir empleando el operador identidad I de V como sigue:

T (v) = λI(v)
T (v) − λI(v) = 0
(T − λI)(v) = 0.

De esto sacamos en claro, que λ es valor propio de T , si existen vectores

no nulos tales que:
(T − λI)(v) = 0.
Esto significa que el operador lineal T − λI no es inyectiva y por tanto, se
tiene Ker(T − λI) 6= {0}. Para ser más precisos,
λ es valor propio de T ⇔ Ker(T − λI) 6= {0},

lo cual significa que λ es valor propio de T si y sólo si el operador T − λI

no es inyectivo.

Veamos a continuación la siguiente propiedad de los valores y vectores

propios, consecuencia de lo expuesto lı́neas arriba.
6 Profesor: Adeluz Apaza Valdivia

Propiedad 1. (Criterio de equivalencia de valores propios)

Sea T : V → V un operador lineal y sea λ un escalar. Entonces las

siguientes afirmaciones son equivalentes:
1. λ es un valor propio de T .
2. Ker(T − λI) 6= {0}.
3. El operador T − λI es singular (no es invertible).

Recordemos que cada transformación lineal T de un espacio vectorial

de dimensión finita se puede representar por medio de una matriz A de
orden n, la cual permite conocer propiedades de la transformación lineal
T . Por ejemplo, es claro que T es invertible si y sólo si det(A) 6= 0. Si la
matriz A tiene un aspecto sencillo es muy fácil obtener información de T
a partir de ella. La forma más simple que puede tener una matriz es la
forma diagonal. A continuación veremos los valores y vectores propios de
una matriz cuadrada A que representa al operador lineal T .

Definición 4. (Valores y vectores propios de una matriz)

Sea A una matriz que representa al operador T : V → V. Diremos

que un número real λ es un valor propio de A si:
A(v) = λv,
Aquı́, el vector no nulo v se llama vector propio de A asociado a λ.

Observación 3. Notemos que la ecuación de la definición anterior:

A(v) = λv,
que sirve para hallar los valores y vectores propios se puede escribir por:
(A − λI)v = 0,
lo cual se expresa también diciendo que los vectores propios, si existen,
son soluciones de dicho sistema lineal homogéneo. Sabemos que este siste-
ma tiene soluciones distintas de la trivial si, y sólo si, la matriz cuadrada
A − λI es singular, o equivalentemente, si:
det(A − λI) = 0.
Capı́tulo 3: Transformaciones lineales 7

Ası́, tenemos la siguiente propiedad que nos habla sobre como determinar
los valores propios de una matriz.

Propiedad 2. (Fórmula para hallar valores propios)

Sea A = (aij ) una matriz de n × n. Los valores propios de A son

todos los escalares λ que verifican la ecuación:
det(A − λI) = 0,
donde I es la matriz identidad de n × n.

Debemos indicar que si A = (aij ) es una matriz cuadrada de orden

n ≥ 1 sobre R, entonces se define el polinomio caracterı́stico de A por:
 
a11 − λ a12 ··· a1n
 a21 a22 − λ · · · a2n 
pA (λ) = det(A − λI) = det  .
 
.. .. .. .
..
 . . . 
an1 an2 ··· ann − λ
Es importante notar que p es un polinomio mónico de grado n. Es más,
que los valores propios son las raı́ces reales del polinomio caracterı́stico y
por lo tanto, los valores propios pueden ser repetidos, con lo que podemos
decir que multiplicidad algebraica de un valor propio significa el número
de veces que aparece como raı́z de dicho polinomio.

La teorı́a de valores y vectores propios de matrices está relacionada de

manera obvia con la teorı́a de transformaciones lineales. Como veremos en
la siguiente observación.

Observación 4. Si T : V → V es un operador lineal de un espacio

vectorial V de dimensión finita n ≥ 0. Entonces se define el polinomio ca-
racterı́stico de T como el polinomio caracterı́stico de la matriz de T en
cualquier base, y se denota por pT (λ). En otras palabras, el polinomio ca-
racteristico de T es un invariante de T que no depende de la base elegida
en V, y se tiene que pT (λ) = pA (λ), donde A es la matriz de T .

El polinomio caracterı́stico es un instrumento para hallar los valores

propios de una matriz. Antes de entrar en ejemplos, presentamos los pasos
que debemos seguir para hallar los valores y vectores propios.
8 Profesor: Adeluz Apaza Valdivia

Pasos para hallar los valores y vectores propios

Paso 1. Determinar el polinomio caracterı́stico, esto es:

pA (λ) = det(A − λI).
Paso 2. Calcular las raı́ces λ1 , λ2 , · · ·, λn de la ecuación:
pA (λ) = 0.
Paso 3. Resolver el sistema homogéneo:
(A − λi I) v = 0,
que corresponde a cada valor propio λi encontrado.

Ejemplo 5. Sea T el operador dado en la base canónica por la matriz:

 
4 2
A= .
3 3
Determinar los valores y vectores propios de A.

Solución. Repitamos los pasos dados lı́neas arriba. Primero hallamos

el polinomio caracterı́stico por la fórmula:
pA (λ) = det(A − λI),
Reemplazando los valores respectivos y calculando determinante se tiene:
 
4−λ 2
pA (λ) = det = λ2 − 7λ + 6.
3 3−λ
El segundo paso consiste resolver pA (λ) = 0, ó lo que es lo mismo resolver:

λ2 − 7λ + 6 = 0.
Factorizando se tiene claramente que λ1 = 1 y λ2 = 6, los cuales son los
valores propios de A.
Finalmente, resolvemos el sistema homogéneo que corresponde a cada
valor propio λ1 y λ2 , como sigue:
1. Para el valor propio λ1 = 1. Se resuelve el sistema (A − I)v = 0, o lo
que es lo mismo:
    
3 2 x1 0
= .
3 2 x2 0
Capı́tulo 3: Transformaciones lineales 9

Es evidente que cualquier vector propio correspondiente a λ1 = 1

satisface 3x1 + 2x2 = 0. Uno de tales vectores propios es por ejemplo;
 
2
v1 = .
−3
2. Para λ1 = 6. Se resuelve el sistema (A − 6I)v = 0, o lo que es lo
mismo:     
−2 2 x1 0
= .
3 −3 x2 0
De esto se tiene x1 = x2 . Ası́, uno de tales vectores propios es;
 
1
v2 = .
1

Ası́, termina la solución deseada.

Ejemplo 6. Sea A la matriz de orden 3 × 3 dada por:

 
1 −1 4
A= 3 2 −1  .
2 1 −1

Encontrar los valores y vectores propios de A.

Solución. Como es sabido, debemos seguir los siguientes pasos:

1. Primero hallamos el polinomio caracterı́stico p(λ) = det(A − λI), o
lo que es lo mismo, reemplazando y desarrollando el determinante,

pA (λ) = −λ3 + 2λ2 + 5λ − 6.

2. En segundo lugar, resolvemos la ecuación pA (λ) = 0; factorizando

obtenemos los valores propios λ1 = 1 λ2 = −2 y λ3 = 3.
3. El tercer paso es resolver el sistema homogéneo que corresponde a
cada valor propio λi , esto es:
• Para λ1 = 1, se tiene el sistema:
    
0 −1 4 x1 0
(A − I)v =  3 0 3   x2  =  0  ,
2 0 2 x3 0
10 Profesor: Adeluz Apaza Valdivia

cuya solución es x1 = −x3 y x2 = 4x3 . Ası́, un vector propio es:

 
−1
v1 =  4  .
1

• Para λ2 = −2, se tiene el sistema:

    
3 −1 4 x1 0
(A + 2I)v =  3 4 −1   x2  =  0  ,
2 1 1 x3 0
cuya solución es x2 = −x1 y x3 = −x1 . Un vector propio es:
 
1
v2 =  −1  .
−1

• Para λ3 = 3, se tiene el sistema:

    
−2 −1 4 x1 0
(A − 3I)v =  3 −1 −1   x2  =  0  ,
2 1 −4 x3 0
cuya solución es x3 = x1 y x2 = 2x1 . Ası́, un vector propio será:
 
1
v3 =  2  .
1

De todo esto se concluye la solución deseada.

Recordemos que el núcleo de una transformación lineal es un subespacio

vectorial, por lo tanto podemos dar la siguiente definición.

Definición 5. (subespacio propio)

Sea λ un valor propio de la matriz A. Se llama subespacio pro-

pio de A asociado a λ al subespacio vectorial:
VA (λ) = Ker(A − λI)
= {v ∈ Rn tal que (A − λI)v = 0}.
En este caso, a la dimensión del subespacio VA (λ) se le conoce con
el nombre de multiplicidad geométrica de λ.
Capı́tulo 3: Transformaciones lineales 11

Nótese que el subespacio propio contiene a todos los vectores propios

asociados a λ y además al vector nulo. Veamos el siguiente ejemplo.

Ejemplo 7. Sea A una matriz de orden 3 × 3 dada por:

 
2 2 1
A =  1 3 1 .
1 2 2
Determinar los subespacios propios de A.

Solución. Hallar los valores y vectores propios de A, con los elementos

teóricos vistos hasta el momento, debe resultar rutinaria para lector. Sin
embargo, la llevaremos a cabo para resaltar mejor dicho cálculo. Debemos
hallar primero el polinomio caracterı́stico de A, esto es:
 
2−λ 2 1
pA (λ) = det(A − λI) = det  1 3−λ 1  = (5 − λ)(1 − λ)2 .
1 2 2−λ

Haciendo pA (λ) = 0, y resolviendo se tiene los valores propios λ1 = 5 y

λ2 = 1, este último con multiplicidad algebraica 2.
Pasemos ahora a determinar los vectores propios de A, como sigue:

• Para λ1 = 5, los vectores propios son las soluciones del sistema:

    
−3 2 1 x1 0
(A − 5I)v =  1 −2 1   x2  =  0  .
1 2 −3 x3 0

Resolviendo se obtiene el conjunto solución {t(1, 1, 1)/t ∈ R}.

Ası́ pues, el subespacio propio de A asociado a λ1 = 5 será:
VA (5) = gen{(1, 1, 1)},
siendo B = {(1, 1, 1)} una base de dicho subespacio.

• Para λ2 = 1, los vectores propios son las soluciones del sistema:

    
1 2 1 x1 0
(A − I)v =  1 2 1   x2  =  0  .
1 2 1 x3 0
12 Profesor: Adeluz Apaza Valdivia

El conjunto de soluciones de este sistema nos da:

{(−2t − s, t, s) tal que t, s ∈ R}.

Por lo tanto, el subespacio propio de A asociado a λ2 = 1 es

VA (1) = gen{(−2, 1, 0), (−1, 0, 1)},

y B = {(−2, 1, 0), (−1; 0, 1)} es una base de VA (1).

De todo esto se concluye la solución deseada.

Veamos a continuación algunas propiedades de los valores y vectores

propios de una matriz expuesto hasta ahora.

Propiedad 3. (Criterio de equivalencia de valores propios)

Sean A una matriz cuadrada y λ un escalar. Entonces las siguientes

afirmaciones son equivalentes.
1. λ es un valor propio de A.

2. Ker(A − λI) 6= {0}.

3. La matriz A − λI es singular (no es invertible).

Teorema 1. Un vector propio de una matriz cuadrada está asociada a

un único valor propio.

Prueba. Sea v = 6 0 un vector propio de la matriz A asociada al valor

propio λ. Entonces por definición se tiene:
Av = λv.
Asumamos que v también está asociada al valor propio α. Entonces:
Av = αv.
Restando ambas ecuaciones se obtiene λv = αv, y puesto que v 6= 0, se
tiene λ = α, lo muestra que el valor propio es único.

Teorema 2. Sea A una matriz cuadrada. Entonces A y At tienen los

mismos valores propios con las mismas multiplicidades algebraicas.
Capı́tulo 3: Transformaciones lineales 13

Prueba. Por definición se tiene que el polinomio caracterı́stico de la

matriz At está dada por:
pAt (λ) = det(λI − At ) = det((λI − A)t ) = det(λI − A) = pA (λ).
ya que el determinante de una matriz A y el de su transpuesta At son
iguales. Por lo tanto, podemos decir que A y At tienen el mismo polinomio
caracterı́stico y, en consecuencia, los mismos valores propios con las mismas
multiplicidades. Ası́ termina la prueba.

Es interesante observar que, aunque A y At tienen los mismos valores

propios, no tienen, en general los mismos vectores propios.

4.3 Matrices Similares.1

El objetivo de esta sección es presentar matrices similares, que están

relacionados por una matriz invertible, y algunas de sus propiedades.

Definición 1. (Matrices similares o semejantes)

Diremos que las matrices cuadradas A y B son similares, si existe

una matriz invertible P tal que:
A = P BP −1 ,
ó equivalentemente B = P −1 AP.

Debemos indicar que si A y B son similares, escribiremos A ' B.

Observación 1. Obviamente, la relación de similar, A ' B, definida

entre dos matrices es una relación de equivalencia; es decir, verifican las
siguientes tres propiedades.

1. reflexiva: A es similar a A.

2. Simétrica: Si A es similar a B, entonces B es similar a A.

3. Transitiva: Si A es similar a B y B es similar a C, entonces A es

similar a la matriz C.
1 Recuerde, una matriz es un arreglo rectangular de nḿeros aij .
14 Profesor: Adeluz Apaza Valdivia

Son varias las propiedades que comparten las matrices semejantes o si-
milares. A continuación presentamos algunas de ellas.

Teorema 1. Sean A y B dos matrices similares. Entonces A y B tienen

el mismo polinomio caracterı́stico.

Prueba. Sean A y B matrices similares, entonces por definición existe

una matriz P invertible tal que B = P −1 AP . Haciendo uso la definición de
polinomio caracterı́stico y las propiedades del determinante se tiene:

det(B − λI) = det(P −1 AP − λI)

= det(P −1 AP − λP −1 IP )
= det(P −1 (A − λI)P )
= det(P −1 ) det(A − λI) det(P )
= det(A − λI).

De esto se tiene que el polinomio caracterı́stico de la matriz B es igual al

polinomio caracterı́stico de la matriz A, lo cual termina la prueba.

El recı́proco del teorema anterior no es siempre cierto. Para ver esto,

consideremos las matrices:
   
1 1 1 0
y .
0 1 0 1

Claramente, estas matrices tienen el mismo polinomio caracterı́stico, pero

no son similares o semejantes.

Teorema 2. Sean A y B dos matrices similares. Entonces A y B tienen

los mismos valores propios con las mismas multiplicidades algebraicas.

Prueba. Es consecuencia del Teorema 1 ya que los valores propios son

las raı́ces del polinomio caracterı́stico.

Acabamos de comprobar que dos matrices similares tienen los mismos

valores propios. No ocurre lo mismo con los vectores propios, aunque existe
una relación entre ellos. A fin de ver esta relación, consideremos A y B dos
matrices similares, es decir:

B = P −1 AP,
Capı́tulo 3: Transformaciones lineales 15

para alguna matriz invertible P . Si v es un vector propio de B asociado al

valor propio λ se tiene B v = λ v ó equivalentemente:

P −1 AP v = λ v,

y multiplicando por P ambos lados obtenemos:

A(P v) = λ(P v).

Por tanto, P v es un vector propio de la matriz A asociado al valor propio

λ. Luego, los vectores propios de matrices similares mediante la matriz in-
vertible P , están relacionados también por P .

Teorema 3. Sean A y B dos matrices similares, entonces:

det A= detB.
Prueba. Como A y B son similares, entonces existe P invertible tal
que B = P −1 AP ; luego se tiene gracias a las propiedades del determinante:
det B = det(P −1 AP ) = detP −1 detAdetP = detA,
como quereamos probar.

Teorema 4. Sean A y B dos matrices similares, entonces:

ran(A)= ran(B).
Prueba. Como A y B son similares, entonces existe P invertible tal
que B = P −1 AP ; luego haciendo uso la definición de rango y propiedad de
producto se tiene:
ranB = ran((P −1 A) P ) = ran(P −1 A) = ranA,
como quereamos establecer.

Teorema 5. Sean A y B dos matrices similares, entonces:

traz(A)= traz(B).
Prueba. Como A y B son similares, entonces existe P invertible tal que
B = P −1 AP . Es más, si A y B son dos matrices de tamño n × n, cumple
traz(AB) = traz(BA). Haciendo uso este resultado se tiene:
trazB = traz(P −1 (AP )) = traz((AP )P −1 ) = traz(A(P P −1 )) = trazA,
16 Profesor: Adeluz Apaza Valdivia

lo cual muestra el resultado.

Acabamos esta sección con la observación que si dos matrices satisfacen

los resultados anteriores no tienen por que se similares. Dicho con otras
palabras, el recı́proco de los teoremas precedentes no es siempre cierto.

4.4 Diagonalización de matrices.1

La meta de esta sección es estudiar condiciones necesarias y suficientes
para que una matriz cuadrada sea similar a una matriz diagonal.

El operador lineal T : V → V es diagonalizable, si existe una base de V

en la cual la matriz que representa a T tiene forma diagonal.

Como ya fue indicado, nuestro interés es poder utilizar el concepto

de diagonalización para matrices. Ası́, nuestra primera tarea será cono-
cer cuando una matriz es diagonalizable.

Definición 1. (Matriz diagonalizable)

Diremos que la matriz cuadrada A es diagonalizable, si existe una

matriz diagonal D tal que A es similar a D.

En otras palabras, la matriz A es diagonalizable, si existe una matriz

invertible P tal que:
P −1 AP = D,
siendo D una matriz diagonal.

Dentro de esto destaca aquella propiedad que nos dice que una matriz
A de orden n × n es diagonalizable si y sólo si tiene n vectores propios
linealmente independientes. En este caso, la matriz diagonal D será:
 
λ1 0 · · · 0
 0 λ2 · · · 0 
D= . ..  ,
 
.. . .
 .. . . . 
0 0 ··· λn
1 Recuerde, una matriz es diagonal, si fuera de la diagonal principal son todo ceros.
Capı́tulo 3: Transformaciones lineales 17

donde λ1 , λ2 , · · · , λn son valores propios de A. Además, P es una matriz

cuyas columnas son vectores propios de A linealmente independientes, con
lo cual se tiene D = P −1 AP.

Teorema 1. Una matriz cuadrada A de orden n × n es diagonaliza-

ble si, y sólo si, tiene n vectores linealmente independientes.

Prueba. Ejercicio para el lector interesado.

Observación 1. Para efectos prácticos, cuando se desea diagonalizar

una matriz, bastará seguir los siguientes pasos:

1. Determinar el polinomio caracterı́stico p(λ) = det(A − λI).

2. Determinar las raı́ces del polinomio caracterı́stico de A, las cuales

serán los valores propios. Si las raı́ces no son todas reales, entonces A
no se puede diagonalizar (depende del campo).

3. Si los valores propios λi de A son diferentes, entonces A es una matriz

diagonalizable. Si el valor propio λi es de multiplicidad di , entonces
se halla una base para el espacio solución:
(A − λi I) v = 0.
Si la dimensión del espacio propio dada lı́neas arriba es menor que
la multiplicidad di , entonces A no es diagonalizable; caso contrario,
existe la matriz diagonal D = P −1 AP, donde P es la matriz cuyas
columnas son los n vectores propios linealmente independientes que
corresponde a los valores propios λi .

A modo de ilustración de cómo se utiliza la observación precedente en

la práctica, veamos los siguientes ejemplos bastante simples.

Ejemplo 1. Sea A la matriz de orden 3 × 3 dada por:

 
1 −1 4
A= 3 2 −1  .
2 1 −1

Determinar si A es diagonalizable.

Solución. Como ya hemos indicado, los valores propios de A están

18 Profesor: Adeluz Apaza Valdivia

dados por λ1 = 1, λ2 = −2, λ3 = 3 y sus respectivos vectores propios son:

     
−1 1 1
v1 =  4  , v2 =  −1  , v3 =  2  .
1 −1 1

Claramente se observa que los valores propios son diferentes y linealmen-

te independientes y ası́, A es diagonalizable. Poniendo en la columna los
vectores propios se tiene la matriz invertible P , esto es:
 
−1 1 1
P =  4 −1 2  .
1 −1 1

Luego, hallando P −1 y efectuando producto de matrices se tiene:

 
1 0 0
D = P −1 AP =  0 −2 0 ,
0 0 3

lo cual muestra que A es diagonalizable.

Ejemplo 2. Sea T un operador lineal sobre R3 representado en la base

ordenada canónica por la matriz:
 
0 0 0
A= 0 1 0 .
1 0 1

Determinar si A es diagonalizable.

Solución. Con los elementos teóricos vistos hasta el momento, debe

resultar rutinaria para el lector encontrar la ecuación caracterı́stica:

λ(λ − 1)2 = 0.

y de esto se tiene los valores propios λ1 = 0, λ2 = 1 y λ3 = 1.

Veamos ahora si A es diagonalizable. Para esto notemos λ2 = 1 es un
valor propio de multiplicidad 2, y por lo tanto, debemos primero encontrar
la dimensión del espacio solución del sistema lineal que corresponde al valor
propio de multiplicidad λ2 = 1, esto es:

(A − λ2 I) v = (A − I) v = 0,
Capı́tulo 3: Transformaciones lineales 19

ó lo que es lo mismo reemplazando sus matrices:

    
1 0 0 x1 0
 0 0 0   x2  =  0  .
1 0 0 x3 0
Una solución de esto es cualquier vector de la forma:
 
0
 r  r s ∈ R, r s =6 0.
s
Observando esto se ve que esto es lo mismo hacer:
     
0 0 0
 r  = r 1  + s 0 .
s 0 1
Ası́, podemos considerar el conjunto de vectores propios v2 y v3 ,
   
n 0 0 o
B = {v2 , v3 } =  1  ;  0  ,
0 1
lo cual es una base para el espacio solución del sistema (A − I) v = 0, pues
estos vectores generan al espacio solución y son linealmente independientes.
Por lo tanto, la dimensión del espacio solución dim S = 2. Esto significa
que A es diagonalizable. Resta encontrar la matriz diagonal. Para este fin
falta encontrar para λ1 = 0 su vector propio; es decir, debemos resolver
(A − 0I)v = 0, ó lo que es lo mismo:
    
0 0 0 x1 0
 0 1 0   x2  =  0  .
1 0 1 x3 0
Resolviendo esto se obtiene que la solución del sistema es de la forma:
   
t 1
 0  = t 0  t ∈ R.
−t −1
Ası́, un vector propio para λ1 = 0 esta dado por:
 
1
v1 =  0  .
−1
20 Profesor: Adeluz Apaza Valdivia

De todo esto hemos encontrado los siguientes vectores propios:

     
1 0 0
v1 =  0  , v2 =  1  , v3 =  0 
−1 0 1
linealmente independientes. Por lo tanto, A es diagonalizable pues
   
1 0 0 0 0 0
P =  0 1 0  es tal que D = P −1 AP =  0 1 0  ,
−1 0 1 0 0 1
lo cual termina la solución deseada.

Ejemplo 3. Sea T un operador lineal sobre R3 representado en la base

canónica por la matriz:
 
0 0 1
A= 0 1 2 .
0 0 1
Determinar si A es diagonalizable.

Solución. Recurrimos al truco usual y encontramos que la ecuación

caracterı́stica de A está dada por λ(λ − 1)2 = 0 y resolviendo esto se
obtienen los valores propios λ1 = 0 y λ2 = λ3 = 1.
Veamos ahora si A es diagonalizable. Para esto observemos que λ2 = 1
es un valor propio de multiplicidad 2 y por ello primero debemos hallar la
dimensión del espacio solución del sistema lineal que corresponde al valor
propio de multiplicidad λ2 = 1, esto es:
    
1 0 −1 x1 0
(A − λ2 I) v =  0 0 −2   x2  =  0  .
0 0 0 x3 0
Una solución de esto es cualquier vector de la forma:
   
0 0
 r  = r 1  r ∈ R, r 6= 0.
0 0
Claramente se tiene que el conjunto:
 
n 0 o
B=  1 
0
Capı́tulo 3: Transformaciones lineales 21

es una base para el espacio solución del sistema (A − λ2 I) v = 0. Por

lo tanto, la dimensión del espacio solución dim S = 1. Esto significa que
no existen dos vectores propios linealmente independientes asociados con
λ2 = 1. Ası́, la matriz A no se puede diagonalizar.

Acabamos esta sección con algunas observaciones y resultados sobre po-

linomios caracterı́sticos.

Observación 1. Se tiene lo siguiente:

1. Si T : V → V es un operador lineal sobre el espacio vectorial V de

dimensión finita y f es un polinomio sobre R, entonces f (T ) es un
operador lineal sobre V.

2. Diremos que el polinomios f anulan a T , si f (T ) = 0.

Teorema 2. Sea T : V → V un operador lineal sobre V de dimensión

finita. entonces existe un polinomio no nulo f de F [x] tal que f (T ) = 0.

Prueba. Ejercicio para el lector interesado.

Teorema 3. (Cayley-Hamilton) Si f es el polinomio caracterı́stico del

operador lineal T sobre V de dimensión finita, entonces f (T ) = 0.

Prueba. Ejercicio para el lector interesado.

22 Profesor: Adeluz Apaza Valdivia

Actividad de aprendizaje No 4 1

1 Determinar, de ser posible, los valores a, b y c para que la matriz:

 
a 4 6
A= 6 b 0 
4 2 c
 
6
tenga como valor propio λ = 6 y vector propio v =  2  .
10

2 Determinar los valores propios y vectores propios de las siguientes

matrices:
 
  5 −6 −6
2 3
A= B =  −1 4 2 .
−1 3
3 −6 −4

3 Determine si A y At tienen los mismos valores propios, si:

   
1 1 1 2 2 1
A= 0 3 0  y B= 1 3 1 .
2 −1 2 1 2 2

4 Calcular los subespacios propios de las siguientes matrices:

   
1 1 1 2 2 1
A= 0 3 0  y B= 1 3 1 .
2 −1 2 1 2 2

5 Sea A una matriz cuadrada, verificar que A y At tienen los mismos

valores propios con las mismas multiplicidades algebraicas.

6 Verificar que la relación de semejanza (similares) definida entre dos

matrices es una relación de equivalencia.
1 Recuerde, resolver las actividades propuestas enriquece el aprendizaje.
Capı́tulo 3: Transformaciones lineales 23

7 Determinar si las matrices A y B son semejantes, siendo

   
1 0 2 1 −1 1
A =  −1 1 1  y B= 0 2 1 .
0 0 2 0 0 1

8 Sean A y B dos matrices semejantes. Verificar que A y B tienen los

mismos valores propios con las mismas multiplicidades algebraicas.

9 Determinar cual de las siguientes matrices son diagonalizables.

   
1 −1 4 2 2 3
A= 3 2 −1  B= 0 2 2 .
2 1 −1 0 0 2
   
3 1 1 1 −1 −1
C= 1 3 1  D =  −1 1 −1  .
1 1 3 −1 −1 1

10 Estudiar para qué valores de los parámetros a y b la matriz siguiente

es diagonalizable:  
5 0 0
A =  0 −1 a  .
3 0 b

11 Razonar que la matriz:

 
a b
A= ,
b a

es diagonalizable y hallar su forma diagonal.

12 Probar que si A es una matriz cuadrada de orden 2, entonces su

polinomio caracterı́stico se puede calcular por la fórmula

p(λ) = λ2 − traza(A)λ + det(A).

24 Profesor: Adeluz Apaza Valdivia

Referencias
[1 ] Elon Lages Lima: Álgebra Linear. Segunda edicão, Impa.
[2 ] Kenneth Hoffman, Ray Kunze Álgebra Lineal.
[3 ] Ben Noble. James W. D.: Algebra Lineal Aplicada. tercera edición

[4 ] Bernard Kolman: Algebra Lineal y aplicaciones.

[5 ] Stanley I. Grossman: Algebra Lineal con aplicaciones.
[6 ] Serge Lang: Algebra Lineal.