Documentos de Académico
Documentos de Profesional
Documentos de Cultura
111
112 CAPÍTULO 6. VALORES PROPIOS Y VECTORES PROPIOS
" # " # " #
3 −2 −1 2
Ejemplo 6.1. Sean A = ,u= yv= . Resulta que
1 0 1 1
" #" # " # " #" # " #
3 −2 −1 −5 3 −2 2 4
Au = = , Av = = = 2v.
1 0 1 −1 1 0 1 2
La aplicación ha transformado v sin cambiar su dirección.
Los vectores que sólo son dilatados o encogidos por una aplicación lineal, son
muy especiales para ella.
Definición 6.2. Un vector propio (o autovector) de una matriz A de n × n es un
vector x ∈ Rn , distinto de 0, tal que para cierto escalar λ ∈ R
Ax = λx.
Un escalar λ tal, se denomina valor propio (o autovalor) de A, es decir, λ es valor
propio de A si existe una solución no trivial de Ax = λx, y a x se lo denomina vector
propio asociado al valor propio λ.
" #
1 6
Ejemplo 6.3. Sea A = .
5 2
" # " #
6 3
1. Compruébese si u = yv= son vectores propios de A.
−5 −2
2. Determı́nese si λ = 7 es valor propio de A.
Solución:
1.
2. Hay que determinar si la ecuación
Ax = 7x ⇔ (A − 7I)x = 0
(que hemos escrito como un sistema homogéneo) tiene solución
no trivial. Para ello se escribe
" # " # " # " #
1 6 7 0 −6 6 1 −1
A − 7I = − = ∼ .
5 2 0 7 5 −5 0 0
El sistema homogéneo asociado tiene una variable libre, luego
hay soluciones no triviales y 7 es un autovalor de A. De he-
cho, la solución del sistema homogéneo
" # es x1 = x2 , es decir, en
1
forma vectorial paramétrica x = x1 . Estos infinitos vectores
1
(menos 0) son los vectores propios asociados ala valor propio 7.
6.1. VECTORES PROPIOS Y VALORES PROPIOS 113
Pero {v1 , ...vp } es linealmente independiente, y λi −λp+1 , 0 si i < p+1, ası́ que c1 =
. . . = cp = 0. Esto es una contradicción, y {v1 , ...vr } ha de ser linealmente indepen-
diente.
Ejercicio 6.10. Demuéstrese que una matriz n × n no puede tener más de n
autovalores distintos.
La ecuación caracterı́stica.
6.2. LA ECUACIÓN CARACTERÍSTICA 115
5 −2 6 −1
0 3 −8 0
A = .
0 0 5 4
0 0 0 1
P −1 AP = B o equivalentemente A = P BP −1 .
B − λI = B = P −1 AP − λP −1 P = P −1 (AP − λP ) = P −1 (A − λI)P .
det(B − λI) = det[P −1 (A − λI)P ] = det(P −1 ) det(A − λI) det(P ) = det(A − λI)
6.3. Diagonalización
Una clase muy especial de matrices cuadradas son las matrices diagonales,
aquellas cuyos elementos son todos nulos, excepto en la diagonal principal:
d1 0 ··· 0
0 d ··· 0
2
D = .. .
.. .. .. .
.
. .
0 0 · · · dn
A2 = (P DP −1 )(P DP −1 ) = P D P −1 P DP −1 = P DDP −1 = P D 2 P −1
|{z}
I
" #" #" # " #" #
1 1 52 0 2 1 1 1 2 · 52 52
= =
−1 −2 0 32 −1 −1 −1 −2 −32 −32
" #
2 · 52 − 32 52 − 32
= .
−2 · 52 + 2 · 32 −52 + 2 · 32
Es fácil deducir que
k veces en total
Ak = P DP −1 P DP −1 ··· P DP −1 = P D k P −1
por tanto
" #" #" # " #
k 1 1 5k 0 2 1 2 · 5k − 3k 5k − 3k
A = = .
−1 −2 0 3k −1 −1 −2 · 5k + 2 · 3k −5k + 2 · 3k
118 CAPÍTULO 6. VALORES PROPIOS Y VECTORES PROPIOS
λ1
λ2
−1 h i
A = P P , P = v1 v2 · · · vn , Avi = λi vi .
..
.
λn
Demostración.
h i h i
AP = A v1 v2 · · · vn = Av1 Av2 · · · Avn
λ1
h i λ2
= λ1 v1 λ2 v2 · · · λn vn = .. D = P D
.
λn
−1
AP = P D ⇒ A = P DP
1 3 3
A = −3 −5 −3 .
3 3 1
6.3. DIAGONALIZACIÓN 119
1
(A − I)x = 0 ⇒ v1 = −1
1
−1 −1
v2 = , v3 = 0
1
(A + 2I)x = 0 ⇒
0 1
2 4 3
Ejercicio 6.24. ¿ Es posible diagonalizar A = −4 −6 −3 ?
3 3 1
5 −8 1
Ejemplo 6.26. ¿ Es diagonalizable A = 0 0 7 ?
0 0 −2
Demostración.
Ejemplo 6.28. Diagonalı́cese, si es posible
5 0 0 0
0 5 0 0
A =
1 4 −3 0
−1 −2 0 −3
0 1 0
A = 0 0 0
0 0 0
T (x) = Ax (6.2)
r1
[y]C = [T (x)]C = r1 [T (b1 )]C + · · · + rn [T (bn )]C
h i r2
= [T (b1 )]C [T (b2 )]C · · · [T (bn )]C ] .. .
.
rn
h i
La matriz [T ]C ←B = [T (b1 )]C [T (b2 )]C · · · [T (bn )]C ] se denomina matriz
de T respecto a las bases B y C , porque
[y]C = [T ]C ←B [x]B .
3 4
[T (b1 )]C = −2 y [T (b2 )]C = 7 .
5 −1
124 CAPÍTULO 6. VALORES PROPIOS Y VECTORES PROPIOS
Esos datos son justamente los que son necesarios para construir la
matriz pedida:
3 4
[T (x)]C = [T ]C ←B [x]B con [T ]C ←B = −2 7
5 −1
Hay que destacar, como es fácil de deducir del ejemplo anterior y de la definición
de matriz asociada, que para determinar totalmente una aplicación lineal T :
V → W basta dar su valor (en una base cualquiera C de W ) sobre los vectores
de una base B de V .
Ejemplo 6.33. Si V = W y la aplicación es la identidad T (x) = Id(x) =
Ix = x, la matriz
h i h i
[Id]C ←B = [Ib1 ]C · · · [Ibn ]C ] = [b1 ]C · · · [bn ]C ]
h i
Es interesante observar que la matriz P = b1 · · · bn es la matriz del cambio
de base PE ←B , como veremos en el siguietnte párrafo.
" #
7 2
Ejemplo 6.36. Si A = y T (x) = Ax, encuéntrese una base de R2
−4 1
en la que la matriz de T sea diagonal.
Solución: la base será la base de autovectores utilizada al diagonalizar
la matriz. Ya vimos en" el #ejemplo −1
" 6.20
# que A = P DP con P teniendo
1 1
como columnas b1 = , b2 = . Entonces el teorema 6.35 afirma
−1 −2
que B = {b1 , b2 } es una base en la que la aplicación T tiene como
matriz " #
5 0
[T ]B = D = (ver ejemplo 6.20)
0 3
Demostración. Demostración
" # " # " #
4 −9 3 2
Ejemplo 6.38. Sean A = , b1 = y b2 = . Encuéntrese la B -
4 −8 2 1
matriz de x 7→ Ax (la matriz A en la base B ).
" #
3 2
Solución: La matriz de cambio de base PE ←B es P = , y su
2 1
" #
−1 −1 2
inversa es P = PB ←E = , por lo que
2 −3
[T ]B = PB ←E [T ]E PE ←B
" #" #" # " #
−1 −1 2 4 −9 3 2 −2 1
=P AP = = .
2 −3 4 −8 2 1 0 −2
Hay que"observar
# una cosa para capı́tulos posteriores: el primer vec-
3
tor b1 = es un autovector de A, con valor propio −2. El polinomio
2
caracterı́stico de A es (λ + 2)2 , luego sólo tiene un autovalor −2. Si
calculamos sus autovectores, descubriremos que son cb1 , los múlti-
plos de b1 , y sólo hay uno linealmente independiente. Por tanto, A no
es diagonalizable. La matriz [T ]B es lo mejor que podemos encon-
trar semejante a A: no es diagonal, pero al menos es triangular. Se
denomina forma de Jordan de A.
Para que todo tenga sentido, tenemos que considerar que el conjunto
de escalares es C en lugar de R, y que el espacio vectorial de vectores
columna es C2 en vez de R2 , además de que las matrices puedan estar
compuestas por elementos complejos. Con esta ampliación, tiene
sentido la diagonalización compleja
" # " #" # " #
0 −1 j −j j 0 1 1 j
=
1 0 1 1 0 −j 2j −1 j
# "
7 −8
Ejemplo 6.40. Diagonalizar la matriz A = . La ecuación carac-
5 −5
terı́stica y los autovalores son
λ2 − 2λ + 5 = 0 = (λ − 1)2 + 42 ⇒ λ = 1 + 2j, 1 − 2j
Obsérvese que los autovalores son complejos conjugados entre sı́. Ésto
siempre sucede si la matriz es de 2 × 2 y real. Los autovectores se
calculan también los dos a la vez, porque se puede demostrar que
también son complejos conjugados si A es real:
" # " # " #
6 − 2j −8 4 4
A − (1 + 2j)I = ⇒ v1 = , v2 =
5 −6 + 2j 3−j 3+j
Por todo
" # " # " #
7 −8 1 + 2j 0 −1 4 4
=P P , con P =
5 −5 0 1 − 2j 3−j 3+j
Teorema 6.41. Sea A una matriz real de 2 × 2 con valor propios complejo λ = a − bj (
b , 0 ), y vector propio asociado v ∈ C2 . Entonces
" #
−1
h i a −b
A = P CP , donde P = Re v Im v y C=
b a
Ejemplo 6.42."Obsérvese
# que en el caso de la matriz del ejemplo 6.39, la
0 −1
matriz A = , y los autovectores asociados dan lugar a P = I, la
1 0
identidad. La interpretación geométrica de la transformación en R2
associada a A es la de una rotación de 90 grados en sentido positivo,
siendo evidente que esta aplicación no tiene autovectors. ¿ Cómo
son las otras transformaciones C de R2 que"no tienen # autovectores
7 −8
? Tomemos el ejemplo 6.40, de matriz A = : los autovalores
5 −5
" #
4
son 1 − 2j y 1 + 2j, y el autovector correspondiente a 1 − 2j era
3+j
" # " #
4 0 1 −2
luego P = ,C= y la factorización es
3 1 2 1
" # " #" # " #
−1 7 −8 4 0 1 −2 1 1 0
A = P CP ⇔ =
5 −5 3 1 2 1 4 −3 4
La
" interpretaci
# ón geométrica de la transformación asociada a A =
a −b
es un giro de ángulo arctan b/a y además una dilatación de
b a
√
magnitud a2 + b2 (ver la fórmula (5.2))
6.7. Resumen
Definición. Un vector propio (o Un escalar λ tal, se denomina valor pro-
autovector) de una matriz A de n × n pio (o autovalor) de A, es decir, λ es valor
es un vector x ∈ Rn , distinto de 0, tal que propio de A si existe una solución no tri-
para cierto escalar λ ∈ R vial de Ax = λx, y a x se lo denomina vec-
tor propio asociado al valor propio λ.
Ax = λx.