Departament de Matemàtiques

Universitat Jaume I

MATEMÁTICAS I

DI2002 - Grado en Ingenierı́a en Diseño Industrial y Desarrollo

de Productos

ED2054 - Matemáticas I
Grado en Arquitectura Técnica

Cristina Chiralt
Vicent Renau

C. Chiralt / V.Renau
c UJI
1
TEMA 2

DIAGONALIZACIÓN DE
MATRICES

2.1. Introducción
Hay muchos campos de las ciencias en las que se utilizan matrices: elastici-
dad de materiales, búsquedas en Google, programas de diseño gráfico, diseño
de videojuegos, etc. Detrás de todos ellos y bastantes otros hay que manejar
matrices de gran tamaño (imaginad la matriz formada por conexiones entre los
usuarios de una red social, puede tener millones de netradas) y la consiguiente
dificulatd de manejarlas. Es por ello que tratamos de simplificar los elementos
de dichas matrices y las más sencillas son las matrices diagonales.
En este tema a partir de una matriz cuadrada tratamos de obtener una
matriz diagonal que sea semejante a ella, es decir, que la información que
podemos obtener de forma más sencilla con la matriz diagonal, se mantiene
para la matriz inicial. Sin ir a matrices de gran tamaño si quiero calcular la
potencia 1234 de una matriz cuadrada de orden 2, en una matriz cualquiera
habrı́a que multiplicar la matriz 1234 veces, si la matriz es diagonal basta con
elevar a 1234 los elementos de la diagonal principal. Este proceso se utiliza
cuando trabajamos con matrices de transición donde queremos estudiar cómo
evolucionan a largo plazo determinados procesos. Por ejemplo, el departamento
de estudios de mercado de una fa?brica estima que el 20 % de la gente que
compra un producto un mes, no lo comprara? el mes siguiente. Adema?s, el
30 % de quienes no lo compren un mes lo adquirira? al mes siguiente. En
una poblacio?n de 1000 individuos, 100 compraron el producto el primer mes.
¿Cua?ntos lo comprara?n al mes pro?ximo? ¿Y dentro de cuatro años?
En las siguientes secciones veremos los conceptos básicos para trabajar con
diagonalización de matrices cuadradas.

2.2. Valores y vectores propios

 Definición 2.1. Dada A ∈ Mn (R), decimos que λ ∈ R es un valor propio
o autovalor de A si existe, al menos, un vector no nulo ~v = (v1 , . . . , vn ) ∈ Rn

C. Chiralt / V.Renau
c UJI
54
tal que A · ~v T = λ · ~v T , es decir:
   
v1 v1
A ·  ...  = λ ·  .. 
  
. 
vn vn

Decimos entonces que ~v es un vector propio o autovector de A correspon-

diente al valor propio λ.

 Ejemplo 2.1. Sea  

2 1
A=
0 3
Veamos que ~v = (1, 1) es un vector propio de A correspondiente al valor propio
λ = 3:        
2 1 1 3 1
· = =3· 
0 3 1 3 1

 Definición 2.2. Dada A ∈ Mn (R), llamamos espectro de A, y lo repre-

sentamos por σ(A), al conjunto de todos los valores propios de A. Es decir:

σ(A) = {λ ∈ R : λ es un valor propio de A}

 Definición 2.3. Dados A ∈ Mn (R) y λ ∈ σ(A), llamamos Eλ al conjunto

de vectores propios de A correspondientes al valor propio λ, es decir:

Eλ = {~v ∈ Rn : A · ~v T = λ · ~v T }

 Teorema 2.1. Eλ es un subespacio vectorial de Rn llamado subespacio

propio de A correspondiente al valor propio λ.

Además, como

Eλ = {~v ∈ Rn : A · ~v T = λ · ~v T }

Eλ = {~v ∈ Rn : A · ~v T − λ · ~v T = ~0 T }

Eλ = {~v ∈ Rn : (A − λI) · ~v T = ~0 T }

Eλ es un subespacio vectorial de Rn cuya dimensión es:

dim(Eλ ) = n − ran(A − λI)

Además

Si ~v es un vector propio de A asociado al valor propio λ, entonces cual-

quier vector proporcional a ~v también es vector propio asociado a λ.

Si ~u y ~v son dos vectores propios de A asociados al mismo valor propio

λ, entonces ~u + ~v también es un vector asociado a λ.

C. Chiralt / V.Renau
c UJI
55
 Ejemplo 2.2. con la matriz A del ejemplo anterior para λ = 3:
      
2 2 1 x x
E3 = (x, y) ∈ R : · =3·
0 3 y y

y como
 
−1 1
A − 3I =
0 0
entonces
      
2 −1 1 x 0
E3 = (x, y) ∈ R : A − 3I = · =
0 0 y 0

pero dado que

 
−1 1
dim(Eλ ) = 2 − ran =2−1=1
0 0

Eλ tendrá una base formada por un solo vector. Veamos cuál es:
    
2 −x + y 0
E3 = (x, y) ∈ R : =
0 0

E3 = (x, y) ∈ R2 : −x + y = 0


E3 = (x, y) ∈ R2 : y = x


E3 = {(x, x) : x ∈ R}

E3 = {x · (1, 1) : x ∈ R}

E3 = h(1, 1)i

Entonces cualquier vector proporcional a ~v = (1, 1) también será un vector

propio de A correspondiente al valor propio λ = 3. Por ejemplo, el vector
~u = (2, 2):
       
2 1 2 6 2
· = =3· 
0 3 2 6 2

 Teorema 2.2. Sea A ∈ Mn (R). Entonces:

1. Si λ, µ ∈ σ(A), λ 6= µ ⇒ Eλ ∩ Eµ = {~0}

2. Si λ1 , . . . , λr ∈ σ(A), λi 6= λj ∀i, j = 1, . . . , r y v~i ∈ Eλi − {~0} ⇒

{v~1 , . . . , v~r } son linealmente independientes.

C. Chiralt / V.Renau
c UJI
56
2.3. Ecuación caracterı́stica
Recordemos que λ ∈ R es un valor propio de una matriz A ∈ Mn (R) si
existe un vector no nulo ~v ∈ Rn tal que:
    
v1 v1

.   . 
 A ·  ..  = λ ·  .. 
vn vn

Esto es equivalente a decir que

    
v1 0


A − λI · ..  =  .. 
  .   . 
vn 0

que es un sistema de n ecuaciones lineales con n incógnitas homogéneo.

Para que un vector no nulo ~v = (v1 , . . . , vn ) ∈ Rn sea una solución del
sistema anterior, el sistema debe ser compatible indeterminado. Para ello, el
determinante de la matriz del sistema debe ser cero. Por tanto, podemos afir-
mar que:
λ ∈ σ(A) ⇔ |A − λI| = 0
 Definición 2.4. Dada A ∈ Mn (R), la ecuación |A − λI| = 0, cuyas solu-
ciones son los valores propios de A, se llama ecuación caracterı́stica de la
matriz A.
 Definición 2.5. Dada A ∈ Mn (R), el polinomio p(λ) = |A − λI| se llama
polinomio caracterı́stico de la matriz A.
 Definición 2.6. Dada A ∈ Mn (R), si λ es una raı́z del polinomio carac-
terı́stico de A con orden de multiplicidad α, se dice que λ es un valor propio
de orden α de la matriz A.
 Teorema 2.3. Sean A ∈ Mn (R) y λ un valor propio de A de orden α.
Entonces:
1 6 dim(Eλ ) 6 α
 Ejemplo 2.3. Vamos a calcular los valores propios de la matriz
 
2 1
A=
0 3

Calculamos la matriz A − λI:

     
2 1 1 0 2−λ 1
A − λI = −λ =
0 3 0 1 0 3−λ

Por tanto, la ecuación caracterı́stica es:

 
 2−λ 1 
  = 0 ⇒ (2 − λ) · (3 − λ) = 0 ⇒ λ ∈ {2, 3}
 0 3−λ 

C. Chiralt / V.Renau
c UJI
57
 Es decir, obtenemos dos valores propios λ1 = 2 con orden α1 = 1 y λ2 = 3
con orden α2 = 1. Por tanto,

σ(A) = {2, 3}.

 Ejercicio 2.1. (a) Demuestra que una matriz A y su traspuesta At tienen

los mismos valores propios.

(b) Demuestra que si λ es valor propio de una matriz invertible A, entonces

1
λ
es valor propio de A−1 .

(c) Demuestra que si una matriz cuadrada A no tiene inversa, entonces tiene
un valor propio λ = 0.

 Ejercicio 2.2. Calcula los polinomios caracterı́sticos y los valores propios

de las matrices siguientes.
   
  1 3 2 2 0 0
0 1
(a) , (b)  1 −1 −2 , (c)  5 2 5 .
−1 0
−1 3 4 −5 0 3

(Solución: (a) p(λ) = λ2 + 1, no tiene valores propios reales,

(b) p(λ) = −λ3 + 4λ2 − 4λ, λ1 = 0 con α1 = 1 y λ2 = 2 con α2 = 2,
(c) p(λ) = −λ3 + 7λ2 − 16λ + 12 con λ1 = 2 α1 = 2 y λ2 = 3 con α2 = 1.)

 Ejercicio 2.3. Halla los subespacios propios asociados a los valores propios
de las matrices de los apartados b y c del ejercicio 2.2.

(Solución: (b) Eλ1 =0 = {(x, y, z) ∈ R : x = z = −y } y

Eλ2 =2 = {(x, y, z) ∈ R : x − 3y − 2z = 0 },
(c) Eλ1 =2 = {(x, y, z) ∈ R : x = z = 0 } y
Eλ2 =3 = {(x, y, z) ∈ R : x = 0, y − 5z = 0 } .)

2.4. Matrices diagonalizables

2.4.1. Matrices diagonales
D ∈ Mn (R) es una matriz diagonal si es de la forma:
 
λ1 0
D=
 . . 
. 
0 λn

Las matrices diagonales tienen dos propiedades interesantes:

Sus valores propios son los elementos de la diagonal principal. Es decir,

σ(D) = {λ1 , ..., λn } (tiene exactamente n valores propios distintos, no

C. Chiralt / V.Renau
c UJI
58
 necesariamente iguales). Para demostrarlo calculamos, en primer lugar
su polinomio caracterı́stico:
 
 λ1 − λ · · · 0 
 
|D − λI| =  .
. . . .
.  = (λ1 − λ) · . . . · (λn − λ)
 
. . .
 
 0 · · · λn − λ 
y a continuación resolvemos su ecuación caracterı́stica
|D − λI| = 0 ⇒ (λ1 − λ) · . . . · (λn − λ) = 0 ⇒ λ ∈ {λ1 , . . . , λn }
k veces
z }| {
k
Si k ∈ N, y teniendo en cuenta que D = D · . . . · D, se tiene que
 
λk1 0
Dk = 
 .. 
. 
k
0 λn

2.4.2. Semejanza de matrices

 Definición 2.7. Dos matrices A, B ∈ Mn (R) se dice que son semejantes
si existe una matriz regular P ∈ Mn (R) tal que B = P −1 · A · P .
 Propiedad 2.1.
Dos matrices semejantes tienen los mismos valores propios.
Demostración. Sean A, B ∈ Mn (R) dos matrices semejantes. Entonces existe
una matriz regular P ∈ Mn (R) tal que B = P −1 ·A·P . Calculamos el polinomio
caracterı́stico de B:
|B − λI| = P −1 · A · P − λI 
 

= P −1 · A · P − λ · P −1 · I · P 
 

= P −1 · (A − λI) · P 
 

= P −1  · |A − λI| · |P |
 

= |A − λI|
A y B tienen el mismo polinomio caracterı́stico y por tanto, tienen los
mismos valores propios.
 Definición 2.8. Una matriz A ∈ Mn (R) se dice que es diagonalizable
si es semejante a una matriz diagonal. Es decir, si existe una matriz regular
P ∈ Mn (R) tal que
D = P −1 · A · P
o dicho de otra manera
A = P · D · P −1
o bien
AP = P D
La matriz D se llama forma diagonal y la matriz P se llama matriz de
paso.

C. Chiralt / V.Renau
c UJI
59
 Nota 2.1. Toda matriz diagonal es diagonalizable.
 Teorema 2.4 (Caracterización de matrices diagonalizables).
Sea A ∈ Mn (R) tal que λ1 , ..., λr son sus valores propios con órdenes respec-
tivos α1 , ..., αr y di = dim(Eλi ), entonces:
 
α1 + ... + αr = n
1. A es diagonalizable ⇔ ⇔ d1 + ... + dr = n
αi = di , i = 1, ..., n
2. La forma diagonal de A es D = diag[λ1 , ..., λ1 , ..., λr , ..., λr ]
| {z } | {z }
α1 αr

3. La matriz de paso, P , tiene como columnas, los vectores propios de A

asociados a los valores propios de A.
En resumen, una matriz diagonal de tamaño n tiene exactamente n valo-
res propios (no necesariamente distintos), y para que una matriz A ∈ Mn (R)
sea diagonalizable (semejante a una matriz diagonal), deberá tener n valo-
res propios (no necesariamente distintos), y además, las dimensiones de los
subespacios propios tienen que ser iguales a los órdenes de los valores propios
respectivos. Por último, su forma diagonal estará formada por los valores pro-
pios de A (cada uno tantas veces como indique su orden) y las columnas de la
matriz de paso serán los vectores propios asociados al los valores propios de A
(y colocadas en el mismo orden que los valores propios).

 Nota 2.2. Las columnas de P forman una base de Rn

 Nota 2.3. Toda matriz cuadrada de orden n con n valores propios distintos
siempre es diagonalizable.
Como consecuencia del teorema anterior, si una matriz A ∈ Mn (R) tiene
n valores propios distintos (λ1 , . . . , λn ), los órdenes respectivos de éstos serán
α1 = α2 = . . . = αn = 1, y como
1 6 di 6 αi , ∀i = 1, . . . , n
se tiene que
di = 1, ∀i = 1, . . . , n
y entonces
d1 + . . . + dn = n
Por tanto, la matriz A es diagonalizable.
 Ejemplo 2.4. Veamos si la siguiente matriz es diagonalizable:
 
7 −10 0
A =  3 −4 0 
1 −2 2
Calculamos A − λI:
 
7 − λ −10 0
A − λI =  3 −4 − λ 0 
1 −2 2−λ

C. Chiralt / V.Renau
c UJI
60
Obtenemos la ecuación caracterı́stica

|A − λI| = 0 ⇒ −λ3 + 5λ2 − 8λ + 4 = 0

que resolvemos con la regla de Ruffini

−1 5 −8 4

1 −1 4 −4
−1 4 −4 | 0

2 −2 4
−1 2 |0

2 −2
−1 |0

Entonces
λ ∈ {1, 2} ⇒ σ(A) = {1, 2}
La matriz A tiene dos valores propios, el primero de ellos λ1 = 1 tiene orden
α1 = 1, por tanto

1 6 dim(E1 ) 6 1 ⇒ dim(E1 ) = 1

En cambio el segundo valor propio λ2 = 2 tiene orden α2 = 2, por lo que

1 6 dim(E2 ) 6 2 ⇒ dim(E2 ) puede ser 1 o 2

Para saber cuál es la dimensión de E2 estudiamos el rango de la matriz A − 2I

dim(E2 ) = 3 − ran(A − 2I)

 
5 −10 0
dim(E2 ) = 3 − ran  3 −6 0 
1 −2 0
dim(E2 ) = 3 − 1 = 2
Entonces dim(E1 ) + dim(E2 ) = 1 + 2 = 3, y por tanto A es diagonalizable.

Veamos ahora vectores propios, su forma diagonal y su matriz de paso:

      
 5 −10 0 x 0 
3 
E2 = (x, y, z) ∈ R : 3 −6 0  ·  y  =  0 
1 −2 0 z 0
 

Escalonamos la matriz del sistema

     
5 −10 0 5 −10 0 1 −2 0
 3 −6 0 ∼ 0 0 0 ∼ 0 0 0 
1 −2 0 0 0 0 0 0 0

C. Chiralt / V.Renau
c UJI
61
       
 1 −2 0 x 0 
E2 = (x, y, z) ∈ R3 :  0 0 0  ·  y  =  0 
0 0 0 z 0
 

E2 = (x, y, z) ∈ R3 : x − 2y = 0


E2 = (x, y, z) ∈ 3 : x − 2y = 0


E2 = {(2y, y, z) : y, z ∈ R}
E2 = {y · (2, 1, 0) + z · (0, 0, 1) : y, z ∈ R}
E2 = h(2, 1, 0), (0, 0, 1)i
Ası́ pues, BE2 = {(2, 1, 0), (0, 0, 1)} es una base de E2 , formada por los vectores
propios asociados al valor propio λ = 2. Estudiamos ahora E1
    
 x 0 
3
E1 = (x, y, z) ∈ R : (A − 1 · I) ·  y  =  0 
z 0
 
      
 6 −10 0 x 0 
3 
E1 = (x, y, z) ∈ R : 3 −5 0  ·  y  =  0 
1 −2 1 z 0
 
   
6 −10 0 0 0 0
 3 −5 0  ∼  3 −5 0 
1 −2 1 1 −2 1
Escalonamos la matriz del sistema
      
 0 0 0 x 0 
E1 = (x, y, z) ∈ R3 :  3 −5 0  ·  y  =  0 
1 −2 1 z 0
 

E1 = (x, y, z) ∈ R3 : 3x − 5y = 0, x − 2y + z = 0


Resolvemos el sistema de ecuaciones


3x − 5y =0
x − 2y + z = 0
Podemos despejar, por ejemplo, la x y la z en función de y, y nos queda:
5 1
x= y z= y
3 3
  
5 1
E1 = y, y, y : y, z ∈ R
3 3
   
5 1
E1 = y · , 1, :y∈R
3 3
 
5 1
E1 = , 1, = h(5, 3, 1)i
3 3
Con lo que obtenemos las matrices D y P :
   
1 0 0 5 2 0
D= 0 2 0  P =  3 1 0  .
0 0 2 1 0 1

C. Chiralt / V.Renau
c UJI
62
 Ejercicio 2.4. Estudia si las matrices siguientes son diagonalizables, da la
matriz diagonal
 D y la matriz
 de paso P. 
1 3 2 4 0 −20
(a) A =  1 −1 −2  ; (b) B =  2 0 −10  .
−1 3 4 1 −1 −2
  
0 0 0 1 3 2
(Solución: (a) D =  0 2 0 , P =  −1 1 0 ; (b) B no es diagonali-
0 0 2 1 0 1
zable.)

2.4.3. Matrices simétricas

 Teorema 2.5. Si A ∈ Mn (R) es una matriz simétrica (A = AT ) existe una
matriz P ∈ Mn (R) ortogonal (P −1 = P T ) tal que D = P T · A · P .

Es decir, si A es una matriz real y simétrica, entonces A es diagonalizable.

 Nota 2.4. En este caso, las columnas de P forman una base ortonormal de
Rn .

2.5. Aplicaciones
La diagonalización de matrices se utiliza en muchas ramas de la ciencia
(matemáticas, fı́sica, quı́mica, ingenierı́a eléctrica, ingenierı́a nuclear, hidro-
dinámica, aerodinámica, astronomı́a, economı́a, arquitectura, mecánica cuánti-
ca, tratamiento de imágenes, etc.)
Por lo que respecta a las matemáticas, la diagonalización de matrices se
usa en prácticamente todas las áreas puras y aplicadas: resolución de sistemas
dinámicos, cadenas de Markov, endomorfismos, teorı́a de grafos, superficies
cuadráticas, etc.
Una aplicación de las matrices diagonalizables es el cálculo de la potencia
de una matriz. Si A ∈ Mn (R) es una matriz diagonalizable, entonces existe
una matriz regular P ∈ Mn (R) tal que

D = P −1 · A · P o bien A = P · D · P −1

siendo D una matriz diagonal.

Nos planteamos el cálculo de An (con n ∈ N). Entonces, utilizando la
expresión anterior:
An = (P · D · P −1 )n
que desarrollando quedarı́a

An = (P · D · P −1 ) · (P · D · P −1 ) · (P · D · P −1 ) · . . . · (P · D · P −1 )
| {z }
n

C. Chiralt / V.Renau
c UJI
63
que podemos reescribir de la forma

An = P · D · (P −1 · P ) · D · (P −1 · P ) · D · (P −1 · . . . · P ) · D · P −1
| {z }
n

y teniendo en cuenta que

P −1 · P = I
nos queda
−1
An = P · D {z · . . . · D} ·P
| ·D·D
n

o lo que es lo mismo

An = P · Dn · P −1 ∀n ∈ N

Es decir, el cálculo de la potencia An se transforma en el producto de P ,

−1
P y la potencia de una matriz diagonal, Dn , mucho más sencilla de calcular
que An pues ya sabemos que
 
λk1 0
Dk = 
 .. 
. 
0 λkn

siendo λ1 , . . . , λn los valores propios de A.

 Ejemplo 2.5. Utilizando la matriz A del ejemplo 2.4, vamos a calcular Ak :
En primer lugar calculamos la matriz inversa de P :
 
−1 2 0
P −1 =  1 −2 1 
3 −5 0

y calculamos
Ak = P · Dk · P −1
   k   
5 2 0 1 0 0 −1 2 0
k
A =  3 1 0  ·  0 2k 0  ·  1 −2 1 
1 0 1 0 0 2k 3 −5 0
   
5 · 1k 2 · 2k 0 −1 2 0
k
A =  3 · 1k 2k 0  ·  1 −2 1 
1k 0 2k 3 −5 0
 
6 · 2k − 5 · 1k −10 · 2k + 10 · 1k 0
Ak =  3 · 2k − 3 · 1k −5 · 2k + 6 · 1k 0 
2k − 1k k
−2 · 2 + 2 · 1 k
2k
Y podemos darle a k cualquier valor. Por ejemplo, si k = 20:
 
6291451 −10485750 0
A20 =  3145725 −5242874 0  .
1048575 −2097150 1048576

C. Chiralt / V.Renau
c UJI
64
 Ejercicio 2.5. Demuestra que si A (matriz cuadrada) es diagonalizable,
entonces A( 20) también es diagonalizable.

Calcula A20 siendo  

1 −3 3
A =  3 −5 3  .
6 −6 4
 
1099511627776 0 0
(Solución:  0 1048576 0 .)
0 0 1048576

 Ejercicio 2.6. (Enero 2020) Considera la matriz

 
1 3 3
A =  4 2 0 .
0 0 m

(a) Estudia para qué valores del parámetro m es diagonalizable la matriz A.

(b) Encuentra la forma diagonal D y la matriz de paso P cuando m = 1.

(Solución: (a) Distinguimos varios casos: (1) si m 6= −2, 5 es diagonalizable,

(2) sim = 5 no es  diagonalizable,
 (3) sim = −2 no es diagonalizable; (b)
5 0 0 3 −1 1
D =  0 −2 0 , P =  4 1 −4 )
0 0 1 0 0 4

C. Chiralt / V.Renau
c UJI
65