UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE INGENIERÍA ELECTRÓNICA Y ELÉCTRICA

2023-0

ÁLGEBRA LINEAL
CLASE SEMANA 07
Tema: Valores y vectores propios. Diagonalización. Formas cuadráticas

Sea V un -espacio vectorial finito dimensional, y T : V → V un endomorfismo.

Definición. El escalar   es un valor propio de “T” si existe un vector v V no nulo,

tal que T ( v ) = v .

Nota:
1) El vector “v” que satisface la definición anterior se denomina vector propio de T,
correspondiente al valor propio "  " .
2) Son sinónimos: Valor propio, Valor característico y Autovalor,

Ejemplo. Sea T : 2
→ 3
dado como T ( x, y ) = ( 3x, x + y ) , entonces  = 3 es autovalor

de T.
En efecto:
Evaluando T ( 2,1) = (3 ( 2) , 2 + 1) = 3 ( 2,1) , por tanto, v = ( 2,1) es autovector

correspondiente al autovalor  = 3 .

Ejemplo. Sea T : n
→ n
un endomorfismo dado como
 n n 
T ( x1 ,. . . , xn ) =   x i , . . . , x i 
 i =1 i =1 
entonces  = n es autovalor de T.
En efecto:
T (1,1,...,1) = (1 + 1 + ... +1,..., 1+ ... +1) = ( n, n,..., n ) = n (1,1,...,1)

Es decir T (1,1,...,1) = n (1,1,...,1) y por lo tanto v = (1,1,...,1) es autovector

correspondiente al autovalor  = n .

Valores y vectores propios. Diagonalización. Formas cuadráticas 1

Proposición
Sea T : V → V un endomorfismo, escribamos E =v V :T ( v ) = v , v    , entonces

E  = E   es un subespacio vectorial de V.
Demostración:
i) Claramente   E  , más aún: E V .

ii) Sean v , v 'en E  , si v =   v ' =  , entonces v + v '  E  . Ahora suponiendo

que v    v ' , y v, v '  E  → T ( v ) = v y T ( v ') = v ' de donde se tiene

T ( v + v ') =  ( v + v ') por tanto ( v + v ')  E  E  .

iii) Sea v  E  y   . Si v =    = 0 , entonces  v  E  . Ahora considerando el

caso: v      0 entonces T ( v ) =T ( v ) = ( ) v =  ( v ) .

Por tanto E  es subespacio de V.

Nota: El espacio E  se denomina espacio característico asociado a  .

Definición (valores y vectores propios de una matriz)

Sea A ,   es valor propio de A si existe un vector no nulo

x n1
talque Ax =  x .

Nota: Un vector no nulo que satisface la definición inmediata anterior se denomina

vector propio de A, asociado al valor propio de "  " .

Ejemplo:
Sea A = I . Entonces para todo v  n
, Av = Iv = v . De donde  = 1 es el único valor

característico de A y cada v   en n
es un vector característico de I.

Ejemplo.
Sea V = f : → / f − derivable y sea T : V → V dado como T ( v ) = f ' ( f ' derivada

de f), entonces f ( x ) = eax es un vector propio de T.

En efecto:
T ( f ( x ) ) = f ' ( x ) = a.eax = a. f ( x )

Entonces a  es autovalor de T correspondiente al autovector f ( x ) = a.eax .

Valores y vectores propios. Diagonalización. Formas cuadráticas 2
Ejemplo.
Sea A = ( dij ) una matriz diagonal, entonces los vectores canónicos
nm

ei =  0,. . . ,1, 0,. . . , 0  son autovectores de A para todo i =1, 2 ,. . . , n .

t

En efecto
0 
 d11 0 0   d11 0 0  
0 d 22 0   0 d 22 0   
Tenemos que A =  , entonces Aei =  1 
    
   
0 0 d nn  0 0 d nn   
0 

0
 
 
Así Aei =  dii  = dii ei . Por lo tanto, los valores propios de A son los elementos de la
 
 
 0 

diagonal.

Proposición. Sea T : V → V un endomorfismo, entonces los vectores propios asociados a

valores propios diferentes son linealmente independientes.
Demostración
Sea v1 , v2 , . . . , vn los vectores propios asociados a 1 , 2 , . . . , n tales que  i   j .

Mostraremos que v1 , v2 , . . . , vn son linealmente independientes.

En efecto.
Procediendo por inducción matemática:
1) Si n = 1 , como v1   entonces v1 es linealmente independiente.

2) Supongamos que v1 , v2 , . . . , vh  es linealmente independiente.

Por demostrar que v1 , v2 , . . . , vh , vh+1 es linealmente independiente. Esto es: si

h +1

a v
i =1
i i = ..................... (I ) , multipliquemos por " h+1 " , es decir,

h +1 h +1

(
i =1
h +1a i ) v i =  ..................... ( II ) . Aplicamos T en (I) es decir  a T ( v ) = , sí y
i =1
i i

h +1
solo si: a  v
i =1
i i i = ..................... ( III )

Valores y vectores propios. Diagonalización. Formas cuadráticas 3

Restando (II) y (III), se tiene: a1 ( h+1 − 1 ) v1 + . . . + ah ( h+1 − h ) vh = . Por hipótesis

inductiva se tiene: ai ( h+1 − i ) = 0,  i = 1, 2,. . ., h pero h+1  i ,  i = 1, 2,. . ., h ,

entonces ai = 0,  i = 1, 2,. . ., h y reemplazando en (I) se tiene: ah+1vh+1 =  y como

vh+1   , entonces ah+1 = 0 , en consecuencia a1 = a2 = . . . = ah+1 = 0 y por lo tanto

v1 , v2 , . . . , vn , vn+1 es linealmente independiente.

Teorema. Sea T : V → V un endomorfismo, entonces "  " es un valor característico de A

si y solo si (T −  I ) es singular, donde “I” denota la transformación identidad.

Demostración
Sea "  " un valor propio de A, entonces existe v   en V tal que T ( x ) =  x sí y sólo si

(T −  I ) x = 0  x Nuc (T −  I ) , de donde Nuc (T −  I )    , es decir (T −  I ) no

es inyectiva, y por tanto (T −  I ) es singular.

() Supongamos que (T −  I ) es singular, es decir (T −  I ) no es inversible, entonces

(T −  I ) :V → V es la transformación lineal tal que Nuc (T −  I )    ; luego existe

x   tal que (T −  I )( x ) = 0 , de aquí T ( x ) =  x y por tanto  es un autovalor de T.

Observación
En términos matriciales, el teorema anterior se traduce del modo siguiente:
Si A  nm
entonces   es un valor propio de A sí y sólo sí ( A −  I ) es singular.
Equivalentemente  es un valor propio de A sí y sólo sí det ( A −  I ) = 0 .

Ejemplo:
 −1 2 
Determinar los valores propios y vectores propios de A, siendo A =  
 3 −2
Solución
  + 1 −2 
1°) Usando el resultado anterior:  I − A = 0 sí y sólo sí   = 0 , sí y sólo sí
 −3  + 2 

(  + 1)(  + 2) − 6 = 0 sí y sólo sí  2 + 3 − 4 = 0 , entonces 1 = 1 y 2 = −4

(autovalores)
2°) Ahora determinaremos los autovectores para cada autovalor.
 2 −2   x  0 2 x − 2 y = 0
1 = 1 entonces     =   entonces 
 −3 3   y  0  −3x + 3 y = 0
Valores y vectores propios. Diagonalización. Formas cuadráticas 4
  x   x 1
Así y = x ; luego v1 =   =   = x   , x 
 y   x 1
 −3 −2   x  0
2 = −4 entonces     =   entonces − 3x − 2 y = 0
 −3 −2   y  0
 x 
3  x  x2
así y = − x ; luego v2 =   = 3  =  
2  y   − x  2  −3
 2 
1 2
luego v1 =   , v2 =   Autovalores correspondientes a 1 y 2 respectivamente.
1  −3

Definición. La ecuación (  I − A) = 0 , se conoce como la ecuación característica de A.

Mientras que p (  ) = det (  I − A) se denomina polinomio característico de A , que

también es común denotar como p A (  ) .

Nota:
En los mismos términos se define para un endomorfismo T : V → V . Esto es:
✓ det (T −  I ) = 0 (Ecuación característica de T)

✓ p (  ) = det (T −  I ) (polinomio característico)

Donde T = T B (matriz asociada respecto a una base)

Proposición. Sea T :V →V un endomorfismo. Si existe una base de V,

B = v1 , v2 , . . . , vn  formada por los vectores propios de T correspondientes a los

valores propios: 1 , 2 , . . . , n . Entonces la matriz asociada a T (T  )

B
respecto a la

base B es la matriz diagonal

1 0 0
0  0 
D = 2

 
 
0 0 n 

Demostración
Tenemos las siguientes igualdades:
T ( v1 ) = 1v1 = 1v1 + 0v2 + . . . + 0vn

T ( v2 ) = 2v2 = v1 + 2v2 + . . . + 0vn

Valores y vectores propios. Diagonalización. Formas cuadráticas 5

 T ( vn ) = 0v1 = 0 + 0v2 + . . . + nvn

De donde:
1 0 0
0  0 
T B =  2


 
0 0 n 
En este caso, se dice que T- es diagonalizable.

Consecuencia: Si V es finito dimensional y T : V → V un endomorfismo que posee n-

nn
valores propios diferentes, entonces existe P  no singular, tal que P −1 AP es
diagonal. P es la matriz cuyas columnas son los vectores propios de A.
Ejemplo
 −1 2 
Sea A =   . Determinar su forma diagonal.
 3 −2
Solución
 −1 2 
Por la consecuencia anterior: P =   , donde las columnas son los vectores
 3 −2
propios de A (ver ejemplo anterior) entonces:
1  3 2 1 0 
P −1 =   , luego D = P −1 AP =  
5  −4 4  0 −4 

Proposición:  es un valor propio de A sí y sólo sí  - es raíz del polinomio

característico de A.
Demostración
() Sea   un valor propio de A, entonces ( A − I ) es singular, y por tanto

también lo es (  I − A) ; de donde det (  I − A) = 0 , entonces

p (  ) = det (  I − A) = 0 , es decir,  - es raíz del polinomio característico de A.

() Supongamos que  es raíz del polinomio p (  ) = pA (  ) (polinomio

característico de A). Entonces det (  I − A) = p (  ) = 0 es decir, (  I − A) , es singular,

esto muestra que  − es un valor propio de A.

Ejemplo
 1 0 −1
Sea A =  0 1 2  . Determinar el polinomio característico de A.
 
 −1 2 −1

Valores y vectores propios. Diagonalización. Formas cuadráticas 6

 Solución
 − 1 0 1 

1) p A (  ) = p (  ) =  I − A =  0  − 1 −2 
 1 −2  + 1
= (  − 1) (  − 1)(  + 1) − 4  − (  − 1) = (  − 1)  2 − 6  =
=  3 −  2 − 6 + 6
 p (  ) =  3 −  2 − 6 + 6
2°) Por la proposición anterior, los autovalores de A son las raíces de " p (  ) " y estos

son: 1 = 1, 2 = 6 y 3 = − 6 .

Proposición. Dos matrices semejantes tienen el mismo polinomio característico y por lo

tanto los mismos autovalores.
Demostración.
Sean A, B dos matrices semejantes. Por definición de matrices semejantes, existe P-
inversible, tal que B = P −1 AP ; entonces se tiene:
PB (  ) =  I − B =  P −1.P − P −1 AP = P −1 .  I − A P = PA (  )

POLINOMIO MINIMAL DE UN ENDOFOMORFISMO:

Dado un endomorfismo T : V → V . Entonces de manera natural existe “otro” polinomio
asociado a “T”. Ahora el conjunto de endomorfismo: I , T , . . . , T   L (V )
k
donde

k = n2 , n = dimV es linealmente dependiente, pues dim ( L (V )) = n2 y el conjunto

I , T , . . . , T 
k
tiene ( k + 1) elementos, entonces por definición de dependencia lineal

existen escalares a0 , a1 ,..., ak no todos ceros, tal que a0 I + a1 T + . . . + ak T k = 0 . De esta

forma, si consideramos el polinomio q ( x ) = a0 + a1x + a2 x2 + . . . + ak xk el cual tiene

como raíz a “T” y más aún q ( x )  0 , de esta forma queda mostrado que hay polinomios

en  x tal que T es raíz.

Definición. Sea T : V → V un endomorfismo. El polinomio Mónico de menor grado tal

que “T” es raíz, se denomina polinomio mínimal de T, el cual denotaremos por
mT ( x ) .

Observación. El polinomio mínimal de T debe tener la forma

a0 + a1 x + a2 x2 + . . . + ar −1 xr −1 + xr = mT ( x )

Valores y vectores propios. Diagonalización. Formas cuadráticas 7

Nota:
nn
El polinomio mínimal de una matriz A  se define de manera análoga.

Teorema (Relación entre los polinomios: Característico y Mínimal)

Los polinomios: Mínimal " mT ( x ) " y Característico de pT ( x ) poseen las mismas raíces,

donde T : V → V es un endomorfismo.
Demostración:
Sea   una raíz del polinomio característico pT ( x ) de donde  es un autovalor de T,

y así existe un vector v V no nulo tal que T ( v ) = v ; y de aquí se tienen los

vectores: T ( v ) = v , T 2 ( v ) =  2v , . . . , T m ( v ) =  mv

Ahora, para un polinomio cualesquiera:

f ( x ) = a0 + a1x + a2 x2 + . . . + ak xk , se tiene:

f (T ) v =  a0 I + a1 T + . . . + ak T k  v = a0v + a1 T ( v ) + . . . + ak T k ( v )

= a0 v + a1  v + . . . + ak  k v = ( a0 + a1  + . . . + ak  k ) v

= f ( ) v

Es decir: f (T ) v = f (  ) v ................... ( #)
Como podemos observar, esta igualdad ( # ) es válida para cualquier polinomio f ( x ) , en

particular, si f ( x ) = mT ( x ) ( ie, mT (T ) v = mT (  ) v )  mT (  )  v =  mT (T )  v = 0 y como

v  0 , entonces mT (  ) = 0 esto muestra que  − es raíz del polinomio mínimal de “T”.

Recíprocamente. Sea   una raíz de mT ( x ) , entonces mT ( x ) = ( x −  ) .g ( x ) para

algún g ( x ) en  x , claramente grad ( g ( x ) )  grad ( mT ( x ) ) , en consecuencia por la

definición de polinomio mínimal g (T )  0 y así g (T ) w  0 para algún w V . Ahora,

para v = g (T ) w se tiene

0 =  mT (T )  w = T −  I  ( g (T ) w ) = T −  I  v

entonces T ( v ) = v , es decir, que una raíz del polinomio mínimal mT ( x ) es autovalor de

“T” y en consecuencia "  " es raíz del polinomio característico de “T”

Valores y vectores propios. Diagonalización. Formas cuadráticas 8

Ejemplo
 1 1 0
Determinar mA ( x ) y pA ( x ) de la matriz A =  −1 3 0  .
 
 −2 2 2 

Solución
Calculando el polinomio característico

p A (  ) =  I − A = (  −  ) , claramente ( A − 2I )  0 entonces (  −  ) no es el polinomio

3

mínimal.

Ahora calculemos ( A − 2 I ) el cual por un cálculo rutinario se tiene

2

 −1 1 0  −1 1 0 
   por tanto mA (  ) = (  −  ) .
( A − 2I ) =  −1 1 0  −1 1 0  = 
2 2

 −2 2 0  −2 2 0 
  

Definición (Multiplicidad geométrica)

Sea  un valor propio de A. La multiplicidad geométrica de “  ” se define como la
dimensión del espacio característico E  , es decir, multiplicidad geométrica de
 = dim E  .

Ejemplo
 −1 2 
Dado A =   , determinar la multiplicidad geométrica de sus autovalores.
 3 −2 
Solución
i) Calculando pA (  ) =  2 + 3 − 4 , entonces 1 = 1 y 2 = −4 .

ii) E 1 = v V :T ( v ) = 1.v . Aparte, de  I − A = 0 se tiene

 2 −2   x  0 
 −3 3   y  = 0 
    
 x 1
Entonces y = x, luego v1 =   = x   , x  en consecuencia
 y 1
 1 
E  1 = v V : v = x   , x   entonces
 1 
( )
dim E 1 = 1 en consecuencia la

multiplicidad geométrica de 1 = 1 es uno.

Análogamente, se muestra que la multiplicidad geométrica de  2 = −4 también es uno.

Valores y vectores propios. Diagonalización. Formas cuadráticas 9

Ejemplo
 1 1 0
Dada A =  −1 3 0  . Determinar la multiplicidad geométrica de sus autovalores.
 
 −2 2 2 

Solución

p A (  ) =  I − A = (  −  )   = 2 único valor propio

3

Resolvemos el sistema (  I − A) X = 0 para  =2

 1 −1 0  x   0  x− y =0
    
  1 −1 0  y  =  0   x − y = 0  x = y, z 
 2 −2 0  z   0  2 x − 2 y = 0
    
El conjunto de vectores propios es

( x, y, z )   : x = y, z  
El subespacio propio asociado es:

E  = L (1,1, 0 ) , ( 0, 0,1) y su dimensión es 2

Por tanto, la multiplicidad geométrica de  = 2 es 2 y su multiplicidad algebraica es 3.

Definición (Multiplicidad algebraica)

La multiplicidad algebraica de los valores propios de una matriz (endomorfismo) se
define como la multiplicidad algebraica de las raíces de su polinomio característico. Esto

es, supóngase que pA (  ) = (  − 1 ) ( −  ) ............. (  −  m ) = 0 , entonces " rj " es

r1 r2 rm
2

la multiplicidad de  j para j =1, 2,..., m .

Ejemplo.
 −1 2 
Dada la matriz A =   , entonces pA (  ) =  2 + 3 − 4 = (  −1)(  + 4) ; así las
 3 −2 
multiplicidades algebraicas de 1 = 1 y 2 = −4 (autovalores) son UNO.

DIAGONALIZACIÓN DE MATRICES Y OPERADORES

nn
Definición. Una matriz A  es diagonalizable sí y sólo sí es semejante a una matriz
nn
diagonal, es decir: A  es diagonalizable sí y sólo sí existe P no singular, tal que

P −1 AP = D , donde D es diagonal.
Valores y vectores propios. Diagonalización. Formas cuadráticas 10
Propiedad. A  nn
es diagonalizable, entonces su forma diagonal es D = (  i ij ) , donde

 i son autovalores de A, i =1, 2,..., n .

Demostración. A es diagonalizable, entonces A D , entonces
 − d1 0 0 
 0  − d2 0 

det (  I − D ) =  
 
 
 0 0  − d n 
n
Por tanto, det (  I − D ) =  (  − di ) = p (  ) . En consecuencia, los elementos de la matriz
i =1

diagonal son los valores propios de A.

Propiedad. Una matriz es diagonalizable sí y sólo sí A admite n-vectores propios

linealmente independientes.

Demostración:
( ) Por hipótesis A es diagonalizable, entonces A D , es decir existe P-inversible tal

que D = P−1 AP sí y sólo sí AP = PD ..................... (I ) .

Escribamos " P " en su forma vectores columna P = c1 c2 . . . cn  , entonces:

1 0 0
0  0 
 2

PD =  c1 c2 . . . cn    =  1c1 2c2 . . . n cn .......... ( II )

 
 
 0 0 n 
De otro lado:
AP = Ac1 c2 . . . cn  =  Ac1 Ac2 . . . Acn  .......... ( III )

De ( I ) , ( II ) y ( III ): Aci = i ci , i =1, 2,. . . , n

Observamos que las columnas de P son n-vectores propios de A y como P es

inversible, tales columnas " ci " son linealmente independientes; en consecuencia, A

posee n-vectores propios linealmente independientes.

() Por hipótesis A posee n-vectores propios linealmente independientes, sean estos:

x1 , x2 ,. . . , xn , entonces Axi =  i xi , i =1, 2,. . . , n ; ahora llamemos

Valores y vectores propios. Diagonalización. Formas cuadráticas 11
 P =  x1 , x2 ,. . . , xn  y D = (  i ij )

Entonces AP = A x1 , x2 ,. . . , xn  =  Ax1 , Ax2 ,. . . , Axn 

= 1 x1  2 x2 . . .  n xn  =  x1 , x2 ,. . . , xn   i ij  = PD

Como P es no singular, entonces D = P−1 AP , es decir, A es diagonalizable.

Ejemplo.
1 1 0 
Dada la matriz A = 0 1 1  , ¿es A diagonalizable?
 
0 0 1 

En efecto:
Para responder esta pregunta nos basaremos en la propiedad inmediatamente anterior,
para lo cual determinemos los autovalores de A, esto es:
 − 1 −1 0 

p (  ) = det (  I − A ) =  0  − 1 −1  = (  − 1)
3

 0 0  − 1

de donde 1 = 2 = 3 =1 (autovalores), entonces observamos

0 −1 0   x  0  x 1 
0 0 −1  y  = 0 , así y = 0, z = 0 , luego v =  y  = x 0 esto quiere decir que
     1    
0 0 0   z  0  z  0

sólo hay un vector propio linealmente independiente de la matriz A, por tanto, A no es

diagonalizable.

Ejemplo.
 2 1
Dada la matriz A =   . averiguar si A es diagonalizable.
 0 3
Solución.
Calculemos los autovalores de A. Para lo cual determinemos las raíces del polinomio
característico. Esto es:
 − 2 −1 
p ( ) =  I − A =  = (  − 2 )(  − 3)
 0  − 3
Así: 1 = 2,  2 = 3 (autovalores) en consecuencia los autovectores asociados a los

autovalores son:
0 −1  x  0
(i ) Para 1 = 2 tenemos     =   , entonces y = 0,así
0 −1  y  0

Valores y vectores propios. Diagonalización. Formas cuadráticas 12

  x 1 
v 1 =   = x   ( autovector )
0 0
1 −1  x  0 
( ii ) Para  2 = 3 tenemos     =   , entonces y = x ,así
0 0   y  0
 x 1
v 2 =   = x   ( autovector ) . Luego los vectores propios son linealmente
 y 1
independientes y por lo tanto A es diagonalizable, más aún, su forma diagonal está
2 0
dada como D =  .
0 3
Definición. Un endomorfismo T : V → V es diagonalizable si existe B base de V tal que
T B es matriz diagonal.

CRITERIOS DE DIAGONALIZACIÓN

Teorema (Primer Criterio de Diagonalización)

Un endomorfismo T : V → V es diagonalizable sí y sólo sí las multiplicidades
geométricas y algebraicas de cada autovalor son iguales.

Teorema (Segundo Criterio de Diagonalización)

Un endomorfismo T : V → V es diagonalizable sí y sólo sí su polinomio mínimal mT ( x )

posee solo raíces simples.

Ejemplo
 1 3 −4 
Dada la matriz A =  4 0 −4  ¿Es A diagonalizable?
 
 −3 4 0 

En efecto:
1) Calculamos en primer lugar el polinomio característico, esto es:

PA ( x ) = ( x − 3)( x + 2 ) .
2

2) Observamos que la multiplicidad algebraica de  = −2 es dos. Ahora, veamos su

V−2 =  X  31

: AX = − 2 X  = X = ( x, y, z ) : AX = − 2 X
t

 1   y 
=  y, y, y  : y   =  ( 2, 2,1) : y  
 2   2 

Valores y vectores propios. Diagonalización. Formas cuadráticas 13

dim ( V−2 ) = 1 , así la multiplicidad geométrica de  = −2 , es diferente a la multiplicidad

algebraica. Por el primer criterio, A no es diagonalizable.

Observación:

1) Todo endomorfismo T  L(V ) es triangulable.

2) Los elementos de la diagonal de T  son los valores propios de T.

En efecto:
( )
PT (  ) = det  I − T  = ( x − 1 ) ( x −  2 ) . . . ( x −  n )

3) La forma general de PT ( x ) es:

n
PT ( x ) = x −  i x n −1
+ . . . + ( −1) 
n n n
i =1 j
j =1

 PT ( x ) = x n − Tr (T ) x n−1 + . . . + ( −1) det (T )

n

n n n n
4) Para cualquier A ,  P no singular tal que P−1 AP = T (matriz
triangular)

5) La observación (1) dice que, para cualquier T L (V ) , donde V es un -

espacio vectorial finito dimensional, siempre existe una base  de V
formada por vectores propios de T tal que la matriz asociada a T en la base
 es una matriz triangular.

Ejemplo 1
 2 −1
Dada A =   ; Tr ( A) = 3 ; A =5
3 1 
Luego
 −2 1
pA (  ) = =  2 − 3 + 5 =  2 − Tr ( A )  + ( −1) det ( A )
2

−3  −1

TEOEMA (HAMILTON – CAYLEY)

Sea T : V → V un endomorfismo, n = dimV   entonces PT (T ) = .

En forma equivalente
Si A  K nn entonces PA ( A) = .

Valores y vectores propios. Diagonalización. Formas cuadráticas 14

Consecuencia
nn
1) Sea A  una matriz no singular, cuyo polinomio característico es
pA (  ) =  n + an−1 n−1 + . . . + a1 + a0

Por Hamilton – Cayley tenemos pA ( A) = 0 , de donde si a0  0 :

1
A−1 = −  An −1 + an −1 An − 2 + . . . + a1 I 
a0

2) Sea T : V → V una matriz no singular, cuyo polinomio característico es

pT (  ) =  n + an−1 n−1 + . . . + a1 + a0

Por Hamilton – Cayley tenemos pT (T ) = , de donde si a0  0 :

1
T −1 = − T n −1 + an −1T n − 2 + . . . + a1 I 
a0 

Ejemplo. Aplicando el Teorema de Hamilton – Cayley, calcular la inversa de la matriz

 1 −1
A= 
4 3 

Solución
pA ( x ) = xI − A = x2 − 4x + 7 , por Hamilton – Cayley

1 4 1  3 1
pA ( A) = 0 sí y sólo sí A2 − 4 A + 7I = 0 , entonces A−1 = − A + A= 
7 7 7  −4 1

Ejemplo
Halle una base para el cual T ( x, y, z ) = ( x + 2 y + 2z , y , 4 y + 3z ) ,  ( x, y, z ) 3

es triangularizable.
Solución:
1 2 2   − 1 −2 −2
 
A = 0 1 0  ; PA (  ) = 0  −1 0
0 4 3  0 −4  − 3

 −1 −2
= (  − 1) = (  − 1) (  − 3)
2

0  −3

2 x − 2 y − 2 z = 0 1 

Para  = 3 resolvemos 2 y = 0  → y = 0 , z = x, v1 = 0 

4 y = 0  1 

Valores y vectores propios. Diagonalización. Formas cuadráticas 15

 1 
−2 x − 2 z = 0   
Para  = 1 resolvemos  → y = 0 , z = 0, x  , v2 = 0 
−4 y − 2 z = 0
0

0
Completamos la base con el vector v3 = 0 , luego, existe  = v1 , v2 , v3 


1 

tal que:
Tv1 = T (1,0,1) = ( 3,0,3) = 3 v1 + 0 v2 + 0 v3

Tv2 = T (1,0,0) = (1,0,0 ) = 0 v1 + 1v2 + 0 v3

Tv3 = T ( 0,0,1) = ( 2,0,3) = 0 v1 + 2 v2 + 3 v3

3 0 0
 T 
 = 0 1 2  matriz triangular
0 0 3 

FORMAS BILINEALES Y FORMAS CUADRÁTICAS

Definición. (Forma Bilineal): Sea V un K-espacio vectorial. Una aplicación

f : V 2 → K es una forma bilineal si:

(i ) f ( ax + bx ', y ) = af ( x, y ) + bf ( x ', y )
(ii ) f ( x , ay + by ') = af ( x, y ) + bf ( x, y ') para todo: x, x ', y , y 'V , para todo a, bK .

Observaciones:

(1)Si f : V 2 → K es bilineal, entonces se cumple: f :( ax , y ) = af ( x, y ) = f ( x, ay ) .

(2) Escribamos Bil ( V ) =  f : V 2 → K / f es forma bilineal . En Bil ( V ) defínase las

operaciones siguientes: ( f + g )( x ) = f ( x ) + g ( x ) y (  f )( x ) = . f ( x ) , entonces

( Bil ( V ) , + , K , ) es un espacio vectorial.

Ejemplo:

Valores y vectores propios. Diagonalización. Formas cuadráticas 16

Sea V = K n , donde K-es cuerpo, defínase la aplicación f : V  V → K como sigue:
n
f ( X , Y ) =  xi yi , donde X = ( x1 , x2 ,..., xn ) ; Y = ( y1 , y2 ,..., yn ) , entonces f es una forma
i =1

bilineal.
En efecto:

Sean X = ( x1 , x2 ,..., xn ) ; X ' = ( x '1 , x '2 ,..., x 'n ) e Y = ( y1 , y2 ,..., yn ) en V y sean a, bK .

Ahora:
n n n
f ( aX + bX ', Y ) =  ( axi + bx 'i ) yi =  ( axi ) yi +  ( bx 'i ) yi
i =1 i =1 i =1

n n
= a xi yi + b x 'i yi = af ( x, y ) + bf ( x ', y )
i =1 i =1

Análogamente : f ( X , aY + bY ') = af ( x, y ) + bf ( x, y ')

Ejemplo
Sea V = f : → / f es una función

Defínase la aplicación  : V  V → como  ( f , g ) = ( f g )( t ) , donde f g denota

composición de funciones, entonces  es una forma bilineal.

En efecto:
Sean f , f ', g V y sean a, b . Entonces tenemos:

 ( af + bf ', g ) = ( af + bf ') g (t ) = ( af ) g (t ) + (bf ') g (t )

= a ( f g )(t ) + b ( f ' g )(t ) = a ( f , g ) + b ( f ', g )

Análogamente :  ( f , ag + bg ' ) = a ( f , g ) + b ( f , g ')

Ejemplo:
Sea A K nn una matriz fija, defínase  A : K n  K n → K como  A ( X , Y ) = X t AY ;

entonces  A es una forma bilineal.

En efecto:
Sean X , X ', Y en K n y sean a, bK , entonces

(
 A ( aX + bX ', Y ) = ( aX + bX ') AY = a ( X t AY ) + b ( X ') AY
t t
)
Valores y vectores propios. Diagonalización. Formas cuadráticas 17
 = a A ( X , Y ) + b A ( X ', Y )

Análogamente :  A ( X , aY + bY ') = a A ( X , Y ) + b A ( X , Y ')

Observación:

Sea A = ( a ij ) y sean X = ( x1 , x2 ,..., xn ) ; Y = ( y1 , y2 ,..., yn ) entonces la imagen de  A

t t
n n

es un escalar y está dado como:

 a11 a12 a1n   y1 

a a22 a2 n   y2 
 A ( X , Y ) =  x1 , x2 ,..., xn   21
  
  
 an1 an 2 ann   yn 

 y1 
 n n n   y2 
=   xi ai1  xi ai 2 . . .  xi ai n 
i = 1 i =1 i =1  
 
 yn 
n n n n
=  y j  xi ai j =  ai j xi y j
j =1 i =1 i =1 j =1

MATRIZ ASOCIADA A UNA FORMA BILINEAL

Sean V un K-espacio vectorial n-dimensional, B =v1 , v2 , vn  base de

V y f : V  V → K una forma bilineal, entonces “f” está caracterizada por los valores:

aij = f ( vi , v j ) , que son los elementos de la matriz A K nn , llamada matriz de f respecto

a la base B.

En efecto:
n n
Sean X , Y V , entonces X =  i vi , Y =   j v j , luego tenemos:
i =1 j =1

 n 
  j v j  =  i  j f ( vi , v j )
n n n
f ( X , Y ) = f    i vi ,
 i =1 j =1  i =1 j =1

n n
=  i  j =  A ( X , Y ) = X t AY
i =1 j =1

Valores y vectores propios. Diagonalización. Formas cuadráticas 18

FORMA BILINEAL SIMÉTRICA:
Sea f : V2 → K una forma bilineal. Se dice que “f” es simétrica si f ( X , Y ) = f (Y , X ) .

Ejemplo

Sea f : V2 → una forma bilineal simétrica. Defínase la aplicación  : V2 → como

 ( X , Y ) = f ( X , Y ) ; entonces -es forma bilineal simétrica.

En efecto:
Sean X , Y V ;  ( X , Y ) = f ( X , Y ) = f ( X , Y ) =  (Y , X ) por tanto el resultado.

Ejemplo

Sea V= 2
, f : V2 → una aplicación dada como f (( x , x ) , ( y , y ))
1 2 1 2

= x1 y1 + 2 x2 y1 + 2x1 y2 + x2 y2 es una forma bilineal simétrica.

Observación

Sea B =v1 , v2 ,..., vn  una base ortogonal de V, es decir, f ( vi , v j ) = aij = 0 para todo

i  j , entonces la matriz A de la forma bilineal asociada a la base B es de la forma:

 d1 0 0
0 d2 0 
A =
 
 
0 0 dn 

Y se dice que es la forma diagonalizada.

Propiedad

La matriz A K nn representa una forma bilineal simétrica sí y sólo sí A es simétrica.

Demostración:
Sea f una forma bilineal simétrica asociada a A, como f es simétrica, se tiene:

f ( X , Y ) = f (Y , X ) sí y sólo sí X t AY = Y t AX , como Y t AX = (Y t AX ) = X t AtY , entonces

t

X t AY = X t AtY sí y sólo sí X t ( A − At ) Y = 0 , para todo X , Y K n , de donde A = At .

Recíprocamente, A es simétrica, entonces f ( X , Y ) = X t AY = ( X t AY )

t

= Y t At X = f (Y , X ) , luego f es simétrica.
Valores y vectores propios. Diagonalización. Formas cuadráticas 19
FORMAS CUADRÁTICAS

Sea V un K-espacio vectorial finito dimensional, y sea f : V2 → K una forma bilineal

simétrica sobre V. Diremos que la función q : V → K es una forma cuadrática asociada a

la forma bilineal simétrica “g” si q ( x ) = f ( x, x ) , para todo x V .

Observación
Si V = K n y sea A K nn una matriz simétrica, entonces la forma cuadrática asociada está
dada por:
n n
q ( x ) = X t AX =  a x x
i =1 j =1
ij i j (*)

Observamos que el desarrollo de " q ( x ) " en término de las variables x1 , x2 ,..., xn

corresponde a un polinomio de grado dos, donde los coeficientes de los términos

cuadráticos son los elementos de la diagonal de la matriz simétrica correspondiente,
mientras que cada coeficiente del término rectangular " xi x j " es el doble del término aij .

Definición (Forma Cuadrática no Degenerada)

Una forma cuadrática q ( X ) = X t AX es no degenerada si la matriz A es inversible.

Ejemplo

Sea q : 2
→ una forma cuadrática dada como q ( x, y ) = x2 − 6xy + 2 y 2 , entonces la

matriz correspondiente a “q” está dada como:

 1 −3
A=  
 −3 2 

Más aún: det ( A) = − 7 , por tanto, “q” es NO DEGENERADA.

Ejemplo

Sea q: 3
→ una forma cuadrática definida como q ( x1 , x2 , x3 ) =

x12 − x22 + 2 x32 − x1 x3 + 8x2 x3 , entonces la matriz correspondiente a “q” está dada como:

 1 0 −1/ 2 

A=  0 −1 4 
 −1/ 2 4 2 

7
También det ( A) = −  0 , en consecuencia, “q” es una forma cuadrática no degenerada.
4

Valores y vectores propios. Diagonalización. Formas cuadráticas 20

 2 3
TEOREMA DE EJES PRINCIPALES EN y

Recordemos lo siguiente:
(i) Una ecuación cuadrática en dos variables con términos no lineales es una

ecuación de la forma: ax2 + bxy + cy 2 = d ,con a + b + c  0 .

(ii) Una forma cuadrática en dos variables es una expresión de la forma:

q ( x, y ) = ax2 + bxy + cy 2 ,con a + b + c  0 .

Observación

Las definiciones ( i ) y ( ii ) antes dadas están estrechamente relacionadas.

2
TEOREMA (De los ejes principales en )

a b 
Sea q ( x, y ) = ax2 + 2bxy + cy 2 una forma cuadrática, A =   su matriz asociada y
c d 
22
P la matriz ortogonal que diagonaliza a A, entonces el cambio de variable:

 x '  x
w =   = P t   , reduce la forma cuadrática q ( x, y ) a la forma cuadrática
 y '  y

f ( x ', y ' ) = 1 ( x ' ) + 2 ( y ' ) , donde 1 y  2 son los autovalores de A.

2 2

Demostración

Dada la forma cuadrática vt Av = ax2 + 2bxy + cy 2 , con v = ( x, y ) 2

a b  22
Como A=  es simétrica, entonces existe P ortogonal tal que
c d 

 1 0 
P t AP = 
0   , donde 1 y  2 son autovalores de A.
 2 

 x '  x
Ahora, sea w =   = P t   = P t v , entonces v = ( P t ) w = Pw , de donde se tiene:
−1

 y '  y

= ( Pw) A ( Pw) = wt ( Pt AP ) w = wt Dw
t
vt Av

 1 0   x ' 
=  x ' y '  = 1 ( x ' ) +  2 ( y ' )
2 2
  
 0  2   y '

v t Av = 1 ( x ') +  2 ( y ' )
2 2
Es decir:

q ( x ', y ' ) = 1 ( x ' ) +  2 ( y ' )

2 2
Por tanto:

Valores y vectores propios. Diagonalización. Formas cuadráticas 21

Ejemplo:

Describir y graficar la cónica cuya ecuación es 3x2 − 2 xy + 3 y 2 = 4 .

Solución:

 3 −1  x 
(1º ) q ( x, y ) = 3x 2 − 2 xy + 3 y 2 = x y     = v t Av
 −1 3   y 

 3 −1
Ahora A =  de donde  I − A = (  − 3) − 1 = (  − 2 )(  − 4 ) = 0 , entonces
2

 −1 3 

1 = 2 y  2 = 4 son autovalores de A.

( 2º ) Si  = 2, entonces de Ax =  x ,se tiene :

− x + y = 0 1 1
 , así v1 =   luego : u1 = (1,1)
x − y = 0 1 2

Si  = 4, entonces de Ax =  x ,se tiene

x + y = 0 1 1
 , así v2 =   luego : u2 = (1, −1)
x + y = 0  −1 2

1 1 
de aquí : P = u1t , u2t  =  
1 −1

1 1 1   3 −1 1 1  1  4 0 
Ahora: P t AP =    =  =D
2 1 −1  −1 3  1 −1 2 0 8 

 x '  x  1 1 1   x  1  x + y 
Si W =   = P t   =    =  
 y '  y 2 1 −1  y  2 x − y

1 1
entonces: x ' = ( x + y)  y '= ( x − y)
2 2

(3º ) Utilizando el Teorema inmediato anterior, la forma cuadrática q ( x, y ) =

3x2 − 2xy + 3 y 2 se q ( x, y ) = 2 ( x ' ) + 4 ( y ' ) .

2 2
transforma en Es decir

( x ') ( y ')
2 2

2 ( x ' ) + 4 ( y ' ) = q ( x, y ) = 4 sí y sólo sí + =1 . Es una elipse, donde los

2 2

2 1

1 1
nuevos ejes están dados por los vectores unitarios u1 = (1,1) y u2 = (1, −1) .
2 2

Definición:
3
(i) Una ecuación cuadrática en con términos no lineales de la forma

Valores y vectores propios. Diagonalización. Formas cuadráticas 22

 ax2 + by 2 + cz 2 + dxy + exz + fyz = g

Donde a, b, c, d , e, f son constantes no todas nulas, g también constante.

(ii) La forma cuadrática asociada a la ecuación (**) está dada por:

q ( x, y, z ) = ax2 + by 2 + cz 2 + dxy + exz + fyz

Observación
3
El Teorema de los Ejes Principales en , se enuncia y demuestra de manera similar al
2
Teorema anterior (de los Ejes Principales en )
Ejemplo
Analizar y graficar la forma cuadrática cuya ecuación asociada está dada como:

x2 + y 2 + z 2 − 2xy − 2xz − 2 yz = 2 ......... ( )

Solución

1°)La forma cuadrática asociada a la ecuación ( ) está dada por:

q ( x, y, z ) = x2 + y 2 + z 2 − 2xy − 2xz − 2 yz

 1 −1 −1
De donde A =  −1 1 −1 (matriz simétrica)
 
 −1 −1 1 

2°)Calculando los autovalores:

PA (  ) = det (  I − A) = 0 sí y sólo sí (  −  ) (  +) = 0

2

entonces : 1 = 2   2 = − 1

Calculando los autovectores:

x + y + z = 0
( i ) Si  = 2, entonces :  x + y + z = 0
x + y + z = 0


Ahora, si z = 0, entonces : y = − x , así v1 = 1 − 1 0 

t

si y = 0, entonces : z = − x , así v2 = 1 0 − 1
t

2 x + y + z = 0

( ii ) Si  =1, entonces : x − 2 y + z = 0
x + y − 2z = 0


de aquí : y = x , z = x por tanto : v3 = 1 1 1

t

Valores y vectores propios. Diagonalización. Formas cuadráticas 23

 3°)Ortonormalizando los vectores: v1 , v2 y v3

1
u1 = 1 − 1 0
t

(1, 0, −1) , (1, −1, 0 )

(1, −1, 0 ) =  
1 1
w2 = (1, 0, − 1) − , , − 1
2 2 2 
w2 1
entonces : u2 = = (1,1, −2 )
w2 6

1
u3 = (1,1,1) . Luego u1 , u2 , u3 es un conjunto ortonormal, entonces existe P
3

 1 1 1 
 
 2 6 3
2 0 0 
 1 1 
, de aquí P AP =  0 2 0  .
1
inversible, esto es: P =  − 
t
 
 2 6 3
 0 0 −1
 2 1 
 0 −
 6 3 
3
4°)Por el Teorema de Ejes Principales en tenemos:

 1 1   x− y 
 − 0   
2 6 2 
 x '    x 
 y ' =  1 1
−
2   y =  x + y − 2z 
   6 6 6     6 
 z '    z  
 1 1 1   x+ y+z 
 3   3 
 3 3 

Entones la forma cuadrática q ( x, y, z ) = x2 + y 2 + z 2 − 2xy − 2xz − 2 yz

Se transforma en q ( x, y, z ) = 2 ( x ' ) + 2 ( y ' ) − ( z ' ) = 4 sí y sólo sí

2 2 2

( x ') ( y ') ( z ')

2 2 2

+ − =1
2 2 4

Es un paraboloide de una hoja con centro en ( 0,0,0) , cuyos nuevos ejes están

dados por:
1 1 1
u1 = (1, − 1, 0 ) ; u2 = (1,1, − 2 ) ; u3 = (1,1,1)
2 6 3

Valores y vectores propios. Diagonalización. Formas cuadráticas 24

 Ejercicios de clase
1. Sea f ( x) = a0 + a1 x + a2 x2 + .... + an xn  K ( x) y   K valor propio de T  L(V)
Pruebe que f ( ) es valor propio de f (T ).
2. Sea
1 1 0
 
A =0 1 0 Determine los valores y vectores propios y, los polinomios:
0 0 1
 
Característico y mínimal

3. Sea el endomorfismo T en R3 dado por

 3 −1 1 
 
A =  −2 4 −2  Halle si es posible, una base de R3 respecto de la cual T es
 −2 2 0 
 
diagonalizable.

4. Asigne V o F, Justifique.
a) Si A es diagonalizable, entonces  n  se tiene An = PDn P−1
b) A es diagonalizable entonces A-1 es diagonalizable.
c) Si A es diagonalizable entonces An es diagonalizable para todo n natural.
d) Si A es una matriz cuadrada de orden n tal que A2 +I = 0, entonces A no posee valores
propios reales.
e) Si T2 = T y T es biyectiva entonces 1 es el único valor propio de T
f) A y A t poseen los mismos vectores propios
5. Utilice la teoría de valores y vectores propios para hallar An , n  siendo

 2 1
A = .
 0 3
6. Compruebe el teorema de Hamilton – Cayley y halle la inversa de la matriz si esta
existe
 2 2 1 4 2 5 
   
a) A =  4 4 1  b) B =  2 2 −1
1 0 0  0 −1 4 
   
7. ¿Es T ( x, y, z ) = ( 3 y + z , 2 x − y − z , − 2 x − y − z ) End ( 3
) triangulable?
8. Analizar y graficar las siguientes formas cuadráticas

a) x2 + 3 y 2 − 4xy = 6

b) 5x2 + 5 y 2 + 2z 2 + 8xy + 4xz + 4 yz =100

FIEE; 25 de febrero de 2023

LOS PROFESORES

Valores y vectores propios. Diagonalización. Formas cuadráticas 25