Tema 5. Diagonalización: Álgebra Lineal y Geometría

Aplicaciones lineales.
Matriz asociada a un endomorfismo

El problema de la diagonalización
Autovalores, autovectores y subespacios propios
Diagonalización de endomorfismos y matrices
Diagonalización de matrices simétricas por semejanza ortogonal
Tema 5. Diagonalización
Álgebra Lineal y Geometría

Grado en Arquitectura Naval e
Ingeniería Marítima
Escuela de Ingeniería
Naval y Oceánica
Moisés Villegas Vallecillos
Departamento de Matemáticas
Moisés Villegas Vallecillos Diagonalización 1 / 30

Aplicaciones lineales. Matriz asociada a un endomorfismo
Índice
1 Aplicaciones lineales. Matriz asociada a un endomorfismo
2 El problema de la diagonalización
3 Autovalores, autovectores y subespacios propios
4 Diagonalización de endomorfismos y matrices
5 Diagonalización de matrices simétricas por semejanza ortogonal

Aplicaciones lineales. Matriz asociada a un

endomorfismo
Definición de aplicación lineal
Una función f : Rn → Rm se dice que es una aplicación lineal si
conserva la suma y el producto por escalares, esto es:
f (u + v ) = f (u) + f (v ), ∀u, v ∈ Rn .
f (α u) = α f (u), ∀u ∈ Rn , ∀α ∈ R.
A las aplicaciones lineales de Rn en Rn las llamaremos endomorfismos.
Ejemplo
La función f : R3 → R2 , definida por f (x1 , x2 , x3 ) = (x1 + x3 , x2 ) para
todo (x1 , x2 , x3 ) ∈ R3 , es una aplicación lineal.
En el resto del tema trabajaremos sólo con endomorfismos, es decir,

sólo con aplicaciones lineales f : Rn → Rn .
Matriz asociada a un endomorfismo

Sean f : Rn → Rn un endomorfismo y sea B = {v1 , . . . , vn } una base
de Rn .
Supongamos que las coordenadas de las imágenes de los vectores
v1 , . . . , vn respecto de la base B vienen dadas por:
f (v1 ) = (a11 , a21 , . . . , an1 )B , . . . , f (vn ) = (a1n , a2n , . . . , ann )B
Entonces se llama matriz asociada a f respecto de la base B a la
matriz  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
 
M(f , B, B) =  .. .. .. .. 

 . . . .


am1 am2 ··· amn
↑ ↑ ↑
Coord. de Coord. de Coord. de
f (v1 ) en la f (v2 ) en la f (vn ) en la
base B base B base B

Ejemplo
Sea f : R2 → R2 la aplicación lineal definida por:
f (x1 , x2 ) = (3x1 + 2x2 , 2x1 ), ∀(x1 , x2 ) ∈ R2 .
¿Cuál es la imagen por f del vector (−1, 2)?
¿Cuál es la matriz M(f , Bc , Bc ) asociada a f respecto de la base
canónica de R2 ?
¿Qué relación existe entre f (−1, 2) y la matriz M(f , Bc , Bc )?

Teorema
Sea f : Rn → Rn un endomorfismo y sea B una base de Rn .
Una matriz A ∈ Mn×n (R) es la matriz asociada a f respecto de B si, y
sólo si, para todo vector v = (x1 , . . . , xn )B ∈ Rn con f (v ) = (y1 , . . . , yn )B
se cumple que    
x1 y1
 ..   .. 
A .  =  . 
xn yn
(es decir, basta multiplicar A por la matriz columna con las coordenadas
de v respecto de la base B, para obtener las coordenadas de f (v )).

Nos preguntamos ahora qué relación existe entre las matrices

asociadas a un endomorfismo respecto de dos bases distintas.
Teorema
Sea f : Rn → Rn un endomorfismo y sean B y B0 dos bases de Rn .
Si P es la matriz de cambio de base de B a B0 , entonces
M(f , B, B) = P −1 M(f , B0 , B0 ) P
Ejemplo
Sea f : R2 → R2 la aplicación lineal definida por
f (x1 , x2 ) = (3x1 + 2x2 , 2x1 ), ∀(x1 , x2 ) ∈ R2 .
1 Obtenga la matriz asociada a f respecto de la base canónica
de R2 .
2 Obtenga la matriz asociada a f respecto de la base
B = {(2, 1), (1, −2)}.

Cuando dos matrices satisfacen la igualdad que aparece en el
teorema anterior se dice que son semejantes, concretamente:
Matrices semejantes
Se dice que dos matrices A, M ∈ Mn×n (R) son semejantes si existe
una matriz invertible P ∈ Mn×n (R) tal que
M = P −1 A P
Nuestro objetivo en este tema es, dada una matriz cuadrada A
encontrar, si es posible, una matriz diagonal D que sea semejante a
A. Esto es lo que se conoce como el problema de la diagonalización.
Ejemplo

1 −4 1 −2
Dadas las matrices A = , P= , calcule
2 7 −1 1
−1
P AP, proporcionando así una matriz diagonal D semejante a A.
Matriz diagonalizable
Se dice que una matriz cuadrada A ∈ Mn×n (R) es diagonalizable si
es semejante a una matriz diagonal, es decir, si existe una matriz
diagonal D ∈ Mn×n (R) y una matriz invertible P ∈ Mn×n (R) tales
que
D = P −1 A P.
Endomorfismo diagonalizable
Se dice que un endomorfismo f : Rn → Rn es diagonalizable si existe
una base B de Rn respecto a la cual al matriz asociada a f ,
M(f , B, B), es una matriz diagonal.
El siguiente teorema muestra que el problema de la diagonalización

de matrices se puede reducir a un problema de diagonalización de
endomorfismos.

Teorema
Dada una matriz cuadrada A ∈ Mn×n (R), podemos considerar la
aplicación lineal f : Rn → Rn definida por f (x1 , . . . , xn ) = (y1 , . . . , yn )
donde    
y1 x1
 ..   . 
 .  = A  .. 
yn xn
Entonces:
1 A = M(f , Bc , Bc ).
2 A es diagonalizable si, y sólo si, lo es la aplicación lineal f .
3 Si f es diagonalizable, B es una base de Rn tal que
D = M(f , B, B) es una matriz diagonal y P es la matriz de
cambio de base de B a Bc , resulta que P −1 A P = D.


Para abordar el problema de la diagonalización vamos a necesitar las
siguientes definiciones:
Definición
Sea f : Rn → Rn un endomorfismo.
Se dice que un número real λ es un autovalor o valor propio de f si
existe un vector no nulo v ∈ Rn tal que f (v ) = λ v .
Dado un autovalor λ de f , se dice que un vector u ∈ Rn es un
autovector o vector propio de f asociado al autovalor λ si f (u) = λ u.
Dado un autovalor λ de f , al conjunto formado por todos los
autovectores asociados a λ se le llama subespacio propio asociado a
λ y se denota por Vλ .
Si A es la matriz asociada a f respecto de alguna base B de Rn y λ

es un autovalor de f , también se dice que λ es un autovalor de A. Lo
mismo ocurre con los autovectores y los subespacios propios.
Ejemplo

1 −4
Dada la matriz A = , podemos considerar la aplicación
2 7
lineal f : R2 → R2 que a cada vector (x1 , x2 ) ∈ R2 le hace
corresponder el vector f (x1 , x2 ) = (y1 , y2 ) dado por

y1 x
=A 1 .
y2 x2
Entonces A es la matriz asociada a f respecto de la base canónica
de R2 .
Por otra parte, 5 es un autovalor de f y u = (1, −1) es un autovector
asociado a 5, pues,

1 −4 1 1
=5 ,
2 7 −1 −1
esto es, f (1, −1) = 5(1, −1).

Propiedades
1 Dado un autovalor λ de f , el subespacio propio asociado a λ,
Vλ = {u ∈ Rn : f (u) = λu},
es un subespacio vectorial de Rn .
2 Si λ y µ son dos autovalores distintos de f , entonces Vλ ∩ Vµ = {0}.
3 Dado un autovalor λ de f , si
v1 , . . . , vr son autovectores linealmente independientes asociados a λ y
u1 , . . . , up son autovectores linealmente independientes asociados a
otros autovalores diferentes de λ,
entonces u1 , . . . , up , v1 , . . . , vr son linealmente independientes.
Es decir, si juntamos autovectores linealmente independientes
asociados a autovalores distintos, obtenemos un conjunto de
autovectores linealmente independientes.

Teorema
Sea f : Rn → Rn un endomorfismo y sea A su matriz asociada
respecto de alguna base B de Rn . Entonces λ ∈ R es un autovalor de
f si y sólo si det(A − λ In ) = 0.
Definición de polinomio característico

A la expresión
pA (λ) = det(A − λIn )
se le llama polinomio característico de la matriz A.

Por el teorema anterior, los autovalores de f son precisamente las raíces
de dicho polinomio.
En particular, se tiene que el número máximo de autovalores de f es n.

Ejemplo
Sea f : R3 → R3 el endomorfismo que tiene como matriz asociada
respecto a la base canónica a la matriz
 
1 2 0
A =  −1 3 1  .
0 1 1
Entonces el polinomio característico de A es

1−λ 2 0

pA (λ) = −1 3−λ 1 = (1 − λ)[(1 − λ)(3 − λ) + 1] =
0 1 1−λ
= (1 − λ)(λ − 2)2 = 0
Por tanto, los autovalores de f son: λ1 = 1, λ2 = 2.

Multiplicidad algebraica y multiplicidad geométrica

Sea f : Rn → Rn un endomorfismo, A su matriz asociada respecto de
alguna base B de Rn y λ un autovalor de f .
1 Se llama multiplicidad algebraica de λ al orden de multiplicidad de λ
como raíz del polinomio característico de A, y la denotaremos por
ma (λ).
2 Se llama multiplicidad geométrica de λ, denotada por mg (λ), a la
dimensión del subespacio propio Vλ asociado al autovalor λ.
Ejemplo
En el ejemplo anterior tenemos que λ1 = 1 es un autovalor de
multiplicidad algebraica 1 y λ2 = 2 es un autovalor de multiplicidad
algebraica 2.
El cálculo de las multiplicidades geométricas requiere un poco más

de trabajo.
Ecuaciones implícitas de los subespacios propios

alguna base B de Rn y λ un autovalor de f .
Dado un vector v = (x1 , . . . , xn )B ∈ Rn , tenemos que
       
x1 x1 x1 x1
v ∈ Vλ ⇔ f (v ) = λv ⇔ A  ...  = λ  ...  ⇔ A  ...  − λ In  ...  = 0
       
xn xn xn xn
 
x1
 .. 
⇔ (A − λ In )  .  = 0
xn
Esto significa que v ∈ Vλ si y sólo si sus coordenadas son solución del
sistema homogéneo anterior. Dicho de otro modo, las ecuaciones del
sistema homogéneo anterior son las ecuaciones implícitas del
subespacio propio Vλ .

Si λ es un autovalor de f , como det(A − λIn ) = 0, entonces

rang(A − λIn ) < n, con lo cual, el sistema
 
x1
 .. 
(A − λ In )  .  = 0
xn
es compatible indeterminado, y es posible conseguir un sistema
equivalente con un número de ecuaciones igual a rang(A − λIn ).
Como consecuencia,
mg (λ) = dim(Vλ ) = dim(Rn ) − rang(A − λIn ) = n − rang(A − λIn ) .

Ejemplo
En el ejemplo anterior tenemos dos subespacios propios, V1 y V2 .
Vamos a calcular sus ecuaciones implícitas:  
x1
(x1 , x2 , x3 ) ∈ V1 ⇔ f (x1 , x2 , x3 ) = 1 (x1 , x2 , x3 ) ⇔ (A − I3 ) x2  = 0
x3
    
1−1 2 0 x1 0
⇔ −1 3 − 1 1   x2  =  0 
0 1 1−1 x3 0

x2 = 0
⇔
−x1 + x3 = 0.
Éstas son las ecuaciones implícitas de V1 . Entonces

mg (1) = dim(V1 ) = dim(R3 ) − 2 = 1.

Del mismo modo, las ecuaciones implícitas de V2 vienen dadas por:

 
x1
(x1 , x2 , x3 ) ∈ V2 ⇔ f (x1 , x2 , x3 ) = 2(x1 , x2 , x3 ) ⇔ (A − 2I3 ) x2  = 0
x3
    
1−2 2 0 x1 0
⇔ −1 3 − 2 1   x2  =  0 
0 1 1−2 x3 0

−x1 + 2x2 = 0
⇔
−x2 + x3 = 0.
Éstas son las ecuaciones implícitas de V2 . Entonces

mg (2) = dim(V2 ) = dim(R3 ) − 2 = 1.

Teorema
Sea f : Rn → Rn un endomorfismo y sea λ ∈ R un autovalor de f .
Entonces
1 ≤ mg (λ) ≤ ma (λ),
es decir, la multiplicidad geométrica es un número comprendido entre
1 y la multiplicidad algebraica.
Ejemplo

26 −10
A=
−10 26
Calcule los autovalores de f y sus multiplicidades algebraicas y
geométricas.


Proposición
Sea f : Rn → Rn un endomorfismo y B una base de Rn .
Se cumple que la matriz M(f , B, B) asociada a f respecto de la base
B es diagonal si y sólo si B es una base de autovectores de f .
Como consecuencia, f es diagonalizable si y sólo si existe una base
de autovectores de f .
Teorema de caracterización de endomorfismos diagonalizables

Sea f : Rn → Rn un endomorfismo y sean λ1 , λ2 , . . . , λp ∈ R sus
diferentes autovalores.
f es diagonalizable si y sólo si
ma (λ1 ) + · · · + ma (λp ) = n
ma (λ1 ) = mg (λ1 ), . . . , ma (λp ) = mg (λp )

Ejemplo
 
1 2 0
A =  −1 3 1 
0 1 1
Utilice las multiplicidades algebraicas y geométricas de los
autovalores de f para comprobar que f no es diagonalizable.

Pasos de la diagonalización
1 Se calcula el polinomio característico pA (λ) y sus raíces. Si alguna de
ellas es compleja, la matriz no será diagonalizable en R. Obtenemos
así los autovalores y sus multiplicidades algebraicas.
2 Se calculan las ecuaciones implícitas de los subespacios propios y
las multiplicidades geométricas de los autovalores.
3 Para ver si f es diagonalizable, se comprueba que
ma (λ1 ) + · · · + ma (λp ) = n y ma (λ1 ) = mg (λ1 ), . . . , ma (λp ) = mg (λp ).
4 Hallamos una base de cada subespacio propio. Si f es diagonalizable,
al juntar estas bases, logramos una base de autovectores Baut de Rn .
5 La matriz asociada a f respecto de esta base Baut es una matriz
diagonal D cuya diagonal está formada por los autovalores colocados
en el orden en el que hayamos puesto los autovectores en Baut .
6 La matriz P de cambio de base de Baut a la base canónica es la
matriz cuyas columnas son las coordenadas de los autovectores de
Baut , y se cumple que P −1 AP = D.
Ejemplo
Considere la matriz  
3 1 1
A =  1 3 1 .
1 1 3
Estudie si A es diagonalizable, y si lo es, determine una matriz
invertible P y una matriz diagonal D tales que D = P −1 AP.

Diagonalización de matrices simétricas por

semejanza ortogonal
Cuando tenemos matrices simétricas podemos refinar el

proceso de la diagonalización utilizando el producto escalar.
En esta sección consideraremos, por simplicidad, el producto

escalar usual • de Rn .
Teorema
Sea f : Rn → Rn un endomorfismo y sea A su matriz asociada
respecto de una base ortonormal B de Rn .
Entonces A es una matriz simétrica si y sólo si
f (u) • v = u • f (v ), ∀u, v ∈ Rn .

Consecuencia
una base ortonormal B de Rn y λ y µ dos autovalores distintos de f .
Si A es simétrica, v ∈ Vλ y w ∈ Vµ , entonces v ⊥w.
Es decir, los autovectores de matrices simétricas asociados a
autovalores distintos son ortogonales.

Cuando tenemos una matriz simétrica A, podemos conseguir que la

matriz de cambio de base P que aparece en la diagonalización tenga
una propiedad especial:
Definición de matriz ortogonal

Se dice que una matriz invertible P ∈ Mn×n (R) es ortogonal si P −1 = P t .
Teorema espectral
Toda matriz simétrica A ∈ Mn×n (R) es diagonalizable en R.
Además, existe una matriz ortogonal P y una matriz diagonal D tales que
D = Pt A P
La diagonalización de una matriz real simétrica usando como matriz
de paso una matriz ortogonal se denomina diagonalización por
semejanza ortogonal.

Para hacer la diagonalización por semejanza ortogonal nos falta algo:

¿Cómo conseguir que la matriz de paso sea ortogonal?
Se puede probar que si P es la matriz de cambio de base entre
dos bases ortonormales, entonces P es ortogonal.
La matriz dada A es la matriz asociada al endomorfismo f
respecto de la base canónica Bc , que es una base ortonormal.
Si la base formada por autovectores Baut también es ortonormal,
entonces P será la matriz de cambio de base entre las bases
ortonormales Baut y Bc .
Luego lo único que necesitamos para que P sea ortogonal es
que la base Baut sea ortonormal.
Para conseguir que Baut sea una base ortonormal,
ortonormalizamos cada una de las bases de los subespacios
propios con el método de Gram–Schmidt, y luego juntamos las
bases ortonormales obteniendo Baut .
Ejemplo

3 4 5 0
Compruebe que las matrices A = yD=
4 −3 0 −5
son ortogonalmente semejantes, es decir, que existe una matriz
ortogonal P tal que P t AP = D.
Ejemplo
Dada la matriz  
3 1 1
A= 1 3 1 ,
1 1 3
determinar una matriz ortogonal P y una matriz diagonal D tales que
D = P t AP.

Tema 5. Diagonalización: Álgebra Lineal y Geometría

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 5. Diagonalización: Álgebra Lineal y Geometría

Cargado por

Copyright:

Formatos disponibles

Aplicaciones lineales.

Matriz asociada a un endomorfismo

Álgebra Lineal y Geometría

Moisés Villegas Vallecillos Diagonalización 1 / 30

1 Aplicaciones lineales. Matriz asociada a un endomorfismo

3 Autovalores, autovectores y subespacios propios

4 Diagonalización de endomorfismos y matrices

5 Diagonalización de matrices simétricas por semejanza ortogonal

Moisés Villegas Vallecillos Diagonalización 2 / 30

Aplicaciones lineales. Matriz asociada a un

En el resto del tema trabajaremos sólo con endomorfismos, es decir,

Matriz asociada a un endomorfismo

Moisés Villegas Vallecillos Diagonalización 4 / 30

Moisés Villegas Vallecillos Diagonalización 5 / 30

Moisés Villegas Vallecillos Diagonalización 6 / 30

Nos preguntamos ahora qué relación existe entre las matrices

Moisés Villegas Vallecillos Diagonalización 7 / 30

El siguiente teorema muestra que el problema de la diagonalización

Moisés Villegas Vallecillos Diagonalización 9 / 30

Moisés Villegas Vallecillos Diagonalización 10 / 30

Autovalores, autovectores y subespacios propios

Si A es la matriz asociada a f respecto de alguna base B de Rn y λ

esto es, f (1, −1) = 5(1, −1).

Moisés Villegas Vallecillos Diagonalización 12 / 30

Moisés Villegas Vallecillos Diagonalización 13 / 30

Definición de polinomio característico

se le llama polinomio característico de la matriz A.

Moisés Villegas Vallecillos Diagonalización 14 / 30

Moisés Villegas Vallecillos Diagonalización 15 / 30

Multiplicidad algebraica y multiplicidad geométrica

El cálculo de las multiplicidades geométricas requiere un poco más

Ecuaciones implícitas de los subespacios propios

Moisés Villegas Vallecillos Diagonalización 17 / 30

Si λ es un autovalor de f , como det(A − λIn ) = 0, entonces

Moisés Villegas Vallecillos Diagonalización 18 / 30

Éstas son las ecuaciones implícitas de V1 . Entonces

Moisés Villegas Vallecillos Diagonalización 19 / 30

Del mismo modo, las ecuaciones implícitas de V2 vienen dadas por:

Éstas son las ecuaciones implícitas de V2 . Entonces

Moisés Villegas Vallecillos Diagonalización 20 / 30

Moisés Villegas Vallecillos Diagonalización 21 / 30

Diagonalización de endomorfismos y matrices

Teorema de caracterización de endomorfismos diagonalizables

Moisés Villegas Vallecillos Diagonalización 22 / 30

Moisés Villegas Vallecillos Diagonalización 23 / 30

Moisés Villegas Vallecillos Diagonalización 25 / 30

Diagonalización de matrices simétricas por

Cuando tenemos matrices simétricas podemos refinar el

En esta sección consideraremos, por simplicidad, el producto

Moisés Villegas Vallecillos Diagonalización 26 / 30

Moisés Villegas Vallecillos Diagonalización 27 / 30

Cuando tenemos una matriz simétrica A, podemos conseguir que la

Definición de matriz ortogonal

Moisés Villegas Vallecillos Diagonalización 28 / 30

Para hacer la diagonalización por semejanza ortogonal nos falta algo:

Moisés Villegas Vallecillos Diagonalización 30 / 30

También podría gustarte