02 Diagonalización

Diagonalización
Matías Battocchio
FCE-UBA
MATEMÁTICA PARA ECONOMISTAS
Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 1 / 26

Valores y vectores propios
Sean (V , +, K , ·) un EV y f : V → V una TL con matriz asociada A
Definición
El escalar λ es un valor propio de A ∈ K n×n sii existe un vector no nulo x ∈ K n×1 tal que
Ax = λ · x (1)
Al vector x lo llamamos vector propio asociado a λ.
Al valor propio también se lo suele llamar autovalor, valor característico o eigenvalor.

Mientras que al vector propio, autovector, vector característico o eigenvector.
Despejando (1):
(A − λ · I) x = 0
que representa un sistema lineal homogéneo.Como x 6= 0, entonces
|A − λ · I| = 0
para que el sistema tenga solución no trivial.

El desarrollo de |A − λ · I| es un polinomio de grado n en (−λ) que se llama
polinomio característico de A y ecuación característica de A cuando se lo iguala a 0.

Las raíces de |A − λ · I| = 0 son los valores propios de A

Las soluciones no triviales de (A − λ · I) x = 0 cuando λ es un valor propio de A, son los
vectores propios asociados a ese valor propio.
Ejempo 1: Determinemos los autovalores y autovectores de

3 −2
A=
−1 2

3 − λ −2
|A − λ · I| = =0
−1 2−λ
(3 − λ)(2 − λ) − 2 = 0
λ2 − 5λ + 4 = 0
Los valores propios son:
λ1 = 1
λ2 = 4

Ahora busquemos los autovectores asociados a cada autovalor

Para λ1 = 1

3−1 −2 x1 0
=
−1 2−1 x2 0

2 −2 x1 0
=
−1 1 x2 0
x1 − x2 = 0
x1 = x2
Entonces el vector propio es

1
x1 =
1

Para λ2 = 4

−1 −2 x1 0
=
−1 −2 x2 0
−x1 − 2x2 = 0
x1 = −2x2
Entonces el vector propio es

2 −2
x =
1

Del ejemplo anterior vemos que los dos vectores propios son LI. Esto no es casualidad:
Teorema
Los vectores propios asociados a valores propios distintos son LI.
Demostración: Lo vamos a demostrar por inducción completa.

Sea xi el vector propio asociado al valor propio λi de la matriz A.
Veamos que se cumple para n = 1. En este caso tenemos un solo vector propio. Por lo
tanto, se cumple trivialmente.
Ahora veamos que si se cumple para n = k − 1 (hipótesis de inducción), entonces se
cumple para n = k.
Consideremos la ecuación
k
X
ci x i = 0 (2)
i=1
Premultiplicando por A:
k k k
X X X
A ci x i = 0 ⇒ ci (A xi ) = 0 ⇒ ci (λi · xi ) = 0 (3)
i=1 i=1 i=1

Por otro lado, premultiplicando (2) por λk :
k
X k
X
λk ci xi = 0 ⇒ ci (λk · xi ) = 0 (4)
i=1 i=1
Restando (3) y (4) miembro a miembro:

k−1
X
ci (λi − λk )xi = 0
i=1
Como los xi para i = 1, · · · , k − 1 son LI por hipótesis de inducción:

ci (λi − λk ) = 0 ∀i = 1, · · · , k − 1 (5)
Además tenemos que λi 6= λk para i = 1, · · · , k − 1. Entonces:
ci = 0 ∀i = 1, · · · , k − 1 (6)
De (6) y (2) tenemos que

ck · x k = 0
Pero como el vector propio no puede ser nulo
ck = 0
Polinomio característico
Sea P(−λ) = |A − λ · I| el polinomio característico de la matriz A:
P(−λ) = (−λ)n + α1 (−λ)n−1 + α2 (−λ)n−2 + · · · + αn−1 (−λ) + αn
Teorema
Los coeficientes αi para todo i = 1, · · · , n son iguales a:
La suma de todos los menores de orden i de A que contienen en su diagonal
principal elementos de la diagonal principal de A.
La suma de todos los productos posibles de los valores propios λi de A tomados
de i en i.
Esto hace que como caso particular α1 sea igual a:

tr (A)
Pn
i=1
λi
y αn sea igual a:
|A|
Qn
i=1
λi

Polinomio característico
Ejemplo 1 (cont.):
3 −2
A=
−1 2
y los autovalores eran 1 y 4.
tr (A) = 5
2
X
λi = 5
i=1
|A| = 4
Y2
λi = 4
i=1
Entonces podemos reconstruir el polinomio característico:
P(−λ) = λ2 − 5λ + 4

Acotación de los valores propios
Teorema
Pn
Sea λi un valor propio de A = [aij ]n×n , F = máx Fi con Fi = j=1
|aij |, y C = máx Cj con
i j
Pn
Cj = i=1 |aij |.
Entonces |λi | ≤ mı́n{C , F }
Demostración: Sea λ un valor propio cualquiera de A. Entonces existe un vector propio x

tal que λ · x = A x. Escribiendo el sistema de ecuaciones:
λ x1 = a11 x1 + a12 x2 + · · · + a1n xn

λ x2 = a21 x1 + a22 x2 + · · · + a2n xn
···
λ xn = an1 x1 + an2 x2 + · · · + ann xn

Aplicando módulo miembro a miembro y usando la propiedad de desigualdad triangular:
|λ| |x1 | ≤ |a11 | |x1 | + |a12 | |x2 | + · · · + |a1n | |xn |

|λ| |x2 | ≤ |a21 | |x1 | + |a22 | |x2 | + · · · + |a2n | |xn |
···
|λ| |xn | ≤ |an1 | |x1 | + |an2 | |x2 | + · · · + |ann | |xn |
Sumando miembro a miembro las n ecuaciones:

n
X n
X n
X
|λ| (|x1 | + |x2 | + · · · + |xn |) ≤ |ai1 | |x1 | + |ai2 | |x2 | + · · · + |ain | |xn |
i=1 i=1 i=1
≤ C1 |x1 | + C2 |x2 | + · · · + Cn |xn |

≤ C |x1 | + C |x2 | + · · · + C |xn |
≤ C (|x1 | + |x2 | + · · · + |xn |)

Y como el vector x es no nulo se concluye que
|λ| ≤ C
Repitiendo la demostración para λ · x = AT x (recordar que los valores propios de la

traspuesta son los mismos) se demuestra también que |λ| ≤ F .
Como ambas cosas deben ocurrir al mismo tiempo, entonces
|λ| ≤ mı́n(C , F )
y esto es cierto para todos los valores propios de A ya que λ era un autovalor cualquiera

Matrices semejantes
Definición
Dos matrices cuadradas A y B son semejantes, o A ∼ B, sii existe una matriz no
singular P tal que se verifica
B = P−1 A P
Observación
Las definiciones de matrices semejantes y equivalentes son parecidas. Sin embargo, la
semejanza se define para matrices cuadradas y es un concepto más restrictivo. Toda
matriz semejante es equivalente, pero la recíproca no es cierta.
Las matrices semejantes tienen las siguientes propiedades:

Son transitivas, es decir si A ∼ B y B ∼ C entonces A ∼ C.
Sus potencias también son semejantes, es decir si A ∼ B entonces An ∼ Bn
Tienen el mismo polinomio característico.
Tienen los mismos autovalores y autovectores.
Tienen la misma traza, rango y determinante.
Además como la semejanza de matrices es un caso especial de la equivalencia de
matrices, las matrices semejantes representan la misma transformación lineal.
Diagonalización de matrices
Definición
Una matriz cuadrada A[n×n] es diagonalizable sii es semejante a una matriz diagonal Λ
que tiene en la diagonal principal los valores propios de A. Es decir, sii existe una matriz
no singular P tal que
Λ = P−1 A P
A la matriz P se la llama matriz de paso o modal.
Teorema
Una matriz A[n×n] es diagonalizable sii admite n vectores propios linealmente
independientes.
La matriz P se conforma con los n vectores propios LI, ordenados como vectores
columna de acuerdo a los valores propios en Λ.
Observación
Diagonalizar una matriz es cambiar la base de la TL a una que está conformada por los
vectores propios de la matriz. Para que los vectores propios conformen una base se
necesita que sean n y sean LI, que es la condición necesaria y suficiente para que una
matriz sea diagonalizable.

Para que una matriz sea diagonalizable, cada autovalor con orden de multiplicidad m
debe tener m autovectores LI asociados.
El siguiente teorema nos da una condición para determinar si esto es posible.
Teorema
A[n×n] es diagonalizable sii a cada valor propio λi con orden de multiplicidad m le
corresponde un sistema A − λi · I cuyo rango es igual a n − m.
Demostración: El producto (A − λi · I) x es una TL de Rn a Rn . Los vectores propios

asociados a λi son parte del núcleo de esta TL.
Por el teorema rango-nulidad:
n = dim N(A − λi · I) + dim I(A − λi · I)
Entonces como queremos que dim N(A − λi · I) = m, el rango de la matriz A − λi · I

debe ser igual a n − m

Ejemplo 1 (cont.): La matriz

3 −2
A=
−1 2
es diagonalizable porque admite 2 vectores LI. Los vectores propios asociados a los
autovalores 1 y 4 eran:
1 1 2 −2
x = x =
1 1
respectivamente.
Entonces
1 0 1 −2
Λ= P=
0 4 1 1

Ejemplo 2: Vamos a determinar si la siguiente matriz es diagonalizable
"
1 1 0
#
B= 0 1 1
0 0 1
1−λ

1 0
3
|B − λ · I| = 0 1−λ 1 = (1 − λ) = 0

0 0 1−λ
⇒ λ1 = λ2 = λ3 = 1
"
0 1 0
#"
x1
# "
0
#
0 0 1 x2 = 0
0 0 0 x3 0
El rango de la matriz es 2 pero debería ser n − m = 3 − 3 = 0. El único vector LI de la

matriz es " #
1
0
0
Por lo tanto, la matriz no es diagonalizable.
Ejemplo 3:
−3 −4
"
0
#
C= 4 1 4
2 0 3
−3 − λ −4

0
−3 − λ

−4

|C − λ · I| = 4 1−λ 4 = (1 − λ) =0

2 3−λ
2 0 3−λ
(1 − λ)(λ2 − 1) = 0
⇒ λ1 = λ2 = 1, λ3 = −1
Veamos si podemos extraer dos vectores LI de 1:
−4 −4
"
0
#"
x1
# "
0
#
4 0 4 x2 = 0
2 0 2 x3 0
La matriz tiene rango 1, que es igual a n − m = 3 − 2 = 1. Por lo tanto, se pueden extraer

dos vectores LI, que son:
−4x1 − 4x3 = 0 ⇒ x1 = −x3

Si x2 = 0 y x3 = −1 entonces
"
1
#
1
x = 0
−1
Si x2 = 1 y x3 = 0 entonces
"
0
#
2
x = 1
0
El vector propio correspondiente al autovalor −1 es LI respecto a estos dos porque está

asociado a un autovalor distinto. "
2
#
3
x = −2
−1
Por lo tanto, la matriz C es diagonalizable, y su forma diagonal es

"
1 0 0
# "
1 0 2
#
Λ= 0 1 0 P= 0 1 −2
0 0 −1 −1 0 −1

Diagonalización de matrices simétricas
Las matrices simétricas presentan algunas propiedades interesantes en lo que respecta
a su diagonalización.
Proposición
Los valores propios de una matriz simétrica real son todos reales.
Proposición
Los vectores propios asociados a diferentes valores propios de una matriz simétrica son
ortogonales.
Demostración: Sea A una matriz simétrica real, λ1 6= λ2 autovalores de A, y x1 y x2 los

vectores propios asociados respectivamente.
Entonces
A x 1 = λ1 · x 1
A x 2 = λ2 · x 2
Por definición de producto interior:
hA x1 , x2 i = (A x1 )T x2 = (x1 )T AT x2 = (x1 )T A x2 = hx1 , A x2 i

Por lo tanto,
hA x1 , x2 i = hx1 , A x2 i
hλ1 · x1 , x2 i = hx1 , λ2 · x2 i
λ1 hx1 , x2 i = λ2 hx1 , x2 i
(λ1 − λ2 ) hx1 , x2 i = 0
Pero como λ1 6= λ2 , entonces

hx1 , x2 i = 0
Proposición
Toda matriz simétrica real es diagonalizable sobre el campo de los reales con una
matriz de paso ortogonal.

Proposición
Si una matriz real tiene una matriz de paso ortogonal que la diagonaliza, entonces es
simétrica.
Demostración: Por un lado tenemos que
A = P Λ P−1
Por el otro:
AT = (P Λ P−1 )T = (P−1 )T ΛT PT = (PT )T Λ P−1 = P Λ P−1 = A
Por las dos proposiciones anteriores:
Una matriz real es diagonalizable por una matriz de paso ortogonal sii es simétrica

Ejemplo 4: Diagonalicemos la siguiente matriz:

2 −1
A=
−1 2

2−λ −1
A − λI =
−1 2−λ
|A − λI| = (2 − λ)(2 − λ) − 1 = 4 − 4λ + λ2 − 1 = λ2 − 4λ + 3 = 0
√
4± 16 − 4 × 3 4±2 λ1 = 3
λ1,2 = = ⇒
2 2 λ2 = 1

−1 −1 x1 0
=
−1 −1 x2 0

−1
⇒ x1 =
1

1 −1 x1 0
=
−1 1 x2 0

1
⇒ x2 =
1
Estos vectores propios son ortogonales. Para armar la matriz de paso ortogonal
necesitamos que sean ortonormales. Por ello se normalizan:
p √ p √
kx1 k = (−1)2 + 12 = 2 kx2 k = 12 + 12 = 2
√ √
− 1/ 2 1/ 2
x̄1 = √
1/ 2
x̄2 = √
1/ 2
√ √
− 1/ 2 1/ 2 3 0
P= √
1/ 2
√
1/ 2
Λ=
0 1

Apéndice: cálculo de vectores propios por adjuntos
Antes vamos a enunciar una propiedad que nos resultará útil:
Propiedad del rango del producto de matrices

Sean las matrices X[m×p] e Y[p×n] tales que verifican X[m×p] Y[p×n] = 0[m×n] . Entonces
r (Y) ≤ p − r (X)
Ahora sí vamos a demostrar la siguiente proposición
Proposición
Cuando λi es raíz simple de la ecuación característica de A, entonces la adjunta de la
matriz (A − λi · I) tiene rango 1.
Demostración: Por definición de matriz adjunta
(A − λi · I) [adj(A − λi · I)] = |A − λi · I| I[n×n]
Como λi es valor propio de A, el determinante es cero:
|A − λi · I| I[n×n] = 0[n×n]

Apéndice: cálculo de vectores propios por adjuntos
Si λi tiene orden de multiplicidad 1 entonces:
r (A − λi · I) = n − 1
porque la cantidad de columnas de A es n y la dimensión del núcleo de A − λi · I es 1.

Por la propiedad del rango del producto de matrices:
r [adj(A − λi · I)] ≤ n − (n − 1) = 1
Como el rango de adj(A − λi · I) no puede ser cero, se concluye que su rango es 1
Entonces, como (A − λi · I) [adj(A − λi · I)] = 0[n×n] , cualquier columna de

adj(A − λi · I) es vector propio de A asociado a λi .
Esta propiedad nos da una forma más rápida de calcular los vectores propios cuando el
valor propio es raíz simple.

Bibliografía
Bernardello, A., Bianco, M. J., Casparri, M. T., García Fronti, J. & Olivera de Marzana, S.
(2004). Matemática para Economistas con Excel y Matlab [Cap. 1.2]. Omicron
System.
Rojo, A. (1995). Algebra II [Cap. 8]. El Ateneo.

02 Diagonalización

Cargado por

Información del documento

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

02 Diagonalización

Cargado por

Copyright:

Formatos disponibles

Diagonalización

MATEMÁTICA PARA ECONOMISTAS

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 1 / 26

Al vector x lo llamamos vector propio asociado a λ.

Al valor propio también se lo suele llamar autovalor, valor característico o eigenvalor.

para que el sistema tenga solución no trivial.

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 2 / 26

Las raíces de |A − λ · I| = 0 son los valores propios de A

Ejempo 1: Determinemos los autovalores y autovectores de

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 3 / 26

Ahora busquemos los autovectores asociados a cada autovalor

Entonces el vector propio es  

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 4 / 26

Entonces el vector propio es

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 5 / 26

Demostración: Lo vamos a demostrar por inducción completa.

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 6 / 26

Restando (3) y (4) miembro a miembro:

Como los xi para i = 1, · · · , k − 1 son LI por hipótesis de inducción:

De (6) y (2) tenemos que

P(−λ) = (−λ)n + α1 (−λ)n−1 + α2 (−λ)n−2 + · · · + αn−1 (−λ) + αn

Esto hace que como caso particular α1 sea igual a:

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 8 / 26

Entonces podemos reconstruir el polinomio característico:

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 9 / 26

Demostración: Sea λ un valor propio cualquiera de A. Entonces existe un vector propio x

λ x1 = a11 x1 + a12 x2 + · · · + a1n xn

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 10 / 26

Aplicando módulo miembro a miembro y usando la propiedad de desigualdad triangular:

|λ| |x1 | ≤ |a11 | |x1 | + |a12 | |x2 | + · · · + |a1n | |xn |

Sumando miembro a miembro las n ecuaciones:

≤ C1 |x1 | + C2 |x2 | + · · · + Cn |xn |

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 11 / 26

Y como el vector x es no nulo se concluye que

Repitiendo la demostración para λ · x = AT x (recordar que los valores propios de la

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 12 / 26

Las matrices semejantes tienen las siguientes propiedades:

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 14 / 26

Demostración: El producto (A − λi · I) x es una TL de Rn a Rn . Los vectores propios

n = dim N(A − λi · I) + dim I(A − λi · I)

Entonces como queremos que dim N(A − λi · I) = m, el rango de la matriz A − λi · I

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 15 / 26

Ejemplo 1 (cont.): La matriz  

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 16 / 26

El rango de la matriz es 2 pero debería ser n − m = 3 − 3 = 0. El único vector LI de la

Veamos si podemos extraer dos vectores LI de 1:

La matriz tiene rango 1, que es igual a n − m = 3 − 2 = 1. Por lo tanto, se pueden extraer

−4x1 − 4x3 = 0 ⇒ x1 = −x3

El vector propio correspondiente al autovalor −1 es LI respecto a estos dos porque está

Por lo tanto, la matriz C es diagonalizable, y su forma diagonal es

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 19 / 26

Demostración: Sea A una matriz simétrica real, λ1 6= λ2 autovalores de A, y x1 y x2 los

Por deﬁnición de producto interior:

hA x1 , x2 i = (A x1 )T x2 = (x1 )T AT x2 = (x1 )T A x2 = hx1 , A x2 i

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 20 / 26

Pero como λ1 6= λ2 , entonces

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 21 / 26

Demostración: Por un lado tenemos que

AT = (P Λ P−1 )T = (P−1 )T ΛT PT = (PT )T Λ P−1 = P Λ P−1 = A

Por las dos proposiciones anteriores:

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 22 / 26

Matías Battocchio (FCE-UBA) Diagonalización MATEMÁTICA PARA ECONOMISTAS 24 / 26

Propiedad del rango del producto de matrices

Entonces el vector propio es

Ejemplo 1 (cont.): La matriz