ÁLGEBRA

ANALISTA DE SISTEMAS
LICENCIATURA EN SISTEMAS
INGENIERÍA QUÍMICA

VALORES Y VECTORES PROPIOS – DIAGONALIZACIÓN

VALORES Y VECTORES PROPIOS

Definición: Si A es una matriz nxn, se denomina vector propio de A a todo vector x diferente de cero de
n
R que verifica que Ax es un múltiplo escalar de x, esto es:
Ax = λx para algún escalar λ

1 3 0
El escalar λ se llama valor propio de A, y se dice que x es un vector propio de A correspondiente a λ.

Ej.1: El vector
=         =   correspondiente al valor propio λ=3, ya

2 8 −1
que:

3 0 1 3 1

=     =   = 3   = 3

8 −1 2 6 2

POLINOMIO CARACTERÍSTICO
Para hallar los valores propios de una matriz A nxn, se tiene que:
Ax = λx
Ax = λIx
(λI – A)x = 0
Para que λ sea un valor propio de A, debe haber una solución diferente de cero de esta ecuación. Para
que esta ecuación lineal homogénea admita una solución diferente de cero (la solución trivial), debe ocurrir
que la matriz del sistema (λI – A) no sea invertible, es decir que:
det(λI – A) = 0
Esta ecuación se llama ecuación característica de A. Los escalares que verifican esta ecuación son los
valores propios de A.
Al desarrollar det(λI – A) se obtiene un polinomio en λ, P(λ) llamado polinomio característico de A.
n
Si A es nxn, entonces el polinomio característico de A será de grado n y el coeficiente de λ es 1; es decir
el polinomio característico de A es de la forma:
n n-1
det(λI – A) = P(λ) = λ + c1 λ + ... +cn
Por el Teorema Fundamental del Álgebra, la ecuación:
n n-1
det(λI – A) = P(λ) = λ + c1 λ + ... +cn = 0
tiene a lo sumo n raíces distintas, por lo que una matriz A nxn tiene a lo sumo n valores propios diferentes.

0 1 0
Ej.2: Hallar los valores propios de:

 = 0 0 1
4 −17 8
El polinomio característico de A es:

VALORES Y VECTORES PROPIOS - DIAGONALIZACIÓN ÁLGEBRA

 " −1 0
det!"# − $ =   0 " −1  = "% − 8"& + 17" − 4
−4 17 "−8
3 2
Por lo que, los valores propios de A deben verificar la ecuación: λ – 8λ + 17λ – 4 = 0.
Para resolver esta ecuación primero buscaremos las soluciones enteras, para lo cual se aprovechará el
hecho de que las raíces enteras, si las hubiere, de una ecuación polinomial con coeficientes enteros de la
forma:
n n-1
P(λ) = λ + c1 λ + ... +cn = 0
deben ser divisores del términos constante cn. De modo que, para el ejemplo, si existieran soluciones
enteras, debieran ser divisores de cn = – 4; es decir +1, –1, +2, –2, +4, –4 son las soluciones posibles.
3 2
Esto puede verificarse, reemplazando los valores indicados en la ecuación λ – 8λ + 17λ – 4 = 0 y
comprobando que ésta se verifique:
3 2
Para λ=+1: 1 – 1 .8 + 17.1 – 4 = 6 ≠ 0 (λ=+1 no es raíz)
3 2
Para λ=–1: (–1) – (–1) .8 + 17.(–1) – 4 = –1 –8 –17 –4 = –30 ≠ 0 (λ=–1 no es raíz)
3 2
Para λ=+2: 2 – 2 .8 + 17.2 – 4 = 8 – 32 + 34 –4 = 6 ≠ 0 (λ=+2 no es raíz)
3 2
Para λ=–2: (–2) – (–2) .8 + 17.( –2) – 4 = –8 –32 –34 –4 = –78 ≠ 0 (λ=–2 no es raíz)
3 2
Para λ=+4: 4 – 4 .8 + 17.4 – 4 = 64 –128 + 68 –4 = 0 (λ=+4 es raíz)
3 2
Para λ=–4: (–4) – (–4) .8 + 17.( –4) – 4 = –64 –128 –68 –4 = –264 ≠ 0 (λ=–4 no es raíz)

También puede aplicarse el Teorema del Resto, que asegura que el resto de dividir un polinomio P(x) por otro
polinomio de la forma (x – c) es P(c). Luego, un cierto escalar c será raíz de un polinomio P(x), es decir
P(c) = 0, si el resto de dividir P(x) por (x – c) es cero. La división de un polinomio por otro de la forma (x – c) se
puede resolver de manera muy sencilla aplicando la Regla de Ruffini.
La regla de Ruffini es un algoritmo que permite obtener fácilmente el cociente y el resto de la división de un
polinomio por un binomio de la forma x– c. El algoritmo se presenta con el siguiente ejemplo. Sea el caso de
3 2
dividir P(x) = –3 x + x + 5 por B(x)= x – 2.
La división se realiza a través de los siguientes pasos:
1. Los coeficientes se disponen en una tabla que consta de tres filas. En la primera de ella se disponen los
coeficientes de P(x); la segunda fila corresponde al escalar c y a números auxiliares que se utilizan en los
cálculos; en la tercera fila se obtienen los coeficientes del divisor Q(x) y el resto (que es un escalar).
Se ordenan los términos del polinomio P(x) de mayor a menor grado, y se ubican en la primera fila de la tabla
los coeficientes de cada término. Si faltase un término correspondiente a cierto grado se coloca un 0.
A la izquierda, en una segunda fila, se dispone el escalar c. ( c=2 en este ejemplo).
Se baja a la fila de coeficientes del cociente, el coeficiente del término de mayor grado.
Coefic. P(x) –3 1 0 5

c y cálculos auxiliares 2
Coefic. Q(x) y resto –3
Coeficientes de Q(x) Resto

2. A continuación se multiplica el coeficiente que se ha bajado, –3, por el escalar c=2 (ubicado a la izquierda).
El resultado del producto se coloca debajo del coeficiente del término siguiente de P(x) y se suman.
Coefic. P(x) –3 1 0 5

c y cálculos auxiliares 2 –6
Coefic. Q(x) y resto –3 –5
Coeficientes de Q(x) Resto

VALORES Y VECTORES PROPIOS - DIAGONALIZACIÓN ÁLGEBRA

 3. El resultado de la suma se vuelve a multiplicar por el número situado a la izquierda (c=2) y se repite el
proceso hasta finalizar.
Coefic. P(x) –3 1 0 5

c y cálculos auxiliares 2 –6 –10 –20

Coefic. Q(x) y resto –3 –5 –10 –15
Coeficientes de Q(x) Resto

El último número corresponde al resto de la división, mientras que el resto de números de la fila inferior son los
coeficientes del cociente.
2
Así: Resto = –15 y Q(x)= –3x –5x –10 (el grado del cociente es igual al grado de P(x) menos 1).

Aplicando lo anteriormente expuesto, las verificaciones de si los divisores del término constante son raíces
del polinomio característico P(λ) se pueden realizar de la siguiente manera:

1 –8 17 –4 1 –8 17 –4 1 –8 17 –4

1 1 –7 10 –1 –1 9 –26 2 2 –12 10

1 –7 10 6 1 –9 26 –30 1 –6 5 6

Resto =6 ≠ 0, 1 no es raíz Resto = –30 ≠ 0, –1 no es raíz Resto = 6 ≠ 0, 2 no es raíz

1 –8 17 –4 1 –8 17 –4 1 –8 17 –4

–2 –2 20 –74 4 4 –16 4 –4 –4 48 –260

1 –10 37 –78 1 –4 1 0 1 –12 65 –264
Resto = –78 ≠ 0, –2 no es raíz Resto = 0 ⇒ 4 es raíz Resto = –264 ≠ 0, –4 no es raíz

Luego, si λ=+4 es raíz del polinomio, éste debe ser divisible por el polinomio (λ – 4), es decir:
3 2 3 2
λ – 8λ + 17λ – 4 = (λ – 4) Q(λ) donde Q(λ) es el cociente de dividir λ – 8λ + 17λ – 4 por (λ – 4).
3 2
Luego: λ – 8λ + 17λ – 4 = 0 implica (λ – 4) Q(λ) = 0.
Pero (λ – 4) Q(λ) = 0 si (λ – 4) = 0 ó Q(λ) = 0
3 2
Por lo que la búsqueda de las raíces de λ – 8λ + 17λ – 4 se completa hallando las raíces de Q(λ).
Para encontrar el polinomio Q(λ) se usa la Regla de Ruffini, dividiendo P(λ) por (λ – 4):
1 –8 17 –4
+ + + +
4 4 – 16 4
1 –4 1 0
Coeficientes de Q(λ) Resto
2
Luego Q(λ) = 1λ – 4λ +1
2
La ecuación: λ – 4λ +1 = 0 se resuelve usando la fórmula de Baskara:

VALORES Y VECTORES PROPIOS - DIAGONALIZACIÓN ÁLGEBRA

 4 ± +!−4$& − 4.1.1 4 ± √16 − 4 4 ± √12 4 ± √4.3 4 ± 2√3
"(,& = = = = =
2.1 2 2 2 2

4 2√3
"( = + = 2 + √3
2 2

4 2√3
"& = − = 2 − √3
2 2

De manera que los valores propios de A son: " = 4 " = 2 + √3 . " = 2 − √3

VALORES PROPIOS DE MATRICES TRIANGULARES

Dadas las siguientes matrices triangulares nxn

a(( a(& a(% … a(5 a′ 0 0 … 0

2 0 a a … a&5 8 2 (( 8
1a′&( a′&& 0 … 0 7
A = 1 0 0 a%% … a%5 7
&& &%
A = 1a′ a′%& a′%% … 0 7
9
1… … … …7 … …
1 … … … 7
%(
0 0 0 0 … a55 6 0a′ a′ a′5% …a′55 6
5( 5&

… −a1n λ − a′ 0 …
λ − a11 −a12 −a13 … 0 0 8
Para las cuales:

2 2 11
0 λ − a22 −a23 … −a2n 8 1 −a′ λ − a′ 22 0 … 0 7
!λI − A$ = 1 !λI − A′$ = 1 −a′ −a′32 λ − a′33 …
21
0 0 λ − a33 −a3n 7 0 7
1 … … … … 7 1 …
31 … … … … 7
0 0 0 0 … λ − ann 6 0 −a′n1
…
−a′n2 −a′n3 λ − a′nn6

Puesto que el determinante de una matriz triangular es el producto de los elementos de la diagonal
principal, resultan las ecuaciones características:

det!"# − $ = !" − >(( $!" − >&& $!" − >%% $ … !" − >?? $ = 0

det!"# − ′$ = !" − >′(( $!" − >′&& $!" − >′%% $ … !" − >′?? $ = 0

De donde los valores propios para la matriz A son: λ = a(( λ = a && λ = a %% … λ = a 55

Los valores propios para la matriz A’ son: " = >′(( " = >′&& " = >′%% … " = >′??
Es decir, los valores propios de las matrices triangulares son los elementos de la diagonal principal.
Así, se enuncia el siguiente:
Teorema: Si A es una matriz nxn triangular, ya sea triangular superior, triangular inferior o diagonal,
entonces los valores propios de A son los elementos de la diagonal principal de A.

−2 −1 1
Ej.3: Por simple inspección los valores propios de la siguiente matriz

2 2
@0 − 2A son: λ = −2, λ=− , λ=3
3 3
0 0 3

ESPACIOS PROPIOS. BASES

Los vectores propios de una matriz A correspondientes a un valor propio λ, son los vectores diferentes de
cero que satisfacen: Ax = λx, que también podía escribirse Ax = λIx, de donde λIx – Ax = 0
De manera que los vectores propios de A son los vectores diferentes de cero que satisfacen el siguiente
sistema lineal homogéneo:
(λI – A)x = 0
El espacio solución de este sistema se denomina espacio propio de A correspondiente a λ.

VALORES Y VECTORES PROPIOS - DIAGONALIZACIÓN ÁLGEBRA

De manera que el problema de encontrar las bases del espacio propio de una matriz A se reduce a hallar
las bases del subespacio solución del sistema lineal homogéneo: (λI – A)x = 0

0 0 −2
Ej.4: Encontrar las bases para los espacios propios de la matriz:

 = 1 2 1
1 0 3

λ 0 2 λ 0 2
Para hallar los valores propios de A se plantea: det(λI – A) = 0

!"# − $ = −1 λ − 2 −1  → det F−1 λ − 2 −1 G = 0

−1 0 λ−3 −1 0 λ−3

Resolviendo el determinante resulta la ecuación característica: "% − 5"& + 8" − 4 = 0

Las raíces de esta ecuación, y por lo tanto los valores propios de A son: λ=1 y λ=2 (comprobar

I(
aplicando el procedimiento descrito). Lo que implica que A posee 2 espacios propios.

Se tiene que un vector
= I&  es un vector propio de A correspondiente al valor propio λ, si y sólo si x
I%
es una solución no trivial del sistema lineal homogéneo (λI – A)x = 0. Lo cual implica:

λ 0 2 I( 0
!λI − A$J = K L −1 λ − 2 −1  I&  = 0
−1 0 λ − 3 I% 0

2 0 2 I( 0
Las bases del espacio propio de A para λ=2 se obtendrán reemplazando λ por 2 en este sistema:

−1 0 −1 I&  = 0

−1 0 −1 I% 0

2 0 2 0 1 0 1 0 1 0 1 0 I( = −I% I( = −
Resolviendo el sistema:

−1 0 −1 0 → −1 0 −1 0 → 0 0 0 0 → I& = I& =

−1 0 −1 0 −1 0 −1 0 0 0 0 0 I% =  I% = 

I( − − 0 −1 0
De manera que los vectores propios de A son lo vectores diferente de cero de la forma:

I = I&  = M N = M 0 N +   =   0  + 1
I%   0 1 0
−1 0
Puesto que los vectores  0  . 1 son linealmente independientes, forman una base para el espacio
1 0
propio de A correspondiente a λ=2.

1 0 2 I( 0
Las bases del espacio propio de A para λ=1 se obtendrán reemplazando λ por 1 en este sistema:

−1 −1 −1 I&  = 0

−1 0 −2 I% 0

1 0 2 0 1 0 2 0 1 0 2 0 1 0 2 0 I( = −2I% I( = −2
Resolviendo el sistema:

−1 −1 −1 0 →  0 −1 1 0 → 0 −1 1 0 → 0 1 −1 0 → I& = I% I& = 

−1 0 −2 0 −1 0 0 0 0 0 0 0 0 0 0 0 I% =  I% = 

I( −2 −2
De manera que los vectores propios de A son lo vectores diferente de cero de la forma:

I = I&  =    =   1 
I%  1
−2
De manera que el vector  1  forma una base para el espacio propio de A correspondiente a λ=1.
1

VALORES Y VECTORES PROPIOS - DIAGONALIZACIÓN ÁLGEBRA

DIAGONALIZACIÓN
Definición: Se dice que una matriz cuadrada A es diagonalizable si existe una matriz invertible P tal que
-1
P AP es una matriz diagonal. En tal caso se dice que P diagonaliza a A.
El siguiente Teorema permitirá obtener un procedimiento para diagonalizar una matriz cuando ello sea
posible.
Teorema: Si A es una matriz nxn, entonces las siguientes proposiciones son equivalentes:
i) A es diagonalizable;
ii) A tiene n vectores propios linealmente independientes.
Demostración:
Para demostrar que las proposiciones son equivalentes, se debe probar que i) ⇒ ii) y que ii) ⇒ i)
i) ⇒ ii), es decir: Si A es diagonalizable entonces A tiene n vectores propios linealmente independientes
-1
Puesto que se supone que A es diagonalizable, debe existir una matriz P invertible tal que P AP=D es

p(( p(& p(% …p(5 λ 0 0…0

diagonal. Sean P y D las siguientes matrices:
2p&( p&& p&% …p&5 8 2 ( 0…08
0 λ&
O = 1p%( p%& p%% …p%5 7 . Q = 10 0λ …07
1… … ………7 1 … … …% … … 7
0p5( p5& p5% …p55 6 0 0 0 0 …λ5 6
-1
De P AP=D, multiplicando por P (por la izquierda) a ambos miembros de la igualdad resulta:

p(( p(& p(% … p(5 λ 0 0 … 0 λ( p(( λ& p(& λ% p(% … λ5 p(5

AP = PD, esto es:

2p&( p&& p&% …p&5 8 2 ( 0 … 0 8 2λ p λ& p&& λ% p&% … λ5 p&5 87

0 λ& 1 ( &(
O = 1p%( p%& p%% …p%5 7 1 0 0 λ … 0 7 = 1λ p λ& p%& λ% p%% … λ5 p%5 7 (1)
… …
1 … … … … 7 1 … … … … 7 1 (…%(
%
… … … … 7
0p5( p5& p5% …p55 6 0 0 0 0 …λ5 6 0λ( p5( λ& p5& λ% p5% … λ5 p55 6

Si con p1, p2, ..., pn se representan a los vectores columna de P, entonces de la expresión (1) las
columnas de AP son λ1 p1, λ2p2, ..., λnpn. No obstante, por las reglas de multiplicación de matrices, las
columnas sucesivas de AP deben ser Ap1, Ap2, ..., Apn por lo que:
Ap1 = λ1 p1, Ap2 = λ2p2, ..., Apn = λnpn
Puesto que P es invertible sus vectores columna no deben ser cero; luego por la definición de vectores
propios resulta que λ1, λ2, ..., λn son los valores propios de A, y que p1, p2, ..., pn son los vectores propios
correspondientes.
Puesto que P es invertible, los vectores columna p1, p2, ..., pn deben ser linealmente independientes. Por
tanto A tiene n vectores propios linealmente independientes.
ii) ⇒ i),es decir: Si A tiene n vectores propios linealmente independientes entonces A es diagonalizable
Si A tiene n vectores propios linealmente independientes, p1, p2, ..., pn con los valores propios

p p p13 …p
correspondientes λ1, λ2, ..., λn.
2p11 p12 p 1n
p2n 8
1 21 22 23 … 7
Sea: O = 1p31 p32 p33 …p3n 7
…
1… … … …7
0pn1 pn2 pn3 …pnn 6
la matriz cuyos vectores columnas son p1, p2, ..., pn.

O = RST SU … SV W = RST SU … SV W

Pero, puesto que p1, p2, ..., pn son vectores propios de A para los valores propios λ1, λ2, ..., λn, debe ser:

Ap1 = λp1 Ap2 = λp2 .... Apn = λpn

De manera que:

VALORES Y VECTORES PROPIOS - DIAGONALIZACIÓN ÁLGEBRA

 λ p λ p λ p λ p p p p p
2 1 11 2 12 3 13 … n 1n 8 2 11 12 13 … 1n 8 λ1 0 0 … 0
1λ1 p21 λ2 p22 λ3 p23 … λn p2n 7 1p21 p22 p23 …p2n 7 2 0 λ2 0 … 0 8
… 7 = p31 p32 p …p3n 7 1 0 7 = PD !2$
7
SV W = 1λ p
0 λ…3 …
O = RST SU …
1 1…31 λ2…p32 λ3…p33 … λn…p3n 7 11 … … … 33 …
… 7 1…0… ……
1 … 7 … …
0λ1 pn1 λ2 pn2 λ3 pn3 λnpnn 6 0pn1 pn2 pn3 pnn 6 0 0 0 0 λn6

Donde D es la matriz diagonal que tiene los valores propios de A en la diagonal principal. Luego como los
vectores columna de P son linealmente independientes, P debe ser invertible; así la expresión (2) se
-1
puede escribir como P AP = D, con lo que A es diagonalizable.

PROCEDIMIENTO PARA DIAGONALIZAR UNA MATRIZ

De la demostración del teorema anterior, la diagonalización de una matriz puede realizarse mediante los
siguientes pasos:
Paso 1: Hallar n vectores propios linealmente independientes de A. Sean p1, p2, ..., pn tales vectores
propios.
Paso 2: Formar la matriz P con p1, p2, ..., pn como vectores columnas.
-1
Paso 3: La matriz P AP será diagonal con λ1, λ2, ..., λn como elementos de su diagonal principal. Donde λi
es el valor propio correspondiente al vector propio pi para i=1, 2, ..., n.
Observación: El paso 1 requiere encontrar n vectores propios linealmente independientes, lo cual se
puede realizar hallando las bases de los espacios propios de A. Los vectores básicos de estos espacios
propios, como conjunto combinado, son linealmente independientes, de modo que si en total hay n
vectores básicos, entonces A es diagonalizable y los n vectores básicos serán los vectores columna de la
matriz P que diagonaliza A. Si hubiera menos de n vectores propios básicos, entonces la matriz no es

0 0 −2
diagonalizable.

Ej.5: Hallar una matriz que diagonalice a la matriz del ejemplo 4,  = 1 2 1

1 0 3
En el ejemplo 4 se halló que los valores propios de A son λ = 1 y λ = 2, y se determinaron las bases para
los espacios propios de A.

−1 0
Para λ = 2 se encontró que los vectores propios básicos son: ST =  0  . SU = 1
1 0

−2
Para λ = 1 se encontró que el vector básico es: SZ =  1 
1

−1 0 −2
En total A tiene 3 vectores básicos, de modo que A es diagonalizables y O =  0 1 1  diagonaliza A.
1 0 1
-1 -1
Como comprobación, debe hallarse P y calcular P AP comprobando que el resultado es una matriz
diagonal.
-1
Se determina P mediante el procedimiento ya desarrollado para ello:

−1 0 −2| 1 0 0 1 0 2| −1 0 0 1 0 2| −1 0 0 1 0 2| −1 0 0
 0 1 1 | 0 1 0 → 0 1 1| 0 1 0→ 0 1 1| 0 1 0 → 0 1 1| 0 1 0
1 0 1| 0 0 1 1 0 1| 0 0 1 0 0 −1| 1 0 1 0 0 1| −1 0 −1
1 0 2| −1 0 0 1 0 0| 1 0 2
→ 0 1 0| 1 1 1  → 0 1 0| 1 1 1
0 0 1| −1 0 −1 0 0 1| −1 0 −1

VALORES Y VECTORES PROPIOS - DIAGONALIZACIÓN ÁLGEBRA

 1 0 2
De donde O\( =  1 1 1
−1 0 −1

1 0 2 0 0 −2 −1 0 −2 2 0 0
Así: O \( O =  1 1 1  1 2 1  0 1 1  = 0 2 0
−1 0 −1 1 0 3 1 0 1 0 0 1

Observación: No existe ningún orden de precedencia para ubicar los vectores propios en las columnas de
-1
P. Sin embargo, se observa que el i-ésimo elemento de la diagonal de P AP es un valor propio para el i-
ésimo vector columna de P. De manera que al cambiar el orden de las columnas de P, sólo se modifica el
-1
orden en que aparecen los valores propios sobre la diagonal de P AP.

M ATRIZ ORTOGONAL
-1 T
Definición: una matriz cuadrada A que verifica que A = A se denomina matriz ortogonal.
Teorema: Las siguientes proposiciones son equivalentes para una matriz A nxn:
i) A es ortogonal.
n
ii) Los vectores fila de A forman un conjunto ortonormal en R con el producto interior euclidiano.
n
iii) Los vectores columna de A forman un conjunto ortonormal en R con el producto interior euclidiano.

DIAGONALIZACIÓN ORTOGONAL
-1 T
Definición: Dada una matriz A nxn, si existe una matriz ortogonal P tal que la matriz P AP = P AP es
diagonal, entonces se dice que A es diagonalizable ortogonalmente, y se dice que P diagonaliza
ortogonalmente A.
T
No hay posibilidades de diagonalizar ortogonalmente una matriz A salvo que A sea simétrica, A = A .
T
Esto es así ya que supóngase que P AP = D
T T
Donde P es una matriz ortogonal y D es una matriz diagonal. Como P es ortogonal, PP =P P=I, la
expresión anterior se puede escribir (multiplicando ambos miembros por la izquierda por P, y por la
T
derecha por P ):
T
A=PDP
T
Como D es una matriz diagonal, debe ser D=D de manera que transponiendo ambos miembros de la
expresión anterior se tiene:
T T T T T T T T
A = (PDP ) = (P ) D P = PDP = A así que A debe ser simétrica
CONDICIONES PARA LA DIAGONALIZACIÓN ORTOGONAL
Teorema: Si A es una matriz nxn, entonces las siguientes proposiciones son equivalentes:
i) A es diagonalizable ortogonalmente.
ii) A tiene un conjunto ortonormal de n vectores propios.
iii) A es simétrica.
Como consecuencia de este Teorema surge el siguiente procedimiento para diagonalizar ortogonalmente
una matriz simétrica:
Paso 1: Hallar una base para cada espacio propio de A.
Paso 2: Aplicar el proceso de Gram – Schmidt a cada una de las bases encontradas en el paso anterior a
fin de obtener una base ortonormal para cada espacio propio.
Paso 3: Formar una matriz P cuyas columnas son los vectores propios básicos obtenidos en el Paso 2.
Esta matriz diagonaliza ortogonalmente a A.
Observación: Los vectores propios de espacios propios diferentes son ortogonales. Por otro lado, el
proceso de Gram – Schmidt asegura que los vectores propios obtenidos del mismo espacio propio son
ortonormales. En consecuencia, todo el conjunto de vectores propios obtenidos con este procedimiento es
ortonormal.

VALORES Y VECTORES PROPIOS - DIAGONALIZACIÓN ÁLGEBRA

 4 2 2
Ej. 6: Encontrar una matriz ortogonal P que diagonalice a  = 2 4 2
2 2 4
"−4 −2 −2
La ecuación característica de A es: det!"# − $ =  −2 "−4 −2  = !" − 2$& !" − 8$ = 0
−2 −2 "−4

De manera que los valores propios de A son: λ = 2 y λ = 8.

Aplicando el método para hallar las bases de los espacios propios de cada unos de estos valores propios,

−1 −1
se obtiene:

Para λ = 2: ]T =  1  . ]U =  0  como vectores básicos.

0 1
Aplicando el proceso de Gram – Schmidt para estos vectores, se obtienen los siguientes vectores
ortonormales:

1
1 2− 8
2− 8 1 √67
1 √27 1 17
^T = 1 1 7 . ^U = 1− 7
1 √2 7 1 √67
0 0 6 1 2 7
0 √6 6

1
Por su parte, para λ = 8 se obtiene el siguiente vector propio básico: ]Z = 1
1
Al aplicar el proceso de Gram – Schmidt sobre este vector, se obtiene:

1
2 8
1√37
117
^Z = 1 7
1√37
117
0√36

Finalmente, construyendo P con los vectores v1, v2, v3 como vectores columna se obtiene:

1 1 1
2− − 8
1 √2 √6 √37
1 1 1 17
O=1 − 7
1 √2 √6 √37
1 0 2 17
0 √6 √36

Esta matriz diagonaliza ortogonalmente a A.

VALORES Y VECTORES PROPIOS - DIAGONALIZACIÓN ÁLGEBRA