Introducción a los vectores propios.

Valores y vectores propios

Definicion.

Sea una matriz cuadrada A de orden n. El numero λ es llamado valor propio de

A si existe un vector x ∈ R , x ≠ 0 tal que Ax = λx . En tal caso, el vector x es
n

llamado vector propio correspondiente al valor λ

Terminos relacionados: Valor propio, valor característico, eigen valor.

Definicion.

Sea T : V → V un operador lineal, en el espacio vectorial V de dimension n. El

numero λ es un valor propio de T si existe un vector no nulo v ∈ V tal que
T (v) = λv . Si esto ocurre, el vector v se denomina vector propio asociado al

valor λ .

Procesos:

``

Como encontraremos a λ ?.
Planteamos dos matrices de orden: A : (m × n) , x : (n × 1)
 Por definición de λ :

Ax = λx

Ax − λx = 0

Ax − λI x = 0

Es necesario introducir una matriz identidad de orden m × n para poder hacer el

siguiente paso, de otra forma la expresión es inoperable, es decir a una matriz no le
puedo restar un escalar.

(A − λI )x = 0

Observa que tal expresión puede interpretarse como un sistema de ecuaciones

homogéneo A x = 0 lo que implican dos soluciones para el vector x,
′

Soluciones unicas, x = →
0 Contradiccion: por definicion: x ≠ 0 , entonces no hay

soluciones unicas.
Solucines infinitas, esta es la unica opción correcta.

Si tenemos soluciones infinitas, eso implica que a la hora de reducir A x = 0, nos ′

encontramos con una linea de 0, y si hay una linea de 0, eso significa que det A = 0 ′

⟹ det [ (A − λI )x ] = 0

Notación, conocemos con este nombre a las siguientes expresiones:

Polinomio característico: det[ (A − λI )x ]
Ecuacion característica: det [ (A − λI )x ] = 0

![[Pasted image 20230519120707.png]]

Ejemplos.

1 Determine los valores propios de A

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

⎣ ⎦ ⎣ ⎦
0 6 1 0 0 λ

Encontremos A − λI

1 − λ 3 0 matriz imporante
⎡ ⎤
A − λI = 0 −2 − λ 0 (I ) De ella se basan todos

⎣ ⎦
0 6 1 − λ los procedimientos

Encontremos ahora con cualquier método: Notar que puedes utilizar el metodo de
ruffini para factorizar polinomios si es posible.

det[ (A − λI )x ] = (1 − λ)(−2 − λ)(1 − λ)


   
poliniomo

caracteristico

Y si resolvemos ahora la ecuacion característica: det [ (A − λI )x ] = 0

Encontramos los siguientes valores propios :

2

obtenemos

Gauss-J →

⎢⎥
Sustituiremos en (I ) el siguiente valor de λ
Para λ = 1
1

A − λI =

⎣
0

0
λ1 = 1

λ 2 = −2

Determine los vectores propios asociados a cada λ.

0
⎡

⎣
0

0
3

−3

|
0

0
0

0
⎤

Recuperemos ahora la expresión (A − λI )x = 0 Se trata de un sistema de ecuaciones

homogéneo de soluciones infinitas, aplicamos operaciones permitidas de Gauss-J y

Los vectores propios son de la forma (k, 0, t) para λ = 1 y matriz A

![[Pasted image 20230519120714.png]]

Definicion:
1
⎤

⎦
→ x2 = 0

→ x1 ∈ R

→ x3 ∈ R

Observa que solo encontramos 1 sola condición, las otras dos variables son libres.

Definimos el espacio propio de A asociado a λ como el conjunto que contiene

λ

a todos los vectores propios correspondientes a λ y al vector nulo.

Intuitivamente: Regresamos a vector nulo y lo unimos al conjunto para poder

hablar de un espacio vectorial.

Así el espacio propio asociado a λ

además
1 = 1 esta dado por

E λ 1 =1 = {(k, 0, t)|k, t ∈ R}

β E λ=1 = {(1, 0, 0), (0, 0, 1)}

Nuevo ejemplo :

Polinomio característico:

valores propios

A =
⎡

⎣
2

−2

Polinomio característico:

valores propios
3

−1
0

0
λ

−3

λ
4

4
⎤

⎢⎥
encontrar los valores propios de la matriz:

− 14λ

− 14λ
4

−2

A − λI =

3
1

−1

+ 68λ

λ1 = 2

λ2 = 4

λ3 = 6

+ 68λ
0

2
⎡

⎣
1

−3

4 − λ

−2

2
⎤

− 136λ + 96

Conseguir los vectores propios y el espacio propio asociado a cada vector.

(4a + b + d) + (2a + 3b + d)x + (−2a + b + 2c − 3d)x

4 1

− 136λ + 96
T (a + bx + cx

3 − λ

−1
2

2 − λ

0
T : P3 → P3

−3

5 − λ
⎦
3
+ dx ) =

+ (2a − b + 5d)x

⎤
3
Y para λ = 2

Para λ = 6

⎢⎥
Vector propio: Para λ = 4

Preguntas. #anki1
Questions:
⎡

⎣
0

−2

−2

−2

2
1
1

−1

−1

−3

−1
0

0
0

−2

Interpretamos ahora los resultados

−4

0
−3

−3

−1
1

⎦
⎤
⎤

x1 + x4 = 0

x2 + x4 = 0

x3 + x4 = 0

→
λ1 = 2

λ2 = 4

λ3 = 6

→ Gauss-J →

E λ=4 = {−k − kx − kx

E λ=2 = {−k + kx + tx

E λ=6 = {k + kx − kx
⎡

1. What is an eigenvalue of a square matrix A?

2. What is an eigenvalue of a linear operator?
1

3. How can we find the eigenvalue λ for a matrix A?

Answers:
x4 = k ∈ R

2
x 3 = −k

x 2 = −k

x 1 = −k

3
+ kx |k ∈ R}

4. How can we find the eigenvectors associated with an eigenvalue?

5. What is the eigenspace associated with an eigenvalue λ?
⎡

3
+ kx |k ∈ R}

3
+ kx |k, t ∈ R}
1

−1 x − x = 0

−1
⎤ 1

1. An eigenvalue of a square matrix A of order n is a number λ for which there

exists a non-zero vector x ∈ R such that Ax = λx. The vector x is called the
n

eigenvector corresponding to the eigenvalue λ.

4

2. An eigenvalue of a linear operator T : V → V on a vector space V of dimension

n is a number λ for which there exists a non-zero vector v ∈ V such that
0

0
0

0
1

0
⎤

x2 − x4 = 0

x3 + x4 = 0

T (v) = λv. The vector v is called the eigenvector associated with the eigenvalue

λ.
x4 ∈ R
 3. We set up the equation Ax = λx, which can be rewritten as Ax − λx = 0, and
then as (A − λI )x = 0, where I is the identity matrix. This equation represents a
homogeneous system of equations, which implies that det(A − λI ) = 0. This
equation is known as the characteristic equation, and the polynomial on the left-
hand side is the characteristic polynomial. Solving this equation gives the
eigenvalues of A.
4. Once we have an eigenvalue λ, we substitute it into the equation (A − λI )x = 0
and solve this system of homogeneous equations. The solutions of this system
give us the eigenvectors corresponding to the eigenvalue λ.
5. The eigenspace associated with an eigenvalue λ is the set of all eigenvectors
corresponding to λ, along with the zero vector. It forms a subspace of the
original vector space.
6. The eigenvalues are determined by setting up and solving the characteristic
equation det(A − λI ) = 0. In the given example, the characteristic polynomial for
matrix A was calculated and equated to zero, leading to the solutions λ = 1 and
1

λ = −2, the eigenvalues of A.

2

7. The eigenvectors are found by substituting each eigenvalue into the equation
(A − λI )x = 0 and solving for x. The resulting vectors are the eigenvectors. The

eigenspace associated with each eigenvalue is the set of all scalar multiples of
the corresponding eigenvectors, along with the zero vector.

Matrices semejantes y diagonalización.

Definicion:

Se dice que dos matrices A y B de n × n son semejantes si existe una matriz

invertible C de n × n tal que.
−1
B = C AC

Definicion alternativa: A y B son semejantes si y solo si existe una matriz no singular

C tal que

CB = AC

Teoremas
Si A y B son matrices semejantes de n × n, entonces A B tienen el mismo polinomio
característico y, por consiguiente, tienen los mismos eigenvalores.

If A and B are similar matrices of size n × n, then there exists an invertible matrix C
such that B = C AC . The characteristic polynomial of a matrix M is defined as
−1

pM (λ) = det(M − λI ).

Let's calculate the characteristic polynomial of matrix B:

 p B (λ) = det(B − λI )
−1
= det(C AC − λI )

−1 −1
= det(C AC − C (λI )C)
−1
= det(C (A − λI )C)
−1
= det(C ) det(A − λI ) det(C)

= det(A − λI )

= p A (λ)

Thus, matrices A and B have the same characteristic polynomial and therefore have
the same eigenvalues.

Matriz diagonalizable.
Una matriz A de n × n es diagonalizable si existe una matriz diagonal D tal que A es
semejante a D.

Observación: Si D es una matriz diagonal, entonces los valores característicos son

sus componentes en la diagonal.
Si A y D son semejantes, entonces tienen los mismos valores característicos. Uniendo
estos dos hechos se observa que si A es diagonalizable, entonces A es semejante a
una matriz diagonal cuyas componentes en la diagonal son los valores característicos
de A.

Cuando se puede diagonalizar una matriz?

Teorema:

Una matriz A de n × n es diagonizable si y solo si tienen n vectores característicos

linealmente independientes. En tal caso, la matriz diagonal D semejante a A esta
dada por.

λ1 0 … 0
⎡ ⎤

0 λ2 … 0

D =

⋮ ⋮ ⋱ ⋮
⎣ ⎦
0 0 … λn

donde λ 1, λ2 … λn son los valores característicos de A. Si C es una matriz cuyas

columnas son vectores característicos linealmente independientes de A, entonces.

↑ ↑ ↑
⎡ ⎤
C = v1 v2 … vn

⎣ ⎦
↓ ↓ ↓

con v , v … v son los vectores característicos linealmente independientes de A

1 2 n

Recordemos que

λ 1 v 1 = Av 1

λ 2 v 2 = Av 2

λ n v n = Av n

Entonces:
⎢⎥
⎡

⎣
↑

v1

↓
↑

v2

⎣
…

λ1 v1

↓
↑

vn

↑
⎤

λ2 v2

↓
⎡

⎣
λ1

…
0

λ2

0
⟹

λn vn

Lo cual es verdad por definición de eigenvalues.

Teoremas de la profa.

Preguntas. #anki1
↓
…

⎦
D = C

CD = AC

λn
0

=
⎤

⎣
−1

=
⎡

⎣
AC

a 11

a 21

a n1

Av 1
↑

↓
⋮

1. Definicion de Eigenvalores tanto para matrices como para transformaciones.

2. En la practica, que matriz importante tenemos que econtrar para hacer todos los
calculos de eigenvectores?
3. Definicion de Eigen vectores, el espacio porpio de A
4. Metodo para factorizar polinomios?
5. Definicion de Matriz semejante?
6. Definicion de una matriz diagonalizable.
7. Dada esta definición, como encontramos C y como encontramos D ?
a 12

a 22

a n2

Av 2

λ
⋯

…
a 1n

a 2n

a nn

Av n
↑

↓
⎤

⎦
⎡

⎦
↑

v1

↓
↑

v2

↓
… v
Respuestas.

5. Definition of a diagonalizable matrix:

A square matrix A of size n × n is called diagonalizable if there exists an invertible

matrix P and a diagonal matrix D such that A = CDC . −1

6. How do we find C and D given this definition?

The matrix C is a matrix whose columns are the eigenvectors of the matrix A. To find
C , you first need to compute the eigenvectors of A. For each eigenvalue λ, solve the

homogeneous system of linear equations (A − λI )v = 0 to find the corresponding

eigenvectors.

Once you have found the eigenvectors, arrange them as columns to form the matrix
C.

The matrix D is a diagonal matrix whose diagonal elements are the eigenvalues of A.
The order of the eigenvalues in D should correspond to the order of the eigenvectors
in C .

Note that a matrix A is diagonalizable if and only if it has n linearly independent

eigenvectors, i.e., there is a basis of R consisting of eigenvectors of A. If A does not
n

have n linearly independent eigenvectors, then it cannot be diagonalized.