Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
111
112 CAPITULO 6. VALORES PROPIOS Y VECTORES PROPIOS
" # " # " #
3 2 1 2
Ejemplo 6.1. Sean A = ,u= yv= . Resulta que
1 0 1 1
" #" # " # " #" # " #
3 2 1 5 3 2 2 4
Au = = , Av = = = 2v.
1 0 1 1 1 0 1 2
La aplicacion ha transformado v sin cambiar su direccion.
Los vectores que solo son dilatados o encogidos por una aplicacion lineal, son
muy especiales para ella.
Definicion 6.2. Un vector propio (o autovector) de una matriz A de n n es un
vector x Rn , distinto de 0, tal que para cierto escalar R
Ax = x.
Un escalar tal, se denomina valor propio (o autovalor) de A, es decir, es valor
propio de A si existe una solucion no trivial de Ax = x, y a x se lo denomina vector
propio asociado al valor propio .
" #
1 6
Ejemplo 6.3. Sea A = .
5 2
" # " #
6 3
1. Compruebese si u = yv= son vectores propios de A.
5 2
2. Determnese si = 7 es valor propio de A.
Solucion:
1.
2. Hay que determinar si la ecuacion
Ax = 7x (A 7I)x = 0
(que hemos escrito como un sistema homogeneo) tiene solucion
no trivial. Para ello se escribe
" # " # " # " #
1 6 7 0 6 6 1 1
A 7I = = .
5 2 0 7 5 5 0 0
El sistema homogeneo asociado tiene una variable libre, luego
hay soluciones no triviales y 7 es un autovalor de A. De he-
cho, la solucion del sistema homogeneo
" # es x1 = x2 , es decir, en
1
forma vectorial parametrica x = x1 . Estos infinitos vectores
1
(menos 0) son los vectores propios asociados ala valor propio 7.
6.1. VECTORES PROPIOS Y VALORES PROPIOS 113
2 1 6 2 1 6
A 2I = 2 1 6 0 0 0
2 1 6 0 0 0
x1 1/2 3
2 = x2 1 + x3 0
x
x3 0 1
La ecuacion caracterstica.
6.2. LA ECUACION CARACTERISTICA 115
5 2 6 1
0 3 8 0
A = .
0 0 5 4
0 0 0 1
P 1 AP = B o equivalentemente A = P BP 1 .
B I = B = P 1 AP P 1 P = P 1 (AP P ) = P 1 (A I)P .
6.3. Diagonalizacion
Una clase muy especial de matrices cuadradas son las matrices diagonales,
aquellas cuyos elementos son todos nulos, excepto en la diagonal principal:
d1 0 0
0 d 0
2
D = .. .
.. .. .. .
.
. .
0 0 dn
A2 = (P DP 1 )(P DP 1 ) = P D P 1 P DP 1 = P DDP 1 = P D 2 P 1
|{z}
I
" #" #" # " #" #
1 1 52 0 2 1 1 1 2 52 52
= =
1 2 0 32 1 1 1 2 32 32
" #
2 52 32 52 32
= .
2 52 + 2 32 52 + 2 32
Es facil deducir que
k veces en total
Ak = P DP 1 P DP 1 P DP 1 = P D k P 1
por tanto
" #" #" # " #
k 1 1 5k 0 2 1 2 5k 3k 5k 3k
A = = .
1 2 0 3k 1 1 2 5k + 2 3k 5k + 2 3k
118 CAPITULO 6. VALORES PROPIOS Y VECTORES PROPIOS
1
2
1 h i
A = P P , P = v1 v2 vn , Avi = i vi .
..
.
n
Demostracion.
h i h i
AP = A v1 v2 vn = Av1 Av2 Avn
1
h i 2
= 1 v1 2 v2 n vn = .. D = P D
.
n
1
AP = P D A = P DP
1 3 3
A = 3 5 3 .
3 3 1
6.3. DIAGONALIZACION 119
1
(A I)x = 0 v1 = 1
1
1 1
v2 = , v3 = 0
1
(A + 2I)x = 0
0 1
2 4 3
Ejercicio 6.24. Es posible diagonalizar A = 4 6 3 ?
3 3 1
5 8 1
Ejemplo 6.26. Es diagonalizable A = 0 0 7 ?
0 0 2
Demostracion.
Ejemplo 6.28. Diagonalcese, si es posible
5 0 0 0
0 5 0 0
A =
1 4 3 0
1 2 0 3
0 1 0
A = 0 0 0
0 0 0
T (x) = Ax (6.2)
r1
[y]C = [T (x)]C = r1 [T (b1 )]C + + rn [T (bn )]C
h i r2
= [T (b1 )]C [T (b2 )]C [T (bn )]C ] .. .
.
rn
h i
La matriz [T ]C B = [T (b1 )]C [T (b2 )]C [T (bn )]C ] se denomina matriz
de T respecto a las bases B y C , porque
[y]C = [T ]C B [x]B .
3 4
[T (b1 )]C = 2 y [T (b2 )]C = 7 .
5 1
124 CAPITULO 6. VALORES PROPIOS Y VECTORES PROPIOS
Esos datos son justamente los que son necesarios para construir la
matriz pedida:
3 4
[T (x)]C = [T ]C B [x]B con [T ]C B = 2 7
5 1
Hay que destacar, como es facil de deducir del ejemplo anterior y de la definicion
de matriz asociada, que para determinar totalmente una aplicacion lineal T :
V W basta dar su valor (en una base cualquiera C de W ) sobre los vectores
de una base B de V .
Ejemplo 6.33. Si V = W y la aplicacion es la identidad T (x) = Id(x) =
Ix = x, la matriz
h i h i
[Id]C B = [Ib1 ]C [Ibn ]C ] = [b1 ]C [bn ]C ]
a0 0 1 0 0 a0 a1
a 0 0 2 0 a1 2a2
[D]E 1 = =
a2 0 0 0 3 a2 3a3
a3 0 0 0 0 a3 0
que equivale a
d
(a + a t + a2 t 2 + a3 t 3 ) = a1 + 2a2 t + 3a3 t 2
dt 0 1
h i
Es interesante observar que la matriz P = b1 bn es la matriz del cambio
de base PE B , como veremos en el siguietnte parrafo.
" #
7 2
Ejemplo 6.36. Si A = y T (x) = Ax, encuentrese una base de R2
4 1
en la que la matriz de T sea diagonal.
Solucion: la base sera la base de autovectores utilizada al diagonalizar
la matriz. Ya vimos en" el #ejemplo 1
" 6.20
# que A = P DP con P teniendo
1 1
como columnas b1 = , b2 = . Entonces el teorema 6.35 afirma
1 2
que B = {b1 , b2 } es una base en la que la aplicacion T tiene como
matriz " #
5 0
[T ]B = D = (ver ejemplo 6.20)
0 3
Demostracion. Demostracion
" # " # " #
4 9 3 2
Ejemplo 6.38. Sean A = , b1 = y b2 = . Encuentrese la B -
4 8 2 1
matriz de x 7 Ax (la matriz A en la base B ).
" #
3 2
Solucion: La matriz de cambio de base PE B es P = , y su
2 1
" #
1 1 2
inversa es P = PB E = , por lo que
2 3
[T ]B = PB E [T ]E PE B
" #" #" # " #
1 1 2 4 9 3 2 2 1
=P AP = = .
2 3 4 8 2 1 0 2
Hay que"observar
# una cosa para captulos posteriores: el primer vec-
3
tor b1 = es un autovector de A, con valor propio 2. El polinomio
2
caracterstico de A es ( + 2)2 , luego solo tiene un autovalor 2. Si
calculamos sus autovectores, descubriremos que son cb1 , los multi-
plos de b1 , y solo hay uno linealmente independiente. Por tanto, A no
es diagonalizable. La matriz [T ]B es lo mejor que podemos encon-
trar semejante a A: no es diagonal, pero al menos es triangular. Se
denomina forma de Jordan de A.
Para que todo tenga sentido, tenemos que considerar que el conjunto
de escalares es C en lugar de R, y que el espacio vectorial de vectores
columna es C2 en vez de R2 , ademas de que las matrices puedan estar
compuestas por elementos complejos. Con esta ampliacion, tiene
sentido la diagonalizacion compleja
" # " #" # " #
0 1 j j j 0 1 1 j
=
1 0 1 1 0 j 2j 1 j
# "
7 8
Ejemplo 6.40. Diagonalizar la matriz A = . La ecuacion carac-
5 5
terstica y los autovalores son
2 2 + 5 = 0 = ( 1)2 + 42 = 1 + 2j, 1 2j
Por todo
" # " # " #
7 8 1 + 2j 0 1 4 4
=P P , con P =
5 5 0 1 2j 3j 3+j
Teorema 6.41. Sea A una matriz real de 2 2 con valor propios complejo = a bj (
b , 0 ), y vector propio asociado v C2 . Entonces
" #
1
h i a b
A = P CP , donde P = Re v Im v y C=
b a
Ejemplo 6.42."Observese
# que en el caso de la matriz del ejemplo 6.39, la
0 1
matriz A = , y los autovectores asociados dan lugar a P = I, la
1 0
identidad. La interpretacion geometrica de la transformacion en R2
associada a A es la de una rotacion de 90 grados en sentido positivo,
siendo evidente que esta aplicacion no tiene autovectors. Como
son las otras transformaciones C de R2 que"no tienen # autovectores
7 8
? Tomemos el ejemplo 6.40, de matriz A = : los autovalores
5 5
" #
4
son 1 2j y 1 + 2j, y el autovector correspondiente a 1 2j era
3+j
" # " #
4 0 1 2
luego P = ,C= y la factorizacion es
3 1 2 1
" # " #" # " #
1 7 8 4 0 1 2 1 1 0
A = P CP =
5 5 3 1 2 1 4 3 4
La
" interpretaci
# on geometrica de la transformacion asociada a A =
a b
es un giro de angulo arctan b/a y ademas una dilatacion de
b a
magnitud a2 + b2 (ver la formula (5.2))
6.7. Resumen
Definicion. Un vector propio (o Un escalar tal, se denomina valor pro-
autovector) de una matriz A de n n pio (o autovalor) de A, es decir, es valor
es un vector x Rn , distinto de 0, tal que propio de A si existe una solucion no tri-
para cierto escalar R vial de Ax = x, y a x se lo denomina vec-
tor propio asociado al valor propio .
Ax = x.