Solución Taller 9 Alg.

Lineal

UNALMED - Albeiro de J. Espinal Pulgarin

alquimiadebits.wordpress.com Abril - 2017

Contents

1 Demuestre que v es un vector propio de A y determine el valor propio asociado 2

2 Demuestre que λ es un valor propio de A y encuentre un vector propio asociado 3

3 Encuentre geométricamente los valores y vectores propios de la matriz A. 3

 
−1 0
3.1 A= Reexión en el eje y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
0 1
 
0 1
3.2 A= reexión respecto al eje y = x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
 1 0 
1 0
3.3 A= Proyección sobre el eje x . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0 0
 16 12   4 
3.4 25
A = 12 9 25 Proyección sobre gen 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3
 25 25
 5
2 0
3.5 A= vectores que son dilatados (Multiplicados) por 2 en su componente x y por 3 en su
0 3
componente y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
 
0 −1 π
3.6 A= Rotación por
2 contra las manecillas del reloj. . . . . . . . . . . . . . . . . . . . . . 6
1 0

4 Obtenga bases de todos los espacios propios asociados a 6

 
4 −1
4.1 A= . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
 2 1 
1 1 0
4.2 A= 0 −2 1  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

 0 0 3
1 1 0
4.3 A= 1 0 1  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

 0 1 1 
1 0 0 0
 0 1 0 0 
4.4 A= . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
 1 1 3 0 
−2 1 2 −1
   
1 1 1
5 Sea A una matriz de 2x2 con vectores propios v1 = y v2 = asociados a λ1 = 2 y
−1 1
λ2 = 2 respectivamente.
  11

10 x
5.1 Encuentre una fórmula sencilla para A con x, y escalares arbitrarios. . . . . . . . . . . . . . 11
y

6 Sea A una matriz cuadrada de n Ö n 12

6.1 Demuestre que A y AT tienen el mismo polinomio característico y consecuentemente los mismos
valores propios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
6.2 De un ejemplo de una matriz A de 2×2 para la cual A y AT tengan distintos espacios propios . . . 12

1
7 Determine si A es diagonalizable y, de serlo, encuentre una matriz P invertible y una matriz
diagonal
D tales que
 P −1 AP = D 13
1 2
7.1 A= . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 1 
1 0 1
7.2 A= 1 0 1  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1 1 0

8 Utilice diagonalización para calcular la potencia requerida de la matriz 15

9 Determinar en cada caso si las matrices A y B son semejantes. 16

   
4 1 1 0
9.1 A= B= . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 1 0 1
3 1
   
2 1 2 2
9.2 A= B= 1 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
0 1 2 2
   
1 2 2 −5
9.3 A= B= . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 4 −2 4

10 ¾Para qué valores de k es la matriz diagonalizable? 18

 
1 1
10.1 A= . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
0 k 
1 0 k
10.2 A= 0 1 0  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
0 0 1

11 Demuestre que si la matriz A es invertible, entonces AB y BA son semejantes. 18

12 Demuestre que si A es diagonalizable también lo es AT . 19

13 Demuestre que si A es una matriz diagonalizable tal que sus valores propios son 0 o 1 entonces
A2 = A, es decir, que A es idempotente. 19

14 Sea A una matriz de n × n y x ∈ R n un vector propio, es decir Ax = λx . 21

14.1 Pruebe que si λ = 0 luego x ∈ ker(A) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
14.2 Demuestre que si λ 6= 0 entonces x ∈ col(A) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

Valores y Vectores Propios

1 Demuestre que v es un vector propio de A y determine el valor propio

asociado
   
    3 0 0 2
0 3 1
A= v= A =  0 1 −2  v =  −1 
3 0 1
1 0 1 1
Recuerde que un vector v es un vector propio de una matriz A si es cierto que Av = αv . En términos de
transformaciones matriciales podríamos interpretarlo como que, la transformación de v bajo la transformación
asociada a la matriz estándar A es un múltiplo escalar de v. Así para la primera matriz:
      
0 3 1 3 1
Av = = =3 = 3v
3 0 1 3 1

por tanto v es un vector propio de A y además su valor propio asociado es 3.

Por otro lado para la segunda matriz

      
3 0 0 2 6 2
Av =  0 1 −2   −1  =  −3  = 3  −1  = 3v
1 0 1 1 3 1

2
 por tanto v es un vector propio de A cuyo valor propio asociado es 3.

2 Demuestre que λ es un valor propio de A y encuentre un vector propio

asociado
 
  3 1 −1
2 2
A= λ = −2 A =  0 1 2  , λ = 3
2 −1
4 2 0
De ser un valor propio entonces deberá cumplir, para algún vector v que Av = λv . Vericando para la primera
 
x
matriz, sea v = :
y
      
2 2 x 2x + 2y x
Av = = = −2 (1)
2 −1 y 2x − y y
Escalonando (1) (Igualando a cero y estableciendo el sistema aumentado, donde x se asocia a la primera columna,
y y a la segunda):

R2 − 21 R1 1
       1
 
4 2 0 4 2 0 4 R1 1 0
  
  2 
2 1  0 → 0 0  0 → 0 0  0

Por tanto, las soluciones a este sistema y los vectores propios asociados a λ = −2 tendrán la forma:

− 12
   
x
=y
y 1
 
x
Ahora, para la segunda matriz, sea v =  y . Si λ=3 es un valor propio luego deberá existir algún vector
z
propio distinto del nulo asociado al mismo. Veriquemos si existe tal vector propio encontrando nul(A − λI) =
nul(A − 3I):
En este caso, el sistema aumentado asociado a dicha denición de nul será:

       
0 1 −1 | 0 0 1 −1 | 0 4 2 −3 | 0 4 2 −3 | 0
R2 + 2R1  R1 ↔ R3  R1 ↔ R2 
 0 −2 2 | 0  0 0 0 | 0  0 0 0 | 0  0 1 −1 | 0 
→ → →
4 2 −3 | 0 4 2 −3 | 0 0 1 −1 | 0 0 0 0 | 0

 
4 0 −1 | 0
R1 − 2R2 
0 1 −1 | 0 
→
0 0 0 | 0

Cuya variable libre será z y por tanto, la estructura de los valores propios asociados a λ=3 será:

1 1
     
x 4z 4
 y  =  z  = z 1 
z z 1
1
 
4
Luego, un vector propio asociado a λ=3 es  1 
1

3 Encuentre geométricamente los valores y vectores propios de la matriz

A.

Podemos establecer una relación entre las transformaciones matriciales y el concepto de vector propio. Los vectores
propios en el campo de las transformaciones matriciales serán aquellos vectores tales que al ser transformados
únicamente son alargados o encogidos por un factor λ (Que es el valor propio asociado. No cambian su dirección).

3
Veremos más adelante que este tipo de vectores especiales serán de gran utilidad para denir transformaciones más
complejas. En algunos casos incluso será preferible utilizarlos como ejes principales por encima de los vectores
de la base canónica ya que al ser transformados permanecen sobre el mismo eje. No siendo más, respecto a los
ejercicios de este punto pregúntese ¾Qué tipo de vectores al ser transformados no serán movidos del eje sobre el que
se encuentran?

 
−1 0
3.1 A = 0 1
Reexión en el eje y.
Observe que la reexión respecto al eje y consiste en negar la componente x del vector. Ahora ¾Cuáles vectores al
ser reejados respecto al eje y permanecerán sobre su mismo eje inicial?

Figure 1: Eje y

Observe en primer lugar que los vectores que están sobre el eje y no serán afectados por la reexión pues su
componente x es cero. De esto deducimos, que al quedar intactos bajo la transformación, su valor propio asociado
es λ = 1. En efecto estos vectores siempre cumplirán que Av = 1v = v . En segundo lugar de los vectores que
están sobre el eje x observe que al ser transformados quedarán igualmente sobre el mismo eje x pero con sentido
contrario. Por tanto su valor propio asociado es el λ = −1 y en especial para estos se cumple que Av = −v .
 
0 1
3.2 A = 1 0
reexión respecto al eje y = x
Similar al caso anterior, los vectores que están sobre la recta sobre la que reejamos quedarán intactos por lo que
deducimos que el valor propio es λ1 = 1 y de esta manera se cumple que Av = 1v = v . Por otro lado note que
los vectores de la recta que es perpendicular a ` : y = x (la recta y = −x) únicamente cambiarán su sentido
una vez sean transformados permaneciendo sobre el mismo eje inicial. De esto deducimos que λ2 = −1. Por
 
1
tanto podemos denir los vectores propios de λ1 = 1 como Eλ1 = gen (vectores sobre el eje y = x)
1
y paraλ2 −1 (vectores
=  sobre la recta y = −x) denimos el conjunto de los vectores propios asociados como
−1
Eλ2 = gen respectivamente.
1

4
 Figure 2: Recta y=x
 
1 0
3.3 A = 0 0
Proyección sobre el eje x
¾Qué vectores al ser proyectados sobre el eje x permanecerán sobre su mismo eje inicial? Observe que en este caso
únicamente cumplen esto aquellos vectores que están sobre el mismo eje x (De por sí, ya están proyectados), por
tanto quedarán intactos. Luego uno de los valores propios será λ1 = 1 y como un vector director para el eje x es
e1 , denimos el conjunto de vectores propios asociados a λ1 como Eλ1 = gen(e1 ) Ahora ¾Será que hay algún otro
conjunto de vectores vi que cumplan que Avi = λvi para algún λ escalar? Observemos que los vectores que están
sobre el eje y se proyectarán al nulo. Es decir, estos vectores cumplen que Avi = 0vi , su valor propio es λ2 = 0 y
por tanto el conjunto de vectores propios asociados será Eλ2 = gen(e2 ).

16 12 4
   
3.4 A = 25
12
25
9 Proyección sobre gen 5
3
25 25 5

Ya vimos entonces que en general, para la proyección en R2 (sobre una recta que pasa por el origen), un conjunto
de vectores propios serán aquellos que están sobre la misma recta sobre la que se proyecta (Es decir, el conjunto
4
 
Eλ1 = gen 5 ) y su valor propio asociado es por tanto λ1 = 1 (Pues cumplen que Av = 1 ∗ v = v ). Por
3
5
otro lado, también pudimos observar del punto anterior que aquellos vectores que se encuentran sobre la recta
perpendicular a la recta de proyección siempre son proyectados al nulo, es decir cumplen que Av = 0v y por tanto
tenemos otro valor propio λ2 = 0 cuyo conjunto de vectores propios asociados serán todos aquellos sobre la recta
4
− 53
   
perpendicular a gen 5 . Luego, tomando un vector director de la recta perpendicular Eλ2 = gen .
3 4
5 5

 
2 0
3.5 A=
0 3
vectores que son dilatados (Multiplicados) por 2 en su componente
x y por 3 en su componente y
¾Cuáles vectores v cumplirán que al ser multiplicados por la matriz Av = λv ? En este caso no es tan evidente la
 
a
respuesta, pero piense en los vectores del eje x y el eje y nuevamente. Si usted transforma a los vectores w=
    0
a a
del eje x, debido a que su componente y es cero, se cumplirá que A =2 y por tanto su valor propio
0 0

5
  
0
λ1 = 2. Por otro lado, piense en los vectores v =
asociado será que están sobre el eje y: estos cumplirán que
    a
0 0
A =3 y por tanto su valor propio asociado será λ2 = 3.
a a
 
0 −1
3.6 A = 1 0
Rotación por π
2
contra las manecillas del reloj.
¾Será que hay algún vector (distinto al nulo pues este es un caso trivial ya que para toda matriz cuadrada siempre
π
se cumple que A0 = λ0 para cualquier λ) que al ser rotado por
2 quede sobre su mismo eje inicial? Observe que si
fuera una rotación por π 2π (Caso en el que el vector
(En cuyo caso el vector habría cambiado de sentido) o por
2 π
habrá dado vueltas hasta volver al mismo punto inicial) esto se cumpliría para todo R . Pero en el caso de
2 no
existe un vector v distinto al nulo que cumpla que al ser rotado por tal ángulo quede sobre el mismo eje inicial
(Es decir que Av = λv ). Luego A no tiene valores ni vectores propios reales (Pero si los tiene en el mundo de los
números complejos, que no veremos en este curso).

4 Obtenga bases de todos los espacios propios asociados a

 
4 −1
4.1 A = 2 1
En primer lugar, para conocer cuáles son los espacios propios, hallemos los valores propios de esta matriz. Para
hallar los valores propios encontremos el polinomio característico de A que estará dado por:

 
4−λ −1
det(A − λI) = det
2 1−λ
= (4 − λ)(1 − λ) + 2
= λ2 − 5λ + 6

Ahora, hallemos las raíces de este polinomio igualándolo a cero:

λ2 − 5λ + 6 = 0
(λ − 3)(λ − 2) = 0

y por tanto λ1 = 3 y λ2 = 2.
Ya conocidos los valores propios encontremos los espacios propios asociados a estos. Veriquemos para cuáles
 
x
vectores v= se cumple que
y

Av = λi v
⇔ (A − λi I)v = 0

Para el primer valor propio λ1 = 3 resolvamos (A − 3I)v = 0. Planteando el respectivo sistema aumentado
tenemos:
  
1 −1 
 0
2 −2  0

De donde ya podemos deducir, que como las las del sistema son LD, la variable libre será la y. Por tanto la
forma de las soluciones estará dada por:

     
x y 1
= =y
y y 1

6
  
1
Así, una base para el espacio propio Eλ1 asociado a λ1 es B Eλ 1 = y por tanto el conjunto de vectores
  1
1
propios asociados estará dado por Eλ1 = gen
1
Haciendo un proceso análogo para λ2 = 2 encontremos las soluciones del sistema (A − 2I)v = 0, de donde su
sistema aumentado es:
  
2 −1 
 0
2 −1  0
Y de esto observamos que las las son LD y por tanto, nuevamente, la variable libre será la y. Así

1 1
     
x 2y 2
= =y
y y 1
1
 
Es decir, una base para el espacio propio Eλ2 asociado a λ2 = 2 será BEλ2 = 2 y el conjunto de vectores
1
1
 
propios asociados Eλ2 = gen 2
1
 
1 1 0
4.2 A =  0 −2 1 
0 0 3
En este caso tenemos una matriz diagonal triangular superior, y en general, para toda matriz diagonal triangular
sus valores propios están dados por los elementos de su diagonal principal, así: λ1 = 1, λ2 = −2 y λ3 = 3.
Ahora encontremos los vectores propios. Para λ1 = 1 encontremos el espacio nulo de la matriz A − λ1 I = A − I ,
donde tenemos el sistema aumentado
     
0 1 0 0 1 0 0 1 0
R 2 + 3R1  R
 3 − 2R 2 
 0 −3 1  0 0 1 0 0 1 
→ →
0 0 2 0 0 2 0 0 0
 
x
Asumiendo que el vector de variables es v =  y  , deducimos de lo anterior que x es la variable libre. Y por
z
tanto la solución estará dada por:
     
x x 1
 y  =  0  = x 0 
z 0 0
 
1
Luego, el espacio propio asociado a λ1 = 1 es Eλ1 = gen  0  y una base para el mismo será B1 =
  0
 1 
 0  .
0
 

Para λ2 = −2, encontremos el espacio nulo de la matriz A − (−2)I = A + 2I . El sistema aumentado asociado
requerido será:
   
3 1 0 3 1 0
R
 3 − 5R 2 
 0 0 1 0 0 1 
→
0 0 5 0 0 0
de donde la variable libre es la y y por tanto las soluciones estarán denidas como:
   1   1 
x −3y −3
 y  =  y  = y 1 
z 0 0

7
 Por tanto el espacio propio asociado a λ2 será:

− 31
 

Eλ2 = gen  1 
0
 1  
 −3 
y una base para el mismo B2 =  1  .
0
 
Por último para λ3 = 3, nuevamente encontremos el nulo de A − (−3)I :
 
−2 1 0
 0 −5 1 
0 0 0
por tanto la variable libre será la z y las soluciones estarán dadas por:
   1   1
  1

x 2y 10 z 10
 y  =  1z  =  1 1
5z
 = z 
5 5
z z z 1
1 1
   
10 10
1 1
siendo nalmente el espacio propio asociado a λ3 = gen  5
 y una base para el mismo B3 =  5
.
1 1
 
1 1 0
4.3 A= 1 0 1 
0 1 1
Busquemos el polinomio característico para hallar los valores propios. Dicho polinomio estará dado por

 1−λ 1 0
 

det(A − λI) =  1 −λ 1
 

0 1 1−λ
 

aplicando el Teorema de Expansión de Laplace sobre la última la:

 1−λ 1 0
 

 1 −λ 1  = −(1 − λ) + (1 − λ)[(1 − λ)(−λ) − 1]
 
0 1 1−λ
 

= λ − 1 + (1 − λ)(−λ + λ2 − 1)
= λ − 1 − λ + λ2 − 1 + λ2 − λ3 + λ
= −λ3 + 2λ2 + λ − 2
factorizando esta última expresión tenemos

= −λ2 (λ − 2) + λ − 2
= (λ − 2)(1 − λ2 )
= (λ − 2)(1 − λ)(1 + λ)
Por tanto, como los valores propios son las raíces del polinomio característico, igualando la anterior expresión a
cero, tenemos que λ1 = 2, λ2 = 1 y λ3 = −1.  
x
Ahora, hallemos en primer lugar el espacio propio asociado al valor propio λ1 = 2. Si v =  y , hallar el
z
espacio propio consiste en encontrar la solución al sistema

Av − λ1 v = (A − λ1 I)v = (A − 2I) = 0

8
 lo que es equivalente a encontrar el espacio nulo de la matriz A − 2I . Así, el sistema aumentado será:
     
−1 1 0 −1 1 0 −1 1 0
 1 −2 1  R2 + R1  0 −1 1 
R3 + R2 
0 −1 1 
→ →
0 1 −1 0 1 −1 0 0 0

y por tanto las soluciones tendrán la forma:

     
x z 1
 y  =  z  = z 1 
z z 1

luego, el espacio propio asociado a λ1 = 2 será el conjunto generado por los vectores que aparecen en la


1
combinación lineal de las soluciones encontradas. En este caso Eλ1 = gen  1  y una base será B1 =
      1
 1  1 1
 1  . Verifíquelo comprobando que A  1  = 2  1 .
1 1 1
 
En segundo lugar, para hallar el espacio propio asociado a λ2 = 1 hallemos las soluciones al sistema Av − v =
(A − I)v = 0. El sistema aumentado será:
     
0 1 0 0 1 0 1 −1 1
 1 −1 1  R3 − R1  1 −1 1  R1 ↔ R2  0 1 0 
→ →
0 1 0 0 0 0 0 0 0

de donde concluimos que:

     
x −z −1
 y  =  0  = z 0 
z z 1
 
−1
luego el espacio propio asociado Eλ2 = gen  0 .
1
Por último, el espacio propio asociado a λ3 = −1 será la solución al sistema Av − (−1)v = Av + v = (A + I)v = 0
(O equivalentemente, como ya se ha dicho, encontrar el nulo de la matriz A + I ). En este caso el sistema aumentado
es:
     
2 1 0  0 0 −1 −2  0 0 0 0  0
 R1 − 2R2   R1 + R3  1
  
[A + I|0] =  1 1 1  0 1 1 1  0 1 1  0 
 →  → 
0 1 2 0 0 1 2 0 0 1 2 0

   
1 1 1  0 1 1 1  0
R2 ↔ R1  
 R2 ↔ R3  0

0 0 0  0 1 2  0 
→  → 
0 1 2 0 0 0 0 0

por tanto el sistema de soluciones está dado por:


      
x −y − z z 1
 y  =  −2z  =  −2z  = z  −2 
z z z 1
   
1  1 
Luego, el espacio propio será Eλ3 = gen  −2  y su base B3 =  −2  . Verifíquelo comprobando

 1 1
 
  
1 1
que se cumpla la igualdad A  −2  = (−1)  −2 .
1 1

9
  
1 0 0 0
 0 1 0 0 
4.4 A=
 1 1 3 0 

−2 1 2 −1
En este caso tenemos una matriz diagonal (Sus elementos de la diagonal no son todos cero) triangular (Los elementos
por encima o debajo de su diagonal principal son iguales a cero). Por lo que sus valores propios son λ1 = 1 cuya
multiplicidad algebraica es dos (Es decir, está repetido dos veces), λ2 = 3 y λ3 = −1.  
x
 y 
Para λ1 = 1 veriquemos las soluciones al sistema (A − λ1 I)v = (A − I)v = 0 siendo v=
 z .
 Recuerde

w
que esto es equivalente a encontrar el espacio nulo de la matriz A − λ1 I = A − I . Luego, escalonando esta matriz
tenemos
2
 
1 0 0 3
 0 1 2 − 32

... 
 0 0 0

0 
0 0 0 0
de donde deducimos que z y w son variables libres y por tanto el conjunto de soluciones está dado por

− 23 w
     2   
x −3 0
2  2
−  + z  −2 
 y   w 2z    
3  = w 3
 z =
  
z   0  1 
w w 1 0
 2   
− 0
 23  

 

 3 , −2 
por lo tanto una base para el espacio propio asociado a λ1 = 1 será BEλ =  .
1   0   1 
 
1 0
 
Ahora para λ2 = 3 encontremos el nulo de la matriz A − 3I cuya forma escalonada reducida es:
 
1 0 0 0
 0 1 0 0 
... 
 0 0 1 −2 


0 0 0 0
por tanto la forma de los elementos de nul(A − 3I) será:
     
x 0 0
 y   0   0 
 z  =  2w  = w 
     
2 
w w 1
 

 0  
0 
 
y por tanto una base para el espacio propio Eλ2 será BEλ =   .
2 

 2 
1
 
Por último para λ3 = −1 , el nulo de la matriz A − (−1)I = A + I será:
 
1 0 0 0
 0 1 0 0 
... 
 0 0 1

0 
0 0 0 0

   
x 0
 y   0 
 z  = w
   
0 
w 1

10
  

 0 
0 
 
siendo así una base para Eλ3 igual a B Eλ 3 =   .
 0 

 
1
 

   
1 1
5 Sea A una matriz de 2x2 con vectores propios v1 = y v2 =
−1 1
1
asociados a λ1 = 2 y λ2 = 2 respectivamente.
 
x
5.1 Encuentre una fórmula sencilla para A 10
y
con x, y escalares arbitrarios.
Observe que estamos en R2x2 y tenemos dos vectores propios linealmente independiente. Lo anterior implica que
 
x
podemos expresar a cualquier vector como combinación lineal de los mismos.
y
Así:  
x
= c1 v1 + c2 v2
y
 
x
Ahora ¾Qué será A ? Teniendo en cuenta lo anterior, tenemos que:
y
 
x
A = A(c1 v1 + c2 v2 )
y
= c1 Av1 + c2 Av2 Distribuyendo A
= c1 λ1 v1 + c2 λ2 v2

En esta última expresión, no olvide que v1 y v2 son vectores propios de A asociados a λ1 y λ2 respectivamente.
Por tanto, Av1 = λ1 v1 y además Av2 = λ2v2 .  
x 2 x
Ahora, Ya tenemos cuánto vale A , ahora calculemos A :
y y
   
2 x x
A = A(A ) = A(c1 λ1 v1 + c2 λ2 v2 ) Según lo que ya habı́amos hallado
y y
= c1 λ1 Av1 + c2 λ2 Av2
= c1 λ1 (λ1 v1 ) + c2 λ2 (λ2 v2 )
= c1 λ21 v1 + c2 λ22 v2

Observe de lo anterior, que parece ser que a medida que elevamos A a una potencia determinada x, lo único que
se ve afectado es la potencia de los valores propios (Observe que para A1 los valores propios se ven elevados a la 1,
para A2 se ven elevados a la 2...). De manera que hagámos una hipótesis, parece ser que:

 
k x
A = c1 λk1 v1 + c2 λk2 v2
y

Veriquemos que lo anterior es cierto mediante una prueba de inducción matemática. De ser nuestra hipótesis
cierta, luego, también deberá cumplirse para Ak+1 :

   
k+1 x k x
A = AA
y y
= A(c1 λk1 v1 + c2 λk2 v2 ) Aplicando nuestra hipótesis para Ak
= c1 λk1 (Av1 ) + c2 λk2 (Av2 ) Distribuyendo A
= c1 λk1 (λ1 v1 ) + c2 λk2 (λ2 v2 ) P ues v1 , v2 son vectores propios
= c1 λk+1
1 v1 + c2 λk+1
2 v2

11
 ½En efecto! ½Nuestra hipótesis es cierta! Al elevar A a una potencia determinada, lo único que vemos alterado
en la anterior fórmula, es la potencia de los valores propios. Concluimos de esta manera que una fórmula general
para Ak es:
 
k x
A = c1 λk1 v1 + c2 λk2 v2
y

Observe que en el caso en el que k tiende a innito, λk1 1

2k
= 0 cuando k es muy
tiende a cero, pues λk1 = ( 12 )k =
k
grande. Por tanto como λ1 tenderá a cero en nuestra fórmula, luego, podemos reducirla y expresarla como:
 
x
Ak = c2 λk2 v2 Cuando k es muy grande
y

6 Sea A una matriz cuadrada de n Ö n

6.1 Demuestre que A y AT tienen el mismo polinomio característico y consecuente-

mente los mismos valores propios.
Recuerde que de las propiedades de la transpueseta es cierto que det(A) = det(AT ). Por tanto, partiendo de la
expresión para el polinomio característico de una matriz tenemos que:

det(A − λI) = det((A − λI)T )

y como la transpuesta es una operación lineal, luego se puede distribuir sobre la suma y por tanto:

det(A − λI) = det((A − λI)T )

= det((AT − λI T ))

y como la transpuesta de la identidad es la misma identidad, nalmente llegamos a que det(A − λI) = det(AT −
T
λI). Es decir, A y A tienen el mismo polinomio característico y por tanto los mismos valores propios, pero en
general, no tendrán los mismos espacios propios ½Veámoslo en el siguiente episodio!

6.2 De un ejemplo de una matriz A de 2 × 2 para la cual A y AT tengan distintos

espacios propios
 
1 0
Sea A= . Como es una matriz diagona triangular deducimos que λ1 = 1 y λ2 = 4.
3 4
Veamos que el espacio propio de λ1 será el nulo de la matriz A − I , es decir el nulo de
    1  
0 0 R2 ↔ R1 3 3 3 R1 1 1
3 3 → 0 0 → 0 0

De lo anterior deducimos que la variable libre es la asociada a la segunda columna y por tanto los elementos del
nulo tendrán la forma:
    
x −y −1
= =y
y y 1
 
−1
Luego, el espacio propio asociado a λ1 es Eλ1 = gen
1
 
1 3
Ahora para AT = , hallemos el espacio propio asociado también a λ1 . El nulo de la matriz AT − I
0 4
estará dado por
    1  
0 3 R2 − R1 0 3 3 R1 0 1
0 3 → 0 0 → 0 0

En este caso la variable libre corresponde a la primera columna y por tanto los elementos del nulo de AT − I
tendrán la forma:

12
      
x x 1
= =x
y 0 0
 
1
luego el espacio propio asociado al λ1 = 1 de la transpuesta es Eλ1 = gen . que es distinto al encontrado
0
para el mismo λ1 de A. Se puede vericar que los espacios propios asociados a λ2 para ambas matrices son distintos.
Concluimos de esta manera que en general, A y AT tienen espacios propios diferentes (Aunque tengan los mismos
valores propios).

7 Determine si A es diagonalizable y, de serlo, encuentre una matriz P

−1
invertible y una matriz diagonal D tales que P AP = D
Teorema: Una matriz A de tamaño n Ö n es diagonalizable si y sólo si A tiene n vectores propios linealmente
independientes.
Corolario: Si A es una matriz de tamaño n Ö n que tiene n valores propios distintos, entonces A es diagonalizable.
Teorema de Diagonalización: si A es diagonalizable luego la unión de las bases de los espacios propios de
A contiene n vectores linealmente independientes. De manera equivalente si A es diagonalizable la multiplicidad
algebraica (La cantidad de veces que se repite) de sus valores propios es igual a su multiplicidad geométrica (Cantidad
de elementos en la base del espacio apropio asociado).

 
1 2
7.1 A = 2 1
En este caso utilicemos una fórmula para hallar el polinomio característico de cualquier matriz de 2x2 : pA (λ) =
λ2 − λtr(A) + det(A)
Por tanto el polinomio característico en este caso estará dado porpA (λ) = λ2 − 2λ − 3. Igualándolo a cero para
encontrar las raíces y por tanto valores propios, puede vericar que λ1 = 3 y λ2 = −1.
Ahora, encontremos sus espacios propios asociados. Para λ1 encontremos el nulo de A−λ1 I = A−3I cuya forma
     
1 −1 x y
escalonada reducida es y por tanto los elementos de dicho nulo tendrán la forma = =
 0 0 y y
  
1 1
y . De esta manera una base para el espacio propio asociado a λ1 = 3 es B1 = .
1 1
lugar para λ2 hallemos el nulo de A − λ2 I = A + I . La forma escalonada reducida de esta matriz
En segundo
      
1 1 x −y −1
es y por tanto los elementos del nulo de tal matriz serán = = y . De lo que
0 0 y y 1
 
−1
deducimos que una base para el espacio propio asociado a λ2 es B2 = .
1
Observe que los elementos de las bases de los espacios propios son linealmente independientes. Equivalentemente
la unión de las bases de los espacios propios contiene n = 2 vectores linealmente independientes. De manera
equivalente observe que la multiplicidad algebraica de todos los valores propios es igual a su multiplicidad algebraica.
De todo esto deducimos que A es diagonalizable. Así, la matriz D será una matriz diagonal cuyos elementos de la
diagonal principal serán los valores propios de A, en el orden que usted preera:

 
3 0
D=
0 −1

Ahora, construimos la matriz P D en la primera columna está el valor propio

de la siguiente manera. Como en
λ1 = 3 por tanto en la primera columna de P pondremos su respectivo vector propio asociado. Y como en la
segunda columna de D está el valor propio λ1 = −1 luego, en la segunda columna de P ubicaremos el vector propio
asociado a λ1 . Así, tenemos lo siguiente:

 
1 −1
P =
1 1

13
 cuyo determinante es 2 y por tanto es invertible, tal como esperábamos al haber encontrado que A es diagonal-
izable. La inversa de dicha matriz es  
1 1 1
P −1 =
2 −1 1
De esta manera hemos encontrado matrices tales que

P −1 AP = D
 
1 0 1
7.2 A= 1 0 1 
1 1 0
El polinomio característico de A estará dado pordet(A − λI), es decir el determinante de la matriz:

 
1−λ 0 1
A − λI =  1 −λ 1 
1 1 −λ

Aplicando el Teorema de Expansión de Laplace sobre la primera la

det(A − λI) = (1 − λ)(λ2 − 1) + (1 + λ) = −λ3 + λ2 + 2λ

= λ(−λ2 + λ + 2)
= −λ(λ2 − λ − 2)
= −λ(λ − 2)(λ + 1)

e igualando este polinomio a cero encontramos que las raíces son λ1 = 0, λ2 = 2 y λ3 = −1.
Ahora, encontremos bases para los espacios propios. Para λ1 = 0 encontremos el nulo de A − λ1 I = A − 0I = A.
Escalonando esto llegamos a:
 
1 0 1
→
A  0 1 −1 
escalonando
0 0 0

de donde tenemos que los elementos del espacio propio tienen la forma
     
x −z −1
 y  =  z  = z 1 
z z 1
 
 −1 
por tanto una base para el espacio propio asociado a λ1 = 0 será B1 =  1  .
1
 
Por otro lado veamos que para λ2 = 2 debemos encontrar el nulo de A − λ2 I = A − 2I cuya forma escalonada
es:
 
1 0 −1
→
A − 2I  0 1 −1 
escalonando
0 0 0

y por tanto la estructura de los elementos del espacio propio esetará dada por:
    
x z 1
 y  =  z  = z 1 
z z 1
  
 1 
luego una base para el espacio propio asociado a λ2 = 2 será B2 =  1  .
1
 
Finalmente, para λ3 = −1 debemos encontrar el nulo de A + I cuya forma escalonada reducida es:

14
 1
 
1 0
...  0 1
2
1
A+I 2

escalonando
0 0 0

luego, la forma de los vectores del espacio propio estará dada por:

   1   1 
x −2z −2
 y  =  −1z  = z  −1 
2 2
z z 1
 1 
 −2 
así una base para el espacio propio asociado a λ3 es B3 =  −1 
2
1
 
Ahora, para evaluar si A es diagonalizable podríamos evaluar si los vectores de dichas bases son LI. Pero sería muy
engorrioso ponernos a escalonar. Más bien aprovechemos el Teorema de Diagonalización. Como la multiplicidad
algebraica de los valores propios es igual a su multiplicidad geométrica, por tanto A es diagonalizable. De esta
manera la matriz D será aquella conformada por los valores propios:

 
0 0 0
D= 0 2 0 
0 0 −1

y por tanto la matriz P en cuyas columnas debemos ubicar los vectores propios encontrados según la ubicación
de los valores propios hecha en D será:

1 − 21
 
−1
P = 1 1 − 12 
1 1 1

cuyo determinante es −2. Por tanto es invertible, tal como esperábamos al ser A diagonalizable. Hallar la
inversa de P ya es cuestión de deporte y como somos amantes del deporte extremo, la hallaremos. En este caso
puede vericar el lector mediante el método de Gauss-Jordan que:

− 12 1
 
2 0
P −1 =  1
2
1
6
1
3

0 − 23 2
3

Así
P −1 AP = D
Verique en Matlab que dicho producto es igual a la matriz diagonal.

8 Utilice diagonalización para calcular la potencia requerida de la ma-

triz
 8
1 0 1
A8 =  1 0 1 
1 0 1
Los valores propios de la matriz sin elevar a la 8 son: λ1 = 0 con multiplicidad algebraica igual a dos y λ2 = 2
cuya m.a es uno.
Unas bases para sus respectivos espacios propios halladas con Matlab mediante el comando [P D] = eig(A) son,
en el caso de λ1 = 0:
   
 0 −1 
B1 =  1  ,  0 
0 1
 

15
 
−985/1393
Observe que Matlab arroja para el segundo vector de dicha base  0 . Pero como nalmente dicho
985/1393

−1
vector lo usaremos como un generador es equivalente utilizar el vector  0 , que tal como el vector dado por
1
Matlab tiene sus componentes 1 y 3 de igual magnitud y signo contrario. 
 1 
Ahora, una base para el espacio propio asociado a λ2 = 22 es B1 =  1  .
1
 
Como la multiplicidad geométrica de los valores propios es igual a su multiplicidad algebraica, la matriz que
será elevada a la 8 es diagonalizable. Y por tanto dicha potencia estará dada por:

P −1 A8 P = D8

despejando a A8 de la anterior ecuación tenemos:

A8 = P D8 P −1

y computar D8 es mucho más fácil que computar A8 . Elevar una matriz diagonal a una potencia consiste
 
0 0 0
únicamente en elevar los elementos de su diagonal a tal potencia. Así, construyamos a D =  0 2 0  y
0 0 0
 
0 1 −1
P = 1 1 0 . Luego
0 1 1
8 −1
A8 = P
D P  1
− 21
 
0 1 −1 0 0 0 −2 1
=  1 1 0   0 28 0   12 0 1
2

0 1 1 0 0 0 − 12 0 1
2
 
128 0 128
=  128 0 128 
128 0 128

¾Por qué para elevar A8 es suciente con elevar la matriz diagonal? Ilustrémoslo con A2 . Observe que para A2 ,
−1
si A = P DP , luego

A2 = AA = (P DP−1 )(PDP −1 )
= P DP−1 PDP −1
= P DDP −1
= P D2 P −1

9 Determinar en cada caso si las matrices A y B son semejantes.

Teorema: si una matriz A sea semejante a otra matriz B entonces existe una matriz P invertible tal que P −1 AP =
B.
Teorema: si A y B son semejantes entonces deben tener el mismo determinante. Adicionalmente si una es
invertible la otra también debe ser invertible, deben tener el mismo rango, polinomio característico y los mismos
valores propios. De las siguientes matrices observe que todas tienen el rango igual a dos. Ya vericamos esta
condición de manera anticipada.
Nota: como propiedad adicional, aunque no se menciona en el curso, dos matrices semejantes siempre tendrán
la misma traza (Recuerde que la traza es la sumad de los elementos de la diagonal principal.

16
    
4 1 1 0
9.1 A = 3 1
B=
0 1
Observe que en este caso tr(A) = 5 y tr(B) = 2. Como las trazas son distintas luego no pueden ser semejantes.

3 1
   
2 1
9.2 A = 0 1
B= 2
1
2
3
2 2
Lo primero que hacemos es vericar que tengan el mismo determinante. En este caso el determinante de ambas
es 2. Ya comprobamos anteriormente que tienen el mismo rango, y puede vericar que tienen la misma traza.
Adicionalmente tienen el mismo polinomio característico que será:

pA (λ) = pB (λ) = λ2 − 3λ + 2

Parece ser que son semejantes. Luego podemos lanzar nuestra hipótesis. Supongamos que existe una matriz R
invertible tal que:

A = R−1 BR

¾Cuál será tal matriz? Podemos vericar que dos matrices son semejantes, si ambas, son diagonalizables y
semejantes a la misma diagonal principal. En este caso usted puede vericar que tanto A como B son semejantes
a la misma matriz diagonal (Veríquelo diagonalizándolas):

P −1 AP = D
−1
Q BQ = D

Por tanto, como dichas expresiones son iguales ambas a la misma D podemos armar que:

P −1 AP = Q−1 BQ

y despejando a A aplicando inversas podemos encontrar que:

A = P Q−1 BQP −1
= (QP −1 )−1 B(QP −1 )

Es decir, que nuestra matriz invertible R es, en este caso R = QP −1 . Como existe una matriz R invertible tal
que:
A = R−1 BR
concluimos que dichas matrices son semejantes.

Nota: en general, usted puede demostrar que dos matrices son semejantes si ambas son diagonalizables y
tienen los mismos valores propios (Que la construimos mediante los valores propios de la matriz).

Otra forma de atacar el punto. Veamos que por denición de semejanza si dos matrices son semejantes luego
A = P −1 BP lo que es equivalente a P A = BP . Sea:
 
a b
P =
c d
Luego:

PA = BP
 3 1
   
a b 2 1 2 2 a b
= 1 3
c d 0 1 2 2 c d
Usted puede ejecutar todos estos productos, obtener restricciones evaluando la igualdad componente a compo-
nente y solucionar el sistema para hallar valores a, b, c, d de la matriz invertible P buscada.

17
    
1 2 2 −5
9.3 A = 3 4
B=
−2 4
Veriquemos que tr(A) = 5 mientras que tr(B) = 6. Luego, no son semejantes.

10 ¾Para qué valores de k es la matriz diagonalizable?

 
1 1
10.1 A = 0 k
En este caso tenemos que el único valor propio es λ = 1 con multiplicidad algebraica 2. Recuerde que si una
matriz es diagonalizable, para todos los valores propios λ se debe cumplir que su multiplicidad algebraica es igual
a la multiplicidad geométrica. Puede vericar que cuando k = 1, la multiplicidad algebraica de λ es 2, pero su
multiplicidad geométrica es 1. Por tanto no será diagonalizable.

Ahora si k 6= 1, puede vericar que para todo valor propio se cumplirá que su multiplicidad geométrica es igual
a su multiplicidad algebraica y por tanto la matriz será diagonalizable.


1 0 k
10.2 A= 0 1 0 
0 0 1
Nuevamente una matriz diagonal triangular y por tanto su único valor propio es λ=1 con multiplicidad algebraica
3. A partir de esto ya sabemos que si A es diagonalizable entonces necesariamente dicho valor propio debe tener
multiplicidad geométrica también 3. Encontremos pues el espacio propio asociado a λ encontrando el nulo de A − I :
 
0 0 k
A−I = 0 0 0 
0 0 0
Para terminar de escalonar esto debemos dividir por k en la primera la. Pero antes de dividir evaluemos el
caso en el que k =0 ¾Qué sucederá? En este caso tendremos 3 variables libres ¾no? y por tanto para k =0 la
solución será de la forma:
       
x 1 0 0
 y  = x 0  + y 1  + z 0 
z 0 0 1
     
 1 0 0 
siendo así una base para el espacio propio asociado B1 =  0 , 1 , 0  . Es decir, con k =0
0 0 1
 
entonces λ tendrá multiplicidad geométrica 3, tal como habíamos encontrado era requerido para que fuera diagonal-
izable. Observe que para cualquier k diferente de cero la dimensión del espacio propio asociado será 2 (2 vectores
LI en dicho espacio) y por tanto A no será diagonalizable.

11 Demuestre que si la matriz A es invertible, entonces AB y BA son

semejantes.

Si AB es semejante a BA luego existirá una matriz P tal que

AB = P −1 (BA)P
Partamos de algo cierto AB = AB :

AB = AB
= ABI
= AB(AA−1 ) pues A es invertible
= A(BA)A−1

18
 Siendo según nuestra denición inicial, la matriz P invertible, P = A−1 .
Luego, hemos demostrado que es cierto que si A es invertible, AB y BA son semejantes (Siendo B cualquier
matriz cuadrada).

12 Demuestre que si A es diagonalizable también lo es AT .

Como A es diagonalizable entonces existe una matriz invertible P tal que:

P −1 AP = D

Apliquemos transpuesta a ambos lados de la ecuación, por tanto:

(P −1 AP )T = DT

y por propiedades de la transpuesta esto es equivalente a,

(P T AT (P −1 )T = D

recuerde que la transpuesta de una matriz diagonal es la misma matriz diagonal. Ahora, nuevamente por
propiedades de transpuesta tenemos que (P −1 )T = (P T )−1 , luego

P T AT (P T )−1 = D

Y como si P es invertible entonces PT también es invertible, concluimos que existe una matriz Q invertible para
T −1 T
A tal que Q A Q = D. Luego si A es diagonalizable también lo es AT .

13 Demuestre que si A es una matriz diagonalizable tal que sus valores

propios son 0 o 1 entonces A2 = A, es decir, que A es idempotente.

Tal como en muchas demostraciones, en este caso, hay muchas maneras de llegar a la meta. Una forma válida de
hacer la demostración es argumentando que como A es diagonalizable, luego:

A = P DP −1

En donde la diagonal principial de la matriz diagonal D tiene todas sus componentes iguales a cero y uno (Lo
deducimos a partir de la información de que los valores propios son 0 o 1. Recuerde que los valores propios los
ubicamos en la diagonal principal de D). Por lo anterior, en general, Dk = D (Pues elevar una matriz diagonal a
una potencia determinada equivale a elevar las componentes de la diagonal principal a la misma potencia. Y en
ese caso elevamos en la diagonal principal solamente ceros y unos). Teniendo lo anterior presente, a partir de los
anteriores ejercicios ya hechos sobre potencias de matrices diagonalizables, sabemos que:

A2 = P D2 P −1
= P DP −1 P ues D2 = D
= A

Con lo que concluimos que si los valores propios de una matriz diagonalizable son 0 o 1, luego dicha matriz es
idempotente, A2 = A.
Esta es la manera más sencilla de demostrar lo que se pide. Sin embargo no es la única manera, y el hecho
de que sea más corta, no implica que sea mejor. Todo depende de los nes que tenga la misma. A continuación
se muestran otras dos maneras de demostrar lo que se pide. La primera es bastante creativa pues hace un uso
interesante de un truco matemático básico para llevar a buen n la demostración, mientras que la segunda (Mi
preferida) hace un uso intensivo de todos los conceptos vistos en el actual taller. Y por tanto, para nes educativos,
es mi recomendada ½Véamoslo!

Otro enfoque: Partamos de que para los valores propios 1 o 0 es cierto que λ = λ2 . Ahora, como son valores
propios, habrán respectivos vectores propios v tales que:

19
 Av = λv (2)
2
= λ v
= λ(λv)
= λ(Av)
= A(λv)

y como habíamos partido de que Av = λv luego sustituyendo esto en la última expresión tenemos que:

A(λv) = A(Av) = A2 v

Así, partimos de la expresión Av y llegamos a A2 v. Como Av = A2 v necesariamente A = A2 , A es la matriz

idempotente.

Otra forma de demostrarlo, más conceptual. Demostremos nuevamente que Ax = A2 x para todo
2
x y por tanto A=A
En primer lugar, partamos de que A tiene dos valores propios que son λ1 = 0 y λ2 = 1. Observe que todos los
valores propios de la matriz podrían ser cero, todos podrían ser uno o dichos valores propios podrían estar combina-
dos (Haber ceros y unos). Recuerde además que dichos valores propios podrían estar repetidos (Otra cosa, recuerde
que las multiplicidades algebraicas de todos los valores propios siempre deberán sumar n, donde n corresponde a la
dimensión nxn de la matriz).

Por otro lado, como A es diagonalizable luego tendrá n vectores propios linealmente independientes. Sean dichos
vectores v1 , v2 ...vr asociados al valorλ1 = 0 y los demás vectores, vr+1 , vr+2 ...vn asociados a λ2 = 1. Como tenemos
n vectores propios LI, podremos expresar a cualquier vector x que queramos transformar como combinación lineal
de estos, por tanto:

x = c1 v1 + c2 v2 + ... + cr vr + cr+1 vr+1 + ... + cn vn

Ahora, dado que podemos expresar a cualquier vector x de tal manera ¾Qué será Ax?

Ax = A(c1 v1 + c2 v2 + ... + cr vr + cr+1 vr+1 + ... + cn vn )

= c1 Av1 + c2 Av2 + ... + cr Avr + cr+1 Avr+1 + ... + cn Avn

De la anterior expresión recuerde que v1 , v2 ...vr son vectores propios asociados a λ1 = 0 y por tanto, Av1 = 0,
Av2 = 0....Avr = 0. Además los vectores vr+1 ...vn están asociados a λ2 = 1, es decir, que Avr+1 = vr+1 ....Avn = vn .
Aplicando esto a la última expresión llegamos a que:

Ax = cr+1 vr+1 + cr+2 vr+2 + ... + cn vn

½Listo! Ahora, ¾Qué será A2 x ?

A2 x = A(Ax)
= A(cr+1 vr+1 + cr+2 vr+2 + ... + cn vn )
= cr+1 Avr+1 + cr+2 Avr+2 + ... + cn Avn

Nuevamente, observe del anterior resultado que los vectores vr+1 , vr+2 ...vn están asociados al valor propio λ2 = 1
y por tanto:

A2 x = cr+1 vr+1 + cr+2 vr+2 + ... + cn vn

½Exactamente lo mismo que encontramos para Ax! Observe que si usted continúa elevando las potencias siempre
obtendrá el mismo resultado pues el mismo está en términos de aquellos vectores propios asociados al valor λ2 = 1.

Concluimos así, que como para todo x, se cumple que Ax = A2 x, luego A = A2 . Dicha matriz, al tener solamente
valores propios iguales a cero o uno, es idempotente.

20
14 Sea A una matriz de n×n y x ∈ R n un vector propio, es decir

Ax = λx .

14.1 Pruebe que si λ = 0 luego x ∈ ker(A)

Si λ=0 luego Ax = 0x = 0, es decir el producto del vector por la matriz da como resultado el nulo, lo cual es
precisamente la denición de un elemento perteneciente al kernel de A. Luego x ∈ ker(A)

14.2 Demuestre que si λ 6= 0 entonces x ∈ col(A)

 
c1
 c2 
Denamos las componentes del vector x como x =  . . Recuerde que el producto Ax puede expresarse en
 
 .. 
cn
términos de una combinación lineal de las columnas de A. Así, si las columnas de A son a1 , a2 ...an , luego podemos
expresar tal producto como

 
c1
 c2 
Ax = [a1 a2 ... an ]  .  = c1 a1 + c2 a2 + .... + cn an = λx
 
 .. 
cn

Luego despejando a x de la anterior expresión, como λ 6= 0:

c1 c2 cn
x= a1 + a2 + ... + an
λ λ λ
Es decir, al ser cierto que Ax = λx, implícitamente es cierto que λx puede expresarse como una combinación
lineal de las columnas de A y por lo mismo x∈col(A).

21