Conceptos teóricos mı́nimos para la guı́a práctica 7 - Álgebra lineal

Autovectores y autovalores

Definición 7.1. Sea A P Rnˆn una matriz cuadrada. Un vector v P Rn , v ‰ ~0, es un autovector de A
(o vector propio), si existe λ P R tal que:

A ¨ v “ λ v.

En dicho caso, se dice que el número λ es un autovalor de A (o valor propio) y que el vector v es
un autovector de A asociado al autovalor λ.

Observar que se exige que v ‰ ~0 porque A ¨ ~0 “ ~0 “ λ ~0 para todo λ P R, de donde resultarı́a (sin
dicha restricción) que todos los números λ serı́an autovalores de A.

Definición 7.2. Sea T : Rn ÝÑ Rn una transformación lineal. Un vector v P Rn , v ‰ ~0, es un

autovector de T asociado al autovalor λ, si T pvv q “ λ v .

Observar que entonces todos los elementos no nulos de N pT q son autovectores de T de autovalor
λ “ 0 (aunque, en general, no son los únicos autovalores). Esto es porque si v P N pT q, v ‰ ~0 entonces
T pvq “ ~0 “ 0 v.
En general vale que si v es un autovector de A asociado a λ, entonces cualquier múltiplo (no nulo)
α v (α P R‰0 ) también es un autovector asociado al mismo autovalor λ. También vale que si v y w son
ambos autovectores asociados al mismo autovalor λ, entonces cualquier combinación lineal α v ` β w
(para α, β P R) resulta ser un autovector asociado al mismo autovalor λ. Esto permite decir que los
autovectores de un mismo autovalor forman un subespacio (si agregamos el ~0).

Definición 7.3. Dada una matriz A P Rnˆn , el conjunto Sλ “ tvv P Rn {A ¨ v “ λvv u siempre es un
subespacio y se lo llama el autoespacio asociado al autovalor λ.

Proposición 7.4. Dada A P Rnˆn , entonces

λ es autovalor de A ðñ det pA ´ λ I q “ 0.

Esto es ası́ porque:

A ¨ v “ λ v para v ‰ ~0, v P Rn ô A ¨ v ´ λ v “˜
~0 para v ‰ ~0 ô pA ´ λ Iq ¨ v “ ~0 para v ‰ ~0 ô
x1 ¸
x2
existe v ‰ ~0 tal que v P N pA ´ λ Iq ô pA ´ λ Iq .. “ ~0 tiene infinitas soluciones ô A ´ λ I no
.
xn
es inversible ô detpA ´ λ Iq “ 0.

La equivalencia de la Proposición 7.4 permite calcular los autovalores de A sin necesidad de calcular
a los respectivos autovectores.

Definición 7.5. Dada A P Rnˆn , el polinomio PA pλq “detpA ´ λ I q es un polionomio de grado n y se

llama polinomio caracterı́stico de A. Sus raı́ces son los autovalores de A.

Proposición 7.6. Si B y B 1 son dos bases de Rn , y T : Rn ÝÑ Rn es una transformación lineal,

entonces las matrices MBB pT q y MB 1 B 1 pT q tienen los mismos autovalores.

Esto vale porque se puede hacer el siguiente razonamiento:

` ˘
λ es autovalor de MBB pT q ô det MBB pT q ´ λI “ 0 ô

1
 ˆ ˙ ´ ¯
` ˘
ô det CB 1 B ¨ MB 1 B 1 pT q ¨ CBB 1 ´λ looooomooooon
looooooooooooomooooooooooooon CB 1 B ¨ CBB 1 “ 0 ô det CB 1 B ¨ MB 1 B 1 pT q´λI ¨CBB 1 “ 0 ô
MBB pT q I
` ˘
ô det pCB 1 B q det MB 1 B 1 pT q ´ λI det pCBB 1 q “ 0 ô
´1
CB 1 B “CBB 1
hkkikkj  ` ˘ ` ˘
 ´1 
det det MB 1 B 1 pT q ´ λI det BB 1 q “ 0 ô det MB 1 B 1 pT q ´ λI “ 0 ô

ô pC BB 1 q
 pC

ô λ es autovalor de MB 1 B 1 pT q

La proposición anterior no tiene por qué valer si se consideran matrices MAB pT q para A y B bases
distintas.

Proposición 7.7. Sea T : Rn ÝÑ Rn una transformación lineal y B una base de Rn . Si v es un

autovector de T asociado al autovalor λ y A “ MBB pT q es la matriz asociada a T en la base B (como
base de salida y de llegada) , entonces rvv sB es un autovector de la matriz A asociado al mismo autovalor
λ.

Esto es ası́ pues

A ¨ rvv sB “ MBB pT q ¨ rvv sB “ rT pvv qsB “ rλ v sB “ λ rvv sB .

Notación: el conjunto de raı́ces (complejas, eventualmente repetidas según su multiplicidad) del poli-
nomio caracterı́stico de una matriz cuadrada A será denotado con λpAq, considerando las multiplicidades
de las raı́ces (escribiendo repetidas veces las raı́ces según su ´
multiplicidad
¯ algebraica).
´1 0 0
Por ejemplo, si A “ p 10 21 q entonces λpAq “ t1, 1u. Y si A1 “ 0 ´1 0 entonces λ pA1 q “ t´1, ´1, 3`
0 0 3`i
iu
n n
`De manera
˘ similiar, para una transformación lineal T : R Ñ R denotaremos a los autovalores de
λ MBB pT q con λpT q.

Proposición 7.8. Si λi ‰ λj @i ‰ j y v1 , v2 , ¨ ¨ ¨ , vr son autovectores de A asociados a los autovalores

λ1 , λ2 , ¨ ¨ ¨ , λr respectivamente, entonces el conjunto tvv1 , v2 , ¨ ¨ ¨ , vr u es linealmente independiente.

Proposición 7.9. Si λ y µ son autovalores distintos de una misma matriz A P Rnˆn , entonces los
autoespacios Sλ y Sµ se intersecan únicamente en el vector nulo. Es decir, si λ ‰ µ son autovalores,
entonces Sλ X Sµ “ t~0u.

Veamos ahora un ejemplo donde utilicemos la mayorı́a de los conceptos antes mencionados.

Ejemplo 7.10. Sea T : R3 Ñ R3 ¨ la transformación

˛ lineal que se obtiene a partir de la multiplicación
1 3 0
por la matriz M pT q “ MEE pT q “ ˝ 1 ´1 0 ‚.
0 0 1

1. Calcular T p3, 1, 1q , T p2, ´2, 0q y T p0, 0, ´3q y decidir si alguno de los vectores dados es autovector
de T . En caso afirmativo determinar el autovalor asociado.

2. Calcular los autovalores de M pT q.

3. Determinar los autovectores asociados a cada autovalor de M pT q.

4. Informar los autoespacios de la transformación lineal T .

2
Resolución:
1. Comencemos calculando los transformados de los vectores pedidos. Como la transformación lineal
está dada en su matriz de base canónica a base canónica obtenmos los transformados multiplicando
la matriz por cada vector dado:
¨ ˛ ¨ ˛ ¨ ˛
1 3 0 3 6
T p3, 1, 1q “ ˝ 1 ´1 0 ¨ 1 “
‚ ˝ ‚ ˝ 2 ‚ que no es múltiplo del vector de salida, por lo tanto
0 0 1 1 1
p3, 1, 1q no es autovector de la transformación T .
¨ ˛¨ ˛ ¨ ˛
1 3 0 2 ´4
T p2, ´2, 0q “ ˝ 1 ´1 0 ‚¨ ˝ ´2 ‚ “ ˝ 4 ‚ que es múltiplo del vector de salida, p´4, 4, 0q “
0 0 1 0 0
´2.p2, ´2, 0q por lo tanto p2, ´2, 2q es autovector de la transformación T y su autovalor asociado
es λ “ ´2.
¨ ˛¨ ˛ ¨ ˛
1 3 0 0 0
T p0, 0, ´3q “ ˝ 1 ´1 0 ‚¨ ˝ 0 ‚ “ ˝ 0 ‚ que es múltiplo del vector de salida, p0, 0, ´3q “
0 0 1 ´3 ´3
1.p0, 0, ´3q por lo tanto p0, 0, ´3q es autovector de la transformación T y su autovalor asociado es
λ “ 1.

2. Calculemos ahora el polinomio caracterı́stico para luego calcular los autovalores. Recordemos 7.4.
»¨ ˛ ¨ ˛fi
1 3 0 1 0 0
PA pλq “ det pA ´ λ I q “ det –˝ 1 ´1 0 ‚´ λ ˝ 0 1 0 ‚fl “
0 0 1 0 0 1
»¨ ˛fi
1´λ 3 0
“ det –˝ 1 ´1 ´ λ 0 ‚fl “ p1 ´ λq ¨ pλ2 ´ 4q
0 0 1´λ
Calculando las raı́ces del polinomio caracterśitico obtenemos los autovalores asociados a la trans-
formación lineal, en este caso obtuvimos que los autovalores de M pT q son:
λpT q “ t1, 2, ´2u .

3. Conociendo los autovalores de la transformación lineal podemos ahora buscar los autovectores
asociados planteando para cada λ encontrado en el punto anterior el siguiente sistema:
rM pT q ´ λ.Is ¨ x “ ~0.

λ1 “ 1
¨ ˛ ¨ ˛ ¨ ˛
0 3 0 x1 0
Resolvemos entonces ahora el siguiente sistema: ˝ 1 ´2 0 ¨ ‚ ˝ x2 “‚ ˝ 0 ‚. Su con-
0 0 0 x3 0
junto solución es x “ p0, 0, x3 q, pero para que x sea autovector debe ser x3 P R‰0 (recordemos
que un autovector debe ser no nulo). De estos infinitos autovectores asociados al autovalor
λ1 “ 1 solamente es posible conseguir uno linealmente independiente. Tomamos entonces
como autovector asociado al autovalor 1 al vector v1 “ p0, 0, 1q.
λ2 “ 2
¨ ˛ ¨ ˛ ¨ ˛
´1 3 0 x1 0
Resolvemos el siguiente sistema: ˝ 1 ´3 0 ‚¨ ˝ x2 ‚ “ ˝ 0 ‚ de donde los autovec-
0 0 ´1 x3 0
x
tores correspondientes son los “ p3x2 , x2 , 0q con x2 P R‰0 . De estos infinitos autovectores
asociados al autovalor λ2 “ 2 solamente es posible conseguir uno linealmente independiente.
Tomamos entonces como autovector asociado al autovalor 2 al vector v2 “ p3, 1, 0q.

3
 λ3 “ ´2
¨ ˛ ¨ ˛ ¨ ˛
3 3 0 x1 0
Resolvemos el siguiente sistema: ˝ 1 1 0 ¨ x2 “
‚ ˝ ‚ ˝ 0 ‚ de donde los autovectores
0 0 ´1 x3 0
correspondientes son los x “ p´x2 , x2 , 0q con x2 P R‰0 . De estos infinitos autovectores
asociados al autovalor λ3 “ ´2 solamente es posible conseguir uno linealmente independiente.
Tomamos entonces como autovector asociado al autovalor ´2 al vector v3 “ p1, ´1, 0q.
Podemos entonces decir que el conjunto

tvλ1 , vλ2 , vλ3 u “ tp0, 0, 1q , p3, 1, 0q , p1, ´1, 0qu

es un conjunto de autovectores de T correspondientes a λ1 “ 1, λ2 “ 2, λ3 “ ´2.

4. Teniendo los autovectores asociados a la transformación lineal los autoespacios correspondientes

son los subespacios generados por dichos autovectores, en este caso tenemos:

Sλ1 “ S1 “ gen tp0, 0, 1qu , Sλ2 “ S2 “ gen tp3, 1, 0qu , Sλ3 “ S´2 “ gen tp1, ´1, 0qu .

Observar que el conjunto de autovectores correspondientes a autovalores distintos es un conjunto

linealmente independiente, por lo tanto se verifica que:
! )
Sλ1 X Sλ2 X Sλ3 “ S1 X S2 X S´2 “ ~0

como expresa la propiedad 7.9

Proposición 7.11. Una matriz A P Rnˆn se dice diagonalizable si existe una matriz diagonal D P
Rnˆn y una matriz inversible C P Rnˆn tales que A “ CDC ´1 .

Proposición 7.12. Una matriz A P Rnˆn es diagonalizable si y sólo si tiene n autovectores linealmente
independientes v1 , v2 , ¨ ¨ ¨ , vn (eventualmente correspondientes a autovalores con multiplicidad mayor
que uno).
En este caso C es la matriz cuyas columnas son las coordenadas de v1 , v2 , ¨ ¨ ¨ , vn en la base canónica:
¨ ˛
¨ ˛ λ1 0 ¨ ¨ ¨ 0
v§1 v§2 . . . v§n ˚ 0 λ2 0 ‹
C“˝ § § ‚, y además D “ ˚ ‹
§
§ § ... § ˚ .. . . . .. ‹
đ đ đ ˝ . . ‚
loooooooooooomoooooooooooon 0 0 ¨ ¨ ¨ λn
CBE

donde λi es el autovalor asociado a vi con i “ 1, 2, ¨ ¨ ¨ , n. Es decir, C es la matriz de cambio de

coordenadas de la base de autovectores B “ tvv1 , v2 , ¨ ¨ ¨ , vn u a la base canónica E de Rn , o sea C “ CBE .

Definición 7.13. La transformación lineal T : Rn ÝÑ Rn se dice diagonalizable si existe una base

B de Rn tal que MBB pT q es diagonal.

Observar que entonces, si B “ tvv1 , v2 , ¨ ¨ ¨ , vn u es una base de autovectores de T , entonces

¨ ˛
¨ ˛ λ1 0 ¨ ¨ ¨ 0 ¨ ˛´1
rv§
1 sE rv§ 2 sE . . . rv§
n sE ˚ 0 λ2 0 ‹ ‹ rv§1 sE rv2
§ s E . . . rv n
§ sE
MEE pT q “ ˝ § § § ‚¨ ˚ ˚ .. .. .. ‹ ¨ ˝ § § § ‚
§
đ
§
đ . . . §
đ ˝ . . . ‚ §
đ
§
đ . . . §
đ
loooooooooooooooooomoooooooooooooooooon 0 0 ¨¨¨ λn loooooooooooooooooooomoooooooooooooooooooon
CBE ´1
CBE “CEB

para E la base canónica de Rn .

4
 ¨ ˛
λ1 0 ¨ ¨ ¨ 0
˚ 0 λ2 0 ‹
Por otro lado, usando la base B: MBB pT q “ ˚ ‹, que permite una manera muy
˚ ‹
.. .. ..
˝ . . . ‚
0 0 ¨ ¨ ¨ λn
sencilla de operar con T (en coordenadas de la base B).
Esta última igualdad vale porque
¨ ˛ ¨ ˛
rT v§1 sB rT v§2 sB . . . rT v§n sB rλ1§v1 sB rλ1§
v2 sB . . . vn sB
rλ1§
MBB pT q “ ˝ § § § ‚“ ˝ § § § ‚
§
đ
§
đ ... §
đ
§
đ
§
đ ... §
đ
0
¨ λ1 ˛ ¨ ˛
0 λ2
0 ˝0
y como rλ1 v1 sB “ λ1 rv1 sB “ ˝ . ‚, rλ2 v2 sB “ λ2 rv2 sB “ .. , . . . porque tv1 , v2 , ¨ ¨ ¨ , vn u forman la
‚
.. .
0 0
base B y rv1 sB “ p1, 0, 0, . . . , 0q, rv2 sB “ p0, 1, 0, . . . , 0q, . . . resulta que
¨ ˛
λ1 0 ¨ ¨ ¨ 0
˚ 0 λ2 0 ‹
MBB pT q ““ ˚ ..
˚ ‹
. . .. ‹
˝ . . . ‚
0 0 ¨ ¨ ¨ λn

Teorema 7.14. Sea T : Rn ÝÑ Rn una transformación lineal. Entonces, son equivalentes las dos
siguientes condiciones:
existe B una base de Rn formada por autovectores de T ,

MBB pT q es una matriz diagonal.

T es diagonalizable.
Proposición 7.15. Si T : Rn ÝÑ Rn es una transformación lineal que tiene n autovalores distintos,
entonces T es diagonalizable.
Observación: En el ejemplo 7.10 hemos encontrado que M pT q P R3x3 tiene tres autovalores reales y
distintos, λ1 “ 1, λ2 “ 2, λ3 “ ´2, por lo tanto por 7.12 la matriz es diagonalizable.
Esto es ası́, ya que fue posible encontrar una base del espacio vectorial de salida, en este caso R3 ,
formado por autovectores de T :

tvλ1 , vλ2 , vλ3 u “ tv1 , v2 , v´2 u “ tp0, 0, 1q , p3, 1, 0q , p1, ´1, 0qu ,
¨ ˛
0 3 1
por lo tanto existen las matrices C “ CBE “ ˝ 0 1 ´1 ‚ (cuyas columnas son los autovectores
1 ¨0 0 ˛
1 0 0
v1 , v2 , v3 , en coordenadas de la base canónica) y D “ ˝ 0 2 0 ‚ (matriz diagonal formada por los
0 0 ´2
autovalores correspondientes a los autovectores de la base). Observar que se verifica que:

M pT q “ C ¨ D ¨ C ´1
¨ ˛ ¨ ˛ ¨ ˛ ¨ ˛
1 3 0 0 3 1 1 0 0 0 0 1
y en nuestro caso: ˝ 1 ´1 0 ‚ “ ˝ 0 1 ´1 ‚¨ ˝ 0 2 0 ‚¨ ˝ 41 1
4
0 ‚
1 3
0 0 1 1 0 0 0 0 ´2 4
´4 0
¨ ˛
´3 0 0
Ejemplo 7.16. Decidir si la matriz A “ ˝ 1 ´5 3 ‚ es diagonalizable.
0 0 ´3

5
 Resolución:
Para determinar si es diagonalizable, tenemos que ver si es posible formar una base del espacio vectorial
3
R con autovectores de la matriz A. Comencemos buscando los autovalores.
»¨ ˛ ¨ ˛fi
´3 0 0 1 0 0
PA pλq “ det pA ´ λ I q “ det –˝ 1 ´5 3 ‚´ λ ˝ 0 1 0 ‚fl “
0 0 ´3 0 0 1
»¨ ˛fi
´3 ´ λ 0 0
“ det – ˝ 1 ´5 ´ λ 3 ‚fl “ p´3 ´ λq2 ¨ p´5 ´ λq,
0 0 ´3 ´ λ
por lo tanto, las raı́ces de PA pλq son tλ1 “ ´3, λ2 “ ´5u, con ´3 raı́z de multipilicidad 2.
Sabemos que a los autovalores ´3 y ´5 le corresponden autovectores linealmente independientes por
ser autovalores reales y distintos. Podemos entonces encontrar como mı́nimo una base de dimensión
2 formada por autovectores de A. Tendremos que analizar si es posible encontrar dos autovectores
linealmente independientes para el autovalor λ1 “ ´3.
Busquemos entonces los autovectores asociados al autovalor λ1 “ ´3 resolviendo el siguiente sistema:
¨ ˛ ¨ ˛ ¨ ˛
0 0 0 x1 0
˝ 1 8 3 ‚ ¨ ˝ x2 ‚ “ ˝ 0 ‚
0 0 0 x3 0
cuyo conjunto solución es x “ p´8x2 ´ 3x3 , x2 , x3 q. Recordar que para que x sea autovector deben ser
x3 ‰ 0 o x2 ‰ 0. De estos infinitos autovectores asociados al autovalor λ1 “ ´3 podemos conseguir como
máximo dos vectores que sean linealmente independiente entre si. Tomamos entonces como autovectores
asociados al autovalor ´3 los vectores v1 “ p´8, 1, 0q y v2 “ p´3, 0, 1q .
Como fue posible encontrar dos autovectores linealmente independientes para el autovalor que es raı́z
doble del polinomio caracterı́stico, y como el otro autovalor real ´5 (distinto a -3) tiene un autovector
que será linealmente independiente a los autovectores del autovalor ´3, podemos asegurar entonces que
es posible encontrar tres autovectores de A que sean linealmente independientes. Por lo tanto podemos
encontrar una base de R3 formada por autovectores de A, por lo tanto la matriz A es diagonalizable
(Proposición 7.12).

Observación: No toda matrı́z es diagonalizable, esto ocurre cuando existe un autovalor real que es raı́z
con multiplicidad mayor que 1 del polinomio y no es posible encontrar una base del espacio vectorial
formada por autovectores de dicha matriz. ¨ Para que vea˛ un ejemplo se propone que encuentre los
1 3 0
autovalores y autovectores de la matriz A “ ˝ 1 ´1 0 ‚.
0 0 2

Proposición 7.17. Sea T : Rn Ñ Rn una transformación lineal cualquiera, sean λ ‰ µ dos autovalores
distintos y sean Sλ “ N pT ´ λIq y Sµ “ N pT ´ µIq los autoespacios respectivos, entonces Sλ X Sµ “ t0u.

Proposición 7.18. Sea T : Rn Ñ Rn una transformación lineal, sean B, B 1 bases de Rn y sean MBB pT q
y MB 1 B 1 pT q las representaciones matriciales respectivas, entonces:

(a) det pMBB pT qq “ det pMB 1 B 1 pT qq

(b) det pMBB pT q ´ x Iq “ det pMB 1 B 1 pT q ´ x Iq .

De la proposición anterior podemos concluir que tanto el determinante como el polinomio caracterı́stico
son independientes de la base elegida para representar la transformación lineal (siempre y cuando se
elija la misma en el dominio y en el codominio). Esto nos permite definir tales conceptos para una
transformación lineal T : Rn Ñ Rn , donde B es una base cualquiera de Rn :
` ˘ ` ˘
detpT q :“ det MBB pT q y PT pxq :“ PMBB pT q pxq “ det MBB pT q ´ x I .

6
Ejemplo 7.19. Sea B “ ¨ 0, 1q ; p´3, 2, 0qu base de R3 y sea T : R3 Ñ R3 la transformación
tp1, ´1, 0q ; p0, ˛
´3 2 9
lineal tal que MBE pT q “ ˝ 4 4 ´9 ‚. Decidir si T es diagonalizable y en caso afirmativo encontrar
2 0 ´6
1
una base B tal que MB 1 B 1 pT q sea diagonal.

Resolución:
Para calcular los autovalores primero tenemos que encontrar la matriz de la transformación T en un
par de bases iguales, en este caso buscaremos M pT q “ MEE pT q. Para ello tenemos que encontrar la
´1
matriz de cambio de base
¨ CEB que la ˛obtenemos calculando CBE .
1 0 ´3
Sabemos que CBE “ ˝ ´1 0 2 ‚ (los vectores de la base B puestos como columnas), por lo tanto
0 1 0 ¨ ˛
´2 ´3 0
´1
calculando su inversa tendremos que CEB “ CBE “˝ 0 0 1 ‚.
´1 ´1 0
Utilizando el cambio de base obtenemos que MEE pT q “ MBE pT q ¨ CEB , es decir:
¨ ˛ ¨ ˛ ¨ ˛
´3 2 9 ´2 ´3 0 ´3 0 2
MEE pT q “ ˝ 4 4 ´9 ‚¨ ˝ 0 0 1 ‚ “ ˝ 1 ´3 4 ‚
2 0 ´6 ´1 ´1 0 2 0 0

A partir de ahora operamos como en los ejemplos anteriores buscando los autovalores y luego los
autovectores correspondientes. Se obtiene que los autovalores son λpT q “ t1 , ´3 , ´4u, y por lo tanto,
resulta que T es diagonalizable (por la Proposición 7.14).
Buscamos un autovector asociado a cada autovalor para definir ası́ la base B 1 . Haciendo los cálculos
correspondientes se obtiene que B 1 “ tp4, 9, 8q , p0, 1, 0q , p2, 2, ´1qu pues
¨ son autovectores
˛ asociados
1 0 0
a los autovalores 1 , ´3 , ´4 respectivamente. Por lo tanto MB B pT q “
1 1 ˝ 0 ´3 0 ‚.
0 0 ´4
Proposición 7.20. Sea T : Rn Ñ Rn una transformación lineal y sea λpT q “ tλ1 , . . . , λm u el conjunto
de sus autovalores (complejos, eventualmente repetidos), entonces:

(a) detpT q “ λ1 ¨ λ2 ¨ ¨ ¨ λm .

(b) el término independiente del polinomio caracterı́stico PT pλq “ am λm ` am´1 λm´1 ` ¨ ¨ ¨ ` a1 λ ` a0

es a0 “ detpT q y el coeficiente principal es am “ p´1qm .

Proposición 7.21. A P Rnˆn es una matriz inversible si y sólo si 0 R λpT q.

Proposición 7.22. Si A P Rnˆn es una matriz triangular entonces λpAq “ tA1,1 , . . . , An,n u.

Teorema de Hamilton-Cayley: Sea A P Rnˆn y sea PA pxq su polinomio caracterı́stico. Entonces vale
que PA pAq “ 0 (donde acá 0 denota la matriz nula de n ˆ n).
De manera similar, si T : Rn Ñ Rn una transformación lineal arbitraria y si PT pxq es su polinomio
caracterı́stico (como se definió en 7.18 ). Entonces vale que PT pT q “ 0 (donde acá 0 denota la trans-
formación lineal nula).

Observemos que el enunciado del teorema de Hamilton-Cayley no requiere que A (ni T ) sea diagona-
lizable; vale para cualquier A cuadrada.
Una de las aplicaciones más importantes de este resultado es que permite escribir cualquier potencia
de A como combinación lineal de las potencias tI, A, A2 , . . . , An´1 u.
Si A fuera inversible este teorema también permite escribir a A´1 en términos de I, A, A2 , . . . , An´1 .
Similares resultados se pueden obtener para el caso de una transformación lineal T : Rn Ñ Rn para
la composición y su transformación lineal inversa.

7
 ˆ ˙
1 2
Ejemplo 7.23. Dada la matriz A “ calcular PA pAq y utilizar esta igualdad para calcular
2 3
A´1

Resolución
Caculemos primero el polinomio caracterı́stico PA pλq “ det rA ´ λ.Is:
ˆ ˙
1´λ 2
PA pλq “ det “ λ2 ´ 4λ ´ 1, y entonces PA pAq “ A2 ´ 4A ´ I
2 3´λ
o sea: ˆ ˙ ˆ ˙ ˆ ˙ ˆ ˙ ˆ ˙
1 2 1 2 1 2 1 0 0 0
¨ ´4¨ ´ “ .
2 3 2 3 2 3 0 1 0 0
Dicho resultado era esperable por el teorema de Hamilton Cayley.
Como el det pAq “ ´1 ‰ 0 entonces A es inversible. Ya que A2 ´ 4A ´ I “ 0 entonces A2 ´ 4A “ I y si
multiplicamos miembro a miembro esta última ecuación por A´1 se obtiene A´1 .A2 ´ 4.A´1 .A “ A´1 .I,
´1
o lo que es lo mismo
ˆ A´˙ 4I “ˆA . ˙ ˆ ˙
´1 1 2 1 0 ´3 2
Luego A “ ´4 “ .
2 3 0 1 2 ´1