Professional Documents
Culture Documents
Diagonalización de Matrices
Entre las aplicaciones del proceso de diagonalización de una matriz cabe destacar el
cálculo de la potencia m-ésima de una matriz cuadrada A, que a su vez será de gran utilidad
en la obtención de la exponencial de la matriz A. La aplicación del cálculo Am y eA surge en
la resolución de ecuaciones en diferencias finitas y en sistemas de ecuaciones diferenciales
lineales de primer orden, respectivamente. El siguiente ejemplo sirve como botón de muestra
y motivación de un amplio abanico de problemas donde el uso de la diagonalización de
matrices conduce a la solución.
Ejemplo 5.1 (Rehabilitación de una estructura de hormigón) Una estructura de hormigón está deteriorada
en un 25 % debido a un proceso de corrosión. Se envuelve la estructura en una malla de titanio a la que se
aplica un microvoltaje que invierte el proceso químico de corrosión, logrando que mensualmente se recupere
el 40 % de la zona deteriorada, aunque se sigue deteriorando mensualmente un 20 % de la zona sana. ¿Cuál
será la situación a los 3 meses?¿Y a los 10 meses?¿Y al cabo de mucho tiempo?
Si consideramos tantos por uno, al cabo de un mes se ha recuperado 0,25 × 0,4 = 0,1 de
la zona deteriorada, pero la zona sana se ha reducido a 0,75 × 0,8 = 0,6. En total, la zona
sana al cabo de un mes será: 0,1 + 0,6 = 0,7. Si procedemos del mismo modo con la zona
deteriorada, resulta: 0,25 × 0,6 + 0,75 × 0,2 = 0,15 + 0,15 = 0,3. Podemos intentar resolver el
problema realizando este razonamiento reiteradamente y al cabo de tres meses las partes
deteriorada y sana de la estructura son 0.328 y 0.672. Pero este procedimiento es muy lento
1
Un endomorfismo en V también se conoce con el nombre de operador sobre el espacio vectorial V . Por esta
razón, en otros muchos textos este capítulo aparece con el nombre de “Teoría de operadores diagonalizables"
123
124 ÁLGEBRA. Angel Giménez Pastor
y prácticamente inviable para periodos de tiempo más largos. Es preciso utilizar otro método
más efectivo. Consideremos las siguiente variables:
Puesto que conocemos la condición inicial d0 = 0,25 y s0 = 0,75, podemos inferir el término
general de la ecuación (5.1):
! !m !
dm 0,6 0,2 0,25
= · .
sm 0,4 0,8 0,75
!
0,6 0,2
La matriz A = es llamada matriz de transición y cumple que la suma de
0,4 0,8
los elementos de cada columna es igual a la unidad y todos ellos son no negativos. Por
consiguiente, nuestro problema estará resuelto si somos capaces de calcular la potencia m-
ésima de la matriz de transición. Al final del capítulo encontraremos la solución de este
problema utilizando las técnicas de diagonalización de matrices aprendidas.
En primer lugar debemos introducir las definiciones y resultados básicos que necesitaremos
para alcanzar nuestro objetivo.
La última matriz debería ser diagonal, lo que implicaría que c = d = 0, lo que es una contradición con que
P sea invertible. Entonces A no es diagonalizable.
El procedimiento que hemos empleado en el ejemplo anterior para averiguar si una matriz
es diagonalizable puede servir para matrices de orden 2, pero para matrices de orden superior
este procedimiento directo no podría llevarse a cabo, o sería muy engorroso. Esto motiva la
necesidad de introducir nuevas técnicas que nos permitan, de forma más eficiente, estudiar la
diagonalizabilidad de una matriz A. Para tal fin, debemos relacionar matrices diagonalizables
con endomorfismos.
Dadas las bases B = {v1 , v2 , . . . , vn } y B̄ = {v̄1 , v̄2 , . . . , v̄n }. Consideremos A y B las matrices
asociadas al endomorfismo f respecto de las bases B y B̄, esto es, A = [f ]B B̄
B y B = [f ]B̄ .
Entonces:
f
(V, B) (V, B)
A
1V P P −1 1V
B
(V, B̄) (V, B̄)
f
Por tanto, se verifica que B = P −1 AP , siendo P una matriz cambio de base y, por tanto,
regular.
Concluimos que dos matrices están asociadas a f respecto de distintas bases si, y solo
si, son semejantes. Esta observación conduce al siguiente resultado.
(i) f admite una base B̄ tal que la matriz asociada a f respecto de B̄ es una matriz
diagonal.
126 ÁLGEBRA. Angel Giménez Pastor
f (v) = λ · v
Por tanto, tratemos de estudiar la estructura de los vectores propios asociados a un valor
propio.
Vλ = {v ∈ V : f (v) = λv} .
Observación 5.8 El subespacio propio asociado a un valor propio λ puede ser visto como
Vλ = Ker(f − λ1V ),
Mostremos un método práctico para calcular los valores propios utilizando coordenadas
respecto de una cierta base. Sea f un endomorfismo, B una base de V y A la matriz asociada
a f en la base B. Si λ es valor propio de f , entonces f (v) = λv; ecuación que en coordenadas
es equivalente a la ecuación matricial
AX = λX ⇐⇒ (A − λI)X = 0.
Definición 5.9 Sea A una matriz cuadrada de orden n sobre un cuerpo K. Se define
el polinomio característico de A como el polinomio de grado n con coeficientes
en K dado por
PA (λ) = det(A − λI).
0 4 3
Por definición,
1−λ 2 1
PA (λ) = det(A − λI) = det 0 1−λ 0
0 4 3−λ
= −(λ − 1)2 (λ − 3).
Observación 5.12
d = n − rg(f − λ1V ),
Ejercicio 5.1 Calcular las multiplicidades algebraica y geométrica de los valores propios
del Ejemplo 5.3.
Ejemplo 5.4 Calculemos las multiplicidades algebraica y geométrica de los valores propios del endomorfismo
f : R3 → R3 definido por
f (x, y, z) = (x + 2y, −x + 3y + z, y + z).
Para calcular los valores propios consideremos la matriz asociada a f respecto de una base cualquiera; por
ejemplo la canónica:
1 2 0
A = −1 3 1 .
0 1 1
Los valores propios son las raíces del polinomio característico:
1−λ 2 0
PA (λ) = det −1 3 − λ 1 = −(λ − 1)(λ − 2)2 ,
0 1 1−λ
0 1 0
−1 2 0
d2 = n − rg(A − 2I) = 3 − rg −1 1 1 = 1.
0 1 −1
Capítulo 5.- Diagonalización de Matrices 129
Ejemplo 5.5 Calculemos la multiplicidades algebraica y geométrica de los valores propios de la matriz
5 0 −4
A = 0 3 0 .
2 0 −1
2 0 −1 − λ
2 0 −2
2 0 −4
d2 = n − rg(A − 3I) = 3 − rg 0 0 0 = 2.
2 0 −4
Ejemplo 5.6 Calculemos la multiplicidades algebraica y geométrica de los valores propios de la matriz
1 0 0
A= 1 2 1 .
−1 −1 0
−1 −1 −λ
−1 −1 −1
Ejemplo 5.7 Analicemos ahora los valores propios de la siguiente matriz real:
1 0 0
A = 0 1 1 .
0 −1 1
0 −1 1 − λ
130 ÁLGEBRA. Angel Giménez Pastor
entonces, el único valor propio real es λ1 = 1(m1 = 1). La multiplicidad geométrica es:
0 0 0
d1 = n − rg(A − I) = 3 − rg 0 0 1 = 1.
0 −1 0
Si en lugar de considerar A como una matriz real, la consideramos como una matriz compleja, entonces hay
dos valores propios complejos más: λ2 = 1 + i(m2 = 1) y λ3 = 1 − i(m3 = 1). Calculemos sus multiplicidades
geométricas.
−i 0 0
d2 = n − rg(A − (1 + i)I) = 3 − rg 0 −i 1 = 1,
0 −1 −i
i 0 0
d3 = n − rg(A − (1 − i)I) = 3 − rg 0 i 1 = 1.
0 −1 i
Vλ1 ⊕ · · · ⊕ Vλp .
(a) Pf (λ) = (λ1 − λ)m1 · · · (λp − λ)mp , donde λ1 , . . . , λp ∈ K son escalares distintos.
V = Vλ1 ⊕ · · · ⊕ Vλp ,
y por tanto podemos construir una base B̄ de vectores propios. Por tanto, la matriz asociada
a f respecto de B̄ es diagonal y la matriz de paso P es aquella cuyas columnas son las
coordenadas de la base B̄ respecto de la base original (que suele ser la canónica).
Ejercicio 5.2 Para las matrices de los ejemplos anteriores que resulten diagonalizables,
hallar la matriz P de paso verificando P −1 AP = D, donde D es la matriz diagonal formada
por los valores propios de A repetidos tantas veces como indique su multiplicidad algebraica.
Capítulo 5.- Diagonalización de Matrices 131
Observación 5.15 La propiedad (a) del Teorema 5.14 es equivalente a decir que el polino-
mio descompone completamente sobre el cuerpo K que consideramos. Debemos, por tanto,
resaltar la importancia de precisar el cuerpo sobre el que trabajamos para no confundirse.
Concretamente, si trabajamos sobre el cuerpo R, es bien conocido que no todo polinomio
sobre R descompone en R, puesto que pueden haber raíces complejas. En ese caso el en-
domorfismo no es diagonalizable sobre el cuerpo R. Pero puede que sí sea diagonalizable
sobre C si verifica, además, la condición (b). En virtud de lo dicho, cuando trabajamos con
matrices reales conviene matizar si estamos estudiando la diagonalizabilidad sobre R o sobre
C.
D1 0 ··· 0 λi 0 · · · 0
0 D2 · · · 0 0 λi · · · 0
−1 mi ×mi
P AP = D = .. .. .. .. Di =
.. .. .. ∈K
.. .
. . . . . . . .
0 0 · · · Dp 0 0 · · · λi
Ejercicio Básico 5.3 Decidir si las siguientes matrices son o no diagonalizables sobre R,
y en su caso, hallar una matriz P tal que P −1 AP = D.
0 1 0
(a) 0 0 1
1 −3 3
3 −8 8
(b) −4 7 −8
−4 8 −9
3 1 1
(c) −2 2 1
1 0 2
0 0 0 1
0 0 1 0
(d)
0 1 0 0
1 0 0 0
Las matrices que aparecen en la mayoría de aplicaciones suelen tener alguna particularidad
que facilita el cálculo de valores y vectores propios. Entre ellas, una de las más significativas
son las matrices simétricas, que incluyen las matrices definidas positivas. Establezcamos el
siguiente resultado relevante sobre valores propios y diagonalizabilidad de matrices simétri-
cas.
Capítulo 5.- Diagonalización de Matrices 133
es una matriz real y no regular, puesto que (A − (a + bi)I) no lo es. Sea X ∈ Rn×1 un vector
columna no nulo. Teniendo en cuenta que A es simétrica, de un sencillo cálculo obtenemos
X T BX = Y T Y + b2 X T X,
Hemos mostrado que si A es una matriz simétrica real, entonces es siempre diagonalizable.
En ese caso, existe una base B = {v1 , . . . , vn } de Rn formada por vectores propios de A, y la
matriz P de paso es aquella cuyas columnas están formadas por las coordenadas de los
vectores propios de A. Un breve cálculo justifica la identidad
hv1 , v1 i hv1 , v2 i · · · hv1 , vn i
hv2 , v1 i hv2 , v3 i · · · hv2 , vn i
T
P P = .
.. .. .. ,
.. . . .
hvn , v1 i hvn , v2 i · · · hvn , vn i
Así pues, una matriz P es ortogonal si, y solo si, sus columnas forman una base ortonormal
respecto al producto escalar usual. Nuestra meta ahora será encontrar bases ortonormales
de vectores propios de matrices simétricas.
134 ÁLGEBRA. Angel Giménez Pastor
P T P = I,
D = P −1 AP = P T AP.
En definitiva, hemos probado que toda matriz simétrica admite una matriz ortogonal
verificando que D = P −1 AP es diagonal. Esta propiedad se la describe diciendo que A es
ortogonalmente diagonalizable, y aún podemos decir más; esta propiedad caracteriza a
las matrices simétricas.
Teorema 5.20 (Teorema Espectral) Sea A una matriz cuadrada real, entonces
son equivalentes:
(i) A es simétrica.
Por tanto, las únicas matrices ortogonalmente diagonalizables son las matrices simétricas.
1 1 1
Vamos a hallar una matriz ortogonal P satisfaciendo que P T AP es una matriz diagonal. En primer lugar
hallamos el polinomio característico de A:
1−λ 1 1
PA (λ) = det 1 1−λ 1 = λ2 (3 − λ).
1 1 1−λ
Ortonormalizamos (por el método de Gram-Schmidt) cada subespacio propio por separado y obtenemos:
1 1 1
Vλ=0 = √ (1, −1, 0), √ (1, 1, −2) , Vλ=3 = √ (1, 1, 1) ,
2 6 3
y, en consecuencia, a matriz de paso P es
√1 √1 √1
21 6 3
P = − √ √1 √1 .
2 6 3
0 − √26 √1
3
Por otra parte, la matriz A es también congruente a la matriz diagonal formada por los valores propios de
A, de donde deducimos que A es semidefinida positiva.
Definición 5.21 Diremos que una matriz compleja H ∈ Cn×n es una matriz
hermítica si es igual a su traspuesta conjugada, que se denotará por H ∗ , esto
es, H = H ∗ .
Una matriz compleja U ∈ Cn×n se dice unitaria si verifica U ∗ U = U U ∗ = In .
Las matrices hermíticas son una generalización de las matrices simétricas al campo com-
plejo, y verifican que todos sus valores propios son reales. Las matrices unitarias son una
generalización de las matrices ortogonales. En este caso obtenemos una generalización del
teorema espectral al campo complejo.
Teorema 5.22 Sea H una matriz cuadrada compleja, entonces son equivalentes:
(i) H es hermítica.
U ∗ HU = U −1 HU = D,
0 1−i 2
Cuando tenemos una matriz real cualquiera podemos encontrar una descomposición si-
milar a la de las matrices simétricas que viene dada por el siguiente resultado.
Proposición 5.23 (SVD de una matriz) Sea A ∈ Rm×n tal que rg(A) = r. Entonces existen
matrices ortogonales U ∈ Rm×m y V ∈ Rn×n verificando:
! σ1 ··· 0
T D 0 . .. ..
A = U ΣV , Σ = , D = ..
. .,
0 0
0 ··· σr
con σ1 ≥ σ2 ≥ · · · ≥ σr > 0 y donde σi2 son los valores propios distintos del cero de AT A. Esta
descomposión se denomina descomposición en valores singulares de una matriz.
(b) Los valores propios de AT A y AAT son positivos. Más aún, son los mismos y con
las mismas multiplicidades algebraicas salvo quizás para el valor propio λ = 0.
(c) Sea λ 6= 0 (por tanto λ > 0) valor propio de AT A y X un vector propio asociado
a λ. Entonces Y = √1λ AX es vector propio de AAT asociado al valor propio λ.
tal que X1 , . . . , Xn forma una base ortonormal de vectores propios de AT A. Además los
vectores Xr+1 , . . . , Xn son vectores propios asociados al valor propio λ = 0.
Sea A una matriz cuadrada diagonalizable sobre K (R ó C). Entonces sabemos que admite
una matriz P sobre verificando A = P DP −1 donde P es una matriz regular. Entonces
Am = (P DP −1 )m = P Dm P −1 .
Para cerrar el capítulo, resolvamos el problema que se planteó en el Ejemplo 5.1. Recuér-
dese que el problema se redujo a calcular la potencia m-ésima de la matriz de transición
! ! !
0, 6 0, 2 3/5 1/5 1 3 1
A= = = .
0, 4 0, 8 2/5 4/5 5 2 4
!
3 1
Para facilitar los cálculos denotaremos B = , entonces,
2 4
!m
m 1 1 3 1
A = m Bm = m .
5 5 2 4
El polinomio característico de B es
3 − λ 1
PB (λ) = = (λ − 5)(λ − 2),
2 4 − λ
luego hay dos valores propios diferentes λ1 = 5 y λ2 = 2. Si hallamos los vectores propios
asociados a cada valor propio se obtiene fácilmente la matriz P de paso y su inversa,
! !
1 1 −1 1 1 1
P = , P = .
2 −1 3 2 −1
Haciendo uso de las técnicas aprendidas en esta sección calculamos la potencia m-ésima de
B, ! ! ! !
1 1 5 m 0 1 1 5 m + 2m+1 5m − 2m
1 1
B m = P Dm P −1 = = ,
3 2 −1 0 2m 2 −1 3 2 · 5m − 2m+1 2 · 5m + 2m
por tanto, !
2m+1 2m
m 1 1+ 5m 1− 5m
A = 2m+1 2m
.
3 2− 5m 2+ 5m
138 ÁLGEBRA. Angel Giménez Pastor
obtenemos:
2m+1 2m
1 1 3
dm = 1+ + 1− ,
3 4 5m 4 5m
2m+1 2m
1 1 3
sm = 2− + 2+ .
3 4 5m 4 5m
Calculando el límite cuando m tiende a infinito podemos predecir lo que ocurre en el futuro:
1 2
lı́m dm = , lı́m sm = .
m→∞ 3 m→∞ 3
Así pues, mediante este procedimiento recuperamos, a lo más, dos tercios de la estructura
de hormigón. Nótese que para alcanzar esta conclusión solamente hubiera bastado hacer el
cálculo en una de las dos zonas (o bien la deteriorada, o bien en la sana), puesto que el
porcentaje en la otra es deducible.
Ejercicio 5.6 Hallar el término general de la sucesión de Fibonacci xn+2 = xn+1 + xn , con
x0 = 0 y x1 = 1.