Captulo 8

VALORES Y VECTORES PROPIOS.

DIAGONALlZACION
8.1. INTRODUCCION
Desarrollamos en este captulo los conceptos de valores y vectores propios de un
endomorfismo en un espacio vectorial y de la matriz asociada en el caso de dimensin finita.
Demostramos las propiedades fundamentales de los mismos y su detenninacin a partir del
polinomio caracterstico. Encaramos despus el problema de la diagorializacin de
trasformaciones lineales y matrices, as como tambin el de la triangulacin. Por ltimo,
demostramos el teorema de HamiltonCayley.
8.2. VAWRES y VECTORES PROPIOS
8.2.1. Concepto
Consideremos un espacio vectorial (V, +, K,.) Y un endomorfismo
f: V-'V
Definicin
El escalar A K es un valor propio de f si y slo si existe un vector no nulo x V, tal
que f(x) ~ A x.
Todo vector no nulo que satisfaga la condicin anterior se llama vector propio de [,
asociado al valor propio A.
En consecuencia, un vector propio de un endomorfismo es un vector no nulo cuya imagen
es un ml tiplo escalar del mismo.
Las expresiones "valor propio", "valor caracterstico" y "autovalor" son sinnimas.
Tambin lo son "vector propio", "vector caracterstico" y "autovector".
Ejemplo 8-1
Considerando (R
2
, +, R, .) Y la trasfOMacin lineal
f: R
2
-. R
2
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

264
VALORES Y VECTORES PROPIOS. DIAGONALIZACION
definida por
f(x. x2)=(2x
I
, 2x
1
- 2x,) ,
el escalar A = 2 es un valor propio de f, ya que el vector no nulo (2, 1) es tal que
f(2, 1)=(4,2)=2(2,1)
(2, 1) es un vector propio asociado al valor propio 2.
8.2.2. Propiedad
Si A es un valor propio de una trasformacin linealf: V -+ V, Y si S\ es el conjunto de los
vectores propios asociados a A, entonces S, = S', U (O I es un sub espacio de V.
En efecto:
l.OeS, =>S,"'</>'
2. S, e V por definicin de S,.
3. Sean x e y pertenecientes aSA'
Si x = O v y = O, entonces x + y e S,.
Supongamos que x '" O e y '" O
X",O Ay",O=>xeS',AyeS\=>
=> f(x) = AX A f(y)= Ay => f(x) + f(y)= Ax + Ay =>
=>f(x +Y)=A(X +y)=>x +y eS', =>x +yeS,
4. Sean a e K y x e S,.
Si x:::: O o a:::: 0, entonces a: x ES)..,
Consideremos el caso en que x '" O Y a '" O:
aeKAx",O=>ae KAxeS'.=>aeKAf(x)=AX=>
=>af(x) =a (A x) => f(a x) = A(ax) =>ax eS'. =>
"*o;x ESA
En consecuencia, (SA. +, K, .) es un subespacio de (V, +, K, .).
De acuerdo con lo demostrado en 4., afirmamos que si x es un vector propio de f asociado
a A., y a:: -=1= 0, entonces a: x es un vector propio asociado al mismo valor propio.
Observamos tambin que la restriccin de f a S;\ es una homotecia de razn A..
8.2.3. Valores y vectores propios de una matriz
Definicin
El escalar A es un valor propio de la matriz A K
nxn
si y solo si existe un vector no
nulo X K"Xl tal que AX::::. A. X
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

o
o
V AWRES PROPIOS
265
to
r no nulo que satisfaga la relacin AX ; A X se llama vector propio de A asociado
Un vec
lor propio A.
al va aJu0s entonces vector propio de una matriz A K
nxn
es un vector propio de
AJifrm macin lineal de K
n
en K
n
representada por A en la base cannica.
la tras or
Ejemplo 82.
, V es el espacio vectorial sobre el cuerpo de 108 nmeros reales, de las funciones
R'" R infinitamente derivables y
es el endomorfismo definido por
D :y ... y
df
D(f); dx '
entonces la funcin f Y, tal que f (x); e' x es un vector propio de la trasformacin
lineal D, pues
Ejemplo 83
df
D(f);-;Ae" VAR
dx
Si A e K
nxn
es una matriz diagonal, entonces cualquier vector cannico E K
nx
1,
donde i; 1, 2, ... , n, es un vector propio de A.
En efecto, sea
(}
O O
d
2
O
A;
O d
n
Entonces
O
O
d O O
O d
2
. ,'. O
AE; di ;
dE
i
O O
O O
Los valores propios de A son los elementos de la diagonal.
8.2.4. Propiedad
Los vectores propios asociados a valdres propios distintos son linealmente independientes.
Sean
f:Y"'Y
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

266
VALORES Y VECTORES PROPIOS. DIAGONALIZACION
una trasformacin lineal y Xl, XZ, . .. , X
n
vectores propios asociados a Al, ~ , . .. , An. tales
que
Demostraremos que Xl, X2, ... , X
n
son linealmente independientes.
I . n ~ 1 =-X, ""O=-X, es L.!.
2. Xl, X2 . . " Xh ) es L.!. =-> IXl' X2, ... , Xh, Xh + l! es L.!.
En efecto, consideremos
Multiplicamos por A, + 1
"1 A.+1 X, + ... +"h A.+1 Xh + "h+ 1 A.+1 Xh+1 ~ O
Aplicando/a (1)
"'1 A, X, + ... + "'h Ah xh +"h+1 A,+1 Xh+1 = O
Restamos estas dos igualdades
"1 (A.+1 - A,) X, + ... + "h (A.+1 - A.) Xh = O
Por la hiptesis inductiva resulta
"1 (A.+1 - A) = O '<Ii= 1,2, ... , h
Y como A. + 1 -- A "" O, resulta
Sustituyendo en (1), se tiene
o sea ah + 1 = 0, ya que Xh + 1 ;:{; O
En consecuencia
y por lo tanto
Xl. Xz .... , Xn} es L.!.
8.2.5. Propiedad
Si f es una trasformacin lineal del espacio vectorial V, de dimensin finita, en s mismo,
entonces A E K es un valor propio de / si y slo si / - N es singular.
i denota la trasformacin identidad en Y.
1. Sea A un valor propio de /. Entonces existe X "" O en Y, tal que / (x) = Ax
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

VECTORES PROPIOS
267
Ahora bien
[(x) AX => [(x) - A (x) O => [(x) - (Ai)(X) => (f - Ai)(X) = O.
En consecuencia, N (f - Ai) #- lo 1 , o sea,! - N es singular.
2. Supongamos ahora que [- Ai es singular, o sea, no inversible. Esto significa que
[ _ N : V -+ V es tal que N (f - N) #- I O 1 . En consecuencia, existe x V, x #- O tal
que (f - Ai) (x) O. De acuerdo con el lgebra de las trasformaciones lineales, se tiene
[(x) -(A)(X)=0
Es decir
A
y por consiguiente A es un valor propio de [.
En trminos de matrices esta propiedad se traduce de la siguiente manera:
Si A K
llxn
, entonces A K es un valor propio de A si y slo si A - A 1 es singular.
Equivalentemente
Aes un valor propio de A K
nxn
'" D (A _. A I) O
},emplo 84
El lector podr demostrar, al realizar el trabajo prctico, que todo endomorfismo en V,
donde V es un espacio vectorial de dimensin finita y mayor o igual que 1 sobre el
cuerpo de ios complejos, admite un vector propio.
Pero si el cuerpo no es e, entonces pueden no existir vectores propios. En efecto, sea
(R
2
, +, R, .) Y sea
[: R
2
-+ R
2
tal que
[(x" X2) (x, cos e -X2 sen e, x, sen e +X2 cos e)
Si existiera (x" X2) R
2
, (x " X2) #- (O, O), tal que para algn A R
[(x" X2) = A(X" X2),
entonces
o sea

X, cos () - X2 sen () AX,

x, sen e +X2 cos AX2
J (A - cos e) x, + X 2 sen () O
\ - x, sen e + (A - cos e) X2 = O
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

268
VALORES Y VECTORES PROPIOS. DIAGONALIZACION
Si el sistema admite soluciones no triviales debe ser
Luego
Si O 60
0
, entonces
l
A-cosO
-sen O
sen O I
A - cos O
(A - COS 0)2 + sen
2
O O
A
2
_ 2 ACos O + 1 =0
A=cosO.Jcos
2
0-l

2 4
-o
Slo existen vectores propios si O n 11.
Considerando (R
2
, +, C,.) existen valores y vectores propios. El endomorfismo f
representa una rotacin del plano de ngnlo O alrededor' del origen.
8.2.6. Propiedad
Si f: V -+ V es una trasformacin lineal, y si adems existe una base
[v] = { V1, V2, ... , Y
n
} formada por los vectores propios de f correspondientes a los valores
propios Al, . .. , A n , entonces la matriz de f respecto de esta base es la matriz diagonal
(
Al O O )
D= ::. "l
En efecto, la matriz de [ respecto de [v 1 se obtiene determinando las imgenes de los
vectores de dicha base, y teniendo en cuenta la definicin de vector propio es
I
[(vd Al VI Al VI + O V2 + ... + O V
n
.: : : :
[(vn)-XnVn-OVI +OV2 + ... +Xnv
n
En consecuencia, resulta
Al O
O )
O
A2
... O

O O
Xn
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

lse
:es
lal
VECTORES PROPIOS
En este caso diremos que la trasformacin lineal fes diagonali'zable,
Una consecuencia del teorema demostrado es la siguiente:
269
Si dim V = 11 Y f: V -?- V es un endomorfismo que admite n valores propios distintos,
entonces f es diagonalizable.
Esta afinnacin es obvia en virtud del teorema anterior y de 8.2.4.
En trminos de matrices diremos que si A K
nxn
admite n valores propios distintos,
entonces existe P K
nxn
no singular, tal que
p- A P es diagonal
Ejemplo 85
Detenninamos los valores y vectores propios de A, siendo
3 -2)
-1 2
De acuerdo con 8,2,5" consideremos
o sea
Resolvemos respecto de A.
D(A -
1
3 - A
-1
-,2
2-A
I
(3 - Al (2 - Al - 2 = O
A
2
- 5 A+4=0
A=5h/25-16
2 2
os Las races S011:
Para cada A resolvemos el sistema
(A - Al) X = O
1. A =
El sistema es equivalente a
De donde
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

270
VALORES Y VECfORES PROPIOS. DIAGONALIZACION
Luego
XI es un vector propio asociado a Al = 1.
2. A,=4*(=: (::) +2x,=0*
*x,=-2x,*X,=
X
2
es un vector propio asociado a A2 .
Los vectores XI y X
2
son L.!. y forman una base de R
2

A es diagonalizable, y su forma diagonal es

Si P es la matriz cuyas culumnas son los ycc'tores propios, entonces es
p-' A P =D
8.3. POLINOMIO CARACTERISTICO DE UNA MATRIZ
8.3.1. Nota sobre polinomios
Sea K [Xl el anillo de polinomios del cuerpo K (vase captulo 12 de Algebra J. del mismo
autor).
Si P K [Xl, escribimos
donde a; K ya" *0, o seag P=n.
Dada la matriz cuadrada A, definimos
n
P(A)= L aA;
i=O I
Haciendo A o = 1, se tiene
P(A)=a" A
n
+a..-, A"-' + ... +a, A +ao 1
La matriz P (A) es la especializacin de X por A.
Eiemplo 86
En R [Xl consideremos
p (X) = 2 X
2
.- X - 1
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

y sea
Entonces
Se verifica que
POLINOMIO CARACfERISTICO
P (A) 2 A
2
- A - I
-
1)+(1 -1)+(-1
O 4 O --2 0-1
2)+(0 1)
O 8 O -3 O 5
l. (P + Q) (A) P (A) + Q (A)
2. (P . Q) (A) = P (A) . Q (A)
3. (" P) (A) P (A)
Si al J 0:2, .. 'J o.:n son elementos de K y
P (X) = (X - ,,) (X - "2) ... (X - "n)'
entonces es
P (A) = (A - ", I)(A - "2 I) . " (A - "n I)
Ejemplo 8-7
271
Si A K
nxn
, entonces existe un polinomio no nulo P K [Xl tal que P (A) = N, donde
N denota la matriz nula del tipo n X n.
En efecto, la dimensin de (K
nxn
, +, K,.) es n
2
. Esto significa que las matrices
1, A, A
2
... , A
m
son linealmente dependientes si m > n
2
.
En consecuencia, existen escalares al, a2, ... , a
m
, no todos nulos, tales que
a
m
A
rn
+a
m
-l A
m
-
t
+ ... +a1 A+ao 1;::::: N
o sea, existe
X
m
+a
m
-, X
m
-, + ... +a, X+ao
en K [Xl, que satisface
P(A)=N
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

272
VALORES Y VECfORES PROPIOS. DIAGONALIZACION
8.3.2. Polinomio caracterstico
Definicin
Polinomio caracterstico de una matriz A K
nxn
es el determinante de la matriz
Al-A. 8.
o sea
Desarrollando por los elementos de la primera columna y reiterando el procedimiento en
los sucesivos cofactores, se obtiene una suma del tipo
(A- a11)'" (A- o"n) + ...
donde los trminos, a partir del primero, son de grado menor que n.
Resulta
P(A)=A
n
+C,..1 A
n
-
1
+ ... +Cl A+Co
Ejemplo 88
Determinamos el polinomio caracterstico de A, siendo
A= C ~ j j)
P(A)=D(Al-A)=
A+ 1 -2
- 2 A- 2
3 6
-2
-2
A+6
I
A-2 -21 1-
2
-
2
= (A + 1) 6 A + 6 + 2 6 A + 6
=(A+ I)(A
2
+ ) + 2 (- lA) + 3. lA
= A' + 5 A
2
+ 4 A- 4 A + 6 A= A' + 5 A2 + 6 A
Una raz es Al = O. Las otras dos 10 son de
o sea
A
2
+ 5 A+ 6
A= -5 1
2
-2
A -- 2
-2
-2
ca
de
C
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

POLINOMIO CARACTERISTICO
273
Resulta
AZ =-3
8.3.3. Propiedad
El escalar A es un valor propio de A K
nxn
si y slo si A es raz del polinomio
caracterstico de A.
1. Sea A un valor propio de A. Entonces, de acuerdo con 8.2.5., A - A I es singular, y por
consiguiente tambin lo es Al _ .. A, o sea, D (Al - A) = O.
En consecuencia, A es una raz del polinomio caracterstico.
2. Supongamos que A sea una raz del polinomio caracterstico de A. Entonces es
D(AI -A)=O
O sea, Al - A Y A - Al son singulares. Esto significa que A es un valor propio de A,
por 8.2.5.
Usualmente, la detenninacin de los valores propios de una matriz, es decir, de las races
de su polinomio caracterstico, no es simple. Los mtodos adecuados a este fin son temas de
Clculo Numrico, que no trataremos en este texto.
Ejemplo 89
Detenninamos los valores y vectores propios de A e
2
X2, siendo
A= ( _ ~ ~ )
El polinomio caracterstico es
P(A)=D (Al -A)=
I
A-2 -21
2 A- 2
P (A) = O '* (A .. 2)2 + 4 = O '* A"- 2 = 2i'* A = 2 2i
Los valores propios de A son
Al = 2 + 2i Ao = 2 - 2i
Para determinar un vector propio asociado a A resolvemos el sistema lineal
(Al -A)X=O
En efecto, si X es un vector propio asociado a A, por 8.2.3. se tiene
AX=AX
De donde
AX-AX=Q
O sea
AIX-AX=O
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

274
VALORES Y VECTORES PROPIOS. D1AGONALIZACION.
Por distributividad es
(Al - A)X= O
(
2i
1. A, = 2 + 2i => 2
- 2)
2i
( ::)
= (O) => 2ix, -2X2 =0
O 2x,+2IX2=0
::=?x2=ix
1
Un vector propio es X, = ( :).
2. A2 = 2 _ 2i => (- 2i -2)
2 -21
Un vector propio asociado a A2 es
(
1 i)
Si P :;;:: i 1 ' entonces es
(
2 + 2i
P-' AP= O
La matriz A ha sido diagonalizada.
Ejemplo 8JO
8
rr
Il
T,
D
Probaremos ahora que los valores propios de toda matriz involutiva son 1 0-1.
Sea A K'lxn, tal que A
2
:::: 1. no
Si X E K
II
X 1 es un vector propio asociado al valor propio A, entonces
AX=AX (l)
Premultiplicando por A
Como A
2
= 1, se tiene
IX=AAX
o sea
X=AAX (2)
De (l) y (2) se deduce
X=AAX
Es decir
8.3
poli
poli
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

POLINIMIO CARACfERISTlCO
275
como X '" 0, resulta 1 - '/,,,2 0, y en consecuencia A 1.
Con procedimiento anlogo el lector podr comprobar que los valores propios de toda
matriz idempotente son O o 1, es decir
A
2
1
8.3.4. Propiedad
Dos matrices semejantes tienen el mismo polinomio caracterstico, y en consecuencia los
mismos valores propios.
Iliptesis) A B en K
nxn
Tesis) D (Al - D (Al - B)
Demostracin)
Entonces es
A B => 3 P no singular / B p- A P Por 4.19.5.
D (A I - B) D (AP- I P - p- A P)
D [P- (Al - A) P] D (P-) D (A I - A) D (P)
D cr-) D (P) D (A I - A) D (P- P) D (A I - A)
D (1) D (A I - A) = 1 . D (A I - A) D (A I - A)
La recproca no es cierta, ya que dos matrices pueden tener los mismos valores propios y
no ser semejantes.
Un contraejemplo se presenta considerando las matrices

8.3.S. Polinomio caracterstico de una trasformacin lineal
Sea f: V -+ V una trasformacin lineal y sea [v] ( VI, V2," " V
n
I una base de V.
Entoncesfest caracterizada por una matriz A K
nxn
respecto de [v].
Si [v'] == I v' 1. V'2, ... , V n JI es otra base de V, entonces existe una matriz no singular
P K
nxn
tal que la matriz de f. respecto de la base [v'], verifica
B =P- A P
Las matrices A y B admiten el mismo polinomio caracterstico, de acuerdo con 8.3.4. El
polinomio caracterstico de cualquiera de las matrices que caracterizan a f se llama
polinomio caracterstico de la trasformacin lineal.
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

276 V AWRES y VECTORES PROPIOS. DIAGONALIZACION.
8.4. D1AGONALlZACION DE MATRICES
8.4.1. Defucin
Una matriz A K
nxn
es diagonalizable si y slo si es semejante a una matriz d i a g o n ~
O sea
A K
nxn
es diagonalizable * ~ P no singular / P-' A P;D
donde D es diagonal.
8.4.2. Propiedad
Si A Knxn es diagonalizable, entonces su forma diagonal es D ;(A 8,), donde A, COl
i = 1, 2, ... , n son los valores propios de A.
En efecto:
A es diagonalizable => A ~ D => D (A 1 - D) ;
"
;7r (A-d)
i=l I
El polinomio caracterstico de A es
A- d,
o
o
P (A); (A- d,)(A- d,) ... (A- d,,)
o
A- d,
o
o
o
En consecuencia, los elementos de la matriz diagonal son los valores propios de A.
8.4.2. Propiedad
e
8;
Una matriz A K"xn es
linealmente independientes.
eje
diagonalizable si y slo si A admite n vectores propi
ind
l. Sea A diagonalizable.
A es diagonalizable => A ~ D => ~ P no singular / P-' A p; D => A p; P D (1)
Particionando P en vectores columna, o sea
P;(X X, ... X,,),
es
dia
lo I
hOJ
11
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

DIAGONALlZACION
Adems
X
2
.. AX, ... AXnJ (3)
De (1). (2), Y (3) resulta
A X, A Xi i 1,2, ... , n
277
Luego las columnas de P son n vectores propios de A, y como P es no singular. tales
columnas son L.!.
En consecuencia, A admite n vectores propios LJ.
2. A admite n vectores propios L.!.
Sean tales vectores propios: Xl, X
2
. ' . " X
n
.
Por defmicin es
1,2, .. . ,n
Sean
P (X, X, ... X
n
) y D (A 5ij)
Se tiene
AX, ... X, x, X, ...
(X, X, ... Xn)(A 50) P D
Corno P es no singular resulta

o sea, A es diagonalizable.
8.4,3, Races del polinomio caracterstico y diagonalizacin
De acuerdo con 8.2.4., si los valores propios del polinomio caracterstico de A K
nxn
son
elementos distintos de K, entonces los vectores propios asociados son linealmente
independientes, y, por 8.4.2,2., A es diagonalizable.
En general, si el polinomio caracterstico de A tiene races mltiples, la matriz no es
diagonalizable. Para que lo sea, debe cumplirse la condicin suficiente demostrada en 8.4.2.,
lo que significa que a toda raz mltiple de orden p debe corresponderle un sistema lineal y
homogneo cuyo espacio solucin tenga dimensin p.
Ejemplo 8-11
La matriz
no es diagonazable.
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

278
VALORES Y VECTORI'S PROI'IOS. DIAGONALlZACION.
Detenninamos los valores propios
A I I O
P(A)= D (Al A) = O A- I -1
O O A-
=(A 1)3""A=A2=A3=1.
Los vectores propios asociados a esta raz triple satisfacen a
(Al _. A) X= O
o sea
Luego

OX-X2 +OX3=O
OX+OX2- X,=O
El rango de la matriz de coeficiente es 2, y en consecuencia es
dimS=3 -2= 1
=
o sea, hay un solo vector propio linealmente independiente de la matriz A.
Por consiguiente, A no es diagonalizable.
Ejemplo 8-12
La matriz
(
-3
A= i
O .-4)
1 4
O 3
es diagonalizable y sus valores propios no son todos distintos.
En efecto:
I
A+3
= (A - 1)
-2
A+3 O
-4 A- 1
-2 O
4
-A
A- 3
41=(A-l)(10-.I)'*
A-3
I e
I 11
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

TRIANGUALCION
La matriz del sistema tiene rango 1) o sea
dimS=3-1=2
279
A i\3 = 1 le corresponde un vector propio Iinc<llmentc independiente. Luego A es
diagonalizable Y su forma diagonal es

O O -1
8.5. TRIANGULACION DE ENDOMORFISMOS y DE MATRICES
Hemos visto que no siempre es posible diagonalizar una trasformacin lineal o una matriz
cuadrada. Cabe preguntarse si es posible determinar una base tal que, respecto de ella, la
matriz de una trasformacin lineal de un espacio de dimensin fmita en s mismo sea
triangular. La respuesta es afirmativa si el cuerpo es el de los nmeros complejos.
Consideremos un endomorfismo
f: V-+V
donde dimK V = n ;;. 1.
En lo que sigue, introduciremos el vocablo lan, cuya traduccin es abanico, para denotar
una familia de subespacios de V que satisface ciertas condiciones.
8.5.1. Conoepto
Un fan de f en V es una nupla de subespacios de V: S, , S2, ... , Sn, tales que
) Son crecientes en el sentido de inclusin:
S, eS
2
es, e ... eS
n
Vi=1,2, ... ,n
ili) Son invariantes, o sea
xeS,=>f(x)eS, Vi= 1, 2, .. . ,n
Esta condicin equivale a
f (S,) e S, Vi = 1, 2, ... , n
Es obvio que Sn = V.
Definicin
Si I S"S2"",Sn/ esunfandefenV,entonceslafamilia[v]=lv"v2""'vn /
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

280 VALORES Y VECTORES PROPIOS. DIAGONALlZACION
es una base fan de V si y slo si 1 VI, V2, ... , Vi I es una base de Si para todo
i = 1,2, ... , n.
El teorema de extensin 2.6.3. nos permite afirmar que existe una base fan.
8.S.2.Propiedad
Si [v] es una base fan de V, entonces la matriz asociada a todo endomorfismof: V...,. V e,
triangular superior.
Sabemos que para obtener la matriz de f respecto de una base, hay que determinar lal
imgenes de los vectores de la misma y expresarlos como combinaciones lineales de tale
j
t
l
vectores. Teniendo en cuenta adems la defmicin de subespacio invariante, resulta l
v, eS, =>f(v,) eS, =>f(v,)=al1 v,
v
2
eS2 =>f(v
2
) eS2 =>f(v
2
)=a12 v, +a22 v
2
v
n
e Sn => f(v
n
) e Sn => f(v
n
) = a, n v, + a2n V
2
+ ... + a
nn
v
n
Por consiguiente, la matriz de f respecto de la base fan es
(
a ~ ::: ~ : : :::
A= .. .
.. .
.. .
O O a
nn
Si f : V"'" V es una trasformacin lineal y si existe una base respecto de la cual la matrJ
de f es triangular, entonces diremos que fes triangulable. I
En trminos de matrices, diremos que A e K
nxn
es triangulable si y slo si exist
l
Pe K
nxn
no singular, tal que 1'" A P es triangular. Demostraremos que toda matriz pued
l
ser triangulada sobre el cuerpo C. t
U . 3 . ~ ~ W 1
Si V es un espacio vectorial de dimensin finita mayor o igual que 1, sobre el cuerpo d
los complejos, y si f: V"'" V es una trasformacin lineal, entonces existe un fan de f en v.1
Demostramos esta afirmacin inductivamente. . I
1. Si dim V = 1, entonces nada hay que probar.
2. Supongamos que la propiedad es vlida si dhn V = n-l. Demostraremos que lo es I
dim V=n. !
Sea v, un vector propio de f, el cual existe de acuerdo con el ejercicio 846, y sea s'l'
sub espacio generado por v,. Resulta dim S, = 1.
Siendo 8
1
un subespacio de V, existe un subespacio W cuya suma directa con SI esj
(ejercicio 7-40), o sea I
V=S,ffJW
i
i
,1
q
p
j
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

r
TRIANGULACION
28!
Consideremos las proyecciones Pt Y P2 de V sobre SI y W, respectivamente.
La composicin P2 o f es una trasfonnacin lineal de V en V tal que si x W, entonces
[(x) e W. Restringiendo el dominio a W, podemos considerar a p, o [ como una
trasformacin lineal de W en W. De acuerdo con la hiptesis inductiva, existe un fan de
p, o [en W. Sea ste
(W" W" ... , W
n
_,)
Consideremos ahora los subespacios
parai:;:::2,3, .. . ,n .. _. .
Se verifica que dlffi Si;:;; l, ya que SI {W 1, W2, .. " W n-l} es una base de W, entonces
{Vt,Wl! .. qWj-l) esunabasedeSj)i;;;2,3, ... ,n.
Adems, Si e SH 1 para todo i;:;; 1,2, .. " n.
Para demostrar que I SI, S2, ... , Sn J es un fan de f en V, es suficiente probar que
f(V;) e V;.
Observarnos que
[=iyo[=(p, +p,)[=p, o[+p, o[ (1)
puesp, +p, =iy (ver346)
Sea x un vector cualquiera de Si :
x eS=?x =avl + w, donde a eCy w eW
Teniendo en cuenta (i) es
[(x) = (p, o [+ p, o 1) (x) = (p, o 1) (x) + (p, o 1) (x) (2)
Ahora bien
Por otra parte
(p, o1)(x)=p, [f(x)] eS" y en consecuencia
(p, o 1) (x) e S; (3)
(p, o1)(x)=(P, o [)(av,) +(p, o 1)(w;) =a p, (f(V)) + (p, 01) (w;) ~
= a p, (A, v) + (p, 01) (w;) = a A, p, (v,) + (p, o j) (w,) = O + (p, 01) (w;) =
= (p, o j) (w)
de acuerdo con la descomposicin de x,)a definicin de trasformacin lineal, y considerando
que v, es un vector propio de f. Por la hiptesis inductiva se sabe que (p, 01) (W,) e W" y
por consiguiente
(p, o 1) (x) = (p, 01) (w,) W,
o sea
(p,01)(x)S, (4)
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

282
VALORES Y VECTORES PROPIOS. DIAGONALIZACION.
Considerando (2), (3) Y (4) resulta
f(X)ESi
Es decir
X E Si => f (x) E Si
Luego I S .. S2,"" Sn I es un fan defen V.
Son consecuencias inmediatas de este teorema de existencia y de 8.5.2., las siguientes:
1. Si dime V = n > 1 Y f: V .... V es una trasfonnacin lineal, entonces existe una base de
V tal que la matriz de f respecto de dicha base es triangular superior.
n. Si A E C
nxn
, entonces existe PE C
nxn
, no singular, tal que P-' A P es triangular
superior.
8.6. TEOREMA DE HAMILTON-CAYLEY
El teorema de HamiltonCayley, fundamental en la teora de la resolucin de ecuaciones
matriciales, afirma que toda matriz cuadrada es raz de su polinomio caracterstico, esto es,
si P (A) es el polinomio caracterstico de A E K
nxn
, entonces P (A) = N.
Desarrollaremos primero una demostracin en el caso particular que se presenta si la
matriz A, del tipo nxn, admite n vectores propios.
Para esto utilizaremos la siguiente propiedad que se propone como ejercicio del trabajo
prctico: si Xi es un vector propio de la matriz A, asociado al valor propio A, entonces XI es
un vector propio de la matriz A n , correspondiente al valor propio Xii.
Consideremos el polinomio caracterstico de A
P (A) = A
n
+ C
n
-. A
n
-' + ... + c. A + ca
Entonces
P (A) = A
n
+ C
n
-, An-' + ... + c. A + Co 1
Multiplicando a derecha por el vector propio Xi asociado al valor propio A, y teniendo en
cuenta la propiedad mencionada, es
P (A)X
i
= A
n
Xi +C
n
-, A
n
-' Xi + ... +c, AX
i
+ Co Xi =
= A? Xi + c
n
_, Ar-' Xi + ... + c. A Xi + Co Xi =
= (A7 + C
n
_. Ar-' + ... + c, A + Col Xi =
=OXi=O lti=I,2, ... ,n (1)
Sea P = (X. X
2
... X
n
) la matriz cuyas columnas son los vectores propios de A.
Considerando (1), se tiene
P(A).P= (P(A)X. P(A)X
2
... P(A)X
n
) =N
y como P es no singular, resulta
P (A) . P . P-' = N . p-.
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

TEOREMA DE HAMILTON - CAYLEY
o sea
Ejemplo 813
Utilizando el teorema de HamiltonCayley. detenninamos la inversa de la matriz A del
ejemplo 85.
A;( 3 -2)
-1 2
El polinomio caracterstico de A, es
Entonces es
o sea
P(A);'? - 5 A+ 4
P(A);A
2
-5A+4I;N
1; _.!.(A
2
- 5 A)
4
En consecuencia, multiplicando por A -1
Como
Resulta
A- ;_.!. (A - 5 1)
4
(
-2 -2)
A--5I;
-1 -3
1
-
2 2
A- ;
3
4
4
283
Demostraremos ahora que toda matriz A C
nxlI
satisface a su polinomio caracterstico, o
sea
A E C
nx
" '* P (A) N
En efecto, sea el polinomio caracterstico de A:
(1)
Sabemos que el producto de toda matriz cuadrada por su adjunta es igual al determinante
de aquella por la matriz identidad (5.8.3.). Entonces
(A 1 - A) Adj (A 1 - A) J) (A l - A) . 1
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

284
VAWRES y VECTORES PROPIOS. DIAGONALIZACION.
Teniendo en cuenta (1) es
(A 1- A) Adj(A 1- A) = P (A) . l (2)
Los elementos de Adj (A 1- A), por ser los cofaclores de (A 1- A), son polinomios de
grado menor o igual que n - 1, Y en consecuencia
Adj (A 1 - A) = A
n
-
I
/i.n-I + A
n
-
z
An-z + ... + Al /i. + Ao (3)
De (2) y (3) resulta
o sea
A
n
-
I
A
n
+ (A
n
-
z
- A A
n
_
l
) A
n
-
I
+ (A
n
-
3
- A A
n
-
z
) A
n
-
z
+ ... +
+ (A
o
- A A) A - A Ao = A
n
[ + c
n
-
I
/i."-I [ + ... + CI Al + Co [
An_1 = l
A
n
-
2
- A A
n
-
1
= Cn-l 1
A
n
-
3
- A A
n
-
2
= C
n
-2 1
Ao - A Al =CI [
- A Ao = Co l
Luego de premultiplicar por A
n
, A
n
-, .. "A e I, respectivamente, se tiene
A
n
An_l =A
n
A
n
-
1
An_2 - A
n
An_l =c
n
_
1
A
n
-
1
A n-2 A
n
-
3
- A -1 An_l = Cn_l A -2
A Ao _. A
Z
Al = CI A
-- A Ao = Co l
Sumando, despus de reducir, es
N=An+cn_IAn-I+, .. +CIA+col
o sea
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

TRABAJO PRACTICO VIII
8 ~ 1 4 . Detenninar los valores y vectores propios de las siguientes trasfonnaciones Jineales:
1. f: R' -+R' definidaporf(x,x,)=(4x +3x,,3x -4x,)
2. f: R' -+R' talquef(x,y,z)= (2y-z,2x-z,2x-y)
8.15. Obtener los valores y vectores propios, si existen, de las matrices siguientes con
elementos en R:
(
10 O 2)
O 6 O
2 O 7
8.16. Demostrar que si X es un valor propio de A K
nxn
y sta es no singular, entonces A es
no nulo.
8 17. Demostrar que si A es un valor propio de la matriz no singular A, entonces A- es un
valor propio de A -1
8-18. Demostrar que si Xi es un vector propio de la matriz A asociado al valor propio A.
entonces Xi es un vector propio de A n correspondiente al valor propio Af .
819. Demostrar que si XI es un vector propio de la matriz A, correspondiente al valor
propio Al, entonces y::::: S- XI es un vector propio de la matriz S-l A S, asociado a
A.
820. Detenninar el polinomio caracterstico, los valores y vectores propios de cada una de
las siguientes matrices complejas:
A = ( O -;)
-2; -2
B=
(
0100)
O O 1 O
O O O 1
1 O O O.
8-21. Demostrar que si P CA.) es el polinomio caracterstico de la matriz A c
nxn
entonces
c
n
-
l
es el opuesto de la suma de los valores propios y el tnnino independiente es igual
al producto de (-1)" Y el producto de los valores propios.
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

286
VALORES Y VECTORES PROPIOS. DIAGONALIZACION.
I
&22. Demostrar que si A E C
nXH
, entonces la traza de A es igual a la suma de los valores I
propios y el determinante de A es igual al producto de los valores propios.
8-23. Demostrar que los valores propios de toda matriz idempotente son O 1.
8
w
24. Demostrar que dos matrices traspuestas tienen el mismo polinomio caracterstico.
8-25. Investigar si la siguiente matriz es diagonalizable
A ~
O
8-26. Sea una matriz A e C
nxn
tal que Ah ~ 1. Demostrar que si A es un valor propio de A, '
entonces Ah ~ 1.
8-27. Demostrar que los valores propios de una matriz triangular son los elementos de la
diagonal.
8-28. Por definicin, una matriz cuadrada A es nilpotente si y slo si existe un entero
positivo k, tal que A h ~ N. Demostrar que los valores propios de toda matriz
nilpotente son nulos.
8-29. Demostrar las siguientes propiedades:
1. Dos matrices semejantes tienen sus trazas iguales.
2. Si k es un entero positivo, entonces Ir Ah ~ ~ }.!.
,
3. La traza de toda matriz idempotente es igual a su rango.
4. La traza de una suma es igual a la suma de las trazas.
5. Las trazas de dos matrices traspuestas son iguales.
6. Las matrices A B Y B A tienen trazas iguales.
7. Ir (ABC) ~ rr (BCA) ~ 11' (CAB)
8. Si P es ortogonal, entonces rr (P' A P) ~ rr A.
8-30. Considerando el producto interior habitual en R' , determinar una base ortonormal de
vectores propios de A, siendo
8-31. Demostrar que si todos los valores propios de una matriz son no nulos, entonces dicha
matriz es no singular.
8-32. Calcular P (A), siendo P (X) ~ X
3
- X + 1 Y
A ~
(
-1
~ )
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

TRABAJO PRACfCO VIII
287
8.33. Demostrar que si A es una matriz simtrica y P R [Xl, entonces P (A) es una matriz
simtrica. .
8-34. Demostrar que si A es hermitiana y P R [Xl, entonces P (A) es hennitiana.
8.35. Sean A y P elementos de K
nxn
, tales que P es no singular. Demostrar que
W A"P
Considerando dos matrices A y B como en el ejercicio anterior, demostrar que si
p K [Xl, entonces
8.37. Verificar que la matriz
(COS'" sen",)
sen", -cos '"
admite un vector propio en R
2
, cualquiera que sea l.{Je R. Probar que existe un vector
X tal que A
8.38. Con relacin al ejercicio anterior, demostrar que si Y es un vector de R' ortogonal a X,
entonces A Y -Y. Interpretar geomtricamente.
839. Demostrar que si P es una matriz ortogonal del tipo 2 X 2 Y D (P) -1, entonces
existe un nmero real p tal que
(
cos '" -sen",)
sen", cos '"
8.40. Sean A un valor propio de A K"xn y fun polinomio de K [Xl. Demostrar quef(A) es
un valor propio def(A).
8.41. Obtener una base fan de los endomorfismos de e
2
caracterizados por las matrices
e :)
e :)
842. Demostrar que si A es un valor propio de A K
nxn
, entonces a + Xes un valor propio
de" I + A , \f" K.
843. Demostrar que una matriz A e
nX
" es singular si y slo si admite algn valor propio
igual a cero.
844. Diagonalizar, si es posible, las matrices

(
11+i)
O' J
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m

288
VALORES Y VECTORES PROPIOS. D1AGONALlZACION.
c\ ~
l
O
-
2
O
2
l
2 2
8-45. Sean A = ( 3
-1
- ~ ) y P(X)=X
2
-1.
Diagonalizar P (A), si es posible.
l
-
2
E R
3x3
2
o
846. Sabiendo que dime V;;' 1 Y que f: V ...,. V es un endomorfismo, demostrar que existe
un vector propio de f.
w
w
w
.
M
a
t
e
m
a
t
i
c
a
1
.
c
o
m