1

Diagonalizacin de matrices La utilidad de la diagonalizacin de matrices se observa en: Formas cuadrticas Sistemas dinmicos lineales Anlisis multivariado En trminos generales consiste en obtener una matriz diagonal, D, a partir de una matriz A, de tal manera que D conserve las propiedades de A. La matriz D se obtiene a partir del estudio de los valores y vectores propios. Existen matrices que no pueden ser reducidas a una forma diagonal pero s a otros tipos como son las matrices triangulares y las formas cannicas de Jordan. Los temas que a partir de ac vamos a desarrollar son: Valores y vectores propios Diagonalizacin de matrices Diagonalizacin de matrices simtricas Matrices triangulares Formas cannicas de Jordan Valores y vectores propios Vamos a recordar primero algunos conceptos Espacio vectorial: Un conjunto V, no vaco, tiene estructura de espacio vectorial sobre un cuerpo K (cuerpo de escalares) y lo denotamos por V(K) si se han definido dos leyes de composicin: a) Ley de composicin interna (simbolizada por +) + : VxV V tal que para cada par de elementos ( x, y ) VxV le hacemos corresponder un elemento de V que escribiremos x + y y sobre el que se verifican la: Propiedad Asociativa: ( x + y ) + z = x + ( y + z ) x, y, z V Existencia de Elemento Neutro: 0V V / x + 0V = x x V Existencia de Elemento Simtrico: x V , ( x) / x + ( x) = 0V Propiedad Conmutativa: x + y = y + x x, y V Con estas cuatro propiedades el conjunto V con la Ley de composicin + (V ,+) posee estructura de grupo conmutativo.

b) Ley de composicin externa (simbolizada por ) : KxV V tal que para cada par ( , x) , ( K ) , ( x V ) le hacemos corresponder un elemento de V que escribiremos x verificando las siguientes propiedades Seudo asociativas: , K , x V ( x) = ( ) x Distributiva respecto de escalares: , K , x V ( + ) x = x + x Distributiva de vectores: K , x, y V ( x + y ) = x + y Elemento neutro: x V 1x = x En general todo elemento de un espacio vectorial se denomina vector. El espacio vectorial ms utilizado es el de n . Sea el cuerpo de nmeros reales. El producto cartesiano de xxx L x (n veces) origina n . Un elemento de este conjunto ser x = ( x1 , x 2 ,L, x n ) n donde xi n .
n tiene estructura de espacio vectorial si se cumplen:

a) La ley de composicin interna + : x , ( x, y ) x + y

n n n

b) La ley de composicin externa : n x n n , x n = ( x1 , x 2 ,L, x n ) = (x1 + x 2 + L + x n ) n

Sea un espacio vectorial V(K) de dimensin finita. Sea f un endomorfismo1 sobre V(K)
f : V (K ) V (K )

Diremos que el escalar K es un valor propio o autovalor del endomorfismo f, si existe al menos un vector v V ( K ) , v 0 tal que:
fv = v

1 2

Si denotamos al endomorfismo f por la matriz A, 1 es

Av = v

Los vectores v que verifican 1 o 2 se llaman autovectores o vectores propios asociados a La expresin 2 se puede expresar

[A I ]v = 0
Det[ A I ] = 0

3 4

3 es un sistema homogneo, para que tenga solucin debemos desarrollar el Al desarrollar el determinante en 4 obtendremos un polinomio caracterstico
p( ) = n + a n 1 n 1 + L + a1 + a 0

igualando a cero el polinomio tendremos la ecuacin caracterstica

n + a n 1n 1 + L + a1 + a0 = 0
1

Aplicacin lineal del espacio vectorial en s mismo

La solucin de la ecuacin caracterstica permite encontrar los valores de que hacen que p( ) = 0 . Estos valores de son los valores propios que, sustituidos en 3, permiten hallar los vectores propios. El polinomio p( ) tendr n races (reales o imaginarias) y, por tanto, n valores propios con lo cual el nmero de autovalores coincide con el orden de la matriz. Ejemplo Determinar los valores y vectores propios asociados a la matriz A
6 10 28 A= 4 2 3 1 2 7

Debemos hallar el Det[ A I ] que dar origen al p( ) , a partir del que hallamos las races caractersticas de las cuales los autovalores que permitirn hallar los autovectores
p( ) = ( + a)( + b) L ( + k ) = a, = b,L = k v a , vb ,L v k

6 10 28 0 0 6 A I = 4 2 3 0 0 = 2 7 2 1 0 0 1

10 3 2

28 4 7

Det [ A I ] = (6 )(3 )(7 ) + 40 + 112 [ 28(3 ) 20( 7 ) + 8(6 )] = ( 18 + 3 6 + 2 )(7 ) + 152 [84 + 28 + 140 + 20 + 48 8 ]
= 126 + 21 72 + 18 + 32 3 + 152 40 272

Det [ A I ] = 3 42 + 6 polinomio caracterstico de la matriz A

Igualando a cero el polinomio tenemos la ecuacin caracterstica

3 42 + 6 = 0

multiplicando por 1: para hallar la solucin de esta ecuacin debo factorizar de modo que

3 + 42 + 6 = 0
( 1)

3 42 + 6 = ( 1)( + 2)( + 3)

=1 siendo ( + 2) races caractersticas de la matriz A y = 2 los valores propios de A. ( + 3) = 3

El orden de la matriz es 3, el nmero de autovalores es 3. Cmo hallar los vectores propios? Debe sustituirse cada valor propio hallado en el sistema 3. Recordemos que 3 era [A I ]v = 0

6 2 1

10 3 2

28 v1 0 4 x v 2 = 0 7 v3 0

Para = 1
10 28 v1 0 6 1 2 3 1 4 x v 2 = 0 2 7 1 1 v3 0

De aqu obtenemos un sistema de 3 ecuaciones con 3 incgnitas

5v1 + 10v 2 28v3 = 0 2v1 4v 2 + 4v3 = 0
v1 + 2v 2 8v3 = 0

(5)

De la segunda ecuacin obtengo v1 = 2v2 + 2v3 (6) Reemplazo en la tercera

2v 2 + 2v3 + 2v 2 8v3 = 0 6v3 = 0 v3 = 0

Reemplazo este ltimo resultado en 6.

v1 = 2v 2

v1 2 El espacio solucin de este sistema ser v I = v 2 = 1 v3 0

Para comprobar si estos son los valores del vector propio deben reemplazar los mismos en el sistema (5). Si se cumple que todas las ecuaciones se anulan al reemplazar los valores de 2, 1 y 0 entonces este es el vector propio que surge del autovalor 1 y ser el primer autovector2. Para = 2
10 28 v1 0 6 + 2 2 3+ 2 4 x v 2 = 0 2 7 + 2 1 v3 0

De aqu obtenemos un sistema de 3 ecuaciones con 3 incgnitas

Recuerden que autovalor, valor propio y valor caracterstico son sinnimos. De igual manera lo son autovector, vector propio y vector caracterstico.

8v1 + 10v 2 28v3 = 0 2v1 v 2 + 4v3 = 0

v1 + 2v 2 5v3 = 0

(8)

De la tercera ecuacin obtengo v1 = 2v2 + 5v3 (9) Reemplazo en la segunda

2( 2v 2 + 5v3 ) v 2 + 4v3 = 0 4v 2 10v3 v 2 + 4v3 = 0 3v 2 6v3 = 0 v 2 = 2v3 (10)

Reemplazando (10) en (9)

v1 = 2(2v3 ) + 5v3 v1 = 4v3 + 5v3 v1 = v3 (11)

v1 1 El espacio solucin de este sistema ser v II = v 2 = 2 v3 1

Para = 3
10 28 v1 0 6 + 3 2 3+3 4 x v 2 = 0 2 7 + 3 1 v3 0

De aqu obtenemos un sistema de 3 ecuaciones con 3 incgnitas

9v1 + 10v 2 28v3 = 0 2v1 + 0v 2 + 4v3 = 0
v1 + 2v 2 4v3 = 0

(12)

De la segunda ecuacin obtengo v1 = 2v3 (13) Reemplazo en la tercera

2v3 + 2v 2 4v3 = 0 2v 2 2v3 = 0 v 2 = v3

(14)

con los resultados de 13 y 14 se construye el tercer vector propio

v1 2 El espacio solucin de este sistema ser v III = v 2 = 1 v3 1

Observen que los valores de los vectores propios reemplazados en el sistema que les dio origen, verifican las ecuaciones que componen el mismo.
v1 2 v1 1 v1 2 En resumen, los vectores propios son v I = v2 = 1 , v II = v2 = 2 , v III = v 2 = 1 v3 v3 v3 0 1 1

Surgidos de los valores propios = 1, = 2, = 3 pertenecientes a la matriz

6 10 28 A= 4 2 3 2 7 1

Condicin necesaria y suficiente para la diagonalizacin Dado un endomorfismo f sobre V (espacio vectorial de dimensin n), si la matriz que lo representa en una cierta base diagonal, los valores propios son los elementos de su diagonal principal y dicha base est formada por los vectores propios del endomorfismo. La condicin necesaria y suficiente para que una matriz cuadrada sea diagonalizable es que exista una base del espacio vectorial formada por vectores propios del endomorfismo asociado a la matriz dada. Dado un endomorfismo de V, con una matriz asociada A hemos de encontrar a) Valores propios de A b) Vectores propios asociados a los valores propios Para determinar los autovalores de A hemos de calcular las races de la ecuacin Det [ A I ] = 0 Pueden ocurrir dos casos 1) Valores propios con orden de multiplicidad3 1. Todos los valores propios son distintos 1 2 3 L n . De este modo los subespacios de vectores asociados a cada valor propio i son de dimensin 1 y dado que los vectores propios v1 , v2 , v3 ,L vn son independientes formarn una base con lo que la matriz A es diagonalizable.
3

Orden de multiplicidad es la cantidad de veces que el valor de un valor propio se repite.

En conclusin: Si las races caractersticas de una matriz A son todas distintas, existe una matriz regular P tal que P 1 AP es una matriz diagonal D formada por los valores propios de A 2) Valores propios por orden de multiplicidad mayor que 1. Sean los valores propios del endomorfismo f sobre un espacio vectorial V(C) de cuerpo C representado por la matriz A en la base B 1 con orden de multiplicidad r1
2 con orden de multiplicidad r2
M con orden de multiplicidad M

p con orden de multiplicidad rp

donde

r = n
i i =1

(15)

Las dimensiones de los subespacios asociados a cada valor propio (denominado d j ) (16) verifican que 1 d i ri Necesitamos que exista una base formada por vectores propios, para lo cual, y debido a 15 y 16, la condicin necesaria y suficiente para que exista es que
d i = ri i = 1,2,L, p

(17)

es decir, la dimensin del subespacio debe coincidir con el orden de multiplicidad del valor propio. Pero los vectores propios asociados al autovalor A son los que verifican el sistema: [ A I ]v = 0 (18) y es evidente que para que la dimensin del subespacio asociado de vectores propios sea ri , han de existir ri parmetros (incgnitas secundarias) en el sistema 18 con lo que
Rango[ A I ] = n ri

(19)

por lo que concluimos que: La condicin necesaria y suficiente para que una matriz A sea diagonalizable, es que para cada valor propio i de orden de multiplicidad ri se verifica que Rango[ A I ] = n ri i = 1,2,L p (20) Por ejemplo, la matriz
0 1 1 M = 2 1 1 tiene autovalores = 1, = 2, = 2 . El orden de multiplicidad para el 2 2 2 autovalor = 1 es 1. Mientras que, el orden de multiplicidad para el autovalor = 2 es 2

porque existen dos autovalores de igual valor. Veamos que pasa con el Rango[M I ] para = 1 y = 2 .

1 1 1 Si = 1 M I = 2 2 1 donde el rango es 2 porque 2 2 3

1 1 2 = (1) 2 , es decir, 2 2

dos columnas de la matriz son linealmente dependientes. El orden de la matriz (n) n=3 (porque es una matriz de 3x3) El orden de multiplicidad en = 1 (r) r=1 (porque no hay otro autovalor igual a 1) Entonces n-r=3-1=2 Concluimos que Rango[ A I ] = n ri 2=2 (21)

2 1 1 Si = 2 M I = 2 1 1 donde el rango es 2 porque la primera y segunda fila de 2 2 0

la matriz son iguales, con lo cual son linealmente dependientes. El orden de la matriz (n) n=3 (porque es una matriz de 3x3) El orden de multiplicidad en = 2 (r) r=2 (porque hay otro autovalor igual a 2) Entonces n-r=3-2=1 Concluimos que la igualdad Rango[ A I ] = n ri no se cumple porque 21 (22) Este ltimo resultado indica que M no es diagonalizable porque los vectores propios no son Linealmente Independientes. Porque al ser 2 = 3 = 2 v 2 = v3 , es decir, linealmente dependientes, por lo tanto no se cumple que v1 v2 v3 L v p Si repetimos el procedimiento adoptado para la matriz M en la matriz A, definida al comienzo, veremos que llegamos a la conclusin de que es diagonalizable porque tiene valores propios distintos entre s que dan origen a vectores propios linealmente independientes. Diagonalizacin de una matriz Dada una matriz A diremos que es diagonalizable si existe una matriz diagonal D tal que A y D sean semejantes4. Cmo obtenemos la matriz diagonal?
4

A y D son semejantes si existe una matriz C tal que A = C 1 DC

6 10 28 Dada A = 4 2 3 2 7 1

Con races caractersticas ( 1), ( + 2), ( + 3) Que significan autovalores = 1, = 2, = 3

2 1 2 Que dan origen a los vectores propios 1 , 2, 1 linealmente independientes 1 1 0

Por lo tanto la matriz A es diagonalizable. Debemos hallar D = C 1 AC donde C es la matriz de vectores propios de A que la diagonaliza.
2 1 2 1 1 Dada C = 1 2 1 C = C AdjC 0 1 1

El determinante de C es igual a 1, esto significa que existe la inversa de la matriz C, por lo que podemos pasar a calcular la adjunta
2 1 1 AdjC = 1 1 2 1 2 T 0 1 1 3 1 1 1 1 2 1 = 1 2 2 = 1 2 4 0 1 2 5 3 4 5 1 2 1 1 2
T

1 1 2 1 2 1

1 1 0 1 2 2 0 1 2 2 1 1

C 1

1 3 1 1 3 1 1 = = 1 2 4 AdjC = (1) 1 2 4 C 1 2 5 1 2 5

El clculo de la matriz diagonal surge de

1 1 3 6 10 28 2 1 2 D = C AC = 4 2 4 1 x 2 3 x 1 2 1 7 2 1 2 5 1 0 1 1
1

0 3 2 1 2 1 0 1 1 = 2 4 8 x 1 2 1 = 0 2 0 =D 6 15 3 0 1 1 0 0 3

La matriz D (matriz diagonal de A) tiene en la diagonal principal los valores propios de la matriz A.

10

Diagonalizacin de matrices simtricas

Hay muchas matrices reales A que no son diagonalizables. De hecho algunas de ellas pueden no tener ningn valor propio real. Si A es una matriz real simtrica. Toda raz de su polinomio caracterstico es real. Estos dan lugar a vectores propios no nulos y ortogonales, es decir, el producto escalar de los vectores se anula. De modo que: sea A una matriz real simtrica existe una matriz ortogonal P tal que D = P 1 AP es diagonal. Veamos por ejemplo la matriz A =
2 2 =6 que tiene los valores propios que dan =1 2 5 2 1 origen a los vectores propios v I = , v 2 = 1 2

Los vectores propios de una matriz simtrica son ortogonales, es decir, su producto escalar es cero. Si normalizamos los vectores propios ortogonales, la matriz diagonal ser la formada por los valores propios. Normalizar un vector v consiste en dividir cada elemento del vector por la norma del vector
v = 1 v v

la norma de un vector v es la raz cuadrada del cuadrado del vector v = vv . Para los dos vectores propios hallados en el ejemplo la norma es 5 Al normalizar ambos vectores tenemos
1/ 5 1 v= v 2 / 5 2 / 5 1 v= v 1 / 5

v I =

v II =

Los vectores propios ortogonales y normalizados de A forman la matriz P

1/ 5 2 / 5 P= 2 / 5 1 / 5

La matriz diagonal de a es aquella que surja de hacer P 1 AP

1 / 5 D = P 1 AP = 2 / 5 2 / 5 2 2 1 / 5 2 / 5 30 / 5 0 6 0 = = x x 1 1 / 5 2 5 2 / 5 1 / 5 0 0 1

Donde D es la matriz diagonal de A, obtenida a partir de la matriz P. Siendo P la matriz de transformacin de A hallada a travs de la normalizacin de sus vectores propios ortogonales.

11

La diferencia en diagonalizar una matriz A de una simtrica es que a la matriz de vectores propios surgida de una simtrica debemos normalizarlos para obtener una matriz diagonal con elementos iguales a los valores propios. Suele ocurrir que los valores propios no tienen orden de multiplicidad igual a 1 entonces no tendramos vectores ortogonales y por ende no habra independencia lineal entre los vectores propios y no podramos obtener la diagonal. Ante esta situacin, valores propios con orden de multiplicidad mayor que 1, se utiliza el mtodo de Gram-Schmidt para el cual: si A es simtrica y de elementos reales, con u1 , u 2 ,Lu k vectores propios asociados al mismo valor propio de la matriz A. Los vectores u i* = a1u1* + a 2 u 2* + L + ai 1u i*1 + u k i = 1,2,L k son vectores propios de A asociados al mismo valor propio. El mtodo de Gram-Schmidt consiste en exigir a los coeficientes a1 , a 2 ,L a k 1 que sean tales que u 2* sea ortogonal a u1*
u 3* sea ortogonal a u1* y u 2*

y as sucesivamente
7 2 1 tiene los valores propios 1 = 6 r1 = 2 Por ejemplo la matriz A = 2 10 2 2 = 12 r2 = 1 1 2 7

Para = 6
1 2 1 v1 0 [A I ]v = [A 6 I ]v = 2 4 2 x v 2 = 0 0 v3 1 2 1

De aqu obtenemos un sistema de 3 ecuaciones con 3 incgnitas

v1 2v 2 + v3 = 0 2v1 + 4v 2 2v3 = 0 v1 2v 2 + v3 = 0

De la primera ecuacin obtengo v1 = 2v 2 v3 (6) Reemplazando este resultado en las otras dos ecuaciones se comprueba que se cumple la igualdad de las ecuaciones por lo tanto esta es la nica relacin posible que soluciona el sistema, de modo que el espacio solucin ser
v1 2 vI = v 2 = para cualquier valor de , v 3

De aqu obtenemos dos vectores propios haciendo

12

1 2 = 1, = 0 v I = 1 y luego = 0, = 1 v II = 0 0 1 Estos dos vectores resuelven el sistema pero no son ortogonales dado que su producto escalar no se anula. Aplicando el mtodo de Gram-Schmidt vamos a determinar a partir de v I , v II otros dos vectores propios u1* y u 2* que sean perpendiculares entre s. Para ello se establece
u1* = v I

2 1 2a 1 u 2 = au1 + v II = av I + v II = a 1 + 0 = a 1 1 0
* *

Imponiendo la condicin de que u 2* sea perpendicular a u1* ( u 2* u 1* ) su producto escalar debe ser cero, por lo que
2 u 2 u1 = [2a 1 a 1] 1 = 2(2a 1) + a + 0 = 4a 2 + a = 0 5a 2 = 0 a = 2 / 5 0
* *

2a 1 1 / 5 * De modo que si u 2 = a reemplazando a=2/5 u 2 = 2/5 1 1

*

Para verificar que u 2* u1* basta con realizar el producto escalar

1 5 2 2 2 2 1 1 = + + 0 = 0 5 5 5 0

Con lo que concluimos que u1* y u 2* son ortogonales. Para poder hallar una base ortonormal debemos normalizarlos haciendo
* u 2 =

1 * u2 u 2*

* La norma de u 2 ser

u 2* = u 2* u 2* = (1 / 5) 2 + (2 / 5) 2 + 12 = 1 / 25 + 4 / 25 + 1 = 30 / 25 = 1 / 5 1 / 5 1 * 1 5 Por lo tanto u 2/5 = 2/5 2 = * u2 = u2 30 / 5 30 1 1

*

30 30 = 5 25

13

1 * u 1 = * u1 , u1
*

2 1 * 1 u1 = u1 u1 = (2) + (1) + 0 = 5 , u 1 1 = * u 1 = u1 5 0
* * * 2 2 2 *

2 1 / 5 5 1 * 2/5 Los vectores propios ortogonales normalizados son: u 1 y u 2 = 1 = 30 5 0 1

*

El tercer vector lo obtenemos directamente porque el orden de multiplicidad del autovalor 12 es 1, tendremos
5 2 1 v1 0 [A I ]v = [A 12 I ]v = 2 2 2 x v 2 = 0 0 1 2 5 v3

De aqu obtenemos un sistema de 3 ecuaciones con 3 incgnitas

5v1 2v 2 + v3 = 0 2v1 2v 2 2v3 = 0 v1 2v 2 5v3 = 0

De la tercera ecuacin obtengo v1 = 2v 2 + 5v3 (6) Reemplazando este resultado en la segunda ecuacin
2(2v 2 + 5v3 ) 2v 2 2v3 = 0 6v 2 12v3 = 0 v 2 = 2v3

Reemplazando este ltimo resultado en (6) v1 = 2(2v3 ) + 5v3 v1 = v3

1 El vector propio asociado al autovalor 12 ser v III = 2 = 2 1

El tercer vector propio es ortogonal pero es necesario que tambin sea normal por lo que
1 v III 1 v = 2 , siendo v III = 12 + 2 2 + 12 = 6 III = v III 6 1

La base ortonormal ser la formada por los vectores

2 / 5 u 1 , u 2 , v III P = 1 / 5 0
* *

1 / 30 2 / 30 5 / 30

1/ 6 2/ 6 1/ 6

14

Forma cannica de Jordan

Sea U(K) un espacio vectorial y f un endomorfismo representado por la matriz A en la base cannica de dicho espacio vectorial. Puede ocurrir que la matriz A no tenga una base de vectores propios por lo tanto no es semejante a una matriz diagonal pero puede serlo a una forma cannica de Jordan que puede considerarse casi como una diagonal. Entre la matriz diagonal y la forma cannica de Jordan se sita otro tipo de matrices que son las triangulares. Matrices Triangulares Sea U(K) y A la matriz de un endomorfismo en dicho espacio vectorial. A es semejante a una matriz triangular s y solo si posee autovalores en K. Para obtener una matriz triangular se parte de una matriz de orden n de la cual se obtienen sucesivas matrices A de orden n-1, n-2... que permiten obtener la matriz de paso P tal que T = P 1 AP . Cmo hacemos? Hallamos el polinomio caracterstico de la matriz A y los autovalores que lo anulan. Encontramos 1 vector propio con el que armamos una matriz P1 = [v I I ] de b modo que P11 An P1 =
0 A1

Luego pasamos a trabajar con A1 , obtenemos un valor propio y un vector propio asociado a ella entonces P2 se arma con el vector propio y cualquier otro nmero de modo que tenga b2 inversa tal que P21 A1 P2 = 2
0 A2

Luego se considera A2 y se repite la operacin pero con un orden menor La matriz P se determina haciendo
I P = P1 x 1 0 0 I 2 x P2 0 0 I 3 x P3 0 0 L P4

La matriz triangular buscada ser T = P 1 AP Retomemos la matriz M para la cual habamos hallado valores propios 1 y 2, siendo el autovalor 2 con orden de multiplicidad 2. Para = 2 , construyamos una matriz P1 tal que su primer vector sea el vector propio asociado a = 2 de la matriz M
1 0 0 P1 = 1 1 0 3 0 1

15

2 1 1 = P1 MP1 = 0 2 0 0 0 1 1
1

b1 A1

Tomando A1 = buscamos los valores y vectores propios que la caracterizan. Con 1 1 el vector propio armamos la matriz P2 = 1 1
2 1 P21 A1 P = = 0 1 0 b2 A2 3 3 1 de modo que 0

Ahora estamos en condiciones de calcular P

I P = P1 x 1 0 0 0 1 0 0 1 0 0 1 0 = 1 1 0 x 0 3 1 = 1 3 1 P2 3 0 1 0 1 0 3 1 0

2 2 1 La matriz triangular T = P AP = 0 2 1 0 0 1
1

T es una matriz triangular superior que tiene en la diagonal principal los valores propios de la matriz M y, por encima de la diagonal principal, cualquier valor real. Forma Cannica de Jordan Una forma cannica de Jordan es una matriz triangular superior tal que a) todos sus elementos de la diagonal principal son iguales a los valores propios b) todos sus elementos en la primera sobrediagonal son iguales a 1 o 0 c) todos los dems elementos son iguales a cero En definitiva debemos contar con una matriz Q tal que J = Q 1 AQ donde J se a la matriz diagonal en forma cannica de Jordan. Cuando podemos tener una forma cannica de Jordan? Cuando tenemos autovalores con orden de multiplicidad mayor que 1 para lo cual es necesario calcular, a partir de un autovalor, un vector propio haciendo Avr1 = r vr1

16

Luego para el mismo autovalor calcular el siguiente vector haciendo Avrj = r vrj + vrj 1 donde v rj es el vector propio que forma parte de la matriz Q
5 4 3 Por ejemplo, la matriz A = 1 0 3 1 2 1

El polinomio caracterstico A I = 3 62 + 3 + 32 = ( + 2)( 4)( 4) Para = 2 el vector caracterstico se obtiene de hacer

7v1 + 4v 2 + 3v3 = 0 7 4 3 v1 0 [A I ]v = 1 2 3 v2 = 0 v1 + 2v2 3v3 = 0 v1 + 2v 2 + 3v3 = 0 0 v3 1 2 3

De la tercera ecuacin obtenemos v1 = 2v2 3v3 Reemplazando en 1 7(2v2 3v3 ) + 4v2 + 3v3 = 0
14v 2 21v3 + 4v 2 + 3v3 = 0 v 2 = v3 v1 = v 2 1 El vector propio asociado es v11 = 1 1

Para = 4 el vector caracterstico se obtiene de hacer

4 3 v1 0 v1 + 4v 2 + 3v3 = 0 1 [A I ]v = 1 4 3 v2 = 0 v1 4v2 3v3 = 0 v1 2v 2 3v3 = 0 0 v3 1 2 3

De la tercera ecuacin obtenemos v1 = 2v2 + 3v3 Reemplazando en 2 (2v2 + 3v3 ) 4v2 3v3 = 0
6v 2 6v3 = 0 v 2 = v3 con lo cual v1 = v3

1 El vector propio asociado es v21 = 1 1

El = 4 tiene asociado dos vectores propios. Uno de ellos es v21 , el otro (v22 ) surge de hacer Av22 2 v22 = v21

17

4 3 v1 1 v1 + 4v 2 + 3v3 = 1 1 [A I ]v22 = 1 4 3 v2 = 1 v1 4v2 3v3 = 1 v1 2v 2 3v3 = 1 1 v3 1 2 3

De la tercera ecuacin se obtiene v1 = 2v2 + 3v3 + 1 En 1 2v2 + 3v3 + 1 + 4v2 + 3v3 = 1

v 2 = v3 v1 = v3 + 1 0 Esto da lugar al vector propio v22 = 1 1

Ahora estamos en condiciones de armar la matriz Q de vectores propios

1 1 0 Q = [v11v 21 v 22 ] = 1 1 1 1 1 1
0 2 2 0 1 1 1 1 Adj (Q ) 1 = 1 1 2 = 2 1 1 Calculamos la inversa Q = 2 2 Q 1 1 0 2 2 0 2 0 0 J = Q AQ = 0 4 1 que tiene en su diagonal principal los valores propios de la matriz 0 0 4
1 T

A, en la sobrediagonal 0 o 1 de acuerdo a si es un bloque o no y ceros los dems elementos. Para constituir un bloque de Jordan debemos tener: a) en la diagonal principal el mismo valor propio b) en la sobrediagonal todos los elementos iguales a 1 c) todos los dems elementos iguales a cero En la matriz del ejemplo tenemos dos bloques: uno es el formado por el elemento 2, el otro bloque es la submatriz de orden 2 que tiene en la diagonal principal el autovalor 4 y en la sobrediagonal el 1. En general, toda matriz de Jordan se particiona en bloques, denominados bloques de Jordan.