Valores y Vectores Propios

Cap tulo 1 1
Vectores y Valores
Propi os
Las ideas de vector y valor propio constituyen conceptos centrales
del algebra lineal y resultan una valiosa herramienta en la soluci on
de numerosos problemas de la matematica. Aqu se presentan las
deniciones y resultados principales que permiten determinarlos,
y se aplican al problema de reconocer las conicas y supercies
cu adricas, a partir de su ecuaci on.
1 1 . 1 Concepto de valor y vector propi o
Deni ci on 1 1 . 1 ( Vector y valor propi o)
Sea A una matriz n n, decimos que un n umero real es un
valor propi o de A si existe una columna x de IR
n
, x = 0, tal que
Ax = x. El vector x se l lama vector propi o de A asociado a .
Tambien se utiliza el termino valor caracterstico y autova-
lor para nombrar un valor propio y, correspondientemente, vector
caracterstico y autovector, para el vector propio.
327
328 Vectores y Valores Propios
Ejemplo 1 1 . 1 Sea A =
_
_
1 0 1
0 1 1
1 1 0
_
_
y x =
_
_
1
1
1
_
_
. Como
x es un vector no nulo en el Nuc ( A) , verica que Ax = 0
3
, o lo
que es lo mismo:
Ax = 0x.
Luego x = ( 1 , 1 , 1 )
t
es un vector propio de A asociado al valor
propio = 0. Por otra parte, a IR, a = 0, x = ( a, a, a)
t
tambien es vector propio de A asociado a 0.
Este ejemplo permite ver que en general si Nuc ( A) = { 0} ,
entonces los vectores no nulos en Nuc ( A) son vectores propios de
A asociados al valor propio 0.
Ejemplo 1 1 . 2 Sea B =
_
_
1 0 1
0 1 1
1 0 0
_
_
y x =
_
_
0
t
0
_
_
t IR.
Si se efect ua el producto matricial se verica que
Bx = 1 x
luego t IR, t = 0, x = ( 0, t, 0)
t
es un vector propio de B
asociado al valor propio = 1 .
En los ejemplos anteriores se observa que para cada valor pro-
pio existe una innitud de vectores propios. De hecho es f acil
ver que si x es un vector propio de A asociado al valor propio ,
Ax = x, entonces A( x) = ( x) , luego x tambien es vector
propio de A asociado a . Ademas, si y es otro vector propio de
A tambien asociado al valor propio , Ay = y, entonces
A( x + y) = Ax + Ay = x + y = ( x + y)
luego x + y es otro vector propio de A asociado a . De esta
manera, para una matriz A n n, si es un valor propio de A
el conjunto de vectores propios de A asociados a , incluyendo el
vector cero que no es vector propio, es un subespacio vectorial de
IR
n
.
1 1 . 1 Concepto de valor y vector propio 329
Deni ci on 1 1 . 2 ( Subespaci o propi o o caracter sti co)
Sea un valor propio de A, el conjunto V
= { x | Ax = x } se
l lama subespacio propio o espacio caracterstico de A asociado
a . Y la dimensi on de V
se denomina multiplicidad geometrica

de .
Observe que:
V
= { x| Ax = x}
= { x| Ax x = 0}
= { x| ( A I) x = 0, }
de manera que el subespacio propio de A asociado al valor propio
corresponde al n ucleo de la matriz A I. Equivalente se muestra
que tambien es el n ucleo de I A.
Teorema 1 1 . 3 Si
1
, . . . ,
k
, son k valores propios de A, dife-
rentes entre s y asociados respectivamente a los vectores propios
v
1
, . . . , v
k
, entonces v
1
, . . . , v
k
son linealmente independientes.
Demostraci on: La prueba se hace por inducci on sobre el n umero
de valores propios de A. Sea k este n umero:
Para k = 2; se debe probar que
1
v
1
+
2
v
2
= 0 =
1
=
2
= 0. ( 1 1 . 1 )
De la hip otesis en 1 1 . 1 se tiene que
0 = A (
1
v
1
+
2
v
2
) =
1
Av
1
+
2
Av
2
Luego
1
v
1
+
2
2
v
2
= 0 ( 1 1 . 2)
Sumando
1
(
1
v
1
+
2
v
2
= 0) a ecuaci on ( 1 1 . 2) se obtiene:
2
v
2
+
2
2
v
2
= 0 o sea (
1
+
2
)
2
v
2
= 0
Como
1
+
2
= 0 entonces
2
= 0. Sustituyendo
2
= 0 en
1
v
1
+
2
v
2
= 0 se llega a
1
= 0.
Supongamos ahora que el resultado vale para k 1 y que
1
v
1
+ +
k 1
v
k 1
+
k
v
k
= 0.
Procediendo de manera similar al caso k = 2, se llega a la ecuacion:
(
k
+
1
)
1
v
1
+ (
k
+
2
)
2
v
2
+
+ (
k
+
k 1
)
k 1
v
k 1
= 0.
Como por hipotesis de inducci on v
1
, . . . , v
k 1
son l. i. entonces
(
k
+
i
)
i
= 0 para i = 1 , . . . , k 1 . De esto se sigue f acilmente
que
1
= =
k
= 0.
1 1 . 1 . 1 Calculo de valores y vectores propi os
La b usqueda y calculo de valores propios para una matriz A se
apoya en las equivalencias siguientes:
es un valor propio de A
Ax = x tiene soluciones no nulas
( A I) x = 0 tiene innitas soluciones
det( A I) = 0.
Con lo que obtenemos el siguiente teorema:
Teorema 1 1 . 4 Las proposiciones que siguen son equivalentes:
(a) es un valor propio de A.
(b ) det( A I) = 0.
Ejemplo 1 1 . 3 Considere la matriz
A =
_
_
5 6 6
3 4 6
0 0 2
_
_
Para determinar posibles valores propios de A debemos resolver la
ecuaci on en la variable : det( A I) = 0, denominada ecuaci on
1 1 . 1 Concepto de valor y vector propio 331
caracterstica. Lo cual requiere calcular y factorizar el polinomio
P( ) = det( A I) :
P( ) = det( A I)
=
5 6 6
3 4 6
0 0 2
= ( 2 ) [ ( 5 ) ( 4 ) ( 3) 6]
= ( 2 ) [
2
2]
= ( 2 ) [ ( 2) ( + 1 ) ]
= ( 2)
2
( + 1 ) .
De esta manera det( A I) = 0 ( 2)
2
( + 1 ) = 0
= 2 o = 1 . Y los unicos valores propios de A son 1 y
2.
Deni ci on 1 1 . 5 ( Poli nomi o caracter sti co)
Si A M( n, IR) se l lama poli nomi o caracter sti co de A y se
denota P
A
, al polinomio de grado n:
P
A
( ) = det( A I) .
Si P
A
( ) se factoriza en factores lineales y, eventualmente, al-
gunos factores irreducib les de grado mayor igual que 2 cuyo pro-
ducto denotamos Q( ) :
P
A
( ) = (
1
)
n
1
(
2
)
n
2
. . . (
r
)
n
r
Q( ) ,
se dice que n
i
es la mul ti pl i ci dad al gebrai ca del valor propio
i
.
Ejemplo 1 1 . 4 El polinomio caracterstico de la matriz A dada
en el ejemplo 1 1 . 3, es:
P
A
( ) = ( 2)
2
( + 1 ) =
3
+ 3
2
4
Luego los valores propios son: = 2 y = 1 con multiplicidad
algebraica 2 y 1 respectivamente.
El hecho de que los valores propios de A, en el ejemplo 1 1 . 3,
resultaran enteros es debido a una selecci on especial con nes
did acticos de la matriz A. En general si A es una matriz n n,
con entradas reales se puede demostrar que det( A I) es un poli-
nomio en , de grado n con coecientes reales, que tiene a lo sumo
n races reales. El c omputo o aproximaci on de estas races reales
en general demanda la utilizaci on de metodos numericos. En este
material, se evita dicha dicultad eligiendo matrices cuya ecuaci on
caracterstica pueda ser resuelta por metodos de factorizaci on.
Observaci ones:
Una matriz A, de orden n, tiene a lo sumo n valores propios
ya que el polinomio caracterstico a lo sumo tiene n ceros.
Los valores propios de una matriz triangular son los elemen-
tos en la diagonal. N otese que si A es triangular entonces
A I tambien lo es, de donde se sigue el resultado.
Las matrices A y C
1
AC tienen igual polinomio caracterstico
y por tanto los mismos valores propios. En efecto:
det
C
1
AC I
= det
C
1
( A I) C
= det ( A I) .
El procedimiento de calculo de valores y vectores propios se
resume as :
Paso 1 : Calcular y factorizar el polinomio det( A I) , a efecto
de obtener los valores propios de A. Es decir, resolver la
ecuaci on caracterstica: det( A I) = 0.
Paso 2: Para cada valor propio , hallar una base de V
, re-
solviendo el sistema ( A I) x = 0.
Ejemplo 1 1 . 5 Para la matriz A del ejemplo 1 1 . 3, ya conocemos
el resultado del paso 1 :
| A I| = ( 2)
2
( + 1 ) = 0 = 2 o = 1 .
Ahora determinamos los espacios caractersticos asociados a estos
valores propios:
1 1 . 2 Diagonalizaci on de matrices 333
V
=2
: Ax = 2x ( A 2I) x = 0 y resolviendo este sistema
homogeneo:
_
_
3 6 6 0
3 6 6 0
0 0 0 0
_
_
f
1
+ f
2
1
3
f
1
_
_
1 2 2 0
0 0 0 0
0 0 0 0
_
_
As x
1
= 2x
2
+ 2x
3
y V
=2
= C{ ( 2, 1 , 0)
t
, ( 2, 0, 1 )
t
} .
V
= 1
: Ax = 1 x ( A + I) x = 0 y resolviendo:
_
_
6 6 6 0
3 3 6 0
0 0 0 3
_
_

_
_
1 1 0 0
0 0 1 0
0 0 0 0
_
_
As x
1
= x
2
y x
3
= 0 luego V
= 1
= C{ ( 1 , 1 , 0)
t
} .
1 1 . 2 Di agonali zaci on de matri ces
Algunas matrices A permiten una factorizaci on en terminos de
una matriz invertible y una matriz diagonal, en la que se utilizan
sus vectores y valores propios. Para obtener esta factorizacion se
realiza un proceso denominado diagonalizaci on de matrices.
1 1 . 2. 1 Caracteri zaci on de matri ces di agonali za-
bles
Deni ci on 1 1 . 6 ( Matri z di agonali zable)
Una matriz A es diagonalizab le si existe una matriz C invertib le
y una matriz D diagonal tales que
C
1
AC = D.
Esto tambien signica que A se factoriza como
A = CDC
1
.
Para determinar las matrices C y D en esta factorizaci on, observe
que
C
1
AC = D AC = CD.
Y escribiendo apropiadamente la igualdad AC = CD se reconoce
en ella la presencia de los vectores y valores propios de A: si
C = ( C
1
, C
2
, . . . , C
n
) ,
donde C
1
, C
2
, . . . , C
n
son las columnas de C y
D =
_
_
_
_
_
_
1
0 0
0
2
.
.
.
.
.
.
.
.
.
0
n
_
_
_
_
_
_
entonces, por una parte
AC = ( AC
1
, AC
2
, . . . , AC
n
)
y por otra, si se recuerda el efecto sobre las columnas de una
matriz al multiplicarla por matriz diagonal ( por la derecha) , se
tiene que
CD = (
1
C
1
,
2
C
2
, . . . ,
n
C
n
) .
Finalmente
AC = DC
( AC
1
, AC
2
, . . . , AC
n
) = (
1
C
1
,
2
C
2
, . . . ,
n
C
n
)
AC
i
=
i
C
i
i = 1 , 2, . . . n.
De lo cual observamos que los elementos en la diagonal de la matriz
D, buscada, son valores propios de A y las columnas de C son
los respectivos vectores propios. Adem as, como C es una matriz
invertible sus columnas deben ser l. i.
Entonces
A es diagonalizable A tiene n vectores
propios l. i.
o equivalentemente, como se propone en el siguiente teorema.
Teorema 1 1 . 7 Sea A M( n, IR) tal que el polinomio carac-
terstico se puede factorizar como:
P
A
( ) = det( A I) = (
1
)
n
1
(
2
)
n
2
(
r
)
n
r
donde n
1
+ n
2
+ + n
r
= n,
1
, . . . ,
r
son todos los valores pro-
pios distintos de A, y V
1
, . . . , V
r
los espacios propios correspon-
dientes. Entonces las siguientes proposiciones son equivalentes:
( a) La matriz A es diagonalizab le.
( b) Existe una base B = { v
1
, . . . , v
n
} , para IR
n
, de vectores pro-
pios de A.
( c) Para cada
i
, i = 1 , . . . , r, su multiplicidad geometrica es
igual a su multiplicidad algeb raica. Es decir, dim( V
i
) = n
i
,
para todo i = 1 , . . . , r.
( d) dim( V
1
) + +dim( V
r
) = n.
( e) Todo vector x IR
n
se puede escrib ir de manera unica en la
forma x = x
1
+ + x
r
, con x
i
V
i
.
Una demostraci on de este teorema se puede consultar en [ 7] .
Ejemplo 1 1 . 6 Considere la matriz
A =
_
_
1 1 0
1 1 0
0 1 2
_
_
Su polinomio caracterstico es:
P
A
( ) = det( A I)
=
1 1 0
1 1 0
0 1 2
= ( 2 ) [ ( 1 ) ( 1 ) 1 ]
= ( 2)
2
.
As los valores propios son 2 y 0, y determinando los correspondi-
entes espacios propios ( o caractersticos) V
2
y V
0
tenemos:
V
2
: Ax = 2x ( A 2I) x = 0 y resolviendo:
_
_
1 1 0 0
1 1 0 0
0 1 0 0
_
_

_
_
1 0 0 0
0 1 0 0
0 0 0 0
_
_
Luego x
1
= 0 y x
2
= 0, de manera que V
2
= C{ ( 0, 0, 1 )
t
} .
V
0
: Ax = 0x Ax = 0 y resolviendo:
_
_
1 1 0 0
1 1 0 0
0 1 2 0
_
_

_
_
1 0 2 0
0 1 2 0
0 0 0 0
_
_
Entonces x
1
= 2x
3
y x
2
= 2x
3
, luego V
0
= C{ ( 2, 2, 1 )
t
} .
De esto tenemos que dim( V
2
) = 1 y dim( V
0
) = 1 , luego por la
parte ( c) del teorema 1 1 . 7, la matriz A no es diagonalizable.
Observe que para efectos de determinar si la matriz A es dia-
gonalizable o no, en el ejemplo anterior, el computo de V
0
es un
paso innecesario. Porque al determinar que
dim( V
2
) = 1 = 2 = multiplicidad algebraica de = 2,
se tiene que A no es diagonalizable.
Ejemplo 1 1 . 7 Para la matriz A del ejemplo 1 1 . 3, en pagina 330,
A =
_
_
5 6 6
3 4 6
0 0 2
_
_
se obtuvo que
P
A
( ) = ( 2)
2
( + 1 ) .
Adem as, en el ejemplo 1 1 . 5 se calcul o:
V
=2
= C{
_
_
2
1
0
_
_
,
_
_
2
0
1
_
_
} y V
= 1
= C{
_
_
1
1
0
_
_
} .
Luego es posible elegir una base B para IR
3
de vectores propios
de A. Especcamente:
B =
_
_
_
_
_
2
1
0
_
_
,
_
_
2
0
1
_
_
,
_
_
1
1
0
_
_
_
_
_
.
As se tiene que A es diagonalizable, es decir, que A = CDC
1
donde
C =
_
_
2 2 1
1 0 1
0 1 0
_
_
y D =
_
_
2 0 0
0 2 0
0 0 1
_
_
.
Observe que el orden de las columnas C se eligio arbitrariamente.
Si se cambia este orden, otra elecci on para C y D puede ser:
C =
_
_
2 1 2
1 1 0
0 0 1
_
_
y D =
_
_
2 0 0
0 1 0
0 0 2
_
_
.
En ambos casos se comprueba que A = CDC
1
vericando que
AC = CD.
El teorema 1 1 . 7 anterior, presenta un caso particular impor-
tante cuando r = n. Esto es, si A tiene n valores propios distintos
entonces es clara la existencia de n vectores propios l. i. y por lo
tanto la matriz A es diagonalizable.
Corol ari o 1 1 . 8 Si una matriz A, n n, tiene n valores propios
distintos entonces es diagonalizab le.
Ejemplo 1 1 . 8 La matriz A =
0 0
1 1
tiene como polinomio

caracterstico a:
P
A
( ) = det
0
1 1
= ( 1 ) .
Por lo tanto A tiene dos valores propios distintos cuyos espacios
caractersticos tienen dimensi on 1 , necesariamente. Y por lo tanto
A es diagonalizable.
1 1 . 2. 2 Matri ces ortogonalmente di agonali zables
El proceso de diagonalizaci on de una matriz A presenta una situa-
ci on especial cuando la matriz C, cuyas columnas son una base
de vectores propios de A, resulta ser ortogonal. Es decir cuando
la base de vectores propios de A es una base ortonormal.
Deni ci on 1 1 . 9 ( Di agonali zaci on ortogonal)
Una matriz A, n n, es ortogonalmente diagonalizab le si existe
una matriz C ortogonal y una matriz D diagonal, tales que
C
t
AC = D
Recordemos que C es ortogonal si C
t
C = I, es decir, si C
1
=
C
t
. As la diagonalizaci on ortogonal es un caso particular de dia-
gonalizaci on, en el cual la base de vectores propios que forman las
columnas de C es una base ortonormal.
Es f acil ver que las matrices ortogonalmente diagonalizables
son simetricas:
A es ortogonalmente diagonalizable
existe C ortogonal y D diagonal
tales que C
t
AC = D
= A = CDC
t
= A
t
= ( CDC
t
)
t
= CDC
t
= A.
El resultado recproco tambien es cierto y se basa en los si-
guientes teoremas:
Teorema 1 1 . 1 0 Si A M( n, IR) es simetrica, su polinomio ca-
racterstico solo tiene races reales.
Adem as, cuando la matriz es simetrica los vectores propios
asociados a valores propios distintos, no solo son l. i. como en el
caso general, si no que tambien son ortogonales.
Teorema 1 1 . 1 1 Sea A M( n, IR) simetrica y
1
,
2
valores
propios distintos de A con vectores propios asociados v y u res-
pectivamente, entonces v y u son ortogonales.
Demostraci on: Observe que
Av u = ( Av)
t
u = v
t
A
t
u = v
t
( Au) = v Au
De esto se deduce que
1
( v u) =
2
( v u) luego (
1

2
) ( v u) = 0,
de donde ( v u) = 0 dado que
1
=
2
.
Y nalmente el siguiente resultado garantiza la diagonalizacion
ortogonal de las matrices simetricas.
Teorema 1 1 . 1 2 Sea A una matriz simetrica, es decir A
t
= A.
Entonces existe una base B = { v
1
, . . . , v
n
} de IR
n
, ortonormal,
formada por vectores propios de A.
As, se obtiene la siguiente equivalencia.
Teorema 1 1 . 1 3 A es simetrica si y solo si A es ortogonalmente
diagonalizab le.
Demostraci on: Supongamos que A es simetrica y sea C la matriz
cuyas columnas son los vectores propios v
1
, . . . , v
n
, de A, ortonor-
males. Es decir C = ( v
1
. . . v
n
) . Por multiplicaci on matricial se
comprueba que:
( a)
C
t
C =
_
_
_
v
t
1
.
.
.
v
t
n
_
_
_
( v
1
. . . v
n
) =
_
_
_
v
t
1
v
1
v
t
1
v
n
.
.
.
.
.
.
v
t
n
v
1
v
t
n
v
n
_
_
_
= I
n
.
( b) C
t
AC es diagonal. En efecto
C
t
AC = C
t
A [ v
1
. . . v
n
]
= C
t
[ Av
1
. . . Av
n
]
= C
t
[
1
v
1
. . .
n
v
n
]
= C
t
[ v
1
. . . v
n
] D
= C
t
CD
= D
.
donde D
es la matriz diagonal que tiene a

1
, . . .
n
como
entradas en la diagonal, en ese orden.
Luego A es ortogonalmente diagonalizable. El recproco fue de-
mostrado al inicio de esta secci on.
Ejemplo 1 1 . 9 Sea A =
_
_
1 2 4
2 4 2
4 2 1
_
_
. Como A es simetrica,
conocemos que es diagonalizable ortogonalmente. El proceso para
determinar la matriz C ortogonal y la matriz D diagonal tales que
A = CDC
t
, es el mismo que en la diagonalizaci on general, pero
ahora con el cuidado de elegir las columnas de C como una base
ortonormal de vectores propios de A:
Polinomio caracterstico de A:
P
A
( ) = det( A I)
=
1 2 4
2 4 2
4 2 1
= ( + 4) ( 5)
2
Los espacios propios V
4
y V
5
:
V
4
: Ax = 4x ( A + 4I) x = 0 y resolviendo:
_
_
5 2 4 0
2 8 2 0
4 2 5 0
_
_

_
_
1 0 1 0
0 1 1 /2 0
0 0 0 0
_
_
Entonces V
4
= C{ ( 2, 1 , 2)
t
} .
1 1 . 3 Valores y vectores propios de operadores 341
V
5
: Resolviendo ( A 5I) x = 0:
_
_
4 2 4 0
2 1 2 0
4 2 4 0
_
_

_
_
1 1 /2 1 0
0 0 0 0
0 0 0 0
_
_
As V
5
= C{ ( 1 , 0, 1 )
t
, ( 1 , 2, 0)
t
} .
Para la elecci on de una base de vectores propios ortonormales
como columnas de la matriz C que se busca, se requiere ortonor-
malizar las bases obtenidas para cada espacio caracterstico. El
teorema 1 1 . 1 1 garantiza que la uni on de las bases resultantes es
una base ortonormal.
As, una base ortonormal para V
4
es B
1
= { ( 2/3, 1 /3, 2/3)
t
}
y para V
5
es B
2
= { ( 1 /
2, 0, 1 /
2)
t
, (
1
3
2
,
2
2
3
,
1
3
2
)
t
} con lo
que obtenemos las siguientes posibles elecciones para C y D:
C =
_
_
_
1
2
1
3
2
2
3
0
2
2
3
1
3
1
2
1
3
2
2
3
_
_
_
y D =
_
_
5 0 0
0 5 0
0 0 4
_
_
F acilmente se verica que A = CDC
t
comprobando que AC =
CD.
1 1 . 3 Valores y vectores propi os de ope-
radores
En esta secci on se denominan operadores a las transformaciones
lineales de un espacio vectorial a el mismo. Y como se recordar a,
dada una base del espacio vectorial, hay una asociaci on directa
entre matrices y transformaciones lineales ( operadores en este ca-
so) , la que permite trasladar los conceptos de valor propio, vector
propio, y diagonalizaci on a los operadores.
Si T es un operador en IR
n
, es decir, una transformaci on lineal
T : IR
n
IR
n
, y consideramos la matriz A de T, en la base
can onica, entonces
Av = v T( v) = v
Deni ci on 1 1 . 1 4 ( Val or y Vector propi o)
Sea T un operador en IR
n
, es un valor propio de T si existe
v IR
n
v = 0
n
, tal que T( v) = v. Y v es el vector propio de T
asociado a .
La denici on anterior puede generalizarse a un operador de
cualquier espacio vectorial con dimensi on nita utilizando la rela-
ci on
[ T ( v) ]
B
= [ T]
B
[ v]
B
para pasar el concepto de valor y vector propio de matrices a
los operadores de estos espacios.
Teorema 1 1 . 1 5 es un valor propio del operador T asociado
a v si y solo si es valor propio de A = [ T]
B
asociado a x = [ v]
B
.
Demostraci on:
es un valor propio de A asociado a x
Ax = x
[ T]
B
[ v]
B
= [ v]
B
[ T( v) ]
B
= [ v]
B
T( v) = v.
Ejemplo 1 1 . 1 0 Sea T : IR
3
IR
3
el operador denido por
T
_
_
x
y
z
_
_
=
_
_
x z
y + z
z
_
_
observe que
T
_
_
0
1
0
_
_
=
_
_
0
1
0
_
_
.
Luego ( 0, 1 , 0)
t
es un vector propio de T asociado al valor propio
= 1 .
1 1 . 3 Valores y vectores propios de operadores 343
1 1 . 3. 1 Di agonali zaci on de operadores
Sea A M( n, IR) una matriz diagonalizable y T( x) = Ax el res-
pectivo operador, es decir, si C es la base can onica de IR
n
entonces
A = [ T]
C
.
Como A es diagonalizable existe una base de vectores propios de
A, B = { v
1
, v
2
, . . . , v
n
} , que naturalmente tambien es una base de
vectores propios de T puesto que
Av
i
=
i
v
i
T( v
i
) =
i
v
i
.
Luego, si denimos C = ( v
1
, v
2
, . . . , v
n
) la matriz cuyas columnas
son los vectores de la base B conocemos que:
A = CDC
1
,
donde D = diag(
i
) es una matriz diagonal. En esta situaci on
observe que:
La matriz de T en la base es B es diagonal:
[ T]
B
= ( [ T( v
1
) ]
B
, [ T( v
2
) ]
B
, . . . , [ T( v
n
) ]
B
)
= ( [
1
v
1
]
B
, [
2
v
2
]
B
, . . . , [
n
v
n
]
B
)
= (
1
[ v
1
]
B
,
2
[ v
2
]
B
, . . . ,
n
[ v
n
]
B
)
= (
1
e
1
,
2
e
2
, . . . ,
n
e
n
)
=
_
_
_
_
_
1
0 . . . 0
0
2
.
.
.
.
.
.
0 0
n
_
_
_
_
_
= D.
La matriz de cambio de base de B a C es:
[ Id]
C
B
= ( [ Id( v
1
) ]
C
, [ Id( v
2
) ]
C
, . . . , [ Id( v
n
) ]
C
)
= ( v
1
, v
2
, . . . , v
n
)
= C,
y consecuentemente [ Id]
B
C
= C
1
. Observe que en este caso
se denot o la transformaci on identidad como Id.
Los dos resultados anteriores hacen que la relaci on
A = CDC
1
tambien se escriba como:
[ T]
C
= [ Id]
C
B
[ T]
B
[ Id]
B
C
.
Lo que permite la siguiente denici on del concepto de diagonali-
zaci on para operadores:
Deni ci on 1 1 . 1 6 ( Operadores di agonali zables)
Se dice que el operador T : IR
n
IR
n
es diagonalizab le si existe
una base B de IR
n
tal que [ T]
B
es diagonal.
O equivalentemente:
Teorema 1 1 . 1 7 T es diagonalizab le si y solo si existen matrices
D = diag (
i
)
n n
diagonal, y P invertib le cuyas columnas son
una base B de IR
n
, tales que
P
1
[ T]
C
P = [ T]
B
= D,
donde C es la base canonica de IR
n
.
Demostraci on: Si T es diagonalizable, sea B = { v
1
, . . . , v
n
} una
base de IR
n
tal que [ T]
B
= diag(
i
)
n n
= D y P = [ v
1
. . . v
n
] =
[ Id]
C
B
. Entonces D = [ T]
B
= [ Id]
B
C
[ T]
C
[ Id]
C
B
= P
1
[ T]
C
P.
Por otra parte si P
1
[ T]
C
P = D entonces [ T]
C
P = PD.
Deniendo P = [ v
1
. . . v
n
] y B = { v
1
, . . . , v
n
} se tiene [ T]
C
v
i
=
[
i
v
i
]
C
, es decir [ T ( v
i
) ]
C
= [
i
v
i
]
C
. Por lo que T ( v
i
) =
i
v
i
, o lo
que es equivalente [ T]
B
= diag(
i
)
n n
.
Deni ci on 1 1 . 1 8 ( Op. ortogonal mente di agonali zable)
Un operador T : IR
n
IR
n
es ortogonalmente diagonalizab le si
existe una base ortonormal B de IR
n
tal que [ T]
B
es diagonal.
Se puede deducir que si existe una base B de IR
n
tal que [ T]
B
es ortogonalmente diagonalizable entonces T es ortogonalmente
diagonalizable.
1 1 . 4 Diagonalizaci on de formas cuadraticas 345
En efecto, sea H ortogonal tal que H
t
[ T]
B
H = diag(
i
) con
[ S]
B
= H y B = { v
1
, . . . , v
n
. Luego [ S
1
TS]
B
= diag(
i
) por lo
que T( Sv
i
) =
i
Sv
i
.
Ejemplo 1 1 . 1 1 Sea C la base can onica de IR
3
.
El operador T : IR
3
IR
3
denido por la f ormula
T ( x, y, z) = ( x z, y + z, x + y + 2z)
es ortogonalmente diagonalizable puesto que
[ T]
C
=
_
_
1 0 1
0 1 1
1 1 2
_
_
es simetrica.
Para calcular la matriz ortogonal C tal que C
t
AC = D
se
debe calcular una base ortonormal de IR
3
, o lo que es equiva-
lente, una base ortonormal de cada espacio propio. El polinomio
caracterstico de T es p( ) = ( 1 ) ( 3) . Las bases ortonor-
males de los espacios propios V
0
, V
1
y V
3
son, respectivamente,
3
( 1 , 1 , 1 )
2
( 1 , 1 , 0)
6
( 1 , 1 , 2)
. Por lo tanto
C =
_
_
_
1
3
1
2
1
6
1
3
1
2
1
6
1
3
0
2
6
_
_
_
.
1 1 . 4 Di agonali zaci on de formas cuadra-
ti cas
La diagonalizaci on de matrices produce, mediante un cambio de
varible, una simplicaci on de las formas cuadr aticas con impor-
tantes aplicaciones.
Deni ci on 1 1 . 1 9 ( Forma cuadrati ca)
Una funci on f : IR
n
IR tal que f ( x) = x
t
Ax se l lama forma
cuadratica, donde A es una matriz simetrica denominada matriz
de la forma cuadr atica.
Ejemplo 1 1 . 1 2 Consideremos la forma cuadr atica
f( x
1
, x
2
, x
3
) = x
2
1
+ x
2
2
+ 2x
2
3
2x
1
x
3
+ 2x
2
x
3
.
La matriz ( simetrica) de f es A =
_
_
1 0 1
0 1 1
1 1 2
_
_
. Lo cual se
verica, efectuando el producto matricial:
f( x) = x
t
Ax
f[ ( x
1
, x
2
, x
3
)
t
] = ( x
1
, x
2
, x
3
)
_
_
1 0 1
0 1 1
1 1 2
_
_
_
_
x
1
x
2
x
3
_
_
= ( x
1
, x
2
, x
3
)
_
_
x
1
x
3
x
2
+ x
3
x
1
+ x
2
+ x
3
_
_
= x
2
1
+ x
2
2
+ 2x
2
3
2x
1
x
3
+ 2x
2
x
3
.
Observe que una forma cuadr atica es un polinomio de segundo
grado en el que todos sus terminos son cuadr aticos. Por ejemplo,
para el caso de tres variables tenemos:
f( x
1
, x
2
, x
3
) = ax
2
1
+ bx
2
2
+ cx
2
3
+ dx
1
x
2
+ ex
1
x
3
+ gx
2
x
3
.
La matriz A de esta forma cuadr atica, se obtiene al reconocer que:
i) si i = j, el coeciente del termino x
i
x
j
del polinomio dene
las entradas a
i j
y a
ji
,
a
i j
= a
ji
=
coeciente de x
i j
2
,
ii) cuando i = j, el coeciente de x
2
i
es la i -esima entrada en la
diagonal de A.
Especcamente:
A =
_
_
a d/2 e/2
d/2 b g/2
e/2 g/2 c
_
_
.
1 1 . 4 Diagonalizaci on de formas cuadraticas 347
En general, si x
t
= ( x
1
, . . . , x
n
) y A = ( a
i j
) , la forma cuadr atica
f ( x) se escribe como:
f ( x) = x
t
Ax =
n
j=1
n
i =1
a
i j
x
i
x
j
o
f ( x) =
n
i =1
a
i i
x
2
i
+ 2
i < j
a
i j
x
i
x
j
.
La idea principal en esta secci on es que con un cambio de
variable apropiado, es posible eliminar de una forma cuadr atica
la expresi on que corresponde a la segunda sumatoria. Es decir,
remover todos los terminos de la forma a
i j
x
i
x
j
con i < j, que en
lo sucesivo denominaremos terminos cruzados.
Ejemplo 1 1 . 1 3 La matriz A de la forma cuadratica en el ejemplo
1 1 . 1 2, se puede factorizar como:
A = CDC
t
donde,
C =
_
_
_
1
3
1
2
1
6
1
3
1
2
1
6
1
3
0
2
6
_
_
_
y D =
_
_
0 0 0
0 1 0
0 0 3
_
_
.
Esto se obtuvo en el ejemplo 1 1 . 1 1 , donde se observa que los va-
lores propios de A son:
1
= 0,
2
= 1 ,
3
= 3 y los respecti-
vos vectores propios denen las columnas de C, de manera que
C
t
AC = D.
Luego, con el cambio de variable y = C
t
x, la forma cuadratica
se transforma en:
x
2
1
+ x
2
2
+ 2x
2
3
2x
1
x
3
+ 2x
2
x
3
= x
t
Ax
= x
t
CDC
t
x
= ( C
t
x)
t
D( C
t
x)
= y
t
Dy
= y
2
2
+ 3y
2
3
la cual no incluye terminos cruzados.
En general tenemos el siguiente resultado:
Teorema 1 1 . 20 Sea C = ( v
1
. . . v
n
) cuyas columnas son una
base de vectores propios, ortonormalizados, de la matriz simetrica
A. El camb io de variab le
y = C
t
x
transforma la forma cuadr atica f( x) = x
t
Ax en
f( x) = y
t
Dy =
n
i =1
i
y
2
i
donde
1
, . . . ,
n
son los valores propios de A, asociados a
v
1
, . . . , v
n
respectivamente.
Demostraci on: Por el teorema 1 1 . 1 3, C
t
AC = D
. Entonces
f ( x) = f ( Cy) = ( Cy)
t
ACy = y
t
( C
t
AC) y = y
t
D
y =
n
i =1

i
y
2
i
.
Esta reducci on de las formas cuadraticas tiene aplicaciones
importantes en la Estadstica y otras disciplinas. Nosotros la usa-
remos para reconocer curvas y supercies cuadraticas.
1 1 . 5 Rotaci on de coni cas y superci es
cuadrati cas
Las curvas y supercies cuadraticas se asocian a casos particulares,
n = 2 y n = 3, de ecuaciones de la forma
x
t
Ax + Bx + d = 0
cuyo primer termino es una forma cuadratica. En el caso de las
conicas, el polinomio de segundo grado, en dos variables, de la
ecuaci on que la dene:
ax
2
1
+ bx
2
2
+ cx
1
x
2
+ dx
1
+ ex
2
+ f = 0
1 1 . 5 Rotacion de conicas y supercies cuadr aticas 349
puede ser escrito matricialmente como
ax
2
1
+ bx
2
2
+ cx
1
x
2
+ dx
1
+ ex
2
+ f = x
t
Ax + Bx + f
donde,
A =
a c/2
c/2 b
y B = ( d, e) .
Similarmente, un polinomio cuadr atico en tres variables se es-
cribe matricialmente:
ax
2
1
+ bx
2
2
+ cx
2
3
+ dx
1
x
2
+ ex
1
x
3
+ fx
2
x
3
+ gx
1
+ hx
2
+ kx
3
+ l
= ( x
1
, x
2
, x
3
)
_
_
a d/2 e/2
d/2 b f/2
e/2 f/2 c
_
_
_
_
x
1
x
2
x
3
_
_
+ ( g, h, k)
_
_
x
1
x
2
x
3
_
_
+ l
= x
t
Ax + Bx + l .
Las ecuaciones que permiten reconocer una conica o supercie
cuadr atica, se caracterizan porque no tienen terminos cruzados.
Sin embargo, las que tienen terminos cruzados se pueden reducir
a las primeras, con la aplicaci on del teorema 1 1 . 20 y el cambio de
variable involucrado introduce un nuevo sistema de ejes ( o de coor-
denadas) , en terminos del cual se simplica la ecuaci on y puede
ser identicada.
Pero antes de hacer las reducciones mencionadas, debemos
elaborar un inventario de las curvas que reconocemos a partir
de su ecuaci on can onica.
1 1 . 5. 1 C oni cas y sus ecuaci ones can oni cas
Las elipses, hiperbolas y par abolas son las curvas cuadr aticas que
denominamos conicas se denen por la intersecci on entre un
plano y un cono y aparecen con mucha frecuencia en los cursos
de matematica y sus aplicaciones.
x
y
2 2
5
5
Figura 1 1 . 2: Elipse de ecuaci on
x
2
2
2
+
y
2
5
2
= 1 , > .
Eli pse
La eli pse no rotada y centrada en ( x
0
, y
0
) es una curva cuadr atica
que se puede caracterizar por la ecuaci on
( x x
0
)
2
2
+
( y y
0
)
2
2
= 1 .
De esta ecuaci on se dice que est a escrita en la forma can onica.
Vease a continuaci on la forma de los gracos de la elipse cen-
trada en el origen, en los casos > y < respectivamente.
x
y
5 5
2
2
Figura 1 1 . 1 : Elipse de ecuaci on
x
2
5
2
+
y
2
2
2
= 1 , > .
x
y
2 2
3
2
3
2
y =
3
4
x
y =
3
4
x
Figura 1 1 . 3: Hiperbola de ecuaci on
x
2
2
2

y
2
1 . 5
2
= 1 , > .
Hi perbola
An alogamente la hi perbola centrada en ( x
0
, y
0
) , no rotada, es
una curva cuadr atica cuya ecuaci on can onica tiene la forma
( x x
0
)
2
2

( y y
0
)
2
2
= 1 .
Las rectas que pasan por el punto ( x
0
, y
0
) , en la direcci on de los
vectores ( , ) y ( , ) :
( x, y) = ( x
0
, y
0
) t( , ) ,
se llaman asntotas de la hiperbola. Tambien pueden ser escritas
como
y =

( x x
0
) + y
0
.
Parabola
Las formas de las ecuaciones, que convenimos en denominar ca-
n onicas, para las parabol as son:
( x x
0
) = a( y y
0
)
2
( y y
0
) = a( x x
0
)
2
x
y
3
2
3
2
2
2
y =
4
3
x
y =
4
3
x
Figura 1 1 . 4: Hiperbola de ecuaci on
x
2
1 . 5
2
+
y
2
2
2
= 1 , > .
donde el punto ( x
0
, y
0
) corresponde con el vertice de la parabola
y cuando la ecuaci on es del primer tipo, la par abola abre en la
direcci on del eje X, hacia la derecha de x
0
si a > 0 y hacia la
izquierda de x
0
si a < 0. La segunda ecuaci on corresponde a una
parabola que abre en la direcci on del eje Y, hacia arriba de y
0
si
a > 0 y hacia abajo de y
0
si a < 0.
C oni cas degeneradas
En general, la ecuaci on ax
2
1
+ bx
2
2
+ cx
1
x
2
+ dx
1
+ ex
2
+ f = 0
corresponde a alguna de las conicas vistas. Sin embargo, en ciertos
casos, el conjunto de puntos que satisfacen la ecuacion es vaco,
o representan rectas o puntos aislados. Por ejemplo, la ecuaci on
x
2
+ y
2
+ 1 = 0 no tiene soluciones, por otra parte, la ecuacion
x
2
1
x
2
2
= 0
la satisfacen s olo los puntos de las rectas x
2
= x
1
. Y la ecuacion
x
2
1
2x
1
+ 1 + y
2
1
= 0, tiene solo el punto ( 1 , 0) como soluci on.
En casos como estos dos ultimos se suele decir que las conicas
son degeneradas.
1 1 . 5. 2 Ejes pri nci pales, angulo de rotaci on
Para identicar la c onica que corresponde a una ecuacion
ax
2
1
+ bx
2
2
+ cx
1
x
2
+ dx
1
+ ex
2
+ f = 0
se debe eliminar el termino cruzado cx
1
x
2
y hacer transforma-
ciones en la ecuaci on resultante, hasta obtener una de las formas
can onicas vistas.
Lo cual supone, en primer termino, escribir la ecuaci on en su
forma matricial:
x
t
Ax + Bx + f = 0
donde A =
a
c
2
c
2
b
, B = ( d , e) .
Luego se determina, { v
1
, v
2
} , una base ortonormada de IR
2
formada de vectores propios de A, asociados respectivamente a
1
y
2
. As, con C = ( v
1
, v
2
) y D = diag(
1
,
2
) se tiene que
A = CDC
t
, y el cambio de variable y = C
t
x conduce a:
ax
2
1
+ bx
2
2
+ cx
1
x
2
+ dx
1
+ ex
2
+ f = 0
x
t
Ax + Bx + f = 0
x
t
CDC
t
x + Bx + f = 0
( C
t
x)
t
D( C
t
x) + BCy + f = 0
y
t
Dy + BCy + f = 4
( y
1
, y
2
)

1
0
0
2

y
1
y
2
+ ( r, s)
y
1
y
2
+ f = 0

1
y
2
1
+
2
y
2
2
+ ry
1
+ sy
2
+ f = 0
donde ( r, s) = BC.
En esta ultima ecuacion, si
1
y r no son cero, ( similarmente
para
2
y s) , se agrupan los terminos
1
y
2
1
+ ry
1
y
2
y
2
2
+ sy
2
y completando cuadrados se les da la forma
1
( y
1
h)
2
t y
2
( y
2
k)
2
u, para obtener:
1
( y
1
h)
2
+
2
( y
2
k)
2
= ( f t u)
y nalmente, con m as transformaciones algebraicas, se obtiene
una de las ecuaciones canonicas.
De todas estas transformaciones, resulta de especial importan-
cia la interpretaci on para el cambio de variable y = C
t
x:
La matriz C
t
= C
1
= [ Id]
B
C
es la matriz de cambio de base
de la canonica a B, esto porque:
C = ( v
1
, v
2
) = ( [ Id( v
1
) ]
C
, [ Id( v
2
) ]
C
) = [ Id]
C
B
.
As el cambio de variable y = C
t
x, cambia el vector x =
( x
1
, x
2
)
t
, coordenadas en la base canonica de un punto, a
y = ( y
1
, y
2
)
t
, coordenadas del mismo punto en la base B =
{ v
1
, v
2
} .
Las rectas determinadas por los vectores v
1
, v
2
son los ejes
pri nci pal es de la c onica. Los vectores v
1
, v
2
siempre se
pueden escoger de modo que det( C) = det[ ( v
1
, v
2
) ] = 1 ,
para que cambio de variable y = C
t
x pueda ser interpretado
como una rotaci on de ejes.
Si det( C) = 1 , el angulo de rotaci on es el angulo entre
el vector canonico e
1
= ( 1 , 0) y el vector v
1
.
Ejemplo 1 1 . 1 4 Calcular el angulo de rotaci on, los ejes princi-
pales y la ecuaci on can onica respecto de estos ejes, de la conica
denida por la ecuaci on x
2
1
4x
1
x
2
+ x
2
2
4 = 0.
Soluci on: x
2
1
4x
1
x
2
+ x
2
2
= 4
( x
1
, x
2
)
1 2
2 1

x
1
x
2
= 4
x
t
Ax = 4.
Los valores propios de la matriz simetrica A =
1 2
2 1
son
1
= 1 y
2
= 3, con vectores propios ortonormalizados:
v
1
=
1
1
1
y v
2
=
1
1
1
.
Eligiendo C =
2
1
2
1
2
1
y D =
1 0
0 3
se tiene
que A = CDC
t
y sustituyendo en la ecuacion de la c onica, tene-
mos: x
2
1
4x
1
x
2
+ x
2
2
= 4
x
t
Ax = 4 x
t
CDC
t
x = 4
( C
t
x)
t
D( C
t
x) = 4 y
t
Dy = 4
( y
1
, y
2
)
1 0
0 3

y
1
y
2
= 4
y
2
1
+ 3y
2
2
= 4

y
2
1
2
2
+
y
2
2
( 2/
3)
2
= 1 .
Entonces observe que el cambio de variable y = C
t
x, es decir,
y
1
y
2
2
1
2
1
2
1

x
1
x
2
permiti o reducir la ecuaci on de la conica a la forma can onica de

una hiperbola centrada en el origen. Adem as ( y
1
, y
2
) es el vector
de coordenadas en la base
B = { v
1
, v
2
} = {
2
1
2
1
}
de los puntos ( x
1
, x
2
) en la hiperbola, dados por sus coordenadas
en la base can onica. As, los ejes principales son las rectas L
1
y
L
2
generadas por los vectores v
1
y v
2
con ecuaciones vectoriales
( x
1
, x
2
) = t( 1 , 1 ) y ( x
1
, x
2
) = t( 1 , 1 ) , es decir, sus ecuaciones
cartesianas son: y = x y y = x, respectivamente.
El cambio de variable corresponde a una rotaci on de ejes de
angulo =

4
, el angulo entre v
1
y e
1
.
Las pendientes de las asntotas son dadas por m =
2/
3
2
=
3
, luego las ecuaciones de las asntotas referidas a coordenadas
de los ejes principales son: y
2
=
1
3
y
1
y y
2
=
1
3
y
1
. Observe que
el cambio de variable x = Cy, permite conocer las coordenadas
en terminos de la base can onica, de los vectores que generan las
asntotas.
En la gura 1 1 . 5, el primer graco muestra los vectores v
1
y v
2
que generan los nuevos ejes ( ejes principales) , y en el segundo se
muestra la hiperbola, trazada respecto de estos nuevos ejes, con
indicaci on de las rectas asntotas.
x
1
x
2
y
1
y
2
v
1
v
2
1
2
1
2
x
1
x
2
y
1
y
2
y
2
=
1
3
y
1
y
2
=
1
3
y
1
Figura 1 1 . 5: Hiperbola rotada x
2
1
4x
1
x
2
+ x
2
2
4 = 0
1 1 . 5. 3 Superci es cuadrati cas usuales
El problema de la rotaci on de supercies se resuelve en modo simi-
lar a las conicas. Se ilustra este procedimiento en el ejemplo 1 1 . 1 5,
luego se presentan las ecuaciones can onicas de algunas de las su-
percies cuadraticas m as comunes y que se estudian normalmente
en los cursos de Calculo Superior.
Ejemplo 1 1 . 1 5 Considere la supercie determinada por la ecua-
ci on
4x
2
1
4x
2
2
7x
2
3
+ 4x
1
x
2
+ 1 0x
1
x
3
+ 1 0x
2
x
3
= 3
y calcule su ecuacion can onica, as como las ecuaciones de cambio
de variables. De las ecuaciones vectoriales de los nuevos ejes.
Soluci on: La ecuaci on de la supercie escrita en forma matricial
es x
t
Ax = 3, con
A =
_
_
4 2 5
2 4 5
5 5 7
_
_
y x =
_
_
x
1
x
2
x
3
_
_
.
El polinomio caracterstico de A factorizado es
p( ) = ( 3 ) ( 6 + ) ( 1 2 + )
y los valores propios son
1
= 3,
2
= 6 y
3
= 1 2. Por lo
tanto la ecuacion de la supercie referida a los nuevos ejes es
3y
2
1
6y
2
2
1 2y
2
3
= 3.
La ecuaci on can onica sera entonces:
y
2
1

y
2
2
(
1
2
)
2

y
2
3
(
1
2
)
2
= 1 .
El graco de esta gura es como el de gura 1 1 . 8 en la p agina
359, llamada hiperboloide de dos hojas.
La ecuaci on de cambio de variables es y = C
t
x con y =
( y
1
, y
2
, y
3
)
t
y C = ( v
1
, v
2
, v
3
) la matriz cuyas columnas son los
vectores propios de A ortonormados, v
1
, v
2
, v
3
, asociados a
1
,
2
y
3
respectivamente:
v
1
=
1
3
_
_
1
1
1
_
_
, v
2
=
1
2
_
_
1
1
0
_
_
y v
3
=
1
6
_
_
1
1
2
_
_
.
Haciendo la multiplicaci on C
t
x se obtiene y = ( y
1
, y
2
, y
3
)
t
donde:
y
1
=
1
3
3 ( x
1
+ x
2
+ x
3
)
y
2
=
1
2
2 ( x
1
+ x
2
)
y
3
=
1
3
1
2
x
1

1
2
x
2
+ x
3
.
Ecuaci ones can oni cas de al gunas superci es
En las siguientes ecuaciones can onicas de supercies cuadr aticas,
los par ametros , y se consideran no nulos.
Eli psoi de : El elipsoide centrado en el punto ( x
0
, y
0
, z
0
) , no ro-
tado, es la supercie cuadr atica denida por la ecuaci on
( x x
0
)
2
2
+
( y y
0
)
2
2
+
( z z
0
)
2
2
= 1 .
llamada ecuacion can onica del elipsoide. La Figura 6 ilustra el
gr aco de un elipsoide.
-1
-0.5
0
0.5
1
-2
0
2
-2
-1
0
1
2
-1
-0.5
0
0.5
1
-2
0
2
Figura 1 1 . 6: Elipsoide centrado de ecuaci on x
2
+
y
2
9
+
z
2
4
= 1 .
-5
0
5
X
-4
-2
0
2
4 Y
-5
0
5
Z
-4
-2
0
2
4 Y
Figura 1 1 . 7: hiperboloide de una hoja:
x
2
9
+
y
2
4
+
z
2
9
= 1 .
Hi perboloi de de una hoja : El hiperboloide de una hoja, cen-
trado en el punto ( x
0
, y
0
, z
0
) , no rotado, es la supercie cuadr atica
denida por la ecuaci on canonica
( x x
0
)
2
2
+
( y y
0
)
2
2

( z z
0
)
2
2
= 1 .
-10
-5
0
5
10
X
-10
0
10
Y
-10
-5
0
5
10
Z
-10
-5
0
5
10
X
-10
0
10
Y
Figura 1 1 . 8: hiperboloide de dos hojas:
x
2
4
+
y
2
9

z
2
4
= 1 .
Un unico signo menos puede afectar a cualquiera de terminos
de la ecuacion y determina el eje sobre el cual se extiende y abre
el hiperboloide.
La Figura 1 1 . 7 ilustra el graco de un hiperboloide de una
hoja.
Hi perboloi de de dos hoja : El hiperboloide de dos hojas,
centrado en el punto ( x
0
, y
0
, z
0
) , no rotado, tiene una ecuaci on
can onica como el de una hoja, pero con dos signos menos
( x x
0
)
2
2

( y y
0
)
2
2

( z z
0
)
2
2
= 1 .
En este caso, el unico signo mas ( o positivo) afecta a cualquiera de
terminos de la ecuaci on y determina el eje sobre el cual se extiende
y abre el hiperboloide de dos hojas.
La Figura 1 1 . 8 ilustra el gr aco de un hiperboloide de dos
hojas.
-5
0
5
X
-10
-5
0
5
10
Y
-10
0
10
Z
-10
-5
0
5
10
Y
Figura 1 1 . 9: cono elptico de ecuacion
z
2
9
=
x
2
4
+
y
2
6
.
Cono el pti co : El cono elptico, centrado en el punto ( x
0
, y
0
, z
0
) ,
no rotado, es la supercie cuadr atica denida por la ecuaci on
can onica
( x x
0
)
2
2
+
( y y
0
)
2
2
( z z
0
)
2
= 0.
Notese que las superces denidas por
( x x
0
)
2
2
+
( z z
0
)
2
2
( y y
0
)
2
= 0
y
( z z
0
)
2
2
+
( y y
0
)
2
2
( x x
0
)
2
= 0
son tambien conos elpticos.
La Figura 1 1 . 9 ilustra el gr aco de un cono elptico.
-2
-1
0
1
2
x
-4
-2
0
2
4
y
-4
-2
0
2
4
z
-2
-1
0
1
2
x
Figura 1 1 . 1 0: Paraboloide hiperb olico centrado: z = x
2
+ y
2
/4.
Paraboloi des hi perb oli co y el pti co:
El parabol oi de hi perb ol i co, centrado en el punto ( x
0
, y
0
, z
0
) ,
no rotado, es la supercie cuadr atica denida por la ecuaci on
can onica
( y y
0
)
2
2

( x x
0
)
2
2
= ( z z
0
) .
La Figura 1 1 . 1 0 ilustra el gr aco de un paraboloide hiperbolico.
Muy similarmente, el parabol oi de el pti co, centrado en el
punto ( x
0
, y
0
, z
0
) , no rotado, tiene como ecuaci on can onica
( y y
0
)
2
2

( x x
0
)
2
2
= ( z z
0
) .
La Figura 1 1 . 1 1 ilustra el graco de un paraboloide elptico cen-
trado.
-5
0
5
-10
0
10
0
10
20
30
-10
0
10
Figura 1 1 . 1 1 : paraboloide elptico centrado: z =
x
2
4
+
y
2
9
.
1 1 . 6 Ejerci ci os
1 . Sea A =
_
_
3 2 3
1 6 3
1 2 1
_
_
.
a) Calcule los valores propios de A.
b) Halle una base de IR
3
formada de vectores propios de A.
c) Calcule dos matrices C y D ( diagonal) tales que C
1
AC =
D.
2. Sea A =
_
_
0
2 1 1
2 1 1
_
_
.
a) Calcule una base de cada espacio propio de A.
b) Calcule una base ortonormal de IR
3
formada de vectores
propios de A.
1 1 . 6 Ejercicios 363
c) Obtenga una matriz ortogonal P tal P
t
AP es diagonal.
3. Sea A =
_
_
_
_
2 a 0 0
0 2 b 0
0 0 2 c
0 0 0 2
_
_
_
_
con a, b, c IR.
a) Verique que a, b, c IR, 2 es un valor propio de A con
multiplicidad algebraica 4.
b) Obtenga condiciones sobre a, b, c para que la multiplici-
dad geometrica de 2 sea 1 , es decir, dim( V
2
) = 1 . Repita
este ejercicio para la condici on dim( V
2
) = 2.
c) Obtenga condiciones sobre a, b, c para que A sea diago-
nalizable.
4. Hallar una matriz que tiene valores propios 1 , -1 , -1 y vectores
propios respectivos ( 1 , 1 , 1 ) , ( 0, 1 , 1 ) y ( 1 , 0, 1 ) .
5. Sean las matrices
A =
_
_
1 1 2
1 2 1
0 1 1
_
_
y B =
_
_
1 1 1
1 1 1
1 1 1
_
_
.
a) Calcule el polinomio caracterstico de A y B. Factorcelos
en factores lineales y diga cual es la multiplicidad alge-
braica de cada valor propio.
b) Obtenga una base para cada espacio propio.
c) Dena un operador T tal que [ T]
C
= A y [ T]
B
es diago-
nal, donde C es la base canonica de IR
3
y B es una base
que debe determinar a partir de ( b) .
6. Sea A =
_
_
1 a a
a 1 a
a a 1
_
_
con a IR, a = 0.
a) Compruebe que
1 1 1
t
es un vector propio de A.
Hallar el valor propio asociado. Calcule una base de
V
.
b) Compruebe que 1 a es un valor propio de A y calcule
una base del espacio propio correspondiente.
c) Compruebe que todo vector x IR
3
se puede escribir
como x = y + z donde y V
y z V
1 a
y que
V
V
1 a
= { 0} .
7. Sea la matriz C =
_
_
_
_
1 2 0 0
2 1 0 0
0 0 1 1
0 0 1 1
_
_
_
_
a) Hacer lo mismo que en ( a) y ( b) del ejercicio 1 .
b) Si existe una base de IR
4
formada por vectores propios
de C, obtengala. Si no existe, justifquelo.
8. Determine los valores propios de A y sus respectivos espacios
propios y decida si A es o no diagonalizable. Justique su
respuesta.
A =
_
_
1 0 1
0 1 1
1 1 0
_
_
9. Sea el operador T : IR
3
IR
3
denido por T ( x, y, z) =
( x + z, y z, x y) .
a) Calcule el polinomo caracterstico de T y factorcelo.
Halle una base B de IR
3
tal que [ T]
B
sea diagonal. Es
decir, B est a formada por vectores propios de T.
b) Calcule una matriz H ortogonal tal que H
t
[ T]
C
H = D
es diagonal, donde C es la base can onica de IR
3
.
1 0. Sean
1
=
2
dos valores propios de un operador T de IR
n
.
Pruebe que
a) V
1
V
2
= { 0} .
b) V
1
V
2
siempre que [ T]
B
sea simetrica, donde B es
una base de IR
n
. Ayuda: note que ( Ax)
t
y = x
t
( Ay) con
A una matriz simetrica; x, y son vectores columna.
1 1 . Escriba el polinomio caracterstico de una matriz triangular.
Haga lo mismo para una matriz diagonal y la matriz identidad
en tanto que casos particulares de matrices triangulares.
1 2. Sea un valor propio de la matriz A, asociado a x. Compruebe
que :
a) Para todo r IN,
r
r
, asociado
a x.
b) Si p( x) = a
0
+ a
1
x + + a
m
x
m
con a
i
R, entonces
p( ) es un valor propio de p( A) = a
0
I+a
1
A+ +a
m
A
m
asociado a x.
c) Si A es invertible, entonces
1
1
asociado a x.
1 3. Sea A una matriz n n con entradas en IR. Compruebe que
a) A y A
t
tienen el mismo polinomio caracterstico. Indi-
caci on : note que det( A I)
t
= det( A I) .
b) C
1
AC y A tienen igual polinomio caracterstico.
1 4. Sean A y B dos matrices n n, con entradas en IR. Pruebe
que si es un valor propio de AB tambien lo es de BA.
Ayuda: distinga los casos = 0 y = 0. Al tratar este
ultimo, considere el polinomio caracter
istico de AB
1 5. Sea A una matriz tal que A
2
= A. Pruebe que si es un
valor propio de A entonces
r
es valor propio de A, para todo
r IN. Deduzca entonces que = 0 o = 1 . Indicaci on:
recuerde que la matriz A siendo n n, no puede tener mas de
n valores propios.
1 6. Sea T : IR
3
IR
3
denido por
T ( x, y, z) = ( 5x + 4y + z, 4x + 8y 4z, x 4y + 5z) .
a) Determine si T es ortogonalmente diagonalizable. Justi-
que.
b) Calcule una base del n ucleo de T.
c) Sin hacer mas calculos diga si = 0 es un valor propio
de T. Justique su respuesta.
1 7. Sea { v
1
, v
2
, v
3
} una base ortonormal de IR
3
y S = C{ v
1
, v
2
} .
Considere la transformaci on lineal T : IR
3
IR
3
tal que:
T( x) = 2Proy
S
x x,
a) Muestre que 1 y -1 son valores propios de T.
b) Determine bases para los espacios caractersticos V
=1
y
V
= 1
.
c) Es T diagonalizable ortogonalmente? Justique su res-
puesta y si es armativa, encuentre una base B tal que
[ T]
B
sea diagonal.
1 8. Sea A = ( v
1
v
2
v
3
v
4
) una matriz en M( 4, IR) , cuyas columnas
son los vectores v
1
, v
2
, v
3
y v
4
. Y suponga que
Nuc ( A) = { ( t, s, 0, 2s)
t
| t, s IR} .
Especique si las siguientes armaciones son ciertas o falsas,
o la informaci on que se da no es suciente para decidir. En
cada caso justique su respuesta.
a) Las columnas de A forman un conjunto de vectores l. i.
b) ( 0, 0, 0, 0)
t
es un vector propio de A.
c) La dimensi on de espacio caracterstico asociado a = 0
es dos.
d) Dado que ( 1 , 0, 0, 0)
t
Nuc ( A) entonces v
1
= ( 0, 0, 0, 0)
t
.
e) La transformaci on lineal T( x) = Ax es sobreyectiva.
1 9. En cada uno de los siguientes casos, obtenga las ecuaciones
vectoriales de los ejes principales de la seccion conica y su
ecuaci on can onica. Calcule el angulo de rotacion y trace un
gr aco de la secci on c onica ( incluya las asntotas) .
a) 2x
2
3xy 2y
2
+ 1 0 = 0.
b) 7x
2
1
+ 32x
1
x
2
1 7x
2
2
50 = 0.
c) x
2
1
2x
2
2
+ 2x
2
= 0.
d) 1 6x
2
24xy + 9y
2
= 25.
e) 3x
2
1
2x
1
x
2
+ 3x
2
2
+ 4
2x
1
= 6.
f) 2x
2
+ 4xy + 5y
2
28
5
x
46
5
y = 1 1 .
g) x
2
2xy y
2
= 1 0.
h) 6
3x
1
x
2
6x
2
1
+ 3x
1
3
3x
2
= 24
20. Despues del cambio de variable ( una rotaci on) la ecuacion de
una conica es
y
2
1
2
+ y
2
2
+ y
2
= 0.
( a) Obtenga la ecuaci on can onica e identique la c onica.
( b) Si el angulo de rotaci on es

3
calcule una ecuaci on vectorial
de cada uno de los ejes principales.
( c) Trace la gr aca de la curva.
( d) Escriba la ecuaci on de la conica con termino x
1
x
2
.
21 . Considere la conica de ecuaci on
3x
2
1
8x
1
x
2
3x
2
2
4
5x
1
+ 2
5x
2
= 1 5.
Si x = ( x
1
, x
2
)
t
, y y = ( y
1
, y
2
)
t
:
a) Diagonalice la matriz A apropiada y de la matriz P del
cambio de variable y = P
t
x, que elimina los terminos
cruzados en la ecuaci on anterior y adem as corresponde
a una rotacion.
b) Transforme la ecuaci on dada hasta obtener la ecuaci on
can onica de la respectiva conica.
c) En el sistema de coordenadas de las variables x
1
y x
2
,
trace el gr aco aproximado de la conica, se nalando las
coordenadas de los vectores que generan los ejes y
1
y y
2
,
y mostrando las asntotas ( si es el caso) .
22. Considere la supercie de ecuaci on
x
2
+ 5y
2
z
2
2xy + 1 0xz 2yz = 1 2.
Si A es la matriz simetrica, correspondiente a la forma cua-
dratica de esta ecuacion, se conoce que:
| A I| = ( 3) ( 6) ( + 6)
Adem as, V
=3
= C{ ( 1 , 1 , 1 )
t
} y V
=6
= C{ ( 1 , 2, 1 )
t
}
a) Determine la matriz A y V
= 6
.
b) De una matriz P para el cambio de variable y = P
t
x, que
elimina los terminos cruzados en la ecuaci on anterior.
c) Obtenga la ecuacion canonica de esta supercie.
d) Si las nuevas variables se denominan x
, y
, y z
, deter-
mine el coseno del angulo entre los ejes correspondientes
a las variables x y x
.
23. Sea la supercie
x
2
1
+x
2
2
+x
2
3
+2ax
1
x
2
+2bx
2
x
3
+2x
1
x
3
+
3x
1
3x
2
+
3x
3
= 0.
( a) Escriba la ecuacion en la forma x
t
Ax + Bx + d = 0. Si
P = ( 1 , 1 , 0)
t
, para cu ales valores de a y b, P es un punto de
la supercie? .
( b) Sea B = { v
1
, v
2
, v
3
} la base ortonormal de IR
3
que deter-
mina los ejes principales, y suponga que a = b = 1 . Deter-
mine la base B y el cambio de variable que elimina los terminos
cruzados de la ecuaci on. Obtenga la ecuaci on sin terminos
cruzados.
( c) Determine [ P]
B
. [ P]
B
satisface la ecuacion sin terminos
cruzados?
24. Considere las siguientes ecuaciones de supercies cuadr aticas:
a) x
1
x
2
= x
3
.
b) 3y
2
+ 6xy + 6yz = 1 2.
i) Diagonalice la matriz A apropiada y de una matriz P
para el cambio de variable y = P
t
x, que elimina los
terminos cruzados en la ecuaci on.
ii) Transforme la ecuaci on dada hasta obtener la ecuaci on
can onica de la respectiva supercie e identifquela.
iii) Halle una ecuaci on vectorial para cada uno de los ejes
rotados que denominamos L
i
, i = 1 , 2, 3.
iv) Sean E
1
, E
2
, E
3
los ejes determinados por la base cano-
nica, encuentre el angulo entre E
i
y L
i
para i = 1 , 2, 3.
25. Considere la supercie de ecuaci on
4x
2
1
+ 2x
2
2
+ 4x
2
3
+ 6x
1
x
3
= 20.
Si A es la matriz simetrica, correspondiente a la forma cua-
dratica de esta ecuacion, y se conoce que:
A = PDP
t
donde P =
_
_
1
1 0
0
3
1 0
0 1 0
3
1 0
0
1
1 0
_
_
y D =
_
_
5 0 0
0 2 0
0 0 5
_
_
.
a) De la matriz A e indique el cambio de variable que eli-
mina el termino x
1
x
3
de la anterior ecuacion.
b) Transforme la ecuaci on dada hasta obtener la respectiva
forma can onica.
c) Si las nuevas variables se denominan y
1
, y
2
, y y
3
, deter-
mine el coseno del angulo entre los ejes correspondientes
a las variables x
3
y y
3
.
26. Sea A una matriz 2 2, simetrica y con valores propios
1
y
2
. Compruebe que la secci on conica de ecuacion f ( z) =
z
t
Az + d = 0 con d > 0, es:
( a) Una elipse si
1
2
> 0.
( b) Una hiperbola si
1
2
< 0.
Analice el caso d < 0.
27. Halle una regla en terminos de los valores propios, que carac-
terice el cono elptico. Demuestrela.
28. Sea A = ( a
i j
)
n n
tal que
n
i =1
a
i j
= 1 para todo j. Com-
pruebe que 1 es valor propio de A.

Valores y Vectores Propios

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Valores y Vectores Propios

Încărcat de

Drepturi de autor:

Formate disponibile

Cap tulo 1 1

se denomina multiplicidad geometrica

tiene como polinomio

es la matriz diagonal que tiene a

permiti o reducir la ecuaci on de la conica a la forma can onica de

S-ar putea să vă placă și