OBJETIVOS.

General.

Obtencin de valores propios para luego obtener los

vectores propios tanto en el campo Real como Complejo y
aplicaciones de una forma correcta.

Especficos.

Obtener valores propios reales y complejos para su correcta

utilizacin en vectores propios.

Estructurar la matriz P para calcula la potencia n-sima de una

matriz

Concepto de matriz unitaria y hermitiana.

Diagonalizar las matrices.

ndice

OBJETIVOS........................................................................................................... 0
General............................................................................................................ 0
Especficos....................................................................................................... 0
1.

VALORES PROPIOS Y VECTORES PROPIOS....................................................2

1.1.

Valores propios y vectores propios.........................................................2

Definicin:..................................................................................................... 2
Determinacin de los valores y vectores caractersticos..............................2
Pasos para determinar los valores y vectores caractersticos.......................3
Ejemplos:...................................................................................................... 4
Valores propios complejos............................................................................ 7
Ejemplos....................................................................................................... 7
Espacios caractersticos................................................................................ 8
Valores caractersticos para matrices triangulares.....................................10
1.2.

Diagonalizacin de matrices.................................................................10

Pasos para la Diagonalizacion de matrices.................................................11

Matrices cuyos valores propios no son distintos.........................................12
1.3.

Matrices simtricas y diagonalizacin ortogonal..................................12

Propiedad de las matrices simtricas.........................................................12

Propiedad de las matrices ortogonales.......................................................13
Diagonalizacin Ortogonal..........................................................................13
Pasos para diagonalizar ortogonalmente una matriz simetrica..................14
1.4.

Potencias de matrices. Ecuaciones en diferencias................................14

1.5.

Matrices unitarias y matrices hermitianas............................................14

Matrices unitarias....................................................................................... 14
Matrices hermitiana.................................................................................... 15
Los valores caractersticos de una matriz de Hermite................................15
Matrices diagonalizables Unitariamente.....................................................16
Vectores caractersticos de una matriz hermitiana.....................................16
1.6.

Aplicaciones: Crecimiento de una poblacin........................................17

1.7.

Aplicaciones. Formas cuadrticas.........................................................17

Valores y Vectores Caractersticos

Pgina 1

1. VALORES PROPIOS Y VECTORES PROPIOS

1.1. Valores propios y vectores propios
Los trminos valor caracterstico y vector caracterstico corresponden a los
trminos eigenvalor y eigenvector, derivados del termino alemn Eigenwert
curo significado es valor propio.

Ax=x

Definicin:
Un vector propio de una matriz A de n x n es un vector diferente de cero tal
que Ax = x para algn escalar . Un escalar se llama valor propio si existe
una solucin no trivial x de Ax = x; una x como esta se denomina vector
propio correspondiente.1
Determinacin de los valores y vectores caractersticos.
Para determinar los valores y vectores caractersticos de una matriz A, n x n
sea I la matriz identidad n x n. Al escribir la ecuacin Ax = x en la forma Ix
= Ax se obtiene:

( I A ) x=0

1 Observe que, por definicin un vector propio dese ser distinto de cero, pero
un valor propio si puede ser cero.
Valores y Vectores Caractersticos
Pgina 2

Este sistema homogneo de ecuaciones tiene soluciones diferentes de cero s y

slo si la matriz de coeficientes
el determinante de

( I A )

( I A )

no es invertible; es decir, s y slo si

es cero. Por tanto, se puede establecer el

siguiente teorema.

Teorema. Valores caractersticos y vectores caractersticos de una

matriz
Sea A una matriz de n x n:
1. Un valor caracterstico de A es un escalar tal que det ( I A ) =0
2. Los vectores caractersticos de A correspondiente a , son las
soluciones diferentes de cero de
La ecuacin det ( I A ) =0

( I A ) x=0

se llama ecuacin caracterstica de A. adems,

cuando se desarrolla en forma de polinomio, este

( I A ) =n +c n1 n1 + c1 + c0
Se llama polinomio caracterstico de A. Esta definicin establece que los
valores caractersticos de una matriz A n x n corresponden a las races del
polinomio caracterstico de A. Debido a que el grado del polinomio
caracterstico de A es igual a n, entonces A de tener cuando mucho a valores
caractersticos distintos.
Veamos explcitamente el polinomio caracterstico para matrices de orden 2 y
3:
Si n= 2, entonces:

A ( )=2 ( a11 + a22) +

a 11 a12
a21 a22

Mientras que si n=3 entonces:

Valores y Vectores Caractersticos

Pgina 3

a11 a 12 a13
A ( )= ( a11 + a22+ a33 ) + ( M 11 + M 22 + M 33 ) a21 a 22 a23
a31 a 32 a33
3

Pasos para determinar los valores y vectores caractersticos.

Sea A una matriz de n x n:
1. Forme la ecuacin

caracterstica de A es un escalar tal que det

( I A ) =0 . Ser una ecuacin polinomial de grado n en la variable .

2. Determine las races reales de la ecuacin caracterstica. Estas son los
valores caractersticos de A.
3. Para todo valor caracterstico , determine los valores caractersticos
correspondientes a , al resolver el sistema homogneo

( I i A ) x=0

Para llevar a cabo lo anterior se requiere reducir por renglones una

matriz n x n. La forma resultante escalonada reducida debe contener por
lo menos un rengln de ceros.
Ejemplos: nmeros reales.

1.

4 1 1
A= 2 5 2
1 1 2

1. Ecuacin caracterstica:

4 1 1
A ( )= ( 4+ 5+2 ) + ( 12+ 9+18 ) 2 5 2
1 1 2
3

A ( )=3 11 2 +39 45
2. Obtencin de los valores propios:

( 3 ) ( 28 +15 )
( 3 ) ( 3 )( 5 )= ( 3 )2 ( 5 )

Valores y Vectores Caractersticos

Pgina 4

3. Obtencin de vectores propios:

Con = 3

][ ] [ ]

1 1 1 x
tr
A= 2 2 2 y = r
1 1 1 z
t

[ ][]

1 1
de donde : r 1 t 0
0
1
Con = 5

][ ] [ ]

1 1 1 x
t
A= 2 0 2 y = 2 t
1 1 3 z
t

[]

1
de donde : t 2
1

Vectores propios:

2.

v 1= (1,1,0 ) ,

v 2=( 1,0,1 ) ,
v 3=( 1,2,1 )

[ ]

A= 1 2
5 4

1. Ecuacin caracterstica:

| |

A ( )=2 (1+ 4 ) + 1 2
5 4
A ( )=25 6

2. Obtencin de los valores propios:

( 6 ) ( +1 )
Valores y Vectores Caractersticos
Pgina 5

3. Obtencin de vectores propios:

Con = 6

[]

2
A= 5 2 x = 5 t
5 2 y
t

][ ]

[]

2 1
de donde : t 5
5
2
Con =

[ ][ ] [ ]

A= 2 2 x = t
5 5 y
t

de donde : t

[ ]
1
1

Vectores propios:

3.

A= 2 12
1 5

( 52 ), v =(1,1,)

v 1= 1,

1. Ecuacin caracterstica:

Valores y Vectores Caractersticos

Pgina 6

A ( )=2 ( 25 ) + 2 12
1 5
A ( )=2 +3 +2

2. Obtencin de los valores propios:

( +2 ) ( +1 )
3. Obtencin de vectores propios:
Con =

][ ] [ ]

A= 4 12 x = 0
1 1 y
0

[]

donde queda : 0
0
Con =

A=

][ ] [ ]

3 12 x
4t
=
1 4 y
t

[]

de donde : t 4
1

Vectores propios:

v 1= ( 0,0 )

v 2=( 4,1 )

Valores y Vectores Caractersticos

Pgina 7

Valores propios complejos

La teora de valor propio vector propio ya desarrollada para

( I A ) =0 s, y slo si, hay un vector x diferente de cero en

Cn tal que

se le denomina valor propio complejo y a x vector propio

complejo correspondiente a .
Ejemplos. Nmeros complejos
4.

se aplica

Cn . De manera que un escalar complejo satisface det

igualmente bien a

Ax= xA

Rn

A=

0 1
1 0

1. Ecuacin caracterstica:

| |

A ( )=2 (+ 0 ) + 0 1
1 0
A ( )=2 +1

2. Obtencin de los valores propios:

( +i ) ( i )
3. Obtencin de vectores propios:
Con =

A=

][ ] [ ]

i 1 x
it
=
1 i y
t

[] [ ]

de donde :t i =i 1
1
i

Valores y Vectores Caractersticos

Pgina 8

Con =

][ ] [ ]

A= i 1 x = it
1 i y
t

[ ] []

de donde : t i =i 1
1
i

Vectores propios:

5.

5 1
3 1

v 1= (1,i )

v 2=( 1,i )

1. Ecuacin caracterstica:

| |

A ( )=2 (5+ 1 ) + 5 1
3 1
A ( )=2 +2 +8

2. Obtencin de los valores propios:

+ 1+
( +17 i )
3. Obtencin de vectores propios:

=1+7 i

Con

][ ] [ ]

A= 67i 1 x = it
3
27 i y
t

[] [ ]

de donde : t i =i 1
1
i

Valores y Vectores Caractersticos

Pgina 9

Con =

][ ] [ ]

A= i 1 x = it
1 i y
t

[ ] []

de donde : t i =i 1
1
i

Vectores propios:

v 1= (1,i )

v 2=( 1,i )

Espacios caractersticos.
De hecho si A es una matriz de n x n con un valor caracterstico , entonces su
suma tambin es un vector caracterstico correspondiente a , porque:

A ( cx )=c ( Ax )=c ( x )= ( cx )
Tambin es cierto que si

x 1 y x2

son vectores caractersticos correspondientes

al mismo valor caracterstico , entonces su suma tambin es u vector

caracterstico correspondiente a , porque:

1+ x2
x

A
En otras palabras, el conjunto de todos los vectores caractersticos de un valor
caracterstico dado, junto con el vector cero, es un subespacio de
subespacio especial de

Rn

Rn . Este

se llama espacio caracterstico de .

Teorema. Los Vectores caractersticos de forman un espacio

Si A es una matriz de n x n con un valor caracterstico , entonces el
conjunto de todos los vectores caractersticos de , junto con el vector cero,

( 0 ) ( x : x es un vector caracterstico de )
R
Es un subespacio de
Valores y Vectores Caractersticos

Este

Pgina 10

subespacio

se

llama

espacio

Teorema.

v 1 , v n , i son vectores propios que corresponden a

1 , n ,

distintos valores propios

{ v1 , v n }

entonces el conjunto

de una matriz A de n x n,

, es linealmente independiente

Demostracin:
Suponga que

{ v1 , v r }

es linealmente dependiente. Como

v1

es distinto de

cero, el teorema establece que uno de los vectores presente en el conjunto es

una combinacin lineal delos vectores precedentes. Sea p el ndice del mnimo
tal que

v p +1 es una combinacin lineal de los vectores precedentes

(linealmente independientes. Entonces existen escalares

c 1 , c n , tales que:

c 1 v 1++ c p v p =v p +1 ( 5 )
Si se multiplican ambos lados de (5) por A y se usa el hecho de que

aA v k = k v k

para cada k, se obtiene

c 1 A v 1++ c p A v p =Av p +1
c 1 1 v 1++ c p p v p = p +1 v p+1 ( 6 )
Si se multiplican ambos lados de (5) por

p +1 y se resta el resultado a (6), se

tiene

c 1 ( 1 p+1 ) v 1 ++c p ( p p+ 1) v p=0 ( 7 )

Como

{ v1 , v p }

es linealmente independiente, los pesos en (7) son todos

( i p +1 )

iguales a cero. Pero ninguno de los factores

valores propios son distintos. De aqu que

c i=0

Valores y Vectores Caractersticos

Pgina 11

para

, es cero, porque los

i=0, , p . Pero

v p +1=0 , lo cual es imposible. Por lo tanto

entonces (5) proclama

{ v1 , v p }

no puede ser linealmente dependiente y, por lo tanto, debe ser linealmente

independiente.
Valores caractersticos para matrices triangulares
Si A es una matriz triangular n x n, entonces sus valores caractersticos son sus
elementos de la diagonal principal.
Ejemplo.

2 0 0
A= 1 1 0
5 3 3

Los valores propios:

2
0
0
A= 1 1
0
5
3
3

Entonces los valores propios seran los mismos elementos de la diagonal

principal.

1.2. Diagonalizacin de matrices.

Se dice que una matriz cuadrada A es diagonalizable, si A es semejante a
una matriz diagonal, eso es, si

A=PD P1

para alguna matriz P invertible y

alguna matriz diagonal D.

Teorema de la diagonalizacin
Una matriz A de n x n s y slo si, A tienen n vectores propios linealmente
independientes.
De hecho,

A=PD P1

con D como una matriz diagonal, s y slo si las

columnas de P son n vectores propios de A linealmente independientes. En

este caso, las entradas diagonales de D son valores propios de A que
Valores y Vectores Caractersticos
Pgina 12

En otras palabras, a es diagonalizable s y slo si, hay suficientes vectores

propios para formar una base de

Rn . A una base de este tipo se le denomina

base de vectores propios

Demostracin.
Primero, observe que si P es cualquier matriz de n x n con columnas
y si D es cualquier matriz diagonal con entradas diagonales

v 1 , v n ,

1 , n ,

entoces:

AP=[ v 1 v 2 v n ] =[ Av 1 Av 2 Av n ] ( 1 )
Mientras que

[ ]

1 0 0
PD=P 0 2 0 =[ 1 v 1 2 v 2 n v n ] ( 2 )

0 0 n

Ahora suponga que A es diagonalizable e igual a

PD P

. Entonces al

multiplicar por la derecha esta relacin por P se tendr AP = Pd. En este caso
(1) y (2) implican que

[ Av 1 Av 2 Av n ]=[ 1 v 1 2 v 2 n v n ] ( 3 )
Igualando columnas, se encuentran que

[ Av 1= 1 v 1 Av 2=2 v 2 Av n= n v n ] ( 4 )
Como P es invertible, sus columnas

v 1 , v n , deben ser linealmente

independientes. Tambin, como estas columnas son diferentes de cero (4)

muestra que

1 , n ,

son valores propios y que

v 1 , v n , son los vectores

propios correspondientes. Este argumento demuestra las partes slo si del

primero, segundo y tercer enunciado del teorema.

Valores y Vectores Caractersticos

Pgina 13

Pasos para la Diagonalizacion de matrices.

1.
2.
3.
4.

Encontrar los valores propios de la matriz A n x n.

Encontrar los vectores propios de A linealmente independientes.
Estructurar P a partir de los vectores del paso 2.
Estructurar D a partir de los valores propios correspondientes.

Condicin suficiente para que una matriz sea diagonalizable.

Teorema: Una matriz de orden n x n con n valores propios distintos es
diagonalizable
Demostracin.
Sea

v 1 , v n ,

los vectores propios correspondientes a los n valores propios

{ v1 , v n }

distintos de una matriz A. entonces

es linealmente independiente.

Para ser diagonalizable, no es necesario que una matriz n x n tenga valores

propios distintos.
Matrices cuyos valores propios no son distintos
Si una matriz S de n x n tiene n valores distintos, con vectores propios
correspondientes

{ v1 , v n }

y si

P =

{ v1 , v n }

, entonces P

es

automticamente invertible porque sus columnas son linealmente

independientes,}. Cuando A es diagonalizable, pero tiene menos de n valores
propios distintos, an es posible estructurar a P de alguna forma que la vuelva
automticamente invertible.

Teorema. Sea A una matriz de n x n cuyos valores propios distintos son

a. Para

1 k p ,

la dimensin del espacio propio para

que la multiplicidad de valor

1 , p .

es menor o igual

k .

b. La matriz A es diagonalizable si, y slo si la suma delas dimensiones de los

distintos espacios propis es igual a n, y esto sucede si, y slo si, la dimensin
del espacio propio para cada
c. Si A es diagonalizable y

Bk

es igual a la multiplicidad de

k .

es una base para el espacio correspondiente a

Valores y Vectores Caractersticos

Pgina 14

1.3. Matrices simtricas y diagonalizacin ortogonal.

Propiedad de las matrices simtricas

Sea A una matriz simtrica2 n x n

1 y 2 son valores caractersticos distintos

de A entonces sus vectores caractersticos correspondientes

x 1 y x2

son

ortogonales.

Demostracin.

Sean

1 y 2

valores caractersticos distintos de A con vectores caractersticos

correspondientes a

x 1 . x2 =[ x11 x 12 x1 n ]

x 1 y x2 .

As

A x1 =1 x 1

A x2 =2 x2 .

[]

x 21
x 22 =x x
1 2

x2n

Ahora se puede escribir

1 ( x 1+ x 2 )= ( 1 x1 ) . x2
( A x1 ) . x 2
( A x1 ) x 2
( x 1 A ) x 2
( x 1 A ) x 2
2 MATRIZ SIMTRICA: es aquella matriz que es igual a su traspuesta.
Valores y Vectores Caractersticos
Pgina 15

x1 ( A x 2 )
x1 ( 2 x 2 )
x1 . ( 2 x2 ) =2 ( x 1 . x 2) .

( 1 2 ) ( x 1 . x 2) =0

Esto implica que

tanto consiguiente

x 1 y x2

1 2

se concluye que

x 1 . x2 =0. Por

son ortogonales.

Propiedad de las matrices ortogonales

Una matriz P n x n es si y slo si, sus vectores columnas forman un conjunto
ortonormal.
Diagonalizacin Ortogonal
Una matriz es diagonalizable ortogonalmente si existe una matriz ortogonal P
tal que

P1 AP=D

es diagonal. El siguiente teorema que el conjunto de

matrices diagonalizables ortogonalmente es precisamente el conjunto de

matrices simtricas.

Teorema. Fundamental de las matrices simtricas.

Sea A una matriz de n x n es diagonalizable ortogonalmente y tiene valores
caractersticos reales s y slo si, A es simtrica

Demostracin.
Se supone que A es diagonalizable ortogonalmente, entonces existe una matriz
ortogonal P tal que
1

A=P DP =PDP

D=P1 AP es diagonal. Adems como

Valores y Vectores Caractersticos

Pgina 16

P1=Pt , se tiene

Lo cual implica que

t

A t =( P DPt ) =( ( Pt ) D t ) P =P DPt = A
Por consiguiente, A es simtrica.
Pasos para diagonalizar ortogonalmente una matriz simetrica.
Sea A una matriz simtrica n x n.
1. Determine todos los valores caractersticos de A y la multiplicidad de
cada uno.
2. Par cada valor caracterstico de multiplicidad 1, elija un vector
caracterstico unitario. (Elija cualquier vector caracterstico y despus
normalcelo)
3. Para cada valor caracterstico de multiplicidad

k 2 , encuentre un

conjunto de k vectores caractersticos linealmente independientes. Si

este conjunto no es ortonormal, aplique el mtodo de ortonormalizacin
de Gram-Schmich.
4. La composicin de los pasos 2 y 3 da un conjunto ortnormal de n
vectores caractersticos. Use estos vectores caractersticos para formar
las columnas de P. La matriz

P1 AP=Pt AP=D sera diagonal. (Los

elementos en la diagonal principal de D son los vectores caractersticos

de A).

1.4. Potencias de matrices. Ecuaciones en diferencias.

1.5. Matrices unitarias y matrices hermitianas.
Matrices unitarias

Una matriz real A es ortogonal si y solo

matrices que tienen la pripiedad de

A1= A t . Enel sistema complejo las

A1= A son mas utiles y se denomina

matrices unitarias

Definicion.
Una matriz compleja A se denomina unitaria si:

Valores y Vectores Caractersticos

Pgina 17

A =A

Teorema. Matrices unitarias

Una matriz compleja A n x n es unitaria s y solo si sus vectores rengln(o
columna)forman un conjunto ortonormal en

Cn

Matrices hermitiana
Una matriz real se denomina simtrica si es igual a su propia transpuesta. En el
sistema complejo, el tipo ms til de matriz es aquel que es igual a su propia
transpuesta conjugada.
Definicin.
Se dice que una matriz a es hermitiana si

A= A

Los valores caractersticos de una matriz de Hermite

Si A es una matriz Hermite, entonces sus valores caractersticos son nmeros
reales.
Demostracin.
Si es un valor caracterstico de A y

v =( a1 +b 1 i ,a 2+ b2 i an +bn i )
Es un vector caracterstico correspondiente, entonces

Av =v
Al multiplicar ambos lados de esta ecuacin por

Valores y Vectores Caractersticos

Pgina 18

se tiene

v Av=v ( v )= ( v v )= ( a21 +b 21+ a22+ b22 a 2n+ b2n )

Nmero real
Luego, como

( v Av ) =v A ( v ) =v Av
Se concluye que

v Av es una. Matriz hermitiana de 1 x 1,

v Av es un

nmero entonces es posible concluir que es real.

Matrices diagonalizables Unitariamente

Si A es una matriz hermitiana n x n, entonces
1. A es diagonalizable unitariamente y
2. A tiene un conjunto de N vectores caractersticos ortonormales.
Vectores caractersticos de una matriz hermitiana

Si A e suma matriz hermitiana con vectores caractersticos

correspondientes a distintos valores caractersticos

v1 y v2

1 y 2 , entonces

v 1 y v 2 son ortogonales. Es decir,

Comparacin de las matrices hermitianas y las matrices Unitarias
v 1 . v 2=0

A es una matriz simtrica

real
1. Los
valores
caractersticos de A son
reales
2. Los
vectores
caractersticos
correspondientes
a
valores
Valores y Vectores
Caractersticos
correspondientes
Pgina 19
distintitos
son
ortogonales.
3. Existe una matriz
unitaria tal que

A es una matriz hermitiana

compleja
1. Los valores
caractersticos de A son
reales.
2. Los
vectores
caractersticos
correspondientes
a
valores
correspondientes
distintitos
son
ortogonales
3. Existe una matriz
unitaria tal que

1.6. Aplicaciones: Crecimiento de una poblacin.

La matriz L sellamamatriz de Leslie. En genral, si se tiene una polacion con
calsesetareas de igual duracin, L ser una matriz de n x n con la siguiente
estructura

Valores y Vectores Caractersticos

Pgina 20

1.7. Aplicaciones. Formas cuadrticas.

Valores y Vectores Caractersticos

Pgina 21