Vectores y valores propios

Anahı́ Gajardo - Mauricio Vega

Universidad de Concepción, Chile

Trimestre 2 - 2017
Vectores y valores propios de una transformación lineal

Definición
λ ∈ K es un valor propio de la transformación lineal T : V → V , si
existe v ∈ V tal que

v 6= Θ y T (v) = λv,

en tal caso, decimos que v es un vector propio de T asociado a λ.

El conjunto de todos los valores propios de T se llama espectro de
T y se denota por:

σ(T ) = {λ : λ es valor propio de T }.

(ver animación en www.udec.cl/˜angajardo/cursos/A2/VP/VP.html )

Sub espacio propio

Definición
Si λ es un valor propio de T , se define:

Sλ (T ) = {v ∈ V | T (v) = λv}
= Ker(T − λid)

Sλ (T ) es un sub espacio vectorial de V .

Los elementos de Sλ (T ) son todos vectores propios de T , con

excepción de Θ, que en ningún caso es un vector propio.
Ejemplo de valores, vectores y subespacios propios

La transformación lineal
T : P2 (R) −→ P2 (R)
p 7−→ T (p(x)) = p(x) + x · p0 (x) + p0 (x),

tiene como valores propios a

σ(T ) = {1, 2, 3}

y como subespacios propios a

S1 (T ) = h{1}i, asociado a λ = 1,
S2 (T ) = h{x + 1}i, asociado a λ = 2,
2
S3 (T ) = h{x + 2x + 1}i, asociado a λ = 3.
Cálculo eficiente de los valores propios

Propiedad
Dada T : V → V lineal y B es una base de V , las siguientes
afirmaciones son equivalentes.
1. λ es valor propio de T
2. Ker(T − λid) 6= {Θ}
3. n(T − λid) 6= 0
4. n([T ]B
B − λI) 6= 0
5. det([T ]B
B − λI) = 0

T es invertible ⇔ 0 NO es valor propio de T

Vectores y valores propios de una matriz

Definición
λ ∈ C es un valor propio de A ∈ Mn×n (C), si existe x ∈ Cn tal
que
x 6= Θ y Ax = λx,
en tal caso, decimos que x es un vector propio de A asociado a λ.
El conjunto de todos los valores propios de A se llama espectro de
A y se denota por:

σ(A) = {λ : λ es valor propio de A}

Relación entre los v.p. de T y los de [T ]B
B

Propiedad
Dada T : V → V lineal y B una base de V , V e.v. sobre K ⊂ C
entonces
I λ ∈ σ(T ) ⇔ λ ∈ σ([T ]B
B) y λ ∈ K
I v es vector propio de T asociado a λ ∈ K ⇔
[v]B es vector propio de [T ]B
B asociado a λ ∈ K.
Polinomio caracterı́stico

Propiedad
λ es valor propio de A ⇔ det(A − λI) = 0.

Definición
Resulta que det(A − xI) es un polinomio en la variable x; lo
llamamos polinomio caracterı́stico de A, y lo denotamos por pA (x).

Dada T : V → V lineal y B base de V , entonces el polinomio

caracterı́stico de T es pT (x) = p[T ]B (x).
B
Ejemplo de polinimio caracterı́stico
La transformación lineal
T : P2 (R) −→ P2 (R)
p 7−→ T (p(x)) = p(x) + x · p0 (x) + p0 (x),

tiene como matriz asociada con respecto a la base canónica

B = {1, x, x2 } a  
1 1 0
[T ]B
B =
 0 2 2 .
0 0 3
Luego, el polinomio caracterı́stico de T está dado por:

pT (t) = det [T ]B


B − tI
 
1−t 1 0
= det  0 2−t 2  = (1 − t)(2 − t)(3 − t).
0 0 3−t
Matrices semejantes

Propiedad
Si A y B son semejantes, entonces:
I A y B representan la misma transformación lineal.
I pA (x) = pB (x),
I σ(A) = σ(B),
I Si M cumple A = M −1 BM e y es vector propio de A,
entonces M y es vector propio de B.
Multiplicidad algebraica y geométrica

Definición
Si la factorización de pT (x) en K es

pT (x) = (λ1 − x)r1 (λ2 − x)r2 ..(λk − x)rk ,

entonces λi es valor propio de T y ri es su multiplicidad algebraica.

Definición
La multiplicidad geométrica de λi es

gi = dim(Sλi (T )).
Ejemplo de multiplicidad

Los valores propios de la transformación lineal

T : P2 (R) −→ P2 (R)
p 7−→ T (p(x)) = p(x) + x · p0 (x) + p0 (x),

cuyo polinomio caracterı́stico es:

pT (t) = (1 − t)(2 − t)(3 − t)

tienen las siguientes multiplicidades algebráicas y geométricas

λ1 = 1, r1 = 1, g1 = dim(S1 (T )) = dim(h{1}i) = 1,
λ2 = 2, r2 = 1, g2 = dim(S2 (T )) = dim(h{x + 1}i) = 1
λ3 = 3, r3 = 1. g3 = dim(S3 (T )) = dim(h{x2 + 2x + 1}i) = 1.
Vectores asociados a valores propios distintos

Propiedad
Si v1 , .., vk son vectores propios asociados a valores propios
distintos λ1 , λ2 , · · · , λk , entonces {v1 , .., vk } es l.i. y
k
X
dim(Sλ1 (T ) ⊕ Sλ2 (T ) ⊕ · · · ⊕ Sλk (T )) = dim(Sλi (T )).
i=1
Multiplicidad algebraica y geométrica

Teorema
Si (ri )ki=1 y (gi )ki=1 son las multiplicidades algebraica y geométrica,
respectivamente, de los v.p. distintos (λi )ki=1 , entonces:
I 1 ≤ gi ≤ ri ,
k ≤ ki=1 gi ≤ ki=1 ri ≤ dim(V ).
P P
I
Diagonalización

Definición
Una transformación lineal T : V → V se dice diagonalizable si
existe una base B de V tal que [T ]B
B es diagonal.
Diagonalización

Teorema
Si (ri )ki=1 y (gi )ki=1 son las multiplicidades algebraica y geométrica,
respectivamente, de los v.p. (λi )ki=1 , entonces son equivalentes:
I T es diagonalizable,
I existe una base de V formada solo por vectores propios de T ,
Xk
I gi = dim(V ),
i=1
Xk
I ri = dim(V ) y ∀i ∈ {1, . . . , k}, gi = ri .
i=1
Ejemplo de transformación diagonalizable

La transformación lineal
T : P2 (R) −→ P2 (R)
p 7−→ T (p(x)) = p(x) + x · p0 (x) + p0 (x),

es diagonalizable, pues gi = ri , ∀ i = 1, 2, 3. Para la base de

vectores propios de T

B 0 = {1, x + 1, x2 + 2x + 1},

la matriz asociada a T con respecto a B0

 
1 0 0
B0
[T ]B 0 =  0 2 0 
0 0 3

es diagonal.
Matrices diagonalizables

Definición
Una matriz A ∈ Mn×n (C) se dice diagonalizable si existe una
matriz P ∈ Mn×n (C) invertible tal que A = P −1 DP , donde
D ∈ Mn×n (C) es una matriz diagonal.

Observación
Las columnas de la matriz P −1 de la definición anterior
corresponden a los vectores propios de A, y D contiene a los
valores propios de A en su diagonal.
El valor propio λi que se localiza en la i−ésima posición de la
diagonal principal de D tiene como vector propio asociado a la
i−ésima columna de P −1 .
Matrices simétricas

Teorema
Toda matriz simétrica A ∈ Mn×n (R) es diagonalizable por una
base ortogonal y σ(A) ⊂ R.

Teorema
t
Toda matriz A ∈ Mn×n (C) tal que A = A es diagonalizable por
una base ortogonal y σ(A) ⊂ R.

Observación
Si A es diagonalizable por una base ortonormal, entonces
P −1 = P t .
Aplicación: Cónicas

Recordemos que toda ecuación en las variables x e y de la forma

ax2 + 2bxy + cx2 + dx + ey = f

donde al menos uno de los coeficientes a, b, c es distinto de cero,

define una cónica en el plano (x, y). Sin embargo, cuando b 6= 0,
no se puede identificar la cónica de forma directa.

Note que la ecuación anterior es posible escribirla en forma

matricial como sigue:
    

a b x
x
x y + d e =f
b c y y
Aplicación: Cónicas

Si definimos:
     
a b x d
L= , v= y k= ,
b c y e

podemos reescribir la ecuación anterior como:

v t Lv + k t v = f.

Dado que L es simétrica, existe una base ortonormal de vectores

propios B = {u1 , u2 } tales que L = P DP t , donde P es la matriz
de paso desde la base B a la base canónica Bc y D = diag(λ1 , λ2 )
es la matriz de valores propios.

Si v 0 = (x0 , y 0 )t es el vector v escrito en las coordenadas de la base

B, entonces se tiene que v = P v 0 .
Aplicación: Cónicas
Reemplazando en la ecuación matricial tenemos

(P v 0 )t L(P v 0 ) + k t (P v 0 ) = f

o reescribiendo:

(v 0 )t (P t LP )(v 0 ) + (P t k)t (v 0 ) = f,

Definiendo k 0 = (c0 , d0 )t , donde k 0 = P t k, se puede reescribir lo

anterior como:
  0

x0
  
0 0

λ1 0 x 0 0
x y + d e =f
0 λ2 y0 y0

o bien, de forma escalar:

λ1 (x0 )2 + λ2 (y 0 )2 + d0 x0 + e0 y 0 = f.

En esta última ecuación se puede identificar la cónica rotada en

dirección de la base otronormal de R2 , completando los cuadrados.
Ejemplo de cónicas

Para identificar la cónica

20 80
5x2 − 4xy + 8y 2 + √ x − √ y + 4 = 0
5 5
consideramos
 20 
  √
5 −2
L= y k =  805  .
 
−2 8 √
5
De aquı́ σ(L) = {4, 9}. Calculando los espacios propios tenemos
que:    
2 −1
S4 = y S9 =
1 2
Ejemplo de cónicas

Normalizando los vectores propios, tenemos la siguiente base

ortonormal de R2
 2   1 
 √
 −√  
B =  1  ,  2 5
 5  
 √
 √ 

5 5
de aquı́ obtenemos la matriz de paso desde B a la base canónica
Bc  2 1 
√ −√
P =  15 5
2 ,

√ √
5 5
Ejemplo de cónicas

Calculamos
 2 1   20  
√ √ √ 
−8
k 0 = P t k =  15 5  5
=

2   80  −36
−√ √ √
5 5 5
Ası́, la ecuación de la cónica escrita en las coordenadas de la base
ortogonal B está dada por:

4(x0 )2 + 9(y 0 )2 − 8x0 − 36y 0 = −4.

completando cuadrados llegamos a la ecuación de la elipse:

(x0 − 1)2 (y 0 − 2)2

+ = 1.
9 4
Ejemplo de cónicas

Se pueden identificar los siguientes elementos de la elipse:

I Centro: C 0 = (1,√2)t en el sistema de vectores propios,
C = P C 0 = (0, 5)t en el sistema canónico.
√
I Foco 1: F10 = (1 √
+ 5, 2)t en el sistema de vectores propios,
F1 = P F10 = (2, 5 + 1) en el sistema canónico.
√
I Foco 2: F20 = (1 −√ 5, 2)t en el sistema de vectores propios,
F2 = P F20 = (−2, 5 − 1) en el sistema canónico.
Ejemplo de cónicas