AR

Capı́tulo 8

Diagonalización de matrices
simétricas

8.1.
IN
Diagonalización de matrices simétricas
IM
Una matriz simétrica es una matriz A que cumple que AT = A, que lógicamen-
te ha de ser necesariamente cuadrada, y tienen una forma especial.
Ejemplo 8.1.
−2 1
 

 1 −2 1 
A = 
 
1 −2 1


EL

 
1 −2

 6 −2 −1
 
Ejemplo 8.2. Diagonalicemos, si es posible, la matriz A = −2 6 −1.
 
−1 −1 5
 
La ecuación caracterı́stica es

0 = −(λ − 8)(λ − 6)(λ − 3)

y los vectores propios son

PR

−1 −1 1

     
λ = 8 : v1 =  1 , λ = 6 : v2 = −1 , λ = 3 : v3 = 1
     
0 2 1
     

La matriz es diagonalizable porque los tres autovectores forman una

base de R3 . Pero hay más: ¡ es una base ortogonal ! Veremos que esto

151
 152 CAPÍTULO 8. DIAGONALIZACIÓN DE MATRICES SIMÉTRICAS

no es casualidad, porque A es simétrica. Por algún motivo, se puede

AR
sospechar que serı́a mejor aún usar una base ortonormal
 √   √   √ 
−1/ √2 −1/ √6 1/ √3
v1 =  1/ 2 , v2 = −1/ 6 , v3 = 1/ 3
     
√   √ 
0 2/ 6 1/ 3
  

para formar la matriz del cambio de base

 √ √ √ 
h 
i  −1/ √ 2 −1/ √6 1/ √3
P = v1 v2 v3 =  1/ 2 −1/ 6 1/ 3

IN
√ √ 
0 2/ 6 1/ 3


La matriz A entonces se diagonaliza como A = P DP −1 . Una primera

ventaja de la base ortonormal es que para invertir P sólo hay que
transponerla, ya que P −1 = P T . Entonces A = P DP T siendo P una
matriz ortogonal.
IM
Teorema 8.3. Dos vectores propios de una matriz simétrica, asociados a valores
propios distintos, son ortogonales.

Demostración. Sean v1 y v2 vectores propios asociados a λ1 y λ2 respectivamente,

con λ1 , λ2 . Multipliquemos escalarmente Av1 ·v2 = λ1 v1 ·v2 . Entonces λ1 v1 ·v2 =
Av1 · v2 = (Av1 )T v2 = vT1 AT v2 = vT1 Av2 = v1 · Av2 = v1 · (λ2 v2 ) = λ2 v1 · v2 es
decir λ1 v1 · v2 = λ2 v1 · v2 ó (λ1 − λ2 )v1 · v2 = 0. Como λ1 − λ2 , 0 entonces v1 · v2 =
0.
EL

El ejemplo 8.2 es una ilustración de la diagonalización ortogonal de una

matriz A. Una matriz A es diagonalizable ortogonalmente si existen una matriz
ortogonal P y una matriz diagonal D tales que

A = P DP T (A = P DP −1 )

No todas las matrices se pueden diagonalizar ortogonalmente. Veamos alguna

condición para que ello sea posible. Si A = P DP T entonces
PR

AT = (P DP T )T = (P T )T D T P T = P DP T = A

ası́ que A es necesariamente una matriz simétrica. Es decir, las matrices no

simétricas no se pueden diagonalizar ortogonalmente. El teorema siguiente,
cuya demostración omitimos, afirma que todas las matrices simétricas se pueden
diagonalizar ortogonalmente.
 8.1. DIAGONALIZACIÓN DE MATRICES SIMÉTRICAS 153

Teorema 8.4. Una matriz A de n × n es diagonalizable ortogonalmente si y sólo si es

AR
simétrica.
Ejemplo 8.5. Ejemplo 3 p. 451 de Lay.

El teorema espectral y la descomposición espectral.

En ciertas aplicaciones, el conjunto de valores propios de una matriz A se deno-
mina espectro de A. De ahı́ el nombre del siguiente teorema.

IN
Teorema 8.6 (El teorema espectral para matrices simétricas). Sea A de n × n una
matriz simétrica. Entonces
1. A tiene n valores propios reales (contando con multiplicidades).
2. La dimensión del espacio propio asociado a cada valor propio λ es igual a la
multiplicidad de λ.
3. Los espacios propios son ortogonales entre sı́, es decir, vectores propios corres-
IM
pondientes a valores propios distintos son ortogonales.
4. A es diagonalizable ortogonalmente.
Si A es una matriz simétrica de n × n, entonces se puede, según el teorema
espectral, diagonalizar
A = P DP −1
ortogonalmente, es decir,
h P es unaimatriz ortogonal, está compuesta de colum-
EL

nas ortonormales P = u1 · · · un . Se puede utilizar la regla columna fila ( ver

el teorema 2.33 ) para escribir un desarrollo muy importante en las aplicacio-
nes:    
 uT1  uT 
 1 

i  1
 λ  
 

  .  h  . 
..
h   .  i  . 
A = u1 · · · un  .   .
    = λ u
1 1 · · · λ u
n n   . 

λn  T 
    
 T 
un  un 
PR

Es decir
A = λ1 u1 uT1 + λ2 u2 uT2 + · · · + λn un uTn

Esta forma de escribir A como combinación lineal de matrices de proyección ui uTi

se denomina descomposición espectral de A.
Ejemplo 8.7. Ejemplo 4, p. 453 de Lay