Sunteți pe pagina 1din 7

CAPÍTULO I

VALORES Y VECTORES PROPIOS

Este capítulo está dedicado al estudio de valores y vectores propios de matrices


cuadradas y de endomorfismos definidos en un K-espacio vectorial V finito
dimensional, donde K es cuerpo o campo.

1.1 Valores y vectores propios de una matriz

Definición 1.1.1 Sea A una matriz de orden n,

(i) Diremos que λ ϵ K: es un valor propio o valor característico de A, si


Av = λv (1.1)
Para algún vector v no nulo de Kn

(ii) El vector no nulo de v es llamado vector propio o vector característico de A


asociado al valor propio λ.

La ecuación (1.1) se puede escribir como (λI-A) v = 0 (1.2)

Con lo cual los vectores propios, si existen, son los vectores no nulos solución del
sistema lineal homogéneo (λI – A) X = 0

Sabemos que este sistema tiene soluciones distintas de la trivial si, y solo si; la matriz
λI – A es singular, o equivalentemente si det (λI – A) = 0 (1.3)

Así pues los valores propios de la matriz A son todos escalares λ que verifican la
ecuación (1.3). Esta observación induce la siguiente definición.

Definición 1.1.2 Se llama polinomio característico de una matriz cuadrada A al


polinomio, denotado por PA(λ) = det (λI – A)

Obsérvese que los valores propios de A son las raíces del polinomio característico.
Por tanto, los valores propios pueden ser repetidos, con lo que podemos dar la
siguiente definición.
Definición 1.1.3 Se llama multiplicidad algebraica de un valor propio, a su
multiplicidad como raíz del polinomio característico, es decir, el número de veces que
aparece como raíz de dicho polinomio.

Los pasos a seguir para hallar los valores y vectores propios de una matriz cuadrada
son:

i) Obtener las raíces del polinomio característico.


ii) Resolver la ecuación (1.2) para cada valor λ obtenido como raíz del polinomio
característico.

3 2
Ejemplo 1 Hallar los valores propios y vectores propios de A = ( )
2 0
Solución

El polinomio característico de A es

λ−3 −2
PA(λ) = det (λI – A) = det ( ) = (λ + 1)( λ - 4)
−2 λ
Luego los valores propios de A son λ1 = -1 y λ2 = 4. Para hallar los vectores propios
resolvemos (λI – A) V = 0.
−4 −2 𝑥 0
Para λ1 = -1 tenemos que resolver ( )( ) = ( )
−2 −1 𝑦 0

1
Como el conjunto solución es {𝑎 ( ) : 𝑎 ∈ ℝ}
−2
Luego los vectores propios de A asociados al valor propio λ1 = -1 son de la forma

1
v1 = 𝑎 ( ), con a ≠ 0
−2
1 −2 𝑥 0
Para λ2 = 4 tenemos que resolver ( ) (𝑦) = ( )
−2 4 0
2
Como el conjunto solución es {𝑏 ( ) : 𝑏 ∈ ℝ}
1
Luego los vectores propios de A asociados al valor propio λ2 = 4 son de la forma

2
V2 = 𝑏 ( ), con b ≠ 0
1
Este ejemplo nos recuerda que las soluciones de un sistema homogéneo son los
vectores del núcleo de la matriz de coeficientes del sistema y como el núcleo de una
matriz cuadrada de orden n es un subespacio vectorial de Kn, damos la siguiente
definición.

Definición 1.1.4 Sea λ ∈ K es un valor propio de una matriz cuadrada de tamaño n. El


subespacio vectorial VA (λ) = {v ϵ Kn : (λI - A)v = 0} , es llamado subespacio propio de A
asociado al valor propio de λ. A la dimensión del subespacio propio VA (λ) se le conoce
como multiplicidad geométrica de de λ. El subespacio propio contiene a todos los
vectores propios asociado a λ y además al vector nulo.

Ejemplo 2 Hallar los valores, vectores y subespacios propios de la matriz.


1 0 0
𝐴 = ( 3 10 15 )
−2 −6 −9
Solución

El polinomio característico de A es:


λ−1 0 0
PA(λ) = det (λI – A) = det [ −3 λ − 10 −15 ] = λ(λ – 1)2
2 6 λ+9
Por tanto los valores propios de A son λ1 = 0 y λ2= 1, este ultimo con multiplicidad
algebraica 2.

Hallemos los vectores propios.

Para λ1 = 0 los vectores propios son las soluciones no nulas del sistema.

−1 0 0 𝑥 0
(−3 −10 −15) (𝑦) = (0)
2 6 9 𝑧 0
0
Cuyo conjunto de soluciones es {𝑎 ( 3 ) ∶ 𝑎 ∈ ℝ}
−2

Por tanto el subespacio propio de A asociado al valor propio λ = 0 es:


0 0
VA(0) = L {( 3 )} ; siendo {( 3 )} una base para dicho subespacio.
−2 −2

Para λ2 = 1 los vectores propios son las soluciones no nulas del sistema:
0 0 0 𝑥 0
(−3 −9 −15) (𝑦) = (0)
2 6 10 𝑧 0
−3𝑎 − 5𝑏
Siendo: {( 𝑎 ) : 𝑎, 𝑏 ∈ ℝ}
𝑏
El conjunto de soluciones, por tanto el subespacio propio es:
−3 −5
VA(1) = L {( 1 ) , ( 0 )}
0 1
−3 −5
Y {( 1 ) , ( 0 )} es una base de vectores propios de VA(1)
0 1

Veamos a continuación algunas propiedades de los valores propios.

Proposicion 1.1.5 Sea A una matriz cuadrada. Entonces las siguientes afirmaciones son
equivalentes

(a) λ es un valor propio de A


(b) Ker(λI – A) ≠ {0}
(c) La matriz λI – A es singular → |λI – A| = 0

Demostración

Es consecuencia inmediata de las definiciones anteriores.

Proposición 1.1.6 Un vector propio de una matriz cuadrada esta asociado a un único
valor propio.

Demostración.

Sea v ≠ 0 un vector propio de A asociado al valor propio λ, es decir Av = λv.


Supongamos que v también esta asociado al valor propio α, es decir Av=αv. Restando
ambas ecuaciones se tiene λv = αv y como v ≠ 0 necesariamente λ = α

Proposición 1.1.7 Sea A una matriz cuadrada. Entonces


(a) A y At tiene los mismo valores propios con las mismas multiplicidades
algebraicas.
(b) Si λ es valor propio de A y k ≥ 1, entonces λk es un valor propio de Ak.

Demostración

a) El polinomio característico de At es
PAt (λ) = det (λI – At) = det[(λI – A)t] = det(λI – A) = PA(λ)

Ya que el determinante de una matriz y su transpuesta son iguales, entonces A


y At tienen el mismo polinomio característico y, en consecuencia, los mismos
valores propios con las mismas multiplicidades.

b) Si λ es valor propio de A, entonces existe un vector v no nulo tal que Av = λv.


Multiplicando esta ecuación por A se obtiene A2v = λ2v. Si reiteramos la
multiplicación por A, se obtiene Akv = λkv lo que significa que λk es valor propio
de Ak. Además, los vectores propios de A y de Ak coinciden.

Proposición 1.1.8 Sean A y B dos matrices semejantes. Entonces A y B tienen los


mismos valores propios con las mismas multiplicidades algebraicas.

Demostración

Como A y B son matrices semejantes se tiene que B = P-1AP para alguna matriz P
invertible:

Luego PB (λ) = det(λI – B) = det(λI – P-1AP)

= det [ P-1(λI – A)P] = det(P-1)det(λI – A)det(P) = det(λI – A) = PA(λ)

Como PB (λ) = PA (λ) y los valores propios son las raíces del polinomio característico
entonces A y B tienen los mismos valores propios con las multiplicidades algebraicas.

Ejemplo 3

Sean A y B matrices semejantes es decir B = P-1AP para alguna matriz P inversible. Si v


es un vector propio de B asociada al valor propio λ, entonces Pv es un vector propio de
A asociado al valor propio λ.
En efecto si V es un vector propio de B asociado al valor propio de λ entonces Bv = λv

Es decir P-1APv = λv

Multiplicando por P obtenemos A (Pv) = λ (Pv)

Por tanto Pv es un vector propio de A asociado al valor propio λ.

1.2 Valor y vectores propios de un endomorfismo

Definición 1.2.1. Sea V un K – espacio vectorial, T: V V endomorfismo. Diremos


que λ ϵ K es un valor propio de T si existe un vector no nulo v ϵ V tal que:

Tv = λv

En este caso se dice que el vector v es un vector propio de T asociado al valor propio λ.

Definición 1.2.2. Sea λ un valor propio de un endomorfismo T definido en un K –


espacio vectorial V. El subespacio vectorial de V.

VT (λ) = { v ϵ V : Tv = λv}

Es llamado subespacio propio de T asociado al valor propio λ.

El subespacio propio asociado a λ contiene el vector nulo de V y a todos los vectores


propios asociados a dicho valor propio.

La dimensión del subespacio propio es llamado multiplicidad geométrica de λ.

Definición 1.2.3. Sea W un subespacio vectorial de un K – espacio vectorial V, T un


endomorfismo definido en V. Diremos que W es invariante por T si T(W) ⊂ W

Proposición 1.2.4 Sea T: V V un endomorfismo entonces todo subespacio


propio VT (λ) es invariante por T.

Demostración

Si v ϵ VT (λ) por demostrar que Tv ϵ VT (λ)

Como T[Tv] = T(λv) = λTv, entonces Tv ϵ VT (λ)

Veremos que cuando el espacio vectorial V es de dimensión finita el calculo de valores


y vectores propios en un endomorfismo se reduce al calculo de los correspondientes
valores y vectores propios de la matriz de dicho endomorfismo respecto a una base
cualquiera de V
Así pues consideremos el endomorfismo T definido en un espacio vectorial V finito
dimensional.

Sea λ un valor propio de T y v un vector propio asociado a dicho valor propio, entonces
Tv = λv. Lo cual es equivalente a (λI-T) v = 0

Esto nos dice que los vectores propios del endomorfismo T, asociados al valor propio λ,
son los vectores no nulos del núcleo del endomorfismo λI – T. Para que el núcleo de
dicho endomorfismo no se reduzca al vector nulo es necesario que se verifique

Det (λI – T) = 0

Por tanto, los valores propios del endomorfismo T son los escalares λ que satisfacen.

Este comentario permite dar la siguiente definición.

Definición 1.2.5. Se llama polinomio característico de T al determinante del


endomorfismo (λI – T) y se denota por PT (λ).

Como sabemos, el determinante de un endomorfismo es el determinante de su matriz


asociada respecto a una base cualquiera.

Proposición 1.2.6.- Sea V un K – espacio vectorial finito dimensional, B = {v1, v2, …, vn}
una base para V, T : V V un endomorfismo, A la matriz asociada a T en la base
B es decir A = [T]B. Entonces T y A tienen los mismos valores propios.

Demostración.-

Como : [λI – T]B = [λI]B