DIAGONALIZACIÓN POR
TRANSFORMACIONES DE
SEMEJANZA
Diagonalización de una matriz cuadrada mediante una transformación de semejanza,
utilizando los conceptos de autovalor y autovector.
1. INTRODUCCIÓN.
Se plantea un primer problema:
Encontrar, la matriz más sencilla posible que sea semejante a A, así como la matriz de
paso correspondiente.
Cuanto más sencilla sea la estructura de una matriz, más fácil será obtener información
acerca del endomorfismo al que representa.
Entre las matrices más sencillas se encuentran las diagonales, ya que ofrecen muchas
facilidades de cálculo.
Definición.
A ∈ Enxn (K) es diagonalizable si es semejante a una matriz diagonal D ⇒∃ P inversible
tal que P-1 AP sea diagonal.
1 Esta afirmación se basa en que existe una aplicación lineal biyectiva
(isomorfismo) entre E y n K , que es la aplicación coordenada ( B x x) ∈
→E C ( ).
Siguiente problema general:
Dado un endomorfismo, (ó la matriz que lo representa) encontrar los vectores que
tengan una imagen que les sea proporcional, y estudiar el conjunto de vectores sujetos ó
ligados a un factor de proporción dado (valor propio).
2. Autovalores y Autovectores
Definición.
Sea A ∈ Enxn (K) la matriz asociada al endomorfismo f : → en una base dada de
y λ un autovalor de A (ó de f).
x ∈ , x ≠ 0, es un autovector o vector propio de A (ó del
endomorfismo f ) si existe λ ∈ K tal que A x = λx (f(x) = λx)
λ es un autovalor de A (ó de f ) ⇔el endomorfismo f − λI caracterizado por la
matriz
A I − λ no es inyectivo
Inyectivo: el núcleo de A I − λ no se reduce al vector nulo de .
Así, 0 es un autovalor de f si y solamente si f no es inyectivo.
Subespacio vectorial propio de A asociado a λ :
V( λ )¿ Ker ( A− λ I )= { x ∈k / A ⋅ x =λ ⋅ x }={ x ∈k /( A−λ I )⋅ x=0 }
n n
sus vectores no nulos son los vectores propios asociados a λ .
Cálculo de autovalores y autovectores.
La ecuación A⋅x = λ ⋅x define los autovalores y autovectores.
A−λI ⋅ x ¿ 0 ⇒ Los autovectores, si existen, son los vectores solución del sistema lineal
homogéneo resultante.
Este sistema tiene soluciones distintas de la trivial nula si y sólo si la matriz A−λI es
singular: determinante de | A−λI |=0
Autovalores de A: aquellos valores λ ∈ K que hacen | A−λI |=0.
Para cada autovalor λ se calculan los subespacios propios V( λ ), resolviendo el sistema
| A−λI |.
Definición.
Polinomio característico de A: pA( λ ) = | A−λI |
Polinomio con coeficientes en K y de grado n, en la variable λ
Ecuación característica de A : pA( λ )¿ 0
El coeficiente de índice n es igual a (-1) n , su coeficiente de índice n − 1 se
obtiene multiplicando la traza de A por (-1) n-1 y su término independiente es
igual al determinante de A.
Luego, λ ∈ K (ℝ o ℂ) es autovalor de A ∈ E nxn (K) si y sólo si es raíz del polinomio
característico y está en K
Si K es el cuerpo ℂ de los números complejos, entonces A posee exactamente n
autovalores, siendo n el orden de la matriz. Por otra parte, si K es el cuerpo ℝ de los
números reales, entonces la matriz A posee a lo sumo n autovalores
Ejemplo.
Polinomio característico pA ( λ ) = λ 2+1
Ecuación característica λ 2+1=0 , que no se anula para ningún valor real.
A ∈ ℝ → no tiene valores propios.
A ∈ ℂ→ , sus autovalores son +i y –i.
Si la matriz A posee n autovalores λ1, λ2, …, λ3 (no tienen por qué ser distintos):
Como esta fórmula debe coincidir con la vista anteriormente:
Los autovalores de A verifican dos propiedades:
Los autovalores pueden ser repetidos o no.
Una matriz cuadrada A es inversible si y sólo si λ = 0 no es autovalor de A.
Ejemplo.
Sea el endomorfismo :
f: ℝ2 → ℝ2
en la base canónica de ℝ2
Expresión matricial de f , en la base canónica de ℝ2 :
Matriz asociada en la base canónica de ℝ2 :
Los autovalores de A son las soluciones de la ecuación característica de A:
Los subespacios propios asociados son respectivamente:
Definición.
Multiplicidad algebraica, mi: número de veces que aparece λ i como raíz de la ecuación
característica.
Multiplicidad geométrica, µi : dimensión del subespacio propio asociado a él autovalor
dim V( λ i)
1 ≤ µ i ≤ m i.
las ecuaciones de V(λi) vienen dadas a partir del sistema: (A- λiI )x = 0.
dim S = n – número de restricciones ⇒ dinV(λi)= n-rg(A-λiI)
A diagonalizable ⇔ mi = µi, ∀ i .
Ejemplo
Polinomio característico de A: pA ( λ ¿ =
(λ−7)2 ⋅( λ−4 )3
λ1 = 7 ; m1 =2
λ2 = 4 ; m2 =3
Un autovector de una matriz cuadrada está asociado a un único autovalor.
Sea x ∈ Kn ( x ≠ 0 ) un autovector de A ∈ Enxn (K) ∧ λ , µ ∈ K ⇒
A ⋅ x = λ ⋅ x
A ⋅ x = µ ⋅ x
Restando ambas ecuaciones se obtiene ( λ − µ )x = 0 , y como x ≠ 0 ⇒ λ = µ ⇒
El autovalor es único.
Sea A ∈ Enxn (K) un matriz triangular (superior ó inferior). Entonces los autovalores de
A son los elementos diagonales de A.
Demostración.
Para hallar autovalores de A se emplea su ecuación característica.
El determinante de una matriz triangular es igual al producto de los elementos
diagonales:
Siendo las soluciones de esta ecuación:
Los autovectores son linealmente independientes ⇒ Entonces, los subespacios propios
asociados a autovalores distintos son disjuntos, es decir: V( λ i) ∩ V( λ j ) = { 0 K } , ∀ λi
n
≠ λj
Las matrices semejantes tienen el mismo polinomio característico y los mismos
autovalores.
Demostración.
Si ∃ P regular tal que B = P-1 AP , se cumple que:
3. Diagonalización en dimensión finita
Sea A ∈ Enxn (K) .
Condición necesaria y suficiente de diagonalización:
A diagonalizable ⇔ tiene n autovectores linealmente independientes.
Demostración.
A diagonalizable ⇒ es semejante a una matriz D diagonal. Como D posee exactamente n
autovalores (los elementos diagonales), A tendrá también n autovalores (los mismos que
D).
λ1, λ2,..., λn son autovalores y x1, x2, …, xn sus autovectores asociados.
Si los autovectores son linealmente independientes, P es inversible y AP = PD ⇒ D=P-1AP.
⇒ AP = PD .
Ejemplo
Diagonalizar, si es posible, la matriz
A ∈ E3x3 (ℝ)
A diagonalizable ⇔
−1
⇔ ∃ P regular / D=P AP
⇔ μ i=mi ⇒ μ i=dim V ¿
Etapa 1. Encontrar los autovalores de A a partir de la ecuación
característica.
Se calculan los autovalores de A, a partir de la ecuación característica de A:
En este caso es un polinomio de grado 3 que se puede factorizar:
λ1 =1 ; m1=2
λ2 = 0
Etapa 2. Encontrar los autovectores linealmente independientes de A.
Para cada autovalor se calculan los vectores propios, es decir, los subespacios propios:
V (λ)=Ker (A− λ I )={ x ∈ℝ 3❑/ A ⋅ x=λ ⋅ x }= { x ∈ℝ 3 /( A−λ I ) ⋅ x=0 }
➔ λ1 =1: V (1)Ker ( A−I )= { x ∈ ℝ /( A−I )⋅ x =0 }
3
Ecuación implícita del subespacio V(1):
→ m1 = 2, es igual a la multiplicidad geométrica: µ 1=dim V(1) =2. ⇒µ1 = mi ⇒A
diagonalizable.
dim V(1) = n rang(A - I) = 3-1 = 2
Subespacio propio asociado a λ1 =1
Base de autovectores de V(1) es BV(1)= {u 1=(−21 0)t ,u 2=(−10 1)t }
➔ λ2 = 0 : V (0)=Ker( A−0 I )=Ker A={ x ∈ ℝ 3 / A ⋅ x=0 } , y los autovalores son
las soluciones del sistema A⋅ x = 0 , es decir
Ecuaciones implícitas del subespacio V(o):
λ2 = 0 → m2=1, es igual a la multiplicidad geométrica: µ = dim V(0) =1. ⇒µ1 = mi ⇒A
diagonalizable.
Subespacio propio asociado a λ2 = 0 :
Base de autovectores de V(0) es BV(0)= {u 3=(111) }
t
Etapa 3. Construir P a partir de los autovectores de la etapa 2.
El orden de colocación de los autovectores no tiene importancia. Los ponemos como
columnas de P
Etapa 4. Construir D a partir de los autovalores asociados.
El orden de colocación de los autovalores para formar D tiene que ser el mismo que el
de los autovectores dispuestos en columnas para formar P.
El autovalor λ1 =1 se repite dos veces:
En este ejercicio, dos opciones posibles de P serían:
Como λ = 0 ⇒ V ( 0)=Ker f ≠ {0 }⇒ f asociado a la matriz A no es inyectivo ⇒ tampoco
sobreyectivo.
4. Autovalores y autovectores de matrices simétricas reales.
Sea una matriz A cuadrada (real) de orden n
A es diagonalizable ortogonalmente
t −1 t −1
⇔ ∃ P ortogonal/ P =P ∧ D=P AP=P AP
⇔ A es simétrica
Inversamente, toda matriz simétrica es diagonalizable ortogonalmente.
❑ ❑
t t❑ t t t t t t❑
Sea A una matriz simétrica real de orden n ⇒ A =(PD P ) =( P ) D P =PD P = A
Los autovectores asociados a autovalores distintos son ortogonales. Pero los
autovectores asociados a un autovalor múltiple no necesariamente son ortogonales.
∃ una base ortonormal de ℝn que se obtiene uniendo bases ortonormales de cada
subespacio propio de A, que pueden hallarse empleando el método de Gram-Schmidt.
Ejemplo.
Diagonalizar ortogonalmente la matriz
Primero diagonalizar la matriz A siguiendo los pasos explicados anteriormente y
obtenemos las bases:
Base de autovectores de V(1) : B V(1) =
Base de autovectores de V(-2): BV(-2)=
B = {u1, u2, u3} es una base de ℝ3 formada por autovectores de A.
Para construir una matriz P ortogonal / P t AP =D, se necesita una base ortonormal. El
subconjunto {u1, u2 } es ortogonal al vector u 3, puesto que son autovectores asociados a
autovalores distintos de A.
A pesar de que u1 y u2 son linealmente independientes, no son ortogonales entre sí.
Entonces, ortogonalizamos sólo {u1, u2} mediante el método de Gram Schmidt:
{v1,, v2} es una base ortogonal de autovectores del subespacio propio V(1). ⇒
{v1, v2, u3} es una base ortogonal de autovectores de A.
Para obtener una base ortonormada se normaliza la base ortogonal anterior:
Luego, B' = {w1, w2, w3} es una base ortonormada de autovectores de A
La matriz P ortogonal es: Matriz diagonal D que es semejante a la
. matriz A.
