cAPITULO 5

Capı́tulo 5.
Vectores propios y valores propios
Jaime Veintimilla Reyes
January 26, 2022
Jaime Veintimilla Reyes Capı́tulo 5.Vectores propios y valores propios January 26, 2022 1 / 55
1 Vectores Propios y Valores Propios
2 La Ecuación Caracterı́stica
3 Diagonalización
4 Preguntas
Examinar la acción de una transformación lineal x → Ax
Todas las matrices en este capı́tulo son cuadradas
Los valores propios se usan para estudiar ecuaciones diferenciales y
sistemas dinámicos continuos
3 Diagonalización
4 Preguntas
Vectores Propios y Valores Propios
Una transformación x → Ax mueve vectores en diversas direcciones

Pero existen vectores especiales sobre los cuales la acción de A resulta
muy sencilla

3 −2 −1 2
EJEMPLO 1 Sean A = ,u = yv= . Las imágenes de
1 0 1 1
u y v bajo la multiplicación por A se muestran en la fi gura 1. En realidad,
Av es justamente 2v. Ası́ que A solo “estira” o dilata v.
DEFINICIÓN
Un vector propio de una matriz A de n × n es un vector x diferente
de cero tal que Ax = λx para algún escalar λ. Un escalar λ se llama
valor propio de A si existe una solución no trivial x de Ax = λx;
una x como ésta se denomina vector propio correspondiente a λ.
Observe que, por definición, un vector propio debe ser distinto de cero,
pero un valor propio sı́ puede ser cero.

1 6 6 3
EJEMPLO 2 Sean A = ,u = ,yv= . ¿Son u y v
5 2 −5 −2
vectores propios de A?

1 6 6 −24 6
Au = = =4 = −4u
5 2 −5 20 −5

1 6 3 −9 3
Av = = 6= λ
5 2 −2 11 −2
Entonces u es un vector propio correspondiente a un valor propio (-4),
pero v no es un vector propio de A porque Av no es un múltiplo de v.
λ es un valor propio de A si, y sólo si, la ecuación homogénea
[A − λI ]x = 0 (3)
tiene una solución no trivial (x 6= 0)

El conjunto de todas las soluciones de (3) es justamente el espacio
nulo de la matriz [A − λI ]
Este conjunto es un subespacio de R n y se llama el espacio propio
de correspondiente a λ
Este espacio contiene el vector 0 y todos los vectores propios
correspondientes a λ.
 
4 −1 6
EJEMPLO 4 Sea A = 2 1 6. Un valor propio de A es 2.
2 −1 8
Encuentre una base para el espacio propio correspondiente.
Solución Forme
     
4 −1 6 2 0 0 2 −1 6
A − 2I = 2 1 6 − 0 2 0 = 2 −1
     6
2 −1 8 0 0 2 2 −1 6
y reduzca por filas la matriz aumentada para (A − 2I )x = 0:

   
2 −1 6 0 2 −1 6 0
2 −1 6 0 ∼ 0 0 0 0
2 −1 6 0 0 0 0 0
En este punto se tiene la seguridad de que 2 sı́ es un valor propio de A
porque la ecuación (A − 2I )x = 0 tiene variables libres. La solución
general es
     
x1 1/2 −3
x2  = x2  1  + x3  0  , x2 y x3 son libres
x3 0 1
El espacio propio, mostrado en la figura 3, es un subespacio bidimensional

de R 3 . Una base es
   
 1 −3 
2 ,  0 
0 1
 
Teorema 1
Los valores propios de una matriz triangular son las entradas de su
diagonal principal.
DEMOSTRACIÓN En aras de la simplicidad, considere el caso de 3 × 3.

Si A es triangular superior, entonces A − λI es de la forma
     
a11 a12 a13 λ 0 0 a11 − λ a12 a13
A − λI =  0 a22 a23  −  0 λ 0  =  0 a22 − λ a23 
0 0 a33 0 0 λ 0 0 a33 − λ
El escalar λ es un valor propio de A si, y sólo si, la ecuación (A − λI )x = 0
tiene una solución no trivial; esto es, si, y sólo si, la ecuación tiene una
variable libre. Debido a las entradas cero en A − λI , es fácil ver que
(A − λI )x = 0 tiene una variable libre si, y sólo si, por lo menos una de las
entradas en la diagonal de A − λI es cero. Esto pasa si, y sólo si, λ es
igual a alguna de las entradas a11 , a22 , a33 de A. Para el caso de que A sea
triangular inferior, vea el ejercicio 28.
Teorema 2
Si v1 , . . . , vr son vectores propios que corresponden a distintos valores
propios λ1 , . . . , λr de una matriz A de n × n, entonces el conjunto
{v1 , . . . , vr } es linealmente independiente.
DEMOSTRACIÓN Suponga que {v1 , . . . , vr } es linealmente dependiente.

v1 es distinto de cero porque un vector propio siempre es distinto de cero.
Si el conjunto es linealmente dependiente, uno de los vectores presente en
el conjunto es una combinación lineal de los vectores precedentes.
vp+1 es una combinación lineal de los vectores precedentes (linealmente
independientes)
c1 v1 + · · · + cp vp = vp+1 (5)
A(c1 v1 + · · · + cp vp ) = A(vp+1 )
c1 Av1 + · · · + cp Avp = Avp+1
c1 λ1 v1 + · · · + cp λp vp = λp+1 vp+1 (6)
c1 v1 + · · · + cp vp = vp+1 (5)
c1 λ1 v1 + · · · + cp λp vp = λp+1 vp+1 (6)
Reemplazamos (5) en (6)
c1 λ1 v1 + · · · + cp λp vp = λp+1 (c1 v1 + · · · + cp vp )
c1 (λ1 − λp+1 )v1 + · · · + cp (λp − λp+1 )vp = 0 (7)
Como {v1 , . . . , vp } es linealmente independiente, los pesos en (7) son

todos iguales a cero.
El enunciado del teorema dice que los vectores propios corresponden a
distintos valores propios λ1 , . . . , λr
De aquı́ que ci = 0 para i = 1, . . . , p.
Pero entonces (5) proclama vp+1 = 0, lo cual es imposible.
Por lo tanto, {v1 , . . . , vp } tiene que ser linealmente independiente.
Vectores propios y ecuaciones en diferencias
xk+1 = Axk (k = 0, 1, 2, . . .) (8)

(8) es una descripción recursiva de una sucesión {xk }
xk = λk x0 (k = 0, 1, 2, . . .) (9)
Axk = A(λk x0 ) = λk (Ax0 ) = λk (λx0 ) = λk+1 x0 = xk+1

xk+1 = Axk
3 Diagonalización
4 Preguntas
La Ecuación Caracterı́stica
Los valores propios de una matriz cuadrada A se encuentra en una

ecuación escalar llamada ecuación caracterı́sticade A.
2 3
EJEMPLO 1 Encuentre los valores propios de A =
3 −6
Solución Deben encontrarse todos los escalares λ tales que la ecuación
matricial
(A − λI )x = 0
tenga una solución no trivial (x 6= 0)
O sea, de acuerdo con el teorema 8 de la matriz invertible de la sección

2.3, la matriz [A − λI ] no es invertible.
Entonces: det(A − λI ) = 0

2 3 λ 0 2−λ 3
A − λI = − =
3 −6 0 λ 3 −6 − λ

2−λ 3
det(A − λI ) = det =0
3 −6 − λ
det(A − λI ) = (2 − λ)(−6 − λ) − (3)(3)
= −12 + 6λ − 2λ + λ2 − 9
= λ2 + 4λ − 21 = 0
(λ − 3)(λ + 7) = 0
Los valores propios de A son 3 y -7
Resumen de las propiedades de los determinantes
Sean A una matriz de n × n, U cualquier forma escalonada de A

mediante reemplazo e intercambio de filas, y r la cantidad de tales
intercambios de filas.
Sección 3.2 “Propiedades de los determinantes”:
 !
(−1)r ·
 Producto de los
cuando A es invertible
det A = pivotes de U

0 cuando A no es invertible

 
1 5 0
EJEMPLO 2 Calcule det A para A = 2 4 −1
0 −2 0
Solución La siguiente reducción por filas utiliza un intercambio de filas:
     
1 5 0 1 5 0 1 5 0
A ∼ 0 −6 −1 ∼ 0 −2 0  ∼ 0 −2 0  = U1
0 −2 0 0 −6 −1 0 0 −1
Entonces det A = (−1)1 (1)(−2)(−1) = −2.
La siguiente reducción por filas alternativa evita el intercambio entre filas y

produce una forma escalonada diferente
   
1 5 0 1 5 0
A ∼ 0 −6 −1 ∼ 0
   −6 −1  = U2
0 −2 0 0 0 1/3
Esta vez det A es (−1)0 (1)(−6)(1/3) = −2, igual que antes.

Sección 2.3
TEOREMA 8: El teorema de la matriz invertible

Sea A una matriz cuadrada n x n. Entonces, los siguientes enunciados
son equivalentes. Esto es, para una A dada, los enunciados son o
todos ciertos o todos falsos.
a. A es una matriz invertible.
b. A es equivalente por filas a la matriz identidad n x n.
c. A tiene n posiciones pivote.
d. La ecuación Ax = 0 tiene solamente la solución trivial.
e. Las columnas de A forman un conjunto linealmente independiente.
Sección 2.3
TEOREMA 8: El teorema de la matriz invertible

f. La transformación lineal x → Ax es uno a uno.
g. La ecuación Ax = b tiene por lo menos una solución para toda b
en R n .
h. Las columnas de A generan R n .
i. La transformación lineal x → Ax mapea R n sobre R n .
j. Existe una matriz C de n x n tal que CA = I.
k. Existe una matriz D de n x n tal que AD = I.
l. AT es una matriz invertible.
Sección 2.3
TEOREMA
Teorema de la matriz invertible (continuación)
Sea A una matriz de n × n. Entonces A es invertible si, y sólo si:
s. El número 0 no es un valor propio de A.
t. El determinante de A no es cero.
Si A es una matriz de 3 × 3, entonces |det A| es el volumen del
paralelepı́pedo determinado por las columnas a1 , a2 , a3 de A
Este volumen es distinto de cero si, y sólo si, los vectores a1 , a2 , a3
son linealmente independientes y la matriz A es invertible
Teorema 3: Propiedades de los determinantes
Sean A y B matrices de n × n.
a. A es invertible si, y sólo si, detA 6= 0.
b. detAB = (detA)(detB).
c. detAT = detA. d. Si A es triangular, entonces detA es el pro-
ducto de las entradas que están en la diagonal principal de A.
e. Una operación de reemplazo de fila en A no cambia el deter-
minante. Un intercambio de fila cambia el signo del determinante.
Un escalamiento de fila también escala el determinante por el mismo
factor escalar.
La ecuación caracterı́stica
La ecuación escalar det(A − λI ) = 0 es la ecuación caracterı́stica de A
Un escalar λ es un valor propio de una matriz A de n × n si, y sólo

si, λ satisface la ecuación caracterı́stica
det(A − λI ) = 0
EJEMPLO 3 Encuentre la ecuación caracterı́stica de
 
5 −2 6 −1
0 3 −8 0 
A= 0 0

5 4
0 0 0 1
Solución Forme A − λI , y use el teorema 3(d):

 
5 − λ −2 6 −1
 0 3 − λ −8 0 
det(A − λI ) = det  
 0 0 5−λ 4 
0 0 0 1−λ
= (5 − λ)(3 − λ)(5 − λ)(1 − λ)
La ecuación caracterı́stica es
(5 − λ)2 (3 − λ)(1 − λ) = 0
o bien
(λ − 5)2 (λ − 3)(λ − l) = 0
Al desarrollar el producto, también puede escribirse
λ4 − 14λ3 + 68λ2 − 130λ + 75 = 0
Puede mostrarse que si A es una matriz de n × n, entonces det(A − λI ) es

un polinomio de grado n llamado polinomio caracterı́stico de A.
El valor propio 5 del ejemplo tiene multiplicidad 2 porque (λ − 5) aparece

dos veces como factor del polinomio caracterı́stico
EJEMPLO 4 El polinomio caracterı́stico de una matriz de 6 × 6
esλ6 − 4λ5 − 12λ4 . Encuentre los valores propios y su multiplicidad.
Solución Factorice el polinomio
λ6 − 4λ5 − 12λ4 = λ4 (λ2 − 4λ − 12) = λ4 (λ − 6)(λ + 2)
Los valores propios son 0 (multiplicidad 4), 6 (multiplicidad 1), y -2

(multiplicidad 1)
Semejanza
Si A y B son matrices de n × n, entonces A es semejante a B si

existe una matriz invertible P tal que P −1 AP = B
Teorema 4
Si las matrices A y B de n × n son semejantes, entonces tienen el
mismo polinomio caracterı́stico y, por lo tanto, los mismos valores
propios (con las mismas multiplicidades).
DEMOSTRACIÓN Si B = P −l AP, entonces
B − λI = P −1 AP − λP −1 P = P −1 (AP − λP) = P −1 (A − λI )P
Con el uso de la propiedad multiplicativa (b) del teorema 3, se calcula
det(B −λI ) = det[P −1 (A−λI )P] = det(P −1 )·det(A−λI )·det(P) (2)
Como det(P −1 ) · det(P) = det(P −1 P) = det I = 1.
det(B − λI ) = det(A − λI )
Aplicación a la evolución discreta de sistemas dinámicos

.95 .03
EJEMPLO 5 Sea A = Analice el comportamiento a largo
.05 .97
plazo delsistema dinámico definido por xk+1 = Axk (k = 0, 1, 2, . . .), con
.6
x0 =
.4
Solución El primer paso es encontrar los valores propios de A y una base
para cada espacio propio. La ecuación caracterı́stica de A es
det[A − λI ] = 0

.95 − λ .03
0 = det = (.95 − λ)(.97 − λ) − (.03)(.05)
.05 .97 − λ
= λ2 − 1.92λ + .92
Por la fórmula cuadrática
λ = 1, o λ = 0.92
Reemplazando cada λ en la ecuación [A − λI ]x = 0 obtenemos los
vectores propios correspondientes

3 1
v1 = y v2 =
5 −1
respectivamente
El siguiente paso es escribir la x0 dada en términos de v1 y v2 . Esto puede
hacerse porque {v1 , v2 } es, evidentemente, una base para R 2 . (¿Por qué?)
Ası́, existen pesos c1 y c2 tales que
v1 y v2 son una base de R 2 porque son vectores que están en R 2 y además
son linealmente independientes. Si x0 está en R 2 , entonces:

c1
x0 = c1 v1 + c2 v2 = v1 v2 (3)
c2
De hecho −1
c1 −1 3 1 .60
= v1 v2 x0 =
c2 5 −1 .40

1 −1 −1 .60 .125
= = (4)
−8 −5 3 .40 .225
Como v1 y v2 en (3) son vectores propios de A, con Av1 = v1 y
Av2 = .92v2 , se calcula fácilmente cada xk :
x1 = Ax0 = c1 Av1 + c2 Av2 Usando la linealidad de x → Ax
= c1 v1 + c2 (.92)v2 v1 y v2 son vectores propios

x2 = Ax1 = c1 Av1 + c2 (.92)Av2 = c1 v1 + c2 (.92)2 v2
y ası́ sucesivamente. En general,
xk = c1 v1 + c2 (.92)k v2 (k = 0, 1, 2, . . .)
Al usar c1 y c2 de (4),

3 k 1
xk = .125 + .225(.92) (k = 0, 1, 2, . . .) (5)
5 −1
Esta fórmula explı́cita para xk proporciona la solución de la ecuación en

k
xk+1 = Axk . Cuando k → ∞, (.92) tiende a cero y xk tiende
diferencias

.375
a = .125v1
.625
3 Diagonalización
4 Preguntas
Diagonalización
La información vector propio-valor propio contenida en una matriz A

puede representarse con una factorización de la forma A = PDP −1
D significa diagonal
Esta factorización permite calcular rápidamente Ak para valores
grandes de k
El cálculo de D k es una operación trivial
2
5 0 2 5 0 5 0 5 0
EJEMPLO 1 Si D = , entonces D = = ,
0 3 0 3 0 3 0 32
y
5 0 52 0
3
3 2 5 0
D = DD = =
0 3 0 33 0 33
En general,
5k

k 0
D = para k ≥ 1
0 3k

7 2
EJEMPLO 2 Sea A = . Encuentre una fórmula para Ak , dado
−4 1
que A = PDP −1 , donde

1 1 5 0
P= yD=
−1 −2 0 3
Solución De la fórmula estándar para el inverso de una matriz de 2 × 2 se

obtiene
−1 2 1
P =
−1 −1
Entonces, por la asociatividad de la multiplicación de matrices,
A2 = (PDP −1 )(PDP −1 ) = PD(P −1 P)DP −1 = PDDP −1

2
2 −1 1 1 5 0 2 1
= PD P =
−1 −2 0 32 −1 −1
..
.
..
.
De nuevo,
A3 = (PDP −1 )A2 = (PDP −1 )PD 2 P −1 = PDD 2 P −1 = PD 3 P −1
En general, para k ≥ 1,
k
k k −1 1 1 5 0 2 1
A = PD P =
−1 −2 0 3k −1 −1
2 · 5k − 3k 5k − 3k

=
2 · 3k − 2 · 5k 2 · 3k − 5k
Teorema 5: El teorema de la diagonalización
Una matriz A de n × n es diagonalizable si, y sólo si, A tiene n

vectores propios linealmente independientes.
De hecho, A = PDP −1 , con D como una matriz diagonal, si, y sólo
si, las columnas de P son n vectores propios de A linealmente inde-
pendientes. En este caso, las entradas diagonales de D son valores
propios de A que corresponden, respectivamente, a los vectores pro-
pios de P.
DEMOSTRACIÓN Primero, observe que si P es cualquier matriz de n ×
n con columnas v1 , . . . , vn , y si D es cualquier matriz diagonal con
entradas diagonales λ1 , . . . , λn , entonces

AP = A v1 v2 · · · vn = Av1 Av2 · · · Avn (1)
mientras que
 
λ1 0 · · · 0
 0 λ2 · · ·
 0 
PD = v1 v2 · · · vn  . .. ..  = λ1 v1 λ2 v2 · · · λn vn (2)
 .. . .
0 0 ··· λn
Suponemos que A es diagonalizable: A = PDP −1 , entonces AP = PD

Av1 Av2 · · · Avn = λ1 v1 λ2 v2 · · · λn vn (3)
Igualando columnas, se encuentra que
Av1 = λ1 v1 , Av2 = λ2 v2 , . . . , Avn = λn vn (4)
Av1 = λ1 v1 , Av2 = λ2 v2 , . . . , Avn = λn vn (4)
Como P es invertible, sus columnas v1 , . . . , vn deben ser linealmente
independientes y por lo tanto diferentes de cero
Entonces λ1 , . . . , λn son valores propios y que v1 , . . . , vn son los vectores

propios correspondientes.
Ası́ queda demostrado que, si A es diagonalizable, entonces A tiene n

vectores propios v1 , . . . , vn linealmente independientes
EJEMPLO 3 Diagonalice la siguiente matriz, si es posible.
 
1 3 3
A = −3 −5 −3
3 3 1
Esto es, encuentre una matriz invertible P y una matriz diagonal D tales
que A = PDP −1 .
Paso 1. Encontrar los valores propios de A.
0 = det(A − λI ) = −λ3 − 3λ2 + 4 = −(λ − 1)(λ + 2)2
Los valores propios son λ = 1 y λ = −2.
Paso 2. Encontrar tres vectores propios de A linealmente
independientes
Se necesitan tres vectores porque A es una matriz de 3 × 3. Éste es el
paso crı́tico. Si falla, entonces el teorema 5 postula que A no puede
diagonalizarse.
Se resuelve, para cada λ la ecuación homogénea (A − λI )x = 0
 
1
Base para λ = 1 : v 1 = −1

1
   
−1 −1
Base para λ = −2; v2 = 1   y v2 = 0 

0 1
Puede comprobarse que {v1 , v2 , v3 } es un conjunto linealmente
independiente.
Paso 3. Estructurar P a partir de los vectores del paso 2
El orden de los vectores no tiene importancia
 
1 −1 −1
P = v1 v2 v3 = −1 1 0
1 0 1
Paso 4. Estructurar D a partir de los valores propios

correspondientes
Es esencial que el orden de los valores propios corresponda al orden elegido
para las columnas de P
Utilice el valor propio λ = −2 dos veces, una para cada uno de los vectores
propios correspondientes a este valor propio
 
1 0 0
D = 0 −2 0 
0 0 −2
Para comprobar:
    
1 3 3 1 −1 −1 1 2 2
AP = −3 −5 −3 −1 1 0  = −1 −2 0 
3 3 1 1 0 1 1 0 −2
    
1 −1 −1 1 0 0 1 2 2
PD = −1 1 0  0 −2 0  = −1 −2 0 
1 0 1 0 0 −2 1 0 −2
Teorema 6
Una matriz de n × n con n valores propios distintos es diagonalizable.
DEMOSTRACIÓN Sean v1 , . . . , vn los vectores propios correspondientes

a los n valores propios distintos de una matriz A. Entonces {v1 , . . . , vn } es
linealmente independiente según el teorema 2 de la sección 5.1. Por lo
tanto A es diagonalizable, de acuerdo con el teorema 5.
TEOREMA 2
Si v1 , . . . , vr son vectores propios que corresponden a distintos valores
propios λ1 , . . . , λr de una matriz A de n × n, entonces el conjunto
{v1 , . . . , vr } es linealmente independiente.
Matrices cuyos valores propios no son distintos
Teorema 7
Sea A una matriz de n × n cuyos valores propios distintos son
λ1 , . . . , λp .
a. Para 1 ≤ k ≤ p, la dimensión del espacio propio para λk

es menor o igual que la multiplicidad del valor propio λk .
b. La matriz A es diagonalizable si, y sólo si, la suma de las
dimensiones de los distintos espacios propios es igual a n, y esto
sucede si, y sólo si, la dimensión del espacio propio para cada λk es
igual a la multiplicidad de λk .
c. Si A es diagonalizable y Bk es una base para el espacio corre-
spondiente a λk para cada k, entonces la colección total de vectores
en los conjuntos B1 , . . . , Bp forma una base de vectores propios para
R n.
EJEMPLO 6 Diagonalice la siguiente matriz, si es posible.
 
5 0 0 0
0 5 0 0
A= 
1 4 −3 0 
−1 −2 0 −3
Solución Como A es una matriz triangular, los valores propios son 5 y -3,
cada uno con multiplicidad 2. Usando el método de la sección 5.1, se
encuentra una base para cada espacio propio.
   
−8 −16
4  4 
Base para λ = 5; v1 = 
 1  y v2 =  0 
  
0 1
   
0 0
0 0
Base para λ = −3; v3 =  1 y v4 = 0
  
0 1
De acuerdo con el teorema 7, el conjunto {v1 , . . . , v4 } es linealmente
independiente. Ası́ que la matriz P = [v1 · · · v4 ] es invertible, y
A = PDP −1 , donde
 
  5 0 0 0
−8 −16 0 0 0 5 0 0
P= 4 4 0 0 y D =  0 0 −3 0 

0 1 0 1
0 0 0 −3
3 Diagonalización
4 Preguntas
Preguntas
¿Alguna Pregunta?.

cAPITULO 5

Cargado por

Copyright:

Formatos disponibles

cAPITULO 5

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

cAPITULO 5

Cargado por

Copyright:

Formatos disponibles

Capı́tulo 5.

Vectores propios y valores propios

Jaime Veintimilla Reyes

January 26, 2022

Una transformación x → Ax mueve vectores en diversas direcciones

tiene una solución no trivial (x 6= 0)

y reduzca por filas la matriz aumentada para (A − 2I )x = 0:

El espacio propio, mostrado en la figura 3, es un subespacio bidimensional

DEMOSTRACIÓN En aras de la simplicidad, considere el caso de 3 × 3.

DEMOSTRACIÓN Suponga que {v1 , . . . , vr } es linealmente dependiente.

c1 (λ1 − λp+1 )v1 + · · · + cp (λp − λp+1 )vp = 0 (7)

Como {v1 , . . . , vp } es linealmente independiente, los pesos en (7) son

xk+1 = Axk (k = 0, 1, 2, . . .) (8)

Axk = A(λk x0 ) = λk (Ax0 ) = λk (λx0 ) = λk+1 x0 = xk+1

Los valores propios de una matriz cuadrada A se encuentra en una

O sea, de acuerdo con el teorema 8 de la matriz invertible de la sección

Sean A una matriz de n × n, U cualquier forma escalonada de A

Entonces det A = (−1)1 (1)(−2)(−1) = −2.

La siguiente reducción por filas alternativa evita el intercambio entre filas y

Esta vez det A es (−1)0 (1)(−6)(1/3) = −2, igual que antes.

TEOREMA 8: El teorema de la matriz invertible

TEOREMA 8: El teorema de la matriz invertible

La ecuación escalar det(A − λI ) = 0 es la ecuación caracterı́stica de A

Un escalar λ es un valor propio de una matriz A de n × n si, y sólo

Solución Forme A − λI , y use el teorema 3(d):

λ4 − 14λ3 + 68λ2 − 130λ + 75 = 0

Puede mostrarse que si A es una matriz de n × n, entonces det(A − λI ) es

El valor propio 5 del ejemplo tiene multiplicidad 2 porque (λ − 5) aparece

λ6 − 4λ5 − 12λ4 = λ4 (λ2 − 4λ − 12) = λ4 (λ − 6)(λ + 2)

Los valores propios son 0 (multiplicidad 4), 6 (multiplicidad 1), y -2

Si A y B son matrices de n × n, entonces A es semejante a B si

DEMOSTRACIÓN Si B = P −l AP, entonces

det(B −λI ) = det[P −1 (A−λI )P] = det(P −1 )·det(A−λI )·det(P) (2)

Como det(P −1 ) · det(P) = det(P −1 P) = det I = 1.

x1 = Ax0 = c1 Av1 + c2 Av2 Usando la linealidad de x → Ax

= c1 v1 + c2 (.92)v2 v1 y v2 son vectores propios

Esta fórmula explı́cita para xk proporciona la solución de la ecuación en

La información vector propio-valor propio contenida en una matriz A

Solución De la fórmula estándar para el inverso de una matriz de 2 × 2 se

A2 = (PDP −1 )(PDP −1 ) = PD(P −1 P)DP −1 = PDDP −1

A3 = (PDP −1 )A2 = (PDP −1 )PD 2 P −1 = PDD 2 P −1 = PD 3 P −1

Una matriz A de n × n es diagonalizable si, y sólo si, A tiene n

Suponemos que A es diagonalizable: A = PDP −1 , entonces AP = PD

Igualando columnas, se encuentra que

Av1 = λ1 v1 , Av2 = λ2 v2 , . . . , Avn = λn vn (4)

Entonces λ1 , . . . , λn son valores propios y que v1 , . . . , vn son los vectores

Ası́ queda demostrado que, si A es diagonalizable, entonces A tiene n

0 = det(A − λI ) = −λ3 − 3λ2 + 4 = −(λ − 1)(λ + 2)2

Los valores propios son λ = 1 y λ = −2.

Paso 4. Estructurar D a partir de los valores propios

DEMOSTRACIÓN Sean v1 , . . . , vn los vectores propios correspondientes

a. Para 1 ≤ k ≤ p, la dimensión del espacio propio para λk

También podría gustarte