5 AutovectoresYAutovalores

Capı́tulo 5
Autovalores y autovectores
5.1 Introduccion
Ejemplo 5.1.1. El ciclo de vida de un búho manchado se divide natural-
mente en tres etapas
• Juvenil (hasta un año de edad);
• Subadulto (de uno a dos años);
• Adulto (más de dos años).
Los búhos aparean de por vida en las etapas de subadulto y adulto y empiezan
a criar cuando son adultos.
Un primer paso, en el estudio de la dinámica poblacional, consiste en
modelar la población en intervalos anuales, en tiempos que se se denotan
con k = 0, 1, 2, . . .
En general se asume que hay una relación 1 : 1 de machos a hembras y
por lo tanto en cada etapa de ciclo de vida solo se cuenta a las hembras.
Los estudios muestran las siguientes relaciones entre la población a año
k y k + 1 : el número de hembras juveniles de cada año es el 33% de las
hembras adultas del año anterior. Mientras que las subadultas son el 18%
de las juveniles del año pasado. Por ultimo las adultas de cada año son 94%
de las adultas del año anterior más 71% de la subadultas del año anterior.
Pasemos los datos a un lenguaje que nos permita trabajar de manera
cómoda. Comencemos por denotar a la población a año k con el siguiente
vector �vk = (jk , sk , ak ), donde
jk = número de hembras jovenes;
sk = número de hembras subadultas;
ak = número de hembras adultas.
Entonces nuestros estudios nos dicen lo siguiente
jk+1 = 0.33ak
sk+1 = 0.18jk
ak+1 = 0.71sk + 0.94ak
Matricialmente podemos escribir esta relación de la siguiente manera
    
jk+1 0 0 0.33 jk
sk+1  = 0.18 0 0   sk 
ak+1 0 0.71 .94 ak
95
96 5.1. INTRODUCCION
Si llamamos  
0 0 0.33
A = 0.18 0 0 
0 0.71 0.94
resulta que
t
�vk+1 = A�vkt .
Entonces si queremos averiguar la población a año 20 tenemos que realizar
el siguiente calculo.
�v1t = A�v0t
�v2t = A�v1t = A2�v0t
�v3t = A�v2t = A3�v0t
..
.
t t
�v20 = A�v19 = A20�v0t
Entonces necesitamos calcular A20 para poder calcular �v20 .

Ejemplo 5.1.2. La población activa de un paı́s se clasifica en 3 categorı́as
profesionales: técnicos superiores (ts), obreros especializados (oe) y obreros
no especializados (one). Ası́, en cada generación k la fuerza de trabajo del
paı́s está caracterizada por el número de personas incluidas en las 3 cate-
gorı́as, es decir ts, oe y one. Suponiendo que:
• Cada trabajador activo sólo tiene un hijo.
• El 50% de los hijos de los ts lo son también, el 25% pasa a ser oe y el
25% restante es one.
• Los hijos de los oe, se reparten entre las 3 categorı́as según los porcen-
tajes. 30%, 40% y 30%.
• Para los hijos de los one las proporciones de reparto entre las categorı́as
son 50%, 25% y 25%.
Plantear en forma matricial un modelo que represente la distribución de
la fuerza del trabajo del paı́s de generación en generación. ¿Cuál será la
distribución de los trabajadores a largo plazo independientemente de la dis-
tribución inicial?
Solución. En este caso la información del problema se puede expresar de
la siguiente manera
    
ts(k + 1) 0, 5 0, 3 0, 5 ts(k)
 oe(k + 1)  = 0, 25 0, 4 0, 25  oe(k)  .
one(k + 1) 0, 25 0, 3 0, 25 one(k)
� ��
vk+1 A vk
CAPÍTULO 5. AUTOVALORES Y AUTOVECTORES 97
Entonces, si miramos la evolución del tiempo, vemos que
v1 = Av0
v2 = Av1 = AAv0 = A2 v0
v3 = Av2 = AA2 v0 = A3 v0
Podemos concluir que, a tiempo k tenemos que
vk = Ak v0 .
¿Cómo calculamos Ak ?
Ejemplo 5.1.3. Fidelidad a una marca determinada.
Supongamos que un producto (digamos por ejemplo leche) es ofertado por
cuatro empresas que abastecen su demanda. Supongamos que los nombres de
las marcas son A, B, C y D.
Imaginemos que se realiza un análisis sobre 2000 consumidores de ese
producto, obteniéndose los siguientes resultados:
• Consumen la marca A: 475 personas;
• Consumen la marca B: 550 personas;
• Consumen la marca C: 485 personas;
• Consumen la marca D: 490 personas.
Tras sucesivos muestreos repetidos en diferentes periodos, se observa la
siguiente evolución de la demanda de las citadas marcas:
Aumentos Disminuciones
A B C D A B C D Total
A 0 10 5 10 0 5 20 30 445
B 5 0 5 5 10 0 5 25 525
C 20 5 0 15 5 5 0 10 505
D 30 25 10 0 10 5 15 0 505
en donde indicamos por filas los aumentos o disminuciones que ha sufrido
cada marca y de dónde o hacia dónde han ido las preferencias de los consu-
midores.
Si aceptamos que la preferencia de los consumidores se estabiliza en el
tiempo, los datos anteriores se pueden resumir en la siguiente tabla:
A B C D
A 420 10 5 10
B 5 510 5 5
C 20 5 465 15
D 30 25 10 460
Totla 475 550 485 490
98 5.1. INTRODUCCION
A partir de estos datos podemos calcular la matriz de transición de un pe-

riodo a otro, que nos indicará las probabilidades de retención o de transición
de clientes para cada marca, esto es, la fracción de clientes que seguramente
siguen consumiendo la misma marca o que se cambian a otras. Esta matriz
se puede obtener dividiendo cada elemento de la tabla anterior por la suma
total de la columna a la que pertenece.
 84 1 1 1 
95 55 97 49
1 51 1 1 
 95 55 97 98 
Q=  
4 1 93 3 
 95 110 97 98 
6 1 2 46
95 22 97 49
Cada elemento qij representa la probabilidad de que un consumidor de la

marca j se pase a la marca i, para i, j = 1, 2, 3, 4 y los elementos de la
diagonal principal de Q indica la probabilidad correspondiente a la fidelidad
de los consumidores a su propia marca.
Con ayuda de esta matriz podemos estudiar el comportamiento de los
consumidores, y por tanto definir nuevas estrategias empresariales en su
competencia con las otras marcas.
Si denominamos vk al vector de 4 componentes que nos proporciona las
distintas situaciones en el periodo k−ésimo (la cantidad de consumidores que
posee cada marca), medidos éstos en unidades convenientes (meses, años,
etc.), tendremos
 
475
550
v0 = 
485

490
v1 = Qv0
v2 = Qv1 = QQv0 = Q2 v0
v3 = Qv2 = QQ2 v0 = Q3 v0 ,
entonces
v k = Qk v 0 .
En los dos últimos ejemplos se ve que necesitamos encontrar una manera

eficiente de calcular potencias altas de matrices cuadradas.
La pregunta que uno se puede hacer en este contexto es: ¿Para que
matrices es simple “simple”Ak ?
Por ejemplo si tengo una matriz diagonal

 
d1 0 0 ··· 0
 0 d2 0 ··· 0
 
 .. 
D =  ... . . . ..
.
..
. .
 
 0 ··· 0 dn−1 0
0 ··· 0 0 dn
no es difı́cil ver que

 
dk1 0 0 ··· 0
 0 dk 0 ··· 0
 2 
k  .. . . .. .. ..  .
D =. . . . .
 
 0 ··· 0 dkn−1 0
0 ··· 0 0 dkn
Entonces surge una nueva pregunta: ¿si A es una matriz de n × n, como

la puedo relacionar con una matriz diagonal para que sea simple calcular
Ak ? Esta es la pregunta que responderemos en este capitulo.
5.2 Matrices semejantes
Definición 5.2.1.
Sea A, B ∈ Cn×n . Decimos que A y B son semejantes (o similares)

si existe una matriz no singular P ∈ Cn×n tal que
B = P AP −1 .
Ejemplo 5.2.2. Por ejemplo

� ��
1 1 −i 0 1/2 −i/2 0 −1
=
i −i 0 i 1/2 i/2 1 0
y no es difı́cil ver que

� �−1 � �
1 1 1/2 −i/2
= .
i −i 1/2 i/2
� � � �
−i 0 0 −1
Entonces y son equivalentes.
0 i 1 0
100 5.3. AUTOVALORES Y AUTOVECTORES
Proposición 5.2.3 (Propiedades de las matrices semejantes).
Sean A, B, C ∈ Cn×n . Entonces:
• A es semejante a ella misma;
• Si A es semejante a B entonces B es semejante a A;
• Si A es semejante a B y B es semejante a C entonces A es

semejante a C;
• Si A y B son semejantes entonces Ak y B k son semejantes;
• Dos matrices semejantes tienen el mismo rango;
• Dos matrices semejantes tienen el mismo determinante;
� � � �
1 2 1 4
Ejemplo 5.2.4. ¿ A = es semejante a B = ?
4 3 3 2
Podemos observar que det(A) = −5 pero det(B) = −10. Por lo tanto A
y B no son semejeantes.
5.3 Autovalores y autovectores

Observemos que si una matriz cuadrad A es semejante a una matriz
diagonal D entonces existe una matriz inversible P tal que
A = P DP −1
es decir
AP = P D.
Si Pi son la columnas de P, la ultima igualdad la podemos escribir de la

siguiente manera
(AP1 | · · · |APn ) = (d11 P1 | · · · |dnn Pn ),
es decir
APi = dii Pi .
Sea A ∈ Cn×n . Un número complejo λ se llama autovalor de A si

existe un vector �v ∈ Cn no nulo tal que
A�v t = λ�v t .
El vector �v se denomina autovector de A correspondiente al auto-

valor λ.
� �
10 −18
Ejemplo 5.3.2. Sea A = . Entonces
6 −11
� � � ��
2 10 −18 2 2
A = = ,
1 6 −11 1 1
� � � ��
3 10 −18 3 −6 3
A = = = −2 .
2 6 −11 2 −4 2
Entonces (2, 1) y (3, 2) son autovectores de A asociados a 1 y −2 respecti-

vamente.
Observemos que si A ∈ Cn×n y λ es un autovalor de A entonces existe

�v ∈ Cn no nulo tal que
A�v t = λ�v t ⇐⇒ λ�v t − A�v t = 0 ⇐⇒ (λIn − A)�v t = 0
luego existe �v autovector de A asicado a λ si y solo si
det(λIn − A) = 0
Dada A ∈ Cn×n . El polinomio
pA (λ) := det(λIn − A)
se denomina el polinomio caracterı́stico de A.
La ecuación
pA (λ) = 0
se denomina ecuación caracterı́stica de A.

Propiedad 5.3.4.
Sea A ∈ Cn×n . Entonces λ es un autovalor de A si y solo si λ es una

raı́z de pA .
Ejemplo 5.3.5. El polinomio caracterı́stico de

� �
1 2
A= ,
4 3
es
��
λ 0 1 2 λ − 1 −2
pA (λ) = det(λI2 − A) = det − = det
0 λ 4 3 −4 λ − 3
= (λ − 1)(λ − 3) − 8 = λ2 − 4λ − 5 = (λ − 5)(λ + 1).
Entonces 5 y −1 son autovalores de A.

� �
i 1
A= ,
0 i+1
es
� �
λ−i −1
pA (λ) = det(λI2 − A) = det = (λ − i)(λ − i − 1).
0 λ−i−1
Entonces i y i + 1 son autovalores de A.
Propiedad 5.3.7.
Si A ∈ Rn×n y z ∈ C es un autovalor de A entonces z también es un

autovalor de A.
Demostración. Si A ∈ Rn×n entonces los coeficientes del polinomio carac-

terı́stico son reales y por lo tanto
0 = pA (z) = pA (z),
es decir si z es raı́z de pA entonces z también lo es.

 
0 1 0
A = 0 0 1  ,
1 0 0
es
 
λ −1 0
pA (λ) = det(λI3 − A) = det  0 λ −1
−1 0 λ
= λ3 − 1 = (λ − 1)(λ2 + λ + 1).
√ √
−1+ 3i −1− 3i
Entonces 1, 2 y 2 son autovalores de A.
Observación 5.3.9.
Si A ∈ Rn×n y λ ∈ C es un autovalor de A tal que Im(λ) �= 0

entonces todos los autovectores v correspondientes a λ tienen por lo
menos una coordenada con parte imaginaria distinta de 0.
Teorema 5.3.10.
Matrices semejantes tienen el mismo polinomio caracterı́stico.
Demostración. Si B, A ∈ Cn×n son matrices semejantes, es decir existe una

matriz P tal que
B = P AP −1 .
Entonces
λIn − B = λIn − P AP −1 = λP P −1 − P AP −1 = P (λIn − A)P −1 .
Por lo tanto
pB (λ) = det(λIn − B)
= det(P (λIn − A)P −1 )
= det(P ) det(λIn − A) det(P −1 )
1
= det(P )pA (λ)
det(P )
= pA (λ).
Proposición 5.3.11.
Los autovalores de una matriz triangular son los elementos de la

diagonal.
Demostración. Sea A = (aij ) ∈ Cn×n una matriz triangular. Entonces λIn −

A es una matriz triangular y por lo tanto
pA (λ) = det(A − λIn ) = (λ − a11 )(λ − a22 ) · · · (λ − ann ).
Por lo tanto
pA (λ) = 0 ⇐⇒ λ = a11 o λ = a22 o · · · o λ = ann .
Propiedad 5.3.12.
(i) Si λ es un autovalor de A ∈ Cn×n entonces λ es un autovalor

de At .
(ii) Si λ es un autovalor de una matriz no singular A ∈ Cn×n

entonces 1/λ es un autovalor de A−1 .
(iii) Una matriz es singular si y sólo si tiene un autovalor cero.
Demostración. (I) Por las propiedades del determinante

pA (λ) = det(λIn − A)
= det((λIn − A)t )
= det(λInt − At )
= det(λIn − At )
= pAt (λ).
Por lo tanto si λ es un autovalor de A entonces λ es un autovalor de At .
(II) Si λ es un autovalor de A entonces existe �v �= �0 tal que
A�v t = λ�v t .
Si A es inversible entonces λ �= 0 y
�v t = A−1 (λ�v t ) = λA−1�v t .
Por lo tanto
1 t
A−1�v t =
�v .
λ
Lo que implica que 1/λ es autovector de A.
(III) A ∈ Cn×n es singular si y solo si el sistema Axt = 0 es compatible
indeterminado. Es decir A es singular si y solo si existe �v ∈ Cn no nulo tal
que A�v t = 0. O lo que es lo mismo A es singular si y solo si 0 es autovalor
de A.
Sea A ∈ Cn×n y λ un autovalor de A. El espacio
Eλ := {v ∈ Cn : Av t = λv t }
se denomina autoespacio (o espacio propio) de A correspondiente

a λ.
Método.
Procedimiento para calcular autovalores y autovectores de una ma-

triz A ∈ Cn×n .
• Primero encontrar el caracterı́stico de A, pA (λ) = det(λIn −A);
• Buscar las raı́ces λ1 , . . . , λm de pA (λ);
• Se resuelve el sistema homogéneo (λi In − A)v t = 0 para cada

autovalor λi .
Ejemplo 5.3.14. Halle, si existen, autovalores y autovectores de las si-

guientes matrices
� �  
1 2 2 0 0
(a) A = ;
4 3 (c) C =  1 1 1 ;
−1 1 1
� � � �
2 1 0 −1
(b) B = ; (d) D = ;
0 2 1 0
Solución. (a) Comencemos por calcular el polinomio caracterı́stico de A.

� � � � ��
1 0 1 2
pA (λ) = det(λI2 − A) = det λ −
0 1 4 3
� �
λ − 1 −2
= det = (λ − 1)(λ − 3) − 8 = λ2 − 4λ + 3 − 8
−4 λ − 3
= λ2 − 4λ − 5.
El próximo paso es hallar las raı́ces de pA
pA (λ) = 0 ⇐⇒ λ = −1 o λ = 5.
Luego los autovalores de A son −1 y 5.

Ahora busquemos los autovectores.

λ = −1 : buscamos (x, y) no nulo tal que
� � � � ��
1 0 1 2 x 0
− − =
0 1 4 3 y 0
es decir buscamos una solución no nula de

� ��
−2 −2 x 0
= ⇐⇒ −x − y = 0.
−4 −4 y 0
Por lo tanto
E−1 = {t(1, −1) : t ∈ C}.
Luego (1, −1) es una autovector correspondiente a λ = −1.
Observemos que (5, −5) y (− 12 , 12 ) también son autovectores correspon-
dientes al −1. En realidad, para todo t �= 0 tenemos que t(1, −1) es auto-
vector correspondiente al −1.
λ = 5 : buscamos (x, y) no nulo tal que
� � � � ��
1 0 1 2 x 0
5 − = ,
0 1 4 3 y 0
es decir buscamos una solución no nula de

� ��
4 −2 x 0
= ⇐⇒ 2x − y = 0.
−4 2 y 0
Por lo tanto
E5 = {t(1, 2) : t ∈ C}.
Es decir, (1, 2) es una autovector correspondiente a λ = 5.
(b) Comencemos por calcular el polinomio caracterı́stico de B.
� �
λ − 2 −1
pB (λ) = det(λI2 − B) = det = (λ − 2)2 .
0 λ−2
Entonces
pB (λ) = 0 ⇐⇒ λ = 2.
Por lo tanto B solo tiene un autovalor.
Ahora buscamos los autovectores, es decir buscamos (x, y) no nulo tal
que � � � � ��
1 0 2 1 x 0
2 − =
0 1 0 2 y 0
o lo que es lo mismo buscamos una solución no nula de
� ��
0 −1 x 0
= ⇐⇒ y = 0.
0 0 y 0
En este caso
E2 = {t(1, 0) : t ∈ C}.
Es decir no tengo dos autovectores correspondientes a λ = 2 que sean lineal-
mente independientes. El (1, 0) es un autovector correspondiente a λ = 2.
(c) Comencemos por calcular el polinomio caracterı́stico de C.
pC (λ) = det(λI3 − C)
 
λ−2 0 0
= det  −1 λ − 1 −1 
1 −1 λ − 1
= (λ − 2)(λ − 1)2 − (λ − 2)
� �
= (λ − 2) (λ − 1)2 − 1
= (λ − 2)(λ2 − 2λ)
= λ(λ − 2)2
Entonces
pC (λ) = 0 ⇐⇒ λ = 0 o λ = 2.
Por lo tanto 0 y 2 son los autovalores de C.
Ahora buscamos los autovectores.
λ = 0 : buscamos (x, y, z) no nulo tal que
        
1 0 0 2 0 0 x 0
0 0 1 0 −  1 1 1 y  = 0
0 0 1 −1 1 1 z 0
     �
−2 0 0 x 0
−1 −1 −1 y  = 0 ⇐⇒ x = 0,
1 −1 −1 z 0 y + z = 0,
En este caso
E0 = {t(0, 1, −1) : t ∈ C}.
Por lo tanto (0, 1, −1) es un autovector correspondiente a λ = 0.
λ = 2 : buscamos (x, y, z) no nulo tal que
        
1 0 0 2 0 0 x 0
2 0 1 0 −  1 1 1 y  = 0
0 0 1 −1 1 1 z 0
    
0 0 0 x 0
−1 1 −1 y  = 0 ⇐⇒ x − y + z = 0.
1 −1 1 z 0
En este caso
E2 = {t(1, 1, 0) + s(0, 1, 1) : t, s ∈ C}.
Por lo tanto (1, 1, 0) y (0, 1, 1) son autovectores correspondiente a λ = 2.

(d) Comencemos por calcular el polinomio caracterı́stico de D.
��
0 −1 1 0
pD (λ) = det(D − λI2 ) = det −λ
1 0 0 1
� �
−λ 1
= det = λ2 + 1.
−1 −λ
Entonces
pD (λ) = 0 ⇐⇒ λ = ±i.
Ahora busquemos los autovalores, comencemos con λ = i.
� � � � � � ��
0 1 0 0 −1 x i 1 x
= i − =
0 0 1 1 0 y −1 i y
⇐⇒ ix + y = 0.
Por lo tanto
Ei = {t(1, −i) : t ∈ C}.
Luego (1, −i) es un autovector de autovalor i.
En el caso que λ = −i tenemos que
� � � � � � ��
0 1 0 0 −1 x −i 1 x
= −i − =
0 0 1 1 0 y −1 −i y
⇐⇒ −ix + y = 0.
Por lo tanto
E−i = {t(1, i) : t ∈ C}.
Luego (1, i) es un autovector de autovalor −i.
Proposición 5.3.15.
Sea A ∈ Rn×n .
• Si �v ∈ Cn es un autovector de A de autovalor z entonces �v es

un autovector de A de autovalor z.
• Si λ ∈ R es un autovalor de A entonces existe �v ∈ Rn autovector

de A de autovalor λ.
5.4 Diagonalización
Sea A ∈ Cn×n . Decimos que A es diagonalizable, si A es semejante a
una matriz diagonal, es decir si existen D, P ∈ Cn×n tal que D es diagonal,
P es inversible y
A = P DP −1 .
En el caso que A ∈ Rn×n , diremos que A es diagonalizable en R si
existen D, P ∈ Rn×n tal que D es diagonal, P es inversible y
A = P DP −1 .
Por lo que discutimos en la introducción de la Sección 5.3, si A es dia-

gonalizable las columnas de P son autovectores de A. Por lo tanto podemos
deducir el siguiente resultado
Teorema 5.4.1.
Sea A ∈ Cn×n . Entonces A es diagonalizable si y solo si puedo cons-

truir una matriz P ∈ Cn×n tal que sus columnas sean autovectores
de A y resulte inversible.
Ejemplo 5.4.2. Determinar si las siguientes matrices son diagonalizables

� �  
1 2 2 0 0
(a) A = ;
4 3 (c) C =  1 1 1 ;
−1 1 1
� � � �
2 1 0 −1
(b) B = ; (d) D = .
0 2 1 0
En los casos afirmativos, hallar P, P −1 y D.
Solución. (a) Por lo que vimos en el Ejemplo 5.3.14, (1, −1) y (1, 2) son
autovectores de A correspondientes a −1 y 5 respectivamente. Entonces, si
tomamos � � � �
1 −1 −1 0
P = , yD= .
1 2 0 2
No es difı́cil ver que
AP = P D.
Si P es inversible A resulta diagonalizable. Como det(P ) = 1·2−(−1)·1 = 3,
P es inversible y � �
−1 1 2 1
P = .
3 −1 1
110 5.4. DIAGONALIZACIÓN
Entonces
P DP −1 = A.
Por lo tanto A es diagonalizable en R.
(b) En este, caso vimos que B sólo tiene un autovalor λ = 2 y que
Eλ = {t(1, 2) : t ∈ C},
ver Ejemplo 5.3.14. Entonces todos los autovectores de B son de la forma

t(1, 2) con t �= 0. Por lo tanto, cualquier matriz que en su columnas tenga
autovalores de B es singular. Lo que implica B no es diagonalizable.
(c) En este caso vimos en el Ejemplo 5.3.14, que los autovectores de C son
0 y 2. Además probamos que
E0 = {t(0, 1, −1) : t ∈ C}
E2 = {t(1, 1, 0) + s(0, 1, 1) : t, s ∈ C}.
En este caso
     
0 1 −1 0 0 0 −1 1 −2
1
P = 1 1 1 , D = 0 2 0 , P −1 =  2 1 1 .
3
−1 0 1 0 0 2 −1 1 1
Entonces
A = P DP −1 .
O sea que A es diagonalizable en R.
(d) Por último en el Ejemplo 5.3.14, vimos que los autovectores de D son i
y −i. Además tenemos que
Ei = {t(1, −i) : t ∈ C},

E−i = {t(1, i) : t ∈ C}.
En este caso
� � � � � �
1 1 i 0 −1
1/2 i/2
P = ,D= ,P = 1 .
−i i 0 −i /2 −i/2
Teorema 5.4.3.
Sea A ∈ Cn×n . Si A tiene n autovalores distintos entonces A es

diagonalizable.
Ejemplo 5.4.4. Decidir si

 
−6 −3 −25
A= 2 1 8
2 2 7
es diagonalizable.
Solución. Comencemos por hallar el polinomio caracterı́stico de A.

 
λ+6 3 25
pA (λ) = det  −2 λ − 1 −8 
−2 −2 λ − 7
= (λ + 6)(λ − 1)(λ − 7) + 100 + 48 − [−50(λ − 1) + 16(λ + 6) − 6(λ − 7)]
= (λ + 6)(λ − 1)(λ − 7) + 148 − [−40λ + 188]
= (λ + 6)(λ − 1)(λ − 7) + 40λ − 40
= (λ + 6)(λ − 1)(λ − 7) + 40(λ − 1)
= (λ − 1) [(λ + 6)(λ − 7) + 40]
� �
= (λ − 1) λ2 − λ − 2
= (λ − 1)(λ + 1)(λ − 2).
Entonces −1, 1 y 2 son los autovalores de A. Como A es una matriz de 3 × 3

con tres autovalores distintos, resulta que A es diagonalizable. Más aún como
A ∈ R3×3 y tiene 3 autovalores reales distintos podemos concluir que A es
diagonalizable en R.
Ejemplo 5.4.5. Determinar si las siguientes matrices son diagonalizables

   
−2 0 0 1 0 0
(a) A =  0 −5 6 ; (b) B = 0 −2 0 .
0 −3 4 0 1 −2
En los casos afirmativos, hallar P, P −1 y D.
Solución. (a) Como siempre comencemos por calcular pA .

 
λ+2 0 0
pA (λ) = det  0 λ+5 −6
0 3 λ−4
= (λ + 2) [(λ + 5)(λ − 4) + 18]
� �
= (λ + 2) λ2 + λ − 2
= (λ + 2)2 (λ − 1).
Entonces los autovalores de −2 y 1.

112 5.4. DIAGONALIZACIÓN
Notemos que −2 es una raı́z de multiplicidad dos de pA mientras que 1

es de multiplicidad 1.
Ahora calculemos los autovectores:
λ = 1. En este caso
         �
x 0 3 0 0 x 0
x = 0,
(I3 − A) y  = 0 ⇔ 0 6 −6 y  = 0 ⇔
z 0 0 3 −3 z 0 y − z = 0.
Entonces
E1 = {t(0, 1, 1) : t ∈ C}.
Podemos tomar (0, 1, 1) como autovector asociado al 1.
λ = −2. En este caso
        
x 0 0 0 0 x 0
(−2I3 − A) y  = 0 ⇔ 0 3 −6 y  = 0 ⇔ y − 2z = 0,
z 0 0 3 −6 z 0
Entonces
E−2 = {t(1, 0, 0) + s(0, 2, 1) : t, s ∈ C}.
Podemos tomar dos autovectores asociados al −2 (1, 0, 0) y (0, 2, 1). Observar
que estos vectores no son colineales (es decir no hay una recta que pase por
el origen que contenga a ambos vectores).
Luego proponemos  
0 1 0
P = 1 0 2  .
1 0 1
Veamos si P es inversible, para eso calculamos su determinante
det(P ) = 2 − 1 = 1.
Queda como tare para el lector verificar que

   
0 −1 2 1 0 0
P −1 = 1 0 0  y P −1 AP = 0 −2 0  .
0 1 −1 0 0 −2
(b) Comencemos nuevamente el proceso, el primer paso es hallar pB .

 
λ−1 0 0
pB (λ) =  0 λ+2 0 = (λ − 1)(λ + 2)2 .
0 −1 λ + 2
Como en el item anterior
• los autovalores son −2 y 1;

• −2 es una raı́z de multiplicidad dos de pB ;
• 1 es de multiplicidad 1.
Calculemos los autovectores.

λ = 1. En este caso
         �
x 0 0 0 0 x 0
y = 0,
(I3 − B) y  = 0 ⇔ 0 3 0 y  = 0 ⇔
z 0 0 −1 3 z 0 −y + 3z = 0.
Entonces
E1 = {t(1, 0, 0) : t ∈ C}.
Tomamos como autovector asociado a 1 el (1, 0, 0).
λ = −2. En este caso
         �
x 0 −3 0 0 x 0
x = 0,
(−2I3 − B) y  = 0 ⇔  0 0 0 y  = 0 ⇔
z 0 0 −1 0 z 0 y = 0.
Entonces
E−2 = {t(0, 0, 1) : t ∈ R}.
Tomamos como autovector asociado a −2 el (0, 0, 1).
Observemos que tengo dos autovectores (1, 0, 0) y (0, 0, 1) (cualquier otro
es colineal alguno de esto dos). Entonces no puedo encontrar P en este caso
y por lo tanto B no es diagonalizable. ¿Donde esta la diferencia entre A
y B? ¿Porqué para A encuentro dos autovectores no alineados asociados al
autovalor −2 mientras que para B solo encuentro uno? La diferencia esta
en que rg(−2I3 − A) = 1 mientras que rg(−2I3 − B) = 2. Es mas se tiene el
siguiente resultado.
Propiedad 5.4.6.
Sea C ∈ R3×3 no nula. Entonces
• rg(C) = 3 si y solo si {�v ∈ C3 : C�v t = 0} = {0};
� no nulo tal que {�v ∈ C3 : C�v t =

• rg(C) = 2 si y solo si existe w
0} = {tw : t ∈ C};
• rg(C) = 1 si y solo si existe dos vectores no nulos y no colineales

w � 2 tales que {�v ∈ C3 : C�v t = 0} = {tw1 + sw2 : t, s ∈ C}.
�1 y w
En otras palabras
114 5.5. APLICACIONES
• rg(C) = 3 si y solo si {�v ∈ C3 : C�v t = 0} = {0};
• rg(C) = 2 si y solo si {�v ∈ C3 : C�v t = 0} es una recta;
• rg(C) = 1 si y solo si {�v ∈ C3 : C�v t = 0} es un plano.
Propiedad 5.4.7.
Sea A ∈ C3×3 tal que pA (λ) = (λ−r1 )(λ−r2 )2 con r1 �= r2 . Entonces

A es diagonalizable si y solo si rg(r2 I3 − A) = 1.
En realidad esta propiedad se puede generalizar de la siguiente manera
Propiedad 5.4.8.
Sea A ∈ Cn×n Entonces A es diagonalizable si y solo si para todo

autovalor λ de A se tiene que
rg(λIn − A) = n − la multiplicidad de λ como raı́z de pA .
5.5 Aplicaciones
Retomemos el Ejemplo 5.1.2. Tenemos la siguiente relación
    
ts(k + 1) 0, 5 0, 3 0, 5 ts(k)
 oe(k + 1)  = 0, 25 0, 4 0, 25  oe(k)  .
one(k + 1) 0, 25 0, 3 0, 25 one(k)
� ��
vk+1 A vk
Que nos lleva a la siguiente evolución en el tiempo
v1 = Av0
v2 = Av1 = AAv0 = A2 v0
v3 = Av2 = AA2 v0 = A3 v0
Podemos concluir que, a tiempo k tenemos que
vk = Ak v0 .
Nos quedaba por responder la siguiente pregunta ¿Cuál será la distribución

de los trabajadores a largo plazo independientemente de la distribución ini-
cial?
Matemáticamente lo que nos están preguntando es
lim Ak v0 .
k→∞
Para esto veamos si A es o no diagonalizable. Antes de comenzar notemos

que
  1 3 1

0, 5 0, 3 0, 5 2 10 2
 1
A = 0, 25 0, 4 , 0, 25 =  14 2
5 4
0, 25 0, 3 0, 25 1 3 1
4 10 4
es una matriz de Markov (es una matriz cuadrada en la cual cada una de
sus columnas está formada por números reales no negativos y lo suma de
los elementos de cualquier columna de la matriz es igual a 1).
Calculemos su el polinomio caracterı́stico de A
 
λ − 12 − 10 3
− 12
 
pA (λ) = det(λI3 − A) = det  − 14 λ − 25 − 14 
− 14 3
− 10 λ − 14
� ��
= λ − 12 λ − 25 λ − 14 − 80 3
− 160 3
− 18 λ − 25 − 40 3
λ − 12 − 40
3
λ − 14
� �� 3 23 2
= λ − 12 λ − 25 − 11 1 17 1
40 λ + 20 = λ − 20 λ + 40 λ − 20 − 40 λ + 20
11 1
� 2 23 � � �
= λ3 − 23 2 3 3
20 λ + 20 λ = λ λ − 20 λ + 20 = λ(λ − 1) λ − 20
3
3
Entonces sus autovalores son 0, 20 y 1. Como son los tres distintos y reales
podemos asegurar que A es diagonalizable en R. Busquemos sus autovecto-
res.
λ = 0. En este caso basta con halla las soluciones de
   
x 0
A y  = 0 .
z 0
Resolvamos el sistema utilizando Gauss-Jordan

1 3 1 1 3 1 1 1

2 10 2 2 10 2 2 2 0 2
1 ˜ F˜2=F 2− 5 F 3
2 1  F 3=−10(F 3−F 2) 1 2 1 1 1
4 5 4 −−−−−−−−−−−→ 4 5 4  −− −−− −− −−→
3
4 0 4
1 3 1 F˜1=F 1− 10 F 3
4 10 4 0 1 0 0 1 0
y por lo tanto tenemos que resolver el siguiente sistema
x + z = 0 → z = −x
y = 0.
Entonces
E0 = {t(1, 0, −1) : t ∈ R}.
Luego tomamos como autovector asociado al 0 a (1, 0, −1).

3
λ = 20 . En este caso tenemos que hallar las soluciones de
     7 
x 0 − 20 − 10 3
− 12 x 0
�3 �
y  = 0 ⇔  
 − 14 − 14 − 14  y  = 0
20 I3 − A
z 0 −1 − 3 − 1 z 0
4 10 10
Nuevamente resolvemos el sistema utilizando Gauss-Jordan

 7 3
  
− 20 − 10 − 12 7 6 10
 1  F˜1=−20F 1;F˜2=−4F 2  
 − 4 − 14 − 14  −−−−−−−−−−−−−−→ 1 1 1 
F˜3=−20F 3
− 14 − 103
−1 5 6 2
 10   
0 −1 3 0 0 0
F˜3=F 3−5F 2   F˜2=F 2+F 1  
−−−−−−−−→ 1 1 1  −−−−−−−→ 1 0 4 
F˜1=F 1−7F 2 F˜1=F 1+F 3
0 1 −3 0 1 −3
x + 4z = 0 → x = −4z
y − 3z = 0 → y = 3z.
Entonces
E 3 = {t(−4, 3, 1) : t ∈ R}.
20
3
Luego tomamos como autovector asociado al 20 a (−4, 3, 1).
λ = 1. En este caso tenemos que hallar las soluciones de
     1 
x 0 2 − 103
− 12 x 0
 
(I3 − A) y  = 0 ⇔ − 14 3
5 − 14  y  = 0
z 0 −1 − 3 3 z 0
4 10 4
Volvemos a utilizar Gauss-Jordan

 1 3
  
2 − 10 − 12 0 9
10 −1
 1 3 1  F˜3=F 3−F 2  1 3 
− 4 5 − 4  −−−−−−−−→ − 4 5 − 14 
F˜1=F 1+2F 2
− 14 3
− 10 3
4 01 − 109
 9
  
2 0 10 −1 0 1 − 10
9
F˜2=F 2− 3 F 1
 1 5  4F 2  
−−−−−−−−→ − 4 0 12  −−−→ 1 0 − 53 
F˜3=F 3+F 1 10
0 0 0 9 F1 0 0 0

10 10
y− 9 z =0→y = 9 z
5 5
x− 3 z = 0 → x = 3 z.
Entonces � �
E1 = t( 53 , 10
9 , 1) : t ∈ R .
Y tomamos como autovector asociado al 1 a ( 53 , 10

9 , 1).
Luego tomando  
5
1 −4 3
P = 0 3 10 
9
−1 1 1
Tenemos que  
1 1
6 2 − 56
 5 5 
P −1 = − 51 4
17 − 51 
9 9 9
34 34 34
y que  
0 0 0
A = P 0 3
20 0 P −1 .
0 0 1
Lo que implica que
 
0 0 0
� 3 �k  −1
Ak = P 0 20 0 P .
0 0 1
y por lo tanto
   
0 0 0 0 0 0
� �
3 k
lim Ak v0 = lim P 0 20 −1
0 P v0 = P 0 0 0 P v0
−1
k→∞ k→∞
0 0 1 0 0 1
 15 15 15   15 
34 34 34 34 (ts(0) + oe(0) + one(0))
5 5 5  5 
=  17 17 17  v0 =  17 (ts(0) + oe(0) + one(0))
9 9 9 9
34 34 34 34 (ts(0) + oe(0) + one(0))
Estos no esta diciendo que a futuro esperamos que

750
• 17 % de la población sea ts;
500
• 17 % de la población sea oe;
450
• 17 % de la población sea one.

5 AutovectoresYAutovalores

Cargado por

Copyright:

Formatos disponibles

5 AutovectoresYAutovalores

Cargado por

Información del documento

Título 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

5 AutovectoresYAutovalores

Cargado por

Copyright:

Formatos disponibles

Capı́tulo 5

Entonces necesitamos calcular A20 para poder calcular �v20 .

Entonces, si miramos la evolución del tiempo, vemos que

Podemos concluir que, a tiempo k tenemos que

A partir de estos datos podemos calcular la matriz de transición de un pe-

Cada elemento qij representa la probabilidad de que un consumidor de la

En los dos últimos ejemplos se ve que necesitamos encontrar una manera

Por ejemplo si tengo una matriz diagonal

no es difı́cil ver que

Entonces surge una nueva pregunta: ¿si A es una matriz de n × n, como

5.2 Matrices semejantes

Sea A, B ∈ Cn×n . Decimos que A y B son semejantes (o similares)

Ejemplo 5.2.2. Por ejemplo

y no es difı́cil ver que

Proposición 5.2.3 (Propiedades de las matrices semejantes).

Sean A, B, C ∈ Cn×n . Entonces:

• A es semejante a ella misma;

• Si A es semejante a B entonces B es semejante a A;

• Si A es semejante a B y B es semejante a C entonces A es

• Si A y B son semejantes entonces Ak y B k son semejantes;

• Dos matrices semejantes tienen el mismo rango;

• Dos matrices semejantes tienen el mismo determinante;

5.3 Autovalores y autovectores

Si Pi son la columnas de P, la ultima igualdad la podemos escribir de la

(AP1 | · · · |APn ) = (d11 P1 | · · · |dnn Pn ),

Sea A ∈ Cn×n . Un número complejo λ se llama autovalor de A si

El vector �v se denomina autovector de A correspondiente al auto-

Entonces (2, 1) y (3, 2) son autovectores de A asociados a 1 y −2 respecti-

Observemos que si A ∈ Cn×n y λ es un autovalor de A entonces existe

A�v t = λ�v t ⇐⇒ λ�v t − A�v t = 0 ⇐⇒ (λIn − A)�v t = 0

luego existe �v autovector de A asicado a λ si y solo si

Dada A ∈ Cn×n . El polinomio

se denomina el polinomio caracterı́stico de A.

se denomina ecuación caracterı́stica de A.

Sea A ∈ Cn×n . Entonces λ es un autovalor de A si y solo si λ es una

Ejemplo 5.3.5. El polinomio caracterı́stico de

Entonces 5 y −1 son autovalores de A.

Si A ∈ Rn×n y z ∈ C es un autovalor de A entonces z también es un

Demostración. Si A ∈ Rn×n entonces los coeﬁcientes del polinomio carac-

es decir si z es raı́z de pA entonces z también lo es.

Ejemplo 5.3.8. El polinomio caracterı́stico de

Si A ∈ Rn×n y λ ∈ C es un autovalor de A tal que Im(λ) �= 0

Matrices semejantes tienen el mismo polinomio caracterı́stico.

Demostración. Si B, A ∈ Cn×n son matrices semejantes, es decir existe una

λIn − B = λIn − P AP −1 = λP P −1 − P AP −1 = P (λIn − A)P −1 .

Los autovalores de una matriz triangular son los elementos de la

Demostración. Sea A = (aij ) ∈ Cn×n una matriz triangular. Entonces λIn −

(i) Si λ es un autovalor de A ∈ Cn×n entonces λ es un autovalor

(ii) Si λ es un autovalor de una matriz no singular A ∈ Cn×n

(iii) Una matriz es singular si y sólo si tiene un autovalor cero.

Demostración. (I) Por las propiedades del determinante

Sea A ∈ Cn×n y λ un autovalor de A. El espacio

se denomina autoespacio (o espacio propio) de A correspondiente

Procedimiento para calcular autovalores y autovectores de una ma-

• Primero encontrar el caracterı́stico de A, pA (λ) = det(λIn −A);

• Buscar las raı́ces λ1 , . . . , λm de pA (λ);

• Se resuelve el sistema homogéneo (λi In − A)v t = 0 para cada

Ejemplo 5.3.14. Halle, si existen, autovalores y autovectores de las si-

Solución. (a) Comencemos por calcular el polinomio caracterı́stico de A.