Tema V - Diagonalización de Matrices

Introducción
Autovalores y autovectores de una matriz cuadrada

Matriz diagonalizable. Diagonalización de una matriz
Diagonalización de matrices simétricas por semejanza ortogonal
TEMA V:
DIAGONALIZACIÓN DE MATRICES
ÁLGEBRA LINEAL Y GEOMETRÍA

Grado en Arquitectura Naval e Ingeniería Marítima.
Escuela de Ingeniería Naval y Oceánica
Dr. Alejandro Pérez Peña

Departamento de Matemáticas
Curso 2016-2017
ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Introducción
Contenido
1 Introducción
2 Autovalores y autovectores de una matriz cuadrada
3 Matriz diagonalizable. Diagonalización de una matriz
4 Diagonalización de matrices simétricas por semejanza ortogonal

Introducción
Introducción
Definición
Diremos que dos matrices A y B de orden n, es decir, cuadradas son seme-
jantes cuando existe una matriz P de orden n regular, es decir, |P| 6= 0, tal
que
B = P−1 AP

Introducción
Introducción
Definición
que
B = P−1 AP
Nuestro objetivo ahora es, dada una matriz cuadrada A encontrar, si es po-
sible, una matriz diagonal, D que sea semejante a la matriz A. Es lo que se
conoce como el problema de la diagonalización
Ejemplo
Sean las matrices

1 −4 1 −2
A= , P=
2 7 −1 1
Calcula P−1 AP y encuentra una matriz D semejante a A.

Introducción
Introducción
Definición
que
B = P−1 AP
Definición
Se dice que una matriz A, matriz cuadrada de orden n es diagonalizable si
es semejante a una matriz diagonal D. Es decir, si existen una matriz regular
P y una matriz diagonal D tales que
A = P−1 DP
Toda matriz diagonal, D, es diagonalizable basta con considerar P = I.

Introducción
Introducción
Definición
Se dice que una matriz A, matriz cuadrada de orden n es diagonalizable si
es semejante a una matriz diagonal D. Es decir, si existen una matriz regular
P y una matriz diagonal D tales que
A = P−1 DP
Toda matriz diagonal, D, es diagonalizable basta con considerar P = I.
La preguntas que vamos a resolver en este tema son las siguientes:

¿Cómo saber si una matriz dada A es diagonalizable?
¿Cómo calcular las matrices P y D?

Introducción
Cálculo de autovalores: polinomio característico.
Cálculo de autovectores.
Multiplicidades algebraica y geométrica.
Definición de autovalor y autovector
Diagonalizar A, una matriz cuadrada de orden n, consiste en encontrar las

matrices P y D que verifiquen la igualdad
A = P−1 DP.
Para ello vamos a necesitar las siguientes definiciones.

Introducción
Definición
Se dice que el escalar λ ∈ R es un valor propio o autovalor de la matriz A
si existe una matriz columna no nula, X ∈ Mn×1 , X 6= 0, tal que
AX = λX

Introducción
Definición
Se dice que el escalar λ ∈ R es un valor propio o autovalor de la matriz A
si existe una matriz columna no nula, X ∈ Mn×1 , X 6= 0, tal que
AX = λX
Definición
Se dice que la matriz columna no nula X es un autovector o vector propio
de la matriz A cuando existe un escalar λ ∈ R tal que
AX = λX

Introducción
Ejemplo
En el ejemplo precedente 5 es un autovalor de la matriz A y ~u = (1, −1) es un
autovector porque se verifica

1 −4 1 1
=5
2 7 −1 −1
La matriz A tiene como otro autovalor 3 y ~v = (−2, 1) como autovector ya que

A.v = 3v.

Introducción
Propiedades
1 A todo autovector ~x ∈ Rn , ~x 6= ~0, de la matriz A, le corresponde un único
autovalor λ ∈ R que se llama el autovalor asociado a ~x.
2 El conjunto de todos los autovectores correspondientes al autovalor λ se
representa por V(λ) y es un subespacio vectorial de Mn×1 , que se llama
el subespacio propio asociado al autovalor λ.
Vλ = {x ∈ Mn×1 | Ax = λx}
3 Si λ1 , λ2 , . . . , λp son autovalores de la matriz A distintos entre si y toma-

mos los autovectores
~x1 ∈ V(λ1 ), ~x2 ∈ V(λ2 ), . . . , ~xp ∈ V(λp )
se verifica que los vectores (~x1 , ~x2 , . . . , ~xp ) son linealmente independien-
tes.

Introducción
Cálculo de autovalores: polinomio característico
Para hallar los autovalores y autovectores se desarrolla un procedimiento ge-

neral para cualquier matriz A de orden n:
Cálculo de Autovalores
Observar que si λ es un autovalor de la matriz A ocurre que
Ax = λx ⇒ Ax = λIx ⇒ (A − λI)x = 0

Introducción

Ax = λx ⇒ Ax = λIx ⇒ (A − λI)x = 0
por tanto λ es un autovalor si y sólo si es solución del sistema lineal homogé-

neo
(A − λI)x = 0
distinta de la trivial (x 6= 0).

Introducción

Ax = λx ⇒ Ax = λIx ⇒ (A − λI)x = 0
por tanto λ es un autovalor si y sólo si es solución del sistema lineal homogé-

neo
(A − λI)x = 0
distinta de la trivial (x 6= 0). Esto ocurre cuando el sistema de n ecuaciones

con n incógnitas v1 , v2 , . . . , vn es compatible indeterminado por tanto, según
el teorema de Rouche-Frobenius tenemos
det(A − λI) = 0

Introducción
Definición (Polinomio Característico)

A la expresión
pA (λ) = det(A − λI) = |A − λI|
se le llama polinomio característico de la matriz A. Los autovalores de A

serán precisamente las raíces de dicho polinomio. En particular se tiene que
el número máximo de autovalores de A es el orden de la matriz n

Introducción

A la expresión
pA (λ) = det(A − λI) = |A − λI|

Ejemplo
 
1 2 0
Sea A =  −1 3 1  una matriz el polinomio característico es
0 1 1

1−λ 2 0
(1 − λ)[(1 − λ)(3 − λ) + 1] = (1 − λ)(λ − 2)2 = 0

−1 3−λ 1

0 1 1−λ
Por tanto los autovalores serán: λ1 = 1, λ2 = 2.

Introducción

A la expresión
pA (λ) = det(A − λI) = |A − λI|

Si λ1 es una raíz múltiple de la ecuación característica, con orden de multi-

plicidad k1 , se dice que λ1 es autovalor múltiple de A y que su multiplicidad
algebraica es k1 . En el caso de que k1 = 1 diremos que el autovalor λ1 es
simple.
Ejemplo
En el ejemplo anterior tenemos que λ1 = 1 es un autovalor simple, es decir de
multiplicidad 1 y λ2 = 2 es un autovalor de multiplicidad 2.

Introducción
Cálculo de Autovectores
Supongamos que λ es un autovalor de
...
 
a11 a12 a1n
 a21 a22 ... a2n 
A=
 
... ... ... ... 
an1 an 2 ... ann
Al ser λ un autovalor existe ~x 6= 0 tal que Ax = λx, es decir

  x1 
x1

...

a11 a12 a1n
 x2  x2 
 a21 a22 ... a2n 

 = λ  .  =⇒
. . .   ...
    
 ... ... ...  .. 


an 1 an 2 ... ann xn xn

(a11 − λ)x1 + a12 x2 + ···+ a1n xn = 0 


a21 x1 + (a22 − λ)x2 + ···+ a2n xn = 0
... ... ... ... ... ... 


an1 x1 + an2 x2 + ···+ (ann − λ)xn = 0

Introducción
Cálculo de Autovectores
Esto significa que las coordenadas del autovector ~x son solución del sistema
homogéneo anterior de n ecuaciones con n incógnitas. Como |A − λI| = 0, el
sistema homogéneo admite soluciones distintas de la trivial y estas soluciones
describen un subespacio vectorial de Rn que es precisamente Vλ , es decir, el
subespacio propio correspondiente al valor propio λ.
Vλ = {x ∈ Mn×1 | Ax = λx}

Introducción
Ejemplo
En el ejemplo anterior tendremos dos subespacios propios, V1 y V2 , vamos a
calcularlos:
    
1−1 2 0 x1 0
x ∈ V1 ⇐⇒ (A − I)X = 0 ⇐⇒  −1 3−1 1   x2  =  0 
0 1 1−1 x3 0
cuyas soluciones son x1 = x3 , x2 = 0 y de ahí que V1 sea de la forma
V1 = {(α, 0, α) : α ∈ R}
o lo que es lo mismo elsubespacio engendrado por {(1, 0, 1)}.

Introducción
Ejemplo
    
1−2 2 0 x1 0
x ∈ V2 ⇐⇒ (A − 2I)X = 0 ⇐⇒  −1 3−2 1   x2  =  0 
0 1 1−2 x3 0
cuyas soluciones son x1 = 2x2 , x3 = x2 y de ahí que V2 sea de la forma
V2 = {(2α, α, α) : α ∈ R}
o lo que es lo mismo el subespacio engendrado por {(2, 1, 1)}.

Introducción
Definición (Multiplicidad algebraica)

Si λ es un autovalor de una matriz A, se llama multiplicidad algebraica de λ
al orden de multiplicidad de λ como raíz del polinomio característico de A, y
la denotaremos por mλ .

Introducción

Definición (Multiplicidad geométrica)

Si λ es un autovalor de una matriz A, se llama multiplicidad geométrica de
λ, denotada por dλ , a la dimensión del subespacio Vλ , es decir, la dimensión
del subespacio propio asociado al valor propio λ.
dλ = dim(Vλ = n − rg(A − λI)

Introducción

Definición (Multiplicidad geométrica)

Si λ es un autovalor de una matriz A, se llama multiplicidad geométrica de
λ, denotada por dλ , a la dimensión del subespacio Vλ , es decir, la dimensión
del subespacio propio asociado al valor propio λ.
dλ = dim(Vλ = n − rg(A − λI)
Teorema
Puede probarse que si λ es un autovalor de una matriz A, se verifica que
1 6 dλ 6 mλ
es decir, la multiplicidad geométrica es un número comprendido entre uno y

la multiplicidad algebraica.

Introducción
Ejemplo
Consideremos la matriz  
2 2 3
A= 0 2 2 
0 0 2
su polinomio característico es
|A − λI| = (2 − λ)3
luego A tiene un único autovalor, λ1 = 2, de multiplicidad algebráica 3. Veamos

cuál es su multiplicidad geométrica es
 
0 2 3
dλ1 = n − rg(A − λI) = 3 − rg  0 0 2 =3−2=1
0 0 0

Introducción
Cálculo de las matrices D y P asociadas a una matriz A diagonalizable
Matriz diagonalizable
Condiciones de Diagonalizaición
Sea A una matriz cuadrada de orden n. Entonces dicha matriz es diagonali-
zable si y sólo si se verifican las dos siguientes condiciones:
El polinomio característico |A − λI| = 0 tenga todas sus raices reales. Por
tanto si todos los autovalores de A son tienen de multiplicidad
mλ1 , mλ2 , . . . , mλp entonces
mλ1 + mλ2 + . . . + mλp = n
La multiplicidad algebraica de cada autovalor λ, mλ , coincide con la

multiplicidad geométrica, dλ , es decir
mλi = dλi ∀i ∈ R

Introducción
Matriz diagonalizable
Ejemplo
Sea A ∈ M3  
1 2 0
A =  −1 3 1 
0 1 1
entonces tenemos que:
pλ = |A − λI| = (1 − λ)(λ − 2)2
1 λ = 1, 2 ∈ R, es decir, los autovalores son todos reales.

 
2 0 0
2 dλ1 = n − rg(A − I) = 3 − rg  −1 2 1 =1
0 1 0
 
−1 2 0
dλ2 = n − rg(A − 2I) = 3 − rg  −1 1 1 =1
0 1 −1
Entonces la matriz A no es diagonalizable.
Introducción
Cálculo de P y D
Una vez establecidos los criterios de diagonalización ya estamos en condicio-

nes de determinaer P y D para que poder diagonalizar a la matriz A.

Introducción
Cálculo de P y D

Sea A una matriz cuadrada de orden n y supongamos que es diagonalizable.
Esto significa que existe una matriz P ∈ Mn , |P| 6= 0, tal que P−1 AP = D siendo
D una matriz diagonal de orden n:
 −1    
p11 p12 ··· p1n a11 a12 ··· a 1n p11 p12 ··· p1n λ1
p21 p22 ··· p2n a21 a22 ··· a 2n p21 p22 ··· p2n 0 λ
=
 . . .
  . . .
 . . .
  .
. . .
. . . . . . . . . . . . .
   
. . . . . . . . . . . . .
pn1 pn2 ··· pnn a n1 a n2 ··· ann pn1 pn2 ··· pnn 0

Introducción
Cálculo de P y D

 −1    
p11 p12 ··· p1n a11 a12 ··· a 1n p11 p12 ··· p1n λ1
p21 p22 ··· p2n a21 a22 ··· a 2n p21 p22 ··· p2n 0 λ
=
 . . .
  . . .
 . . .
  .
. . .
. . . . . . . . . . . . .
   
. . . . . . . . . . . . .
    
a11 a12 ··· a 1n p11 p12 ··· p1n p11 p12 ··· p1n λ1 0
a21 a22 ··· a 2n p21 p22 ··· p2n p21 p22 ··· p2n 0 λ2
=
 . . .
 . . .
  . . .
 . .
. . .
. . . . . . . . . . . . . .
  
. . . . . . . . . . . . . .
a n1 a n2 ··· ann pn1 pn2 ··· pnn pn1 pn2 ··· pnn 0 0

Introducción
Cálculo de P y D

 −1    
p11 p12 ··· p1n a11 a12 ··· a 1n p11 p12 ··· p1n λ1
p21 p22 ··· p2n a21 a22 ··· a 2n p21 p22 ··· p2n 0 λ
=
 . . .
  . . .
 . . .
  .
. . .
. . . . . . . . . . . . .
   
. . . . . . . . . . . . .
    
a11 a12 ··· a 1n p11 p12 ··· p1n p11 p12 ··· p1n λ1 0
a21 a22 ··· a 2n p21 p22 ··· p2n p21 p22 ··· p2n 0 λ2
=
 . . .
 . . .
  . . .
 . .
. . .
. . . . . . . . . . . . . .
  
. . . . . . . . . . . . . .
a n1 a n2 ··· ann pn1 pn2 ··· pnn pn1 pn2 ··· pnn 0 0
Igualando las columnas de la matriz resultante del producto del primer miem-
bro con las del producto del segundo miembro obtenemos que:

Introducción
Cálculo de P y D
a11 a12 ··· a1n p11 p11

   
 a21 a22 ··· a2n   p21   p21 
primera columna :  . .. ..   ..  = λ1  . 
    
 .. ..  .. 
. . .  . 
an1 an2 ··· ann p n1 p n1

Introducción
Cálculo de P y D
a11 a12 ··· a1n p11 p11

    
 a21 a22 ··· a2n   p21   p21 
primera columna :  . .. ..   ..  = λ1  .
    
 .. ..  ..

. . .  .  
a11 a12 ··· a1n p12 p12

   
 a21 a22 ··· a2n   p22   p22 
segunda columna :  . .. ..   ..  = λ2  . 
    
 .. ..  .. 
. . .  . 
an1 an 2 ··· ann p n2 p n2

Introducción
Cálculo de P y D
a11 a12 ··· a1n p11 p11

   
 a21 a22 ··· a2n   p21   p21 
primera columna :  . .. ..   ..  = λ1  . 
    
 .. ..  .. 
. . .  . 
a11 a12 ··· a1n p12 p12

   
 a21 a22 ··· a2n   p22   p22 
segunda columna :  . .. ..   ..  = λ2  . 
    
 .. ..  .. 
. . .  . 
an1 an 2 ··· ann p n2 p n2
a11 a12 ··· a1n p1n p 1n

    
 a21 a22 ··· a2n   p2n   p 2n 
n − esima columna :  . .. ..   ..  = λn  .
    
 .. ..  ..

. . .  .  
an1 an 2 ··· ann pnn pnn

Introducción
Cálculo de P y D
a11 a12 ··· a1n p1n p 1n

   
 a21 a22 ··· a2n   p2n   p 2n 
n − esima columna :  . .. ..   ..  = λn  . 
    
 .. ..  .. 
. . .  . 
an1 an 2 ··· ann pnn pnn
A partir de aquí se deduce que λ1 , λ2 , . . . , λn ∈ R son autovalores de la matriz

p 1j
 
 p 2j 
A y que cada una de las columnas de la matriz P, Pj =  .  , es un
 
 .. 
pnj
autovector asociado al autovalor λj para todo j = 1, 2, . . . , n.

Introducción
Cálculo de P y D
A partir de aquí se deduce que λ1 , λ2 , . . . , λn ∈ R son autovalores de la matriz

p 1j
 
 p 2j 
A y que cada una de las columnas de la matriz P, Pj =  .  , es un
 
 .. 
pnj
autovector asociado al autovalor λj para todo j = 1, 2, . . . , n.
Ejemplo
Sea la matriz  
3 1 1
A= 1 3 1 
1 1 3
Estudiar si A es diagonalizable. Y si lo es determinar las matrices P y D.

Introducción
Algoritmo de diagonalización
El problema de la diagonalización queda entonces estructurado de la siguien-

te forma:
Paso 1: Se calcula el polinomio característico p(λ).
Paso 2:Descomponiendo el polinomio se calculan sus raíces. Si alguna de
ellas es compleja, la matriz no será diagonalizable en R. Tenemos de esta
forma los autovalores y sus multiplicidades algebráicas.
Paso 3: Se calculan las multiplicidades geométricas de los autovalores di =
n − rg(A − λi I).
Paso 4: Se aplican los criterios de diagonalizabilidad. Si para algún i se tie-
ne que ki 6= di entonces la matriz no es diagonalizable, y en caso contrario
la matriz es diagonalizable y su matriz diagonal es la matriz cuya diagonal
está formada por los autovalores repetidos cada uno según su multiplicidad
algebraica.
Paso 5: Obtenemos unas bases de los subespacios propios Vλi , con lo que
se determinan los autovectores de cada uno de los autovalores.
Paso 6: Las columnas de la matriz de paso P son las coordenadas de estos
vectores propios y se cumple que P−1 AP = D.

Introducción

te forma:
algebraica.

Introducción

te forma:
algebraica.

Introducción

te forma:
algebraica.

Introducción

te forma:
algebraica.

Introducción

te forma:
algebraica.

Introducción
Autovalores y autovectores de una matriz cuadrada Diagonalización de matrices simétricas
Matriz diagonalizable. Diagonalización de una matriz Potencias de una matriz diagonalizable
Autovalores y autovectores de una matriz simétrica real
Ahora una vez contestadas las dos preguntas iniciales, veamos en este apar-
tado la importancia de trabajar con matrices ortogonales y abordaremos la
diagonalización de matrices simétricas por semejanza ortogonal.

Introducción
Ahora una vez contestadas las dos preguntas iniciales, veamos en este apar-
tado la importancia de trabajar con matrices ortogonales y abordaremos la
diagonalización de matrices simétricas por semejanza ortogonal.
Sea A ∈ Mn una matriz simétrica cuadrada de orden n cuyos elementos son

números reales. Se verifica que:
1 Todos los autovalores de A son números reales.
2 Si λ1 6= λ2 son dos autovalores distintos de A, se cumple que los subes-
pacios propios V(λ1 ) y V(λ2 ) son ortogonales, es decir, si v1 es un au-
tovector cualquiera asociado al autovalor λ1 y v2 es un autovector cual-
quiera asociado al autovalor λ2 , v1 y v2 son perpendiculares, por tanto,
su producto escalar vale cero.

Introducción
Definición (Matriz ortogonal)

Una matriz cuadrada cuyos elementos sean números reales se dice que es
ortogonal cuando su inversa coincide con su traspuesta, es decir
P es ortogonal ⇐⇒ P−1 = Pt

Introducción
Definición (Matriz ortogonal)

Una matriz cuadrada cuyos elementos sean números reales se dice que es
ortogonal cuando su inversa coincide con su traspuesta, es decir
P es ortogonal ⇐⇒ P−1 = Pt
Propiedades
1 Si una matriz es ortogonal, su determinante vale 1 o -1, ya que
P−1 P = Pt P = In =⇒ |Pt P| = |In | = 1 =⇒ |P|2 = 1
2 Los vectores columna de una matriz ortogonal P son vectores unitarios

y ortogonales. Análogamente para los vectores fila.

Introducción
Semejanza ortogonal
Definición (Matriz Semejante ortogonal)

Una matriz A se dice que es semejante ortogonal a una matriz B, cuando
existe una matriz ortogonal P tal que
Pt AP = B.
Como Pt = P−1 , la semejanza ortogonal se puede expresar por
P−1 AP = B

Introducción
Semejanza ortogonal
Definición (Matriz Semejante ortogonal)

Una matriz A se dice que es semejante ortogonal a una matriz B, cuando
existe una matriz ortogonal P tal que
Pt AP = B.
Como Pt = P−1 , la semejanza ortogonal se puede expresar por
P−1 AP = B
Ejemplo

3 4 5 0
Las matrices A = yB= son ortogonalmente
4 −3 0 −5
!
√2 √1
semejantes ya que existe P = 5 5 tal que Pt AP = B.
√1 − √25
5

Introducción
Sea A una matriz simétrica real de orden n, y sean λ1 , λ2 , . . . , λj sus autovalo-

res con multiplicidades algebraicas m1 , m2 , . . . , mj , siendo m1 +m2 +· · ·+mj =
n. Siempre se verifica que para cada autovalor coinciden sus multiplicidades
algebraica y geométrica, es decir,
dim(Vλi ) = mi , i = 1, 2, . . . , j
y por tanto, siempre va a ser diagonalizable. Siempre va a existir una matriz

de paso P tal que P−1 AP sea una matriz diagonal D cuyos elementos sean los
autovalores de A.

Introducción
Sea A una matriz simétrica real de orden n, y sean λ1 , λ2 , . . . , λj sus autovalo-

res con multiplicidades algebraicas m1 , m2 , . . . , mj , siendo m1 +m2 +· · ·+mj =
n. Siempre se verifica que para cada autovalor coinciden sus multiplicidades
algebraica y geométrica, es decir,
dim(Vλi ) = mi , i = 1, 2, . . . , j
y por tanto, siempre va a ser diagonalizable. Siempre va a existir una matriz

de paso P tal que P−1 AP sea una matriz diagonal D cuyos elementos sean los
autovalores de A.
Las columnas de la matriz de paso son los autovectores de A y siempre po-

demos conseguir que esta matriz de paso sea ortogonal, ya que podemos ob-
tener bases de los subespacios propios Vλi y por el procedimiento de Gram-
Schmidt obtener a partir de ella bases ortonormales de dichos subespacios
propios. Las columnas de la matriz P serán los autovectores unitarios y per-
pendiculares ya obtenidos.

Introducción
Por tanto, podemos afirmar que:
Teorema
Toda matriz simétrica real, A, es semejante ortogonalmente a una matriz dia-
gonal. Es decir, existe una matriz P ortogonal y una matriz D diagonal tales
que
D = Pt AP

Introducción
Teorema
que
D = Pt AP
La diagonalización de una matriz real simétrica usando como matriz de paso

una matriz ortogonal se denomina diagonalización por semejanza ortogo-
nal.

Introducción

Teorema
que
D = Pt AP
La diagonalización de una matriz real simétrica usando como matriz de paso

una matriz ortogonal se denomina diagonalización por semejanza ortogo-
nal.
Ejemplo
Sea la matriz  
3 1 1
A= 1 3 1 
1 1 3
Determinar la matriz ortogonal P y diagonal D tal que D = Pt AP.
Introducción
Como aplicación de la diagonalización de una matriz vamos a calcular la po-

tencia n-ésima de una matriz diagonalizable A y la matriz inversa de A.

Introducción

Si A es diagonalizable existe P inversible tal que P−1 AP = D siendo D una

matriz diagonal. Multiplicando por P por la izquierda y por P−1 por la derecha
, obtenemos
A = PDP−1
luego,
Am = A A · · · A = (PDP−1 )(PDP−1 ) · · · (PDP−1 ) = PDm P−1

Introducción

Si λ1 , λ2 , . . . , λn son los autovalores de la matriz A y D =

λ1 0 . . . 0
 
 0 λ2 . . . 0 
 . . .. , se cumple que
 
 .. .. . .. . 
0 0 ... λn
λm 0 ... 0
 
1
 0 m
λ2 ... 0 
 −1
Am = P  . .. .. P

 .. ..
. . . 
0 0 ... λm
n

Introducción

Ejemplo
 
5 0 −4
A= 0 3 0 
2 0 −1
Determinar An

Introducción

Otra aplicación útil de la diagonalización es el cálculo de la matriz inversa. Ya

que si A es una matriz diagonalizable entonces se verifica que
A−1 = (PDP−1 )−1 = PD−1 P−1
siendo
λ1 0 ... 0 1/λ1 0 ... 0
   
 0 λ2 ... 0   0 1/λ2 ... 0 
D= .. .. ..  ⇒ D−1 =  .. .. ..
   
.. .. 
 . . . .   . . . . 
0 0 ... λn 0 0 ... 1/λn

Tema V - Diagonalización de Matrices

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tema V - Diagonalización de Matrices

Diunggah oleh

Hak Cipta:

Format Tersedia

Introducción

Autovalores y autovectores de una matriz cuadrada

ÁLGEBRA LINEAL Y GEOMETRÍA

Dr. Alejandro Pérez Peña

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

2 Autovalores y autovectores de una matriz cuadrada

3 Matriz diagonalizable. Diagonalización de una matriz

4 Diagonalización de matrices simétricas por semejanza ortogonal

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Calcula P−1 AP y encuentra una matriz D semejante a A.

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Toda matriz diagonal, D, es diagonalizable basta con considerar P = I.

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Toda matriz diagonal, D, es diagonalizable basta con considerar P = I.

La preguntas que vamos a resolver en este tema son las siguientes:

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Definición de autovalor y autovector

Diagonalizar A, una matriz cuadrada de orden n, consiste en encontrar las

Para ello vamos a necesitar las siguientes definiciones.

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Definición de autovalor y autovector

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Definición de autovalor y autovector

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Definición de autovalor y autovector

La matriz A tiene como otro autovalor 3 y ~v = (−2, 1) como autovector ya que

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Definición de autovalor y autovector

3 Si λ1 , λ2 , . . . , λp son autovalores de la matriz A distintos entre si y toma-

~x1 ∈ V(λ1 ), ~x2 ∈ V(λ2 ), . . . , ~xp ∈ V(λp )

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Cálculo de autovalores: polinomio característico

Para hallar los autovalores y autovectores se desarrolla un procedimiento ge-

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Cálculo de autovalores: polinomio característico

Para hallar los autovalores y autovectores se desarrolla un procedimiento ge-

por tanto λ es un autovalor si y sólo si es solución del sistema lineal homogé-

distinta de la trivial (x 6= 0).

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Cálculo de autovalores: polinomio característico

Para hallar los autovalores y autovectores se desarrolla un procedimiento ge-

por tanto λ es un autovalor si y sólo si es solución del sistema lineal homogé-

distinta de la trivial (x 6= 0). Esto ocurre cuando el sistema de n ecuaciones

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Cálculo de autovalores: polinomio característico

Definición (Polinomio Característico)

se le llama polinomio característico de la matriz A. Los autovalores de A

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Cálculo de autovalores: polinomio característico

Definición (Polinomio Característico)

se le llama polinomio característico de la matriz A. Los autovalores de A

Por tanto los autovalores serán: λ1 = 1, λ2 = 2.

Cálculo de autovalores: polinomio característico

Definición (Polinomio Característico)

se le llama polinomio característico de la matriz A. Los autovalores de A

Si λ1 es una raíz múltiple de la ecuación característica, con orden de multi-

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

Al ser λ un autovalor existe ~x 6= 0 tal que Ax = λx, es decir

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices

cuyas soluciones son x1 = x3 , x2 = 0 y de ahí que V1 sea de la forma

o lo que es lo mismo elsubespacio engendrado por {(1, 0, 1)}.