TEMA V:
DIAGONALIZACIÓN DE MATRICES
Curso 2016-2017
Contenido
1 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
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
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
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
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
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
A = P−1 DP.
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 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
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
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}
se verifica que los vectores (~x1 , ~x2 , . . . , ~xp ) son linealmente independien-
tes.
Cálculo de Autovalores
Observar que si λ es un autovalor de la matriz A ocurre que
Ax = λx ⇒ Ax = λIx ⇒ (A − λI)x = 0
Cálculo de Autovalores
Observar que si λ es un autovalor de la matriz A ocurre que
Ax = λx ⇒ Ax = λIx ⇒ (A − λI)x = 0
Cálculo de Autovalores
Observar que si λ es un autovalor de la matriz A ocurre que
Ax = λx ⇒ Ax = λIx ⇒ (A − λI)x = 0
det(A − λI) = 0
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
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.
Cálculo de Autovectores
Supongamos que λ es un autovalor de
...
a11 a12 a1n
a21 a22 ... a2n
A=
... ... ... ...
an1 an 2 ... ann
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}
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
V1 = {(α, 0, α) : α ∈ R}
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
V2 = {(2α, α, α) : α ∈ R}
Teorema
Puede probarse que si λ es un autovalor de una matriz A, se verifica que
1 6 dλ 6 mλ
Ejemplo
Consideremos la matriz
2 2 3
A= 0 2 2
0 0 2
su polinomio característico es
|A − λI| = (2 − λ)3
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
mλi = dλi ∀i ∈ R
Matriz diagonalizable
Ejemplo
Sea A ∈ M3
1 2 0
A = −1 3 1
0 1 1
entonces tenemos que:
Cálculo de P y D
Cálculo de P y D
=
. . .
. . .
. . .
.
. . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
pn1 pn2 ··· pnn a n1 a n2 ··· ann pn1 pn2 ··· pnn 0
Cálculo de P y D
=
. . .
. . .
. . .
.
. . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
pn1 pn2 ··· pnn a n1 a n2 ··· ann pn1 pn2 ··· pnn 0
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
Cálculo de P y D
=
. . .
. . .
. . .
.
. . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
pn1 pn2 ··· pnn a n1 a n2 ··· ann pn1 pn2 ··· pnn 0
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:
Cálculo de P y D
Cálculo de P y D
Cálculo de P y D
Cálculo de P y D
Cálculo de P y D
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.
Algoritmo de diagonalización
Algoritmo de diagonalización
Algoritmo de diagonalización
Algoritmo de diagonalización
Algoritmo de diagonalización
Algoritmo de diagonalización
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.
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.
P es ortogonal ⇐⇒ P−1 = Pt
P es ortogonal ⇐⇒ P−1 = Pt
Propiedades
1 Si una matriz es ortogonal, su determinante vale 1 o -1, ya que
Semejanza ortogonal
Pt AP = B.
P−1 AP = B
Semejanza ortogonal
Pt AP = B.
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
dim(Vλi ) = mi , i = 1, 2, . . . , j
dim(Vλi ) = mi , i = 1, 2, . . . , j
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
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
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.
ÁLGEBRA LINEAL Y GEOMETRÍA. CURSO 16/17 TEMA V: Diagonalización de Matrices
Introducción
Autovalores y autovectores de una matriz cuadrada Diagonalización de matrices simétricas
Matriz diagonalizable. Diagonalización de una matriz Potencias de una matriz diagonalizable
Diagonalización de matrices simétricas por semejanza ortogonal
λm 0 ... 0
1
0 m
λ2 ... 0
−1
Am = P . .. .. P
.. ..
. . .
0 0 ... λm
n
Ejemplo
5 0 −4
A= 0 3 0
2 0 −1
Determinar An
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