LGEBRA LINEAL

Ricardo Miguel Guzmn Navarro

Universidad de Crdoba
Facultad de Ciencias Bsicas e Ingenieras
Departamento de Matemticas




Captulo 6
Valores y Vectores Propios
En este captulo presentaremos los conceptos basicos de valor propio, vec-
tor propio, espacio propio y espectro de una matriz. Ademas, presentaremos
algunos de los resultados mas relevantes relacionados con tales conceptos.
Debido a que en un estudio de los valores y vectores propios es imposible no
hablar de n umeros complejos, debemos hacer algunas observaciones respecto
a la terminologa que utilizaremos en este captulo. La palabra escalar se
utilizara para referirnos a un n umero que puede ser real o complejo. Un
vector n 1 sera una matriz n 1 cuyas componentes pueden ser n umeros
reales o complejos.
6.1. Valores y Vectores Propios
Denicion. Sea A R
nn
. Un escalar es un valor propio de A si existe
un vector n 1 x = 0 tal que Ax = x. Ahora, si Ax = x con x = 0,
entonces x es un vector propio de A asociado al valor propio .
Ejemplo. 2 es un valor propio de la matriz
A =
_
_
2 0 1
5 1 2
3 2 5/4
_
_
,
72
6.1. VALORES Y VECTORES PROPIOS 73
ya que
_
_
2 0 1
5 1 2
3 2 5/4
_
_
_
_
1
3
4
_
_
=
_
_
2
6
8
_
_
= 2
_
_
1
3
4
_
_
.
Ademas,
_
_
1
3
4
_
_
es un vector propio de A asociado al valor propio 2.
Teorema 6.1. Sea A R
nn
. Entonces ning un vector propio de A puede
estar asociado a valores propios distintos de A.
Demostracion. Si suponemos que x es un vector propio de A asociado a
valores propios distintos
i
,
j
de A, entonces (
i

j
) = 0 y
(
i

j
)x =
i
x
j
x = Ax Ax = 0.
Luego
(
i

j
)
1
(
i

j
)x = (
i

j
)
1
0 = x = 0,
lo cual es absurdo. Por tanto, ning un vector propio de A puede estar asociado
a valores propios distintos de A.
Denicion. Sea A R
nn
, el espectro de A es
(A) = { escalar : es un valor propio de A} .
El smbolo R[x] denotara al conjunto de los polinomios en la variable x y
coecientes en R. La evaluacion de un polinomio p(x) = a
0
+a
1
x+ +a
t
x
t
de R[x] en una matriz A R
nn
es la matriz
p(A) = a
0
I
n
+ a
1
A+ + a
t
A
t
,
donde A
i
para todo i = 2, ..., t es el producto usual de matrices de A con
sigo misma i veces.
Ejemplo. Sean
A =
_
1 1
1 2
_
74 CAP

ITULO 6. VALORES Y VECTORES PROPIOS

y p(x) = 1 3x + 2x
2
. Entonces
p(A) = 1
_
1 0
0 1
_
3
_
1 1
1 2
_
+ 2
_
1 1
1 2
_ _
1 1
1 2
_
=
_
1 0
0 1
_
+
_
3 3
3 6
_
+
_
0 6
6 6
_
=
_
2 3
3 1
_
.
Teorema 6.2. Sean A R
nn
, p(x) R[x], (A) y x un vector propio
de A asociado a . Entonces p() (p(A)) y x es un vector propio de
p(A) asociado a p().
Demostracion. Supongamos que p(x) = a
0
+ a
1
x + + a
t
x
t
, entonces
p(A)x = a
0
x + a
1
Ax + + a
t
A
t
x,
pero
A
j
x = A
j1
Ax = A
j1
x = A
j1
x = =
j
x
para todo j = 1,...,t. Luego
p(A)x = a
0
x + a
1
x + + a
t

t
x
= (a
0
+ a
1
+ + a
t

t
)x = p()x.
6.2. Subespacios Propios
Teorema 6.3. Sean A R
nn
y un valor propio de A. Entonces
E
A
() = {x vectores n 1 : Ax = x}
es un subespacio del espacio de los vectores n1 sobre los n umeros complejos.
Demostracion. Claramente A0 = 0, por tanto 0 E
A
(). Ahora, si x,
y E
A
() y c escalar, entonces
A(c x +y) = c Ax +Ay = c x + y = (c x +y),
por tanto (c x + y) E
A
(). Luego E
A
() es un subespacio de los vectores
n 1 sobre los n umeros complejos.
6.3. MATRICES INVERTIBLES Y VALORES PROPIOS 75
Notese que E
A
() es igual a {0} unido con el conjunto formado por todos
los vectores propios de A asociados al valor propio . Ademas, por Teorema
6.1 se tiene que si
i
,
j
son valores propios distintos de A, entonces
E
A
(
i
) E
A
(
j
) = {0} .
Denicion. El subespacio E
A
() se denomina subespacio propio de A
asociado al valor propio . Ademas, la dimension de E
A
(), dim(E
A
()), se
llama la multiplicidad geometrica del valor propio de A.
De la denicion de vector propio, es claro que E
A
() tiene al menos un vector
no nulo, por tanto
dim(R
n
) = n dim(E
A
()) 1.
6.3. Matrices Invertibles y Valores Propios
Teorema 6.4. Sea A R
nn
. Entonces = 0 es un valor propio de A si, y
solo si, A es no invertible.
Demostracion. Ejercicio.
Teorema 6.5. Sea A R
nn
. Entonces A es invertible si, y solo si, ning un
valor propio de A es cero.
Demostracion. Este resultado es equivalente al Teorema 6.4.
Teorema 6.6. Sea A R
nn
una matriz invertible. Entonces es un valor
propio de A si, y solo si,
1
es un valor propio de A
1
. A un mas, x es un
vector propio de A asociado a si, y solo si, x es un vector propio de A
1
asociado a
1
.
Demostracion. Puesto que A es invertible, ninguno de sus valores propios
es cero. Luego, un escalar es un valor propio de A y x es un vector propio
76 CAP

ITULO 6. VALORES Y VECTORES PROPIOS

de A asociado a
Ax = x
A
1
Ax = A
1
x
A
1
x =
1
x
si, y solo si,
1
es un valor propio de A
1
y x es un vector propio de A
1
asociado a
1
.
6.4. Producto de matrices y Valores Propios
Teorema 6.7. Sean A, B R
nn
. Entonces
(AB) = (BA).
Demostracion. Ejercicio.
6.5. Localizacion de Valores Propios
Existen muchos teoremas que dan informacion acerca de la localizacion en el
plano complejo de los valores propios de una matriz. El mas famoso de ellos
es el Teorema de Gershgorin, el cual constituye el centro de esta peque na
seccion.
Denicion. Sea A R
nn
. El radio espectral de A es el n umero real no
negativo
rad(A) = max {|| : (A)} .
|| signica modulo de si es complejo o valor absoluto de si es real.
El radio espectral de una matriz A R
nn
es justamente el radio del disco
cerrado mas peque no centrado en el origen del plano complejo que contiene
a todos los valores propios de A.
Denicion. Sea A R
nn
. Los n discos de Gershgorin de A son:
D
p
= {z escalar : |z a
pp
| R
p
(A)} p = 1, ..., n.
6.6. C

ALCULO DE VALORES PROPIOS 77

Donde
R
p
(A) = |a
p1
| + +

a
p(p1)

a
p(p+1)

+ +|a
pn
| .
La region del plano complejo formada por la union de esos n discos sera lla-
mada region de Gershgorin y denotada por G(A).
Teorema 6.8. (De Gershgorin). Sea A R
nn
. Entonces (A) esta con-
tenido en G(A).
Demostracion. Ejercicio.
6.6. Calculo de Valores Propios
Teorema 6.9. Sea A R
nn
. Entonces es un valor propio de A si, y solo
si, det(I
n
A) = 0.
Demostracion.
valor propio de A x = 0 : Ax = x
x = 0 : (I
n
A)x = 0
(I
n
A) es no invertible
det(I
n
A) = 0.
Denicion. Sea A R
nn
. El polinomio caracterstico de A es el poli-
nomio de R[x] dado por
P
A
(x) = det(xI
n
A).
La expresion P
A
(x) = 0 se llama ecuacion caracterstica de A.
Seg un Teorema 6.9, es un valor propio de A R
nn
si, y solo si, es
solucion de la ecuacion caracterstica de A. Esto ultimo equivale a que es
una raz de P
A
(x).
78 CAP

ITULO 6. VALORES Y VECTORES PROPIOS

Ejemplo. Hallemos el polinomio caracterstico y los valores propios de
A =
_
_
1 2 3
4 5 6
7 8 9
_
_
.
En efecto,
P
A
(x) = det(xI
3
A) = det
_
_
_
_
x 1 2 3
4 x 5 6
7 7 x 9
_
_
_
_
= x
3
15x
2
18x.
Una simple inspeccion visual muestra que
1
= 0 es una raz de P
A
(x). Con
esa informacion es facil probar (con ayuda de la Formula General Cuadratica)
que las otras races de P
A
(x) son
2
=
15
2

3
2

33 y
3
=
3
2

33 +
15
2
. As,
(A) =
_
0,
15
2

3
2

33,
3
2

33 +
15
2
_
.
Por lo general, es difcil o imposible hallar las races de P
A
(x). Sin embargo, si
P
A
(x) tiene coecientes enteros, algunas veces es util un resultado de

Algebra
elemental que dice: si p(x) es un polinomio con coecientes enteros, entonces
toda raz entera de p(x) divide al termino independiente de este.
Ejemplo. Hallemos los valores propios de una matriz A que tiene como
polinomio caracterstico a
P
A
(x) = x
3
+ 2x
2
3x 6.
Si P
A
(x) tiene una raz entera, esa raz debe ser un divisor del termino
constante. Los divisores de 6 son: 1, 2, 3, 6. Si sustituimos x = 2 en
P
A
(x) se obtiene cero. De tal hecho podemos deducir que 2 es una raz de
P
A
(x) y que x + 2 divide exactamente a P
A
(x). Con ayuda de la Formula
General Cuadratica encontramos que
P
A
(x) = (x + 2)(x

3)(x +

3).
Luego los valores propios de A son 2,

3 y

3.
6.6. C

ALCULO DE VALORES PROPIOS 79

Denicion. Sea es un valor propio de A R
nn
. El n umero de veces que
se repita como raz de P
A
(x) es la multiplicidad algebraica del valor
propio de A.
Ejemplo. La matriz
A =
_

_
1 0 0 0 0
0 2 0 0 0
1 0 5 6 0
1 0 3 4 0
0 0 0 0 2
_

_
cuyo polinomio caracterstico es
P
A
(x) = x
5
7x
3
+ 2x
2
+ 12x 8
= (x + 2)
2
(x 1)
2
(x 2),
tiene como valores propios
1
= 2 con multiplicidad algebraica 2,
2
= 1
con multiplicidad algebraica 2 y
3
= 2 con multiplicidad algebraica 1.
Teorema 6.10. Sea A R
nn
. Entonces P
A
(x) es un polinomio de grado
n. Ademas, si
P
A
(x) = a
n
x
n
+ a
n1
x
n1
+ a
n2
x
n2
+ + a
1
x + a
0
,
entonces a
n
= 1, a
n1
= tr(A) y a
0
= (1)
n
det(A).
Demostracion. Ejercicio.
Teorema 6.11. Sean A R
nn
y
1
, ...,
n
los valores propios de A. En-
tonces
det(A) =
1

n
y tr(A) =
1
+ +
n
.
Demostracion. Ejercicio.
Teorema 6.12. Sea A R
nn
. Entonces A y A
T
tienen los mismos valores
propios con las mismas multiplicidades algebraicas correspondientes.
80 CAP

ITULO 6. VALORES Y VECTORES PROPIOS

Demostracion. Bastara probar que P
A
(x) = P
A
T (x). En efecto,
P
A
(x) = det(xI
n
A) = det((xI
n
A)
T
)
= det(xI
n
A
T
) = P
A
T (x).
6.7. Calculo de Vectores Propios
Teorema 6.13. Sean A R
nn
y un valor propio de A. Entonces x es
un vector propio de A asociado a si, y solo si, x es una solucion no trivial
del sistema homogeneo de ecuaciones lineales (I
n
A)y = 0.
Demostracion. x es solucion no trivial del sistema (I
n
A)y = 0, si, y
solo si, x = 0 y (I
n
A)x = 0 si, y solo si, x = 0 y Ax = x.
Presentamos a continuacion algunos ejemplos que ilustran la forma como se
pueden hallar valores propios y vectores propios.
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
A =
_
2 12
1 5
_
.
Solucion. La ecuacion caracterstica de A es
det(xI
n
A) = det
__
x 2 12
1 x + 5
__
= x
2
+3x+2 = (x+1)(x+2) = 0,
de donde se obtiene que
1
= 1 y
2
= 2 son los valores propios de
A. Para determinar los vectores propios correspondientes se resuelven los
sistemas homogeneos (
1
I
2
A)x = 0 y (
2
I
2
A)x = 0: para
1
= 1, la
matriz de coecientes es
(1)I
2
A =
_
1 2 12
1 1 + 5
_
=
_
3 12
1 4
_
,
que se reduce por las a
_
1 4
0 0
_
.
6.7. C

ALCULO DE VECTORES PROPIOS 81

Por consiguiente, x
1
4x
2
= 0. Se concluye que todo vector propio de A
asociado a
1
= 1 es de la forma
x =
_
x
1
x
2
_
=
_
4x
2
x
2
_
= x
2
_
4
1
_
, x
2
= 0.
Luego E
A
(
1
) = gen
__
4
1
__
. Para
2
= 2, la matriz de coecientes es
(2)I
2
A =
_
2 2 12
1 2 + 5
_
=
_
4 12
1 3
_
,
que se reduce por las a
_
1 3
0 0
_
.
Por consiguiente, x
1
3x
2
= 0. Luego todo vector propio de A asociado a

1
= 2 es de la forma
x =
_
x
1
x
2
_
=
_
3x
2
x
2
_
= x
2
_
3
1
_
, x
2
= 0.
Luego E
A
(
2
) = gen
__
3
1
__
.
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
A =
_
_
2 1 0
0 2 0
0 0 2
_
_
.
Solucion. La ecuacion caracterstica de A es
det(xI
n
A) = det
_
_
_
_
x 2 1 0
0 x 2 0
0 0 x 2
_
_
_
_
= (x 2)
3
= 0.
Por tanto,
1
= 2 es el unico valor propio de A. Ahora,
2I
3
A =
_
_
0 1 0
0 0 0
0 0 0
_
_
82 CAP

ITULO 6. VALORES Y VECTORES PROPIOS

mplica que en la solucion del sistema homogeneo (2I
3
A)x = 0 tiene que
x
2
= 0 y las variables x
1
, x
3
estan libres. Luego todo vector propio de A
asociado a
1
= 2 es de la forma
x =
_
_
x
1
x
2
x
3
_
_
=
_
_
x
1
0
x
3
_
_
= x
1
_
_
1
0
0
_
_
+ x
3
_
_
0
0
1
_
_
.
Luego E
A
(
1
) = gen
_
_
_
_
_
1
0
0
_
_
,
_
_
0
0
1
_
_
_
_
_
.
Ejemplo. Hallemos los valores propios y los espacios propios de la matriz
A =
_

_
1 0 0 0
0 1 5 10
1 0 2 0
1 0 0 3
_

_
.
Solucion. La ecuacion caracterstica de A es
det(xI
n
A) = det
_
_
_
_
_

_
x 1 0 0 0
0 x 1 5 10
1 0 x 2 0
1 0 0 x 3
_

_
_
_
_
_
= (x 1)
2
(x 2)(x 3) = 0.
As los valores propios de A son
1
= 1,
2
= 2 y
3
= 3. Una base para el
espacio propio de
1
= 1 se encuentra como sigue:
(1)I
3
A =
_

_
0 0 0 0
0 0 5 10
1 0 1 0
1 0 0 2
_

_
y se reduce a la matriz
_

_
1 0 0 2
0 0 1 2
0 0 0 0
0 0 0 0
_

_
.
6.8. INDEPENDENCIA LINEAL Y VECTORES PROPIOS 83
Lo cual implica que x
1
+ 2x
4
= 0, x
3
2x
4
= 0 y x
2
esta libre. As, todo
vector propio de A asociado a
1
= 1 es de la forma
x =
_

_
x
1
x
2
x
3
x
4
_

_
=
_

_
2x
4
x
2
2x
4
x
4
_

_
= x
2
_

_
0
1
0
0
_

_
+ x
4
_

_
2
0
2
1
_

_
.
Luego E
A
(
1
) = gen
_

_
_

_
0
1
0
0
_

_
,
_

_
2
0
2
1
_

_
_

_
.
Para
2
= 2 y
3
= 3, se sigue el mismo patron para obtener
E
A
(
2
) = gen
_

_
_

_
0
5
1
0
_

_
_

_
y que E
A
(
3
) = gen
_

_
_

_
0
5
0
1
_

_
_

_
.
6.8. Independencia lineal y vectores propios
Teorema 6.14. Sean
1
, ...,
r
valores propios distintos de A R
nn
. Si para
cada i {1, ..., r} S
i
es un conjunto linealmente independiente de vectores
propios de A asociados a
i
, entonces S = S
1
S
r
es todava un conjunto
linealmente independiente.
Demostracion. Ejercicio.
Teorema 6.15. Sea A R
nn
y
i
un valor propio de A. Entonces
multiplicidad geometrica de
i
multiplicidad algebraica de
i
.
Demostracion. Ejercicio.
6.9. Valores propios de algunas matrices es-
peciales
84 CAP

ITULO 6. VALORES Y VECTORES PROPIOS

Teorema 6.16. Los valores propios de una matriz simetrica son reales.
Demostracion. Ejercicio.
Teorema 6.17. Sean U R
nn
ortogonal y es un valor propio de U.
Entonces || = 1.
Demostracion. Sea x un vector propio de U asociado al valor propio ,
entonces
x
2
= Ux
2
= x
2
= || x
2
.
Luego || = 1.
Teorema 6.18. Sea U R
nn
ortogonal. Entonces
|det(U)| = 1.
Demostracion. Si
1
, ...,
n
son los valores propios de U (algunos
i
pueden
ser iguales), entonces por Teorema 6.11, det(U) =
1

n
y como |
i
| = 1
para i = 1, ..., n, entonces
|det(U)| = |
1

n
| = |
1
| |
n
| = 1 1 = 1.
Teorema 6.19. Sea A R
nn
es tal que AA
T
= A
T
A, entonces para todo
valor propio de A, se tiene que
E
A
() = E
A
T ().
Demostracion. Ejercicio.
Teorema 6.20. Sean A R
nn
es tal que AA
T
= A
T
A y
i
,
j
valores
propios distintos de A. Entonces E
A
(
i
) E
A
(
j
).
Demostracion. Ejercicio.
6.10. SEMEJANZA DE MATRICES 85
6.10. Semejanza de Matrices
Denicion. Sean A, B R
nn
. Decimos que A es semejante a B, si
existe P R
nn
invertible tal que
A = P
1
BP.
Demostracion. Ejercicio.
Teorema 6.21. (Lema de Schur). Toda matriz A R
nn
es semejante a
una matriz triangular superior.
Demostracion. Ejercicio.
Teorema 6.22. Sean A, B R
nn
. Si A y B son semejantes, entonces
A y B tienen el mismo polinomio caracterstico, y por consiguiente los mis-
mos valores propios con las mismas multiplicicades algebraicas respectivas, el
mismo determinante y la misma traza.
Demostracion. Como A y B son semejantes, existe P R
nn
invertible
tal que A = P
1
BP, luego
P
A
(x) = det(xI
n
A) = det(xI
n
P
1
BP)
= det(P
1
xI
n
PP
1
BP) = det(P
1
(xI
n
B)P)
= det(P
1
) det(xI
n
B) det(P) = det(xI
n
B) = P
B
(x).
Teorema 6.23. Sean A, B R
nn
semejantes con A = P
1
BP. Entonces
para todo (A) se tiene que
E
B
() = {Px : x E
A
()} .
Demostracion. Ejercicio.
86 CAP

ITULO 6. VALORES Y VECTORES PROPIOS

Teorema 6.24. Sean A, B R
nn
semejantes, entonces para todo (A)
se tiene que dim(E
A
()) = dim(E
B
()).
Demostracion. Ejercicio.
Denicion. Una matriz A R
nn
es diagonalizable si es semejante a
una matriz diagonal.
Ejemplo. La matriz
A =
_
_
3 1 0
1 2 1
0 1 3
_
_
es diagonalizable, ya que la matriz
P =
_
_
1 1 1
2 0 1
1 1 1
_
_
es invertible y
P
1
AP =
_
_
1/6 2/6 1/6
3/6 0/6 3/6
2/6 2/6 2/6
_
_
_
_
3 1 0
1 2 1
0 1 3
_
_
_
_
1 1 1
2 0 1
1 1 1
_
_
= diag(1, 3, 4).
Teorema 6.25. Sea A R
nn
tal que A tiene n valores propios distintos,
entonces A es diagonalizable.
Demostracion. Ejercicio.
Teorema 6.26. Sean A R
nn
y
1
, ...,
k
los valores propios distintos de
A, entonces las siguientes armaciones son equivalentes:
1. A es diagonalizable.
6.11. EJERCICIOS 87
2. Existe una base para los vectores n 1 formada por vectores propios de
A.
3. para i = 1, ..., k dim(E
A
(
i
)) es igual a la multiplicidad algebraica, m
i
, de

i
como valor propio de A.
Demostracion. Ejercicio.
6.11. Ejercicios
1. Halle el espectro de una matriz diagonal de R
nn
.
2. Sean A,B R
nn
(n 2). Demuestre que:
(a) (A) y (B) no implica + (A+B).
(b) (A) y (B) no implica (AB).
3. Sean A R
nn
y s {1, ..., n} un n umero jo. Demuestre que si a
is
= 0
para i = 1, ..., s 1, s + 1, ..., n, entonces a
ss
es valor propio de A.
4. Sea A R
nn
. Demuestre que si (A), entonces
k
(A
k
) para
todo k entero positivo.
5. Sea A R
nn
tal que la suma de los elementos de cada la de A es c.
Pruebe que c (A).
6. Una matriz A R
nn
es idempotente si A
2
= A. Demuestre que
(A) {0, 1} .
7. Una matriz A R
nn
es unipotente si A
2
= I
n
. Demuestre que
(A) {1, 1} .
8. Una matriz A R
nn
es nilpotente si A
k
= 0 para alg un entero positivo
k. Demuestre que (A) = {0}.
88 CAP

ITULO 6. VALORES Y VECTORES PROPIOS

9. Halle los discos de Gershgorin para la matriz
A =
_
_
1 0 1/4
1/4 1 1/4
1 1 3
_
_
.
10. Demuestre, sin calcularlos, que los valores propios de la matriz
_
_
6 2 1
1 5 0
2 1 4
_
_
satisfacen la desigualdad 1 || 9.
11. Demuestre que las partes imaginarias de los valores propios de la matriz
_
_
3 1/3 2/3
1 4 0
1/2 1/2 1
_
_
estan situadas en el intervalo [1 , 1].
12. Verique que p(x) = x
4
2x
3
11x
2
+ 24 es el polinomio caracterstico
de la matriz
_

_
1 1 3 2
0 1 4 0
0 1 1 1
2 1 3 1
_

_
13. Halle todos los valores propios y bases para los espacios propios de la
matriz
A =
_
_
3 2 2
1 1 1
0 2 3
_
_
.
Ayuda: x =
_
1 1 1

T
es un vector propio de A.
6.11. EJERCICIOS 89
14. Halle todos los valores propios y bases para los espacios propios de la
matriz
A =
_
_
1 2 0
4 0 2
0 2 1
_
_
.
Ayuda: 3 es un valor propio de A.
15. Demuestre que el polinomio caracterstico de la matriz nula [resp. iden-
tidad] de R
nn
es x
n
[resp. (x 1)
n
], y por tanto su unico valor propio es
= 0 [resp. = 1] con multiplicidad algebraica n.
16. Demuestre que los valores propios de una matriz triangular son los ele-
mentos de su diagonal principal.
17. Si
A =
_
_
18 2 12
4 9 6
3 2 3
_
_
,
compruebe que P
A
(x) = x
3
30x
2
+ 275x 750 y (A) = {5, 10, 15}.
18.Demuestre que si A R
nn
y (A) = {
1
, ...,
n
}, entonces para todo
c R (cA) = {c
1
, ..., c
n
}.
19. Sean A R
nn
y c R. Demuestre que
E
A
() = E
cA
(c) (A).
20. Demuestre que existen matrices no nulas en R
nn
cuyo polinomio carac-
terstico es x
n
.
21. Sean A R
nn
, (A) y r R
+
. Demuestre que existe x E
A
()
tal que x
2
= r.
22. Si A, B R
nn
, n > 1 y P
A
(x) = P
B
(x). Demuestre que A y B no son
necesariamente semejantes.
90 CAP

ITULO 6. VALORES Y VECTORES PROPIOS

23. Sean D
1
, D
2
R
nn
matrices diagonales. Demuestre que son semejantes
si, y solo si, tienen los mismos polinomios caractersticos.
24. Demuestre que matrices semejantes tienen igual rango.
Bibliografa
[1] Anton, H. (1996), Introduccion al

Algebra Lineal, Editorial Limusa S.A.
Grupo Noriega Editores, Mexico.
[2] Asmar, A. J. (1995), Topicos en Teora de Matrices, Universidad Nacional
de Colombia, Sede Medelln.
[3] Harville, D. (1997), Matrix Algebra From a Statisticians Perspective,
Springer - verlag, New York.
[4] Homan, K. y Kunze, R. (1983),

Algebra Lineal, Prentice - Hall Hispa-
noamericana, S.A., Mexico.
[5] Horn, R. y. J. C. (1985), Matrix Analisys, Cambridge University Press,
U.S.A.
[6] Kincaid, D. y Cheney, W. (1991), Numerical Analysis, Brooks Cole Pu-
blishing company. Pacic Grove, California.
[7] Meyer, C. (2000), Analysis and Applied Linear Algebra, Siam, Philadelp-
hia.
[8] Noble, B. y Daniel, J. W. (1989),

Algebra Lineal Aplicada, Prentice - Hall
Hispanoamericana, S.A., Mexico.
[9] Searle, S. (1986), Matrix Algebra Useful for Statistics, John Wiley and
Sons, U.S.A.
91










Bibliografa




[1] Anton, H. (1996), Introduccin al A

lgebra Lineal, Editorial Limusa S.A.

Grupo Noriega Editores, Mexico.

[2] Asmar, A. J. (1995), Topicos en Teora de Matrices, Universidad Nacional
de Colombia, Sede Medelln.

[3] Harville, D. (1997), Matrix Algebra From a Statisticians Perspective,
Springer - verlag, New York.

[4] Hoffman, K. y Kunze, R. (1983), A

lgebra Lineal, Prentice - Hall Hispa-

noamericana, S.A., Mexico.

[5] Horn, R. y. J. C. (1985), Matrix Analisys, Cambridge University Press,
U.S.A.

[6] Kincaid, D. y Cheney, W. (1991), Numerical Analysis, Brooks Cole Pu-
blishing company. Pacific Grove, California.

[7] Meyer, C. (2000), Analysis and Applied Linear Algebra, Siam, Philadelp-
hia.

[8] Noble, B. y Daniel, J. W. (1989), A

lgebra Lineal Aplicada, Prentice - Hall

Hispanoamericana, S.A., Mexico.

[9] Searle, S. (1986), Matrix Algebra Useful for Statistics, John Wiley and
Sons, U.S.A.