NOMBRE:

ALEXANDER GONZALEZ
MATERIA:
ALGEBRA LINEAL
TEMA:
VALORES Y VECTORES
PROPIOS
FECHA DE ENTREGA:
2015/08/04

NRC:2248
SANGOLQUI-ECUADOR

INDICE
VALORES Y VECTORES PROPIOS

INTRODUCCION
2
DEFINICION
2
PROPIEDADES
BASICAS............4
DETERMINACIN
DE
PROPIOS...........5

LOS

VALORES

LA
ECUACION
CARACTERISTICA.
....7
DETERMINANTES...
...8
PROPIEDADES
DE
LOS
DETERMINANTES....9
APLICACIN
A
LOS
SISTEMAS
DINMICOS...13
DIAGONALIZACION
14
BIBLIOGRAFIA...............
.20

VALORES Y VECTORES PROPIOS

INTRODUCCION
En lgebra
lineal,
los vectores
propios, autovectores o eigenvectores de
un operador
lineal son los vectores no nulos que, cuando son
transformados por el operador, dan lugar a un mltiplo
escalar de s mismos, con lo que no cambian su direccin.
Este
escalar recibe
el
nombre valor
propio, autovalor, valor
caracterstico o eigenvalor.
A
menudo, una transformacin queda completamente
determinada por sus vectores propios y valores propios.
Un espacio propio, autoespacio, eigenespacio o subespacio
fundamental asociado al valor propio es el conjunto de
vectores propios con un valor propio comn.
La palabra alemana eigen, que se traduce en espaol
como propio, se us por primera vez en este contexto
por David Hilbert en 1904 (aunque Helmholtz la us
3

previamente con un significado parecido). Eigen se ha

traducido tambin como inherente, caracterstico o el
prefijo auto-, donde se aprecia el nfasis en la importancia
de los valores propios para definir la naturaleza nica de
una determinada transformacin lineal. Las denominaciones
vector
y
valor caractersticos tambin
se
utilizan
habitualmente.
DEFINICIN
Sea A una matriz cuadrada, un nmero real se dice que es
un valor propio o un eigenvalor o un valor caracterstico de
A si existe un vector, diferente del vector cero, x tal que:
Ax = x
Es decir, es un vector que al transformarlo mediante la
multiplicacin por A el vector resultante mantiene su
direccin, posiblemente slo su longitud y/o sentido se
modique. El vector x se llama vector propio o eigenvector
asociado al valor propio .
Interpretacin geomtrica en el plano R2
Si es un valor propio de la matriz A y x es un vector propio
de A correspondiente a entonces la multiplicacin de x
por la matriz A produce un vector x paralelo a x, como se
muestra
a
continuacin:

PROPIEDADES BSICAS
5

DEFINICIN:
El escalar es valor propio de A si existe v0 tal que
Av= v
El vector v es un vector propio de A asociado a si
Av= v
TEOREMA: (mtodo para calcular valores y vectores
propios para matrices concreta)
El escalar es valor propio de A si det ( A- I)=0
El vector v es vector propio de A asociado a si ( AI)v=0
TEOREMA
Los valores propios de una matriz triangular son las
entradas de su diagonal principal.
DEMOSTRACION:
En aras de la simplicidad, considere el caso 3x3.Si A es
triangular superior, entonces A I es de la forma:

A I=

a11 a11 a11

0 a11 a11
0
0 a11

0 0
0 0
0 0

a11
a12
a13
0
a11
a23
=
0
0
a11

El escalar

es un valor propio de A si, y solo si la

ecuacin (A- I X=0 tiene una solucin no trivial: esto es,

si y solo s, la ecuacin tiene una variable libre. Debido a las
entradas cero en A- i , es fcil ver que (A- I X =0 tiene
una variable libre si y solo si, por lo menos una de las
entradas en la diagonal de A- I es cero. Esto pasa si, y

solo si,
de A- I

es igual a alguna de las entradas en la diagonal

es cero.

DETERMINACIN DE LOS VALORES PROPIOS

Sea o un valor propio de la matriz cuadrada A, as existe
un vector diferente cero de (xo) tal que:
Axo = oxo = o In xo
Por tanto:
Axo oInxo = (A oIn) xo = 0
Si B = (A oIn) lo anterior signica que el sistema
homogneo n n
Bx = 0, tiene adems de la solucin trivial otra solucin (x
= xo =6 0). Por consiguiente, no tiene solucin nica. Y por
tanto, el determinante de la matriz B debe ser cero:
Det (B) = det (A oIn) = 0.
Resumiendo:
Todo valor propio o debe ser raz del polinomio
caracterstico asociado a A:
A() = det (A In) y un vector propio asociado al valor
propio debe ser solucin al sistema homogneo:
(A In) x = 0

TEOREMA:

Si

v1

,. v r son

vectores

propios

vr

,. v r ,

correspondientes a distintos valores propios

de una matriz A n x n, entonces el conjunto { v r ,, v r }

es linealmente independiente.
DEMOSTRACIN: Supongamos que el conjunto de
vectores es linealmente dependiente. Habra un primer
vector

v p +1=c 1 v 1+ +c p v p

que sera combinacin lineal de los

anteriores.
vp +1=c 1 v 1+ + cpvp
Multiplicando por A
Avp +1=c 1 Av 1+ + cpAvp p+1 vp+1=c 1 1 v 1+ + cp pvp .

Restando p+1 veces a esta ultima ecuacin

c 1( 1p+1)v 1+ + cp( pp+ 1)vp=0.

Pero { v 1 , vp } es linealmenteindependiente , y ip+ 1, 0 sii < p+1, as que

c 1==cp=0.
Esto es una contradiccion, y {v 1 ,... vr }ha de serlinealmente independiente .

Vectores propios y ecuaciones en diferencias

Esta seccion concluye mostrando cmo construir soluciones
de la ecuacin en diferencias de primer orden:
x k+1= Ax k

(k=0,1,2,.)

Si A es una matriz nxn, la ecuacion anterior es una

descripcin recursia de una sucesin

x
[ k ]

en

Rn . Una

solucin de dicha ecuacin es una descripcin explcita de

x
[ k ] ,

cuya formula para cada

x
[ k ] ,

no depende

directamente de A ni de los terminos precentes en la

sucesin excepto del trmina inicial

x
[ o] .

La manera mas simple de construir una solucion para esta

ecuacin es tomar un vector propio

x
[ 0]

y su valor propio

correspondiente y hacer:
x
[ k ]= k x0

(k=1,2..)

Esta sucesin funciona porque:

Ax
k
k+1
[ k ]= A ( x 0 )= ( Ax 0 )= ( x 0 )= x0 =x k+1

LA ECUACION CARACTERISTICA
Informacion util acerca de los vectores propios de una
matriz cuadrada A se encuentra codificada en una ecuacion
escalar llamada ecuacion caracterstica de A. Un ejemplo
sencillo conduce al caso general.
EJEMPLO: Encuentre los valores propios de A=

2 3
3 6

Deben encontrarse todos los escalares tales que la

ecuacin matricial (A- I)x=0 tenga una solucin no trivial.
A-I =

2 3
3 6

0
0

2
3
3
6

Los valores

propios de A son las soluciones para la ecuacin

10

2
3
3
6

Det (A- I)= det =

=0

Recuerde que
Det

a b
c d

= ad-bc

As que
Det (A- I)= (2-) (-6-)-(3)(3)
2
= -12+6-2 + -9

Al establecer

4 21

4 21=0 , se tiene que ( 3 ( +7

=0, as que los valores propios de A son 3 y -7.

El determinante del ejemplo transform a ecuacin de
matrices (A- I x=0, donde intervienen dos incgnitas (
yx

24 21=0 , que tiene

en la ecuacin escalar

solamente una incgnita. La misma idea funciona para

matrices de nxn. Sin embargo, antes de pasar a matrices
mayores, se presenta un resumen de las propiedades de los
determinantes necesarios para estudiar los valores propios.
DETERMINANTES.
Sean A una matriz de nxn, U cualquier forma escalonada
obtenida a partir de A mediante reemplazo e intercambio
de filas, y (r) la cantidad de tales intercambios de filas.
Entonces el determinante de A, es
de las entradas diagonales

u11

invertible, entonces u11 . um

(1)r

veces el producto

um

de U. Si A es

Son todas pivotes. En

11

caso contrario, por lo menos

u11

um

es cero, y el producto

.. um es cero, as que:
(1)r

(Producto de los pivotes en U), cuando

A es invertible
Det A=
0,
A es no invertible

cuando

EJEMPLO:
Calcule det A para A=

1 5
0
2 4 1
0 2 0

La siguiente reduccin por filas utiliza un intercambio de

filas:
A~

1 5
0
2 4 1
0 2 0

1 5
0
2 4 1
0 2 0

1 5
0
2 4 1
0 2 0

U1

1
Entonces de A es igual a (1) (1)(-2)(-1)=-2.

TEOREMA:
Sea A una matriz de nxn. Entonces A es invertible si y solo
si:
a) EL nmero cero no es un valor propio de A.
b) El determinante de A no es cero.
PROPIEDADES DE LOS DETERMINANTES:
Sean A y B matrices de nxn.
a. A es invertible si y solo si, det A0
12

b. Det AB=(detA)(detB)
T
c. det A =det A
d. Si A es triangular, entonces det A es el producto de las
entradas que estn en la diagonal principal de A.
e. Una operacin de reemplazo de fila en A no cambia el
determinante. Un intercambio de fila cambia el signo
del determinante. Un escalonamiento de fila tambin
escala el determinante por el mismo factor escalar.
Entonces en virtud de este teorema, puede utilizarse un
determinante para decidir cundo una matriz A - I

no es

invertible. La ecuacin escalar det(A- I =0 es la ecuacin

caracterstica de A.
Un escalar

es un valor propio de una matriz A de nxn si

y solo si, saitsface la ecuacin caracterstica.

Det (A- I =0
Est claro que la ecuacin caracterstica es igual a una
ecuacin polinmica, ya que dada una matriz numrica A
de nn, la expresin det (AI) es un polinomio en . Este
polinomio, que es de grado n, se denomina polinomio
caracterstico de la matriz A. Claramente, sus races son los
autovalores de A. La multiplicidad algebraica de un auto
valor es su multiplicidad como raz del polinomio
caracterstico. Es decir, sabemos que un polinomio de
coeficientes complejos siempre se puede factorizar en
factores simples:
det (A I )=( 1) 1( 2) 2 ( r)r .

Las raicees i son los auto valores, y los exponentes i las

multiplicidades algebraicas de los correspondientes
autovalores i .
SEMEJANZA. El proceso de reduccin por filas ha sido
nuestra principal herramienta para resolver sistemas de
13

ecuaciones. La caracterstica fundamental de este

procedimiento es, de nuevo, la invariancia del conjunto de
soluciones,
el
objeto
buscado,
respecto
a
las
transformaciones utilizadas para simplificar el sistema, las
operaciones elementales por filas.
En el caso de que los objetos de inters sean los
autovalores, existe un procedimiento que los mantiene
invariantes y permite simplificar la matriz A.
Definicin. Se dice que dos matrices A y B de n n son
semejantes si existe una matriz invertible P de n n que
las relaciona por la siguiente formula
P1 AP=B o equivalentemente A=P BP1.

Realizar la operacin P 1AP sobre A se denomina realizar

una transformacin de semejanza.
TEOREMA: Si las matrices A y B de nxn son semejantes,
entonces tienen el mismo polinomio caracterstico y por lo
tanto, los mismos valores propios.
DEMOSTRACION
1
Si B= P AP, entonces

1
1
1
1
B-I = P AP - P
P= P
(AP- P) = P (A- I) P

Con el uso de la propiedad multiplicativa, se calcula

1
Det (B- I) = det [ P
(A-I)P]

1
= det ( P ). det (A-I). det (P)

1
1
Como det ( P ). det ( P P ) = det I =1, se observa que

det (B-I) = det (A-I)

14

15

APLICACIN A LOS SISTEMAS DINMICOS

Los valores propios y los vectores propios tienen la clave
para la evolucin discreta de un sistema dinmico:
Ejemplo:

16

(95 03)

Sea A= 05 97

Analice el comportamiento a largo plazo

x k+1

del sistema dinmico definido por

con x 0 =

= Ax k (k=0,1,2)

6
4

Solucin:
El primer paso es encontrar los valores propios de A y una
base para cada espacio propio. La ecuacin caracterstica
de A es:
0=det

95
03
05
97

= (95- (97- -(03)(05)

2
= -1.92 +92

Por la formula cuadrtica

=

1.92 (1.92)24(92) 1.92 0.0064

=
2
2

1.92 0.8
=
1 o bien 0.92
2

Se comprueba rpidamente que los vectores propios

correspondientes a =1 y =92 son mltiplos de:
3
5

V 1=

V 2=

1
1
x0

EL siguiente paso es escribir la

V1

V2

dada en trminos de

. Esto puede hacer porque [ V 1

evidentemente, una base para

V2

] es,

. As existen pesos C1 y

C2 tales que:

17

x 0=c 1 v 1

c2 v2

De hecho,

c1
v1

V1

=[

=
1

v1 y

v2

V2

c1
v1

[V 1 V 2 ]1 x 0 =

= 8
Como [ V 1

V2

1 1
5 3

3 1
5 1
60
40

60
40

125
225

] son vectores propios de A, con A v 1 =

2= 92,
=
se calcula fcilmente cada
v

xk

x 1=Ax 0=c1 Av 1 + c 2 Av 2

= c 1 v 1 + c 2 (92) v 2
x 2=Ax 1=c 1 Av 1

+ c 2 ( 92 ) Av2

2
= c 1 v 1+ c 2(92) v 2

Y as sucesivamente. En general,
xk

k
= c 1 v 1 + c 2 (92) v 2

(k=0,1,2.)

Al usar c 1 y c 2 :
x k =125

3
5

1
1

2
+225 (92)

Esta frmula explcita para

xk

(k=0,1,2.)
proporciona la solucin de

la ecuacin en diferencias
x k+1

= Ax k . Cuando k

tiende a

375
625

(92)k

tiende a cero y

xk

= 125 v 1

18

DIAGONALIZACION:

En muchos casos, la informacin vector-propio contenida

dentro de una matriz A puede representarse mediante una
til factorizacin de la forma
En

esta

seccin,

rpidamente

la

A=PDP1 .

factorizacin

permite

calcular

para valores grandes de k, una idea

fundamental en varias aplicaciones del algebra lnea.

En la factorizacin, la D significa diagonal. El clculo de las
potencias de una D de este tipo es trivial.

La

potencia de una matriz es muy til en muchas aplicaciones,

como veremos ms adelante. De hecho, nos gustara
calcular la potencia k-esima de cualquier matriz. Esto se
calcula muy fcilmente si conseguimos diagonalizar A, es
decir, encontrar una matriz diagonal D semejante a A:
A=PDP1 . La razn es muy

sencilla, como ilustra el

siguiente ejemplo:

19

Una matriz es diagonalizable si se puede diagonalizar, es

decir, si existe una matriz diagonal D semejante a A, con lo
1
que A=PDP .

La potencia k-esima de una matriz

k

diagonalizar A=PDP

es A =PD P

A que se puede

TEOREMA: Una matriz A de n n es diagonalizable si y

solo si tiene n vectores propios linealmente independientes.
Se tiene que

A=PDP

, con D diagonal, si y solo si las

columnas de
P son vectores propios linealmente
independientes de A, y los elementos diagonales de D son
los valores propios de A (en el mismo orden que los valores
propios en D):

20

1
Viceversa, si A=PDP entonces AP = PD y si v i es la

columna i de P, entonces esta igualdad matricial implica

que A v i = i v i , es decir, las columnas de P son
autovectores. Al ser P invertible, son linealmente
independientes. Si una matriz no tiene n vectores propios
linealmente independientes, no se puede diagonalizar.
EJEMPLO:
Diagonalizar:

TEOREMA:

21

Sea A una matriz nxn cuyos valores propios distintos son

1, .. p .

a. Para 1 k p , la dimension del espacio propio para

es menor o igual que la multiplicidad del valor propio de

k .

b. La matriz A es diagonalizable si y solo si la suma de las

dimensiones de los
espacios propios es igual a n.
Equivalentemente, si la dimensin del espacio
propio
correspondiente a k es igual a la multiplicidad de

k.

c. Si A es diagonalizable, Bk es una base del espacio propio

correspondiente a

k, para cada k, entonces la unin de

todos los vectores de B1,. . . ,Bp es una base de vectores

n
(propios) de R .

EJEMPLO:
22

23

24

BIBLIOGRAFIA:
Bernal Caldern Gloria Ins. (2006). Algebra Lineal.
Bogot, Colombia: Escuela Colombiana de Ingeniera.
Bernard Kolman & David R. Hill. (2006). Algebra Lineal.
Naucalpan de Jurez, Mxico: Prentice Hall.
https://www.euitt.upm.es/uploaded/docs_personales/he
rnandez_heredero_rafael_jose/old/Algebra/ALApC6.pdf
http://www.monografias.com/trabajos99/valorespropios-y-vectores-propios-eigenvalores-yeigenvectores/valores-propios-y-vectores-propioseigenvalores-y-eigenvectores.shtml#valorespra
https://onedrive.live.com/view.aspx?
Bsrc=Share&Bpub=SDX.SkyDrive&resid=D5897295EA
8E5CBE!
148&cid=d5897295ea8e5cbe&app=WordPdf&authkey
=!Avg2kgO3U2QVnHQ
http://www3.uah.es/jmmartinezmediano/amgrado/Tem
a%2005%20AM%20G%20DIAGONALIZACION.pdf
http://www.mty.itesm.mx/etie/deptos/m/ma00130/lecturas/m130-09.pdf
http://personales.upv.es/jbenitez/cajon_sastre/val_prop
.pdf
http://www.vc.ehu.es/campus/centros/farmacia/deptosf/depme/apuntes/gracia/Curso_Actual/bolonia/matemat
icas/capitulo_1/espectral/ValoresVectoresPropiosPapel.
pdf

25