7.1.

Propiedades y resultados importantes

Ejemplo: Lema 7.4 dice que los eigenvalores de A y A⊤ son iguales.

Verifique que los eigenespacios son distintos (en general) tomando el ejemplo A = ( 20 21 ) .

ï Definición. Sea A una matriz de n × n y λ uno de sus eigenvalores. Un vector ~x ∈ Rn×1 \ ~0



es eigenvector por la izquierda cuando A⊤~x = λ~x.

 Para su futuro: En estadı́stica y probabilidad los eigenvectores por la izquierda se escriben en una
de las 3 formas: A⊤~x = λ~x ⇐⇒ ~x⊤ A = λ~x⊤ ⇐⇒ ~y A = λ~y donde ~y = ~x⊤ ∈ R1×n , es decir
~y es ~x pero escrito como renglón.

7.1.1. Eigenvalores y matrices inversas

Lema 7.6. Una matriz A de n × n es invertible si y solo si 0 no es un eigenvalor de A.

Demostración. Mostramos la contra-positiva: A no es invertible si y solo si 0 es eigenvalor de A.

Sabemos que A no es invertible si y solo si 0 = det(A) ⇐⇒ 0 = det(A − 0I). Por el corolario 7.2
lo último equivale a que 0 es eigenvalor de A.

Lema 7.7. Sea A es una matriz invertible de tamaño n × n con eigenvalor λ y eigenvector
correspondiente ~x. Entonces A~x = λ~x ⇐⇒ A−1~x = λ−1~x.
Es decir, λ−1 es eigenvalor de A−1 y el vector ~x es eigenvector de A y de A−1 .

Ejercicio: Demuestre lema 7.7

173
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
7. Valores y vectores propios y Diagonalización de Matrices

7.1.2. Eigenvalores de matrices triangulares en bloques

Lema 7.8. Suponga que tenemos la siguiente matriz n × n “triangular en bloques”, i.e.
" #
A B
M :=
O C

con A ∈ Mp×p , B ∈ Mp×(n−p) , C ∈ M(n−p)×(n−p) & O ∈ M(n−p)×p la matriz de ceros. Entonces,

det(M − λI) = det(A − λI) det(C − λI),

es decir spec(M) = spec A ∪ spec C.

Demostración. Solo tenemos que aplicar lema 6.16 ya que

" #
A − λI B
M − λI = ,
O C − λI

es decir, M − λI tiene la misma estructura triangular por bloques que M.

Ejemplo (tipo examen): Calcular los eigenvalores de las siguientes matrices:

   
1 −1 π 2 1 0 −1 −2
   
−3 5 −7 66 0 5 −7 66 
M =
0
 , N = 
 0 −2 3 
1
 0 −2 π 
0 0 1 2 0 0 0 2

174
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 7.1. Propiedades y resultados importantes

7.1.3. Sistemas dinámicos discretos y cadenas de Markov

En el ejemplo de los búhos o de las cadenas de Markov, los vectores de cada momento en el tiempo
son formados de la forma ~xℓ+1 = A~xℓ para ℓ ∈ {0, 1, 2, . . .} . Haciendo los primeros tres pasos

~x0 7→ ~x1 = A~x0 7→ ~x2 = A~x1 = AA~x0 = A2~x0 7→ ~x3 = A~x2 = A3~x0 .

concluimos que
~xℓ = Aℓ~x0 para ℓ ∈ N+ = {1, 2, 3, . . .} . (7.1)

El siguiente resultado describe como se comporte Aℓ~x cuando ~x es eigenvector de A. Este resultado
permite (bajo otras condiciones) determinar de antemano el lı́mite de la sucesión {~xℓ }ℓ .

Lema 7.9. Sea A una matriz (n × n) con eigenvalor λ y un eigenvector correspondiente ~x.
Entonces, para ℓ ∈ N+ el valor λℓ es eigenvalor de Aℓ con eigenvector ~x, i.e. Aℓ~x = λℓ~x.

Demostración. Por inducción.

La base: Sea ℓ = 1 entonces A1~x = A~x = λ~x = λ1~x.
La hipótesis de inducción (H.d.I.): Supongamos que para ℓ ≥ 1 se tiene Aℓ~x = λℓ~x.
El paso de inducción: Aumentando ℓ 7→ ℓ + 1 y usando la hipótesis y reglas concluimos:
H.d.I.
Aℓ+1~x = AAℓ~x = A(Aℓ~x) = A(λℓ~x) = λℓ (A~x) = λℓ (λ~x) = λℓ+1~x .

Ejemplo: Si ~x es eigenvector de A cuyo eigenvalor es λ. ¿Quien es A3~x ?

Ejemplo (importante): Recordemos el ejemplo de dos fabricantes que compiten por clientes. Sea
! !
1/4 1/3 3/5
A= & ~x0 = .
3/4 2/3 2/5

Si “la situación no cambia”, es decir, el número de fabricantes y la opinión publica, entonces podemos
predecir como están distribuidos los clientes en 30 meses, es decir, deseamos conocer ~x30 = A30~x0 .
Caso 1: Si ~x0 fuese eigenvector de A, entonces

175
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 7. Valores y vectores propios y Diagonalización de Matrices

Caso 2: Podemos observar que ~x0 no es eigenvector de A. Pero yo soy terco y quiero aplicar la
misma idea. Para poder hacer esto debo escribir ~x0 como combinación lineal de eigenvectores de
A, ya que entonces

 La idea anterior funciona cuando ~x0 se puede escribir como combinación lineal de eigenvectores.
Esto requiere una base de eigenvectores de Rn y nos lleva al próximo tema.

176
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 7.2. Bases de eigenvectores

7.2. Bases de eigenvectores

El ejemplo anterior genera el deseo de encontrar una base de Rn de eigenvectores de A.
Como Rn es el espacio completo solo tenemos que encontrar n vectores linealmente independientes
(los cuales automáticamente generan a Rn por corolario 4.8).

Teorema 7.10. Sea A una matriz de n × n con r ≤ n eigenvalores distintos λ1 , λ2 , . . . , λr .

Entonces, A tiene (por lo menos) r eigenvectores correspondientes ~v 1 ,~v 2 , . . . ,~v r que son L.I.

Demostración. Procedemos por inducción.

La base: Si r = 1 y λ1 es eigenvalor entonces por definición existe un eigenvector ~v 1 = 6 ~0, es decir
~v 1 ∈ Eλ1 (A) \ ~0 . Entonces {~v 1 } es lin. indep., ya que α1~v 1 = ~0 y ~v 1 =
6 ~0 implica α1 = 0 por


el hecho 3.2.4 en página 75 y el teorema 4.2.

Idea del paso para r = 2. Sean ~v 1 ∈ Eλ1 (A) \ ~0 y ~v 2 ∈ Eλ2 (A) \ ~0 .
 

Por el teorema 4.2 tenemos que probar la implicación α1~v 1 + α2~v 2 = ~0 =⇒ α1 = α2 = 0.

Hipótesis de inducción: Suponga que el conjunto {~v 1 , . . . ,~v r−1 } para r ≥ 2 es L.I.
Paso de inducción: r − 1 7→ r
Sean ~v i ∈ Eλi (A) \ ~0 para i ∈ {1, . . . , r} eigenvectores.


Por el teorema 4.2 tenemos que probar la implicación

α1~v 1 + α2~v 2 + . . . αr~v r = ~0 =⇒ α1 = α2 = . . . = αr = 0.

177
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 Interpretación importante: Sea A una matriz de n × n. Si A tiene n eigenvalores distintos,
entonces por el teorema 7.10 existe un conjunto de n eigenvectores L.I. que (por corolario 4.8)
forma una base de Rn que consiste de eigenvectores de A.

178
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 7.2. Bases de eigenvectores

Ejemplo 1: El teorema 7.10 dice lo mı́nimo que se puede (en general).

1 1 0
Calcule los eigenvalores y eigenespacios de la matriz A = 0 1 1 .
0 0 1

La prueba del teorema 7.10 elige para cada λi solo un vector L.I. de Eλi (A) = Null(A − λi I).
Cuando la dimensión de este espacio es más grande podemos escoger más vectores linealmente
independientes. Esa dimensión tiene el siguiente nombre.

ï Definición. Sea A una matriz de n × n y λ un eigenvalor de A.

La multiplicidad geométrica de λ es la dimensión del eigenespacio Eλ (A) = Null(A − λI).

Ejemplo 2: Existen matrices cuyos eigenvectores generan Rn y que tienen eigenvalores repetidos, es
decir, con multiplicidad (algebraica) > 1. Calcule las multiplicidades geométricas de los eigenvalores
de las matrices
     
1 0 0 0 0 0 −2 0 0
A = 0 1 0 & B = 0 1 0 & C =  0 1 π .
     

0 0 1 1 0 1 1 0 1

179
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
180
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]