En los ejemplos anteriores vimos que las multiplicidades algebraicas dominan las geométricas:

dim(E1 (A)) = 3 ≤ 3 , dim(E0 (B)) = 1 ≤ 1 , dim(E1 (B)) = 2 ≤ 2 & dim(E1 (C)) = 1 < 2.

 En general se cumple que:

1 ≤ dim(Eλ (A)) = “mult. geométrica” ≤ “mult. algebraica”.

Lema 7.11. Si λ1 , λ2 son eigenvalores distintos de A, entonces Eλ1 (A) ∩ Eλ2 (A) = ~0 .


Demostración. Sea ~v ∈ Eλ1 (A) ∩ Eλ2 (A), entonces A~v = λ1~v = λ2~v =⇒ (λ1 − λ2 )~v = ~0. Usando
(λ1 − λ2 ) 6= 0 y el hecho 3.2.4 (página 75) justifica ~v = ~0.

En los ejemplos tambien se pueden reconocer los siguientes resultados:

Corolario 7.12. Sea A una matriz de n × n y sean λ1 , λ2 , . . . , λr eigenvalores distintos de A.

Si ~v i ∈ Eλi (A) para i ∈ {1, 2, . . . , r} , entonces

~v 1 + ~v 2 + . . . + ~v r = ~0 =⇒ ~v i = ~0 para i ∈ {1, 2, . . . , r} .

Demostración. Usamos ¬B y A para llegar a una contradicción.

Pr
Supongamos que algunos vectores ~v i son distintos del vector cero. Entonces v i = ~0 es una
i=1 ~
combinación lineal no trivial de ~0 lo cual implica que los vectores {~v 1 , . . . ,~v r } son lin. dep. Pero,
por teorema 7.10 son lin. indep. ya que pertenecen a eigenespacios de distintos eigenvalores.

181
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 7. Valores y vectores propios y Diagonalización de Matrices

Finalmente, el resultado general para matrices reales.

Proposición 7.13. Sea A ∈ Rn×n una matriz cuadrada. Supongamos que A tiene k ≤ n eigen-
valores reales distintos. Entonces Rn tiene una base que consisten de eigenvectores de A si y solo
si




n = dim Eλ1 (A) + dim Eλ2 (A) + . . . + dim Eλk (A) .

En tal caso, si Bi es base del eigenespacio Eλi (A), entonces la unión de las bases B1 ∪ . . . ∪ Bk es
una base para Rn .

 La proposición 7.13 se mantiene valida si cambiamos el campo de los reales R por los complejos C.


Demostración. Primero usamos gi := dim Eλi (A) para denotar la multiplicidad geométrica del
eigenvalor λi .
Primero mostramos que el conjunto B := B1 ∪ . . . ∪ Bk es linealmente independiente. Por lema 7.11
las bases no tienen elementos en común, por lo cual el conjunto B posee nA := (g1 + g2 + . . . + gk )
elementos. Ahora, cada conjunto Bi consiste de gi vectores LI, i.e. denotamos

Bi := ~v i1 ,~v i2 , . . . ,~v igi



y vemos si la combinación lineal del vector cero es unica. Sea

g1
X g2
X gk
X
α1ℓ ~v 1ℓ + α2ℓ ~v 2ℓ + . . . + αkℓ ~v kℓ = ~0 (⋆)
ℓ=1 ℓ=1 ℓ=1

una combinación lineal de vectores de B igual al vector ~0. Esa siempre se puede escribir y agrupar
de la manera anterior (por conmutatividad y asociatividad). Observamos que
gi
X
~ i :=
w αiℓ ~v iℓ ∈ Eλi (A) para i ∈ {1, . . . , k}
ℓ=1

y el corolario 7.12 nos implica w ~ i = ~0 para i ∈ {1, 2, . . . , k} . Dado que Bi es LI, la igualdad
~ i = ~0 implica αiℓ = 0 para ℓ ∈ {1, . . . , gi } . Esto aplica para cada suma en (⋆) y todos los
w
coeficientes cumplen αiℓ = 0. Concluimos con teorema 4.2 que los vectores en B son L.I.
Ahora, si nA = (g1 + g2 + . . . + gk ) = n, entonces lo anterior implica que el conjunto B es L.I. y
por el corolario 4.8 es una base de Rn .
Por otro lado si B es base de Rn entonces B tiene n vectores LI, es decir, las multiplicidades
geométricas suman nA = (g1 + g2 + . . . + gk ) = n.

182
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 7.3. Semejanza y Diagonalización

7.3. Semejanza & Diagonalización

En demostraciones, algoritmos y materias superiores se usará el concepto de matrices semejantes
y de la diagonalización.
ï Definición. Sean A, B matrices de n × n. Se dice que A es semejante a B, si existe una matriz
invertible P de n × n tal que

P −1 AP = B ⇐⇒ AP = P B .

Si A es semejante a B se escribe A ∼ B.

Ejemplo: Muestre que la matriz A es semejante con B a través de P usando las matrices dadas:
! ! !
1 2 1 0 1 −1
A= , B= & P = .
0 −1 −2 −1 1 1

Sol. Forma I: Mostraremos que AP = P B :

Sol. Forma II: Mostraremos que P −1 AP = B :

183
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
7. Valores y vectores propios y Diagonalización de Matrices

Observación Algebraica:

La relación de semejanza ∼ es una relación de equivalencia, es decir, es

1. reflexiva, es decir, A ∼ A
2. simétrica, es decir, A ∼ B y B ∼ A
3. y transitiva, es decir, si A ∼ B y B ∼ C, entonces A ∼ C.

Demostración. La relación ∼ es reflexiva, ya que

La relación ∼ es simétrica, ya que

Ejercicio: Demuestre que la relación ∼ es transitiva. Consejo:

Teorema 7.14. Si las matrices A & B de (n × n) son semejantes, entonces tienen el mismo
polinomio caracterı́stico y los mismos eigenvalores con multiplicidades (algebraicas y geométricas)
iguales.

184
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 7.3. Semejanza y Diagonalización

Demostración.
Supongamos que A ∼ B por lo cual P −1 AP = B para una matriz invertible P.

El polinomio caracterı́stico se obtiene tomando el determinante:

Ejercicio: Suponga que P es invertible y que el conjunto {~v 1 , ~v 2 , . . . , ~v k } es L.I.

Demuestre que el conjunto {P~v 1 , P~v 2 , . . . , P~v k } es L.I.

185
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 7. Valores y vectores propios y Diagonalización de Matrices

Un conjunto especial de matrices semejantes son las diagonalizables.

ï Definición. Una matriz A de n × n es diagonalizable si es semejante a una matriz diagonal D,
es decir P −1 AP = D donde P es una matriz invertible.

Determinantes y potencias de matrices diagonalizables se simplifican mucho.

Ejemplo (es bueno saber): Si P −1 AP = D, entonces det(A) = det(D).

Ejemplo: Si D = ( 50 30 ) , entonces

Ejemplo (es bueno saber): Si A = P DP −1 , entonces Ak = P Dk P −1 .

186
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
 7.3. Semejanza y Diagonalización

Teorema 7.15. Sea A ∈ Rn×n una matriz. Suponga que existe una base de Rn formada por
eigenvectores de A, entonces A es diagonalizable con D siendo la diagonal de eigenvalores y las
columnas de P son eigenvectores de A. En sı́mbolos: AP = P D ⇐⇒ P −1 AP = D.

 Nota: También, se cumple la otra dirección: Si A es diagonalizable (AP = P D), entonces la

diagonal D contiene los eigenvalores de A y las columnas de P son eigenvectores de A. Pero los
eigenvalores y -vectores para algunas matrices reales pueden ser complejos.

Demostración. Justificamos la existencia de una matriz P invertible y una diagonal D tal que A
y D son semejantes.
Por hipótesis Rn tiene una base de n eigenvectores de A. Entonces el conjunto de ellos
{~v 1 ,~v 2 , . . . ,~v n } es lin. independiente y los eigenvalores λ1 , . . . , λn son reales (ya que A ∈ Rn×n ,~v i ∈
Rn y A~v i = λi~v i ) pero no se pide que sean distintos. Definimos la matriz P como sigue: En cada
columna P tiene un eigenvector de A, es decir
h i
P = ~v 1 ~v 2 . . . ~v n .

Esta matriz es invertible ya que tiene columnas L.I. (por teorema 5.3). Por la definición del producto
de matrices deducimos que
h i
AP = A ~v 1 ~v 2 . . . ~v n
h i
= A~v 1 A~v 2 . . . A~v n
h i
= λ1~v 1 λ2~v 2 . . . λn~v n
h i
= λ1 P~e1 λ2 P~e2 . . . λn P~en
h i
= P (λ1~e1 ) P (λ2~e2 ) . . . P (λn~en )
 
λ1 0 . . . 0
 .. 
h i 0 λ
2 0 . 
= P λ1~e1 λ2~e2 . . . λn~en = P  .  = PD
 
 .. . .. 0 
 0 
0 . . . 0 λn

Recordando que P es invertible, la última igualdad equivale a P −1 AP = D. Concluimos que A es

diagonalizable, D es una diagonal con eigenvalores de A y las columnas de P son eigenvectores.
Nota: La unicidad no se da, ya que el orden de las columnas de P determina el orden de las entradas
de D.
!
7 2
Ejemplo: Demuestre que A = es diagonalizable y calcule A20 .
−4 1

187
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]
188
Dra. Edith Vargas & Dr. Andreas Wachtel, Instituto Tecnológico Autónomo de México, [Link]@[Link]