Complementos sobre matrices

Operaciones por columnas

Sea A =
_

_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_

_
=
_

_
| | |
A
1
A
2
A
n
| | |
_

_
,
donde A
k
representa el vector
columna k-simo de la matriz A.
Al multiplicar la matriz
A por un vector
v =
_

_
v
1
v
2
.
.
.
v
n
_

_
se obtiene una combinacin lineal de las columnas
de A cuyos coecientes son las componentes del
vector v:
A v = v
1
A
1
+ v
2
A
2
+ . . . + v
n
A
n
Al multiplicar la matriz
A por la matriz
B =
_

_
| | |
B
1
B
2
B
n
| | |
_

_
se obtiene una matriz cuyas columnas
son los productos de la matriz A por
las columnas de B:
A B =
_

_
| | |
A B
1
A B
2
A B
n
| | |
_

_
Operaciones por cajas
Si descomponemos una matriz en cajas, es decir, matrices ms pequeas contenidas en la ma-
triz original, podemos realizar operaciones considerando stas como elementos siempre que la
descomposicin realizada sea la misma en todas las matrices:
Sean A =
_

_
A
11
A
12
A
21
A
22
_

_
y B =
_

_
B
11
B
12
B
21
B
22
_

_
1
A B =
_

_
A
11
B
11
+ A
12
B
21
A
11
B
12
+ A
12
B
22
A
21
B
11
+ A
22
B
21
A
21
B
12
+ A
22
B
22
_

_
Una matriz A se dice diagonal por cajas si podemos realizar una descomposicin de esa
matriz en la que las nicas cajas con elementos no nulos sean aquellas cuya diagonal principal
contenga elementos de la diagonal principal de A
Ejemplo: Las siguientes matrices son diagonales por cajas:
_

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

_
=
_

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

_
_

_
1 0 0 0
0 1 0 0
0 0 1 5
0 0 3 1
_

_
=
_

_
1 0 0 0
0 1 0 0
0 0 1 5
0 0 3 1
_

_
El producto de dos matrices diagonales por cajas con la misma estructura de cajas es otra
matriz diagonal por cajas con la misma estructura.
Polinomios de matrices
Todo polinomio p : IR IR
x p(x) = a
n
x
n
+ . . . + a
1
x + a
0
dene un polinomio sobre matrices:
p : M
n
(IR) M
n
(IR)
A p(A) = a
n
A
n
+ . . . + a
1
A+ a
0
I
donde I es la matriz identidad
Exponencial de una matriz
Sea una matriz A M
n
(IR). Se llama matriz exponencial de A a la matriz expA M
n
(IR)
expA =

k=0
1
k!
A
k
= I +A+
1
2
A
2
+
1
3!
A
3
+ . . . +
1
m!
A
m
+ . . .
Propiedades
A M
n
(IR), expA es regular
Si A es diagonal por cajas, expA es otra matriz con la misma estructura en la que cada
caja es la exponencial de la correspondiente caja de A
exp0 = I
2
exp[ I] =

k=0
1
k!
[ I]
k
=

k=0

k
k!
I =
_

k=0

k
k!
_
I = e

I
Si A y B conmutan, A y expB conmutan
Si A y B conmutan, es decir, si A B = B A, entonces exp[A+B] = expA expB
exp[ I +A] = e

expA
[expA]
1
= exp[A]
(Consecuencia de anteriores propiedades: I = exp0 = exp[AA] = expA exp[A])
Si una matriz A es nilpotente de orden k (es decir, si A
k
= 0 pero A
k1
= 0) la matriz
expA es un polinomio de grado k 1 de A.
Si A = P
1
B P entonces expA = P
1
expB P
Ejemplo: Calcular la exponencial de A =
_
1 0
0 1
_
.
Observemos que A
2
= I y que, por tanto, A
2k
= I k = 0, 1, . . .
A
2k+1
= A k = 0, 1, . . .
Aplicando la denicin de exponencial:
expA =

k=0
1
k!
A
k
=

k=0
1
(2k)!
A
2k
+

k=0
1
(2k + 1)!
A
2k+1
=

k=0
1
(2k)!
I +

k=0
1
(2k + 1)!
A =
=
_

k=0
1
(2k)!
_
I +
_

k=0
1
(2k + 1)!
_
A =
1
2
(e +
1
e
) I +
1
2
(e
1
e
) A =
_
_
e 0
0
1
e
_
_
Mucho ms sencillo era haber pensado por cajas:
expA =
_
exp1 0
0 exp{1}
_
=
_
_
e 0
0
1
e
_
_
Autovalores y Polinomio Caracterstico
Sea A M
n
(IR)
es autovalor o valor propio de la matriz A si det [A I] = 0.
v IR
n
es un autovector o vector propio asociado a un autovalor si v N [A I], es
decir, si (A I) v = 0 A v = v
Se llama polinomio caracterstico de la matriz v al polinomio P
A
() = det [A I]
Los autovalores de A son las races de su polinomio caracterstico.
Se llama multiplicidad aritmtica de un autovalor a la multiplicidad que tiene como raz
del polinomio caracterstico.
3
Se llama multiplicidad geomtrica de un autovalor a la dimensin del ncleo N [A I].
la multiplicidad geomtrica de un autovalor es siempre menor o igual a su multiplicidad
aritmtica.
Si para cada autovalor de una matriz A se cumple que las multiplicidades aritmtica y ge-
omtrica coinciden, entonces A es diagonalizable.
Efectivamente, en este caso podemos encontrar una base de IR
n
formada exclusivamente por
vectores propios de A. En esta base, la matriz es diagonal.
Conviene recordar aqu que la expresin de una matriz en una base cualquiera se obtiene tomando
como columnas los coecientes de las imgenes de cada vector de la base expresadas en ella misma.
As, si v es un vector propio asociado a un autovalor , como A v = v, la correspondiente
columna de la expresin de A en una base que contiene a v como vector k-simo ser un vector
con en la posicin k y ceros en el resto de posiciones.
La traza y el determinante de una matriz son invariantes, es decir, no cambian al cambiar la
base. Por tanto, la suma de los autovalores de una matriz es igual a su traza y su producto igual
a su determinante.
Teorema de Cayley-Hamilton. Si p
A
(x) es el polinomio caracterstico de la matriz A,
entonces
p
A
(A) = 0
Aplicaciones
Clculo de inversas
Sea A M
n
(IR) una matriz regular. Su determinante es distinto de 0 y su polinomio caracterstico
tendr una expresin P
A
(x) = (1)
n
x
n
+a
n1
x
n1
+. . . a
1
x+det (A). Si aplicamos el Teorema
anterior,
0 = (1)
n
A
n
+ a
n1
A
n1
+ . . . a
1
A+ det (A) I
de donde, despejando:
I =
1
det (A)
_
(1)
n
A
n
+ a
n1
A
n1
+ . . . + a
1
A

=
=
1
det (A)
_
(1)
n
A
n1
+ a
n1
A
n2
+ . . . + a
1
I

A
y, por tanto
A
1
=
1
det (A)
_
(1)
n
A
n1
+ a
n1
A
n2
+ . . . + a
1
I

4
Exponencial de una matriz que tiene un nico autovalor
Sea A M
n
(IR) una matriz que tiene un nico autovalor de multiplicidad aritmtica n.
expA = exp[ I +A I] = exp[ I] exp[A I] = e

exp[A I]
Por el Teorema de Cayley-Hamilton, la matriz A I es nilpotente de orden a lo sumo n,
por lo que su exponencial se calcula sencillamente como un polinomio en A de grado a lo sumo
n 1:
exp[A I] = I + [A I] +
1
2
[A I]
2
+ . . . +
1
(n 1)!
[A I]
n1
y, por n:
expA = e

_
I + [A I] +
1
2
[A I]
2
+ . . . +
1
(n 1)!
[A I]
n1
_
Ejemplo: Sea A =
_

_
1 0 0
2 2 3
2 3 4
_

_
. Calcular A
1
y expA.
El polinomio caracterstico de A es p
A
() = det [A I] =

1 0 0
2 2 3
2 3 4

=
= (1 )

2 3
3 4

= (1 )

1 1
3 4

= (1 )
2

1 0
3 1

= (1 )
3
Como A anula su propio polinomio caracterstico, 0 = I3A+3A
2
A
3
de donde, despejando,
I = A
_
3 I 3 A+A
2

. Por tanto
A
1
= 3 I 3 A+A
2
=
_

_
1 0 0
2 4 3
2 3 2
_

_
Para calcular la exponencial hacemos expA = exp[I +AI] = e exp[AI] =
= e
_
I + [AI] +
1
2
[AI]
2
_
AI =
_

_
0 0 0
2 3 3
2 3 3
_

_
;
[AI]
2
= 0 =
expA =
_

_
e 0 0
2e 2e 3e
2e 3e 4e
_

_
5
Vectores propios generalizados
v es un vector generalizado de una matriz A asociado a un autovalor si existe r IN tal que
(A I)
r
v = 0, es decir v N [(A I)
r
]
Los espacios generalizados N [(A I)
r
] N
_
(A I)
r+1
_
Se llama cadena de vectores propios generalizados de tamao s a un conjunto de vectores
{v
1
, v
2
, . . . , v
s
} en la que cada vector v
k
N
_
(A I)
k
_
y cumple [A I] v
k
= v
k1
k = s, . . . , 2. (Obsrvese que, por construccin, v
1
es un vector propio asociado a y, por tanto,
[A I] v
1
= 0
Para construir una cadena generalizada de tamao k basta con buscar un vector v
k

N
_
(A I)
k
_
pero tal que v
k
/ N
_
(A I)
k1
_
. Como su notacin indica, este ser el
ltimo vector de la cadena. El resto se obtiene multiplicando sucesivamente por la matriz AI:
v
k1
= (A I) v
k
v
k2
= (A I) v
k1
= (A I)
2
v
k
.
.
.
v
r
= (A I) v
r+1
= . . . = (A I)
kr
v
k
.
.
.
v
1
= (A I) v
2
=. . . = (A I)
k1
v
k
Es fcil comprobar que, con esta construccin v
r
N [(A I)
r
] r = 1, . . . , k 1:
(A I)
r
v
r
= (A I)
r
(A I)
kr
v
k
= (A I)
k
v
k
= 0
Propiedades
Todos los vectores de una cadena generalizada son linealmente independientes
Los vectores de dos cadenas generalizadas asociadas a autovalores distintos son todos
linealmente independientes.
Los vectores de cadenas generalizadas asociadas a un mismo autovalor pero en las que
los vectores propios (los que tienen subndice 1 en cada una de ellas) son linealmente
independientes, son linealmente independientes.
6
Es posible encontrar una base de IR
n
formada por cadenas generalizadas asociadas a los auto-
valores de cualquier matriz A M
n
(IR).
Base de vectores propios generalizados
Sea un autovalor de multiplicidad aritmtica m de una matriz A M
n
(IR). Como cada
espacio propio generalizado contiene a los anteriores y no es posible encontrar ms de m vectores
linealmente independientes asociados a tendremos una cadena de espacios propios:
N [(A I)] N
_
(A I)
2
_
N [(A I)
r
] = N
_
(A I)
r+1
_
en la que el espacio N [(A I)
r
] tiene dimensin m.
Para simplicar la notacin pondremos N
k
= N
_
(A I)
k
_
Desde ahora escibiremos N
k
= r para indicar que dim
_
N
_
(A I)
k
__
= r
Procedimiento para el clculo de la base
A cada autovalor de multiplicidad m de una matriz A M
n
(IR) le corresponden exactamente
m vectores de la base.
Para calcularlos se considera la cadena de subespacios propios:
N
1
N
2
. . . N
k
= N
k+1
en la que N
k
= m y se realiza el siguiente proceso:
1. Se toman tantos vectores linealmente independientes como se pueda que estn en N
k
pero
que no estn en N
k1
(hay tantos como la diferencia de dimensiones de los subespacios).
Con cada uno de ellos se construye una cadena generalizada de tamao k (ver el proced-
imiento descrito anteriormente).
2. Se cuentan los vectores obtenidos. Si hay m hemos terminado. Si hay menos
3. Se toman tantos vectores linealmente independientes como se pueda que estn en N
k1
pero
que no estn en N
k2
y que sean linealmente independientes con los obtenidos
en el paso anterior. (Para esto basta comprobar la independencia lineal de nuestros
7
candidatos con los vectores de subndice k 1 obtenidos hasta ahora). Con cada uno de
ellos se construye una cadena generalizada de tamao k 1.
4. Se cuentan los vectores obtenidos en total. Si hay m hemos terminado. Si hay menos
5. Se toman tantos vectores linealmente independientes como se pueda que estn en N
k2
pero
que no estn en N
k3
y que sean linealmente independientes con los obtenidos en
los pasos anteriores. (Para esto bsata comprobar la independencia lineal de nuestros
candidatos con los vectores de subndice k 2 obtenidos hasta ahora). Con cada uno de
ellos se construye una cadena generalizada de tamao k 2.
6. Se cuentan los vectores obtenidos en total. Si hay m hemos terminado. Si hay menos
7. Se repite este proceso hasta obtener exactamente m vectores
Comentarios:
Este proceso siempre termina con m vectores exactamente.
Si llamamos P a la matriz cuyas columnas son los elementos de la base obtenidas en
el proceso anterior (con los vectores de cada cadena generalizada ordenados segn sus
subndices) la matriz P
1
A P = J
A
es la forma cannica de Jordan de la matriz A.
Vemos con cierto detalle el segundo punto. Sea P
k
la columna k-sima de P. O bien es un vector
propio asociado a un autovalor o, si no es propio, es un vector propio generalizado asociado al
autovalor.
En el primer caso, A P
k
= P
k
, por lo que la columna k-sima de la expresin de A en la
nueva base tendr el valor en la la k y 0 en el resto de posiciones.
En el segundo caso, (A I) P
k
= P
k1
(vase la construccin de cadenas generalizadas),
por lo que A P
k
= P
k
+P
k1
, es decir, la columna k-sima de la expresin de A en la nueva
base tendr el valor 1 en la la k 1, el valor en la la k y 0 en el resto de posiciones.
sta es la estructura de la forma cannica de Jordan: una matriz diagonal por cajas en la
que a cada cadena generalizada de tamao k asociada a un autovalor le corresponde una caja
elemental de Jordan de tamao k cuya expresin es:
_

_
1 0 0 0 0
0 1 0 0 0
0 0 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 1 0
0 0 0 0 1
0 0 0 0 0
_

_
. .
k columnas
8
Ejemplo: Calcular la forma cannica de Jordan y la matriz del cambio de base para la matriz
A =
_

_
1 0 0
2 2 3
2 3 4
_

_
.
El polinomio caracterstico lo hemos calculado anteriormente: p
A
() = (1 )
3
por lo que solo
tenemos un autovalor = 1 con multiplicidad 3.
La matriz AI =
_

_
0 0 0
2 3 3
2 3 3
_

_
tiene rango 1, por lo que la dimensin del nucleo N [AI]
es 2. Hay dos vectores propios linealmente independientes.
La matriz (AI)
2
= 0, por lo que la cadena de espacios generalizados queda:
N
1
N
2
= IR
3
Buscamos un vector v
2
N
2
que no est en N
1
y construimos con l una cadena de tamao 2.
v
2
=
_

_
0
0
1
_

_
v
1
= [AI]
_

_
0
0
1
_

_
=
_

_
0
3
3
_

_
An no tenemos los 3 vectores que necesitamos. Para completar la base buscamos un vector
w N
1
que sea linealmente independiente con el v
1
. Por ejemplo w =
_

_
3
2
0
_

_
La matriz del
cambio de base es
P =
_

_
0 0 3
3 0 2
3 1 0
_

_
y su inversa P
1
=
_

_
2/9 1/3 0
2/3 1 1
1/3 0 0
_

_
J
A
= P
1
A P =
_

_
2/9 1/3 0
2/3 1 1
1/3 0 0
_

_
1 0 0
2 2 3
2 3 4
_

_
0 0 3
3 0 2
3 1 0
_

_
=
=
_

_
2/9 1/3 0
2/3 1 1
1/3 0 0
_

_
0 0 3
3 3 2
3 4 0
_

_
=
_

_
1 1 0
0 1 0
0 0 1
_

_
En la hoja siguiente presentamos la estructura con la que se buscan los vectores propios
generalizados asociados a un autovalor de multiplicidad aritmtica m 5 en todos los casos
posibles. Se da a ttulo orientativo. Un buen ejercicio consistye en reproducir la estructura que
se indica a la derecha en cada caso
9
Estructura de cadenas generalizadas para un autovalor .
m = 1 N=1 vector propio
m = 2
_

_
N = 2 2 vectores propios
N = 1, N
2
= 2 cadena de orden 2
m = 3
_

_
N = 3 3 vectores propios
N = 2, N
2
= 3 cadena de orden 2 + v. propio
N = 1, N
2
= 2, N
3
= 3 cadena de orden 3
m = 4
_

_
N = 4 4 vectores propios
N = 3, N
2
= 4 cadena de orden 2 + 2 v. propios
N = 2,
_

_
N
2
= 4 2 cadenas de orden 2
N
2
= 3, N
3
= 4 cadena de orden 3 + v. propio
N = 1, N
2
= 2, N
3
= 3, N
4
= 4 cadena de orden 4
m = 5
_

_
N = 5 5 vectores propios
N = 4, N
2
= 5 cadena de orden 2 + 3 v. propios
N = 3,
_

_
N
2
= 5 2 cadenas de orden 2 + v. propio
N
2
= 4, N
3
= 5 cadena de orden 3 + 2 v. propios
N = 2,
_

_
N
2
= 4, N
3
= 5 cadena de orden 3 + cadena de orden 2
N
2
= 3, N
3
= 4, N
4
= 5 cadena de orden 4 + v. propio
N = 1, N
2
= 2, N
3
= 3, N
4
= 4, N
5
= 5 cadena de orden 5
10
Jos Olarrea Busto
11