Álgebra Lineal y Geometría Analítica

DIAGONALIZACIÓN DE MATRICES SIMÉTRICAS

A continuación se enunciarán algunos teoremas que fundamentan el tema a desarrollar. Las
demostraciones que no se realizan aquí se pueden consultar en la bibliografía de la asignatura.

Teorema 1

Si es simétrica ( )  todos los ceros de pA (  ) son reales.

Tarea: demostrar el teorema para una matriz de 2x2.

Teorema 2
Toda matriz cuadrada simétrica es diagonalizable, más aún, es ortogonalmente
diagonalizable (esto quiere decir que la matriz de paso P es ortogonal o sea
P 1 = P T y además ).

Producto interno (escalar) en forma matricial

 x1  y 
   1
 x2  y 
Sean X     e Y   2  matrices columnas, entonces el producto interno (escalar) se puede
  
 
 x  y 
 n  n
expresar en forma matricial así:

X / Y  X  Y  x .y  x .y    x .y  XT Y
1 1 2 2 n n
y 
 1

XT Y  x x  x
1 2

 y2 
n   
 
y 
 n
Si en el primer factor del producto anterior aparece una matriz A se tendrá lo siguiente:

AX / Y  AXT Y  XT AT Y  XT  AT Y   X / AT Y
 
En consecuencia para cualquier matriz A se cumple que AX / Y  X / A T Y . Pero si A es

simétrica, se puede escribir AX / Y  X / A Y .

Teorema 3
Sean y subespacios propios de la matriz A simétrica, con   . Entonces

si son autovectores de A, se cumple que

( es decir son ortogonales).

Florencia Alurralde – José Giliberti 1

 Álgebra Lineal y Geometría Analítica

Demo
Si A es simétrica y además AU   U  AV  V con   , U  0  V  0 , por lo demostrado
anteriormente se puede escribir:

A U / V  U / A V   U / V  U / V   U / V   U / V     U / V  0

Como    no queda otra posibilidad que U / V  0  U  V s.q.d.

En resumen:
- Si la matriz A es simétrica los autovectores de A asociados a autovalores distintos, son
ortogonales entre sí.
- Si la matriz A no es simétrica los autovectores pueden ser oblicuos.
- Si la matriz A es simétrica se puede hallar una base ortonormal de cada subespacio y luego
es posible hallar una base ortonormal de todo el espacio (hay infinitas bases).


Si se forma una base ortonormal de R n , U1, U 2 ,, U n  (formada por los autovectores) se tiene:
1 si i  j
U / U 
i j
0 si i  j

En tal caso

U 
 1
U 

P T . P   2  U1 U 2  U n 
  
U 
 n
 U /U U1/ U 2  U1/ U n   1
 1 1 0 0  0
   
U /U U2/ U2  U2/ Un   0 1 0  0
PT . P   2 1  I
          
   
 U n / U1 Un / U2  Un / Un   0 0 0  1 
 
Como PT . P  I  PT  P1

Es decir P es ortogonal, esto significa que las columnas o filas de P forman una base ortonormal.
Las filas y/o columnas son ortogonales y de módulo 1.

Ortogonalización de una base

Una base es ortonormal si sus vectores son ortogonales entre sí y son unitarios (de módulo unitario).
Para transformar una base en otra ortonormal, se utiliza el método de Gram−Schmidt.

Método de Gram−Schdmidt
El siguiente teorema que se aceptará sin demostración:

Florencia Alurralde – José Giliberti 2

 Álgebra Lineal y Geometría Analítica

Teorema 4
Sea un espacio vectorial con producto interno y sea una base

de entonces existe una base ortogonal (ortonormal) de de

modo que para cada k se verifica

La nueva base se obtiene así:

V1  U1

U 2 / V1
V2  U 2  2
V1  U 2  (proyección vectorial de U 2 sobre V1 )
V1

U3 / V1 U3 / V2
V3  U3  2
V1  2
V2  U 3  (proyección vectorial de U 3 sobre V1 )
V1 V2

 U3  (proyección vectorial de U 3 sobre V1 ) − (proyección vectorial de U 3 sobre V2 )

En general

U n / V1 U n / Vn 1
Vn  U n  2
V1    2
Vn 1
V1 Vn 1

Vn  U n  (proyección vectorial de U n sobre V1 )− (proyección vectorial de U n sobre V2 ) 

 …  (proyección vectorial de U n sobre Vn -1 )

Para obtener la base ortonormal se deben normalizar los vectores obtenidos anteriormente.

Este método permite pasar de una base cualquiera a otra cuyos vectores son ortogonales y de
módulo unitario.

Ejemplo
2 1 1
 
Diagonalizar ortogonalmente la matriz A   1 2 1 
1 1 2
 
Como Aes simétrica se puede hallar una matriz de paso ortogonal que la diagonalice.

2 1 1
A  I  0  1 2 1 0
1 1 2

Florencia Alurralde – José Giliberti 3

 Álgebra Lineal y Geometría Analítica

2 1 1 1   1   0 1 1 0
1 2 1 0  1 2 1 0  1   
2
1 2 1  0
1 1 2 0 1   1   0 1 1

1 1 0
 1    0 3   1  0  1    3    1  1    4     0
2 2 2

0 1 1

El espectro de la matriz A es A  1, 1, 4 

Para   1
1 1 1 x   0   x   1   0 
          
1 1 1 y    0   x  y  z  0  z   x  y  M A  1   y    0 ,  1 
1 1 1 z   0    x  y    1   1
          

Para   4
 2 1 1  x   0    2 1 1 0
        2x  y  z  0
 1  2 1  y    0    0 3  3 0    yz  xz 
 1        3y  3z  0
 1  2  z   0   0  3 3 0 
 z  1
   
 M A 4   z   1
 z  1
   

 1   0  1
     
La base encontrada es  0 ,  1 , 1 . Se ve que los dos primeros vectores no son ortogonales
  1    1  1
     
entre si y además ninguno de los tres tiene módulo unitario, sin embargo a partir de ella podemos
obtener una base ortonormal.

 1
 
V  U1   0 
1
 1 
 

 0  1  0  1   1/ 2 
  0, 1,1 /  1, 0,1     1   
V   1   0   1   0   1 
2
 1 
 
1, 0,1 2  1   1  2  1   1/ 2 
       

1  1  1/ 2 
  1, 1, 1 / 1, 0,1   1, 1, 1 /  1 / 2, 1,1 / 2  
V  1   0   1 
3
1
 
1, 0,1 2  1 
 
 1 / 2, 1,1 / 2 2  1/ 2 
 

Florencia Alurralde – José Giliberti 4

 Álgebra Lineal y Geometría Analítica

1  1   1/2  1

       
V  1  0.  0   0.  1   1
3
1  1    1/2  1
       

Este último resultado es razonalble ya que este autovector es ortogonal (perpendicular) a los dos
anteriores por pertenecer a autovalores diferentes según un teorema demostrado anteriormente.
Ahora se normalizan los vectores hallados para obtener la base ortonormal

 1   1 
 1     
   6  3
 2 
 2   1 
V  0  V  V 
1 2  6  3  3
 1 
 1  
 2  1 
    
 6  3
Luego la matriz de paso es:
 1 1 1 
  
 2 6 3
P   0
2 1 
6 3
 1 1 1 
   
 2 6 3

V1 V2 V3

En la siguiente figura se han representado en Geogebra las dos bases de este ejemplo. En la misma
 es el ángulo entre U1 y U 2 (tiene un valor de 60°) como se observa en la vista algebraica.
Mientras tanto en la nueva base todos los ángulos son de 90°.

U3

V3

V1 V2
U1 U2

Se observa también en esta gráfica que los módulos de los vectores de la nueva base son unitarios.

Florencia Alurralde – José Giliberti 5

 Álgebra Lineal y Geometría Analítica

Entonces
1 0 0
1  
P . A. P  D   0 1 0 
0 0 4
 

La ventaja de trabajar con una nueva base ortonormal es la de mantener la ortogonalidad entre los
ejes y la escala de cada uno de ellos.

El único vector ortogonal a sí mismo es el vector nulo.

Teorema de Cayley-Hamilton

Teorema 5
Sea A  Rnxn y pA (  ) su polinomio característico, entonces A es un cero de su polino-
mio característico.

Antes de demostrarlo conviene recordar lo siguiente:

a) Toda matriz cuyos elementos son polinomios en la indeterminada , se puede escribir

como un polinomio en la indeterminada  con coeficientes matriciales fijos.
Denominamos a tal matriz − matriz.

Ejemplo

 3  3 2  1  3 0   0 2   3 0   0 1 
M     
 2    3 5   0 0   2
  0     0   3 5 


1 0 2  0 1  3 0  0 1 3
 3                . B  2 . B   . B  B
 0 0 1 0  1 0   3 5 3 2 1 0

b) Sea M R nxn  M . adj M  M . I  I . M

.
La matriz adj A  .I es una matriz (porque sus elementos son polinomios en  de grado n1 a
lo sumo).
Por a) se puede escribir:
adj A  .I  B0  B1 .   B2 . 2    Bn 2 . n 2  Bn 1 . n 1 y Bi R nxn , i  0,1,2,..., n  1 .

Por b)

A  .I . B0  B1 .   B2 . 2    Bn2 . n2  Bn1 . n1  

 
 C0  C1 . λ  C2 . λ 2    Cn 1 . λ n 1   1 . λ n . I
n

p A λ   A  λ.I

Florencia Alurralde – José Giliberti 6

 Álgebra Lineal y Geometría Analítica

Igualando términos

A . B0  C0 . I
A . B1  B0  C1 . I
A . B2  B1  C2 . I
……………………
A . Bn 1  Bn 2  Cn 1 . I
 Bn 1   1 . I
n

Premultiplicando ambos miembros por I, A, A 2 , ... , A n 1, A n respectivamente, se tiene:

A . B0  C0 . I
A 2 . B1  A . B0  A . C1
A3 . B2  A 2 . B1  A . C2
…………………………………..
A n . Bn 1  A n  1 . Bn 2  A n 1. Cn 1
 A n . Bn 1   1 A n . I
n

Sumando miembro a miembro

A . B0  A2 . B1  A . B0  A3 . B2  A2 . B1    An . Bn 1  An 1 . Bn 2  An . Bn 1 

 C0 . I  C1 . A  C2 . A2    Cn 1 . An 1   1 . An

p A A 

Se recomienda al estudiante realizar los cálculos anteriores para verificar el siguiente resultado.

Entonces resulta
  pA A  pA A  
Ejemplo
Hallar A 1 usando el teorema de CayleyHamilton.

 1 2  1
 
A  1 0 1
4  4 5 
 
El polinomio característico es: p A    3  62  11  6  2     2  4  3 
 
Por el teorema de CayleyHamilton p A A   
p A A  A3  6A 2  11A  6I  
 1
A .   A 2  6 A  11 . I   6I  A .     A 2  6 A  11 . I   I
   6  

A 1
Florencia Alurralde – José Giliberti 7
 Álgebra Lineal y Geometría Analítica

Operando se llega a:

 2/3 1 1/ 3 
 
A 1    1 / 6 3 / 2  1 / 3 
  2 / 3 2  1 / 3
 
Polinomio minimal

El polinomio P  se denomina polinomio minimal de T (o de la matriz A de la transformación) si

es el polinomio mónico de menor grado que anula a T. Por el teorema de Cayley-Hamilton el
polinomio minimal de T es un divisor del ponomio característico, cuyas raíces son los autovalores.
Por lo tanto el polinomio minimal tiene las mismas raíces del polinomio característico.

Ejemplo
2 1 1
 
Sea A   2 3 2  cuyo polinomio característico es PA      1   7
2

 3 3 4
 
Se observa que los autovalores de A son: 1 autovalor doble y 7 autovalor simple.
Un posible polinomio minimal es:

Pm      1  7

Para saber si es el correcto hay que verificar si se anula en A, es decir si:

Pm A  A  IA  7I  

1 1 1 5 1 1 
   
A  I    2 2 2  y A  7I   2  4 2 
 3 3 3  3 3  3 
  

1 1 1  5 1 1 
  
A  IA  7I   2 2 2   2  4 2   
 3 3 3  3 3  3 
 
Como se anula podemos afirmar que el polinomio minimal de T (o de A) es:

Pm      1  7

Nota: el polinomio minimal contiene todas las reíces del polinomio característico. En ocasiones el
polinomio minimal coincide con el polinomio característico.

Recordar
- Si una matriz simétrica tiene todos sus autovalores distintos, la matriz de paso ya es una
matriz con sus columnas ortogonales, sólo falta normalizarlas para obtener una matriz
ortogonal.
- Si una matriz simétrica tiene autovalores múltiples se debe aplicar Gram-Schdmit para
obtener una matriz de paso ortogonal.

Florencia Alurralde – José Giliberti 8