Diagonalización de una Matriz

Departamento de Matemáticas, CCIR/ITESM

9 de febrero de 2011

Índice
19.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
19.2. Matriz diagonalizable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
19.3. Condiciones para la diagonalización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
19.4. Uso de la Factorización PDP−1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
19.5. Aplicación: Cadenas de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

19.1. Introducción
En esta lectura veremos uno de los temas más importantes del Álgebra Lineal que tiene aplicaciones
fundamentales en Ingenierı́a. Éste es el tema de la diagonalización de una matriz cuadrada. Se revisará la
definición, algunos resultados teóricos y algunas aplicaciones. Se requieren los conceptos de valor y vector
propio, polinomio caracterı́stico y bases de un espacio lineal.

19.2. Matriz diagonalizable

Definición 19.1
Una matriz cuadrada A n × n se dice matriz diagonalizable si existe existe una matriz P n × n invertible que
cumple
P−1 AP = D
donde D es una matriz diagonal.

El siguiente resultado indica qué significa que una matriz A sea diagonalizable.
Teorema

Sea A una matriz cuadrada n × n, entonces son equivalentes:

A es una matriz es diagonalizable,

Rn posee una base formada por vectores propios de la matriz A.

Demostración
Supongamos que A es diagonalizable. Por tanto, existen matrices P invertible y D diagonal tal que

P−1 AP = D ó A = PDP−1

Si pi es la i-esima columna de P y dj el j-ésimo elemento de la diagonal de D, veamos que

B = {p1 , p2 . . . , pn }
es base para Rn y que A pi = di pi . Como
 
P−1 P = In×n = [e1 e2 · · · en ] = P−1 [p1 p2 · · · pn ] = P−1 p1 P−1 p2 · · · P−1 pn

Por tanto, P−1 pi = ei . Ası́ mismo, Dei = di ei y Pei = pi Ası́

Api = PDP−1 pi

= (PD) P−1 pi
= (PD) ei
= P (Dei )
= P (di ei )
= di Pei
= di pi

Por tanto, pi es un vector propio asociado al valor propio di de A. Siendo P es invertible, P se reduce a In×n .
Por tanto, B es linealmente independiente y genera a Rn . Por tanto, B es una base para Rn formada por
vectores propios.
Supongamos ahora que se tiene una base para Rn

B = {p1 , p2 . . . , pn }

formada por vectores propios de A y que Api = di pi . Definamos

P = [p1 · · · pn ] y D = diag (d1 , d2 , . . . , dn )

Ası́, P es invertible y
P−1 AP = P−1 (A [p1 p2 · · · pn ])
= P−1 [Ap1 Ap2 · · · Apn ]
= −1
 −1[d1 p1 d2−1
P d2 · · · dn dn ]
−1 d p

=  P d 1 p 1 P d 2 p 2 · · · P n n 
= d1 P−1 p1 d2 P−1 p2 · · · dn P−1 pn
= [d1 e1 d2 e2 · · · dn nn ]
= D
por tanto, A es diagonalizable. 

19.3. Condiciones para la diagonalización

Reglas básicas para saber si una matriz es diagonalizable:

Si tiene algún valor propio complejo, no es diagonalizable. Efectivamente, si A es diagonalizable

pA (t) = det (A − tI)

= det PDP−1 − tI

= det PDP−1 − tIPP−1

= det PDP−1 − P (tI)
P−1
= det P (D − tI) P−1

= det(P) det(D − tI) det P−1
= det (D − tI)
Q n
= i=1 (di − t)

por tanto, pA (t) tiene todos sus valores propios reales. La contrapositiva de esta afirmación es que si el
polinomio caracterı́stico de A al menos una raı́z compleja, entonces A no puede ser diagonalizable.

2
 Si tiene todos sus valores propios reales y son diferentes, sı́ es diagonalizable. Supongamos que sea el
caso. Como pA (t) tiene grado n entonces tendrá n raı́ces reales y diferentes. Por tanto, si

B = {x1 , x2 , . . . , xn }

es un conjunto formado por vectores propios asociados a valores propios diferentes entonces, B es un
conjunto linealmente independiente. Como tiene n elementos B, es base para Rn . Por el resultado ya
probado A es diagonalizable.

Si tiene todos sus valores propios reales, y si para cada valor propio que apareció repetido como raı́z de
la ecuación caracterı́stica el número de veces que apareció repetido (multilicidad algebraica) es igual a
la multiplicidad o dimensión geométrica entonces sı́ es diagonalizable.

Un resultado importante es:

Teorema

Toda matriz cuadrada simétrica es diagonalizable. Más aún: A es simétrica si y sólo si es ortogo-
nalmente diagonalizable.
A = PDP′
Esto es, la matriz P se puede cambiar por otra ortogonal (PP′ = I).

Ejemplo 19.1
Determine si la matriz es diagonalizable  
1 2
A=
−1 2
Solución
El polinomio caracterı́stico de A es
pA (t) = 4 − 3 t + t2
√ √
y sus raı́ces son: t1 = 3/2 + i 7/2 y t1 = 3/2 + i 7/2. Por tanto, tiene raı́ces complejas y por tanto no es
diagonalizable 

Ejemplo 19.2
Determine si la matriz es diagonalizable  
1 1
A=
0 1
Solución:
El polinomio caracterı́stico de A es pbf A (t) = (t − 1)2 . Y por tanto, el único valor propio es t = 1. El espacio
nulo de [A − (1)I] es precisamente el espacio invariante de t = 1 de A y es:


kernel([A − (t = 1) I]) = Gen (1, 0)′

El conjunto B = {(1, 0)′ } no alcanza para una base para R2 . Por tanto, A no es diagonalizable.
Ejemplo 19.3
Determine si la matriz es diagonalizable y calcule una factorización:
 
1 2
A=
2 1

3
Solución:
El polinomio caracterı́stico de A es
pA (t) = −3 − 2 t + t2
y sus raı́ces son t1 = −1 y t2 = 3. Por tanto, sus raı́ces son reales y diferentes. Por tanto, A es diagonalizable.
Deteminemos bases para los espacios nulos.
Para t = −1
Directo de Maple:

ν(A − (−1)I) = Gen (−1, 1)′
Para t = 3
Directo de Maple:

ν(A − (3)I) = Gen (1, 1)′
Por tanto una base para R2 con vectores propios es:

B = (−1, 1)′ , (1, 1)

Por consiguiente,      
−1 1 −1 −1/2 1/2 −1 0
P= ,P = ,D=
1 1 1/2 1/2 0 3

Ejemplo 19.4
Determine si la matriz es diagonalizable y calcule una factorización:
 
−1 −1 1
A =  −1 2 4 
1 4 2
Solución:
El polinomio caracterı́stico de A es
pA (t) = 18 t + 3 t2 − t3
y sus raı́ces son t1 = 0, t2 = −3 y t3 = 6. Por tanto, sus raı́ces son reales y diferentes. Por tanto, A es
diagonalizable.
Deteminemos bases para los espacios nulos.
Para t1 = 0
Directo de Maple:

ν(A − (0)I) = Gen (−2, 1, −1)′
Para t2 = −3
Directo de Maple:

ν(A − (−3)I) = Gen (−1, −1, 1)′
Para t3 = 6
Directo de Maple:

ν(A − (6)I) = Gen (0, 1, 1)′
Por tanto una base para R3 con vectores propios es:

B = (−2, 1, −1)′ , (−1, −1, 1), (0, 1, 1)′

Por consiguiente,  
−2 −1 0
P =  1 −1 1 
−1 1 1

4
  
1/3 −1/6 1/6
P−1 =  −1/3 −1/3 1/3 
0 1/2 1/2
 
0 0 0
D =  0 −3 0 
0 0 6

Ejemplo 19.5
Determine todos los valores del parámetro real c para los cuales no es diagonalizable la matriz.
 
4 0 0
A =  0 −3 1 
0 0 c

Solución Tenemos que

pA (t) = det (A − t I) = (4 − t) (−3 − t) (c − t)
Por consiguiente, los únicos valores propios son t1 = 4, t2 = −3 y t3 = c. Como se tiene que: Si todos los
valores propios son reales y diferentes, entonces es diagonalizable. Por tanto, para cualquier real c diferente de
4 y de −3 se garantiza tres valores propios reales y diferentes. Por tanto, para cualquier real c diferente de 4 y
de −3 será diagonalizable. Por tanto, los únicos valores donde puede no ser diagonalizable son c = 4 y c = −3.
Para c = 4
Los valores propios son t1 = 4, t2 = −3 y t3 = 4. Por tanto, el único valor propio que debemos revisar para la
posible diagonalización es t = 4:
 
0 1 −1/7 0
rref
[A − (4) I|0] −−−→  0 0 0 0 
0 0 0 0

Por tanto, la dimensión geométrica de t = 4 es 2. Por tanto, la dimensión geométrica de t = 4 coincide con la
dimensión algebraica (2). Por tanto, para todos los valores propios la dimensión dimensión algebraica coincide
con la geométrica. Por tanto, para c = 4 la matriz A sı́ es diagonalizable.
Para c = −3
Los valores propios son t1 = 4, t2 = −3 y t3 = −3. Por tanto, el único valor propio que debemos revisar para
la posible diagonalización es t = −3:
 
1 0 0 0
rref
[A − (−3) I|0] −−−→  0 0 1 0 
0 0 0 0

Por tanto, la dimensión geométrica de t = −3 es 1 y no coincide con la dimensión algebraica (2). Por tanto, la
matriz A no esdiagonalizable para c = −3.

Por tanto, c = −3 es el único número real para el cual A no es diagonalizable 

19.4. Uso de la Factorización PDP−1

Si A es diagonalizable entonces:

P−1 AP = D → A = PDP−1

5
Y por tanto:
A2 = AA = PDP−1 PDP−1 = PD2 P−1
De igual manera se obtiene:
Ak = PDk P−1
La gran ventaja de esto es que debido a que D es diagonal:
 k 
λ1 0 ··· 0
 0 λ2 k · · · 0 
Dk =  .
 
 .. .. 
. 0 
0 0 ··· λn k

Se considera ventaja pues el número de FLOPs usados para calcular Ak por la manera tradicional es (k −
1) n2 (2 n − 1), es decir O(2 k n3 ) mientras que para calcular PDk P−1 es n2 (2 n − 1) + n (k − 1) + k n2 . Es decir,
es O(2 n3 + k n2 ). Dando un ahorro sustancial de FLOPs en el cálculo de potencias de una matriz cuando ya
se posee una factorización diagonal.

19.5. Aplicación: Cadenas de Markov

Veamos algunas aplicaciones del uso de la diagonalización de una matriz. En la siguiente lectura se verá su
aplicación a sistemas de ecuaciones diferenciales lineales.
Ejemplo 19.6
Supongamos que la probabilidad de que un fumador siga fumando al año siguiente es %65, mientras que la
probabilidad de que un no fumador continue sin fumar es de %85. Determine los porcentajes de fumadores y
no fumadores a la larga.
Describiremos el estado de la situación en el año i por medio de un vector columna:
 
xi
Xi =
yi
donde xi representa el porcentaje de no fumadores en el año i y yi representa el porcentaje de fumadores. Se
supondrá que para calcular el estado en el año i + 1 habrá que multiplicar el vector de estado en el año i por
la matriz de transición A:      
xi pasó un año xi+1 xi
−−−−−−−−−→ =A·
yi yi+1 yi
Solución
La matriz de transición es  
0.65 0.15
A=
0.35 0.85
El elemento (2, 1) 0.35 indica que un fumador tiene un 35 % de dejar de fumar un año después, mientras que
el elemento 0.15 quiere decir que un no fumador tiene un 15 % de probabilidades de volverse fumador. Esta
matriz puede ser utilizada para determinar el porcentaje en el año siguiente dados los porcentajes de fomadores
y no fumadores en el presente año. Por ejemplo, si en el año actual la relación fumadores no fumadores es
50 % y 50 % entonces en el año siguiente será:
    
0.65 0.15 0.50 0.40
=
0.35 0.85 0.50 0.60
En forma análoga, si por porcentajes actuales para los fumadores y no fumadores son xo % y yo % respectiva-
mente, al año siguiente serán:   
0.65 0.15 xo
0.35 0.85 yo

6
Y dentro de k años serán:  k  
0.65 0.15 xo
Xk = Ak Xo =
0.35 0.85 yo
Los valores propios para la matriz A son λ1 = 1 y λ2 = 1/2 y vectores propios correspondientes son:
   
3 −1
v1 = , v2 =
7 1

Por tanto,
   −1
3 −1 1 0 3 −1
A=
7 1 0 1/2 7 1
" #
1k
−1
0
  
k 3 −1 3 −1
A = k
7 1 0 (1/2) 7 1
Por tanto    −1  
k 3 −1 1 0 3 −1 0.3 0.3
lı́m A = =
k→∞ 7 1 0 0 7 1 0.7 0.7
Ası́       
k 0.3 0.3 xo 0.3xo + 0.3yo 0.3
X∞ = lı́m A · Xo = = =
k→∞ 0.7 0.7 yo 0.7xo + 0.7yo 0.7
Por consiguiente, a largo plazo, los fumadores serán el 30 % de la población en comparación con el 70 % de no
fumadores. Recuerde que xo + yo = 1.
Ejemplo 19.7
Suponga que sólo existen tres lecherı́as en el mercado Leche Lola, Leche Los Puentes, y Leche ParmaLac.
Suponga que de un mes a otro

Lola retiene el 80 % de sus clientes, atrae 20 % de los clientes de Los Puentes, y atrae 10 % de los clientes
de ParmaLac,

Los puentes retiene 70 % de sus clientes, atrae 10 % de los clientes de Lola, y atrae 30 % de los clientes
de ParmaLac, y

ParmaLac retiene 60 % de sus clientes, atrae el 10 % de los clientes de Lola, y atrae el 10 % de los clientes
de Los puentes.

Suponga el tamaño de la población no cambia y se mantiene fijo en 1000000 de consumidores. Determine si

existe los porcentajes a largo plazo de la distribución de clientes de Lola, Los puentes, y ParmaLac.
Solución
La matriz de transición queda:  
.80 .20 .10
A =  .10 .70 .30 
.10 .10 .60
El polinomio caracterı́stico de A es:

pA (t) = −(t3 − 2.1 t2 + 1.40 t − .300)

Usando los cálculos reportados en las figuras 1 y 2, los valores propios son:

λ1 = 1.00, λ2 = 0.60, λ3 = 0.50

7
 Figura 1: Ejemplo 3: cálculo de vectores propios de A.

Figura 2: Ejemplo 3: Matriz lı́mite de A.

y los vectores propios correspondientes son:

v1 = (−.744845, −.579324, −.331042)′

v2 = (−.707107, +.707107, 0.)′
v3 = (+.408248, −.816497, +.408248)′

Por tanto  
−0.744845 −0.707107 +0.408248
P =  −0.579324 +0.707107 −0.816497 
−0.331042 0. +0.408248
 
1.0 0 0
D =  0 .60 0 
0 0 .50
Por tanto,  
1 0 0
∞ k  P−1
A = lı́m A = P 0 0 0

k→∞
0 0 0
 
.45 .45 .45
A∞ = lı́m Ak =  .35 .35 .35 
k→∞
.20 .20 .20
Por tanto la ditribución del mercado de leche a largo plazo sin importar la distribución actual es:
 
45 %
 35 % 
20 %