Eigenvalores & eigenvectores

M. en C. Pablo Vega Lara

17 de noviembre de 2017

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Eigenvalores & eigenvectores)
Sea A una matriz n × n. Se dice que un número λ es un
eigenvalor de A si existe un vector solución K distinto de cero del
sistema lineal
AK = λK

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Eigenvalores & eigenvectores)
Sea A una matriz n × n. Se dice que un número λ es un
eigenvalor de A si existe un vector solución K distinto de cero del
sistema lineal
AK = λK

El vector solución K es un eigenvector asociado al eigenvalor λ.

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Eigenvalores & eigenvectores)
Sea A una matriz n × n. Se dice que un número λ es un
eigenvalor de A si existe un vector solución K distinto de cero del
sistema lineal
AK = λK

El vector solución K es un eigenvector asociado al eigenvalor λ.

Los eigenvalores & eigenvectores también se conocen como:

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Eigenvalores & eigenvectores)
Sea A una matriz n × n. Se dice que un número λ es un
eigenvalor de A si existe un vector solución K distinto de cero del
sistema lineal
AK = λK

El vector solución K es un eigenvector asociado al eigenvalor λ.

Los eigenvalores & eigenvectores también se conocen como:

valores característicos & vectores característicos

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Eigenvalores & eigenvectores)
Sea A una matriz n × n. Se dice que un número λ es un
eigenvalor de A si existe un vector solución K distinto de cero del
sistema lineal
AK = λK

El vector solución K es un eigenvector asociado al eigenvalor λ.

Los eigenvalores & eigenvectores también se conocen como:

valores característicos & vectores característicos
valores propios & vectores propios

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Ejemplo
1
 

Compruebe que K = −1 es un eigenvector de la matriz

1
0 −1 −3
 

A= 2 3 3 
−2 1 1

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Para encontrar los eigenvalores procedemos de la siguiente manera:

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Para encontrar los eigenvalores procedemos de la siguiente manera:
Tenemos la ecuación

AK = λK ⇒ (A − λI )K = 0

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Para encontrar los eigenvalores procedemos de la siguiente manera:
Tenemos la ecuación

AK = λK ⇒ (A − λI )K = 0

La última ecuación es un sistema homogéneo & por lo tanto

K = 0 es una solución.

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Para encontrar los eigenvalores procedemos de la siguiente manera:
Tenemos la ecuación

AK = λK ⇒ (A − λI )K = 0

La última ecuación es un sistema homogéneo & por lo tanto

K = 0 es una solución.
Sin embargo, estamos interesados en encontrar soluciones no
triviales.

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Para encontrar los eigenvalores procedemos de la siguiente manera:
Tenemos la ecuación

AK = λK ⇒ (A − λI )K = 0

La última ecuación es un sistema homogéneo & por lo tanto

K = 0 es una solución.
Sin embargo, estamos interesados en encontrar soluciones no
triviales.
Así debemos de tener que

det(A − λI ) = 0

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Para encontrar los eigenvalores procedemos de la siguiente manera:
Tenemos la ecuación

AK = λK ⇒ (A − λI )K = 0

La última ecuación es un sistema homogéneo & por lo tanto

K = 0 es una solución.
Sin embargo, estamos interesados en encontrar soluciones no
triviales.
Así debemos de tener que

det(A − λI ) = 0

Esta última ecuación depende de los valores de entrada de la matriz

A y de λ, además es un polinomio, en λ, de grado n.

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Polinomio característico)
El polinomio característico asociado a la matriz A de n × n se
dene como

p (λ) = det(A − λI ) = 0

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Polinomio característico)
El polinomio característico asociado a la matriz A de n × n se
dene como

p (λ) = det(A − λI ) = 0

Proposición
Los eigenvalores de la matriz A de n × n son las raíces del
polinomio característico p (λ) = det(A − λI ) = 0

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Polinomio característico)
El polinomio característico asociado a la matriz A de n × n se
dene como

p (λ) = det(A − λI ) = 0

Proposición
Los eigenvalores de la matriz A de n × n son las raíces del
polinomio característico p (λ) = det(A − λI ) = 0

Proposición
Para encontrar un eigenvector K asociado al eigenvalor λ, se tiene
que resolver el sistema de ecuaciones

(A − λI )K = 0

aplicando la eliminación de Gauss-Jordan a la matriz aumentada

(A − λI |0)
M. en C. Pablo Vega Lara Eigenvalores & eigenvectores
Ejemplo
Determinar los eigenvalores & los eigenvectores de la matriz

1 2 1
 

A =  6 −1 0 
−1 −2 −1

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Combinación Lineal)
Sean v1 , v2 , . . . , vn vectores de un espacio vectorial V . Entonces
cualquier vector de la forma

a1 v1 + a2 v2 + · · · + an vn

donde a1 , a2 ,. . . son escalares se denomina una combinación

lineal de v1 , v2 , . . . , vn

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Combinación Lineal)
Sean v1 , v2 , . . . , vn vectores de un espacio vectorial V . Entonces
cualquier vector de la forma

a1 v1 + a2 v2 + · · · + an vn

donde a1 , a2 ,. . . son escalares se denomina una combinación

lineal de v1 , v2 , . . . , vn

Ejemplo (Una combinación lineal en R3 )

−5 1 1
     

En R3 , −8 es una combinación lineal de 3 &  2 

25 2 −3

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Combinación Lineal)
Sean v1 , v2 , . . . , vn vectores de un espacio vectorial V . Entonces
cualquier vector de la forma

a1 v1 + a2 v2 + · · · + an vn

donde a1 , a2 ,. . . son escalares se denomina una combinación

lineal de v1 , v2 , . . . , vn

Ejemplo (Una combinación lineal en R3 )

−5 1 1
     

En R3 , −8 es una combinación lineal de 3 &  2 , pues

25 2 −3

−5 1 1
     
 −8 = 2 3 − 7  2 
25 2 −3

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Ejemplo (Una combinación lineal en M3×2 )
4 3 1 2 0 −1
     

En M32 , 0 4 = 2 −1 0 + 1 2
     4 
7 7 4 3 −1 1

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Ejemplo (Una combinación lineal en M3×2 )
4 3 1 2 0 −1
     

En M32 , 0 4 = 2 −1
   0 +1 2
  4 
7 7 4 3 −1 1
De esta manera tenemos que
4 3 1 2 0 −1
     
0 4 es una combinación lineal de −1 0 &
   2 4 
7 7 4 3 −1 1

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Conjunto generador)
Se dice que los vectores v1 , v2 , . . . , vn de un espacio vectorial V
generan a V si todo vector en V se puede escribir como una
combinación lineal de los mismos.

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Conjunto generador)
Se dice que los vectores v1 , v2 , . . . , vn de un espacio vectorial V
generan a V si todo vector en V se puede escribir como una
combinación lineal de los mismos.Es decir, para todo v ∈ V existen
escalares a1 , a2 , . . . , an tales que

v = a1 v1 + a2 v2 + · · · + an vn

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Conjunto generador)
Se dice que los vectores v1 , v2 , . . . , vn de un espacio vectorial V
generan a V si todo vector en V se puede escribir como una
combinación lineal de los mismos.Es decir, para todo v ∈ V existen
escalares a1 , a2 , . . . , an tales que

v = a1 v1 + a2 v2 + · · · + an vn

Ejemplo
1 0
   
Los vectores i = &j= Generan a R2
0 1

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Ejemplo
1 0 0
     

Tenemeos que i = 0, j = 1 & k = 0, generan a R3

0 0 1

Ejemplo
Se observa que el conjunto de matrices

1 0 0 0 1 0 0 0 1
     
, ,
0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0
     
, ,
1 0 0 0 1 0 0 0 1
generan al conjunto de matrices M23

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición
generado por un conjunto de vectores] Sean v1 , v2 , . . . , vk , k
vectores de un espacio vectorial V . El el espacio generado por
{v1 , v2 , . . . , vk } es el conjunto de combinaciones lineales
v1 , v2 , . . . , vk .

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición
generado por un conjunto de vectores] Sean v1 , v2 , . . . , vk , k
vectores de un espacio vectorial V . El el espacio generado por
{v1 , v2 , . . . , vk } es el conjunto de combinaciones lineales
v1 , v2 , . . . , vk .Es decir

gen {v1 , v2 , . . . , vk } = {v |v = a1 v1 + a2 v2 + · · · ak vk }

donde las a1 , a2 , . . . , ak son escalares arbitrarios.

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición
generado por un conjunto de vectores] Sean v1 , v2 , . . . , vk , k
vectores de un espacio vectorial V . El el espacio generado por
{v1 , v2 , . . . , vk } es el conjunto de combinaciones lineales
v1 , v2 , . . . , vk .Es decir

gen {v1 , v2 , . . . , vk } = {v |v = a1 v1 + a2 v2 + · · · ak vk }

donde las a1 , a2 , . . . , ak son escalares arbitrarios.

Denición (Dependencia e independencia lineal)

Sean v1 , v2 , . . . , vn , n vectores en un espacio vectorial V . Entonces
se dice que los vectores son linealmente dependientes si existen n
escalares c1 , c2 , . . . , cn no todos cero tales que

c1 v1 + c2 v2 + · · · + cn vn = 0

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición
generado por un conjunto de vectores] Sean v1 , v2 , . . . , vk , k
vectores de un espacio vectorial V . El el espacio generado por
{v1 , v2 , . . . , vk } es el conjunto de combinaciones lineales
v1 , v2 , . . . , vk .Es decir

gen {v1 , v2 , . . . , vk } = {v |v = a1 v1 + a2 v2 + · · · ak vk }

donde las a1 , a2 , . . . , ak son escalares arbitrarios.

Denición (Dependencia e independencia lineal)

Sean v1 , v2 , . . . , vn , n vectores en un espacio vectorial V . Entonces
se dice que los vectores son linealmente dependientes si existen n
escalares c1 , c2 , . . . , cn no todos cero tales que

c1 v1 + c2 v2 + · · · + cn vn = 0

Si los vectores no son linealmente independientes, se dice que son

linealmente independientes.
M. en C. Pablo Vega Lara Eigenvalores & eigenvectores
Teorema
Dos vecores en un espacio vectorial son linealmente dependientes si
& sólo si uno de ellos es un múltiplo escalar del otro

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Teorema
Dos vecores en un espacio vectorial son linealmente dependientes si
& sólo si uno de ellos es un múltiplo escalar del otro

Ejemplo
  3
−3

− 10
Los vectores  5  &  12 
1
−1 − 10

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Teorema
Dos vecores en un espacio vectorial son linealmente dependientes si
& sólo si uno de ellos es un múltiplo escalar del otro

Ejemplo
  3
−3

− 10
Los vectores  5  &  12 
1
−1 − 10
Ya que
 3
−3
 
− 10
 1 = 1  5 
2 10
1
− 10 −1

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Bses & dimensión

Tenemos que cada vector de R2 se puede escribir como una

combinación lineal de los vectores
1 0
   
i= & j=
0 1

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Bses & dimensión

Tenemos que cada vector de R2 se puede escribir como una

combinación lineal de los vectores
1 0
   
i= & j=
0 1

En R3 , los vectores se escriben en términos de los vectores

1 0 0
     

i= 0 , j= 1
    & k = 0

0 0 1

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Base)
Un conjunto nito de vectores {v1 , v2 , . . . , vn } es una base para un
espacio vectorial V si:

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Base)
Un conjunto nito de vectores {v1 , v2 , . . . , vn } es una base para un
espacio vectorial V si:
1. {v1 , v2 , . . . , vn } es linealmente independiente.

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Base)
Un conjunto nito de vectores {v1 , v2 , . . . , vn } es una base para un
espacio vectorial V si:
1. {v1 , v2 , . . . , vn } es linealmente independiente.
2. {v1 , v2 , . . . , vn } genera a V

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Base)
Un conjunto nito de vectores {v1 , v2 , . . . , vn } es una base para un
espacio vectorial V si:
1. {v1 , v2 , . . . , vn } es linealmente independiente.
2. {v1 , v2 , . . . , vn } genera a V

Todo conjunto de n vectores linealmente independiente en Rn es

una base en Rn

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Denición (Base)
Un conjunto nito de vectores {v1 , v2 , . . . , vn } es una base para un
espacio vectorial V si:
1. {v1 , v2 , . . . , vn } es linealmente independiente.
2. {v1 , v2 , . . . , vn } genera a V

Todo conjunto de n vectores linealmente independiente en Rn es

una base en Rn

En Rn denimos
1 0 0 0
       
0 1 0 0
e1 = 0 , e2 = 0 , e3 = 1 , . . . , en = 0
       
       
 ..   ..   ..   .. 
. . . .
0 0 0 1

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

 (Base canónica)
Dado que los vectores ei son las columnas de la matriz identidad
n × n & esa matriz tiene determinante 1, se sigue que
{e1 , e2 , . . . , en } es un conjunto linealmente independiente &, por lo
tanto, constituye una base en Rn

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

 (Base canónica)
Dado que los vectores ei son las columnas de la matriz identidad
n × n & esa matriz tiene determinante 1, se sigue que
{e1 , e2 , . . . , en } es un conjunto linealmente independiente &, por lo
tanto, constituye una base en Rn Esta base en particular se llama
base canónica de Rn

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

 (Base canónica)
Dado que los vectores ei son las columnas de la matriz identidad
n × n & esa matriz tiene determinante 1, se sigue que
{e1 , e2 , . . . , en } es un conjunto linealmente independiente &, por lo
tanto, constituye una base en Rn Esta base en particular se llama
base canónica de Rn

Ejemplo
Los polinomios 1, x , x 2 , · · · , x n son linealmente independientes en
Pn además estos polinomios generan a Pn . De esta menera, los
polinomios {1, x, x,2 , . . . , x n } forman una base para Pn

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Ejemplo
Se observa que el conjunto de matrices

1 0 0 1 0 0 0 0
       
, , ,
0 0 0 0 1 0 0 1

es linealmente independiente & además genera a M22 por lo que

dicho conjunto forma una base para M22

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores

Teorema
Si los eigenvalores λ1 , λ2 , . . . , λn de una matriz n × n A son reales
& distintos, entonces cualquier conjunto de eigenvectores
correspondientes {v1 , v2 , . . . , vn } forman una base para Rn , la
matriz P = [v1 v2 · · · vn ] es invertible &

P −1 AP = diag [λ1 , λ2 , . . . , λn ]

M. en C. Pablo Vega Lara Eigenvalores & eigenvectores