410 Capítulo 8 Valores propios, vectores propios y diagonalización

Figura 8.2 䉴 Ax = x x x

x Ax = x O
Ax = x
O O
>l 0< <l <0

Observación Como puede ver, dos vectores propios asociados con el mismo valor propio no nece-
sitan tener la misma dirección. Sólo
 deben
 ser paralelos. Por lo tanto, resulta fácil veri-
−1
ficar, en el ejemplo 2, que x3 = , es otro vector propio asociado con el valor pro-
−1
pio λ1 = 12 .

EJEMPLO 3 Sea
 
0 0
A= .
0 1

Entonces,
        
1 0 0 1 0 1
A = = =0
0 0 1 0 0 0
 
1
de modo que x1 = es un vector propio de A, asociado con el valor propio λ1 = 0.
0
Además,
 
0
x2 =
1

es un vector propio de A, asociado con el valor propio λ2 = 1 (verifique). ■

El ejemplo 3 resalta el hecho de que, aunque por definición el vector cero no pue-
de ser un vector propio, el número cero sí puede ser un valor propio.

CÁLCULO DE VALORES PROPIOS Y DE VECTORES PROPIOS

Hasta este momento, hemos encontrado los valores propios y los vectores propios aso-
ciados a una matriz dada por medio de inspección, argumentos geométricos o enfoques
algebraicos muy sencillos. En el ejemplo siguiente, sin embargo, calcularemos los va-
lores propios y los vectores propios asociados de una matriz utilizando un método un
poco más sistemático.

EJEMPLO 4 Sea
 
1 1
A= .
−2 4

Queremos determinar los valores propios de A y sus vectores propios asociados. En con-
secuencia, queremos determinar todos los números reales λ y todos los vectores no nulos
 
x
x= 1
x2
que satisfagan (1), es decir,
    
1 1 x1 x
=λ 1 . (2)
−2 4 x2 x2
 Sec. 8.1 Valores propios y vectores propios 411

La ecuación (2) se convierte en

x1 + 4x2 = λx1
−2x1 + 4x2 = λx2,

(λ − 1)x1 − x2 = 0
(3)
2x1 + (λ − 4)x2 = 0.

La ecuación (3) es un sistema homogéneo de dos ecuaciones en dos incógnitas. El co-

rolario 3.4 de la sección 3.2 implica que el sistema homogéneo en (3) tiene una solu-
ción no trivial si y sólo si el determinante de su matriz de coeficientes es cero; es decir,
si y sólo si
 
λ − 1 − 1 
 = 0.
 2 λ − 4

Esto significa que

(λ −1)(λ −4) + 2 = 0,

λ2 − 5λ + 6 = 0 = (λ − 3)(λ − 2).

Por lo tanto,

λ1 = 2 y λ2 = 3

son los valores propios de A. Para determinar todos los vectores propios de A asociados
con λ1 = 2, formamos el sistema lineal

Ax = 2x,

o
    
1 1 x1 x
=2 1 .
−2 4 x2 x2

Esto da como resultado

x1 + x2 = 2x1
−2x1 + 4x2 = 2x2
o

(2 − 1)x1 − x2 = 0
2x1 + (2 − 4)x2 = 0
o
x1 − x2 = 0
2x1 − 2x2 = 0.

Observe que podríamos haber obtenido este último sistema homogéneo simplemente
sustituyendo λ = 2 en (3). Todas las soluciones de este último sistema están dadas por
x1 = x2
x2 = cualquier número real r.
412 Capítulo 8 Valores propios, vectores propios y diagonalización

Por lo tanto, todos los vectores propios asociados con el valor propio λ1 = 2 están
 
r
dados por , donde r es cualquier número real distinto de cero. En particular,
r
 
1
x1 =
1

es un vector propio asociado con λ1 = 2. De manera análoga, para λ2 = 3 obtenemos,

a partir de (3),
(3 − 1)x1 − x2 = 0
2x1 + (3 − 4)x2 = 0
o
2x1 − x2 = 0
2x1 − x2 = 0.
Todas las soluciones de este último sistema homogéneo están dadas por
x1 = 12 x2
x2 = cualquier número real r.
Por lo tanto, todos los vectores propios asociados con el valor propio λ2 = 3 están dados
1 
r
por 2 , donde r es cualquier número real distinto de cero. En particular,
r
 
1
x2 =
2
es un vector propio asociado con λ2 = 3. ■

En los ejemplos 1, 2 y 3 encontramos los valores y vectores propios por inspección,

mientras que en el ejemplo 4 procedimos de una manera más sistemática. A continua-
ción presentamos el procedimiento del ejemplo 4 como método estándar.

DEFINICIÓN Sea A = [a i j ] una matriz de n × n. El determinante

 
 λ − a11 −a12 ··· −a1n 
 
 −a21 λ − a22 ··· −a2n 
f (λ) = det(λIn − A) =  .. .. .. 
 (4)
 . . . 
 −a −an2 ··· λ − ann 
n1

es el polinomio característico de A. La ecuación

f (λ) = det(λIn − A) = 0
es la ecuación característica de A.

EJEMPLO 5 Sea
⎡ ⎤
1 2 −1
A = ⎣1 0 1⎦ .
4 −4 5

El polinomio característico de A es (verifique)

 
λ − 1 −2 1 

f (λ) = det(λI3 − A) =  −1 λ−0 −1 
 −4 4 λ − 5
= λ3 − 6λ2 + 11λ − 6. ■
 Sec. 8.1 Valores propios y vectores propios 413

Recuerde que, como se indicó en el capítulo 3, en el desarrollo de un determinante

de una matriz de n × n, cada término es un producto de n elementos de la matriz,
el cual tiene exactamente un elemento de cada fila (renglón) y un elemento de cada
columna. En consecuencia, si desarrollamos f (λ) = det(λIn − A), obtenemos un poli-
nomio de grado n. Un polinomio de grado n con coeficientes reales tiene n raíces
(contando las repeticiones), algunas de las cuales pueden ser números complejos.
La expresión relacionada con λn en el polinomio característico de A proviene del
producto
(λ − a11 )(λ − a22 ) · · · (λ − ann ),

de modo que el coeficiente de λn es 1. Entonces, podemos escribir

f (λ) = det(λIn − A) = λn + c1 λn−1 + c2 λn−2 + · · · + cn−1 λ + cn .

Si hacemos λ = 0 en det(λIn − A), al igual que en la expresión de la derecha, obtene-

mos det(− A) = cn, lo cual muestra que el término constante cn es (−1)n det(A). Con
este resultado se establece el siguiente teorema.

TEOREMA 8.1 Una matriz A de n × n es singular si y sólo si 0 es un valor propio de A.

Demostración Ejercicio T.7(b). ■

A continuación ampliaremos nuestra lista de equivalencias no singulares.

Lista de equivalencias no singulares

Las siguientes afirmaciones son equivalentes para una matriz A de n × n.
1. A es no singular.
2. x = 0 es la única solución para Ax = 0.
3. A es equivalente por filas (renglones) a In.
4. El sistema lineal Ax = b tiene una única solución para cada matriz b de n × 1.
5. det(A)  0.
6. A tiene rango n.
7. A tiene nulidad 0.
8. Las filas de A forman un conjunto linealmente independiente de n vectores en
R n.
9. Las columnas de A forman un conjunto linealmente independiente de n vecto-
res en R n.
10. Cero no es un valor propio de A.

En el siguiente teorema relacionaremos el polinomio característico de una matriz

con sus valores propios.

TEOREMA 8.2 Los valores propios de A son las raíces del polinomio característico de A.

Demostración Sea λ un valor propio de A, asociado con el vector propio x. Entonces, Ax = λx, lo cual
se puede escribir como
Ax = (λIn)x
o
(λIn − A)x = 0, (5)
414 Capítulo 8 Valores propios, vectores propios y diagonalización

un sistema homogéneo de n ecuaciones en n incógnitas. Este sistema tiene una solución

no trivial si y sólo si el determinante de su matriz de coeficientes se anula (corolario 3.4
de la sección 3.2), es decir, si y sólo si det(λIn − A) = 0.
Recíprocamente, si λ es una raíz real del polinomio característico de A, entonces
det(λIn − A) = 0, de modo que el sistema homogéneo (5) tiene una solución no trivial x.
Por lo tanto, λ es un valor propio de A. ■

En consecuencia, para determinar los valores propios de una matriz dada A, debe-
mos determinar las raíces de su polinomio característico f (λ). Hay muchos métodos
para determinar aproximaciones a las raíces de un polinomio, algunos más eficaces que
otros; de hecho, muchos programas de computadora permiten determinar las raíces de
un polinomio. Dos resultados que suelen ser útiles a este respecto son (1) el producto
de todas las raíces del polinomio

f (λ) = λn + a1 λn−1 + · · · + an−1 λ + an

es (−1) nan, y (2) si a1, a2, . . . , an son enteros, f (λ) no puede tener una raíz racional
que no sea un entero. Así, uno sólo debe verificar los factores enteros de an como po-
sibles raíces racionales de f (λ). Por supuesto, f (λ) podría tener raíces irracionales o
complejas. Sin embargo, para minimizar el esfuerzo de cálculo y para conveniencia del
lector, muchos de los polinomios característicos considerados en el resto del capítulo
tendrán sólo raíces enteras, y cada una será un factor del término constante del polino-
mio característico de A. Los vectores propios correspondientes se obtienen al sustituir
el valor de λ en la ecuación (5) y resolver el sistema homogéneo resultante. La solución
de esta clase de problema se analizó ya en la sección 6.5.

EJEMPLO 6 Considere la matriz del ejemplo 5. El polinomio característico es

f (λ) = λ3 − 6λ2 + 11λ − 6.

Las posibles raíces enteras de f (λ) son ±1, ±2, ±3 y ±6. Al sustituir estos valores en
f (λ), tenemos que f (1) = 0, de modo que λ = 1 es una raíz de f (λ). Por lo tanto,
(λ − 1) es un factor de f (λ). Al dividir f (λ) entre (λ − 1), obtenemos (verifique)

f (λ) = (λ − 1)(λ2 − 5λ + 6).

Al factorizar λ2 − 5λ + 6, tenemos

f (λ) = (λ − 1)(λ − 2)(λ −3).

Entonces, los valores propios de A son

λ1 = 1, λ2 = 2, λ3 = 3.

Para determinar un vector propio x1, asociado con λ1 = 1, formamos el sistema lineal

(1I3 − A)x = 0,
⎡ ⎤⎡ ⎤ ⎡ ⎤
1 − 1 −2 1 x1 0
⎣ −1 1 −1 ⎦ ⎣x2 ⎦ = ⎣0⎦
−4 4 1−5 x3 0
o
⎡ ⎤⎡ ⎤ ⎡ ⎤
0 −2 1 x1 0
⎣−1 1 −1⎦ ⎣x2 ⎦ = ⎣0⎦ .
−4 4 −4 x3 0
 Sec. 8.1 Valores propios y vectores propios 415

Una solución es
⎡ ⎤
− 12 r
⎢ ⎥
⎢ 1 ⎥
r
⎣ 2 ⎦
r
para cualquier número real r. Por lo tanto, para r = 2,
⎡ ⎤
−1
x1 = ⎣ 1⎦
2
es un vector propio de A, asociado con λ1 = 1.
Para determinar un vector propio x2 asociado con λ2 = 2, formamos el sistema lineal
(2I3 − A)x = 0,
es decir,
⎡ ⎤⎡ ⎤ ⎡ ⎤
2 − 1 −2 1 x1 0
⎣ −1 2 −1 ⎦ ⎣x2 ⎦ = ⎣0⎦
−4 4 2−5 x3 0
o
⎡ ⎤⎡ ⎤ ⎡ ⎤
1 −2 1 x1 0
⎣−1 2 −1⎦ ⎣x2 ⎦ = ⎣0⎦ .
−4 4 −3 x3 0
Una solución es
⎡ ⎤
− 12 r
⎢ ⎥
⎢ 1 ⎥
r
⎣ 4 ⎦
r
para cualquier número real r. En consecuencia, para r = 4,
⎡ ⎤
−2
x2 = ⎣ 1⎦
4
es un vector propio de A, asociado con λ2 = 2.
Para determinar un vector propio x3 asociado con λ3 = 3, formamos el sistema
lineal
(3I3 − A)x = 0,
y vemos que una solución es (verifique)
⎡ ⎤
− 14 r
⎢ ⎥
⎢ 1r⎥
⎣ 4 ⎦
r
para cualquier número real r. Así, para r = 4,
⎡ ⎤
−1
x3 = ⎣ 1⎦
4

es un vector propio de A, asociado con λ3 = 3. ■

416 Capítulo 8 Valores propios, vectores propios y diagonalización

EJEMPLO 7 Calcule los valores propios y los vectores propios asociados de

⎡ ⎤
0 0 3
A = ⎣1 0 −1⎦ .
0 1 3

Solución El polinomio característico de A es

 
λ − 0 0 −3 

p(λ) = det(λI3 − A) =  −1 λ − 0 1  = λ3 − 3λ2 + λ − 3
 0 −1 λ − 3 

(verifique). Determinamos que λ = 3 es una raíz de p(λ). Al dividir p(λ) entre (λ − 3),
obtenemos p(λ) = (λ − 3)(λ2 + 1). Entonces, los valores propios de A son
λ1 = 3, λ2 = i, λ3 = −i.
Para obtener un vector propio x1 asociado con λ1 = 3, sustituimos λ = 3 en (5), lo cual
nos da como resultado
⎡ ⎤⎡ ⎤ ⎡ ⎤
3−0 0 −3 x1 0
⎣ −1 3 − 0 1 ⎦ ⎣x2 ⎦ = ⎣0⎦
0 −1 3 − 3 x3 0
⎡ ⎤
r
Determinamos que el vector ⎣0⎦ es una solución para cualquier número real r (verifi-
r
que). Al hacer r = 1, concluimos que
⎡ ⎤
1
x1 = ⎣0⎦
1

es un vector propio de A, asociado con λ1 = 3. Para obtener un vector propio x2 asocia-

do con λ2 = i, sustituimos λ = i en (5), lo que da como resultado
⎡ ⎤⎡ ⎤ ⎡ ⎤
i −0 0 −3 x1 0
⎣ −1 i − 0 1 ⎦ ⎣x2 ⎦ = ⎣0⎦ .
0 −1 i − 3 x3 0

⎡ ⎤
(−3i)r
Determinamos que el vector ⎣(−3 + i)r ⎦ es una solución para cualquier número r (ve-
r
rifique). Al hacer r = 1, concluimos que
⎡ ⎤
−3i
x2 = ⎣−3 + i ⎦
1

es un vector propio de A asociado con λ2 = i. De manera similar, determinamos que

⎡ ⎤
3i
x3 = ⎣−3 − i ⎦
1

es un vector propio de A, asociado con λ3 = −i. ■

 Sec. 8.1 Valores propios y vectores propios 417

El procedimiento para determinar los valores propios y los vectores propios asocia-
dos de una matriz, es como sigue.
Paso 1. Determine las raíces del polinomio característico f (λ) = det(λIn − A). És-
tas son los valores propios de A.
Paso 2. Para cada valor propio λ, determine todas las soluciones no triviales para el
sistema homogéneo (λIn − A)x = 0. Éstos son los vectores propios de A, asociados
con el valor propio λ.

Por supuesto, el polinomio característico de una matriz dada puede tener algunas
raíces complejas, e incluso podría carecer por completo de raíces reales. Sin embargo,
en el importante caso de las matrices simétricas, todas las raíces del polinomio caracte-
rístico son reales. Estableceremos este resultado en la sección 8.3 (teorema 8.6).
Los valores propios y los vectores propios satisfacen muchas propiedades de gran
interés. Por ejemplo, si A es una matriz triangular superior (inferior) o una matriz dia-
gonal, los valores propios de A son los elementos de la diagonal principal de A (ejerci-
cio T.3). El conjunto S que consiste en todos los vectores propios de A asociados con
λj, junto con el vector nulo, es un subespacio de R n (ejercicio T.1), denominado espa-
cio propio asociado con λj (también se le conoce como espacio invariante). En los ejer-
cicios de esta sección se desarrollan otras propiedades.
Es preciso hacer hincapié en que el método para determinar los valores propios de
una transformación lineal o matriz por medio de la obtención de las raíces del polino-
mio característico no es práctico para n > 4, ya que incluye la evaluación de un deter-
minante. En cursos de análisis numérico se estudian métodos numéricos eficientes para
la determinación de valores propios y los vectores propios asociados.

Precaución Al determinar los valores propios y los vectores propios asociados de una matriz A, evi-
te cometer el error común de transformar primero A a la forma escalonada reducida por
filas B, y luego determinar los valores y vectores propios de B. Para comprender rápi-
damente cómo falla este enfoque, considere la matriz A, definida en el ejemplo 4. Sus
valores propios son λ1 = 2 y λ2 = 3. Como A es una matriz no singular, cuando la trans-
formamos a la forma escalonada reducida por filas B, tenemos que B = I2. Los valores
propios de I2 son λ1 = 1 y λ2 = 1.

A continuación examinaremos brevemente tres aplicaciones de valores y vectores

propios. Las primeras dos ya se han analizado en el texto; la tercera es nueva. El capí-
tulo 9 se dedica por completo a un estudio más profundo de varias aplicaciones adicio-
nales de valores y vectores propios.

CADENAS DE MARKOV
En las secciones 1.4 y 2.5 se analizaron ya las cadenas o procesos de Markov. Sea T una
matriz regular de transición de un proceso de Markov. En el teorema 2.5 mostramos que
conforme n → ∞, T n tiende a una matriz A, cuyas columnas son idénticas al vector u.
Además, el teorema 26 demostró que u es un vector de estado estable, que es el único
vector de probabilidad que satisface la ecuación matricial T u = u. Esto significa que
λ = 1 es un valor propio de T y u es un vector propio asociado. Por último, como las
columnas de A suman 1, de acuerdo con el ejercicio T.14 se deduce que λ = 1 es un va-
lor propio de A.

MODELOS ECONÓMICOS LINEALES

En la sección 2.6 analizamos el modelo cerrado de Leontief, que consiste en una socie-
dad formada por un agricultor, un carpintero y un sastre, cada uno de los cuales produce