ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡2 0 2⎤ ⎡ 1 ⎤ ⎡ 6 ⎤ ⎡1⎤
Capítulo 7 ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
AX 3 = ⎢0 6 0⎥ ⎢ 5 ⎥ = ⎢10⎥ = 6 ⎢ 5 ⎥ = λ 3X 3 ; siendo λ3 = 6
3
⎢⎣1 3 3⎥⎦ ⎢⎣ 2 ⎥⎦ ⎢⎣12⎥⎦
3
⎢⎣ 2 ⎥⎦
AUTOVALORES
Y AUTOVECTORES Es decir, λ1 = 1, λ2 = 4 y λ3 = 6 son autovalores de A con autovectores
⎡ −2 ⎤ ⎡1⎤ ⎡1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
asociados X1 = ⎢ 0⎥ , X 2 = ⎢0⎥ y X 3 = ⎢ 5 ⎥ , respectivamente.
3
⎢⎣ 1⎥⎦ ⎢⎣1⎥⎦ ⎢⎣ 2 ⎥⎦
7.1. INTRODUCCIÓN.

En este capítulo se presentan dos de los más importantes conceptos del
Álgebra Lineal que son claves en el Análisis de Datos Multivariante como lo
son los conceptos de Autovalor y Autovector. Se exponen todos sus temas
asociados como lo son la relación entre los autovalores y autovectores de una
matriz y su matriz transpuesta, la semejanza de matrices y los autovalores y
autovectores de matrices simétricas.
Nótese que A∈M3x3(K) y tiene exactamente 3 autovalores.
Definición 7.2.
Sea A∈Mnxn(K). Se define como espectro de A y se denota por E(A) al
conjunto formado por todos los autovalores de A.

7.2. DEFINICIONES, PROPIEDADES Y EJEMPLOS. Ejemplo 7.2.

Definición 7.1. En el ejemplo 7.1, E(A) = {1, 4, 6}

Sean A∈Mnxn(K) y λ∈K. Se dice que λ es autovalor, valor propio, valor Definición 7.3.
característico o eigenvalor de A si:
Sean A∈Mnxn(K) y λ∈K, tales que λ es autovalor de A. Se define como
n autoespacio, espacio propio, espacio característico o eigenespacio de A y se
∃X ∈ K (X ≠ θ nx1 ) : AX = λX denota por Vλ(A) al conjunto:

En ese caso, se dice que el vector X es autovector, vector propio, vector

característico o eigenvector, respectivamente de A asociado al autovalor λ.
{ }
Vλ (A) = X ∈ K n (X ≠ θ nx1 ) : AX = λX

Ejemplo 7.1. Ejemplo 7.3.

Sean A∈M3x3(ℜ) y X1, X2, X3∈ℜ3 definidas por: En el ejemplo 7.1.,

⎡2 0 2⎤ ⎡ −2 ⎤ ⎡1⎤ ⎡1⎤ ⎧ ⎡− 2⎤ ⎫ ⎧ ⎡1⎤ ⎫

⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎪ ⎢ ⎥ ⎪ ⎪ ⎢ ⎥ ⎪
A = ⎢0 6 0⎥ ; X1 = ⎢ 0⎥ ; X 2 = ⎢0⎥ ; X 3 = ⎢ 5 ⎥ V1 (A) = ⎨X ∈ ℜ3 : X = a ⎢ 0⎥; a ∈ ℜ* ⎬ , V4 (A) = ⎨X ∈ ℜ3 : X = b ⎢0⎥; b ∈ ℜ* ⎬
3 ⎪ ⎪ ⎪ ⎪
⎢⎣1 3 3⎥⎦ ⎢⎣ 1⎥⎦ ⎢⎣1⎥⎦ ⎢⎣ 2 ⎥⎦ ⎢⎣ 1⎥⎦ ⎢⎣1⎥⎦
⎩ ⎭ ⎩ ⎭
⎧ ⎡1 ⎤ ⎫
Luego, se verifica que: ⎪ ⎢ ⎥ ⎪
y V6 (A) = ⎨X ∈ ℜ3 : X = c ⎢ 5 ⎥; c ∈ ℜ* ⎬
3
⎪ ⎢⎣ 2 ⎥⎦ ⎪
⎡2 0 2⎤ ⎡ −2 ⎤ ⎡ −2 ⎤ ⎡ −2 ⎤ ⎩ ⎭
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
AX1 = ⎢0 6 0⎥ ⎢ 0⎥ = ⎢ 0⎥ = 1⎢ 0⎥ = λ1X1 ; siendo λ1 = 1
⎢⎣1 3 3⎥⎦ ⎢⎣ 1 ⎥⎦ ⎢⎣ 1 ⎥⎦ ⎢⎣ 1⎥⎦ Observación:

⎡2 0 2⎤ ⎡1⎤ ⎡4⎤ ⎡1⎤ Nótese que para cada autovalor existen infinitos autovectores, los cuales se
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥ generan por un conjunto finito de vectores. En el ejemplo 7.3., los autovectores
AX = ⎢0 6 0⎥ ⎢0⎥ = ⎢0⎥ = 4⎢0⎥ = λ 2 X 2 ; siendo λ2 = 4
2
de cada autovalor se generan cada uno por un solo vector.
⎢⎣1 3 3⎥⎦ ⎢⎣1⎥⎦ ⎢⎣4⎥⎦ ⎢⎣1⎥⎦

238
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Teorema 7.1. CS (⇐): Si Det(A-λIn) = 0 entonces λ es autovalor de A.

n
Sean A∈Mnxn(K) y X∈K -{θnx1}. Si X es autovector de A entonces X esta Si Det(A-λIn) = 0, por el teorema 3.1., apartado 13 se tiene que A − λI n es
asociado a un único autovalor de A.
singular. Luego, por el teorema 4.19., n( A − λI n ) ≠ 0, es decir,
Demostración θ nx1 ∉ N ( A −λI n ) . Por consiguiente, ∃X ∈ K n (X ≠ θ nx1 ) : (A − λI n )X = θ nx1 , lo

Supongamos que X es autovector de A asociado a los autovalores λ y μ. cual significa que ∃X ∈ K n (X ≠ θ nx1 ) : AX = λX , es decir, λ es autovalor de
Luego, A.

AX = λX Definición 7.4.
⇒ AX − AX = λX − μX ⇒ θ nx1 = (λ − μ)X
AX = μX
Sea A∈Mnxn(K). Se define como autopolinomio, polinomio propio, polinomio
característico o eigenpolinomio de A y se denota por PA(λ) a:
Como X∈K -{θnx1} entonces para que (λ − μ)X = θ nx1 debe cumplirse que
n

λ − μ = 0 , es decir, λ = μ . Por consiguiente, X esta asociado a un único PA(λ) = Det (A − λI n )

autovalor.
La igualdad PA(λ) = 0 recibe el nombre de autoecuación, ecuación propia,
Teorema 7.2. ecuación característica o eigenecuación de A.

Sean A∈Mnxn(K) y λ∈K. Si λ es autovalor de A entonces Observación:

{ }
Vλ* (A) = X ∈ K n : AX = λX es un subespacio de Kn.
Demostración
Si AX = λX entonces AX – λX = θnx1, es decir, (A – λIn)X = θnx1. Por
consiguiente, Vλ* (A) = N ( A −λIn ) y por el teorema 4.18, Vλ* (A) es un
Del teorema 7.3., se obtiene que λ es autovalor de A si y sólo si es solución de
la autoecuación de A, es decir, es raíz del autopolinomio de A, PA(λ). El
próximo teorema nos indicará las características de PA(λ).
Teorema 7.4.
n

subespacio de K . n Sea A∈Mnxn(K). Entonces se cumple que PA (λ ) = ∑ (−1)

j= 0
n− j
SDMPAO( j)λn − j ;

Observación: con SDMPAO(0) = 1, donde SDMPAO(j) significa “Suma de los

determinantes de los menores principales de A de orden j”.
Vλ* (A) = Vλ (A) ∪ {θ nx1}
Demostración
Teorema 7.3. Expresemos la matriz A∈Mnxn(K) particionada 1xn por columnas, es decir,
Sean A∈Mnxn(K) y λ∈K. λ es autovalor de A si y sólo si Det(A-λIn) = 0. A = [ A1 A 2 L A n ]. De la misma forma expresemos la matriz In
[
particionada 1xn por columnas, es decir, In = e1 e 2 L e n . Luego, ]
Demostración
PA(λ) = Det (A − λI n ) = Det([ A1 − λe1 A 2 − λe 2 L A n − λe n ]).
CN (⇒): Si λ es autovalor de A entonces Det(A-λIn) = 0.

Utilicemos reducción al absurdo. Supongamos que λ es autovalor de A y que Por el teorema 3.1., apartados 5 y 8 se tiene que:
Det(A-λIn) ≠ 0. Luego, por el teorema 3.1, apartado 13 se tiene que A − λI n es
Det (A − λI n ) = Det([ A1 A 2 − λe 2 L A n − λe n ]) +
no singular. Por lo tanto, por el teorema 4.19., n( A − λI n ) = 0, es decir,
+ Det([ −λe1 A 2 − λe 2 L A n − λe n ])
N ( A − λI n ) = {X ∈ K n : (A − λI n )X = θ nx1} = {θnx1}. Esto significa que
= Det([ A1 A 2 − λe 2 L A n − λe n ]) +
(A − λI n )X = θ nx1 ⇒ X = θ nx1 , es decir, AX − λX = θ nx1 ⇒ X = θ nx1 , lo cual a
+ ( −λ )Det([ e1 A 2 − λe 2 L A n − λe n ])
su vez indica que AX = λX ⇒ X = θ nx1 . Por consiguiente, X es autovector de
= Det([ A1 A 2 L A n − λe n ]) +
A asociado al autovalor λ y X = θnx1 , lo cual es una contradicción.

239 240
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

+ Det([ A1 −λe 2 L A n − λe n ]) + n
⇒ Det (A − λI n ) = ∑ (−1) n− j
SDMPAO( j)λn − j
+ ( −λ )Det([ e1 A 2 L A n − λe n ]) j=0

+ ( −λ )Det([ e1 −λe 2 L A n − λe n ])
Observaciones:
= Det([ A1 A 2 L A n − λe n ]) +
+ ( −λ )Det([ A1 e 2 L A n − λe n ]) + 1. PA(λ) es un polinomio de grado n en λ. Como todo autovalor λ de
A es raíz de PA(λ) demuestra que A tiene exactamente n
+ ( −λ )Det([ e1 A 2 L A n − λe n ]) autovalores.
+ ( −λ ) Det([ e
2 1
e 2 L A n − λe n ]) 2. El término independiente de PA(λ) es Det(A). Esto implica que:
2.1. A tiene al menos 1 autovalor nulo si y sólo si Det(A) = 0.
2.2. A tiene al menos 1 autovalor nulo si y sólo si Rango(A) < n.
Aplicando estas 2 propiedades n–2 veces cada una sobre cada matriz se
2.3. A tiene al menos 1 autovalor nulo si y sólo si A es singular.
obtiene:
2.4. A tiene todos sus autovalores no nulos si y sólo si A es no
singular.
Det (A − λI n ) = (−λ ) n Det([ e1 e 2 L e n ]) + 2.5. Si Rango(A) = r entonces A tiene exactamente n–r
+ (−λ ) n −1 Det([ A1 e 2 L e n ]) + (−λ ) n −1 Det([ e1 A 2 L e n ]) + … autovalores nulos y r autovalores no nulos.
3. Al resolver la ecuación PA(λ)= 0 se obtienen los n autovalores de A.
+ (−λ ) n −1 Det([ e1 e 2 L A n ]) + (−λ) n − 2 Det([ A1 A 2 L e n ]) + 4. Para cada autovalor calculado λ se obtiene el conjunto Vλ(A)
+ (−λ ) n − 2 Det([ A1 e 2 A 3 L A n ]) + … + resolviendo el SEL homogéneo (A − λI n )X = θ nx1 .
+ (−λ) n − 2 Det([ e1 e 2 L A n −1 A n ])+ … +
1 1 2
Definición 7.5.
+ (−λ ) Det([ e A L A ]) + (−λ )1 Det([ A1 e 2 L A n ]) + … +
n

+ (−λ )1 Det([ A1 A 2 L e n ]) + Det([ A1 A 2 L A n ]) Sean A∈Mnxn(K) y λi∈K, tales que λi es autovalor de A, ∀ i = 1, 2, …, m. Se

n −1 n −1
define como multiplicidad algebraica del autovalor λi y se denota por ri a la
⇒ Det (A − λI n ) = (−1) λ Det(In) + (−1)
n n
λ Det(M(A)23…n) + multiplicidad de la raíz λi de PA(λ).
n −1 n −1 n −1 n −1
+ (−1) λ Det(M(A)13…n) + … + (−1) λ Det(M(A)12…n-1) +
Observaciones:
+ (−1) n − 2 λn − 2 Det(M(A)34…n) + (−1) n − 2 λn − 2 Det(M(A)24…n) + … +
+ (−1) n − 2 λn − 2 Det(M(A)12…n-2) + … + (−1)1 λ1 Det(M(A)1) + m

1 1
+ (−1) λ Det(M(A)2) + … + (−1) λ Det(M(A)n) + Det(A)1 1
1. Si λ1, λ2, …, λm son los autovalores de A entonces ∑r = n .
i =1
i

2. Si λ1, λ2, …, λm son los autovalores de A entonces PA(λ) se puede

⇒ Det (A − λI n ) = (−1) n λn .1 + (−1) n −1 λn −1 (Det(M(A)23…n) + factorizar de la siguiente forma:
+ Det(M(A)13…n) + … + Det(M(A)12…n-1)) + PA(λ) = (λ − λ1 ) r1 (λ − λ 2 ) r2 ...(λ − λ m ) rm
+ (−1) n − 2 λn − 2 (Det(M(A)34…n) + Det(M(A)24…n)+ … +Det(M(A)12…n-2)) 3. Si λi es autovalor de A entonces Det (A − λ i I n ) = 0 y por tanto
+ … + (−1) λ (Det(M(A)1) + Det(M(A)2) + … + Det(M(A)n)) + Det(A)
1 1 A − λ i I n es singular. Esto implica que n( A − λ i I n ) ≠ 0, es decir,
n( A − λ i I n ) ≥ 1. Por el teorema 4.24., r( A − λ i I n )+ n( A − λ i I n ) = n
⇒ Det (A − λI n ) = (−1) n λn SDMPAO(0) + (−1) n −1 λn −1 (SDMPAO(1)) + y como Rango( A − λ i I n ) = r( A − λ i I n ) entonces
+ (−1) n − 2 λn − 2 (SDMPAO(2)) + … + (−1)1 λ1 (SDMPAO(n-1)) + n( A − λ i I n ) = n–Rango( A − λ i I n ), es decir, n–Rango( A − λ i I n )≥1.
+ (−1) 0 λ0 DMPAO(n) Esto a su vez implica que n – 1 ≥ Rango( A − λ i I n ), es decir,
Rango( A − λ i I n ) ≤ n – 1. Esto asegura que existe al menos un
⇒ Det (A − λI n ) = (−1) n SDMPAO(0)λn + (−1) n −1 (SDMPAO(1)) λn-1 + autovector asociado al autovalor λi.
+ (−1) n − 2 (SDMPAO(2))λn-2 + … + (−1)1 (SDMPAO(n-1))λ1 + 4. Si Rango( A − λ i I n ) = r < n entonces se cumple que
0
+ (−1) DMPAO(n)λ 0 n( A − λ i I n ) = n – Rango( A − λ i I n ), lo que es lo mismo que decir
que n( A − λ i I n ) = n – r. Esto significa que N ( A − λ i I n ) se genera por
n – r vectores L.I., es decir, existen exactamente n – r autovectores
L.I. asociados con el autovalor λi.

241 242
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Ejemplo 7.4. ⎡ x1 ⎤ ⎡−2 x 3 ⎤ ⎡ −2 ⎤

⎢ ⎥ ⎢ ⎥ ⎢ ⎥
En el ejemplo 7.1.: X = ⎢ x 2 ⎥ = ⎢ 0 ⎥ = x 3 ⎢ 0⎥
⎢⎣ x 3 ⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣ 1⎥⎦
PA (λ ) = (−1)3 λ3 + (−1) 2 (Det ([2]) + Det ([6] + Det ([3])λ2 +
Por consiguiente,
⎡ 2 0 2⎤
1 ⎡ 2 0⎤ ⎡ 2 2⎤ ⎡6 0 ⎤ 1 ⎢ ⎥
(−1) (Det ( ⎢ ⎥ ) + Det ( ⎢ ⎥ ) + Det ( ⎢ ⎥ ))λ + Det ( ⎢0 6 0⎥ )
⎣ 0 6⎦ ⎣1 3⎦ ⎣ 3 3⎦ ⎧ ⎡− 2⎤ ⎫
⎣⎢1 3 3⎦⎥ ⎪ ⎢ ⎥ ⎪
V1 (A) = ⎨X ∈ ℜ3 : X = a ⎢ 0⎥; a ∈ ℜ* ⎬
= −λ3 + (2 + 6 + 3)λ2 − (12 + 4 + 18)λ + 24 = = −λ3 + 11λ2 − 34λ + 24 ⎪ ⎢⎣ 1⎥⎦ ⎪
⎩ ⎭
Para determinar los autovalores de A hallamos las raíces de PA(λ). Como este
V4(A):
es un polinomio de grado 3 utilizamos la regla de Ruffini:

Posibles raíces: ±1, ±2, ±3, ±4, ±6, ±8, ±12, ±24 ⎡2 0 2⎤ ⎡1 0 0⎤ ⎡ x1 ⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
( A − 4 I 3 ) X = θ 3 x1 ⇒ ( ⎢ 0 6 0 ⎥ − 4 ⎢ 0 1 0 ⎥ ) ⎢ x 2 ⎥ = ⎢ 0 ⎥
−1 11 −34 24 ⎢⎣1 3 3⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦

⎡ −2 0 2⎤ ⎡ x1 ⎤ ⎡0⎤ ⎧ −2x1 + 2x 3 = 0
1 −1 10 − 24 ⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎪ ⎧⎪x − x 3 = 0 ⎧x1 = x 3
⇒⎢ 0 2 0 ⎥ ⎢ x 2 ⎥ = ⎢0 ⎥ ⇒ ⎨ 2x 2 = 0 ⇒⎨ 1 ⇒⎨
⎪ x =0 ⎩ x2 = 0
− 1 10 − 24 0 ⎢⎣ 1 3 − 1 ⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎪⎩x1 + 3x 2 − x 3 = 0 ⎩ 2

4 −4 24 Luego,

−1 6 0 ⎡ x1 ⎤ ⎡ x 3 ⎤ ⎡1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X = ⎢ x 2 ⎥ = ⎢ 0 ⎥ = x 3 ⎢0 ⎥
6 −6 ⎢⎣ x 3 ⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣1⎥⎦
−1 0
Por consiguiente,
Luego,
⎧ ⎡1 ⎤ ⎫
E(A) = {1, 4, 6} ⎪ 3 ⎢ ⎥ *⎪
V4 (A) = ⎨X ∈ ℜ : X = b ⎢0⎥; b ∈ ℜ ⎬
⎪ ⎢⎣1⎥⎦ ⎪
Determinemos ahora el autoespacio asociado a cada autovalor: ⎩ ⎭

V1(A): V6(A):

⎡2 0 2⎤ ⎡1 0 0⎤ ⎡ x1 ⎤ ⎡0⎤ ⎡2 0 2⎤ ⎡1 0 0⎤ ⎡ x1 ⎤ ⎡0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
(A − 1I3 )X = θ3 x1 ⇒ ( ⎢0 6 0⎥ − 1⎢0 1 0⎥ ) ⎢ x 2 ⎥ = ⎢0⎥ ( A − 6 I 3 ) X = θ 3 x1 ⇒ ( ⎢ 0 6 0 ⎥ − 6 ⎢ 0 1 0 ⎥ ) ⎢ x 2 ⎥ = ⎢ 0 ⎥
⎢⎣1 3 3⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣1 3 3⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦
⎡1 0 2⎤ ⎡ x1 ⎤ ⎡0⎤ ⎧ x1 + 2x 3 = 0 ⎡ −4 0 2⎤ ⎡ x1 ⎤ ⎡0⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎪ ⎧⎪x + 2x 3 = 0 ⎧x1 = −2x 3 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎧ − 4 x1 + 2 x 3 = 0 ⎧⎪ 2 x 3 = 4 x1 ⎧ x 3 = 2 x1
⇒ ⎢0 5 0 ⎥ ⎢ x 2 ⎥ = ⎢0⎥ ⇒ ⎨ 5x 2 = 0 ⇒⎨ 1 ⇒⎨ ⇒⎢ 0 0 0 ⎥ ⎢ x 2 ⎥ = ⎢0⎥ ⇒ ⎨ ⇒⎨ ⇒⎨
x2 = 0 ⎩ x2 = 0 x + 3x 2 − 3x 3 = 0 ⎪⎩3x 2 = 3x 3 − x1 ⎩3x 2 = 3x 3 − x1
⎢⎣1 3 2⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎪⎩x1 + 3x 2 + 2x 3 = 0 ⎪⎩ ⎢⎣ 1 3 − 3 ⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎩ 1

⎧ x 3 = 2 x1 ⎧ x 3 = 2 x1 ⎧ x = 2 x1 ⎪⎧ x 3 = 2x1
Luego, ⇒⎨ ⇒⎨ ⇒⎨ 3 ⇒⎨ 5
⎩3x 2 = 3(2x1 ) − x1 ⎩3x 2 = 6 x1 − x1 ⎩3x 2 = 5x1 ⎪⎩x 2 = 3 x1

243 244
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Luego, ⎡1 − 18 − 7 0⎤
3 → r3 − r2
⎢ ⎥ ⎧x − 18x 2 − 7 x 3 = 0 ⎧⎪x1 = 18x 2 + 7 x 3
⎯r⎯ ⎯⎯→ ⎢0 7 3 0⎥ ⇒ ⎨ 1 ⇒⎨ 3
⎡ x1 ⎤ ⎡ x1 ⎤ ⎡1⎤
⎢0 ⎥ ⎩ 7 x 2 + 3x 3 = 0 ⎪⎩ x 2 = − 7 x 3
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣ 0 0 0 ⎦
X = ⎢ x 2 ⎥ = ⎢ 5 x1 ⎥ = x 3 ⎢ 5 ⎥
3 3
⎢⎣ x 3 ⎥⎦ ⎢⎣ 2 x1 ⎥⎦ ⎢⎣ 2 ⎥⎦ ⎧x1 = 18(− 3 x 3 ) + 7 x 3 ⎧x1 = − 54 x 3 + 7 x 3 ⎧ x1 = − 5 x 3
⎪ 7 ⎪ 7 ⎪ 7
⇒⎨ ⇒⎨ ⇒⎨
⎪⎩ x2 = − 3 x3 ⎪ x2 = − 3 x3 ⎪ x2 = − 3 x3
Por consiguiente, 7 ⎩ 7 ⎩ 7

⎧ ⎫ Luego,
⎡1⎤
⎪ ⎢ ⎥ ⎪
V6 (A) = ⎨X ∈ ℜ3 : X = c ⎢ 5 ⎥; c ∈ ℜ* ⎬
⎡ x1 ⎤ ⎡⎢− 7 x 3 ⎤⎥ ⎡− 5 ⎤
3 5
⎪ ⎢⎣ 2 ⎥⎦ ⎪ ⎢ 7⎥
⎩ ⎭ ⎢ ⎥ ⎢ 3
X = ⎢x 2 ⎥ = − x 3 ⎥ = x 3 ⎢− 3 ⎥
⎢ 7 ⎥ ⎢ 7⎥
Ejemplo 7.5. ⎣⎢ x 3 ⎦⎥ ⎢⎣ x 3 ⎥⎦ ⎢ 1⎥
⎣ ⎦

Sea A∈M3x3(ℜ) definida por: Por consiguiente,

⎡ 0 −18 −7 ⎤ ⎧ ⎡− 5 ⎤ ⎫
⎢ ⎥ ⎪ ⎢ 7⎥ ⎪
A = ⎢ 1 − 12 − 4⎥ ⎪ ⎪
V−1 (A) = ⎨X ∈ ℜ3 : X = a ⎢− 3 ⎥; a ∈ ℜ* ⎬
⎢⎣ − 1 25 9⎥⎦ ⎢ 7 ⎥
⎪ ⎪
⎢ 1⎥
⎩⎪ ⎣ ⎦ ⎭⎪
PA (λ ) = (−1)3 λ3 + (−1) 2 (Det ([0]) + Det ([−12] + Det ([9])λ2 +
Ejemplo 7.6.
⎡ 0 −18 −7 ⎤
⎡0 − 18⎤ ⎡ 0 − 7⎤ ⎡ − 12 − 4⎤ 1 ⎢ ⎥
1
(−1) ( Det ( ⎢ ⎥ ) + Det ( ⎢ ⎥ ) + Det ( ⎢ ⎥ ))λ + Det( ⎢ 1 − 12 − 4⎥ ) Sea A∈Mnxn(ℜ) una matriz diagonal definida por:
⎣1 − 12⎦ ⎣ −1 9⎦ ⎣ 25 9⎦
⎢⎣ − 1 25 9⎦⎥

= −λ3 + (0 − 12 + 9)λ2 − (18 − 7 − 8)λ − 1 = −λ3 − 3λ2 − 3λ − 1 ⎡A11 0 L 0 ⎤

⎢ ⎥
0 A L 0 ⎥
A=⎢ 22
Para determinar los autovalores de A hallamos las raíces de PA(λ). Pero, PA(λ) ⎢ M M M ⎥
⎢ ⎥
es el cubo perfecto −(λ3 + 3λ2 + 3λ + 1) = −(λ + 1)3 . Luego, λ1 = –1 es autovalor ⎢⎣ 0 0 L A nn ⎥⎦
de A con r1 = 3, es decir, E(A) = {–1}
Determinemos los autovalores de A.
Determinemos ahora el autoespacio asociado a este único autovalor:

V-1(A):
⎡A11 0 L 0 ⎤ ⎡1 0 L 0⎤
⎢ ⎥ ⎢ ⎥
−18 −7 ⎤ ⎡1 0 0⎤ ⎡ x1 ⎤ ⎡0⎤ 0 A 22 L 0 ⎥ 0 1 L 0⎥
⎡ 0
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ PA(λ) = Det (A − λI n ) = Det ( ⎢ − λ⎢ )
(A − (−1)I 3 )X = θ3x1 ⇒ (A + I 3 )X = θ3 x1 ⇒ ( ⎢ 1 − 12 − 4⎥ + ⎢0 1 0⎥ ) ⎢ x 2 ⎥ = ⎢0⎥ ⎢ M M M ⎥ ⎢M M M⎥
⎢ ⎥ ⎢ ⎥
⎢⎣ − 1 25 9⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎣⎢ 0 0 L A nn ⎥⎦ ⎣⎢0 0 L 1⎦⎥

⎡ 1 − 18 − 7 ⎤ ⎡ x1 ⎤ ⎡0⎤ ⎡ 1 − 18 − 7 0⎤ r → r − r ⎡1 − 18 − 7 0⎤ ⎡A11 − λ 0 L 0 ⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎯⎯2
⎯⎯→ ⎢
2 1
⎥ ⎢ ⎥
⇒ ⎢ 1 − 11 − 4⎥ ⎢ x 2 ⎥ = ⎢0⎥ ⇒ ⎢ 1 − 11 − 4 0⎥ r →r + r ⎢0 7 3 0⎥ 0 A − λ L 0
⎯⎯3
⎯⎯
3 1
→ = Det ( ⎢ 22 ⎥)
⎢⎣ − 1 25 10 ⎥⎦ ⎢⎣ x 3 ⎥⎦ ⎢⎣0⎥⎦ ⎢⎣− 1 25 10 0⎥⎦ ⎢0
⎣ 7 3 0⎥⎦ ⎢ M M M ⎥
⎢ ⎥
⎣⎢ 0 0 L A nn − λ ⎦⎥

Por el teorema 3.1., apartado 18 se tiene que:

PA (λ) = (A11 − λ )(A 22 − λ)...(A nn − λ )

245 246
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Por lo tanto,
Luego, al hacer PA(λ) = 0 se obtiene que los autovalores de A son λ1 = A11,
λ2 = A22, …, λn = Ann, es decir, los autovalores de una matriz diagonal son los
elementos de la diagonal principal. Determinemos el autoespacio asociado al ⎡0 ⎤
i-ésimo autovalor de A: ⎢ ⎥
⎢M⎥
VAii (A) = {X ∈ ℜ : X = a ⎢1⎥; a ∈ ℜ*} = {X ∈ ℜ n : X = aei ; a ∈ ℜ*}
n
(A − λ i I n )X = θ nx1 ⇒ (A − A ii I n )X = θ nx1 ⎢ ⎥
⎢M⎥
⎡A11 L 0 L 0 ⎤ ⎡1 L 0 L 0⎤ ⎢0 ⎥
⎢ ⎥ ⎢ ⎥ ⎣ ⎦
⎢ M M M ⎥ ⎢M M M⎥
⇒ ( ⎢ 0 L A ii L 0 ⎥ − A ii ⎢0 L 1 L 0⎥ )X = θ nx1 Esto indica que los autoespacios asociados a los autovalores de A son
⎢ ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎢M M M⎥ generados por los vectores de la base canónica de ℜn.
⎢ 0 L 0 L A ⎥ ⎢0 L 0 L 1 ⎥
⎣ nn ⎦ ⎣ ⎦
⎡A11 L 0 L 0 ⎤ ⎡A ii L 0 L 0 ⎤ Ejemplo 7.7.
⎢ ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎢ M M M ⎥
Sea A∈Mnxn(ℜ) una matriz triangular superior definida por:
⇒ ( ⎢ 0 L A ii L 0 ⎥ − ⎢ 0 L A ii L 0 ⎥ )X = θ nx1
⎢ ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎢ M M M ⎥
⎡A11 A12 L A1n ⎤
⎢ 0 L 0 L A ⎥ ⎢0 L 0 L A ⎥ ⎢ ⎥
⎣ nn ⎦ ⎣ ii ⎦ 0 A 22 L A 2 n ⎥
A=⎢
⎡A11 − A ii L 0 L 0 ⎤ ⎢ M M M ⎥
⎢ ⎥ ⎢ ⎥
⎢ M M M ⎥ ⎣⎢ 0 0 L A nn ⎦⎥
⇒ (⎢ 0 L A ii − A ii L 0 ⎥ )X = θ nx1
⎢ ⎥
⎢ M M M ⎥ Determinemos los autovalores de A.
⎢ 0 L 0 L A nn − A ii ⎥⎦
⎣
⎡A11 A12 L A1n ⎤ ⎡1 0 L 0⎤
⎡A11 − A ii L 0 L 0 ⎤ ⎡ x 1 ⎤ ⎡0 ⎤ ⎢ ⎥ ⎢ ⎥
0 A 22 L A 2 n ⎥ 0 1 L 0⎥
⎢
M M M
⎥ ⎢ ⎥ ⎢ ⎥ PA(λ) = Det (A − λI n ) = Det ( ⎢ − λ⎢ )
⎢ ⎥ ⎢ M ⎥ ⎢M⎥ ⎢ M M M ⎥ ⎢M M M⎥
⇒ (⎢ 0 L 0 L 0 ⎥ ) ⎢ x i ⎥ = ⎢0 ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎣⎢ 0 0 L A nn ⎦⎥ ⎣⎢0 0 L 1⎦⎥
⎢ M M M ⎥ ⎢ M ⎥ ⎢M⎥
⎢ ⎡A11 − λ A12 A1n ⎤
L 0 L A nn − A ii ⎥⎦ ⎢⎣ x n ⎥⎦ ⎢⎣0⎥⎦
L
⎣ 0 ⎢ ⎥
0 A − λ L A
= Det ( ⎢ 22 2n ⎥
)
⎢ M M M ⎥
⎡ (A11 − A ii ) x1 ⎤ ⎡0⎤ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎣⎢ 0 0 L A nn − λ ⎦⎥
⎢ M ⎥ ⎢M⎥
⇒) ⎢ 0 ⎥ = ⎢0⎥ ⇒ x i = 0; ∀ i = 1, 2, ..., i - 1, i + 1, ..., n.
⎢ ⎥ ⎢ ⎥ Por el teorema 3.1., apartado 19 se tiene que:
⎢ M ⎥ ⎢M⎥
⎢( A − A ) x ⎥ ⎢0 ⎥ PA (λ) = (A11 − λ )(A 22 − λ)...(A nn − λ )
⎣ nn ii n⎦ ⎣ ⎦

Luego, Luego, al hacer PA(λ) = 0 se obtiene que los autovalores de A son λ1 = A11, λ2
= A22, …, λn = Ann, es decir, los autovalores de una matriz triangular superior
⎡0⎤ ⎡0 ⎤ son los elementos de la diagonal principal. Análogamente se demuestra que los
⎢ ⎥ ⎢ ⎥ autovalores de una matriz triangular inferior son los elementos de la diagonal
⎢M⎥ ⎢M⎥ principal.
X = ⎢ x i ⎥ = x i ⎢1 ⎥ = x i e i
⎢ ⎥ ⎢ ⎥
⎢M⎥ ⎢M⎥
⎢0⎥ ⎢0 ⎥
⎣ ⎦ ⎣ ⎦

247 248
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Teorema 7.5. Consideremos la igualdad:

Sean A∈Mnxn(K), λ1, λ2, …, λm∈K y X1, X2, …, Xm∈Kn-{θnx1}, tales que λ1,
λ2, …, λm son autovalores de A, con λi ≠ λj, ∀ i ≠ j; i = 1, 2, …, m;
j = 1, 2, …, m. Si X1, X2, …, Xm son autovectores de A asociados a los
autovalores λ1, λ2, …, λm de A entonces X1, X2, …, Xm son L.I.
Demostración
c1•X1 + c2•X2 + … + cp•Xp + cp+1•Xp+1 = θnx1 (5)
Premultiplicando a ambos lados de (5) por A se obtiene que:
A(c1•X1 + c2•X2 + … + cp•Xp + cp+1•Xp+1) = A(θnx1)
⇒ c1•AX1 + c2•AX2 + … + cp•AXp + cp+1•AXp+1 = θnx1 (6)

Utilicemos inducción matemática. Demostremos que la proposición es cierta
para m = 2. En efecto,
Consideremos la igualdad c1•X1 + c2•X2 = θnx1 (1). Premultiplicando a ambos
lados de (1) por A se obtiene que:
Como λ1, λ2, …, λp+1 son autovalores de A con autovectores asociados
X1, X2, …, Xp+1 respectivamente se tiene que AX1 = λ1X1, AX2 = λ2X2, …,
AXp+1 = λp+1Xp+1. Sustituyendo en (6) se obtiene que:
c1λ1•X1 + c2λ2•X2 + … + cpλp•Xp + cp+1λp+1•Xp+1 = θnx1 (7)

A(c1•X1 + c2•X2) = A(θnx1) Ahora, multipliquemos a ambos lados de (5) por λp+1. Luego,
⇒ c1•AX1 + c2•AX2 = θnx1 (2)
λp+1(c1•X1 + c2•X2 + … + cp•Xp + cp+1•Xp+1) = λp+1(θnx1)
Como λ1, λ2 son autovalores de A con autovectores asociados X1, X2, ⇒ c1λp+1•X1 + c2λp+1•X2 + … + cpλp+1•Xp + cp+1λp+1•Xp+1 = θnx1 (8)
respectivamente se tiene que AX1 = λ1X1 y AX2 = λ2X2. Sustituyendo en (2) se
obtiene que: Restando a ambos lados (8) menos (7) se obtiene que :

c1λ1•X1 + c2λ2•X2 = θnx1 (3) (c1λp+1•X1 + c2λp+1•X2 + … + cpλp+1•Xp + cp+1λp+1•Xp+1) – (c1λ1•X1 + c2λ2•X2
+ … + cpλp•Xp + cp+1λp+1•Xp+1) = θnx1 – θnx1
Ahora, multipliquemos a ambos lados de (1) por λ1. Luego,
⇒ (c1λp+1 – c1λ1)•X1 + (c2λp+1 – c2λ2)•X2 + … + (cpλp+1 – cpλp)•Xp +
λ1(c1•X1 + c2•X2) = λ1(θnx1) (cp+1λp+1 – cp+1λp+1)•Xp+1 = θnx1
⇒ c1λ1•X1 + c2λ1•X2 = θnx1 (4)
⇒ c1(λp+1 – λ1)•X1 + c2(λp+1 – λ2)•X2 + … + cp(λp+1 – λp)•Xp = θnx1
Restando a ambos lados (4) menos (3) se obtiene que:
Como por hipótesis de inducción X1, X2, …, Xp son L.I. se tiene que:
(c1λ1•X1 + c2λ1•X2) – (c1λ1•X1 + c2λ2•X2) = θnx1 – θnx1
⇒ (c1λ1•X1 – c1λ1•X1) + (c2λ1•X2 – c2λ2•X2) = θnx1 c1(λp+1 – λ1) = c2(λp+1 – λ2) = … = cp(λp+1 – λp) = 0
⇒ θnx1 + (c2λ1 – c2λ2)•X2 = θnx1
⇒ c2(λ1 – λ2)•X2 = θnx1 Como λi ≠ λj, ∀ i ≠ j; i = 1, 2, …, m; j = 1, 2, …, m, se concluye que
c1 = c2 = … = cp = 0. Sustituyendo este resultado en (5) se obtiene que:
Como X2 es autovector de A entonces X2 ≠ θnx1. Además, λ1 ≠ λ2. Luego,
c2 = 0. Sustituyendo en (1) se obtiene que: 0•X1 + 0•X2 + … + 0 •Xp + cp+1•Xp+1 = θnx1
⇒ cp+1•Xp+1 = θnx1
c1•X1 + c2•X2 = θnx1
⇒ c1•X1 + 0•X2 = θnx1 Como Xp+1 es autovector de A entonces Xp+1 ≠ θnx1. Luego, cp+1 = 0. Por
⇒ c1•X1 = θnx1 consiguiente, c1 = c2 = … = cp = cp+1 = 0 y de esta forma X1, X2, …, Xp, Xp+1
son L.I.
Como X1 ≠ θnx1 se obtiene que c1 = 0. Por consiguiente, c1 = c2 = 0 y en
consecuencia X1 y X2 son L.I. Teorema 7.6.

Supongamos que la proposición se cumple para m = p, es decir, si Sean A∈Mnxn(K), λ∈K y X∈Kn-{θnx1}. Si λ es autovalor de A con autovector
X1, X2, …, Xp son autovectores de A asociados a los autovalores λ1, λ2, …, λp asociado X entonces λm es autovalor de Am con autovector asociado X;
de A entonces X1, X2, …, Xp son L.I. m∈ℵ-{0, 1}.

Demostremos que la proposición se cumple para m = p+1. En efecto,

249 250
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Demostración 7.3. RELACIÓN ENTRE LOS AUTOVALORES Y AUTOVECTORES

DE UNA MATRIZ Y SU MATRIZ TRANSPUESTA.
Utilicemos inducción matemática. Demostremos que la proposición es cierta
para m = 2. En efecto, Teorema 7.7.

Si λ es autovalor de A con autovector X entonces: Sean A∈Mnxn(K) y λ∈K. λ es autovalor de A si y sólo si λ es autovalor de At.

AX = λX Demostración
⇒ A(AX) = A(λX)
⇒ A2X = λ(AX) CN(⇒): Si λ es autovalor de A entonces λ es autovalor de At.
⇒ A2X = λ(λX)
⇒ A2X = λ2X Como λ es autovalor de A entonces por el teorema 7.3., Det(A–λIn)= 0. Luego,
⇒ λ2 es autovalor de A2 con autovector asociado X. por el teorema 3.1., apartado 2 se tiene que:

Supongamos que la proposición es cierta para m = p, es decir: Det((A–λIn)t) = 0

⇒ Det(At– (λIn)t) = 0
Si λ es autovalor de A con autovector asociado X entonces λp es autovalor de ⇒ Det(At–λ(In)t) = 0
Ap con autovector asociado X; m∈ℵ-{0, 1}. ⇒ Det(At–λIn) = 0
⇒ λ es autovalor de At
Demostremos que la proposición se cumple para m = p+1. En efecto,
CS(⇐):Si λ es autovalor de At entonces λ es autovalor de A.
Por hipótesis de inducción,
Como λ es autovalor de At entonces por el teorema 7.3., Det(At–λIn) = 0.
ApX = λpX Luego, por el teorema 3.1., apartado 2 se tiene que:
⇒ A(ApX) = A(λpX)
⇒ Ap+1X = λp(AX) Det((At–λIn)t) = 0
⇒ Ap+1X = λp(λX) ⇒ Det((At)t– (λIn)t) = 0
⇒ Ap+1X = λp+1X ⇒ Det(A–λ(In)t) = 0
⇒ λp+1 es autovalor de Ap+1 con autovector asociado X. ⇒ Det(A–λIn) = 0
⇒ λ es autovalor de A
Ejemplo 7.8.
Definición 7.6.
Sea A∈Mnxn(K) tal que A es idempotente. Determinemos los valores posibles
que pueden tomar los autovalores de A. Sea λ autovalor de A con autovector Sean A∈Mnxn(K) y λ1, λ2, …, λn∈K, tales que λ1, λ2, …, λn son los n
asociado X. Luego, autovalores de A. Se define como matriz de autovalores de A y se denota por
Dλ(A) a la matriz diagonal Dλ(A)∈Mnxn(K) definida por:
AX = λX
⇒ A(AX) = A(λX) ⎡λ1 0 L 0 ⎤
⇒ A2X = λ(AX) ⎢ ⎥
0 λ2 L 0 ⎥
⇒ AX = λ(λX) (Por ser A idempotente) D λ (A) = ⎢
⎢M M M⎥
⇒ λX = λ2X ⎢ ⎥
⇒ λX – λ2X = θnx1 ⎣⎢ 0 0 L λ n ⎦⎥
⇒ (λ – λ2)X = θnx1
⇒ (λ – λ2) = 0 (Por ser X autovector, es decir, X ≠ θnx1) Observación:
⇒ λ(1 – λ) = 0
⇒λ=0ó1–λ=0⇒λ=0óλ=1 Los valores λ1, λ2, …, λn de la diagonal principal de Dλ(A) no necesariamente
llevan un orden determinado, aunque es usual colocar primero los autovalores
positivos ordenados, luego los negativos ordenados y por último los nulos.

Ejemplo 7.9.

En el ejemplo 7.1.,

251 252
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡1 0 0⎤ ⎡λ1 0 L 0 ⎤
⎢ ⎥ ⎢ ⎥
D λ ( A ) = ⎢0 4 0 ⎥ 0 λ2 L 0 ⎥
[ X1 X 2 L Xn ] ⎢ = XDλ(A)
⎢⎣0 0 6⎥⎦ ⎢M M M⎥
⎢ ⎥
⎢⎣ 0 0 L λ n ⎥⎦
Teorema 7.8.
Luego,
Sean A∈Mnxn(K), λ, μ∈K y X, Y∈Kn-{θnx1}. Si λ es autovalor de A con
autovector asociado X y μ es autovalor de At con autovector asociado Y con λ X-1AX = Dλ(A)
≠ μ entonces X ⊥ Y.
7.4. SEMEJANZA DE MATRICES.
Demostración
Definición 7.7.
Por hipótesis,
Sean A, B∈Mnxn(K). Se dice que A es semejante a B si y sólo si:
⎧ AX = λX ⎪⎧ Y AX = Y (λX) ⎧⎪ Y t AX = λY t X ⎧⎪(Y t AX) t = (λY t X) t
t t

⎨ t ⇒⎨ t t ⇒⎨ t t ⇒⎨
⎩A Y = μY ⎪⎩X A Y = X (μY) ⎪⎩X A Y = μX Y ⎪⎩ X A Y = μX Y
t t t t t ∃ P ∈ M nxn (K ) (P no singular) : P -1AP = B

Ejemplo 7.10.
⎧⎪X t A t Y = λX t Y
⇒⎨ t t
⎪⎩X A Y = μX t Y En el ejemplo 7.4., ∃ P∈M3x3(ℜ) (P no singular) definida por:

Restando a ambos lados en las ecuaciones anteriores: ⎡ −2 1 1 ⎤

⎢ ⎥
P=⎢ 0 0 5 ⎥
XtAtY – XtAtY = λXtY – μXtY 3
⎢⎣ 1 1 2 ⎥⎦
⇒ 0 = (λ – μ)XtY

Como λ ≠ μ se tiene que XtY = 0, es decir, <X, Y> = 0. Luego, X ⊥ Y. tal que P-1AP = Dλ(A). Es decir, A es semejante a Dλ(A).

Observación: Ejemplo 7.11.

Sean A∈Mnxn(K), λ1, λ2, …, λn∈K y X1, X2, …, Xn∈Kn-{θnx1}, tales que Sea A∈M3x3(ℜ) definida por:
λ1, λ2, …, λn son los n autovalores de A, con λi ≠ λj, ∀ i ≠ j; i = 1, 2, …, n;
j = 1, 2, …, n, con autovectores asociados X1, X2, …, Xn, respectivamente. ⎡1 0 1⎤
Consideremos la matriz particionada por columnas 1xn siguiente: ⎢ ⎥
A = ⎢2 2 0⎥
⎢⎣3 1 3⎥⎦
X = [ X1 X2 L Xn ]

Como λi ≠ λj, ∀ i ≠ j; i = 1, 2, …, n; j = 1, 2, …, n entonces por el teorema 7.5. Hallaremos una matriz B semejante a la matriz A así como también la matriz P
X1, X2, …, Xn son L.I. Por lo tanto, por el teorema 4.10., la matriz X es no que define la semejanza entre dichas matrices. Apliquemos sobre A y sobre I3
singular. una operación elemental de filas. Digamos r2→r2 – 2r1:

Ahora bien, ⎡1 0 1 1 0 0 ⎤ ⎡1 0 1 1 0 0⎤
[A I ] = ⎢⎢2
3
⎥ 2 →r2 − 2 r1 ⎢
2 0 0 1 0⎥ ⎯r⎯
⎥
⎯⎯→⎢0 2 − 2 − 2 1 0⎥ = C E [ ]
AX = A[ X1 X 2 L X n ] = [ AX1 AX 2 L AX n ] ⎢3 1 3 0 0 1⎥ ⎢3 1
⎣ ⎦ ⎣ 3 0 0 1⎥⎦
= [ λ1 X1 λ 2 X 2 L λ n X n ]
La matriz E es una matriz elemental y se cumple que EA = C. Hallemos E-1
aplicando la operación elemental de filas inversa de r2→r2 – 2r1 sobre I3:

253 254
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ 1 0 0 1 0 0⎤ ⎡1 0 0 1 0 0⎤ = Det(A – λIn) = PA(λ)

[E I ] = ⎢⎢− 2
3
⎥ 2 →r2 +2 r1 ⎢
1 0 0 1 0⎥ ⎯r⎯
⎥
⎯⎯→⎢0 1 0 2 1 0⎥ = I3 E −1 [ ] 2. Traza(B) = Traza(P AP) = Traza(APP-1) = Traza(AIn) = Traza(A).
-1
⎢ 0 0 1 0 0 1⎥ ⎢0 0 1 0 0 1 ⎥
⎣ ⎦ ⎣ ⎦
3. Det(B) = Det(P-1AP) = Det(APP-1) = Det(AIn) = Det(A).
Luego,
4. Rango(B) = Rango(P-1AP) = Rango(AP) = Rango(A).
⎡1 0 1 ⎤ ⎡1 0 0 ⎤ ⎡1 0 1⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥ P-1AP = B ⇒ AP = PB. Si X∈Vλ(B) entonces BX = λX. Luego,
EA = C ⇒ EAE-1 = CE-1 = ⎢0 2 − 2⎥ ⎢2 1 0⎥ = ⎢4 2 − 2⎥ = B 5.
⎢⎣3 1 3⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣5 1 3⎥⎦
PBX = P(λX)
⇒ APX = λPX
Por consiguiente, ⇒ AY = λY; Y = PX
EAE-1 = B
Por consiguiente, Vλ(A) = {Y∈Kn: Y = PX; X∈Vλ(B)}.
⇒ (E-1)-1AE-1 = B
⇒ (P)-1AP = B; P = E-1 Ejemplo 7.12.
En consecuencia, ∃ P∈M3x3(ℜ) (P no singular): P AP = B, es decir, A es
-1
Sean A, B∈M3x3(ℜ) definidas por:
semejante a B.

Para resolver este mismo problema de una forma más fácil sólo basta definir ⎡1 4 1⎤ ⎡2 0 1⎤
⎢ ⎥ ⎢ ⎥
arbitrariamente una matriz P∈M3x3(ℜ) no singular y al hacer P-1AP se obtiene A = ⎢2 4 0⎥ y B = ⎢0 2 1⎥
la matriz B. En este caso, dicha matriz B se obtendría definiendo la matriz ⎢⎣3 1 3⎥⎦ ⎢⎣3 1 3⎥⎦
P = E-1.

Si sobre B se aplica un procedimiento análogo al aplicado sobre A se obtendrá
una matriz D semejante a B con la correspondiente matriz Q que define la
semejanza entre dichas matrices. El lector podrá comprobar fácilmente que la
matriz A también es semejante a D.
Teorema 7.9.
Determinemos si A y B son semejantes.
El teorema 7.9., plantea 5 condiciones necesarias para que A y B sean
semejantes. Aplicando la equivalencia contrarecíproca en cada una de ellas se
obtiene que si alguna de estas 5 condiciones no se cumple entonces eso es
suficiente para decir que A y B no son semejantes.

Sean A, B∈Mnxn(K). Si A es semejante a B entonces: En este caso se aprecia fácilmente que Traza(A) = 1 + 4 + 3 = 8 y
Traza(B) = 2 + 2 + 3 = 7. Luego, Traza(A) ≠ Traza(B) y por consiguiente A no
es semejante a B.
1. PA(λ) = PB(λ).
2. Traza(A) = Traza(B).
3. Det(A) = Det(B). Definición 7.8.
4. Rango(A) = Rango(B).
5. Vλ(A) = {Y∈Kn: Y = PX; X∈Vλ(B)}. Sea A∈Mnxn(K). Se dice que A es diagonalizable si y sólo si A es semejante a
su respectiva matriz de autovalores Dλ(A). En ese caso se dice que dicha
Demostración matriz de autovalores es la forma canónica de Jordan de A. Si A no es
diagonalizable entonces se dice que es una matriz defectuosa.
Por definición, PB(λ) = Det(B – λIn). Por hipótesis, ∃P∈Mnxn(K)
(P no singular): P-1AP = B. Luego, Teorema 7.10.

Sea A∈Mnxn(K). A es diagonalizable si y sólo si tiene n autovectores L.I.

1. PB(λ) = Det(B – λIn) = Det(P-1AP – λIn)
= Det(P-1AP – λP-1P)
Demostración
= Det(P-1(A – λIn)P)
= Det(P-1)Det(A – λIn)Det(P) CN(⇒): Si A es diagonalizable entonces tiene n autovectores L.I.
= Det(A – λIn)Det(P)Det(P-1)
= Det(A – λIn)Det(PP-1) Si A es diagonalizable entonces es semejante a su correspondiente forma
= Det(A – λIn)Det(In) canónica de Jordan Dλ(A), es decir,

255 256
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

∃P∈Mnxn(K) (P no singular): P-1AP = Dλ(A) ⎡ −2 1 1 ⎤

⎢ ⎥
P=⎢ 0 0 5 ⎥
Ahora bien, Dλ(A) es una matriz diagonal y como se demostró en el ejemplo 3
7.6., los vectores de la base canónica en ℜn e1, e2, …, en son los autovectores ⎢⎣ 1 1 2 ⎥⎦
de Dλ(A). Por otra parte, por el teorema 7.9., apartado 5, si Y1, Y2, …, Yn son
los autovectores de A entonces se cumple que Yi = Pei; ∀ i = 1, 2, …, n. Definición 7.9.
Veamos si los vectores Y1, Y2, …, Yn son L.I. Sean ci∈ℜ; ∀ = 1, 2, …, n, tales
que: Sean A∈Mnxn(K) y λi∈K, tales que λi es autovalor de A, ∀ i = 1, 2, …, m. Se
define como multiplicidad geométrica del autovalor λi y se denota por ki a la
c1•Y + c2•Y + … + cn•Y = θnx1
1 2 n
dimensión del autoespacio correspondiente al autovalor λi, es decir:

Luego, k i = Dim(Vλ i (A))

c1•Pe1 + c2•Pe2 + … + cn•Pen = θnx1

⇒ P(c1•e1 + c2•e2 + … + cn•en) = θnx1 Observaciones:
⇒ P-1P(c1•e1 + c2•e2 + … + cn•en) = P-1θnx1
1. Notemos que:
⇒ c1•e1 + c2•e2 + … + cn•en = θnx1
Vλ i (A) = {X ∈ K n (X ≠ θ nx1 ) : AX = λ i X}
Como e1, e2, …, en es una base de ℜn entonces es un conjunto L.I. Por
consiguiente, c1 = c2 = … = cn = 0, es decir, los vectores Y1, Y2, …, Yn son L.I. = {X ∈ K n (X ≠ θ nx1 ) : (A − λ i I n )X = θ nx1}
Por lo tanto, A tiene n autovectores L.I.
Luego, k i = Dim(Vλi (A)) = Dim( N A −λi I n ) = n (A − λ i I n )
CS(⇐): Si A tiene n autovectores L.I. entonces es diagonalizable.

Además como n (A − λ i I n ) + r (A − λ i I n ) = n entonces se cumple

Sean X1, X2, …, Xn los n autovectores L.I. de A correspondientes a los n
autovalores λ1, λ2, …, λn. Luego, AXi = λiXi; ∀ i = 1, 2, …, n. Sea P∈Mnxn(K) que n (A − λ i I n ) = n − r (A − λ i I n )
la matriz particionada por columnas 1xn definida por P = [X1 X2 … Xn].
Luego, Por lo tanto,

AP = [AX1 AX2 … AXn] k i = n (A − λ i I n ) = n − r (A − λ i I n ) = n − Rango(A − λ i I n ) .

= [λ1X1 λ2X2 … λnXn]
⎡λ1 0 L 0 ⎤ Notemos también que por definición de autovalor ki ≥ 1.
⎢ ⎥
[
= X 1
X 2
L X ⎢
n
⎢M
]
0 λ2 L 0 ⎥
M M⎥
= PDλ(A) 2. ki ≤ ri, ∀ i = 1, 2, …, m.
⎢ ⎥
⎣⎢ 0 0 L λ n ⎦⎥ Teorema 7.11.

Como X1, X2, …, Xn son L.I. entonces P es no singular. Por consiguiente,
AP = PDλ(A) ⇒ P-1AP = Dλ(A)
Esto indica que A es semejante a Dλ(A), es decir, A es diagonalizable.
Ejemplo 7.13.
En el ejemplo 7.10., se observó como la matriz A del ejemplo 7.4., resultó ser
semejante a su correspondiente matriz de autovalores Dλ(A), es decir, resultó
ser diagonalizable. Veamos ahora otra forma de apreciar esta situación. En ese
caso, E(A) = {1, 4, 6}. Como A∈M3x3(ℜ) y tiene 3 autovalores distintos
entonces por el teorema 7.5., A tiene 3 autovectores L.I. Por ello, A es
diagonalizable y además la matriz P que la diagonaliza es:
Sean A∈Mnxn(K) y λi∈K; ∀ i = 1, 2, …, m tales que son autovalores de A. A
es diagonalizable si y sólo si ri = ki, ∀ i = 1, 2, …, m.
Demostración
CN(⇒): Si A es diagonalizable entonces ri = ki, ∀ i = 1, 2, …, m.
Por hipótesis, A es diagonalizable, es decir, A es semejante a su
correspondiente forma canónica de Jordan Dλ(A). Por consiguiente,
∃P∈Mnxn(K) (P no singular): P-1AP = Dλ(A)
⇒ ∃P∈Mnxn(K) (P no singular): P-1AP – λiIn = Dλ(A) – λiIn
⇒ ∃P∈Mnxn(K) (P no singular): P-1AP – λiP-1P = Dλ(A) – λiIn

257 258
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⇒ ∃P∈Mnxn(K) (P no singular): P-1(A – λiIn)P = Dλ(A) – λiIn serían L.I., lo cual es imposible debido a que Y1 + Y2 + … Ym = θnx1. En
⇒ Rango(P-1(A – λiIn)P) = Rango(Dλ(A) – λiIn) consecuencia, Yi = θnx1, ∀ i = 1, 2, …, m, es decir:

Ahora bien, ki
Yi = ∑c ij • X ij = θ nx1 ; ∀ i = 1, 2, …, m.
El autovalor λi aparece ri veces en la diagonal principal de Dλ(A) por lo cual la j=1

matriz diagonal Dλ(A) – λiIn tiene n – ri filas no nulas. Luego,

Como los conjuntos {X 11
}
, X12 , ..., X1k1 , {X 21
}
, X 22 , ..., X 2k 2 , …,
Rango(Dλ(A) – λiIn) = n – ri
{X m1 m2
, X , ..., X mk m
} son L.I. entonces se cumple que:
Por consiguiente,
c11 = c12 = ... = c1k1 = 0
Rango(P-1(A – λiIn)P) = n – ri
c 21 = c 22 = ... = c 2 k 2 = 0
⇒ Rango((A – λiIn)P) = n – ri
⇒ Rango(A – λiIn) = n – ri M
⇒ ri = n – Rango(A – λiIn) c m1 = c m 2 = ... = c mk m = 0
⇒ ri = ki

CS (⇐) : Si ri = ki, ∀ i = 1, 2, …, m, entonces A es diagonalizable. Por consiguiente, los n autovectores de A son L.I. y por el teorema 7.10., A es
diagonalizable.
Si ri = ki, ∀ i = 1, 2, …, m, entonces el autovalor λi de A tiene asociados
m m
Ejemplo 7.14.
exactamente ki autovectores L.I., con ∑k = ∑r = n .
i =1
i
i =1
i Supongamos que
En el ejemplo 7.5.,
dichos autovectores son los siguientes:
⎡ 0 −18 −7 ⎤
{
Para λ1: X11 , X12 , ..., X1k1 } ⎢
A = ⎢ 1 − 12 − 4⎥
⎥

Para λ : {X
2
21
, X 22 , ..., X 2k 2 } ⎢⎣ − 1 25 9⎥⎦

M λ1 = -1 es autovalor de A con r1 = 3, es decir, E(A) = {-1}

{
Para λm: X m1 , X m2 , ..., X mk m }
Determinemos la multiplicidad geométrica de λ1 = -1. Esto se puede hacer de 2
Veamos si estos n vectores son L.I. Sean cij∈K; i = 1, 2, …, m; j = 1, 2, …, ki maneras. Veamos la primera:
tales que:
k1 = 3 – Rango(A – (-1)I3) = 3 – Rango(A + I3). Hallemos ahora la matriz
k1 k2 km escalonada reducida por filas de A + I3 para determinar su Rango:
∑c
j=1
1j
1j
•X + ∑c
j=1
2j
2j
• X + ... + ∑c j=1
mj •X mj
= θ nx1 (9)
⎡ 0 −18 −7 ⎤ ⎡1 0 0⎤ ⎡ 1 −18 −7 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
ki A + I3 = ⎢ 1 − 12 − 4⎥ + ⎢0 1 0⎥ = ⎢ 1 − 11 − 4⎥
Sea Y i = ∑c
j=1
ij • X ij ; ∀ i = 1, 2, …, m. (10) ⎢⎣ − 1 25 9⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣ − 1 25 10⎥⎦

⎡ 1 −18 −7 ⎤ r2 →r2 − r1 ⎡1 −18 −7 ⎤ 1 ⎡1 −18 −7 ⎤

⎢ ⎥ 3 →r3 + r1 ⎢ ⎥ r2 → 7 r2 ⎢ 3 ⎥
Sustituyendo (10) en (9) se obtiene que: ⎢ 1 − 11 − 4 ⎥ ⎯r⎯ ⎯⎯→ ⎢0 7 3 ⎥ ⎯⎯ ⎯ ⎯→ ⎢0 1
7⎥
⎢⎣ − 1 25 10⎥⎦ ⎢⎣0 7 3 ⎥⎦ ⎢⎣0 7 3 ⎥⎦
Y1 + Y2 + … Ym = θnx1
⎡1 −18 −7 ⎤ ⎡1 0 −7 ⎤
Ahora bien, Yi es una combinación lineal de autovectores asociados al 3 → r3 − 7 r2 ⎢ 3 ⎥ ⎯r⎯
1 → r1 +18 r2 ⎢ 5 ⎥=R
⎯r⎯ ⎯⎯→⎢0 1 ⎯ ⎯ → ⎢0 1
autovalor λi. En consecuencia, Yi es también un autovector asociado al 7⎥ 7⎥
⎢⎣0 0 0 ⎥⎦ ⎢⎣0 0 0 ⎥⎦
autovalor λi o en su defecto Yi = θnx1. Pero Yi no puede ser considerado
autovector asociado al autovalor λi ya que de serlo entonces los vectores Y1,
Y2, …, Ym serían autovectores asociados a autovalores diferentes, es decir, Luego, Rango(A + I3) = 2. Por lo tanto, k1 = 3 – 2 = 1.

259 260
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Pero, r1 = 3 ≠ k1 = 1. Por consiguiente, A no es diagonalizable. tienen los mismos autovalores por lo cual tienen idénticas formas canónicas de
Jordan. Luego,
La otra forma de hallar k1 es con la dimensión de V-1(A). Como:
∃ P, Q∈Mnxn(ℜ) (P, Q no singulares): P-1AP = Dλ(A), Q-1BQ = Dλ(B) y
⎧ ⎡− 5 ⎤ ⎫ Dλ(A) = Dλ(B)
⎪ ⎢ 7⎥ ⎪
⎪ ⎪
V−1 (A) = ⎨X ∈ ℜ3 : X = a ⎢− 3 ⎥; a ∈ ℜ* ⎬ Por consiguiente,
⎢ 7⎥
⎪ ⎪
⎢ 1⎥
⎩⎪ ⎣ ⎦ ⎭⎪ P-1AP = Q-1BQ
⇒ QP APQ-1 = QQ-1BQQ-1
-1

Entonces k1 = Dim(V-1(A)) = 1 y como r1 = 3 ≠ k1 = 1 entonces A no es ⇒ (PQ-1)-1A(PQ-1) = B

diagonalizable, es decir, A es una matriz defectuosa.
En este caso resulta más fácil hallar k1 con la dimensión de V-1(A) porque ya
se tiene calculado dicho autoespacio. Si no se tuviese calculado este conjunto
resulta más expedito hallar k1 con n – Rango(A – λ1I3), para luego determinar
si A es diagonalizable.
⇒ ∃ R∈Mnxn(ℜ) (R no singular): R-1AR = B; R = PQ-1
⇒ A es semejante a B
Hallemos ahora las matrices P y Q para luego hallar la matriz R. Las matrices
P y Q son aquellas cuyas columnas son los autovectores asociados a los
autovalores de A y B, respectivamente.

Ejemplo 7.15. Se puede verificar que los autoespacios asociados a los autovalores de A son:

Sean A, B∈M3x3(ℜ) definidas por: ⎧ ⎡1⎤ ⎫ ⎧ ⎡0 ⎤ ⎫

⎪ ⎢ ⎥ ⎪ ⎪ ⎢ ⎥ ⎪
V3 (A) = ⎨X ∈ ℜ3 : X = a ⎢0⎥; a ∈ ℜ* ⎬ ; V5 (A) = ⎨X ∈ ℜ3 : X = b ⎢1⎥; a ∈ ℜ* ⎬
⎡ 3 0 3⎤ ⎡ 3 0 0⎤ ⎪ ⎪ ⎪ ⎪
⎢ ⎥ ⎢ ⎥ ⎢⎣0⎥⎦ ⎢⎣0⎥⎦
A = ⎢0 5 0 ⎥ y B = ⎢ 2 5 0 ⎥ ⎩ ⎭ ⎩ ⎭
⎢⎣0 0 6⎥⎦ ⎢⎣4 1 6⎥⎦ ⎧ ⎡1⎤ ⎫
⎪ ⎢ ⎥ ⎪
V6 (A) = ⎨X ∈ ℜ3 : X = c ⎢0⎥; a ∈ ℜ* ⎬
⎪ ⎪
Determinemos si A y B son semejantes.
⎩ ⎣⎢1⎦⎥ ⎭
Al igual que en el ejemplo 7.12., veamos si alguna de las 5 condiciones
necesarias no se cumple para poder concluir que A y B no son semejantes: Luego,

1. Como A es triangular superior entonces sus autovalores son los ⎡1 0 1⎤

elementos de la diagonal principal, es decir, λ1 = 3, λ2 = 5 y λ3 = 6. ⎢ ⎥
P = ⎢0 1 0 ⎥
Como B es triangular inferior entonces sus autovalores son los ⎢⎣0 0 1⎥⎦
elementos de la diagonal principal, es decir, λ1 = 3, λ2 = 5 y λ3 = 6.
Luego A y B tienen los mismos autovalores y por lo tanto
PA(λ) = PB(λ). Igualmente se puede verificar que los autoespacios asociados a los autovalores
2. Traza(A) = 3 + 5 + 6 = 14 y Traza(B) = 3 + 5 + 6 = 14. Por de B son:
consiguiente, Traza(A) = Traza(B).
3. Det(A) = 3.5.6 = 90 y Det(B) = 3.5.6 = 90. En consecuencia, ⎧ ⎡0 ⎤ ⎫ ⎧ ⎡ 0⎤ ⎫
Det(A) = Det(B). ⎪ ⎢ ⎥ ⎪ ⎪ ⎢ ⎥ ⎪
V3 (B) = ⎨X ∈ ℜ3 : X = a ⎢0⎥; a ∈ ℜ* ⎬ ; V5 (B) = ⎨X ∈ ℜ3 : X = b ⎢ 1⎥; a ∈ ℜ* ⎬
4. Como A y B tienen todos sus autovalores no nulos
⎪ ⎢⎣1⎥⎦ ⎪ ⎪ ⎢⎣ − 1 ⎥⎦ ⎪
Rango(A) = Rango(B) = 3. ⎩ ⎭ ⎩ ⎭

La quinta condición relaciona los autovectores, cuyo cálculo es muy laborioso ⎧ ⎡ 1⎤ ⎫

⎪ ⎢ ⎥ ⎪
pero con verificar que las 4 primeras se cumplen pareciera que la quinta V6 (B) = ⎨X ∈ ℜ3 : X = c ⎢ − 1⎥; a ∈ ℜ* ⎬
también se cumple. No obstante, estas 5 condiciones son necesarias y no ⎪ ⎢⎣ − 1⎥⎦ ⎪
suficientes para decir que A y B son semejantes. ⎩ ⎭

Ahora bien, A y B tienen 3 autovalores distintos. Luego, tienen 3 autovectores Por lo tanto,
L.I. y por el teorema 4.10., ambas son diagonalizables. Por otra parte, A y B

261 262
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡0 0 1⎤ semejante a B. Como alternativa utilizaremos un procedimiento similar al del

⎢ ⎥ ejemplo 7.11., sólo que en este caso no tenemos que hallar una matriz B
Q = ⎢0 1 − 1⎥ semejante a la matriz A porque la tenemos sino que debemos deducir las
⎢⎣1 − 1 − 1⎥⎦ operaciones elementales de filas apropiadas para obtener la matriz P que define
la semejanza entre A y B.
Se puede verificar que:
⎡1 3 2 1 0 0⎤ ⎡2 6 4 2 0 0⎤
⎡2 1 1⎤ [ ] ⎢ ⎥ r1 → 2 r1 ⎢
A I 3 = ⎢0 1 3 0 1 0⎥ ⎯⎯⎯→⎢0 1 3 0 1 0⎥
⎥
⎢ ⎥ ⎢0 0 1 0 0 1 ⎥ ⎢0 0 1 0 0 1 ⎥
Q −1 = ⎢1 1 0⎥ ⎣ ⎦ ⎣ ⎦
⎢⎣1 0 0⎥⎦
⎡2 0 − 14 2 − 6 0⎤

En consecuencia:
1 → r1 − 6 r2
⎯r⎯ ⎯⎯→⎢0 1
⎢
3 0
⎥
[ ]
1 0⎥ = C E
⎢0 0 1 0 0 1⎥⎦
⎣
⎡1 0 1⎤ ⎡2 1 1⎤ ⎡3 1 1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ Luego,
PQ-1 = ⎢0 1 0⎥ ⎢1 1 0⎥ = ⎢1 1 0⎥ = R
⎢⎣0 0 1⎥⎦ ⎢⎣1 0 0⎥⎦ ⎢⎣1 0 0⎥⎦ EA = C

Se puede verificar que:

Ejemplo 7.16.
⎡1 3 0⎤
Sean A, B∈M3x3(ℜ) definidas por: ⎢ 2 ⎥
E −1 = ⎢ 0 1 0⎥
⎢ 0 0 1⎥
⎡1 3 2⎤ ⎡1 6 −14⎤ ⎣⎢ ⎥⎦
⎢ ⎥ ⎢ ⎥
A = ⎢0 1 3 ⎥ y B = ⎢0 1 3⎥
⎢⎣0 0 1⎥⎦ ⎢⎣0 0 1 ⎥⎦ Por consiguiente,

Determinemos si A y B son semejantes. ⎡2 0 − 14⎤ ⎡ 1 2 3 0⎤ ⎡1 6 − 14⎤

⎢ ⎥⎢ ⎥ ⎢ ⎥
EA = C ⇒ EAE-1 = CE-1 = ⎢0 1 3 ⎥ ⎢ 0 1 0 ⎥ = ⎢0 1 3⎥ =B
Se puede verificar fácilmente que al igual que en el ejemplo anterior se ⎢ ⎥
⎢⎣0 0 1 ⎥⎦ ⎢ 0 0 1⎥ ⎢⎣0 0 1 ⎥⎦
cumplen las 5 condiciones necesarias pero no suficientes para que A y B sean ⎣ ⎦
semejantes. Siguiendo el mismo procedimiento, observamos que A y B tienen
los mismos autovalores (λ1 = 1 con r1 = 3) lo que indica que sólo basta saber Por lo tanto,
si son diagonalizables. Analicemos en este contexto a la matriz A:
EAE-1 = B ⇒ (E-1)-1A(E-1) = B ⇒ P-1AP = B; P = E-1
k1 = 3 – Rango(A – 1.I3) = 3 – Rango(A – I3). Hallemos la matriz escalonada
reducida por filas de A – I3 para determinar su Rango: En consecuencia, A es semejante a B y la matriz que define la semejanza entre
A y B es:
⎡1 3 2⎤ ⎡1 0 0⎤ ⎡0 3 2⎤ ⎡0 1 2 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ r1 → 3 r1 ⎢
1 3⎥
A − I3 = ⎢0 1 3⎥ − ⎢0 1 0⎥ = ⎢0 0 3⎥ ⎯⎯⎯→ ⎢0 0 3 ⎥ ⎡1 3 0⎤
⎢0 0 0 ⎥ ⎢ 2 ⎥
⎢⎣0 0 1 ⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣0 0 0⎥⎦ P = ⎢ 0 1 0⎥
⎣⎢ ⎦⎥ ⎢ 0 0 1⎥
⎡0 1 2 ⎤ ⎣⎢ ⎥⎦
3 ⎥ r1 →r1 − 2 r2 ⎡⎢
0 1 0⎤
⎢ 1
r2 → r2 ⎥
⎯⎯⎯
⎯→ ⎢0 0 1 ⎥ ⎯⎯ ⎯3⎯→⎢0 0 1⎥
3
Teorema 7.12.
⎢0 0 0 ⎥
⎣⎢ ⎥⎦ ⎣⎢0 0 0⎦⎥
Sea V un espacio vectorial finito dimensional sobre K con Dim(V) = n y
B1 = {α1, α2, …, αn} y B2 = {β1, β2, …, βn} bases de V. Sea T: V→V una T.L.
Luego, Rango(A – I3) = 2 y k1 = 3 – Rango(A – I3) = 3 – 2 = 1 ≠ r1 = 3. Por
Entonces se cumple que [T ]B11 y [T ]B22 son semejantes.
B B
consiguiente, A no es diagonalizable, lo cual significa que no se puede utilizar
el procedimiento seguido en el ejemplo anterior para determinar si A es

263 264
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Demostración Ejemplo 7.17.

Por hipótesis: ⎡ x ⎤ ⎡ x − 2 y⎤
Sean T: ℜ2→ℜ2 una T.L. definida por T( ⎢ ⎥ ) = ⎢ ⎥,
⎣ y ⎦ ⎣2x + y⎦
[T(α)]B = [T] [α]B B1
B1 (11)
1 1
⎡ 1⎤ ⎡ 2⎤ ⎡2⎤ ⎡0 ⎤
[T(α)]B = [T]BB [α]B 2
2
2 2
(12) B1 = { α1 = ⎢ ⎥ , α 2 = ⎢ ⎥ } y B2 = { β1 = ⎢ ⎥ , β 2 = ⎢ ⎥ }. Determinemos las
−
⎣ ⎦1 1
⎣ ⎦ 0
⎣ ⎦ ⎣ 3⎦
matrices [T ]B11 y [T ]B22 así como también la matriz de transición de B1 a B2
B B

Sea [α ]B12 la matriz de transición de B1 a B2. Luego, por el teorema 6.11., se

B

tiene que:
[α]BB1
2
que define la semejanza entre [T ]B11 y [T ]B22 .
B B

[α]B = [α]BB [α ]B 2
(13)
[T ]BB
1
1
:
2 1 1

⎡a ⎤ ⎡ 1⎤ ⎡2⎤ ⎡ c1 ⎤ ⎡2c 2 ⎤ ⎡ c1 + 2c 2 ⎤
Por otra parte, también por el teorema 6.11., se tiene que: ⎢ ⎥ = c1 • α1 + c 2 • α 2 = c1 • ⎢ ⎥ + c 2 ⎢ ⎥ = ⎢ ⎥+⎢ ⎥ = ⎢ ⎥
⎣b⎦ ⎣ − 1⎦ ⎣1 ⎦ ⎣ − c1 ⎦ ⎣ c 2 ⎦ ⎣− c1 + c 2 ⎦
[T(α)]B = [α]BB [T(α)]B 2
2
1 1
(14) ⇒ a = c1 + 2c2 ⇒ c1 = a – 2c2.
⇒ b = –c1 + c2 ⇒ b = –(a – 2c2) + c2 ⇒ b = –a + 2c2 + c2 ⇒ b = –a + 3c2
Sustituyendo (13) y (14) en (12) se obtiene que: ⇒ b + a = 3c2 ⇒ c2 = (a + b)/3
⇒ c1 = a – 2(a + b)/3 ⇒ c1 = (3a – 2a – 2b)/3 ⇒ c1 = (a – 2b)/3
[α]BB [T(α)]B = [T ]B22 [α ]B12 [α ]B1
2 B B
1 1
⎡ ⎡a ⎤ ⎤ ⎡( a − 2 b ) ⎤
⇒ ⎢⎢ ⎥ ⎥ = ⎢ 3⎥
⎢ (a + b ) ⎥
Ahora bien, por el teorema 6.12., la matriz [α ]B12 es no singular. Por lo tanto, ⎣⎢ ⎣b ⎦ ⎦⎥ B1 ⎣⎢
B
3 ⎦⎥

( [α ]B12 )-1 [α ]B12 [T (α)]B1 = ( [α ]B12 )-1 [T ]B22 [α ]B12 [α ]B1

B B B B B
⎡ 1⎤ ⎡1 − 2.(−1) ⎤ ⎡3⎤
T(α1 ) = T( ⎢ ⎥ ) = ⎢ ⎥=⎢ ⎥
⇒ [T (α)]B1 = ( [α ]
B 2 -1
B1 ) [T] [α] [α ]B
B2
B2
B2
B1 (15) ⎣ − 1⎦ ⎣2.1 + (−1)⎦ ⎣1⎦
1
⎡2⎤ ⎡2 − 2.(1)⎤ ⎡0⎤
T (α 2 ) = T ( ⎢ ⎥ ) = ⎢ ⎥=⎢ ⎥
Igualando (11) y (15) se obtiene que: ⎣1 ⎦ ⎣2.2 + (1)⎦ ⎣5⎦
⎡1 ⎤
[T]BB [α]B = ( [α]BB )-1 [T]BB [α]BB [α ]B
1 2 2 2
[T(α1 )]B1 = ⎡⎢(3 − 2.1) / 3⎤⎥ = ⎢ 4 3 ⎥
+ ⎦ ⎢⎣ 3 ⎥⎦
1 1 1 2 1 1
⎣ (3 1) / 3
⇒ [T ]B [α ]B – ( [α ]B )-1 [T ]B [α ]B [α ]B = θnx1
B 1 B B B 2 2 2
1 1 1 2 1 1

⇒ ( [T ]B – ( [α ]B )-1 [T ]B [α ]B ) [α ]B = θnx1 ⎡(0 − 2.5) / 3⎤ ⎡− 10 3 ⎤

[T(α 2 )]B
B B B B
⎥=⎢ ⎥
1 2 2 2
1 1 2 1 1 =⎢
⎣ (0 + 5) / 3 ⎦ ⎢⎣ 5 3 ⎥⎦
1

Como [α]B ≠ θnx1 entonces ( [T ]BB – ( [α]BB )-1 [T]BB [α]BB ) = θnxn. Luego,
1
1
1
2
1
2
2
2
1

Luego,
[T ]BB 1
1
= ( [α ]B12 )-1 [T ]B22 [α ]B12
B B B

⇒ ∃P∈Mnxn(K) (P no singular) (P = [α ]B12 ): P-1 [T ]B22 P = [T ]B11 ⎡1 − 10 ⎤

B B B

[T ]BB
1
=⎢ 3 3⎥
5 ⎥
1
⎢4
⎣ 3 3⎦
En consecuencia, [T ]B11 y [T ]B22 son semejantes.
B B

[T]BB 2
2
:

⎡a ⎤ ⎡2⎤ ⎡0⎤ ⎡2c1 ⎤ ⎡ 0 ⎤ ⎡ 2c1 ⎤

⎢ ⎥ = c1 • β1 + c 2 • β 2 = c1 • ⎢ ⎥ + c 2 ⎢ ⎥ = ⎢ ⎥ + ⎢ ⎥ = ⎢ ⎥
⎣b⎦ ⎣0 ⎦ ⎣3⎦ ⎣ 0 ⎦ ⎣3c 2 ⎦ ⎣3c 2 ⎦

265 266
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⇒ a = 2c1 ⇒ c1 = a/2 Teorema 7.13. (Lema de Issai Schur)

b = 3c2 ⇒ c2 = b/3
Sea A∈Mnxn(K). Entonces se cumple que A es semejante a una matriz
⎡a ⎤ triangular Tλ(A)∈Mnxn(K) que tiene en la diagonal principal los autovalores de
⎡⎡a ⎤ ⎤
⇒ ⎢⎢ ⎥ ⎥ = ⎢ 2⎥ A.
⎣⎢ ⎣b⎦ ⎦⎥ B2 ⎢b ⎥
⎣ 3⎦
Demostración

⎡2⎤ ⎡2 − 2.(0)⎤ ⎡2⎤ Sean λ1, λ2, …, λn los autovalores de A y sea X1 el autovector correspondiente
T (β1 ) = T ( ⎢ ⎥ ) = ⎢ ⎥=⎢ ⎥
⎣0⎦ ⎣2.2 + (0)⎦ ⎣4⎦ al autovalor λ1. Luego, se cumple que AX1 = λ1X1.
⎡0⎤ ⎡0 − 2.(3) ⎤ ⎡−6 ⎤
T (β 2 ) = T( ⎢ ⎥ ) = ⎢ ⎥=⎢ ⎥ Procederemos ahora a construir una matriz P1∈Mnxn(K) no singular tal que:
⎣3⎦ ⎣ 2.0 + (3)⎦ ⎣ 3⎦
⎡(2) / 2⎤ ⎡ 1 ⎤ P1 = [ X1 b 2 L b n ] = [ X1 B1 ]
[T(β1 )]B =⎢ ⎥ = ⎢4 ⎥
⎣ (4) / 3⎦ ⎣⎢ 3 ⎦⎥
2

Donde B1∈Mnx(n-1)(K). Luego,

⎡(−6) / 2⎤ ⎡−3⎤
[T(β2 )]B =⎢ ⎥=⎢ ⎥ P1−1P1 = [ P1−1X1 P1−1B1 ] = In = [e1 e2 … en]
⎣ (3) / 3 ⎦ ⎣ 1⎦
2

⇒ P1−1X1 = e1 (16)
Luego,
Pero,
⎡1 −3⎤
[T]B2
B2 = ⎢4 ⎥
1⎥ AP1 = [ AX1 AB1 ] = [ λ1X1 AB1 ]
⎣⎢ 3 ⎦

La matriz de transición de B1 a B2 se determina de la siguiente forma: Premultiplicando por P1−1 se obtiene que:

⎡ 1⎤ ⎡2⎤ ⎡0⎤ ⎡2c ⎤ ⎡ 0 ⎤ ⎡2c11 ⎤ P1−1AP1 = [ λ1P1−1X1 P1−1AB1 ]

α1 = c11 • β1 + c 21 • β 2 ⇒ ⎢ ⎥ = c11 • ⎢ ⎥ + c 21 • ⎢ ⎥ = ⎢ 11 ⎥ + ⎢ ⎥=⎢ ⎥
⎣ − 1⎦ ⎣0 ⎦ ⎣3⎦ ⎣ 0 ⎦ ⎣3c 21 ⎦ ⎣3c 21 ⎦
En consecuencia, por (16) se tiene que:
1 = 2c11 ⇒ c11 = 1/2
–1 = 3c21 ⇒ c21 = –1/3
P1−1AP1 = [ λ1e1 P1−1AB1 ]
⎡2⎤ ⎡ 2⎤ ⎡0⎤ ⎡2c ⎤ ⎡ 0 ⎤ ⎡2c12 ⎤
α 2 = c12 • β1 + c 22 • β 2 ⇒ ⎢ ⎥ = c12 • ⎢ ⎥ + c 22 • ⎢ ⎥ = ⎢ 12 ⎥ + ⎢ ⎥=⎢ ⎥
1
⎣ ⎦ 0
⎣ ⎦ ⎣3⎦ ⎣ 0 ⎦ ⎣3c 22 ⎦ ⎣3c 22 ⎦ Es decir,
2 = 2c12 ⇒ c12 = 1
1 = 3c22 ⇒ c22 = 1/3 ⎡λ1 C1 ⎤
⎢ ⎥
0
Luego, P1−1AP1 = ⎢ ⎥ ; donde C ∈M
1x(n-1)(K), A1∈M(n-1)x(n-1)(K)
⎢ M A1 ⎥ 1

⎢ ⎥
⎡ 1 1⎤ ⎣⎢ 0 ⎦⎥
[α]BB 2
=⎢ 2 ⎥
1
⎢− 1 1 ⎥
⎣ 3 3⎦
Luego, A es semejante a P1−1AP1 . Por lo tanto, tienen los mismos autovalores y
en consecuencia A1 tiene como autovalores λ2, …, λn, es decir, los restantes
Se puede verificar fácilmente que [T ]B11 y [T ]B22 son semejantes y que la
B B
autovalores de A.
matriz no singular que define la semejanza entre dichas matrices es [α ]B12 , es
B
De forma análoga a la matriz P1 procederemos ahora a construir una matriz
decir, se cumple que: P2∈M(n-1)x(n-1)(K) no singular tal que:

( [α ]B12 )-1 [T ]B22 [α ]B12 = [T ]B11

B B B B
P2 = [ X 2 B2 ]

267 268
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Donde B2∈M(n-1)x(n-2)(K) y X2 es el autovector de A1 asociado al autovalor λ2. n

Análogamente al caso anterior, A1 es semejante a la matriz: 1. Traza (A) = ∑λ i =1

i .

n
⎡λ 2 C 2 ⎤
⎢ ⎥
2. Det (A) = ∏λ i .
0 i =1
P2−1A1P2 = ⎢ ⎥ ; donde C ∈M
1x(n-2)(K), A2∈M(n-2)x(n-2)(K)
⎢ M A2 ⎥ 2

⎢ ⎥ Demostración
⎣⎢ 0 ⎦⎥
Por el teorema 7.13., A es semejante a la matriz Tλ(A). Luego, por el teorema
Sea Q2∈Mnxn(K) una matriz no singular definida por: 7.9., apartados 2 y 3, la definición 1.19., y el teorema 3.1., apartado 19 se tiene
que:
⎡ 1 θ1x ( n −1) ⎤
Q2 = ⎢ ⎥ n
θ
⎣⎢ ( n −1) x1 P2 ⎦⎥ 1. Traza (A) = Traza (Tλ (A)) = ∑λ
i =1
i .

n
Luego,
2. Det (A ) = Det (Tλ (A )) = ∏λ
i =1
i .
⎡ λ1 0 C3 ⎤
⎢ ⎥
Q 2−1 (P1−1AP1 )Q 2 = ⎢ 0 λ 2 ⎥ ; donde C3∈M2x(n-2)(K), A2∈M(n-2)x(n-2)(K) 7.5. AUTOVALORES Y AUTOVECTORES DE MATRICES
⎢θ ( n − 2 ) x 2 A 2 ⎥ SIMÉTRICAS.
⎣ ⎦
Teorema 7.15.
Al repetir este proceso n–1 veces se obtiene una matriz no singular P∈Mnxn(K)
definida por: Sea A∈Mnxn(ℜ). Si A es simétrica entonces todos sus autovalores son números
reales y sus autoespacios correspondientes están definidos por vectores reales.
⎡ 1 θ1x ( n −1) ⎤ ⎡ I 2 θ 2 x ( n − 2) ⎤ ⎡ I n − 2 θ(n −2) x 2 ⎤
P = P1 ⎢ ⎥⎢ ⎥L⎢ ⎥ Demostración
⎣⎢θ ( n −1) x1 P2 ⎦⎥ ⎣⎢θ ( n − 2) x 2 P3 ⎦⎥ ⎣⎢θ 2 x ( n − 2 ) Pn −1 ⎦⎥
Sea λ autovalor de A con autovector asociado X. Luego,
Donde Pn-1∈M2x2(K) es la matriz no singular obtenida en la (n–1)-ésima etapa,
tal que: AX = λX (17)

⎡λ C ⎤ Tomando conjugada a ambos lados de (17) se obtiene que:

Pn−−11A n − 2 Pn −1 = ⎢ n −1 n −1 ⎥ ; donde Cn-1∈M1x1(K)
⎣⎢ 0 λ n ⎦⎥
AX = λX
Esta matriz P construida anteriormente es tal que:
La conjugada del producto de 2 matrices es el producto de las conjugadas de
las matrices. Por lo tanto,
⎡λ1 C12 L C1n ⎤
⎢ ⎥
0 λ 2 L C2n ⎥ AX=λX
P −1AP = ⎢ = Tλ(A)
⎢M M M ⎥
⎢ ⎥
⎣⎢ 0 0 L λ n ⎥⎦ Por otra parte, como A∈Mnxn(ℜ) entonces:

En consecuencia, A es semejante a la matriz triangular Tλ(A) que tiene en la AX = λ X (18)

diagonal principal los autovalores de A.
t
Premultiplicando a ambos lados de (17) por X y a ambos lados de (18) por Xt
Teorema 7.14. se obtiene que:
Sean A∈Mnxn(K) y λ1, λ2, …, λn∈K. Si λ1, λ2, …, λn son los autovalores de A t t t
entonces: X AX = X (λX) = λ X X (19)

269 270
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

X t A X = X t (λ X) = λX t X (20) Restando a ambos lados en las ecuaciones anteriores:

XtAY – XtAY = λXtY – μXtY

Tomando transpuesta a ambos lados de (19) se obtiene que:
⇒ 0 = (λ – μ)XtY
t t
(X AX) t = (λ X X) t ⇒ X t A t X = λX t X Como λ ≠ μ se tiene que XtY = 0, es decir, <X, Y> = 0. Luego, X ⊥ Y.

Como A es simétrica entonces: Teorema 7.17.

Sea A∈Mnxn(K). Si A es simétrica entonces A es diagonalizable.

X t A X = λX t X (21)
Demostración
Igualando (20) y (21) se obtiene que:
Por el teorema 7.13., A es semejante a una matriz triangular Tλ(A) que tiene en
λX t X = λX t X la diagonal principal los autovalores de A, es decir:
⇒ λX t X − λX t X = 0
∃P∈Mnxn(ℜ) (P no singular): P-1AP = Tλ(A)
⇒ (λ − λ ) X t X = 0
De forma análoga a como se construyó esta matriz P no singular se puede
construir una matriz Q ortogonal tal que Q-1AQ = Tλ(A). Como Q es ortogonal
Como X es autovector entonces X≠θnx1 y X ≠ θ nx1 . Por consiguiente,
entonces Q-1 = Qt de manera que QtAQ = Tλ(A). Supongamos que Tλ(A) es una
matriz triangular superior. Denotemos dicha matriz por TSλ(A). Luego,
(λ − λ ) = 0
QtAQ = TSλ(A) (22)
⇒λ=λ
⇒ (QtAQ)t = (TSλ(A))t
⇒ λ ∈ℜ ⇒ QtAtQ = (TSλ(A))t

Ahora bien, A∈Mnxn(ℜ) y λ∈ℜ. Luego, (A–λIn)∈Mnxn(ℜ). Por lo tanto, las
soluciones del SEL homogéneo (A–λIn)X = θnx1 serán vectores X∈Mnx1(ℜ). En
consecuencia, Vλ(A) está definido por vectores reales.
Teorema 7.16.
Como TSλ(A) es una matriz triangular superior que tiene en la diagonal
principal los autovalores de A entonces (TSλ(A))t es una matriz triangular
inferior que tiene en la diagonal principal los autovalores de A. Denotemos
dicha matriz por TIλ(A), es decir, TIλ(A) = (TSλ(A))t. Además A es simétrica,
es decir, At = A. Luego,

Sean A∈Mnxn(ℜ), λ, μ∈K y X, Y∈Kn-{θnx1}. Si λ es autovalor de A con QtAQ = TIλ(A) (23)

autovector asociado X, μ es autovalor de A con autovector asociado Y con
λ ≠ μ y A es simétrica entonces X ⊥ Y. Por (22) y (23) se tiene que TSλ(A) = TIλ(A). La única forma de que esto
pueda ocurrir es que TSλ(A) = TIλ(A) = Dλ(A). Por lo tanto,
Demostración
QtAQ = Dλ(A)
Por hipótesis,
Es decir, A es diagonalizable.
⎧AX = λX ⎧⎪Y t AX = Y t (λX) ⎧⎪Y t AX = λY t X ⎧⎪(Y t AX) t = (λY t X) t
⎨ ⇒⎨ t ⇒⎨ t ⇒⎨ Observaciones:
⎩AY = μY ⎪⎩X AY = X (μY) ⎪⎩X AY = μX Y ⎪⎩ X AY = μX Y
t t t t

⎧⎪X t A t Y = λX t Y 1. Como la matriz Q además de ser no singular es ortogonal se dice

⇒⎨ t que toda matriz simétrica es diagonalizable ortogonalmente.
⎪⎩ X AY = μX t Y
Además se cumple que si una matriz A es diagonalizable
ortogonalmente entonces A es simétrica.
Como A es simétrica se tiene que: 2. Toda matriz simétrica por ser diagonalizable tiene n autovectores
L.I.
⎧⎪X t AY = λX t Y
⎨ t
⎪⎩X AY = μX t Y

271 272
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

Ejemplo 7.18. ⎧ ⎡ 1⎤ ⎡1⎤ ⎡ − 1⎤⎫

⎪ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎪
Sea A∈M3x3(ℜ) definida por: α = − α =
⎨ 1 ⎢ ⎥ 2 ⎢ ⎥ 3 ⎢ 0⎥ ⎬
1 , 1 , α =
⎪ ⎢⎣ 1⎥⎦ ⎢⎣0⎥⎦ ⎢⎣ 1⎥⎦ ⎪
⎩ ⎭
⎡ 7 1 −1 ⎤
⎢ ⎥ Aplicamos Gram-Schmidt:
A=⎢ 1 7 1⎥
⎢⎣ − 1 1 7 ⎥⎦
⎡ 1⎤
⎢ ⎥
Como A es simétrica entonces es diagonalizable. Encontremos la matriz P que β1 = α1 = ⎢ − 1⎥
diagonaliza a A. Hallemos primero el espectro de A. Se puede verificar que el ⎢⎣ 1⎥⎦
autopolinomio de A es:
⎡1⎤ ⎡ 1⎤ ⎡1⎤ ⎡ 1⎤ ⎡1⎤
< α 2 , β1 > ⎢ ⎥ (1.1 + 1.( −1) + 0.1) ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
PA (λ) = −λ3 + 21λ2 − 144λ + 320 β2 = α2 – β1 = ⎢1⎥ − 2 −1 = 1 − 0 −1 = 1
|| β1 || 2
1 + (−1) + 1 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
2 2
⎢⎣0⎥⎦ ⎢⎣ 1⎥⎦ ⎢⎣0⎥⎦ ⎢⎣ 1⎥⎦ ⎢⎣0⎥⎦
Los autovalores de A son λ1 = 5 con r1 = 1 y λ2 = 8 con r2 = 2, es decir,
< α 3 , β1 > < α3 ,β2 >
E(A) = {5, 8}. Se puede verificar que los autoespacios correspondientes son: β3 = α 3 – β1 – β2 =
|| β1 ||2 || β 2 ||2
⎡ 1⎤ ⎡ −1 ⎤ ⎡ 1⎤ ⎡1 ⎤
⎢ ⎥ ⎢ ⎥ (−1).1 + 0.(−1) + 1.1 ⎢ ⎥ (−1).1 + 0.1 + 1.0 ⎢ ⎥
V5 (A) = {X ∈ ℜ3 : X = a ⎢ − 1⎥; a ∈ ℜ*} ⎢ ⎥0 − − 1 − 1
12 + (−1) 2 + 12 ⎢ ⎥ (1) 2 + (1) 2 + 0 2 ⎢ ⎥
⎣⎢ 1⎦⎥ ⎣⎢ 1⎦⎥ ⎣⎢ 1⎦⎥ ⎣⎢0⎦⎥
⎡1⎤ ⎡ −1 ⎤ ⎡ −1 ⎤ ⎡ 1⎤ ⎡1 ⎤ ⎡ − 1⎤ ⎡ 1 2⎤ ⎡− 1 2 ⎤
⎢ ⎥ ⎢ ⎥
V8 (A) = {X ∈ ℜ3 : X = a ⎢1⎥ + b ⎢ 0⎥; a ∈ ℜ* ó b ∈ ℜ*} ⎢ ⎥ ⎢ ⎥ −1 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
= ⎢ 0⎥ − 0 ⎢ − 1⎥ − 1 = ⎢ 0⎥ + ⎢ 1 ⎥ = ⎢ 1 ⎥
2 ⎢ ⎥ ⎢ 2⎥ ⎢ 2⎥
⎣⎢0⎦⎥ ⎣⎢ 1⎦⎥ ⎢⎣ 1⎥⎦ ⎢⎣ 1⎥⎦ ⎢⎣0⎥⎦ ⎢⎣ 1⎥⎦
⎢⎣ 0 ⎥⎦ ⎢⎣ 1 ⎥⎦

Como A es simétrica es diagonalizable y tiene 3 autovectores L.I. Por

consiguiente, la matriz P que diagonaliza a A es: Luego,

⎡ 1 1 −1 ⎤ β1 = 12 + (−1) 2 + 12 = 3
⎢ ⎥
P = ⎢− 1 1 0⎥
⎢⎣ 1
β2 = (1)2 + (1)2 + 0 2 = 2
0 1⎥⎦
β3 = (− 1 2 ) + (1 2 ) + (1)
2 2 2
= 6
4
= 6
2
Se verifica que P es no singular y cumple que:

Por consiguente,
⎡5 0 0 ⎤
-1 ⎢ ⎥
P AP = Dλ(A) = ⎢0 8 0⎥ ⎡ 3 ⎤
⎢⎣0 0 8⎥⎦
⎡ 1⎤ ⎡ 1⎤ ⎢ 3⎥
1 1 ⎢ ⎥ 3⎢ ⎥ ⎢ 3 ⎥
δ1 =
β1
β1 = ⎢− 1⎥ = 3 ⎢− 1⎥ = ⎢− 3
⎥
Ahora bien, si se desea hallar la matriz ortogonal Q que diagonaliza 3⎢ ⎥
⎣ 1⎦ ⎢⎣ 1⎥⎦ ⎢ 3 ⎥
ortogonalmente a A se procede a buscar una base ortonormal con los 3 ⎢ ⎥
⎢⎣ 3 ⎥⎦
autovectores L.I. de A. Dichos vectores seguirán siendo L.I. y autovectores de
A. ⎡ 2 ⎤
⎡1⎤ ⎡1⎤ ⎢ 2 ⎥
Comenzamos con la base de ℜ : 3
1 1 ⎢ ⎥ 2⎢ ⎥ ⎢ 2 ⎥
δ2 = β2 = ⎢1⎥ = 2 ⎢1⎥ = ⎢ 2 ⎥
β2 2⎢ ⎥
⎣0 ⎦ ⎢⎣0⎥⎦ ⎢ 0 ⎥
⎢ ⎥
⎢⎣ ⎥⎦

273 274
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

⎡ 6 ⎤ Rango(A) = Rango(Dλ(A))
⎡− 1 ⎤ ⎡− 1 ⎤ ⎡− 1 ⎤ ⎢− 6⎥ Traza(A) = Traza(Dλ(A))
2⎥ 2⎥ 2⎥ ⎢
1 1 ⎢ ⎢
1 ⎥= 2 ⎢
⎢
1 ⎥= 6 ⎢ 1 ⎥=⎢ 6 ⎥
⎥
δ3 = β3 = ⎢
β3 6 ⎢ 2⎥ 6⎢ 2⎥ 3 ⎢ 2⎥ ⎢ 6⎥ Ahora bien, por el ejemplo 7.8., los valores posibles de los autovalores de una
2 ⎢⎣ 1⎥ ⎢⎣ 1⎥ ⎢⎣ 1⎥ ⎢ 6 ⎥ matriz idempotente son 0 ó 1. En ese caso, Dλ(A) tiene tantas filas no nulas
⎦ ⎦ ⎦ 3 ⎥⎦
⎢⎣ como Traza tiene dicha matriz Dλ(A), es decir, Rango(Dλ(A)) = Traza(Dλ(A)).
Por con siguiente,
En consecuencia, el conjunto {δ1 , δ 2 , δ3 } es una base ortonormal de ℜ3.
Rango(A) = Rango(Dλ(A)) = Traza(Dλ(A)) = Traza(A)
Luego, la matriz Q ortogonal que diagonaliza ortogonalmente a A es: Ejemplo 7.19.

⎡ 3 ⎤ Consideremos la Matriz de Centraje P∈Mnxn(ℜ), es decir,

⎢
2 − 6
3 2 6⎥ 1
⎢ ⎥ P = In – (1n )(1n ) t . Veamos que dicha matriz es simétrica e idempotente:
Q = ⎢− 3 2 6 ⎥ n
⎢ 3 2 6⎥
⎢ 3 0 6 ⎥
⎢⎣ 3 3 ⎥⎦ 1 1 1
Pt = (In – (1n )(1n ) t )t = (In)t – ( (1n )(1n ) t )t = In – (1n )(1n ) t = P
n n n
⎡5 0 0 ⎤ 1 1
P2 = PP = (In – (1n )(1n ) t )(In – (1n )(1n ) t )
⎢ ⎥ n n
Se puede verificar fácilmente que QtAQ = Dλ(A) = ⎢0 8 0⎥ .
⎢⎣0 0 8⎥⎦ 1 1 1 1
= In – (1n )(1n ) t – (1n )(1n ) t + ( (1n )(1n ) t )( (1n )(1n ) t )
n n n n
Observaciones:
1 1 1
= In – (1n )(1n ) t – (1n )(1n ) t + 2 (1n )(1n ) t (1n )(1n ) t
1. Es sencillo verificar que los vectores δ1 y δ2, δ3 son autovectores de n n n
A asociados a los autovalores λ1 = 5 y λ2 = 8, respectivamente. 1 1 1
2. En el ejemplo anterior se aplicó el proceso de ortogonalización de = In – (1n )(1n ) t – (1n )(1n ) t + 2 (1n )n(1n ) t
n n n
Gram-Schmidt sobre los autovectores de A. En particular, esto
1 1 n
obedece a que los autovectores asociados al autovalor de = In – (1n )(1n ) t – (1n )(1n ) t + 2 (1n )(1n ) t
multiplicidad 2, es decir, el autovalor λ2 = 8 no son ortogonales. n n n
Puede ocurrir que aunque siendo autovectores asociados a un 1 1 1
= In – (1n )(1n ) t – (1n )(1n ) t + (1n )(1n ) t
mismo autovalor, es decir, autovectores de un mismo autoespacio n n n
sean por casualidad ortogonales. En ese caso, la aplicación de dicho
1
proceso sobre los autovectores de A no es necesaria; sólo haría falta = In – (1n )(1n ) t = P
hacer vectores unitarios a todos los autovectores. Sin embargo, n
utilizar Gram-Schmidt sobre los autovectores de A; sin observar
previamente si los autovectores asociados a un mismo autovalor Como P es idempotente entonces por el ejemplo 7.8., los valores posibles de
son ortogonales o no, es el procedimiento recomendado para hallar sus autovalores son 0 y 1. Como además de idempotente P es simétrica
la matriz Q ortogonal que diagonaliza ortogonalmente a A, claro entonces Rango(P) = Traza(P). Como P es simétrica entonces P es
está siempre que dicha matriz A sea simétrica. diagonalizable. Luego, por el teorema 7.11., las multiplicidades algebraicas de
los autovalores 0 y 1 de P son:
Teorema 7.18.
λ1 = 0 ⇒ r1 = n – Rango(P – 0.In) ⇒ r1 = n – Rango(P)
Sea A∈Mnxn(K). Si A es simétrica e idempotente entonces ⇒ r1 = n – Traza(P)
Rango(A) = Traza(A). 1
⇒ r1 = n – Traza(In – (1n )(1n ) t )
n
Demostración
1
⇒ r1 = n – Traza(In) + Traza( (1n )(1n ) t )
Como A es simétrica entonces por el teorema 7.17., A es diagonalizable. n
Luego, por el teorema 7.9., apartados 2 y 4, se cumple que: 1
⇒ r1 = n – n + Traza( (1n )(1n ) t )
n

275 276
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

1 Teorema 7.20.
⇒ r1 = Traza( (1n ) t (1n ) )
n
Sea A∈Mnxn(ℜ). Si A es simétrica y no singular entonces:
1
⇒ r1 = Traza(n)
n ∃P∈Mnxn(ℜ) (P ortogonal): A-1 = P(Dλ(A))-1Pt
1
⇒ r1 = n Demostración
n
⇒ r1 = 1
Como A es simétrica entonces A es diagonalizable ortogonalmente, es decir:
Luego, para λ2 = 1 ⇒ r2 = n – r1 ⇒ r2 = n – 1. Finalmente, el autopolinomio de
∃P∈Mnxn(ℜ) (P ortogonal): PtAP = Dλ(A)
P es PP (λ ) = λ(λ − 1) n −1 . ⇒ ∃P∈Mnxn(ℜ) (P ortogonal): PPtAPPt = PDλ(A)Pt
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): A = PDλ(A)Pt
Teorema 7.19. (Teorema Espectral)
Como A es no singular entonces:
Sean A∈Mnxn(ℜ), λ1, λ2, …, λn∈ℜ y X1, X2, …, Xn∈ℜn-{θnx1}, tales que λ1,
λ2, …, λn son los n autovalores de A con autovectores ortonormalizados ∃P∈Mnxn(ℜ) (P ortogonal): A-1 = (PDλ(A)Pt)-1
asociados X1, X2, …, Xn, respectivamente. Si A es simétrica entonces: ⇒ ∃P∈Mnxn(ℜ) (P ortogonal): A-1 = (Pt)-1(Dλ(A))-1(P)-1
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): A-1 = P(Dλ(A))-1Pt
n
A= ∑ λ X (X )
i =1
i
i i t
Teorema 7.21.

Sea X∈Mnxp(ℜ) tal que Rango(X) = r. Entonces las matrices XtX y XXt tienen
Demostración
los mismos autovalores no nulos.
Como A es simétrica entonces A es diagonalizable ortogonalmente, es decir:
Demostración
∃P∈Mnxn(ℜ) (P ortogonal): P AP = Dλ(A) t
Las matrices XtX y XXt son matrices simétricas y tales que
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): PPtAPPt = PDλ(A)Pt Rango(XtX) = Rango(XXt) = Rango(X) = r. Por lo tanto, dichas matrices
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): A = PDλ(A)Pt tienen exactamente r autovalores no nulos. Sea λ un autovalor no nulo de XtX
con autovector asociado V. Luego,
Ahora bien, la matriz P se puede expresar particionada por columnas 1xn de la
siguiente forma: XtXV = λV (24)
⇒ X(XtXV) = X(λV)
P = [ X1 X2 L Xn ] ⇒ (XXt)(XV) = λ(XV)

Luego, Sólo basta probar que el vector XV≠θnx1 para probar que λ es también
autovalor de XXt. Utilicemos reducción al absurdo. Supongamos que XV=θnx1.
⎡λ1 0 L 0 ⎤ ⎡ (X1 ) t ⎤ Sustituyendo en (24) se tiene que:
⎢ ⎥ ⎢ 2 t⎥
0 λ2 L 0 ⎥ ⎢( X ) ⎥
A = [ X1 X2 L Xn ] ⎢ Xt(θnx1) = λV
⎢M M M⎥ ⎢ M ⎥
⎢ ⎥ ⎢ n t⎥ ⇒ θpx1 = λV
⎣⎢ 0 0 L λ n⎥
⎦ ⎣⎢(X ) ⎦⎥
Por hipótesis λ ≠ 0. Por lo tanto, V = θpx1, lo cual es una contradicción ya que
⎡ (X1 ) t ⎤
⎢ 2 t⎥ V es autovector de XtX. De esta forma se termina de demostrar que XtX y XXt
(X ) ⎥ tienen los mismos autovalores no nulos.
⇒ A = [ λ 1 X1 λ 2 X 2 L λnXn ] ⎢
⎢ M ⎥
⎢ n t⎥ Teorema 7.22.
⎣⎢(X ) ⎦⎥
⇒ A = λ1X1(X1)t + λ2X2(X2)t + … + λnXn(Xn)t Sean X∈Mnxp(ℜ) tal que Rango(X) = r, V∈Mpxr(ℜ) y U∈Mnxr(ℜ). Si V y U
n son las matrices cuyas columnas son los autovectores ortonormalizados de las
⇒ A= ∑ λ X (X )
i =1
i
i i t

277 278
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

matrices XtX y XXt, respectivamente, asociados con los autovalores comunes λi

no nulos entonces: Ui = XV i ; ∀ i = 1, 2, …, r
λi
λi λi
Vi = X t Ui De forma análoga se demuestra que V i = X t U i ; ∀ i = 1, 2, …, r
λi λi
∀ i = 1, 2, …, r
λi
Ui = XV i Teorema 7.23. (Reconstrucción de Eckart y Young)
λi
Sean X∈Mnxp(ℜ) tal que Rango(X) = r, V∈Mpxr(ℜ) y U∈Mnxr(ℜ). Si V y U
Demostración son las matrices cuyas columnas son los autovectores ortonormalizados de las
matrices XtX y XXt, respectivamente, asociados con los autovalores comunes
En el teorema 7.21., se dedujo que: no nulos entonces:

Si λ es un autovalor no nulo de XtX con autovector asociado V, es decir, r

XtXV = λV entonces (XXt)(XV) = λ(XV). Luego, para un autovalor λi se X= ∑
i =1
λ i U i (V i ) t
cumple que XV i ∈ Vλi (XX t ) (25). Por otra parte si λ es un autovalor no nulo
de XXt con autovector asociado U entonces XXtU = λU. Luego, Demostración
U i ∈ Vλi (XX t ) (26). Por (25) y (26) se tiene que:
Por el teorema 7.22.:

U i = cXV i ; ∀ i = 1, 2, …, r (27)
λi
Ui = XV i ; ∀ i = 1, 2, …, r
Calculando la norma al cuadrado a ambos lados de (27) se obtiene que: λi
λi
( U i ) t U i = (cXV i ) t (cXV i ) ; ∀ i = 1, 2, …, r ⇒ U i ( λ i (V i ) t ) = XV i ( λ i (V i ) t ) ; ∀ i = 1, 2, …, r
λi
⇒ 1 = c(V ) X (cXV ) ; ∀ i = 1, 2, …, r
i t t i

( λi )2
⇒ 1 = c 2 (V i ) t X t XV i ; ∀ i = 1, 2, …, r ⇒ λ i U i (V i ) t = XV i (V i ) t ; ∀ i = 1, 2, …, r
λi

Como XtXVi = λiVi; ∀ i = 1, 2, …, r entonces: λi

⇒ λ i U i (V i ) t = XV i (V i ) t ; ∀ i = 1, 2, …, r
λi
1 = c 2 (V i ) t λ i V i ; ∀ i = 1, 2, …, r ⇒ λ i U i (V i ) t = XV i (V i ) t ; ∀ i = 1, 2, …, r ⇒
⇒ 1 = c λ i (V ) V ; ∀ i = 1, 2, …, r
2 i t i
p p

⇒ 1 = c 2 λ i .1 ; ∀ i = 1, 2, …, r ∑i =1
λ i U i (V i ) t = ∑ XV (V )
i =1
i i t

⇒ 1 = c 2 λ i ; ∀ i = 1, 2, …, r p p

1
⇒ X ∑ V (V ) = ∑i i t
λ i U i (V i ) t
⇒ c2 = ; ∀ i = 1, 2, …, r i =1 i =1
λi
Ahora bien, como V es ortogonal entonces:
1
⇒ c= ; ∀ i = 1, 2, …, r
λi p

1 ∑ V (V ) i i t
= VV t = I p
⇒ c= ; ∀ i = 1, 2, …, r i =1
λi
Además, λr+1 = λr+2 = … = λp = 0. Luego,
λi
⇒ c= ; ∀ i = 1, 2, …, r
λi r r
⇒ XI p = ∑i =1
λ i U i (V i ) t ⇒ X= ∑
i =1
λ i U i (V i ) t
Sustituyendo el valor de c en (27) se obtiene que:

279 280
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

EJERCICIOS PROPUESTOS. 8. Sea A∈Mnxn(ℜ) una matriz involutiva. Demuestre que (I+A)Y e
(I–A)Y son autovectores de A asociados respectivamente a los
1. Determine los autovalores y los correspondientes autoespacios de las autovalores λ1 = 1 y λ2 = –1, siendo Y un vector arbitrario de ℜn.
siguientes matrices:
9. Sea A∈Mmxn(ℜ). Se dice que A es una matriz estocástica, aleatoria o
⎡3 0 0⎤ ⎡3 0 −1⎤ ⎡ 7 1 2⎤ de probabilidad si y sólo si ∀ (i,j)∈JmxJn 0 ≤ Aij ≤ 1 y ∀ i=1, 2, …, m
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ n
A = ⎢0 1 1⎥ B = ⎢0 1 1 ⎥ C = ⎢ −1 7 0⎥
⎢⎣2 0 1⎥⎦ ⎢⎣1 0 1⎥⎦ ⎢⎣ 1 −1 6⎥⎦
se cumple que ∑A
j=1
ij = 1 . Demuestre que si m = n y A es una matriz

estocástica entonces A tiene un autovalor igual a 1. Encuentre el

⎡1 0 1 2⎤ ⎡1 0 0 −1 ⎤ autovector correspondiente.
⎡ 3 2 −2 ⎤ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ 1 5 2 −1⎥ 1 2 2 0⎥
D=⎢ 2 3 2⎥ E=⎢ F=⎢ 10. Sea A∈Mnxn(ℜ). Demuestre que:
⎢1 2 5 −1⎥ ⎢0 0 1 1⎥
⎢⎣ − 2 2 3⎥⎦ ⎢ ⎥ ⎢ ⎥
⎣⎢2 −1 −1 6⎦⎥ ⎣⎢2 0 1 −1 ⎦⎥ 10.1. A es no singular si y sólo si tiene todos sus autovalores no
nulos.
10.2. A es singular si y sólo si tiene por lo menos un autovalor nulo.
2. Determine los valores posibles que pueden tomar los autovalores de
una matriz involutiva.
11. Sea A∈Mnxn(ℜ). Demuestre que si A es no singular entonces los
autovalores de A-1 son los inversos de los autovalores de A y tienen
3. Determine los valores posibles que pueden tomar los autovalores de
asociados los mismos autovectores.
una matriz ortogonal.
12. Sea la matriz A∈Mnxn(ℜ) definida de la siguiente manera:
4. Sean A∈Mnxn(ℜ) una matriz simétrica, λ, μ∈ℜ; con λ ≠ μ autovalores
de A y X, Y, Z∈ℜn. Demuestre que si X e Y son autovectores de A
asociados a λ y Z es un autovector de A asociado a μ entonces: ab
A= (u − v)(u − v) t con a, b, c ∈ ℵ*, u, v ∈ ℜn y u ≠ v.
c2
4.1. (cX + dY) es autovector de A asociado a λ, con c,d ∈ ℜ y no
nulos simultáneamente. Demuestre que si la matriz D∈Mnxn(ℜ) es no singular, entonces el
4.2. (cX + dY) y Z son ortogonales. vector Z = D-1(u-v) es autovector de la matriz D-1A. Determine además
el autovalor de D-1A al cual está asociado Z.
5. Sean A∈M2x2(ℜ) una matriz simétrica, λ, μ∈ℜ; con λ ≠ μ autovalores
de A y X, Y∈ℜ2. Demuestre que si X es autovector de A asociado a λ 13. Sean A∈Mmxn(ℜ), B∈Mnxm(ℜ), tales que rango(A) = m, AB es
e Y es autovector de A asociado a μ con XtX = 1 y YtY = 1 entonces simétrica y ABA=A. Demuestre que si λ es un autovalor de la matriz
la matriz P = [X Y] es ortogonal y además se cumple que: D = cAB entonces λ = c, con c∈ℜ*.

⎡λ 0 ⎤ 14. Sea A∈Mnxn(ℜ). Demuestre que si (∀X∈ℜn)(X≠θ), XtAX>0 entonces

P t AP = ⎢ ⎥ la matriz A tiene todos sus autovalores positivos.
⎣ 0 μ⎦
15. En el conjunto Mnxn(ℜ) se define la relación R por
6. Sean A, B, C∈Mnxn(ℜ) tales que B = CtC y rango(C) = n. Sea además (∀ A, B ∈ Mnxn(ℜ)) A R B si y sólo si A es semejante a B. Demuestre
U∈ℜn autovector de B-1A asociado al autovalor λ. Demuestre que: que R es una relación de equivalencia en Mnxn(ℜ).

6.1. Las matrices B-1A y (Ct)-1AC-1 tienen los mismos autovalores. 16. Sean A, B∈Mnxn(ℜ). Demuestre que si A y B son semejantes
6.2. Los autovectores V de la matriz (Ct)-1AC-1 tienen la forma entonces:
V = CU.
16.1. At y Bt son semejantes.
7. Sean A∈Mnxp(ℜ) y B∈Mpxn(ℜ). Demuestre que: 16.2. Am y Bm son semejantes, con m∈ℵ*.
16.3. Si A y B son no singulares entonces A-1 y B-1 son semejantes.
7.1. AB y BA tienen los mismos autovalores no nulos y además
se cumple que λnPBA(λ) = ±λpPAB(λ).
7.2. Si n = p y B es no singular entonces los autovalores de AB
son los mismos autovalores de BA.

281 282
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS

17. Sean A, B, C∈M3x3(ℜ) definidas por: 20. Sea A∈M3x3(ℜ) definida por:

⎡2 0 1⎤ ⎡1 0 −1 ⎤ ⎡1 0 −1 ⎤ ⎡1 0 0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A = ⎢0 6 0 ⎥ B = ⎢0 3 6⎥ C = ⎢0 3 2⎥ A = ⎢a − 2 3⎥
⎢⎣1 3 2⎥⎦ ⎢⎣0 0 3⎥⎦ ⎢⎣0 0 6⎥⎦ ⎢⎣1 − 1 2⎥⎦

Determine si A y B son semejantes y si A y C son semejantes y en 20.1. Determine los autovalores de A.

cada caso de ser afirmativo encuentre la respectiva matriz P que define 20.2. ¿Qué condición debe verificar el valor de a para que la
la semejanza entre esas matrices. matriz A sea diagonalizable?

Para las siguientes T.L. determine las matrices [T ]B11 y [T ]B22 así Determine si cada una de las matrices dadas en el ejercicio 1 son
B B 21.
18.
diagonalizables. En caso afirmativo, encuentre la matriz diagonal y la
como también la matriz de transición de B1 a B2 [α ]
B2
B1 que define la matriz que la diagonaliza.

semejanza entre [T ] y [T ] :
B1 B2
B1 B2 22. Sea A∈M2x2(ℜ) definida por:

⎡ x ⎤ ⎡3x + 4 y ⎤ ⎡a b ⎤
18.1. T: ℜ2→ℜ2 definida por T( ⎢ ⎥ ) = ⎢ ⎥, A=⎢ ⎥
⎣ y⎦ ⎣ x − 5y ⎦ ⎣c d⎦
⎡ 2⎤ ⎡ 3⎤ ⎡1⎤ ⎡0 ⎤
B1 = { α 1 = ⎢ ⎥ , α 2 = ⎢ ⎥ } y B2 = { β1 = ⎢ ⎥ , β 2 = ⎢ ⎥ }. Demuestre que si (a–d)2+4bc > 0 entonces A es diagonalizable.
−
⎣ ⎦3 ⎣0 ⎦ 1
⎣⎦ ⎣ 2⎦ Determine que ocurre si (a–d)2+4bc < 0 y si (a–d)2+4bc = 0.
⎡x ⎤ ⎡ x + y + z ⎤
⎢ ⎥ ⎢ ⎥ 23. Sea A∈M2x2(ℜ) definida por:
18.2. T: ℜ3→ℜ3 definida por T( ⎢ y ⎥ ) = ⎢ x − 2 y + 3z ⎥ ,
⎢⎣ z ⎥⎦ ⎢⎣ 2 x − y − z ⎥⎦
⎡ b 4a ⎤
A=⎢ ⎥
⎡1⎤ ⎡ 2⎤ ⎡ −1 ⎤ ⎡1⎤ ⎣a b ⎦
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
B1 = { α1 = ⎢0⎥ , α 2 = ⎢ − 1⎥ , α 3 = ⎢ 3⎥ } y B2 = { β1 = ⎢0⎥ ,
⎢⎣1⎥⎦ ⎢⎣ 1⎥⎦ ⎢⎣ 0⎥⎦ ⎢⎣0⎥⎦ Demuestre que si la ecuación ax2 + bx + a = 0 tiene raíces imaginarias
entonces A es diagonalizable. Determine que ocurre si dicha ecuación
⎡0 ⎤ ⎡1⎤ tiene raíces reales iguales y si tiene raíces reales distintas.
⎢ ⎥ ⎢ ⎥
β 2 = ⎢1⎥ , β3 = ⎢1⎥ }.
24. Sean X∈Mnxp(ℜ) y A∈Mnxn(ℜ) con rango(X) = p, tales que
⎢⎣1⎥⎦ ⎢⎣0⎥⎦
A = In – X(XtX)-1Xt. Estudie para esta matriz:
18.3. T: P1→P1 definida por T(a + bx ) = (a + b) + (a − b) x ,
24.1. Simetría.
B1 = { α1 = 1 , α 2 = x }, B2 = { β1 = 2 + 3x , β 2 = −4 + 5x }.
24.2. Idempotencia.
24.3. Rango.
19. Sea A∈M3x3(ℜ) definida por: 24.4. Autovalores.
24.5. Traza.
⎡a b b ⎤ 24.6. Autopolinomio.
⎢ ⎥
A = ⎢b a b ⎥
25. Sea A∈Mnxn(ℜ) una matriz simétrica de rango r con autovalores
⎢⎣b b a ⎥⎦ r n n
λ1, λ2, …, λn. Demuestre que ∑ λ = ∑∑ (A )
i =1
2
i
i =1 i =1
ij
2
.
19.1. Demuestre que (a-b) y (a+2b) son autovalores de A.
19.2. Determine el tercer autovalor.
26. Sean A, B ∈Mnxn(ℜ) tales que A y B son simétricas e idempotentes
con AB = θnxn y rango(A) + rango(B) = p, 0 < p < n. Determine la
multiplicidad algebraica de cada uno de los autovalores de la matriz
C = In – (A + B).

283 284
 CAPÍTULO 7: AUTOVALORES Y AUTOVECTORES

27. Sea A∈Mnxn(ℜ). Demuestre que si A es simétrica e idempotente

entonces Traza(AAt) = n λ , siendo λ la media aritmética de los
autovalores de A.
28. Sea A∈Mnxn(ℜ) una matriz simétrica con autovalores λ1, λ2, …, λn
tales que λi ≠ λj para i ≠ j, i = 1, 2, …, n; j = 1, 2, …, n. Sean
X1, X2, …, Xn∈ℜn los autovectores de A normalizados asociados a los
autovalores λ1, λ2, …, λn, respectivamente. Demuestre que la matriz
B = A – λ1X1(X1)t tiene como autovalores 0, λ2, λ3, …, λn y
autovectores asociados X1, X2, …, Xn, respectivamente.
29. Sea A∈M2x2(ℜ) definida por:

⎡1 a ⎤
A=⎢ ⎥
⎣2 b⎦

⎡−2⎤
29.1. Determine los valores de a y b para que el vector ⎢ ⎥ sea
⎣ 1⎦
autovector de A asociado al autovalor λ = 5.
29.2. Determine el otro autovalor de A.
30. Sea A∈M3x3(ℜ) definida por:

⎡a 1 0 ⎤
⎢ ⎥
A = ⎢1 a 0⎥
⎢⎣0 0 1⎥⎦

Determine los valores de a para los cuales la matriz A tiene

autovalores con multiplicidades algebraicas mayores que 1.
31. Sean X1, X2, X3∈ℜ3 definidos por:

⎡ 1⎤ ⎡1⎤ ⎡ 1⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
X1 = ⎢− 1⎥ , X 2 = ⎢1⎥ , X 3 = ⎢− 1⎥
⎢⎣ 1⎥⎦ ⎢⎣0⎥⎦ ⎢⎣ 0 ⎥⎦

Si X1, X2, X3 son autovectores de una matriz A∈M3x3(ℜ) asociados

con los autovalores 1, –1 y 0, respectivamente determine la matriz A.
32. Sean X∈ℜ4 y A∈M4x4(ℜ) definida por:

⎡0 0 1 0⎤
⎢ ⎥
0 0 0 − 1⎥
A=⎢
⎢1 0 0 0⎥
⎢ ⎥
⎣⎢0 −1 0 0⎦⎥

Demuestre que (I4 +A)X e (I4 – A)X son autovectores L.I. de A.

33. Sean X∈ℜn–{θnx1} y A∈Mnxn(ℜ) definida por A = XXt. Demuestre
que λ = 0 es autovalor de A con multiplicidad algebraica r = n – 1 y
determine también el único autovalor no nulo de A.

285