TEMA 3

DIAGONALIZACIN DE ENDOMORFISMOS Y MATRICES

Programa:
1. Concepto de diagonalizacin. Autovalores, autovectores y subespacios propios. Polinomio caracterstico
y polinomio mnimo de una matriz. 2. Endomorfismos y matrices diagonalizables. Condicin necesaria y
suficiente. Matrices simtricas. 3. Teorema de Cayley-Hamilton. Forma cannica de Jordan.

Bibliografa.-
"Algebra Lineal " J. Burgos (cap. IX)
"Algebra Lineal con aplicaciones" Grossmann (cap. VI)
"Problemas de Algebra" A. de la Villa
Matrices J.A Daz Hernando Ed. Tebar Flores

INTRODUCCIN.
Tratamos en este tema de estudiar cuando una matriz es semejante a una diagonal.
Recordamos que dos matrices A y B son semejantes, cuando existe una matriz regular P /
B=PAP
-1
(lo mismo es si decimos B= P
-1
AP puesto que si A es semejante a B, B es semejante a A).
Cuando A y B son semejantes, es que son matrices de la misma aplicacin lineal f: EE
(endomorfismo) pero referidas a bases distintas.
El problema es, encontrar (si existe) una base respecto de la cual la matriz del endomorfismo sea
una matriz diagonal. A este proceso le llamaremos diagonalizacin (por semejanza).
Para finalizar veremos que cuando no es diagonalizable, se puede obtener una matriz semejante
(triangular) con bloques triangulares (bloques de Jordan).
..
Recordemos que cuando escribimos la ecuacin de una aplicacin lineal, habitualmente hemos referido los vectores
origen e imagen como filas y en ese caso las filas de la matriz son los transformados de una base del espacio vectorial esto es:








{ } { } p q E 1 2 3 p F 1 2 3 q
1 2 3 q 1 2 3 p
Sea f:E F y sean unas bases en E y F que llamamos B = u , u , u ,...., u y B v , v , v , ...., v
la ecuacion de una aplicacion lineal viene dada por la expresion:
(y , y , y , ...., y ) (x , x , x , ...., x ) .

=
11 12 13 1q 1 11 1 12 2 1q q
21 22 23 2q 2 21 1 22 2 2q q
p p1 1 p2 2 pq q p1 p2 p3 pq
pxq
a a a ... a f(u ) a .v a .v .... a .v
a a a ... a f(u ) a .v a .v .... a .v
donde ...
.. .. .. ... ... ....................
f(u ) a .v a .v .... a .v a a a ... a
= + + +


= + + +



= + + +

1 2 3 p 1 2 3 q
1
q
Si X=(x , x , x ,...., x ) y f(x)=Y=(y , y , y ,...., y ) entonces
tambien podra expresarse con las matrices traspuestas o sea convirtiendo filas en columnas
y
y

t t t
Y = X.M
Y = M .X
1
11 21 31 q1
12 22 32 q2
1p 2p 3p qp
qxp
p
x
a a a ... a
a a a ... a
o bien (Si se trata de endomorfismo la matriz M es cuadrada)
.. .. .. ... ...
a a a ... a
x




=






t t t
Y = M .X


1/18
En este tema como casi todo lo que planteemos desembocar en resolver sistemas de ecuaciones
lineales, que habitualmente las escribimos A.X=b (la incgnita X a la derecha de la matriz) usaremos
con frecuencia la ecuacin de un endomorfismo como Y=MX (por columnas)

3.1 VALORES Y VECTORES PROPIOS. PROPIEDADES.-
Recordemos que A y B matrices cuadradas se dicen semejantes cuando existe una matriz regular P (llamada matriz de
paso) tal que B=P
-1
AP. Algunas propiedades de la semejanza de matrices son:
A y B semejantes entones |A|=|B|
A y B semejantes entonces A
n
y B
n
tambin son semejantes
Matrices asociadas a un endomorfismo f pero referidas a distintas bases son semejantes

En adelante f ser un endomorfismo de E (e.v. sobre K) f: E
n
E
n

Definicin 1: se le llama valor propio o autovalor si x E-{0} / f(x)= .x
Definicin 2: Decimos que xE- {0} es un autovector o vector propio, (asociado al autovalor )
f(x) = .x K.
Definicin 3 : Al conjunto de sus autovalores de un endomorfismo f se le llama espectro de f y se
denota por s(f) = { K / es autovalor }.
Nota No siempre existen autovalores de un endomorfismo

Ejemplos:
1/ Si V={e.v. de las funciones derivables}. Y la aplicacin lineal (f(x))=f (x) entonces:
e
x
es un autovector asociado al autovalor =1
e
2x
es un autovector asociado al autovalor =2

2/
10 -18 2
Si A= el vector es un autovector asociado al autovalor 1.
6 -11 1
3
el vector es un autovector asociado al autovalor 2
2

=



=

3/
1 -2
Si A= no tiene autovalores en R
2 1





4/ Si f: R
2
R
2
siendo f(x,y)=(y,-x) tampoco tiene autovalores.
2/18

2
En efecto por definicin de autovectores:
Si f(x,y)= (x,y) (x,y) ( , ) 1
=
= =

y x
y x
x y

Algunas PROPIEDADES importantes

a) El conjunto de autovectores asociados al autovalor , junto con el vector 0 forman un subespacio
vectorial llamado subespacio propio asociado a .
V

= {xE/f(x) = x } = {x E/(f -i )x= 0} = Ker(f-i) siendo i=identidad
Esto es el subespacio propio asociado a es el ncleo de la aplicacin f-.i

b) Si , s(f) / entonces V

V

= {0}, -esto es la suma es directa-.
Esto es, a autovalores distintos le corresponden conjuntos de autovectores disjuntos.
c) Si
1
,....,
r
s(f) distintos dos a dos y x
1
,.......,x
r
son autovectores asociados a los
i

{x
i
} i=1, .,r linealmente independientes.
Esto es, a autovalores distintos le corresponden autovectores l.i.

d) Si x es un autovector asociado a px es tambin autovector asociado a , siendo pK.
e) Si = 0 es autovalor de f f es no inyectivo.
f) s (f) hK, -hs (f-hi)
Si es autovalor de f , entonces -h es autovalor de f-hi siendo i la aplicacin identidad.




NOTA IMPORTANTE
Como fijadas unas bases en el e.v. E
n
, todo endomorfismo queda representado unvocamente por una matriz
cuadrada de tamao n, todas las definiciones anteriores se pueden trasladar al conjunto de matrices cuadradas
M
n
(K).
. " es autovalor de A Ax=x (A-I)x=0, x E"......

3.1.1.- CALCULO DE AUTOVALORES Y AUTOVECTORES. Ecuacin caracterstica
Consideraciones previas.
Llamaremos f al endomorfismo: V
n
V
n
n=dim(V) Sean
1
,.....,
r
autovalores (distintos) de f y sean
d
1
,d
2
,...,d
r
las dimensiones de los subespacios propios asociados V
i
i=1,2,....,r.
Como (propiedad b) anterior) V
i
V
j
={0} la suma de todos estos subespacios es directa (se denota por
V
i
esto es equivalente a que n.

r
i
d
1
Adems tengamos en cuenta por el teorema de las dimensiones que dim(V

) = nrg( f-
i
)

Para el clculo de los autovalores recurrimos a la definicin:
Si es un autovalor de f f(x ) = x con x0 (f -i)(x) =0 esto es un SELH (sistema de
ecuaciones lineales homogneo) (I). Es decir los autovalores son los valores que hacen que este
SELH tenga soluciones en x distintas de la trivial (sistema indeterminado).
Por el teorema de Rouch-Frobenius sabemos que esto ocurre si M I = 0
3/18
Ya que las ecuaciones de una aplicacin lineal estn dadas por y=Mx (en columnas) y=xM en filas siendo M la matriz de f, entonces
la matriz de (f-i) ser M- I.
A M I 0 = se le llama ecuacin caracterstica de f (o tambin de M).
Al polinomio p( ) M I = se le llama polinomio caracterstico de f (o tambin de M).
Las races del polinomio caracterstico ( las soluciones de la ec. caracterstica) son los autovalores de f.

Podemos volver a recordar que desde un punto de vista matricial: Dada una matriz cuadrada A,
llamaremos ecuacin caracterstica a |A-I|=0. Y polinomio caracterstico a P()=|A-I| que nos dan
los autovalores de la matriz cuadrada A

En resumen, el procedimiento para el clculo de autovalores y autovectores:

1/ Obtener P()=|A-I|.
2/ Obtener las races (autovalores) de P().
3/ Para cada
i
obtener los vectores x
i
solucin de la ecuacin: (A-
i
I)X=0.

Ejemplo 1:

Obtener los autovalores y autovectores de la matriz
1 1 4
A= 3 2 1
2 1 1

El polinomio caracterstico es P()=|A-I|=-
3
+2
2
+5-6.

Las races de dicho polinomio son
1
=1,
2
=-2 y
3
=3.

{ } Para
sistema equivalente a que tiene por solucion :
2 3
1
1 1 2 1 2
3
1 2 3
2 3
1 2 3
x 4x 0
1 1 1 4 x 0
1 V x / (A 1.I)x 0 3 2 1 1 x 0 3x x x 0
2 1 1 1 x 0
2x x 2x 0
x 4x 0

3x x x 0
+ =

= = = = + =





3
+ =


+ =

+ =

esto es que
el subespacio propio asociado a
2 3
1 3
1 1
x 4x

x x
1 es V ( 1, 4,1)
+ =

= =< >


Anlogamente para
2
=-2 V
-2
={x/(A+2.I)x=0} V
-2
=<(-1,1,1)>.

Y para
3
=3 V
3
= {x/(A-3.I)x=0} V
3
=<(1,2,1)>.


La matriz diagonal ser por tanto y la matriz de paso
de tal forma que se cumple
1
1 0 0 1 1 1
D 0 2 0 P 4 1 2
0 0 3 1 1 1
: P AP=D

= =

4/18
Ejemplo 2:

Si f: R
2
R
2
definida f(x,y)=(y,-x) diagonalizarlo en R. y en C?
2
En efecto por definicin de autovectores, hemos visto en los ejemplos de autovalores que este
endomorfismo no tiene autovalores reales pues:
y x
Si f(x,y)= (x,y) (x,y) (y, x) 1
x y
=
= =

1, 1
2 2
2
Si escribimos f en forma matricial tendriamos: f(1,0)=(0,-1) f(0,1)=(1,0)
y x 0 1
(en columnas) llamamos M a la matriz de f
1 0 x y
M no tiene auto valores reales, pues p( )=

=

+
{ }
1 1
i
2
1, pero si en C ,
=i y -i son sus autovalores en el campo de los complejos
Para cada autovalor obtenemos su subespacio propio.
Para =-i
x ix i 1
V X/ (A iI).X 0 0
1 i x

+
= + = = =

+

{
{ } {
2 1
1 2 i
1 2 2
1 1 2 1
i 1 2 i
2 1 2 2
x 0 x
ix x 0 V (1, i)
x ix 0 x i
De la misma forma para = i
x ix x 0 x i 1
V X/ (A iI).X 0 0 ix x 0 V (1,i)
1 i x x ix 0 x i

luego la matriz de pas

+ = =
+ = =

+ = =

+ = =
= = = = + = =

+ = =

1 1
1 1 i 0
o (autovectores por columnas) P= y al diagonal semejante J=
i i 0 i
1 i
2 2
se puede comprobar que P AP=J Comprobar que P =
1 i
2 2

NOTA.
El polinomio caracterstico p() = a
n

n
+ a
n-1

n-1
+ .........+ a
1
+ a
0
siempre tiene la forma, donde:
a
0
=M
a
1
=(-1)(
11
+......+
nn
)
: :
: :
a
p
=(-1)
p
( de los menores diagonales de orden n-p)
n
p



a
n-1
= (-1)
n-1
.(m
11
+m
22
+....+m
nn
) = (-1)
n-1
traza A.
a
n
= (-1)
n
.



5/18

Proposicin: El polinomio caracterstico no depende de la base elegida.
En efecto: Sea Y = MX ecuacin de f P()=M -I.
Si se cambia la base B a otra B tenemos que X=PX e Y=PY PY = MPX Y = (P
-1
MP)X
Por tanto M=P
-1
MP es la nueva matriz respecto de la base B


Si buscamos el polinomio caracterstico respecto B tenemos:
p()= M-I = PMP-I= P
-1
(M-I) P = P
-1
M-IP= p() puesto que P
-1
=1/P
Por tanto p() es nico y slo depende de f.

En el caso de los valores y vectores propios de una matriz Como ya se ha dicho, todo lo dicho
anteriormente para endomorfismos, se traslada a las matrices cuadradas de orden n, dada la biyeccin
existente entre los endomorfismos de E y las matrices cuadradas de orden n, fijada una base en E.
Dos matrices semejantes tienen el mismo p() y por tanto iguales autovalores y con el mismo
orden de multiplicidad.
NOTA.- La implicacin contraria no es cierta:
2
1
1 0 1 1
y B= tienen la misma ec. caracteristica ( -1) 0 y sin embargo no son semejantes pues
0 1 0 1
no existe ninguna matriz P= tal que P AP=B pues implicara que a=0=c

= =





A
a b
c d

esto es que P no es regular

.2.- ENDOMORFISMOS Y MATRICES DIAGONALIZABLES. Condicin necesaria y

3
suficiente. MATRICES SIMETRICAS

Observemos que si tenemos un endomorfismo f: V
n
V
n
y pudisemos conseguir una base de V
s
la
matriz diagonal D=
Queremos estudiar cuando es posible obtener una base de vectores propios.
efinicin 1.
formada por autovectores {v
1
,v
2
,.,v
n
}entonces la matriz de referida a esa base sera diagonal, pue
como f(v
1
)=
1
.v
1
, f(v
2
)=
2
.v
2
, ., f(v
n
)=
n
.v
n
, la matriz de f respecto la base de autovectores sera
1
0 ... 0
2
n
0 ... 0
0 0 ... 0
0 0 ...

Damos primero dos definiciones necesarias para ello.

D Llamaremos multiplicidad algebraica del autovalor
j
al grado
j
de multiplicidad de la
efinicin 2.
raz
j
en el polinomio caracterstico P() (nmero de veces que aparece la raz en el polinomio)

D
6/18
Llamaremos multiplicidad geomtrica del autovalor
j
a la dimensin del Ker(f-
j
i)=d
j

ue por el teorema de las dimensiones tenemos que: dim(Ker(f-
j
i))+dim(Im(f-
j
i))=n dim(Ker(f-
j
i))=n-rg(matriz(f-
j
i))
continuacin exponemos dos teoremas importantes. Ms adelante se da una prueba del apartada a) y el b) se deduce
ente del a)
=dim(V
j
)
Recordemos q

A
fcilm

Teorema 1.
a)
i
(f) s

e cumple d
i

i
res con multiplicidades algebraicas
1
,.....,
r
respectivamente,
a s
b) Si
1
......,
r
son autovalo
entonces se cumple:
siendo (n=dim(E)).
r d n
i
r r



i

i=1 i=1
De este teorem e puede deducir fcilmente:

Teorema 2.- Un endomorfismo f es di
7/18

i
n =
r
i=1
agonalizable (existe una base de vectores propios)
i el polinomio caracterstico P() se descompone
mejanza) cuando:
io de bases).
nemos las siguientes CONCLUSIONES:
s es d
1
+d
2
+....+d
r
nmero que est

le:
i) ).
ensin del espacio
Casos particular

a) b)
i
=d
i
i=1,2.....,r.

E
to
n particular el endomorfismo es diagonalizable s
talmente (tiene tantos autovectores como asociados a como dim(V

)).

En trminos de matrices diremos que es diagonalizable (por se
P regular/ P
-1
AP = D (P es igual a la matriz formada por los vectores propios, matriz del camb

Con todo lo anterior te

a) el n mximo de autovectores linealmente independiente
acotado por r d
i
n. Y adems V
1
...... V
n
.
b) Para que exista una base de vectores propios se precisa que
r
i
=

n d
1
(o sea V=
r
), en consecuencia habr una tal base si se cump
i
V
i

1 =

1
+......+
r
= n (el polinomio se descompone totalmente
ii)
i
= d
i
(el orden de multiplicidad de cada autovalor = a la dim
propio asociado).

es:
1.- Si K es algebraicamente cerrado la condicin i) se cumple.
mple i) y ii) pues dim(V
i
) =1,
1
2.- Si f tiene n autovalores distintos dos a dos entonces se cu
d
i
=1 =
i
n
n
=

con lo que V = V

........V
n.

******************
i
1

emostracin de

D l Teorema 1a)
cidad y d=dimensin (V
o
) entonces se verifica: 1 d .
m (V
o
) Supongamos que {v
1
,v
2
,....,v
d
}es base de V
o
. Y sea una base de V que
Si el autovalor
0
, tiene multipli
En efecto:
Si d= dim(Ker(f-
o
i) =di
contenga la base de V
o
, B={v
1
,v
2
,....,v
d
,v
d+1
,.....,v
n
} Entonces la matriz de f, respecto de esta base es:


M= M(f) =
) (
) (
) (
) (
) (
|
|
|
|
|
|
|
|
1
2
1
1
2 , 1 1 , 1
0
0
0
n
d
d
nn n
d d
v f
v f
v f
v f
v f
a a
a a

+ + +

el polinomio caracterstico es : I M =
( )

+ + +

nn n
n d d d
d
d
a a
a a

1
, 1 1 , 1
Por tanto la multiplicidad de
0
ser d como mnimo d .


3.2.1 DIAGONALIZACIN DE MATRICES REALES SIMETRICAS

Veamos ahora un caso especialmente importante, el caso de las matrices reales simtricas (muy
frecuente en problemas planteados en fsica, por ejemplo). En este caso se prueba que:
- Todos los autovalores son reales.
- La matriz siempre es diagonalizable.
- Los vectores propios pueden tomarse real.
Adems en el caso de matrices reales simtricas, la situacin es an ms rica en resultados:
La matriz de paso P es ortogonal, se dice que la matriz es ortogonalmente semejante.

Recordemos que una matriz A es ortogonal A
-1
= A
t
( o tambin A. A
t
=I)
Y definimos una familia de vectores {v
i
} es ortonormal
i j
0 si i j
v .v
1 si i j
=
=

= =


(o sea unitarios y ortogonales)
Se verifica el siguiente resultado

Teorema 3.- Si A es una matriz simtrica real entonces:
a) Todos sus autovalores son reales.
b) Si (autovalores) los autovectores asociados son ortogonales y reales.
Consecuentemente la matriz de paso P es ortogonal (P
-1
= P
t
).

Justifiquemos el resultado a)
Primero notemos que si A M
n
() podemos considerarla como un caso particular de las M
n
(), en este
caso hay n autovalores pues es algebraicamente cerrado.

Con A es matriz real p() =A-I es polinomio grado n con coeficientes reales.
Adems sabemos que si es autovalor complejo

(conjugado) tambin es autovalor.

Veamos un resultado previo
8/18
Proposicin 1 Si A es una matriz real simtrica y
1 ,

2
autovalores reales de A y x
1
es vector propio
asociado a
1
, y x
2
asociado a
2
, entonces (
1
-
2
) X
2
t
X
1
= 0.

En efecto: AX
1
=
1
X
1
X
2
t

AX
1
=
1
X
2
t
X
1

1
X
2
t
X
1
=
2
X
2
t
X
1

AX
2
=
2
X
2
X
1
t
AX
2
=
2
X
1
t
X
2
(
1
-
2
) X
2
t
X
1
=0 cqd.

Y como consecuencia
Proposicin 2 Todos los autovalores de una matriz real simtrica son reales
En efecto: Sea autovalor de A q.d. =

( o sea es real)
Sea AX= X A X

(conjugados) X

es vector propio correspondiente a

por la
proposicin 1 ( -

) X

t
X =0 Si

t
X= 0 ( X

1
,....., X

n
) = 0

n
X
X

1

1
n
i
i
X X

=0 = 0 X
i
=0
i
imposible por tanto = | |
1

n
i
X

c.q.d.
Justifiquemos el resultado b)
A matriz real simtrica y sean dos autovalores distintos de A , V

Esto es los autovectores asociados son ortogonales. En efecto:
Si
x V A.x x
y V A.y y

=
=

( ) 0
0
=

x y
t


t
y x 0 y x = c.q.d

3.2.2 SEMEJANZA ORTOGONAL.
Recordemos que si A, B M
n
() se dicen semejantes si P regular / P
-1
AP = B.
A,B M
n
() se dicen ortogonalmente semejantes cuando la matriz de paso P es ortogonal
/ B =P
-1
AP con P ortogonal (esto es P
-1
= P
t)
Se dice que A es diagonalizable ortogonalmente cuando P ortogonal / P
-1
AP = D.

Como consecuencia de todo lo anterior podemos enunciar que Toda matriz real simtrica es
diagonalizable y lo es ortogonalmente, es decir existe una matriz P ortogonal / P
-1
AP = D. La
matriz P esta formada por los autovectores que forman el sistema ortonormal (que se obtiene
reuniendo las bases ortonormales de cada subespacio propio).
9/18
3.3 FORMA CANONICA DE JORDAN. Teorema de Cayley-Hamilton.

En este apartado vamos a estudiar la situacin en la que una matriz no es diagonalizable, esto es cuando
no es posible obtener una base de vectores propios. Veremos que es posible encontrar una matriz
semejante tambin muy simple (aunque no diagonal). Recodemos que despus de las diagonales las
otras matrices sencillas de manejar son las triangulares. Dentro de estas veremos que es posible
encontrar unas matrices semejantes con bloques casi diagonales.

Previamente a todo ello haremos notar algunas cuestiones interesantes de la diagonalizacin.

Funciones de matrices.
La definicin de una funcin escalar se puede extender a una funcin de valores matriciales.
Tienen particular importancia las funciones polinmicas y la funcin exponencial.

f(A)=a
0
+a
1
A+a
2
A
2
+.+a
k
A
k
sera una funcin polinmica de la matriz A
NOTA.- Obsrvese que si un matriz es diagonalizable tenemos que P regular / P
-1
AP = D.
o lo que es lo mismo A = P.D. P
-1
entonces A
k
=P.D
k
. P
-1
y D
k
es inmediata de obtener
Se define la funcin exponencial:

=
= + + + + + + =

2 3 k
A
j 0
A A A A
j
I A ...... ......
2! 3! k! j!
e
si A es diagonalizable P
-1
AP = D A = P.D. P
-1
entonces e
A
= P.e
D
. P
-1
y e
D
es inmediata de obtener.

Particularmente interesante es el resultado:
Teorema de Cayley-Hamilton.
Toda matriz cuadrada A es raz de su polinomio caracterstico p()=|A-I| esto es p(A)=0.
Ejemplo.-
2 2
En el ejemplo de la pregunta 1 tenemos que
10 -18
Si A= p( ) | A I | 2 Se puede comprobar que p( ) 2 0
6 -11

= = + = + =


A A A




En algunas situaciones el T de Cayley- Hamilton se utiliza para obtener la matriz inversa de un matriz.
SI A es una matriz cuadrada con polinomio caracterstico p()=a
n

n
+ a
n-1

n-1
+ .........+ a
1
+ a
0
entonces se
cumple por el T p(A)=A
n
+ a
n-1
A
n-1
+ .........+ a
1
A + a
0
I=0 Si existe A
-1
entonces:
I=(-A
n
- a
n-1
A
n-1
-.........-a
1
A )/ a
0
I= A. (-A
n-1
- a
n-1
A
n-2
-.........-a
1
I)/ a
0
por lo que la inversa de la matriz es la
expresin que acompaa a A y cuyo producto es I o sea, A
-1
=(-a
n
A
n-1
- a
n-1
A
n-2
-.........-a
1
)/ a
0
Advirtase que para que exista A
-1
debe cumplirse a
0
= por qu?...
10/18
Para explicar la forma cannica de Jordan, empezamos definiendo la matriz
Ntese que este tipo de matrices tiene la propiedad de que (N
k
)
2
la lnea de unos se sube una posicin de
tal forma que (N
k
)
k
= 0 (matriz nula).



=



k
kxk
0 1 0 0
0 0 ... 0
N matriz kxk con unos encima de la diagonal y los dems elementos ceros
0 0 ... 1
0 0 0 0
0 0 1 0
0 0 ... 1
0 0 ... 0
0 0 0 0



=




11/18

A la matriz B()=.I+N
k
=
1
1
1
... 1

r r
.......
B( )
se le llama matriz de bloques de Jordan y a la matriz J
definida por J
1 1
2 2
B( )
B( )

=




se la llama matriz de Jordan -donde cada B() es una matriz de bloques de Jordan-
NOTA.- Los bloques de Jordan tambin se pueden definir con la traspuesta esto es
B()=.I+N
k
= los unos por debajo de la diagonal. Veremos que el resultado va a
depender del orden en que tomemos los vectores propios de la base.

1
1
1 ... 1
1

1
7

Ejemplos de matrices de Jordan.-

EJEMPLO 1 matrices 3x3.-
2 0 0 2 1 0 2 1 0
0 3 0 0 2 0 0 2 1
0 0 9 0 0 9 0 0 2





EJEMPLO 2 matrices 4x4.-
4 1 4 1 4 1 8 0
4 4 1 4 4
7 1 4 1 1 4 0
7 4 7






EJEMPLO 3 En el caso de tamao 2 la cuestin se reduce a:
1
2
1




Veremos que si A es una matriz nxn. Entonces existe una matriz invertible P tal que: P
-1
.A.P=J
donde J es una matriz de Jordan cuyos elementos diagonales son los autovalores de A, adems J es nica
salvo el orden de los bloques.

A la matriz J se le llama forma cannica de Jordan de la matriz A

Veamos como se obtiene la matriz de Jordan. Primero en el caso de una matriz 2x2

En tamao 2x2 el nico caso que tenemos que estudiar sera cuando, hay un autovalor doble con
multiplicidad geomtrica =1 (esto es solo hay una autovector l.i.en el subespacio propio)

Sea v
1
el autovector asociado al autovalor doble se prueba que
a) Existe un vector v
2
/ (A-I). v
2
= v
1
(a v
2
se la llama autovector generalizado )
b) {v
1,
v
2
} son l.i (base) y si P[v
1
v
2
] es matriz con columnas los vectores v
1
y v
2
se cumple que

1
1
P AP J

= =

Ejemplo.-

2
3 2
Sea A , su ec. caracterstica es ( +1) o sea que 1 es un autovalor doble.
8 5

= =


(A+1.I)X=0 da como nico autovector v
1
= Para hallar el autovector generalizado v
2
,
1
2



(A+I)v
2
= v
1
de donde se obtiene v
2
=
2
2
1 2x 1
(por ejemplo)
4 4
x 0
+

=



= se puede comprobar que si
P=
1
1
4
2 0

i
s
entonces P
-1
.A.P=J =
1 1
0 1

Este mtodo se puede generalizar (no se demuestra en este curso) para obtener la forma de
Jordan de cualquier matriz A de tamao nxn.
Adems, el nmero de unos encima de la diagonal en la forma de Jordn se puede calcular de la
forma siguiente:
Sea
i
i=1,2,..,k son los autovalores de A, y r
i
su multiplicidad algebraica y s
i
su multiplicidad
geomtrica entonces, el nmero de unos por encima de la diagonal (de los autovalores)=
=(r
1
-s
1
)+ (r
2
-s
2
)+ ..+ (r
k
-s
k
)=
k k k
i i
i 1 i 1 i 1
r s n
= = =
= =


Por tanto si se tienen la ec. caracterstica se puede determinar las formas posibles de Jordn

Ejemplo.-
Si una matriz 4x4 tiene por polinomio caracterstico p()=(-2)
3
.(+3) las posibles formas de
Jordan de esa matriz sern: o cualquiera que se obtenga
de un reordenamiento de los bloque de Jordan.
2 2 1 2 1
2 2 2
2 2
3 3 3







1
2

La primera corresponde (para =2) a multiplicidad geomtrica 3.
La segunda corresponde a multiplicidad geomtrica 2.
Y la tercera corresponde a multiplicidad geomtrica 1, siempre en el caso de autovalor triple =2.

12/18
Clculo prctico de las matrices de JORDAN y de paso. Caso general.

Se trata de obtener la matriz J/ J=P
-1
AP donde J tiene la forma
1 1
2 2
r r
B( )
B( )
.......
B( )
J

=




y cada matriz
B()= apareciendo matriz tantas veces como indique su multiplicidad algebraica r .
Si la multiplicidad geomtrica s (dimensin del espacio propio asociado, que denotamos como
N
1
=ker(A-I)) es igual a r, es que tenemos una base de vectores propios entonces B() es diagonal y
entonces ya tenemos la matriz-caja J.
1
1
1
... 1

Por lo que solo tenemos que preocuparnos de caso (como hemos visto en 2x2) en que la
multiplicidad geomtrica es menor que la algebraica (esto es un autovalor triple, cuyo espacio propio es de
dimensin 1, es decir que solo genera un autovector y necesitamos tres para tener una base de autovectores asociados al
autovalor triple).


FORMA CANONICA DE JORDAN. Teorema fundamental.

Toda matriz cuadrada A de tamao nxn, sobre un cuerpo algebraicamente cerrado, es
semejante a una matriz J diagonal por cajas J=P
-1
AP a P se le denomina matriz de paso.

Clculo de J y P:

En J aparece el autovalor (repetido tantas veces como indique su multiplicidad algebraica).
Si A es diagonalizable, existe una base de vectores propios, en este caso J es diagonal.
Si A no es diagonalizable, entonces J tienen una diagonal secundaria con tantos 1 como
vectores se necesitan para una base (completando los autovectores que se tenga).

Clculo de las cajas de Jordn:

Para cada autovalor de multiplicidad algebraica r, obtenemos el conjunto de autovectores asociados
(subespacio propio) V

={X/ (A-I)X=0}=(lo llamaremos)=N

1

Sabemos que la dimensin de N
1
es n-rg(A-I).

* Si dim(N
1
)=r significa que tenemos una base de vectores propios, esto es que la correspondiente
caja J

es diagonal
rxr
J
...

* Si dim(N
1
)=s<r (en este caso no tenemos una base de vectores propios, nos faltan r-s vectores)
Esto quiere decir que nos van a aparecer s cajas asociadas a .

Para ello se construyen los subespacios
N
1
={X/ (A-I).X=0}, N
2
={X/ (A-I)
2
.X=0}, .. N
k
={X/ (A-I)
k
.X=0},
esta cadena de subespacios tal como estn definidos cumple:
N
1
N
2
N
k


y en algn momento la cadena se estabilizar, esto es, N
k
= N
k+1,
y esto ocurrir cuando dim(N
k
) = r
(la multiplicidad del autovalor )

13/18
Ahora tomamos vectores l.i. de cada conjunto N
k
que no este en el anterior N
(k-1)

Para cada vector u as elegido se tiene una caja que se construye obteniendo los vectores
u
1
=(A-I).u, u
2
=(A-I).u
1
, . u
k-1
=(A-I).u
k-2
, etc
se puede observar que la matriz asociada a estos vectores es
kxk
1
1
... 1

(o su traspuesta, los unos por debajo)
Estas cajas asociadas a cada , se completan con vectores l.i. de N
1
que sean necesarios hasta
completar s vectores l.i. asociados a .


EJEMPLO 1.-


=




10 4 13
Sea la matriz A 5 3 7 obtener las formas cannicas de A y sus matrices de paso.
9 4 12


Se obtiene el polinomio caracterstico p()=|A-I|=-(1-)
2
(+1) es decir esta matriz tiene dos
autovalores el 1 (doble) y el -1 (simple).

Obtenemos los subespacios propios para cada autovalor.
Para el autovalor simple =-1 sera N
1,-1
=ker (A+I)={X/ (A+I)X=0}.
Como r(A+I)=2 entonces dim (N
1,-1
)=3-2=1. Las ecs. implcitas de N
1,-1
son 11x+4y+13z=0 y
5x+4y+7z=0 con lo que pasando a paramtricas tenemos que un N
1,-1
=<(-1,-1/2,1)>

De la misma forma para =1 tenemos que rang(A-I)=2 con lo que el subespacio propio tiene de
dimensin: dim(N
11
)=3-2=1 y multiplicidad 2. De entrada sabemos que no es diagonalizable.
Vamos a obtener la forma cannica de Jordan, la caja relativa a este autovalor.
Calculamos N
11
=
=

= = = =

=

11
x x 9 4 13 x
(A I) y 5 2 7 y 0 y N (1,1, 1)
z 9 4 13 z z

Tenemos que el autovalor 1 solo genera un autovector y como su multiplicidad es dos, hay que
buscar otro vector que forme base con el.
Como hemos dicho en la teora se estudian los subespacios N
11
N
21
N
k1

Esto es obtener las matrices:
2 2
21
16 8 24
(A I) 8 4 12 rg(A I) 1 dim(N ) 3 1 2 multiplicidad de 1
16 8 24


= = = = = =




Segn la notacin de la teora tenemos la cadena N
11
N
21
=N
31
Obtenemos las ecs. de N
21

2
21
x t x
(A I) y 0 2x y 3z 0 y 2t 3s N (1, 2, 0),(0, 3,1))
z z s
=

= + + = = =

=


Entonces es posible encontrar un vector uN
21
-N
11
, por ejemplo u
1
=(1,-2,0)
(A-I).u
1
=u
2
u
2
=(1,1,-1) como se ha dicho en la teora este u
2
as construido pertenece a N
11
,
pues (A-I).u
2
=(A-I)
2
.u
1
=0 entonces ya tenemos la caja relativa al autovalor =1 es
1 1
1




Nos queda por encontrar un u
3
del subespacio propio N
1,-1
/ A.u
3
=-1.u
3

Sea por ejemplo el vector u
3
=(-1,-1/2,1)
Estos tres vectores as construidos son l.i. y forma una base del e.v. y cumplen:
14/18
Como (A-I).u
1
= u
2
. Au
1
= u
2
+u
1
A.u
2
= u
2
A.u
3
= -u
3
Por tanto si tomamos como base B={u
1
,u
2
,u
3
}la matriz relativa a esta base es:

Se puede comprobar que J=P
-1
AP.

15/18





=







1 1 1
1
1
J 1 1 y la matriz de paso P 2 1
2
1
0 1 1

=

Ntese que si tomamos como base B={u
2
,u
1
,u
3
}

la matriz relativa a esta base es




*********************

= =

1
1 1 1
1 1 1 0 1
1
J 1 y la matriz de paso P 2 1 y adems P 4 2 5
2
1 4
0 1 1

2 6

Para determinar la forma de Jordan (los bloques), salvo el orden de sus bloques, se puede utilizar la
rutina siguiente (llamada en algunos manuales METODO DE CAROS):

1.- Se determinan los autovalores :

1
,
2
,
3
, .., y sus respectivas multiplicidades m
1
,m
2
, m
3
,..

2.- Para cada autovalor de multiplicidad m se calculan los rangos de la matrices (A-I)
q
,
segn se indica:
rg((A-I)
0
) = rgI = n
rg((A-I)
1
)) = r
1
x
1
= n-r
1
si x
1
< m se sigue..
rg((A-I)
2
)) = r
2
x
2
= r
1
r
2
si x
1
+

x
2
< m se sigue.
rg((A-I)
3
)) = r
3
x
3
= r
2
r
3
si x
1
+

x
2
+x
3
< m se sigue.

rg((A-I)
p
)=r
p
x
p
= r
p-1
r
p
si x
1
+

x
2
++x
p
= m FIN
(esto es x
1
+

x
2
++x
p
= multiplicidad de )

3.- Entonces al valor propio de le corresponden:
x
1
-x
2
bloques de JORDAN de tamao 1.
x
2
-x
3
bloques de JORDAN de tamao 2.
x
3
-x
4
bloques de JORDAN de tamao 3.
..
x
p-1
-x
p
bloques de JORDAN de tamao p-1.

x
p
bloques de JORDAN de tamao p.


PARA EL CALCULO DE P SE PROCEDE COMO SE HA DESCRITO ANTES Y REALIZADO EN EL EJEMPLO 1.

********************

EJEMPLO 2.-

Obtener la forma de Jordan de
1 0 0
A 0 1 0
1 0 1


=



Se puede observar que p()= (1-)
3
esto es =1 es un autovalor triple.

Obtenemos los rangos



r(A-I)
0
=r(I)=3
1 1
2
2 2
1 2
0 0 0
r r(A I) r 0 0 0 1; x 3 1 2 (2<3) se sigue
1 0 0
0 0 0
r r(A I) r 0 0 0 0; x 1 0 1 (2+1=3) entonces al autovalor =1 le corresponden:
0 0 0
x x 2 1 bloques de Jordan de orde


= = = = =





= = = = =



=
2
n 1
x 1 bloques de Jordan de orden 2
1 0 0
O sea que la forma de Jordan buscada es J= 0 1 1
0 0 1
=





Cul sera la matriz de paso?.



EJEMPLO 3.-
Obtener la forma de Jordan de
6 9 5 4
7 13 8 7
A
8 17 11 8
1 2 1 3

El polinomio caracterstico p()= (-1)(-2)
3
esto es =2 es un autovalor triple y . =1 simple

Obtenemos los rangos de r(A-2I)
p
, p=0,1,2,3,..
( ) ( ) = =

= = = = =

= = = = =





0
1 1
2
2 2
r A 2I r I 4
4 9 5 4
7 15 8 7
r r(A 2I) r 2; x 4 2 2 (2<3) se sigue
8 17 9 8
1 2 1 1
3 6 3 3
6 12 6 6
r r(A 2I) r 1; x 2 1 1 (2+1=3) entonces al autovalor =2
7 14 7 7
1 2 1 1
le
=
=

1 2
2
2
corresponden:
x x 2 1 bloques de Jordan de orden 1
x 1 bloques de Jordan de orden 2
2 0 0
El bloque relativo al autovalor 2 es: J = 0 2 1 o su traspuesta
0 0 2
PARA EL AUTOVALOR =1 (simple) LE






CORRESPONDE UN BLOQUE (1)
2 0 0 0
0 2 1 0
O sea que la forma de Jordan buscada es J=
0 0 2 0
0 0 0 1

Cul sera la matriz de paso?.
16/18
Clculo de la matriz de paso del ejemplo 2.

Para obtener la matriz P/ P
-1
AP=J procedemos a a calcular la cadena de subespacios
N
1
N
21
N
k1
hasta que se estacione N
k1
= N
k+1,1


En nuestro caso:

=

= = = = =

=

11 11
x 0 x 0 0 0 x
N (A I) y 0 0 0 y 0 y N (0,1, 0),(0, 0,1)
z 1 0 0 z z

=

= = = = =

=

2 3
21 21
x x 0 0 0 x
N (A I) y 0 0 0 y 0 N R y
z 0 0 0 z z

Tomamos un vector u N
21
-N
11
(un vector del suplementario de N
11
), por ejemplo u=(1,0,,0)
Obtenemos (A-I).u=v


= =




11
0 0 0 1 0
0 0 0 0 v 0 ..... observese que v N
1 0 0 0 1

Ahora rellenamos con vectores de N
11
, por ejemplo, w=(0,1,0)

Por tanto
1 1
1 0 0 1 0 0 1 0 0
P 0 0 1 P AP J 1 1 0 siendo P 0 0 1
1 0 0 0 0 1 1 0 0



= = = =



Si hubisemos tomado como base de vectores {v,u,w} la matriz de Jordan sera
1 1 0
J 0 1 0
0 0 1


=



*************************


Clculo de la matriz de paso del ejemplo 3.

Como p()= (-1)(-2)
3

Para obtener la matriz P/ P
-1
AP=J procedemos para cada a calcular la cadena de subespacios
N
1
N
2
N
k
hasta que se estacione N
k
= N
k+1,

En el caso del autovalor simple no hay nada que decir pues aparece una caja de Jordan que es (1)

Para =2 obtenemos N
12
, N
22
, N
32


Como hemos visto r(A-2I)= 2 dim(N
12
)=4-2=2 y como r(A-2I)
2
= 1 dim(N
22
)=4-1=3 (que es la
multiplicidad algebraica de =2.

Por ello tenemos solo dos autovectores asociados al autovalor 2 y necesitamos un tercero.
Como hemos hecho en los ejercicios anteriores
Tomamos un vector u N
22
-N
12
,

Antes obtenemos N
12
y N
22


17/18


+ + =

= = = =

+ + =

12 12
x 4 9 5 4 x
y 7 15 8 7 y 4x 9y 5z 4t 0
N (A 2I) 0 N ( 3,1,1, 0),( 1, 0, 0,1)
z 8 17 9 8 z x 2y z t 0
t 1 2 1 1 t

{
=

=

= = = + + = =


=

=

2
22 22
x 2 x 3 6 3 3 x
y 6 12 6 6 y y
N (A 2I) 0 x 2y z t 0 N
z 7 14 7 7 z z
t 1 2 1 1 t t


Obtenemos ahora el subespacios propio para =1
=
+ + =

=

= = = + + = =


=

+ + =

=

=
11 11
11
x 5 x 5 9 5 4 x
5x 9y 5z 4t 0
y 7 14 8 7 y y 14
N (A I) 0 7x 14y 8z 7t 0 N
z 8 17 10 8 z z 21
x 2y z 2t 0
t 1 2 1 2 t t
esto es N ( 5, 14, 21,1)

Tomamos ahora u N
22
-N
12
por ejemplo u = (2,1,0,0)

Obtenemos v=(A-2I).u entonces v = (-1,1,1,0) observes que (A-2I)v=0 esto es A.v=2v o lo que es lo
mismo v N
12
Por ultimo tomamos el vector w =(-1,0,01) de N
12
, que nos falta para completar la caja relativa a
=2 .
Para completar la base tomamos un autovector asociado a =1 a = (-5,-14,-21,1)

EN RESUMEN la matriz A es semejante a

{ }
2 0 0 0 2 1 1 5
1 2 0 0 1 1 0 14
J respecto de la base B= u, v, w, a y la matriz de paso P
0 0 2 0 0 1 2 21
0 0 0 1 0 0 1 1




= =






{ }
1
2 1 0 0 1 2 1 5
0 2 0 0 1 1 0 14
Si hubiesemos tomado como base B= v, u, w, a J y la matriz de paso P
0 0 2 0 1 0 2 21
0 0 0 1 0 0 1 1




= =




{ }
2
2 0 0 0
0 2 1 0
de la misma forma si B= w, v, u, a J
0 0 2 0
0 0 0 1



=




18/18