Algebra Lineal 1

Trabajo Practico N◦ 5

Nombre y Apellido: Marcos Miguel Ibarra Gauto.

Problema 21: [Polinomio Caracterı́stico y Teorema de Cayley–Hamilton] Dado una matriz real a de
n×n, su determinante es definida clásicamente por:
X
det(a) = sgn(σ)a1j(1) a2j(2) . . . anj(n) (1)
σ
Donde σ es una permutación del conjunto {1, 2, . . . , n} y sgn(σ) es el signo de σ (que es positivo si la
permutación dada por σ puede deshacerse por medio de un número par de transposiciones, es negativo
en caso contrario) y aij son las entradas de a.
Observación 1: Esta es una de varias fórmulas para los determinantes. Se puede demostrar que cual-
quiera de ellas representa el mismo número asociado a la matriz a, y cualquiera de ellas satisface las
tres propiedades caracterı́sticas que hemos visto en clase, y por tanto, todas las demás propiedades que se
derivan de las tres básicas. En particular, hemos visto que det(a) 6= 0 si y sólo si a es invertible.
Dado un operador lineal A: V → V, su determinante puede ser el determinante de cualquier matriz que
represente a A. Que esto no depende de la base elegida sigue de la propiedad det(ab) = det(a)det(b).
Recordemos ahora que, dado un operador lineal A: V → V , definimos un auto-par (λ, u) de A como un
vector u distinto de cero y un escalar λ tal que Au = λu. A partir de esto, hemos visto que un escalar λ
es un autovalor de A si y sólo si A − λI es singular (ie.: tiene un kernel no trivial). Se sigue que λ es un
autovalor si y solamente si det(A − λI) = 0.

1. Use la definición de determinante dada por (1) para concluir que det(A−λI) es un polinomio en λ de
grado n. Esto se llama el polinomio caracterı́stico de A. Concluya que un escalar λ es un autovalor
de A si y solo si es una raı́z del polinomio caracterı́stico de A.

Por cuestiones de comodidad, la ecuación (1) lo reescribo de manera equivalente, de la siguiente

manera:
n!
X
det(a) = (−1)sk a1j1 a2j2 . . . anjn (2)
k=1
Donde: {j1 , j2 , . . . , jn } es una de las n! permutaciones de {1, 2, . . . , n} y sk es el número de trans-
posiciones para reordenar {j1 , j2 , . . . , jn } en el orden {1, 2, . . . , n}.

Dada la matriz
   
a11 a12 . . . a1n a11 − λ a12 ... a1n
 a21 a22 . . . a2n   a21 a22 − λ ... a2n 
a= . entonces a − λI =  .
   
. .. . . ..  . .. .. .. 
 . . . .   . . . . 
an1 an2 . . . ann an1 an2 . . . ann − λ

Utilizando la ecuación (2), aplicamos la determinante a la matriz a − λI y hagamos lo siguiente:

Para k = 1, tomemos la permutación {j1 , j2 , . . . , jn } en el mismo orden que {1, 2, . . . , n}, ie,
{j1 , j2 , . . . , jn } = {1, 2, . . . , n}, con esto su transposición será cero y aseguramos que en las demás
n! − 1 permutaciones restantes, los grados de los polinomios serán menores a n.

n!
X
det(a − λI) = (a11 − λ)(a22 − λ) . . . (ann − λ) + (−1)sk a1j1 a2j2 . . . anjn
k=2

De esta forma tendremos el determinante de a − λI como la suma de dos polinomios, uno en λ de

grado n y el otro en λ de grado menor a n, ie, det(a − λI) es un polinomio en λ de grado n.

Definamos σ(A) como el conjunto de autovalores del operador A. Entonces:

λ ∈ σ(A) ⇔ Av = λv con v 6= 0 ⇔ (A−λI)v = 0 con v 6= 0 ⇔ A−λI es singular ⇔ det(A−λI) = 0
2. Use el teorema de triangularización de Schur para probar el siguiente resultado

Teorema: (Cayley-Hamilton–Caso complejo). Sea A: V → V un operador lineal sobre un espa-

cio vectorial complejo V de dimensión finita. Sea pA (λ) = det(A − λI) su polinomio caracterı́stico.
Entonces pA (A) = 0 (ie.: cualquier operador C−lineal es una raı́z del polinomio caracterı́stico).

1 Lic. Marcos Ibarra

 Algebra Lineal 2

Observación 2: Puedes inspirarte mirando la prueba del Teorema 20.2 del libro de Elon. En caso
de que no pueda encontrar una discusión, puede echar un vistazo al libro de Carl M eyer.

El Teorema de Schur asegura la existencia de una matriz unitaria U tal que U ∗ AU = T es triangular
y el desarrollo permite que los autovalores de A aparezcan en cualquier orden dado en la diagonal
de T .

Definamos σ(A) = {λ1 , λ2 , . . . , λk } el conjunto de autovalores de A con λi repetida ai veces, entonces

existe una matriz unitaria U tal que:
   
T1 ∗ . . . ∗ λi ∗ . . . ∗
 T2 . . . ∗  λi . . . ∗
U ∗ AU = T =  donde Ti = 
   
.. ..  .. .. 
 . .  . .
Tk λi ai ×ai

En consecuencia, (Ti − λi I)ai = 0, por tanto (T − λi I)ai tiene la forma:

 
∗ ... ∗ ... ∗
 . . .. .. 

 . . .
a
(T − λi I) = 
i  0 . . . ∗ 
 . . .. 
 . .
∗
Lo anterior asegura que:

(T − λ1 I)a1 (T − λ2 I)a2 . . . (T − λk I)ak = 0

La ecuación caracterı́stica de A es:

pA (λ) = (λ − λ1 )a1 (λ − λ2 )a2 . . . (λ − λk )ak = 0

Por tanto:

U ∗ pA (A)U = U ∗ (A − λ1 I)a1 (A − λ2 I)a2 . . . (A − λk I)ak U

= (T − λ1 I)a1 (T − λ2 I)a2 . . . (T − λk I)ak = 0

⇒ pA (A) = 0.

3. Utilice el teorema de Cayley-Hamilton (caso complejo) para concluir el mismo resultado para ope-
radores sobre espacios vectoriales reales.
Por lo anterior:

Si pa es un polinomio caracterı́stico de la matriz a ∈ M (n × n, C) entonces pa (a) = 0.

Si la matriz a es real, su polinomio caracterı́stico pa es un polinomio real y se tiene que pa (a) = 0,
pues todo número real es complejo. En general, toda matriz con entradas reales puede complexifi-
carse.

Problema 22: Sea V un espacio vectorial complejo de dimensión finita con producto interno hermitiano,
y sea L(V ) el espacio vectorial de todas las operaciones lineales sobre V . Se define el mapa k · k: L(V ) → C,
por
k A k:= max{k Ax k2 :k x k2 = 1}
donde k · k es la norma inducida por el producto interno.

1. Mostrar que esto define una norma en L(V ) Debemos probar lo siguiente:

Positividad p
Por definición sabemos que k Ax k2 = hAx, Axi ≥ 0 y x 6= 0 entonces k A k≥ 0
También k A k= 0 ⇔ A = 0

2 Lic. Marcos Ibarra

 Algebra Lineal 3

Homogeneidad

k αA k := max{k αAx k2 :k x k2 = 1}
:= max{| α |k Ax k2 :k x k2 = 1}
:=| α | max{k Ax k2 :k x k2 = 1}
:=| α |k A k

Desigualdad Triangular: Sean A, B ∈ L(V )

k A + B k:= max{k (A + B)x k2 :k x k2 = 1} = max{k Ax + Bx k2 :k x k2 = 1}

Sabemos que k Ax + Bx k2 ≤k A k2 + k B k2 , entonces:

k A + B k ≤ max{k Ax k2 :k x k2 = 1} + max{k Bx k2 :k x k2 = 1}
≤k A k + k B k

2. Mostrar que k Av k2 ≤k A kk v k2 , para cualquier A ∈ L(V ) y v ∈ V .

k A k:= max{k Ax k2 :k x k2 = 1}

k Av k2
Esto es equivalente a mostrar que k A k ≥
k v k2

k A k = max{k Ax k2 : k x k2 = 1}
 
k Ax k2
= max : k x k2 6= 0 Para todo x en V
k x k2
 
k Av k2
= max : k v k2 6= 0 En particular para v en V
k v k2
 
k Av k2 k Av k2
= max : k v k2 6= 0 ≥
k v k2 k v k2

3. Mostrar que k AB k≤ k A kk B k para todo A, B ∈ L(V ).

Por lo anterior, para v ∈ V podemos escribir lo siguiente:

k AB k=k ABv k ≤ k A kk Bv k2
≤k A kk B k

3 Lic. Marcos Ibarra