Algebra Lineal

Matrices Semajantes - Diagonalización

César Barraza

17 de diciembre de 2022
 ÍNDICE GENERAL

1. Matrices Semejantes y Diagonalización 1

1.1. Matrices semejantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Diagonalización de matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Ejercicios desarrollados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2. Matrices Simétricas y Diagonalización Ortogonal 14

2.1. Formas cuadráticas y secciones cónicas . . . . . . . . . . . . . . . . . . . . 19
2.2. Ejercicos desarrollados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

i
 CAPÍTULO 1

MATRICES SEMEJANTES Y
DIAGONALIZACIÓN

Motivación
Cadenas de Markov

Supongamos que la situación del empleo en un paı́s evoluciona de la siguiente manera: de

1
todas las personas que están desempleadas en algún año, de ellas encuentran trabajo
16
el próximo año. Además, de todas las personas que estuvieron empleadas en algún año,
1
de ellas pierde su trabajo al año siguiente, mientras que el resto sigue trabajando.
8
Supongamos que en este momento hay 8 millones de personas trabajando y medio millón
de personas desempleadas.
Si suponemos que el modelo es valido dentro de los 50 años. ¿Como determinar la situación
del empleo dentro de un año? ¿En 50 años?
Una herramienta a utilizar para resolver este problema es la diagonalización de matrices.

1.1. Matrices semejantes

Definicion 1.1 (Semejanza)
Sean A y B dos matrices de orden n × n con elementos sobre el campo F. Si existe una
matriz P de orden n × n invertible tal que

B = P −1 AP

decimos que A y B son semejantes sobre el campo F

Daremos a continuación algunos ejemplos de matrices semejantes

1
CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

Ejemplo 1.1
Sea A, B, P definidos por
" # " #
2 1 2 2
A = B=
0 −1 0 −1
" #
1 1
P =
0 −1

Tenemos que det (P ) = −1, luego P es invertible, el cual es dado por

" #
1 1
P −1 =
0 −1

Msc. Julio César Barraza Bernaola 2 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

Realizando la multiplicación
" #" #" #
1 1 2 1 1 1
P −1 AP =
0 −1 0 −1 0 −1
" #" #
2 0 1 1
P −1 AP =
0 1 0 −1
" #
2 2
P −1 AP = =B
0 −1

por lo que tenemos que A y B son semejantes.

Ejemplo 1.2
Sea A, B, P definidos por
" # " #
2 i 2 3−i
A = B=
0 −1 0 −1
" #
1 1
P =
0 −1

Tenemos que
" #" #" #
1 1 2 i 1 1
P −1 AP =
0 −1 0 −1 0 −1
" #" #
2 −1 + i 1 1
P −1 AP =
0 1 0 −1
" #
2 3−i
P −1 AP = =B
0 −1

por lo que A y B son semejantes en el campo de los complejos

Determinar la matriz P, es el objetivo. Para ello abordaremos primero el caso particular

de matrices semejantes a una matriz diagonal y luego a partir de ahı́, daremos condiciones
para establecer en que caso A y B son semjantes y como determinar la matriz P.

1.2. Diagonalización de matrices

Uno de los hechos que mas centran nuestra atención son las matrices semejantes a una
matriz diagonal.

Msc. Julio César Barraza Bernaola 3 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

Ejemplo 1.3
Sea A la matriz definida por
" √ #
2 2
A= √
2 1
tiene como valores y vectores propios correspondientes
"√ #
− 2
λ1 = 0 → v1 =
2
" √ #
2
λ2 = 3 → v2 =
1

si definimos la matriz
" # " √ √ #
0 0 − 2 2
D= y P =
0 3 2 1

entonces se cumple que

D = P −1 AP

lo cuál puede verificar. Por tanto A es semejante a la matriz D.

Ejemplo 1.4
Sea A definido por
 
3 2 4
A= 2 0 2 
 

4 2 3
el cuál tiene como valores y vectores propios correspondientes
   
 −1
 −1 
λ1 = λ2 = −1 (m.a = 2) → {v1 , v2 } =  0  ,  2 
   
 
1 0
 
 
2
λ3 = 8 → v3 =  1 
 

entonces si definimos
   
−1 −1 2 −1 0 0
P = 0 2 1  y D =  0 −1 0 
   

1 0 2 0 0 8

Msc. Julio César Barraza Bernaola 4 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

entonces puede usted verificar que

D = P −1 AP

Por lo tanto A es semejante a la matriz diagonal D.

Nota
La matriz P es invertible y esta formado por los vectores propios de A colocados en
columnas.
El número de vectores propios de A es igual al orden de la matriz A

Esto nos conduce a una nueva definición, la de matrices diagonalizables.

Definicion 1.2 (Matriz Diagonalizable)
Una matriz cuadrada A es diagonalizable si existe una matriz diagonal D del mismo orden
tal que A es semejante a D
Ejemplo 1.5
De los ejemplos 1.3 y 1.4 tenemos que las matrices
 
" √ # 3 2 4
2 2
A= √ yB= 2 0 2 
 
2 1
4 2 3

son semejantes a una matriz diagonal, por lo tanto A y B son diagonalizables.

Como hemos visto en los ejemplos previos, si la matriz A tiene el número de vectores
propios igual a su orden entonces es diagonalizable, lo cual es enunciado por el siguiente
teorema
Teorema 1.1
Una matriz A de orden n es diagonalizable si y solo si A tiene n vectores propios lineal-
mente independientes.

Prueba. (=⇒) Supongamos que la matriz A es diagonalizable.

Entonces existe una matriz P invertible talque D = P −1 AP, esto es, P D = AP.
Dado que P es invertible, entonces la matriz P esta formado con n vectores linealmente
independientes y no nulos  h i
Sea D = diag λ1 λ2 · · · λn y P = v1 v2 · · · vn entonces

h i   h i
v1 v2 · · · vn diag λ1 λ2 · · · λn = A v1 v2 · · · vn
h i h i
λ1 v1 λ2 v2 · · · λn vn = Av1 Av2 · · · Avn

por igualdad de columnas tenemos que Avi = λi vi donde los vectores vi son no nulos.

Msc. Julio César Barraza Bernaola 5 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

Por tanto λi , vi son valores y vectores propios correspondientes de la matriz A, esto es, A
tiene n vectores propios linealmente independientes
(⇐=) Supongamos que la matriz tiene n vectores propios linealmente independientes
Sea λi , vi valores y vectores
h propios linealmente
i independientes para i = 1, · · · , n
Consideremos P = v1 v2 · · · vn , entonces

h i
AP = Av1 Av2 · · · Avn
h i
AP = λ1 v1 λ2 v2 · · · λn vn
h i  
AP = v1 v2 · · · vn diag λ1 λ2 · · · λn
AP = P D

de donde D = P −1 AP, esto es, A es diagonalizable.

Nota
Del teoremea podemos concluir

Los valores propios pueden ser repetidos

Si todos los valores propios son diferentes es evidente que A es diagonalizable.

La matriz diagonal es la matriz formada por los valores propios

La matriz P que diagonaliza es la matriz de vectores propios

Ejemplo 1.6
Diagonalice la matriz A dada por
 
4 1 −1
A =  2 5 −2 
 

1 1 2

Solucion
Determinando los valores propios

p (λ) = det (A − λI)

p (λ) = − (λ − 3)2 (λ − 5)

luego
λ1 = λ2 = 3, λ3 = 5

son los valores propios de A.

Determinando los vectores propios correspondientes a λ1 = λ2 = 3.

Msc. Julio César Barraza Bernaola 6 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

Resolviendo el sistema de ecuaciones homogéneo

(A − 3I) v = 0
    
1 1 −1 x 0
 2 2 −2   y  =  0 
    

1 1 −1 z 0

obtenemos    

 −1 1 
E3 = gen  1  ,  0 
   
 
0 1
 

luego podemos considerar    

−1 1
v1 =  1  , v2 =  0 
   

0 1
Determinando el vector propio correspondiente a λ3 = 5.
Resolviendo el sistema de ecuaciones homogéneo

(A − 5I) v = 0
    
−1 1 −1 x 0
 2 0 −2   y  =  0 
    

1 1 −3 z 0
  
 1 
 
E5 = gen  2 
 
 
1
 

Luego el vector propio es  

1
v3 =  2 
 

1
Por lo tanto la matriz P que diagonaliza a la matriz A es dado por
 
−1 1 1
P = 1 0 2 
 

0 1 1

Msc. Julio César Barraza Bernaola 7 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

y la matriz diagonal D semejante a la matriz A es dado por

 
3 0 0
D= 0 3 0 
 

0 0 5

el cual verifica la relación

D = P −1 AP

Otra forma de ver que una matriz es diagonalizable es conociendo su multiplicidad

algebraica y geométrica.
Teorema 1.2
Una matriz cuadrada A es diagonalizable si y solo si la multiplicidad algebraica y ge-
ométrica de cada valor propio son iguales.

Prueba. (=⇒) Si A es diagonalizable entonces existe una matriz P invertible, tal que

D = P −1 AP

luego
P D = AP

considerando h i
D = diag(d1 , d2 , · · · , dn ), P = v1 v2 · · · vn

tenemos que
di vi = Avi

luego λi , vi son valor y vector propio correspondientes, por lo tanto m.a(λi ) = m.g (vi )
(⇐=) De la multiplicidad algebraica tenemos que r1 + r2 + · · · + rm = n.
como la multiplicidad algebraica es igual a la geométrica entonces A tiene n vectores
propios linealmente independientes. Por el teorema 1.1 tenemos que A es diagonalizable.

Ahora enunciaremos un teorema que relaciona los polinomios carateristicos de dos matri-
ces semejantes
Teorema 1.3
Dos matrices semejantes tienen el mismo polinomio caracteristico

Prueba. Sean A y B dos matrices semejantes, entonces existe una matriz invertible P
talque
B = P −1 AP

sea pA (λ) y pB (λ) los polinomios caracterı́sticos de A y B, respectivamente.

Msc. Julio César Barraza Bernaola 8 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

Luego

pB (λ) = det (B − λI) = det P −1 AP − λI = det P −1 AP − λP −1 P

pB (λ) = det P −1 (A − λI) P = det P −1 det (A − λI) det (P )

pB (λ) = det (A − λI)

por tanto pB (λ) = pA (λ) , esto es, A y B tienen el mismo polinomio caracterı́stico.
Ejemplo 1.7
Las matrices A y B definidos por
" # " #
2 −1 1 1
A= B=
−1 1 1 2

son semejantes pues para " #

1 1
P =
0 −1
se tiene que
B = P −1 AP

Calculando su polinomio caracterı́stico de A y de B tenemos

pA (λ) = λ2 − 3λ + 1
pB (λ) = λ2 − 3λ + 1

es decir tienen el mismo polinomio caracterı́stico y por ende los mismos valores propios.

Nota
Lo contrario no siempre es cierto, es decir, si dos matrices tienen el mismo polinomio
caraterı́stico no siempre son semejantes. Veamos la matriz
" #
4 1
A=
0 4

tiene como polinomio caracteristico

pA (λ) = λ2 − 8λ + 16

y la matriz " #
4 0
B=
0 4

Msc. Julio César Barraza Bernaola 9 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

tiene como polinomio caracteristico

pB (λ) = λ2 − 8λ + 16

es decir A y B tienen el mismo polinomio caracteristico y por lo mismo los mismos valores
propios, sin embargo no son semejantes pues la matriz A no es diagonalizable, ya que un
cálculo de sus valores y vectores propios nos da los siguientes resultados.
Los valores y vectores propios de A son
(" #)
1
λ1 = λ2 = 4 → v =
0
m.a(4) = 2 y m.g (4) = 1

no es diagonalizable, sin embargo la matriz B tiene como valores y vectores propios

(" # " #)
1 0
λ1 = λ2 = 4 → {v1 , v2 } = ,
0 1

es decir B es diagonalizable.
Nota
Esto nos dice que si dos matrices tienen el mismo polinomio caracterı́stico pero uno es
diagonalizable y el otro no lo es, entonces estas matrices no son semejantes.

Una forma de probar que las matrices A y B definidas previamente no son semejantes, es
suponiendo que si lo es, y encontrar una contradicción.
Nota
Si suponemos que si lo es, es decir existe una matriz invertible
" #
a b
P = talque B = P −1 AP
c d

esto es

" #" PB# = AP

" #" #
a b 4 0 4 1 a b
=
c d 0 4 0 4 c d
" # " #
4a 4b 4a + c 4b + d
=
4c 4d 4c 4d

por igualdad de matrices se tiene que

c=0 y d=0

Msc. Julio César Barraza Bernaola 10 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

es decir P es no-invertible, lo cuál contradice el hecho de que P es invertible, por tanto

A y B no son semejantes.

Proposicion 1.1
Dos matrices A y B son semejantes si

a) A y B tienen el mismo polinomio caracteristico

b) A y B son diagonalizables

Ejemplo 1.8
Determine si las matrices
   
−6 −3 −25 −16 −4 −14
A= 2 1 8  y B =  −15 −5 −14 
   

2 2 7 25 8 23

son semejantes.

Solucion
Determinando sus polinomios caracterı́sticos

pA (λ) = det (A − λI) = λ3 − 2λ2 − λ + 2

pB (λ) = det (B − λI) = λ3 − 2λ2 − λ + 2

como son iguales, procedemos a determinar si las matrices A y B son diagonalizables

Como λ3 − 2λ2 − λ + 2 = (λ + 1) (λ − 1) (λ − 2) , entonces

m.a (−1) = mg (−1) = 1

m.a (1) = mg (1) = 1
m.a (2) = mg (2) = 1

entonces A y B son diagonalizables, por tanto A y B son semejantes.

1.3. Ejercicios desarrollados

Problema 1.1
Sean A y B dos matrices semejantes. Muestre que det (A) = det (B)

Solucion
Como las matrices son semejantes entonces existe una matriz invertible P, tal que

B = P −1 AP

Msc. Julio César Barraza Bernaola 11 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

aplicando determinantes

det (B) = det P −1 AP

det (B) = det P −1 det (A) det (P )

det (B) = det (P )−1 det (A) det (P )

de donde se establece que

det (B) = det (A)

Problema 1.2
Sean A, D y C dos matrices de orden n con D una matriz diagonal y C una matriz
invertible. Si A = C −1 DC, muestre que

Am = C −1 Dm C

Solucion
Por inducción sobre m.
Para m = 1 es válido por la hipótesis
Supongamos que es valido para m = m
Determinemos su validez para m = m + 1

Am+1 = Am A

por hipótesis de inducción

Am+1 = C −1 Dm CA
Am+1 = C −1 Dm C · C −1 DC

Simplificando
Am+1 = C −1 Dm+1 C

por tanto Am = C −1 Dm C para todo m ∈ N

Problema 1.3
Determine A20 , si
" #
3 −4
A=
2 −3

Msc. Julio César Barraza Bernaola 12 Universidad Nacional de Ingenieria

CAPÍTULO 1. MATRICES SEMEJANTES Y DIAGONALIZACIÓN

Solucion
Calculando los valores y vectores propios de A, tenemos
" #
1
λ1 = −1 → v1 =
1
" #
2
λ2 = 1 → v2 =
1

luego se tiene
D = P −1 AP

donde " # " #

1 2 −1 0
P = , D=
1 1 0 1
Luego

An = P Dn P −1
" #" #" #−1
n
1 2 (−1) 0 1 2
An =
1 1 0 1n 1 1
" #" #" #
n
1 2 (−1) 0 −1 2
An =
1 1 0 1 1 −1

de donde se obtiene " #

n 2 − (−1)n 2 (−1)n − 2
A =
1 − (−1)n 2 (−1)n − 1

Problema 1.4
Sea A una matriz diagonalizable con valores propios λ1 , λ2 , · · · , λn . Muestre que

det (A) = λ1 λ2 · · · λn

Solucion
Consideremos D = diag (λ1 , λ2 , · · · , λn ) .
Como A es diagonalizable entonces A es semejante a D.
Del problema 1.1 se concluye que

det (A) = det (D)

por tanto
det (A) = λ1 λ2 · · · λn

Msc. Julio César Barraza Bernaola 13 Universidad Nacional de Ingenieria

 CAPÍTULO 2

MATRICES SIMÉTRICAS Y
DIAGONALIZACIÓN ORTOGONAL

En este capı́tulo veremos algunas propiedades que tienen las matrices simétricas reales.
La primera de ellas es que toda matriz simétrica real tiene valores propios reales.
Teorema 2.1
Sea A una matriz simétrica real de orden n. Entonces A tiene solo valores propios reales

Prueba. Sea ⟨u , v⟩ = v T u el producto interno y λ un valor propio de A, entonces

⟨Av, v⟩ = ⟨λv, v⟩ = λ ⟨v, v⟩

Se tiene que ⟨u, v⟩ = ⟨v, u⟩ pues v ∈ Rn , entonces

⟨Av, v⟩ = ⟨v, Av⟩ = ⟨v, λv⟩ = (λv)T v = λv T v

 
⟨Av, v⟩ = λ v T v = λ⟨v, v⟩ = λ ⟨v, v⟩

de donde λ = λ y esto se da si y solo si λ ∈ R

Por lo tanto una matriz simétrica tiene solo valores propios reales
Teorema 2.2
Sea A una matriz simétrica real. Si u, v son vectores propios correspondientes a valores
propios diferentes λ1 y λ2 , entonces los vectores propios u, v son ortogonales.

Prueba. Sean v1 y v2 los vectores propios correspondientes a λ1 y λ2 , respectivamente,

entonces
⟨Av1 , v2 ⟩ = ⟨λ1 v1 , v2 ⟩ = λ1 ⟨v1 , v2 ⟩

14
CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Tambien
⟨v1 , Av2 ⟩ = ⟨v1 , λ2 v2 ⟩ = λ2 ⟨v1 , v2 ⟩ = λ2 ⟨v1 , v2 ⟩

Probemos que
⟨Av1 , v2 ⟩ = ⟨v1 , Av2 ⟩

De la definición de producto interno

⟨v1 , Av2 ⟩ = (Av2 )T v1 = v2T AT v1 = v2T (Av1 ) = ⟨Av1 , v2 ⟩

de donde
λ1 ⟨v1 , v2 ⟩ = λ2 ⟨v1 , v2 ⟩ → (λ1 − λ2 ) ⟨v1 , v2 ⟩ = 0

como λ1 − λ2 es diferente de cero, entonces ⟨v1 , v2 ⟩ = 0.

Por lo tanto v1 y v2 son ortogonales.
Ejemplo 2.1
Sea A la matriz simetrica definida por
 
5 4 2
A= 4 5 2 
 

2 2 2

Calculamos su polinomio caracteristico

pA (λ) = λ3 − 12λ2 + 21λ − 10 = (λ − 10) (λ − 1)2

determinando sus vectores propios tenemos

    

 −1 −1 
λ = 1 (m.a = 2) → λ u= 1 ,v =  0 
   
 
0 2
 
  

 2  
λ = 10 (m.a = 1) → w= 2 
 
 
1
 

como podemos notar

u·w =0 y v·w =0

esto es, vectores propios correspondientes a valores propios diferentes son ortogonales.

Nota
Notar que los vectores u, v correspondientes al mismo valor propio son linealmente inde-
pendientes, pero no son ortogonales.

Msc. Julio César Barraza Bernaola 15 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Un teorema fundamental en la diagonalización de matrices simetricas es el que daremos

a continuación.
Teorema 2.3
Sea A una matriz real de orden n. Si A es simétrica, entonces A tiene n vectores propios
linealmente independientes.

Como consecuencia de este teorema, tenemos

Corolario 2.1
Si A es simétrica, entonces A tiene n vectores propios mutuamente ortogonales.

Prueba. Sean λ1 , λ2 , · · · , λm los valores propios de la matriz A.

Aplicando el proceso de Gram-Schdmit a cada base de Eλi obtenemos un base de vectores
propios mutuamente ortogonales.
Por tanto obtenemos n vectores propios mutuamente ortogonales.
Estos dos teoremas dan lugar al siguiente teorema fundamental en el algebra lineal
Teorema 2.4
Sea A una matriz simetrica real. Entonces existe una matriz ortogonal P talque P T AP es
una matriz diagonal.

Prueba. Como A es simétrica entonces tiene n valores propios reales λ1 , λ2 , · · · , λn in-

cluido repeticiones.
Por el teorema anterior se tiene que existe un conjunto de vectores propios u1 , u2 , · · · , un
mutuamente ortonormales correspondientes a λ1 , λ2 , · · · , λn , respectivamente.
Formando la matriz h i
P = u1 u2 · · · un

entonces
   
uT1 uT1 u1 uT1 u2 · · · uT1 un
   
uT2 i  uT2 u1 uT2 u2 · · · uT2 un
   
 h 
PTP =  u1 u2 · · · un =  .
   
..   . .. 
.   . .
  
 
   
T
un uTn u1 uTn u2 · · · uTn un

Como uTi uj = 0 para todo i ̸= j y uTi ui = ∥ui ∥ = 1, entonces

PTP = I

entonces, P −1 = P T
Por el teorema de diagonalización
 
D = diag λ1 λ2 · · · λn = P −1 AP

Msc. Julio César Barraza Bernaola 16 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

luego
D = P T AP

Definicion 2.1
Sea A una matriz de orden n. Se dice que A es diagonalizable ortogonalmente si existe
una matriz ortogonal P tal que P T AP = D, donde D es una matriz diagonal.

Ejemplo 2.2
Sea
" #
2 −2
A=
−2 5
entonces calculando sus valores y vectores propios tenemos
" #
2
λ1 = 1 → v1 =
1
" #
−1
λ2 = 6 → v2 =
2

entonces si formamos P,
" # " #
2 −1 5 0
P = → P T AP =
1 2 0 30

entonces tenemos que es semejante a una matriz diagonal, si embargo si queremos que
la matriz diagonal este formada por los valores propios de A, bastará con normalizar los
vectores propios, esto es
" #
v1 1 2
u1 = =√
∥v1 ∥ 5 1
" #
v2 1 −1
u2 = =√
∥v2 ∥ 5 2

entonces formando P,
 
√2 − √15
" #
5
 → P T AP = 1 0
P =
√1 √2 0 6
5 5

como vemos la matriz diagonal coincide con los valores propios de A, es más
" #
1 0
PTP =
0 1

Msc. Julio César Barraza Bernaola 17 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Esto nos lleva a presentar el algoritmo siguiente para obtener la matriz P que diagonaliza
ortogonalmente a la matriz A
Algoritmo 2.1
1. Encontrar una base para cada espacio propio de A

2. Ortonormalizar cada base utilizando el proceso de Gram-Schdmidt

3. Formar la matriz P cuyas columnas son los vectores ortonormalizados en el paso

anterior.

Ejemplo 2.3
Sea A la matriz simetrica definida por
 
5 4 2
A= 4 5 2 
 

2 2 2

Diagonalice ortogonalmente la matriz A

Solucion
Determinando los valores propios de A

p (λ) = det (A − λI) = λ3 − 12λ2 + 21λ − 10

luego
λ3 − 12λ2 + 21λ − 10 = 0 → (λ − 1)2 (λ − 10) = 0

de donde obtenemos los valores y vectores propios

  
−1 
 −1 
λ = 1 (m.a = 2) → E1 = gen u =  1  , v =  0 
   
 
0 2
 
  

 2  
λ = 10 (m.a = 1) → E10 = gen w =  2 
 
 
1
 

claramente u, v no son ortogonales.

Msc. Julio César Barraza Bernaola 18 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Aplicando el proceso de Gram-Schdmit a cada espacio propio

 √ 
  − 12 2
−1
u 1   √ 
u1 = = √  1  =  12 2 
  
∥u∥ 2  
0
0
   
−1 −1
1 1 
v2 = v − ⟨v, u1 ⟩ u1 =  0  − √ · √  1 
  
2 2
2 0
 1   1√ 
−2 −6 2
  v2  √ 
v2 =  − 12  → u2 = =  − 16 2 
   
∥v2 ∥ 
√
  
2
2 3
2

Ahora que se aplico el proceso de Gram-Schmidt al espacio propio correspondiente al valor

propio λ = 1, hacemos lo mismo con el espacio propio correspondiente al valor propio
λ = 10, es suficiente tomarle la norma
 2

 
2 3
w 1   2

u3 = =  2 =
 
∥w∥ 3 3

 
1 1
3

entonces formamos la matriz P

 √ √ 
− 12 2 − 16 2 2
3
 
1 0 0
 √ √ 
P =  12 2 − 16 2 2
 → P T AP =  0 1 0 
   
3
√
 
2 1 0 0 10
0 3
2 3

2.1. Formas cuadráticas y secciones cónicas

Una aplicación de la diagonalización ortogonal es reconocer las secciones cónicas cuando
estas se encuentran rotadas un cierto ángulo.
Definicion 2.2
Una expresión de la forma

ax2 + 2bxy + cy 2 + dx + ey = f

se llama ecuación cuadrática de dos variables.

Msc. Julio César Barraza Bernaola 19 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Ejemplo 2.4
Las siguientes ecuaciones de dos variables

2x2 − 5xy + 10y 2 − 2x − 6y = 2

x2 + 2xy + 2y 2 + 4y = 6

son ejemplos de ecuaciones cuadráticas.

Definicion 2.3
La expresión F (x, y) = ax2 + 2bxy + cy 2 es llamada forma cuadrática de dos variables.
Ejemplo 2.5
Las expresiones

F (x, y) = 2x2 − 5xy + 10y 2

G (x, y) = 3x2 + 4xy + 3y 2

son ejemplos de formas cuadráticas.

Forma matricial de la ecuación cuadrática

La ecuación matricial
ax2 + 2bxy + cy 2 + dx + ey = f

es escrita en forma matricial como

" #" # " #
h i a b x h i x
x y + d e =f
b c y y

Ejemplo 2.6
Sea la ecuación
3x2 − 6xy + 2y 2 + 4x − 2y = 10

Escriba la ecuación cuadrática en su forma matricial.

Solucion
Tenemos que
" #" #
h 3 −3 i x
3x2 − 6xy + 2y 2 = x y
−3 2 y
" #
h i x
4x − 2y = 4 −2
y

entonces " #" # " #

h i 3 −3 x h i x
x y + 4 −2 = 10
−3 2 y y

Msc. Julio César Barraza Bernaola 20 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Debemos notar que la matriz es simétrica, se pudo elegir otra matriz no simétrica, sin
embargo, para los fines de reconocimiento de las secciones cónicas es necesario elegir una
matriz simétrica.

Teorema de los ejes principales

El teorema de los ejes principales permite encontrar una transformación lineal que deter-
mina un nuevo sistema de coordenadas con base ortonormal.
Teorema 2.5 h iT
Sea xT Ax una forma cuadrática con x = x1 x2 · · · xn. Si A es una matriz
h iT
simétrica real, entonces existe un cambio de coordenadas y = P T x = y1 y2 · · · yn
tal que
xT Ax = y T Dy

donde P es la matriz que diagonaliza ortogonalmente a la matriz A.

Prueba. Como A es una matriz simétrica existe una base ortonormal de vectores propios
de A, talque
D = P T AP
  h i
donde D = diag λ1 λ2 · · · λn y P = u1 u2 · · · un son la matriz de vectores
propios de A, correspondientes a los valores propios λi para i = 1, · · · , n.
De D = P T AP se tiene que A = P DP T , entonces

xT Ax = xT P DP T x

xT Ax = xT P D P T x

Haciendo el cambio de variable y = P T x se tiene que y T = xT P, entonces

xT Ax = y T Dy = λ1 y12 + λ2 y22 + · · · + λn yn2

Este teorema nos permite identificar la sección cónica asociada a la ecuación cuadrática

ax2 + 2bxy + cy 2 = f

Debemos notar que la gráfica de la ecuación cuadrática se encuentra en un sistema

" #de
1
coordenadas donde las direcciones de los ejes son los vectores unitarios e1 = y
0
" #
0
e2 =
1

Msc. Julio César Barraza Bernaola 21 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

" # " #
x′ x
Con el cambio de variables = PT
y′ y
Obtenemos la ecuación
λ1 x′2 + λ2 y ′2 = f

cuya gráfica se encuentra en un sistema de coordenadas dada por los vectores propios
ortonormales obtenidos de la matriz simétrica asociada, en este nuevo sistema es fácil
reconocer de que sección se trata y graficarla.

2.2. Ejercicos desarrollados

Problema 2.1
Demuestre que si Q es ortogonal, entonces det(Q) = ±1.

Solucion
Como Q es ortogonal entonces
QQT = I

tomando determinantes

det (Q) det QT

= det(I)
[det(Q)]2 = 1

de donde det(Q) = ±1

Problema 2.2
Sea A una matriz simétrica de orden 3 con valores propios λ1 = 3 y λ2 = 5. Si los vectores
   
2 1
propios de λ1 son v1 =  2  , v2 =  0  , encuentre una matriz A.
   

1 0

Solucion
Sea v3 el vector propio asociado a λ3 , entonces v3 es ortogonal a los vectores v1 y v2 . Luego
puedo considerar  
0
v3 = v1 × v2 =  1 
 

−2
Hallando la matriz que diagonaliza ortogonalmente.

Msc. Julio César Barraza Bernaola 22 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Para λ = 2
 2

3
 
2
u1 = 
 
3

 
1
3
 2
  2
  5

 
 
1 * 1 3 + 3 9
     
2 2   4 
w2 =  0  −  0 ,   −9 
=
      
3 3
 
     
0 0 1 1
3 3
− 29
 
5
√
 3 5 
 4

u2  − 3√5
=  

 
− 3√2 5

Para λ2 = 5  
0
√1
 
u3 = 
 5


− √25
por tanto
√
2 5
 
3 3
0
 √ 
Q =  2
− 4155 √1
 
3 5

 
√
1
3
− 2155 − √25
D = diag (2, 2, 5)

luego

A = QDQT
 
2 0 0
0 13 − 65 
 
A = 
 5 
6 22
0 −5 5

Problema 2.3
Sea A una matriz real de orden 3 y a11 ̸= 0. Muestre que si AT = adj(A), entonces, A es
una matriz ortogonal.

Msc. Julio César Barraza Bernaola 23 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Solucion
Tenemos que

Aadj(A) = |A| I
AAT = |A| I

aplicando determinante y teniendo en cuenta que A es de orden 3,

|A|2 = |A|3 → |A| = 0 ó |A| = 1

Por otro lado de la determinante de A por cofactores, tenemos

det (A) = a11 A11 + a12 A12 + a13 A13

ademas
AT = adj(A) = cof (A)T → cof (A) = A

de donde Aij = aij , luego

det (A) = a211 + a212 + a213 > 0 pues a11 > 0

por tanto det (A) = 1, de donde

AAT = I

por tanto la matriz A es ortogonal.

Problema 2.4
Sea la ecuación cuadrática
5x2 − 2xy + 5y 2 = 24

Determine

a) De que sección cónica se trata.

b) Gráfique la sección cónica, indicando los ejes de rotación.

Solucion
a) De la forma cuadrática
" #" #
h i 5 −1 x
5x2 − 2xy + 5y 2 = x y
−1 5 y

de donde " #
5 −1
A=
−1 5

Msc. Julio César Barraza Bernaola 24 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Los valores propios son λ1 = 4 y λ2 = 6, entonces por el teorema de los ejes

principales
5x2 − 2xy + 5y 2 = 24 → 4x′2 + 6y ′2 = 24

de donde podemos afirmar que se trata de una elipse.

b) Para graficar la elipse, Diagonalizaremos ortogonalmente la matriz A.

Los valores y vectores propios son

" #
1
λ1 = 4 → v1 =
1
" #
−1
λ2 = 6 → v2 =
1

Hallando una base ortonormal de cada espacio propio

 
√1
v1 2
u1 = = 
∥v1 ∥ √1
2
 
− √1
v2 2
u2 = = 
∥v2 ∥ √1
2

entonces las direcciones de los nuevos ejes x′ y y ′ son u1 y u2 .

La ecuación de la elipse nomalizada es

x′2 y ′2
+ =1
6 4

cuya gráfica mostramos

Msc. Julio César Barraza Bernaola 25 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Problema 2.5
Sea la ecuación cuadrática

x2 − 2xy + y 2 + 2xz + z 2 = 1

a) Determine de que superficie cuadrática se trata

b) Gráfique la superficie cuadrática

Solucion
a) La matriz simétrica asociada es dado por
 
1 −1 1
A =  −1 1 0 
 

1 0 1

Hallando sus valores propios

√ √
λ1 = 1, λ2 = 2 + 1, λ3 = 1 − 2

De donde la expresión cuadrática es

√   √ 
2 2 2
(x′ ) + 2 + 1 (y ′ ) + 1 − 2 (z ′ ) = 1

√

como 1 − 2 < 0, entonces se trata de un hiperboloide de una hoja.

b) Calculando los vectores propios

 
0
λ1 = 1 → v1 =  1 
 

1
 √ 
2
√
λ2 = 2 + 1 → v2 =  −1 
 

1
 √ 
− 2
√
λ3 = 1 − 2 → v3 =  −1 
 

que viene a ser las direcciones de los nuevos eje.

Msc. Julio César Barraza Bernaola 26 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Problema 2.6
Sea la ecuación cuadrática

7x2 − 2xy + 7y 2 − 4xz + 4yz + 10z 2 − 12x + 12y + 60z = 24

Determine de que superficie cuadrática se trata.

Solucion
La forma cuadrática es dada por

F (x, y, z) = 7x2 − 2xy + 7y 2 − 4xz + 4yz + 10z 2

  
h i 7 −1 −2 x
F (x, y, z) = x y z  −1 7 2  y 
  

−2 2 10 z
 
7 −1 −2
Calculando los valores propios de la matriz A =  −1 7 2 
 

−2 2 10

p (λ) = det (A − λI)

p (λ) = − (λ − 6)2 (λ − 12)

Hallando la matriz de cambio de variable.

Calculo del vector propio correspondiente a λ = 6

(A − 6I) v = 0
    
1 −1 −2 x 0
 −1 1 2  y  =  0 
    

−2 2 4 z 0

de donde    

 1 2 
E6 = gen v1 =  1  , v2 =  0 
   
 
0 1
 

Msc. Julio César Barraza Bernaola 27 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Calculo del vector propio correspondiente a λ = 12

(A − 12I) v = 0
    
−5 −1 −2 x 0
 −1 −5 2  y  =  0 
    

−2 2 −2 z 0

de donde   

 −1  
E12 = gen v3 =  1 
 
 
2
 
    

 1 2  
Aplicando Gram-Schmidt a v1 =  1  , v2 =  0 
   
 
0 1
 

 
√1 √1
 
2  3 
   
√1 1
u1 =  ,  − √3
u2 = 
  
 2  
 
0 √1
3

 

 −1  
Aplicando Gram-Schmidt a v3 =  1 
 
 
2
 

 
− √16
 
 
u3 =  √1 
 6 
 
√2
6

De donde  
√1 √1 − √16
 2 3 
 
P = √1 − √13 √1 
 2 6 
 
0 √1 √2
3 6

Msc. Julio César Barraza Bernaola 28 Universidad Nacional de Ingenieria

CAPÍTULO 2. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN ORTOGONAL

Luego aplicando el teorema de los ejes principales, con el cambio de variable

 
    √1 √1 − √16  
x x′  2 3  x′
 ′   √1

 y  = P y = − √13 √1   y′ 
 
2 6
  
z z′ z ′
 
0 √1 √2
3 6
 √ √ √ 
2 ′ 3 ′ 6 ′
 
2
x + 3
y − 6
z
x  √ √ √ 
2 ′
 y  =  x − 33 y ′ + 66 z ′
   
2

 
√ √
z 3 ′ 6 ′
3
y + 3
z

reemplazando en la ecuación cuadrática

    
h i 7 −1 −2 x h i x
x y z  −1 7 2   y  + −12 12 60  y  = 24
    

−2 2 10 z z
√ √
6x′2 + 6y ′2 + 12z ′2 + 12 3y ′ + 24 6z ′ = 24
√ √
x′2 + y ′2 + 2z ′2 + 2 3y ′ + 4 6z ′ = 4
 √ 2  √ 2
x′2 + y ′ + 3 + 2 z ′ + 6 = 19

El cual es una elipse.

Msc. Julio César Barraza Bernaola 29 Universidad Nacional de Ingenieria