Lección 4: Teorı́a de Operadores

1 Semejanza
Sean A, B ∈ Mn,n . Se dice A es semejante con B cuando existe una matriz
regular P ∈ GLn de suerte que

B = P −1 AP.

Si A es semejante con B, entonces B es semejante con A. Sea C ∈ Mn,n una

tercera matriz cuadrada. Si A es semejante con B y B es semejante con C,
entonces A es semejante con C.
Si A es semejante con B y si λ ∈ K, entonces λId − A es semejante con
λId − B.
En esta lección estamos interesados en los endomorfismos T en un espacio
vectorial de dimensión finita E. Si B y B 0 son dos bases de E es habitual
escribir

M (T, B) = M (T, B, B), M (T, B 0 ) = M (T, B 0 , B 0 ).

Si la matriz de paso M (B 0 , B) se denota por P , de acuerdo con lo ya expuesto

en otras lecciones, se verifica que

M (T, B 0 ) = P −1 M (T, B)P.

Se deduce que las distintas matrices que representan al operador T en las

distintas bases son semejantes entre sı́.

2 Polinomio caracterı́stico de una matriz

Sea una matriz cuadrada A ∈ Mn,n . La expresión

pA (z) = det(zId − A), z∈C

es un polinomio mónico de grado n,

pA (z) = z n + an−1 z n−1 + · · · + a1 z + a0 ,

que se denomina polinomio caracterı́stico de la matriz A.

101
 Observemos que

an−1 = −tr(A), a0 = (−1)n det(A).

Las raı́ces de la ecuación

pA (z) = 0
se denominan raı́ces caracterı́sticas de la matriz A. Factoricemos el polinomio
según las distintas raı́ces
r
Y
pA (z) = (z − µj )mj , (µk 6= µl si k 6= l).
j=1

El número mj , 1 ≤ j ≤ r, se denomina multiplicidad algebraica de la raı́z

caracterı́stica µj . Se cumple siempre que

n = m1 + m2 + · · · + mr .

Son válidas las relaciones

tr(A) = m1 µ1 + · · · + mr µr ,
det(A) = µm mr
1 · · · µr .
1

El conjunto
σ(A) = { µ1 , . . . , µr }
se denomina espectro de la matriz A.

Teorema 1 Sea una matriz A ∈ Mn,n y sea µ ∈ C. Son equivalentes

(a) µ ∈ σ(A),
(b) El operador (µId − A) : C n → C n no es inyectivo.
Si la matriz A es real y si µ es real, entonces también podemos añadir
(c) (µId − A) : Rn → Rn no es inyectivo.

Señalemos finalmente que si A, B ∈ Mn,n son semejantes, entonces A y

B comparten el polinomio caracterı́stico (y por tanto el espectro y la traza).
Como las matrices que representan a un endomorfismo T en distintas bases
son semejantes, es posible definir el determinante, la traza, el polinomio y
raı́ces caracterı́sticos y el espectro de un endomorfismo T como los correspon-
dientes a la matriz que represente a T en alguna base (pues el resultado es
independiente de la base empleada).

102
3 Subespacios invariantes
Sea E un espacio vectorial sobre K= R ó C y sea T : E → E un operador
lineal (endomorfismo). Se dice que un subespacio vectorial F ⊂ E es inva-
riante frente a T si
T (~u) ∈ F, cuando ~u ∈ F.
Cuando F sea invariante se puede definir el endomorfismo restricción T0 de
T a F como
T0 : F → F
~u → T (~u).
Supongamos que la dimensión de E es finita n y sea F ⊂ E un subespacio
invariante frente a T con dimensión m. Tomemos una base B de E cuyos
primeros m elementos formen una base B0 de F . Entonces
· ¸
M (T0 , B0 ) X
M (T, B) = ,
0 Y
donde X ∈ Mm,n−m , 0 ∈ Mn−m,m e Y ∈ Mn−m,n−m (M (T, B) es triangular
por bloques). Se deduce que para los polinomios caracterı́sticos tenemos una
factorización
pT (z) = pT0 (z)pY (z).

4 Autovalores y autovectores
Sea E un espacio vectorial de dimensión finita sobre K= R ó C y sea T :
E → E un operador lineal. Se dice que el escalar λ ∈ K es un valor propio de
T , cuando el subespacio vectorial Ker(λId − T ) ⊂ E no se reduce al vector
nulo de E, es decir, cuando exista algún vector ~u ∈ E, ~u 6= ~0, tal que
T (~u) = λ · ~u.
Agrupando los términos anteriores en el segundo miembro, la condición an-
terior expresa que λ es autovalor cuando existe algún vector ~u ∈ E, ~u 6= ~0,
verificando
(λI − T )~u = 0,
o equivalentemente, cuando Ker(λI − T ) es un subespacio no trivial de E.
Por los comentarios anteriores, resulta que λ será autovalor si, y sólo si, es

103
una raı́z caraterı́stica de T y pertenece a K. Ası́ pues, el conjunto de los
valores propios del operador T coincide con el espectro de T si K = C y con
σ(A) ∩ R si K = R.
Dado un autovalor λ de T , los vectores del subespacio Ker(λId − T ) se
denominan vectores propios asociados a λ. Ker(λId − T ) es el subespacio
propio asociado a λ y
d(λ) = dim(Ker(λId − T )) ≥ 1
es la multiplicidad geométrica del valor propio.
Los mismos conceptos se aplican a una matriz cuadrada A ∈ Mn,n , que
se interpreta como un endomorfismo en K n .

5 Diagonalización
Sea T : E → E un operador lineal en un espacio vectorial E de dimensión
finita sobre K. T se llama diagonalizable cuando exista una base B de E de
suerte que M (T, B) sea diagonal.
Para cada autovalor λ de T denotemos
E(T, λ) = Ker(λId − T ).
Teorema 2 Sean {λ1 , . . . , λs } los distintos autovalores de T . Se verifica que
(a) Los subespacios E(T, λ1 ), . . . , E(T, λs ) son independientes. Cada uno
de ellos es invariante frente a T .
(b) La multiplicidad geométrica d(λj ) de cada valor propio es a lo sumo
su multiplicidad algebraica m(λj ), 1 ≤ j ≤ s.
(c) El operador T es diagonalizable si, y sólo si, todas las raı́ces caracte-
rı́sticas de T pertenecen a K (esta condición siempre está satisfecha cuando
K = C) y
d(λj ) = m(λj ), 1 ≤ j ≤ s.
(d) El operador T es diagonalizable si, y sólo si,
E = E(T, λ1 ) ⊕ E(T, λ2 ) ⊕ · · · ⊕ E(T, λs ).
Dada una matriz cuadrada A ∈ Mn,n , se dice que A es diagonalizable
cuando es semejante a una matriz diagonal. Para diagonalizar una matriz A
se estudia el operador
A : Kn → Kn
X → A · X.

104
6 Teorema de Caley Hamilton
Para una matriz A ∈ Mn,n vamos a definir recurrentemente sus potencias
como
A0 = I, Ak = AAk−1 , k ≥ 1.
PK k
Para un polinomio q(z) = k=0 qk z se define entonces
K
X
q(A) = qk Ak ∈ M n, n.
k=0

Notemos que si B es semejante con A, pongamos B = P −1 AP para cierta

matriz regular P ∈ Mn,n , entonces

B k = B = P −1 Ak P, k ≥ 0,

y entonces, para cualquier polinomio q(z),

q(B) = P −1 q(A)P.

Las nociones de potencias y de eavluación de un polinomio se pueden

llevar a cabo con operadore. Si T : E → E es un operador lineal en un
espacio vectorial E de dimensión finita y si A = M (T, B) para una base
dada B de E, entonces
M (q(T ), B) = q(A).
Pasamos a enunciar el teorema de Caley-Hamilton. La demostración es
sencilla cuando la matriz diagonaliza. El caso general se puede abordar por
un paso al lı́mite, tal y como explicamos en clase.

Teorema 3 Sea A ∈ Mn,n . Entonces

PA (A) = 0.

El correspondiente enunciado para operadores es simplemente que

PT (T ) = 0,

para cualcuier endomosrfismo T en un espacio de dimensión finita T .

Una matriz A ∈ Mn,n se llama nipotente cuando alguna potencia de la
misma es la matriz nula, es decir, cuando existe un entero p ≥ 1 tal que

105
Ap = 0. Utilizando el teorema de Caley Hamilton, se puede razonar que A
es nilpotente si, y sólo si, el polinomio caracterı́stico de A es
pA (z) = z n ,
es decir, que A admite únicamente la raı́z caracterı́stica 0. Además, si A es
nilpotente, entonces conse seguridad An = 0. La misma definición se aplica
a los endomorfismos y son también son válidos los resiultados anteriores.
Es claro que una matriz nilpotente no podrá diagonalizar salvo que ella
misma sea la matriz nula. Las matrices de la forma
A = λI + N
con N nilpotente, son aquellas cuyo polinomio caracterı́stico es
pA (z) = (z − λ)n
y no diagonalizan salvo que A = λI.

7 Autoespacios generalizados
Lema 1 Sea T : E → E un operador lineal en un espacio vectorial E de
dimensión finita sobre K y sea λ autovalor de T . Se verifica que
(a) Cada subespacio Ker(λId − T )k , k ≥ 0, es invariante frente a T .
(b) Ker(λId − T )k ⊂ Ker(λId − T )k+1 , k ≥ 0.
(c) Si para un entero k0 se da la igualdad Ker(λId − T )k0 = Ker(λId −
k0 +1
T) , entonces
Ker(λId − T )k+1 = Ker(λId − T )k , k ≥ k0 .

Fijado λ tomemos el primer entero k(λ) donde la sucesión

Ker(λId − T ) ⊂ Ker(λId − T )2 ⊂ Ker(λId − T )3 · · ·
se estabiliza. El subespacio
Eg (T, λ) := Ker(λId − T )k(λ)
se denomina espacio propio generalizado correspondiente a λ. Dado un ı́ndice
m ≥ k(λ) se tiene el importante resultado
dimEg (T, λ) = m(λ)

106
de donde, vı́a el teorema de Caley-Hamilton, se deduce que
Eg (T, λ) = Ker(λId − T )m(λ) .
Por este motivo se puede definir directamente
Eg (T, λ) = Ker(λId − T )m(λ) .
Estos hechos y otros resultados de crucial importancia se recogen en el
teorema de descomposición primaria:
Teorema 4 Sea T : E → E un operador lineal en un espacio vectorial E de
dimensión finita sobre K y supongamos que σ(T ) ⊂ K. Denotemos
σ(T ) = { λ1 , . . . , λs },
y, para cada j con 1 ≤ j ≤ s, pongamos dj = dim(E(T, λj )), mj , la multipli-
cidad algebraica de λj y kj , el primer entero donde se estabiliza la sucesión
de núcleos {Ker(λj Id − T )k }∞k=1 .
Se cumple que
(a) kj ≤ mj , 1 ≤ j ≤ s.
(b) La dimensión de Eg (T, λj ) es mj , 1 ≤ j ≤ s.
(c) El espacio E es la suma directa de los subespacios propios generaliza-
dos
E = Eg (T, λ1 ) ⊕ Eg (T, λ2 ) ⊕ · · · ⊕ Eg (T, λs ).
(d) Las restricciones Tj : Eg (T, λj ) → Eg (T, λj ) de T son operadores de
la forma Tj = λj Idmj ×mj + Nj , donde los Nj son nilpotentes de orden kj ,
1 ≤ j ≤ s.
(e) Tomemos una base arbitraria Bj en cada subespacio generalizado
S S S
Eg (T, λj ), 1 ≤ j ≤ s. Sobre la base B = B1 B2 · · · Bs tenemos que
la matriz de T es diagonal por bloques
M (T, B) = diag(T1 , T2 , . . . , Ts ),
siendo Tj un bloque mj × mj de la forma
Tj = λj · Idmj ×mj + Nj ,
con Nj ∈ Mmj ×mj nilpotente, 1 ≤ j ≤ s.
Se recuerda que un operador lineal T : E → E se llama nilpotente cuando
existe una potencia m ≥ 1 tal que T m = 0. La menor potencia posible con
esta propiedad se denomina ı́ndice u orden de nilpotencia de T . Se verifica
que T es nilpotente si, y sólo si, σ(T ) = {0}.

107
8 Mención forma canónica de Jordan
Se puede demostrar que si T : E → E es un operador lineal definido en un
espacio de dimensión finita E sobre K y tal que σ(T ) ⊂ K, entonces existe
una base B de E donde la matriz de T es diagonal por bloques
M (T, B) = diag(J1 , J2 , . . . , Jp )
siendo cada bloque Jj , 1 ≤ j ≤ p de la forma
 
λj 1 0 ··· 0

 0 λj 1 ··· 0  
 
 0 0 λj ··· 0 
Jj = 
··· ··· ···
.
 ··· ··· 
 
 0 0 0 ··· 1 
0 0 0 · · · λj

Ejemplos.
(1) Para la matriz
 
2 2 −6
 
A =  2 −1 −3  ,
−2 −1 1
el polinomio caracterı́stico es
 
z − 2 −2 6

pA (z) = det(zI3 − A) = det  −2 z + 1 3  2
 = (z + 2) (z − 6).
2 1 z−1
De modo que los autovalores con sus multiplicidades algebraicas son
λ1 = −2, m1 = 2
λ2 = 6 m2 = 1.
Buscamos ahora los subespacios propios de cada autovalor y su correspon-
diente multiplicidad geométrica. Para λ1 = −2
  
−4 −2 6 x
E(A, λ1 ) = Ker(−2I3 − A) = {(x, y, z)T / 
 −2 −1 3   
  y  = ~0}
2 1 −3 z
= {(x, y, z) /2x + y − 3z = 0} = span((1, −2, 0) , (0, 3, 1)T )
T T

⇒ d(λ1 ) = 2.

108
Mientras que para el otro autovalor
  
4 −2 6 x
  
E(A, λ2 ) = Ker(6I3 − A) = {(x, y, z)T /  −2 7 3   y  = ~0}
2 1 5 z
= {(x, y, z) /2x − y + 3z = 0, y + z = 0} = span((−2, −1, 1)T )
T

⇒ d(λ2 ) = 1.

(2) Para la matriz

 
1 −1 0
 
A =  −1 2 −1  ,
0 −1 1
el polinomio caracterı́stico es
 
z−1 1 0

pA (z) = det(zI3 − A) = det  1 z−2 1  = z(z − 1)(z − 3).
0 1 z−1
De modo que los autovalores con sus multiplicidades algebraicas son

λ1 = 0, m1 = 1
λ2 = 1 m2 = 1
λ3 = 3 m3 = 1.

Buscamos ahora los subespacios propios de cada autovalor y su correspon-

diente multiplicidad geométrica. Para λ1 = 0
  
−1 1 0 x
T    ~
E(A, λ1 ) = Ker(−A) = {(x, y, z) /  −1 −2 1   y  = 0}
0 1 −1 z
T T
= {(x, y, z) /x = y = z} = span((1, 1, 1) ) ⇒ d(λ1 ) = 1.

Mientras que para el segundo autovalor

  
0 1 0 x
T    ~
E(A, λ2 ) = Ker(I3 − A) = {(x, y, z) /  1 −1 1   y  = 0}
0 1 0 z
= {(x, y, z) /y = 0, z = −x} = span((1, 0, −1)T ) ⇒ d(λ2 ) = 1,
T

109
y, para el tercero,
  
2 1 0 x
E(A, λ3 ) = Ker(3I3 − A) = {(x, y, z)T /   
 1 1 1   y  = ~0}
0 1 2 z
= {(x, y, z) /x = z, y = −2z} = span((1, −2, 1)T ) ⇒ d(λ3 ) = 1.
T

(3) Para la matriz

 
0 −1 0
A=
1 0 1 
0 0 2
el polinomio caracterı́stico es
 
z 1 0
 
pA (z) = det(zI3 − A) = det  −1 z −1  = (z − 2)(z 2 + 1).
0 0 z−2
De modo que, como matriz de elementos complejos, los autovalores con sus
multiplicidades algebraicas son
λ1 = 2, m1 = 1
λ2 = i m2 = 1
λ3 = −i m3 = 1.
Como matriz real, sólo hay un valor propio λ1 , mientras que el espectro
lo forman las tres raı́ces. Buscamos ahora los subespacios propios de cada
autovalor y su correspondiente multiplicidad geométrica, suponiendo que la
matriz es compleja. Para λ1 = 2
  
2 1 0 x
T    ~
E(A, λ1 ) = Ker(2I3 − A) = {(x, y, z) /  −1 2 −1   y  = 0}
0 0 0 z
= {(x, y, z) /y = (2/5)z, x = −(1/5)z} = span((−1, 2, 5)T )
T

⇒ d(λ1 ) = 1.
Mientras que para el segundo autovalor
  
i 1 0 x
T    ~
E(A, λ2 ) = Ker(iI3 − A) = {(x, y, z) /  −1 i −1   y  = 0}
0 0 i−2 z
T T
= {(x, y, z) /z = 0, x = iy} = span((1, −i, 0) ) ⇒ d(λ2 ) = 1,

110
y, para el tercero,
  
−i 1 0 x
T    ~
E(A, λ3 ) = Ker((−i)I3 − A) = {(x, y, z) /  −1 −i −1   y  = 0}
0 0 −i − 2 z
= {(x, y, z)T /z = 0, x = −iy} = span((1, i, 0)T ) ⇒ d(λ3 ) = 1.

Nota: como λ2 y λ3 son conjugados, los vectores que generan cada sube-
spacio propio también lo son. Cuando la matriz tiene elementos reales, esta
propiedad es general (¿por qué?).

(4) Para la matriz

 
2 2 −6
A=
 2 −1 −3 
,
−2 −1 1

ya hemos visto que los autovalores con sus multiplicidades son

λ1 = −2, mλ1 = 2, dλ1 = 2

λ2 = 6 mλ2 = 1, dλ2 = 1.

luego la matriz es diagonalizable en R. También calculamos anteriormente

una base de cada subespacio propio:

E(A, λ1 ) = span((1, −2, 0)T , (0, 3, 1)T )

E(A, λ2 ) = span((−2, −1, 1)T ).

Entonces, si
 
1 0 −2
 
P =  −2 3 −1  ,
0 1 1

se tiene que
 
−2 0 0
P AP =  0 −2 0 
−1 
.
0 0 6

111
(5) Para la matriz
 
1 −1 0
 
A =  −1 2 −1  ,
0 −1 1
se tiene
λ1 = 0, mλ1 = 1, dλ1 = 1
λ2 = 1 mλ2 = 1, dλ2 = 1
λ3 = 3 mλ3 = 1, dλ3 = 1.
La matriz es diagonalizable en R. La base de autovectores es la siguiente:
E(A, λ1 ) = span((1, 1, 1)T )
E(A, λ2 ) = span((1, 0, −1)T )
E(A, λ3 ) = span((1, −2, 1)T ).
Luego si
 
1 1 1
P =  1 0 −2 

,
1 −1 1
se tiene que
 
0 0 0
 
P −1 AP =  0 1 0  .
0 0 3
Este es un ejemplo de un caso particular de matrices diagonalizables: aquéllas
cuyos autovalores están en el cuerpo considerado y son todas distintas.

(6) Para la matriz

 
0 −1 0
A = 1 0 1


0 0 2
se tiene
λ1 = 2, mλ1 = 1, dλ1 = 1
λ2 = i mλ2 = 1, dλ2 = 1
λ3 = −i mλ3 = 1, dλ3 = 1.

112
Como matriz real, A no es diagonalizable, pues tiene dos autovalores que
no son reales. Pero como matriz compleja, A es diagonalizable. La base de
autovectores es la siguiente:

E(A, λ1 ) = span((−1, 2, 5)T )

E(A, λ2 ) = span((1, −i, 0)T )
E(A, λ3 ) = span((1, i, 0)T ).

Luego si
 
−1 1 1
P =  2 −i i 

,
5 0 0
se tiene que
 
2 0 0
−1  
P AP =  0 i 0  .
0 0 −i

Ejercicio 1. Se considera la aplicación lineal T : R3 → R3 siguiente

T ([x, y, z]T ) = [2x + z, x + y + z, x − y + 3z]T .
Se considera en R3 la base B 0 = {[3, −1, 0]T , [−1, 3, 0]T , [0, 0, 1]T }.
a) Halla la matriz de T respecto de la nueva base B 0 .
b) Halla una base B 00 de R3 en la cual la matriz de la aplicación lineal sea
diagonal.

Ejercicio 2. Sea T : R3 → R3 una aplicación lineal que admite por vectores

propios a
v1 = (1, 1, 0)T , v2 = (1, −1, 0)T , v3 = (0, 0, 1)T .
Se sabe además que la imagen del vector w = (3, 1, 1)T es el vector (8, 0, 2)T .
Halla los valores propios de T .

Ejercicio 3. Encuentra los autovalores y autovectores de las siguientes ma-

trices:
     
1 0 0 0 2 1 −1 0 4 1 −2 −1
 0 1 0 0  0 1 0 0 2 2 −2 −1 
     
 ,  ,  .
 0 0 1 0  1 1 0 0 4 2 −2 −2 
−1 −1 1 2 −1 −1 1 2 1 0 −1 1

113
Ejercicio 4. Demuestra que las matrices
   
4−a 1 −1 1−a 1 0
   
A =  −6 −1 − a 2  B= 0 1−a 0 
2 1 1−a 0 0 2−a

son semejantes independientemente del valor de a, pero que las matrices

   
2 0 0 2 0 3
   
C = 0 2 0 D =  0 2 −1 
0 0 2 0 0 2
no son semejantes.

Ejercicio 5. Estudia para qué valores de los parámetros reales a y b son

diagonalizables las siguientes matrices
   
5 0 3 2 0 0
   
A =  0 −1 0  , B = 0 1 a.
0 a b 1 1 1

Halla un sistema completo de autovectores cuando sea posible.

Ejercicio 6. Encuentra autovalores, autovectores, forma diagonal y matriz

de paso para las siguientes matrices
   
0 −1 2 1 0 1

 1 0 3 ,
 
 0 1 −2  .
−2 −3 0 0 0 2

Ejercicio 7. Determina si las siguientes matrices son o no diagonalizables.

En caso afirmativo, encuentra la matriz de paso y la forma diagonal asociada.
     
1 1 −2 2 1 0 3 −1 −1
     
 −1 2 1 , 0 0 1, 1 1 −1  ,
0 1 −1 0 0 0 1 −1 1
   
  −2 −2 0 0 4 1 0 1
7 −2 −4  −5
   1 0 0 
 2
 3 0 1 
3 0 −2  ,  ,  .
 0 0 2 −1   −2 1 2 −3 
6 −2 −3
0 0 5 −2 2 −1 0 5

114
Ejercicio 8. Se consideran las matrices complejas siguientes:
 √ √   
√2 −i 2 −i 2 5 −2i −4
   
A =  i√2 3 −1  , B =  2i 8 2i  .
i 2 −1 3 −4 −2i 5

Halla matrices unitarias U , V tales que U −1 AU , V −1 BV sean diagonales, y

halla dichos productos.

Ejercicio 9. Diagonaliza ortogonalmente las matrices simétricas

     
4 0 2 3 −1 0 −1 2 1
     
A =  0 10 0  , B =  −1 3 0  , C= 2 2 2 ,
2 0 4 0 0 2 1 2 −1

encontrando matrices ortogonales P , Q y R tales que P −1 AP , Q−1 BQ y

R−1 CR sean diagonales. Idem para la matriz
 
1 2 3
 
D = 2 4 6.
3 6 9

Ejercicio 10. Sea  

2 1 0
 
A = 1 1 1.
0 1 2
Halla una matriz ortogonal P con det(P )=1 y tal que P T AP sea una matriz
diagonal con los elementos diagonales dispuestos en orden decreciente.

ALGUNOS EJERCICIOS RESUELTOS DEL TEMA 5

Ejercicio 1.
a)  
5/2 −1 2 1/2
0 0  
M (T, B , B ) =  3/2 1/2 1/2 .
4 −4 3

115
b) Los autovalores con sus multiplicidades algebraicas son
λ1 = 1, m1 = 1
λ2 = 2 m2 = 1
λ3 = 3 m3 = 1.
Y los autoespacios asociados son
E(A, λ1 ) = Ker(I3 − A) = span((−1, 1, 1)T ),
E(A, λ2 ) = Ker(2I3 − A) = span((1, 1, 0)T ),
E(A, λ3 ) = Ker(3I3 − A) = span((1, 1, 1)T ).
Entonces, por ejemplo B 00 ) = {(−1, 1, 1)T , (1, 1, 0)T , (1, 1, 1)T } y la matriz de
T en esta base es  
1 0 0
M (T, B 00 , B 00 ) = 
0 2 0.


0 0 3

Ejercicio 3.  
1 0 0 0
 0 1 0 0
 
A= .
 0 0 1 0
−1 −1 1 2
pA (z) = (z − 2)(z − 1)3

λ1 = 2, m1 = 1, d1 = 1
λ2 = 1 m2 = 3.

E(A, λ1 ) = Ker(2I4 − A) = {(x, y, z, t)T /x = y = z = 0} = span((0, 0, 0, 1)T ),

E(A, λ2 ) = Ker(I4 − A) = {(x, y, z, t)T /x + y − z − t = 0}
= span((1, 0, 0, 1)T , (0, 1, 0, 1)T , (0, 0, 1, −1)T ) → d2 = 3.
A diagonaliza.
 
2 1 −1 0
 0 1 0 0
 
A= .
 1 1 0 0
−1 −1 1 2

116
 pA (z) = (z − 2)(z − 1)3

λ1 = 2, m1 = 1, d1 = 1
λ2 = 1 m2 = 3.

E(A, λ1 ) = Ker(2I4 − A) = {(x, y, z, t)T /x = y = z = 0} = span((0, 0, 0, 1)T ),

E(A, λ2 ) = Ker(I4 − A) = {(x, y, z, t)T /z = x + y, t = 0}
= span((1, 0, 1, 0)T , (0, 1, 1, 0)T ) → d2 = 2.

A no diagonaliza.
 
4 1 −2 −1
2 2 −2 −1 
 
A= .
4 2 −2 −2 
1 0 −1 1
pA (z) = (z − 2)(z − 1)3

λ1 = 2, m1 = 1, d1 = 1
λ2 = 1 m2 = 3.

E(A, λ1 ) = Ker(2I4 − A) = span((1, 0, 1, 0)T ),

E(A, λ2 ) = Ker(I4 − A) = span((0, 1, 0, 1)T ) → d2 = 1.

A no diagonaliza.

Ejercicio 4. Dos matrices son semejantes si tienen los mismos autovalores

y con las mismas multiplicidades, tanto algebraica como geométrica. Para
A y B, basta ver que aI + A y aI + B son semejantes. Para las dos, los
autovalores con sus multiplicidades son

λ1 = 1, m1 = 2, d1 = 1
λ2 = 2 m2 = 1, d2 = 1.

117
Luego son semejantes. Por otro lado, si C y D fuesen semejantes, también
lo serı́an 2I − C y 2I − D, pero
   
0 0 0 0 0 −3
   
2I − C =  0 0 0  , 2I − D =  0 0 1  ,
0 0 0 0 0 0
que nunca pueden ser semejantes.

Ejercicio 5. A es diagonalizable en los siguientes casos

• b 6= 5, b 6= −1. Base de autovectores:
E(A, 5) = Ker(5I3 − A) = span((1, 0, 0)T ),
E(A, −1) = Ker(−I3 − A) = span((a, 2(1 + b), −2a)T ),
E(A, b) = Ker(bI3 − A) = span((3, 0, b − 5)T ).

• b = −1, a = 0. Base de autovectores:

E(A, 5) = Ker(5I3 − A) = span((1, 0, 0)T ),
E(A, −1) = Ker(−I3 − A) = span((0, 1, 0)T , (1, 0, −2)T ).

B es diagonalizable sólo en el caso:

• a 6= 0, a 6= 1. Base de autovectores:
E(B, 2) = Ker(2I3 − B) = span((1 − a, a, 1)T ),
√ √ √
E(B, 1 + a) = Ker((1 + a)I3 − B) = span((0, a, 1)T ),
√ √ √
E(B, 1 − a) = Ker((1 − a)I3 − B) = span((0, −2 − a, 1)T ).

Ejercicio 6.
 
0 −1 2

A= 1 0 3 2
 . pA (z) = z(z + 14).
−2 −3 0
Los autovalores con sus multiplicidades algebraicas son
λ1 = 0, m1 = 1
√
λ2 = i 14 m2 = 1
√
λ3 = −i 14 m3 = 1.

118
Y los autoespacios asociados son

E(A, λ1 ) = Ker(−A) = span((−3, 2, 1)T ),

√ √ √
E(A, λ2 ) = Ker(i 14I3 − A) = span((16 − 2i 14, −2 − 3i 14, 13)T ),
√ √ √
E(A, λ3 ) = Ker(−i 14I3 − A) = span((16 + 2i 14, −2 + 3i 14, 13)T ).
 √ √   
−3 16 − 2i √14 16 + 2i √14 0 √0 0
   
P =  2 −2 − 3i 14 −2 + 3i 14  , D =  0 i 14 √0 .
1 13 13 0 0 −i 14
 
1 0 1
 
A =  0 1 −2  . pA (z) = (z − 2)(z − 1)2 .
0 0 2
Los autovalores con sus multiplicidades algebraicas son

λ1 = 1, m1 = 2
λ2 = 2, m2 = 1.

Y los autoespacios asociados son

E(A, λ1 ) = Ker(I3 − A) = span((1, 0, 0)T , (0, 1, 0)T ),

E(A, λ2 ) = Ker(2I3 − A) = span((1, −2, 1)T ).
   
1 0 1 01 0 0
P =  0 1 −2 

, D =  0 1 0

.
0 0 1 0 0 2

Ejercicio 7.
 
1 1 −2
 
A =  −1 2 1  . pA (z) = (z − 1)(z + 1)(z − 2).
0 1 −1

A diagonaliza. Base de autovectores:

E(A, 1) = Ker(I3 − A) = span((3, 2, 1)T ),

E(A, −1) = Ker(−I3 − A) = span((1, 0, 1)T ),
E(A, 2) = Ker(2I3 − A) = span((1, 3, 1)T ).

119
    
3 1 1 1 0 0
   
P = 2 0 3, D =  0 −1 0  .
1 1 1 0 0 2
 
2 1 0
 
A =  0 0 1  . pA (z) = z 2 (z − 2).
0 0 0

λ1 = 0, m1 = 2,
λ2 = 2 m2 = 1, d2 = 1.

 
−2 −1 0

E(A, 0) = Ker(−A) = Ker  0 0 −1 
 → d1 = 1,
0 0 0

A no diagonaliza.
 
3 −1 −1
 
A =  1 1 −1  . pA (z) = (z − 1)(z − 2)2 .
1 −1 1

λ1 = 2, m1 = 2,
λ2 = 1 m2 = 1, d2 = 1.

E(A, 2) = Ker(2I3 − A) = {(x, y, z)T /x = y + z} = span((1, 0, 1)T , (1, 1, 0)T ) → d1 = 2,

E(A, 1) = Ker(I3 − A) = span((−1, −2, 1)T ).

A diagonaliza.
   
1 1 −1 2 0 0
P =  0 1 −2 

,

D = 0 2 0 .
1 0 1 0 0 1

 
4 1 0 1
 2 3 0 1 
A=


 . pA (z) = (z − 4)(z − 6)(z − 2)2 .
 −2 1 2 −3 
2 −1 0 5

120
 λ1 = 2, m1 = 2
λ2 = 4 m2 = 1 = d2
λ3 = 6 m3 = 1 = d3 .

E(A, 2) = Ker(2I4 − A) = span((0, 0, 1, 0)T , (−2, 1, 0, 1)T ),

E(A, 4) = Ker(4I4 − A) = span((−2, −1, −1, 1)T ),
E(A, 6) = Ker(6I4 − A) = span((2, 2, −1, 2)T ).
A diagonaliza.
   
0 −2 −2 2 2 0 0 0
0 1 −1 2  0 2 0 0
P =


, D=


.
1 0 −1 −1  0 0 4 0
0 1 1 2 0 0 0 6

Ejercicio 8.
pA (z) = (z − 4)2 z.
λ1 = 4, m1 = 2
λ2 = 0 m2 = 1 = d2 .

√ √
E(A, 4) = Ker(4I3 − A) = span((−i 2/2, 1, 0)T , (−i 2/2, 0, 1)T ),
√
E(A, 0) = Ker(−A) = span((i 2, 1, 1)T ).
q √ q √
Base ortonormal de E(A, 4): ~e1 = 23 (−i 2/2, 1, 0)T , ~e2 = 34 (−i 2/3, −1/3, 1)T .
√
Base ortonormal de E(A, 0): ~e3 = (i 2/2, 1/2, 1/2)T .

q √ q √ √ 
2
(−i 2/2) 3
(−i 2/3) i 2/2  
 3 q 4
q  4 0 0
 2 3  −1  
U = 3 4q
(−1/3) 1/2  , U AU =  0 4 0  .
 
0 3
1/2 0 0 0
4

Ejercicio 9.
 
3 −1 0
 
B =  −1 3 0  , pB (z) = (z − 2)2 (z − 4).
0 0 2

121
 λ1 = 2, m1 = 2
λ2 = 4 m2 = 1.

Bases ortonormales de los autoespacios:

√ √
E(B, 2) = Ker(2I3 − B) = span((1/ 2, 1/ 2, 0)T , (0, 0, 1)T ),
√ √
E(B, 4) = Ker(4I3 − B) = span((1/ 2, −1/ 2, 0)T ).
 √ √   
1/√2 0 1/ √2 2 0 0
   
Q =  1/ 2 0 −1 2  , Q−1 AQ =  0 2 0  .
0 1 0 0 0 4

Ejercicio 10.
 
2 1 0
A=
1 1 1,

pB (z) = z(z − 2)(z − 3).
0 1 2

λ1 = 3, m1 = 1
λ2 = 2 m2 = 1
λ3 = 0 m3 = 1.

Bases ortonormales de los autoespacios:

√ √ √
E(A, 3) = Ker(3I3 − A) = span((1/ 3, 1/ 3, 1/ 3)T ),
√ √
E(A, 2) = Ker(2I3 − A) = span((−1/ 2, 0, 1/ 2)T ),
√ √ √
E(A, 0) = Ker(−A) = span((1/ 6, −2/ 6, 1/ 6)T ).
 √ √ √   
1/√3 −1/ 2 1/ √6 3 0 0
Q= 1/√3 0√ −2√ 6  −1 
 , Q AQ =  0 2 0  .


1/ 3 1/ 2 1/ 6 0 0 0
Problemas

Problema 1. Estudiar para qué valores del parámetro a son diagonalizables

las siguientes matrices
   
0 1 0 2 0 0
   
A =  0 0 1, B = 0 1 a.
−a 1 a 1 1 1

122
Hallar un sistema completo de autovectores cuando sea posible.
Problema 2. Hallar una base de los autoespacios generalizados de las ma-
trices siguientes
   
−2 0 3 0 −4 0 0 0
 3 2 −2 −1   −3 −1 0 0 
A=


, B=


.
 0 0 1 0   −3 2 −4 0 
3 0 −2 −2 −3 3 1 −4

Hallar A10 x y B 10 x donde x es el vector [1, 1, 0, 0]T .

Problema 3. Se consideran las matrices
   
1 1 0 0 2 0 0 0
 −1 −1 0 0  4 2 1 −5 
   
A= , B= .
 2 −1 2 4  −3 0 4 2 
1 3 −1 2 1 0 −2 0

Hallar una base de los autoespacios generalizados de A y B.

Problema 4. (Examen de problemas, febrero de 1995) Se considera la matriz
 
1−α α β

A= 0 2 0 .
α β 1−β

(a) Hállense los valores reales de α y β para los cuales la matriz A es diago-
nalizable.
(b) Para α = 2, β = −3 calcúlese una base de R3 formada por autovectores
generalizados de la matriz A.
Problema 5. (Examen de problemas, septiembre de 1998) Se considera la
matriz real 4 × 4,  
3 0 1 0
 −1 1 2 −1 
A= 

.
 −1 0 1 0 
2 1 −1 1
Hallar una base de C 4 formada por autovectores generalizados de la matriz
A.

123
Problema 6. Hallar una expresión general de An para las matrices siguien-
tes:    
0 1 0 1 −1 0
   
0 0 1 ,  −1 2 −1  .
1 1 −1 0 −1 1
Problema 7. Para las matrices siguientes se pide:
a) Diagonalizar cuando sea posible, hallando una base de autovectores.
b) En caso de no diagonalización hallar una base de los correspondientes
autoespacios generalizados.
Indicación:
 Con cada matriz
 se acompaña
 su polinomio
 caracterı́stico.
 
1 0 0 1 3 −1 0 1 −1 −1 1 0
 2 0 1 2  9 −5 0 9   −1 −2 −1 0 
     
A= , B =  , C =  ,
 −1 −1 2 1   −3 2 1 −3   −1 1 −3 0 
−1 0 0 3 4 −3 0 6 −2 1 −2 −2
     
1 −1 1 0 3 1 −6 1 1 0 −1 0
 −1 0 −1 0  2 0 0 −2   −3 −2 −7 5
     
D= , E= , F = .
 −1 2 0 −1  4 2 −6 0   0 0 1 0
−2 2 −1 −1 1 1 −2 −1 −1 −1 −4 2
pA (z) = z 4 − 6z 3 + 13z 2 − 12z + 4, pB (z) = z 4 − 5z 3 + 9z 2 − 7z + 2
pC (z) = z 4 + 8z 3 + 24z 2 + 32z + 16, pD (z) = z 4
pE (z) = z 4 + 4z 3 + 8z 2 + 16z + 16, pF (z) = z 4 − 2z 3 + 2z 2 − 2z + 1.

124