Cómo calcular eigenvalues con determinantes

Calcular eigenvalues y eigenvectors de una matriz cuadrada se reduce a dominar una sola ecuación característica y aplicarla con orden. Si entiendes por qué el determinante debe ser cero, el resto es álgebra básica que cualquier estudiante de álgebra lineal puede resolver.

¿De dónde sale la ecuación característica?

Todo parte de la relación que ya conoces: una matriz A multiplicada por un vector V es igual a un escalar lambda multiplicado por ese mismo vector. La idea es reordenar esa expresión para despejar lambda.

Si pasas lambda por V al otro lado, obtienes A por V menos lambda por V igual a cero. Y aquí aparece el primer obstáculo: no puedes restar un escalar directamente a una matriz. Necesitas un puente.

¿Por qué se usa la matriz identidad en la ecuación característica? Porque multiplicar lambda por la matriz identidad I convierte el escalar en una matriz con lambda en su diagonal. Así puedes restar matrices entre sí sin romper ninguna regla del álgebra lineal.

Con ese ajuste la ecuación queda como (A menos lambda por I) por V igual a cero. Esta forma es la clave: te dice que el eigenvector V es aquel que, al ser transformado por la nueva matriz, termina aplastado en el vector cero [00:54].

¿Por qué el determinante tiene que ser cero?

Geométricamente, si una matriz manda un vector no nulo al origen, está colapsando el espacio. Y cuando el espacio colapsa, el área (o volumen) que esa matriz genera desaparece. Eso significa que su determinante es cero.

De ahí nace la ecuación que vas a resolver siempre: det(A menos lambda por I) igual a cero. Resolverla te da los eigenvalues que hacen posible la existencia de eigenvectors no nulos.

¿Cómo encontrar los eigenvalues de una matriz 2x2?

Vamos con un ejemplo concreto. Tomamos la matriz A con valores 3, 0 en la primera fila y 1, 2 en la segunda [02:08]. El primer paso es construir A menos lambda por I.

Al restar lambda en la diagonal, te queda una nueva matriz con estas entradas:

• Posición (1,1): 3 menos lambda.
• Posición (1,2): 0.
• Posición (2,1): 1.
• Posición (2,2): 2 menos lambda.

Ahora calculas el determinante multiplicando la diagonal principal y restando la secundaria. Como uno de los términos cruzados es 1 por 0 igual a 0, el determinante se reduce a (3 menos lambda) por (2 menos lambda) igual a cero.

Ese polinomio se resuelve por inspección: lambda igual a 3 anula el primer factor y lambda igual a 2 anula el segundo. Tus dos eigenvalues son 3 y 2 [03:24].

¿Cómo se obtienen los eigenvectors a partir de cada eigenvalue?

Una vez que tienes los eigenvalues, los sustituyes uno por uno en la ecuación (A menos lambda por I) por V igual a cero y resuelves el sistema. V es el vector con incógnitas X y Y.

Eigenvector asociado a lambda igual a 3

Al sustituir lambda igual a 3, la matriz queda con ceros en la diagonal y un 1 fuera, y un menos 1 en la última posición. El sistema se reduce a una sola condición útil: menos Y igual a 0, lo que obliga a que Y valga 0.

Como X puede tomar cualquier valor distinto de cero, eliges X igual a 1 por simplicidad. El primer eigenvector es (1, 0) asociado al eigenvalue 3 [05:10].

Eigenvector asociado a lambda igual a 2

Repites el procedimiento con lambda igual a 2. La matriz resultante deja una sola ecuación informativa: X más Y igual a 0. Esto implica que X e Y tienen signos opuestos y misma magnitud.

Eligiendo X igual a menos 1 y Y igual a 1, obtienes el segundo eigenvector (menos 1, 1) asociado al eigenvalue 2 [06:02].

¿Qué significa que un eigenvalue valga 1? Significa que el eigenvector asociado no cambia de longitud al aplicar la transformación, solo conserva su dirección. Es el caso límite donde la matriz actúa como identidad sobre ese vector específico.

¿Cómo se interpreta gráficamente el colapso del espacio?

Cuando animas el efecto de A menos lambda por I sobre el plano, ves que para ciertos valores de lambda la cuadrícula se aplasta hasta convertirse en una línea. En ese instante el área es cero y el determinante también [06:30].

Los puntos exactos donde ocurre ese colapso coinciden con los eigenvalues que calculaste algebraicamente. Si la dirección de la transformación se invierte, el determinante pasa por valores negativos antes de volver a cruzar el cero en el siguiente eigenvalue.

Esa intuición visual conecta el álgebra con la geometría: resolver la ecuación característica equivale a encontrar los escalares que aplastan el espacio.

Ejercicio para practicar la ecuación característica

Para afianzar el método, prueba con la matriz de inclinación hacia la derecha M con valores 1, 0 en la primera fila y 1, 1 en la segunda [07:35]. Calcula sus eigenvalues y eigenvectors siguiendo el mismo proceso:

1. Construye M menos lambda por I.
2. Plantea el determinante igualado a cero.
3. Resuelve el polinomio para hallar lambda.
4. Sustituye cada lambda y despeja el vector (X, Y).

Comparte tu resultado en los comentarios y compara con otros estudiantes. ¿Qué eigenvector encontraste y por qué crees que esta matriz de inclinación tiene esa estructura particular de autovalores?