Diagonalización de matrices con egenvectores

La diagonalización de matrices es el proceso que te permite reescribir una transformación compleja en su versión más simple usando egenvectores y egenvalores. Si ya viste cambio de base y egenvectores, este es el paso que une todo: traducir una matriz al lenguaje donde solo existe escalamiento puro, sin rotaciones ni inclinaciones.

¿Qué es la diagonalización de una matriz?

Imagina que tienes una transformación que rota y estira al mismo tiempo. En la base estándar de I y J, escribirla puede ser un dolor de cabeza. Pero si la miras desde la perspectiva de sus egenvectores, la historia cambia.

En esa base ideal, el primer egenvector V1 solo se estira por un factor λ1, y el segundo egenvector V2 solo se estira por λ2. Nada más. Recordando la regla de oro de que las columnas de una matriz indican a dónde van los vectores base, obtienes una matriz D con λ1 y λ2 en la diagonal y ceros en el resto.

Esa matriz D es una matriz diagonal: su único efecto es escalar a lo largo de sus ejes. Es la versión más pura y limpia de tu transformación original.

¿Qué significa diagonalizar una matriz? Es traducir una matriz al lenguaje de sus egenvectores, donde la transformación se reduce a estirar o encoger a lo largo de ejes específicos, sin rotación ni distorsión.

¿Cómo se aplica la fórmula A = PDP⁻¹?

La ecuación de la diagonalización dice que A = P · D · P⁻¹, y se parece bastante a la fórmula del cambio de base que ya conoces.

Cada pieza tiene un rol claro:

• P es la matriz de cambio de base, cuyas columnas son los egenvectores de A. Traduce del lenguaje estándar al lenguaje de los egenvectores.
• D es la matriz diagonal con los egenvalores. Es la transformación pura, solo escalamiento.
• P⁻¹ es la inversa del cambio de base. Devuelve el resultado al lenguaje original.

¿Cómo diagonalizar paso a paso un ejemplo concreto?

Tomemos la matriz A = [[3, 1], [0, 2]], la misma de la clase anterior, con egenvalores λ1 = 3 y λ2 = 2, y egenvectores (1, 0) y (1, -1) [4:30].

1. Construye D con los egenvalores en la diagonal: [[3, 0], [0, 2]].
2. Construye P colocando los egenvectores como columnas: [[1, 1], [0, -1]].
3. Calcula P⁻¹ usando la fórmula: 1 sobre el determinante por el cambio de la diagonal principal y negando los otros valores. El determinante de P es -1, y la inversa queda [[1, 1], [0, -1]].

Al multiplicar P · D · P⁻¹ de derecha a izquierda recuperas exactamente la matriz original [[3, 1], [0, 2]]. La fórmula funciona a la perfección [7:50].

¿Para qué sirve diagonalizar una matriz en la práctica?

Una de las aplicaciones más potentes es calcular potencias de matrices sin sufrir. Elevar A a la 100 directamente suena terrible, pero con diagonalización se vuelve trivial.

Si escribes A² como (PDP⁻¹)(PDP⁻¹), puedes agrupar el P⁻¹ · P del medio, que es la identidad, y la identidad es como no hacer nada. Te queda A² = P · D² · P⁻¹ [10:15].

Y esto se generaliza: A elevada a la K = P · Dᴷ · P⁻¹. Como D es diagonal, elevarla a cualquier potencia significa simplemente elevar los números de la diagonal. Punto.

¿Por qué es más fácil elevar una matriz diagonal a una potencia? Porque solo necesitas elevar los valores de su diagonal al exponente deseado. No hay multiplicaciones cruzadas ni términos adicionales.

Esta técnica aparece en simulaciones físicas, cadenas de Markov, análisis de datos y motores gráficos de videojuegos.

¿Cuándo una matriz no se puede diagonalizar?

No todas las matrices admiten este proceso. Para construir P necesitas suficientes egenvectores que sirvan como columnas.

La regla es clara: una matriz A de N×N es diagonalizable si y solo si tiene N egenvectores linealmente independientes.

El caso ideal ocurre cuando una matriz N×N tiene N egenvalores distintos, porque eso garantiza que sus egenvectores serán linealmente independientes. Pero cuando hay egenvalores repetidos, podrías no encontrar suficientes egenvectores independientes para armar la base ideal, y entonces la matriz no se puede diagonalizar [11:45].

Empezaste viendo un vector como una flecha y terminaste entendiendo cómo se construye el lenguaje detrás de los videojuegos, la ingeniería y el análisis de datos. ¿Qué aplicación de la diagonalización te gustaría explorar primero? Cuéntalo en los comentarios.