La diagonalización deja solo estiramiento en la base propia
Una matriz suele deformar la cuadrícula y girar flechas, lo que cuesta imaginar. Pero toma los vectores propios, las direcciones especiales que conservan su rumbo bajo la transformación y solo cambian de longitud, y conviértelos en tus nuevos ejes de coordenadas; en esas coordenadas la matriz se vuelve de pronto sencilla. La rotación y el sesgo desaparecen, y solo queda una matriz diagonal D que estira cada eje por su valor propio. Eso es la diagonalización, A = P D P⁻¹, donde P guarda los vectores propios como columnas. Partida así, las potencias Aⁿ salen casi gratis, y para una matriz simétrica esos ejes resultan exactamente perpendiculares. Este único hecho enhebra PageRank, la SVD y el PCA en una sola línea.
Alterna la misma transformación A entre dos vistas. En la vista estándar la cuadrícula se deforma, y una flecha cualquiera que no sea vector propio cambia tanto su longitud como su dirección. Es mucho que seguir. Cambia a la vista de base propia y los dos vectores propios pasan a ser los nuevos ejes. Ahora A aparece como un mapa diagonal D = diag(λ1, λ2) que solo estira el primer eje por λ1 y el segundo por λ2. La rotación es cero. Elige la base correcta y una matriz que parecía complicada se reduce a solo dos estiramientos; ese es el punto de partida de la diagonalización.
Recorre cómo A = P D P⁻¹ actúa sobre un vector. P es la matriz cuyas columnas son los vectores propios v1, v2. La etapa 0 es el vector de partida. La etapa 1, P⁻¹, lleva ese vector a coordenadas propias, así lo lees como "tanto a lo largo de v1 más tanto a lo largo de v2". La etapa 2, D, escala la primera componente propia por λ1 y la segunda por λ2; puro estiramiento, la etapa más simple. La etapa 3, P, devuelve el resultado a las coordenadas originales. Entrar por P⁻¹, estirar por D, salir por P: esos tres movimientos igualan una aplicación de A exactamente.
La verdadera ganancia de la diagonalización son las potencias. Aⁿ = P Dⁿ P⁻¹, y la Dⁿ del medio es solo la matriz diagonal con cada valor propio elevado a la n. El esfuerzo de multiplicar la matriz n veces desaparece. Sube el control de la potencia k. Un vector se estira por λi cada vez a lo largo de cada dirección propia, y el valor propio de mayor magnitud va dominando. Así, al crecer k el vector se alinea cada vez más con la dirección del mayor valor propio, el vector propio dominante. Esto es la iteración de potencias, y es como PageRank y los procesos repetidos se asientan en una dirección con el tiempo.
Cuando una matriz es simétrica (la posición b iguala la posición c), pasa algo especial. Arrastra el control del término fuera de la diagonal. Mientras A está lejos de ser simétrica, sus dos ejes de vectores propios quedan en un ángulo sesgado. En cuanto haces A simétrica, los dos vectores propios se encuentran a exactamente 90 grados, perpendiculares. Este es el teorema espectral: una matriz simétrica siempre tiene vectores propios ortonormales, así que se divide como A = Q Λ Qᵀ, donde Q es una matriz ortogonal (una rotación) y Λ es la diagonal de valores propios. Puedes escribir Qᵀ en lugar de P⁻¹. Esta diagonalización ortogonal es el corazón geométrico de la SVD y el PCA.
Una salvedad honesta: no toda matriz se diagonaliza. Un lado del conmutador es una matriz sana con dos direcciones propias distintas, así que sus vectores propios abarcan el plano y se diagonaliza. El otro lado es una matriz de cizalla (shear) [[1,1],[0,1]]. Su valor propio es un único 1 repetido, pero su vector propio apunta solo a lo largo del eje horizontal. Verás las dos flechas plegarse sobre la misma línea. Una matriz escasa de vectores propios independientes así se llama defectuosa, y con demasiado pocas direcciones para montar nuevos ejes no puede diagonalizarse. La condición para diagonalizar es n vectores propios independientes.