Autovalores y autovectores de matrices reales simétricas

“AÑO DE LA UNIVERSALIZACION DE LA SALUD”
UNIVERSIDAD NACIONAL DE SN AGUSTIN
FACULTAD INGENIERIA DE PROCESOS
ESCUELA PROFECIONAL DE INGENIERIA METALURGICA
ASIGNATURA DE ECUACIONES DIFERENCIALES
TRABAJO DE ECUACIONES DIFERENCIALES
Auto - valores reales
INTEGRANTES:
1. CHARA ROQUE JUDITH YOLI

2. CHAÑI MERMA, AMÍLCAR HENRY
3. CALANCHE DELGADO, JAIR FRANK
4. COAQUIRA HILARIO FRANK LUIS
5. HUAMANI FLORES, GOLBER ARISTIDES
6. QUINCHO CHUCTAYA, OLIVER LUIS
7. SUCASACA MIRAMIRA, CARLOS DANIEL
8. VENTURA CHACALLA, BRYAN MAURICIO
INDICE
1. Autovalores y autovectores
1.1. Definición y propiedades

1.2. La ecuación característica.
2. Diagonalización.
2.1. Matrices diagonalizables.

2.2. Matrices no diagonalizables.
3. Matrices simétricas reales.
3.1. Diagonalización. El teorema espectral
4. Aplicaciones del cálculo de auto valores y autovectores
4.1. Ecuaciones en diferencias.

4.2. Cónicas y cuadrigas giradas.
5. Avance número de páginas
1. CHARA ROQUE JUDITH YOLI

2. CHAÑI MERMA, AMÍLCAR HENRY
3. COAQUIRA HILARIO, FRANK LUIS
4. CALANCHE DELGADO, JAIR FRANK)
5. HUAMANI FLORES, GOLBER ARISTIDES
6. QUINCHO CHUCTAYA, OLIVER LUIS
7. SUCASACA MIRAMIRA, CARLOS DANIEL
8. VENTURA CHACALLA, BRYAN MAURICIo
6. Bibliografía
CHARA ROQUE JUDITH YOLI
1. Autovalores y autovectores
1.1. Definición y propiedades
Definición. Sea A una matriz cuadrada de orden m. Diremos que un escalar λ ∈ C es

un autovalor de A si existe un vector v ∈ C m, v 6= 0 tal que Av = λv, en cuyo caso se
dice que v es un autovector de A asociado al autovalor λ. Obviamente, si tenemos
un autovector v de A asociado a un auto valor λ, cualquier múltiplo no nulo de v
también es un autovector de A asociado al mismo autovalor λ. Por otra parte, si
tenemos dos autovectores v1 y v2 asociados a un mismo autovalor λ, cualquier
combinación lineal no nula de dichos autovectores también es un autovector de A
asociado al mismo autovalor λ.
Observaciones.
(a) Al hacer transformaciones fila (o columna) sobre una matriz A, los autovalores
y los auto vectores de la matriz que se obtiene NO guardan relación (en general)
con los autovalores y autovectores de la matriz original. En general, tampoco es
cierto que los autovalores de una matriz suma/resta/producto de otras dos sean
suma/resta/producto de los autovalores de cada uno de los sumandos.
Ejercicio. Busca ejemplos de todo lo anterior.
(b) El concepto de autovalor y autovector no es exclusivo de los espacios de

coordenadas, ni de los espacios vectoriales de dimensión finita. Por ejemplo,
siendo V el espacio vectorial de las funciones y : R → R indefinidamente
derivables y siendo T : V → V la aplicación lineal y −→ T(y) = y ′′, se tiene que λ
= 0 es un autovalor de T y todo polinomio de primer grado es un autovector
asociado. Por otra parte, λ = 1 también es autovalor y la función y(x) = e x es un
autovector asociado.
1.2. La ecuación característica
Dada una matriz cuadrada A y un número λ0 ∈ C, son equivalentes:
(1) λ0 es un autovalor de A.
(2) El sistema homogéneo (A − λ0I) x = 0 es un sistema compatible indeterminado.
(3) dim [Nul (A − λ0I)] ≥ 1. (3’) El rango [A − λ0I] no es máximo.
(4) La matriz (A − λ0I) no tiene inversa. (5) det [A − λ0I] = 0.
2. Diagonalización
Consideremos una transformación lineal T : Km −→ Km y la matriz A asociada (cuadrada,

m×m) respecto de la base canónica C de Km. Es decir, siendo x las coordenadas canónicas
de un vector v y siendo y las coordenadas canónicas del transformado T(v), tenemos que y
= Ax. Consideremos otra base B y denotemos por x ′ e y ′ a las coordenadas de v y T(v),
respectivamente, respecto de dicha base B. Si P es la matriz del cambio de base C ←− B
tenemos que x = P x′ e y = P y′ . Por tanto, la transformación lineal T se puede expresar, en
coordenadas respecto a B mediante.
y = Ax ⇐⇒ P y′ = AP x′ ⇐⇒ y ′ = P − 1AP x′ .
Es decir, de la misma forma que A representa a T respecto a la base canónica, la matriz B =

P −1AP también representa a T, pero respecto a la base B. Cuando dos matrices A y B
(cuadradas del mismo orden) están relacionadas mediante la igualdad B = P −1AP para
alguna matriz P no-singular, se dice que A y B son semejantes. En este caso se trata de
matrices que representan a la misma transformación lineal respecto de bases distintas. En
este apartado vamos a considerar el problema de intentar determinar una matriz P para la
cual B = P −1AP sea una matriz lo más sencilla posible (que permita describir la
transformación T asociada de la forma más simple). La forma más simple que se puede
plantear es el de una matriz diag.
2.1. Matrices diagonalizables
Definición. Se dice que una matriz A m × m es diagonalizable si existe alguna

matriz P no singular tal que P −1AP es una matriz diagonal D. En este caso, se
dice que P es una matriz de paso que diagonal iza A y que la expresión A = P DP
−1 es una diagonalización de A.
2.2. Matrices no diagonalizables.
Una matriz cuadrada A es diagonalizable si, y sólo si, hay una base (de R n ó C
n ) formada por autovectores de A. Cuando A no es diagonalizable hay
situaciones en las que es necesario encontrar también una base cuyos
elementos verifiquen ciertas propiedades similares a las de los autovectores de
A. Estos serán los denominados ´ autovectores generalizados de A. Definición.
Sea A una matriz m × m y sea λ un autovalor de A. Se dice que un vector v 6= 0
es un autovector generalizado de A asociado a λ si se verifica que (A − λI) k v = 0
para algún entero positivo k. Es decir, los autovectores generalizados de A
asociados a λ son (excluyendo al vector nulo), los vectores de los espacios nulos
de las matrices (A − λI) k , k = 1, 2, 3, ...
1) La proposición anterior no contradice lo visto hasta ahora para

autovectores: si A es diagonalizable y λ es autovalor de multiplicidad
algebraica mas (λ) = l (su multiplicidad geométrica será por tanto mg(λ) = l)
el valor r de la proposición anterior es r = 1.
2) Observe que según el teorema anterior los autovectores generalizados

siempre son los elementos de Nula (A − λI) mas (λ) , aunque dependiendo de
cada caso, dicho espacio nulo puede coincidir con el espacio nulo de una
potencia inferior de A − λI.
3. Matrices simétricas reales.
Las matrices simétricas reales constituyen uno de los tipos más importantes de matrices
para las cuales puede garantizarse la diagonalizabilidad. Además, dicha diagonalizacion se
puede obtener matrices de paso ortogonales.
3.1. Diagonalización. El teorema espectral
Teorema. Sea A una matriz real simétrica. Entonces: (a) Todos los autovalores
de A son reales. (b) Si v1 y v2 son autovectores (reales) de A asociados a
autovalores distintos λ1 y λ2, entonces v1 y v2 son ortogonales. Teorema
(espectral para matrices simétricas) Sea A una matriz cuadrada real n × n. Son
equivalentes: (a) A es simétrica. (b) A es diagonalizable mediante una matriz de
paso ortogonal, es decir, existe una matriz ortogonal Q tal que Q−1AQ ≡ QTAQ
= D es diagonal. En ese caso, las columnas de la matriz {q1, . . . , qn} de
Q son un conjunto de autovectores de A que forman una Base Orto normal de

R n y, además, tenemos que:
Cada matriz q kq T k es la matriz de la proyección ortogonal sobre la

subespecie generado por el correspondiente vector {q k} (es una matriz de
rango 1). Así, obtenemos la expresión
A = λ1q1q T 1 + λ2q2q T 2 + · · · + λnqnq T n ,
que se llama descomposición espectral de A. Esta expresión nos da la matriz

simétrica real A como una combinación lineal de matrices de proyección de
rango
A la hora de obtener una diagonalizacion ortogonal de una matriz simétrica real

A pueden aparecer dos situaciones distintas:
1. Todos los autovalores de A son simples. En este caso, los autovectores

correspondientes tienen que ser ortogonales dos a dos y formaran una base
ortogonal de R n . Normalizando dichos autovectores (dividiendo cada uno por
su norma) seguiremos teniendo autovectores ortogonales que además serán
unitarios. Una matriz Q que tenga a dichos autovectores orto normales como
columnas sera una matriz de paso que diagonal iza A ortogonalmente.
2. La matriz A tiene algún autovalor múltiple. En este caso, cuando calculemos los
autovectores asociados a uno de los autovalores λ múltiples, obtendremos una
base del espacio propio asociado Nul (A−λI). En general esta base puede
3. no ser una base ortogonal de dicha subespecie. Ortogonal izando primero y

normalizando a continuación, tendremos una base orto normal de autovectores
asociados a dicho autovalor múltiple. Haciendo esto con cada uno de los
autovalores múltiples y normalizando los autovectores asociados a autovalores
simples tendremos una base orto normal de R n formada por autovectores de
A. Basta considerar una matriz Q cuyas columnas sean los vectores de dicha
base para obtener una diagonalización ortogonal de A.
4. Aplicaciones del cálculo de autovalores y autovectores
Vamos a considerar la relación del cálculo de autovalores y autovectores con los

llamados problemas de evolución. Dichos problemas vendrán expresados por una
ecuación en diferencias en el caso discreto y por una ecuación diferencial en el caso
continuo. En forma gen Érica se tratar ‘a de obtener una función vectorial de variable
discreta (en cuyo caso tendremos una sucesión de vectores) o de variable continua (en
cuyo caso tendremos una función vectorial de variable real) determinadas por una
condición sobre su evolución. Como es natural solo consideraremos problemas lineales.
De esta forma los correspondientes conjuntos de soluciones tendrán una estructura
similar a la del conjunto de soluciones de un sistema de ecuaciones lineales. Es decir,
tendrán una estructura de su espacio vectorial (o de variedad lineal) y podrán
manipularse de forma análoga a la manipulación de vectores de coordenadas.
4.1. Ecuaciones en diferencias.
Definición. Sea A una matriz cuadrada de orden m y sea u1, u2, . . .,

un, . . . una sucesión de vectores en R m definidos de manera
recurrente por
un = Aun − 1, n = 1, 2, . ..
a partir de un vector inicial u0 ∈ R m. Una relación de recurrencia de esta

forma se llama sistema de ecuaciones en diferencias lineal homogéneo de
primer orden (con coeficientes constantes). No nos ocuparemos aquí ni del
caso no homogéneo, ni del caso de coeficientes no constantes y muchísimos
menos de casos no lineales. A partir de la relación un = Aun−1 se tiene que
un = Anu0 y tenemos la expresión del término general un en función del
vector original u0. El problema es determinar las potencias En de A.
Tendremos esencialmente dos situaciones. Por un lado, el caso en
que A sea diagonalizable ser ‘a fácil de tratar y por otro, el caso en el que A
no sea diagonalizable que necesitara de más elaboración puesto que
tendremos que recurrir al cálculo de autovectores generalizados. Uno de los
aspectos que permite estudiar la expresión del término general un (a partir
de u0) es el comportamiento asintótico, es decir el comportamiento a largo
plazo de la sucesión un, ¿qué sucede con los vectores un cuando n se hace
grande? Proposición. Sea A una matriz cuadrada de orden m y u0 ∈ R m.
Entonces
a. Si A es diagonalizable, A = P DP −1 (P matriz de paso de orden m cuyas

columnas son autovectores de A linealmente independientes, D matriz
diagonal cuyos elementos diagonales son los autovalores
correspondientes de A), se verifica que
A n = P DnP − 1 y un = A nu0 = P DnP − 1u0, n = 1, 2, . ..
b. Si u0 es combinación lineal de autovectores de A

(independientemente de que A sea diagonalizable o no),
u0 = c1v1 + · · · + ckvk y Avj = λjvj , j = 1, . . . , k,
Observaciones. ¿Qué sucede si A no es diagonalizable y u0 no es combinación lineal de

autovectores? Sea A una matriz m × m no diagonalizable.
a) Si v es un autovector generalizado de A asociado a un autovalor λ, para un

cierto valor k se verifica que:
(A − λI)v 6 = 0, . . . , (A − λI)k − 1 v 6 = 0, (A − λI)k v = 0
Utilizando esto podemos determinar la solución (sucesión de vectores) del

sistema de ecuaciones en diferencias un = Aun−1 que tiene como valor inicial
u0 = v. Para ello, basta considerar la fórmula del binomio de Newton:
ue es aplicable a la potencia de una suma de matrices si estas conmutan. Es

decir, si A y B son dos matrices cuadradas que conmutan (AB = BA), se verifica
la igualdad
siendo A0 = B0 = I. Puesto que las matrices A−λI y λI conmutan, podemos

aplicar la fórmula del binomio de Newton y para n ≥ k obtenemos
y aparecen (a lo sumo) k sumandos en el sumatorio, independientemente de lo grande

que sea n. En los ejemplos que veremos k será pequeño y aparecerán pocos términos
en el sumatorio.
b) Si obtenemos una base {v1, . . ., vm} (de R m ó C m) formada por

autovectores generalizados de A, entonces puede encontrarse la solución
general del sistema de ecuaciones en diferencias un = Aun−1 para
cualquier u0 ∈ R n . Para ello, expresamos u0 como combinación lineal de
los autovectores generalizados {v1, . . ., vm},
u0 = α1v1 + · · · + αmvm
un = A nu0 = α1A n v1 + · · · + αmA n vm
c) Cálculo de An . A partir de una base formada por autovectores

generalizados {v1, . . . , va} podemos calcular sin mas que obtener los
vectores {An v1, . . . , An vm} y despejar An de la igualdad matricial
d) Comportamiento asintótico de Anu0. Con este término se designa al

estudio del comportamiento de la sucesión de vectores u0, u1, u2, . . . a
largo plazo. Es decir, se trata de estudiar que sucede cuando n −→ ∞. Los
vectores un
➢ ¿convergen a un cierto vector?

➢ ¿oscilan entre ciertos vectores?
➢ ¿tienden a ∞? Es decir, ¿limn→∞ ||un|| = ∞?
Si tenemos un vector u0 expresado como combinación lineal de autovectores y

autovectores generalizados
u0 = c1v1 + · · · + cmvm
la sucesión generada viene dada mediante
un = A nu0 = c1A n v1 + · · · + cmA n vm
con lo cual podemos reducir el estudio al comportamiento de las sucesiones An v

siendo v un autovector o un autovector generalizado de A. En la situación más simple,
que v sea un autovector asociado a un cierto autovalor λ tenemos que
Anv = λnv
y, por tanto,
• Si |λ| < 1, tenemos que (λ n ) → 0 y (A n v) = (λ n v) → 0.

•
• Si |λ| > 1, tenemos que (λ n ) → ∞ y (||An v||) = (|λ| n ||v||) → +∞.
• Si |λ| = 1 hay que distinguir dos casos (al menos):
• Si λ = 1, la sucesión de vectores An v = v es constante.
• Si |λ| = 1, λ 6= 1, puesto que |λ n | = 1 para todo n = 1, 2, . . . , los coeficientes λ,
• λ2 , λ3 , . . . recorren la circunferencia unidad (no completa, infinitas veces) y los

vectores A n v = λ n v presentan un comportamiento oscilante.
4.2. Cónicas y cuadrigas giradas
En el Tema 1 se estudiaron las (secciones) cónicas y las cuadradas desde el

punto de vista métrico, así como los elementos representativos de cada una
de ellas. Por otra parte, vimos la determinación de la posición, del tipo de
cónica/cuadriga y como obtener los elementos característicos cuando ésta
viene dada por una ecuación en la que no aparecen productos cruzados. Ahora
estudiaremos:
i. Que toda ecuación polinómica de segundo grado en dos variables
a11x 2 + 2a12xy + a22y 2 + 2a1x + 2a2y + a0 = 0
ii. Que toda ecuación polinómica de segundo grado en tres variables
a11x 2 + a22y 2 + a33z 2 + 2a12xy + 2a13xz
+ 2a23yz + 2a1x + 2a2y + 2a3z + a0 = 0,
iii. Como determinar el tipo de cónica/cuadriga y sus elementos

representativos cuando en la ecuación aparecen términos en productos
cruzados. La presencia de éstos términos indica que la cónica/cuadriga
esta girada respecto a los ejes coordenados. La determinación del
correspondiente Ángulo de giro se hará a partir del cálculo de
autovalores y autovectores de la matriz asociada a la parte
cuadrática de la ecuación de la cónica/cuadriga. Es decir, se tratará de

btener la posición, los elementos característicos y la representación
gráfica en el sistema de ejes dado.
Reducción de una cónica girada:
Una cónica es el lugar geométrico de los puntos (x, y) ∈ R 2 del plano que satisfacen una
ecuación general de segundo grado:
f(x, y) = a11x 2 + 2a12xy + a22y 2 + 2a1x + 2a2y + a0 = 0
donde alguno de los coeficientes a11, a12 o a22 es distinto de cero.
La ecuación anterior, llamada ecuación de la cónica, se puede escribir en

notación vectorial de la forma:
El proceso general para llevar una cónica a su ecuación reducida (sabiendo cuales son
los cambios de variables involucrados) puede separarse en dos etapas (si el coeficiente
a12 6= 0, si el coeficiente a12 = 0 bastaría con la segunda etapa):
1. Determinación de las direcciones de los ejes de la cónica. Esto consiste en diagonal izar
ortogonalmente la matriz (simétrica A) asociada a la parte cuadrática de la ecuación
A = ( a11 a12 a12 a22 )
Sean λ1 y λ2 los autovalores de A y v1 y v2 autovectores ortogonales correspondientes

(si λ1 6= λ2 dichos autovectores serían ortogonales necesariamente, y si λ1 = λ2
necesariamente A es una matriz diagonal, y no necesitamos hacer nada de esto).
Conviene tomar los autovectores v1 y v2 de manera que el ´ángulo de v1 a v2 sea de 900

en sentido positivo (contrario a las agujas del reloj). Sin más que dividir los vectores v1
y v2 por su norma, obtenemos una base orto normal {u1, u2} de R 2 formada por
autovectores de A y, por tanto
Al sustituir en la ecuación (en (x, y)) de la cónica el cambio de variables tenemos
Es decir, la ecuación de la cónica en las coordenadas (x ′ , y′ ) es
λ1x ′2 + λ2y ′2 + 2b1x ′ + 2b2y ′ + a0 = 0,
ecuación en la que no aparece el producto cruzado x ′ y ′ . Notemos que

Es decir, los ejes x ′ e y ′ son las rectas que pasan por el origen de coordenadas y tienen
como vectores dirección respectivos los autovectores u1 y u2 de A. De hecho, el sistema
de ejes OX′Y ′ se obtiene del sistema OXY girando (con centro el origen de coordenadas)
el ´ángulo que determina u1 con el semieje OX+.
2. Una vez que tenemos la ecuación
λ1x ′2 + λ2y ′2 + 2b1x ′ + 2b2y ′ + a0 = 0,
en la que no aparece el producto cruzado x ′ y ′ , bastara completar los cuadrados que

aparezcan (mediante cambios del tipo x ′′ = x ′ − α e y ′′ = y ′ − β) para obtener una
ecuación de uno de los siguientes tipos:
• Caso elíptico. λ1λ2 > 0 (es decir λ1 y λ2 son no-nulos y del mismo signo),
a 2x ′′2 + b 2 y ′′2 = c
en cuyo caso tenemos una elipse (c > 0), un punto (c = 0) o nada (c < 0).
• Caso hiperbólico. λ1λ2 < 0 (es decir λ1 y λ2 son no-nulos y de distinto signo),
a 2 x ′′2 − b 2 y ′′2 = c
en cuyo caso tenemos una hipérbola (c 6= 0) o un par de rectas que se cortan (c

= 0).
• Caso parabólico. λ1λ2 = 0 (es decir uno de los autovalores es nulo, y el otro no).
Suponiendo que λ1 6= 0, λ2 = 0 puede obtenerse
a 2x ′′2 + by′′ = 0 ó a 2x ′′2 + c = 0
Tendremos una parábola (b 6= 0), o bien un par de rectas paralelas (c < 0) o

coincidentes (c = 0) o nada (c > 0).
Para obtener los elementos característicos de la cónica y su representación

gráfica basta obtenerlos en las coordenadas (x ′′, y′′) y deshacer los cambios de
variables que se hayan hecho
5. Ejercicios
1) CHARA ROQUE JUDITH YOLI

Vamos a obtener la ecuación canónica (reducida) y la representación gráfica
de la cónica
3x 2 + 3y 2 − 2xy + 2x − 4y + 1 = 0.
mediante los cambios de coordenadas adecuados. Escribimos en forma matriz
Puesto que la
ecuación de la cónica tiene término en xy necesitamos hacer un giro para colocar
los ejes en las direcciones de los autovectores de la matriz A (la que recoge los
términos cuadráticos). Calculamos los autovalores de A
Construimos la matriz de paso ortogonal P (que diagonal iza A) mediante una

base orto normal de autovectores:
El primer autovector da la dirección y sentido positivo del nuevo eje X′ (que

corresponde a girar un ´ángulo θ = −45o el eje X, pues del autovector sacamos
que tg θ = y/x = −1/1 = −1) y el segundo autovector (que hemos elegido en el
sentido adecuado para que el eje Y ′ se obtenga girando el X′ un ´ángulo de 90o
en sentido positivo) marca la dirección y sentido del nuevo eje Y ′. El cambio:
eliminar ‘a el término mixto x ′ y ′ dejando la parte cuadrática como λ1x ′2 +
λ2y ′2 , modificar ‘a los coeficientes de los términos lineales, x ′ e y ′ , y no alterará
el término independiente. Concretamente obtenemos: 4x ′2 + 2y ′2 + 3√ 2x ′ − √
2y ′ + 1 = 0. Completando cuadrados hacemos una traslación:
Es decir, al haber tomado λ1 = 4 y λ2 = 2, el semieje mayor de la elipse esta

sobre el eje Y ′′ y el menor sobre el X′′, ya que 1 4 q 3 2 < √ 3 4 . El centro C de
la elipse es el origen en las coordenadas (x ′′, y′′). Es decir, (x ′′, y′′) = (0, 0) ⇔
(x ′ = − 3 √ 2 8 , y′ = √ 2 4 ). En coordenadas (x, y) obtenemos
de la cónica
2xy − 4x + 2y − 7 = 0
mediante los cambios de coordenadas adecuados. Puesto que la ecuación de
la cónica tiene término en xy necesitamos hacer un giro para colocar los ejes
en las direcciones de los autovectores de la matriz A (la que recoge los
términos cuadráticos),
Construimos la matriz P mediante la siguiente base orto normal de

autovectores:
donde el primer autovector da la dirección y sentido del nuevo eje X′ y el

segundo autovector (que hemos elegido en el sentido adecuado para que el
eje Y ′ se obtenga girando el eje X′ 90o en sentido positivo o anti horario)
marca la dirección y sentido del nuevo eje Y ′ . El cambio de variables:
eliminará el término mixto x ′ y ′ dejando la parte cuadrática como λ1x ′2+λ2y ′2 ,
podrá modificar los coeficientes de los términos lineales, x ′ e y ′ , y no alterará
el término independiente. Concretamente obtenemos:
x ′2 − y ′2 − √ 2x ′ + 3√ 2y ′ − 7 = 0.
Completando cuadrados en x ′ e y ′ y haciendo una traslación:

de la cónica
−7x 2 + 12xy + 2y 2 + 2x − 16y + 12 = 0
mediante los cambios de coordenadas adecuados. Puesto que la ecuación de la

cónica tiene término en xy necesitamos hacer un giro para colocar los ejes en
las direcciones de los autovectores de la matriz A (la que recoge los términos
cuadráticos),
calculamos valores:
y los autovectores correspondientes
construir la matriz P
El primer autovector da la dirección y sentido del nuevo eje X′
(que corresponde a girar un ´ángulo θ ≈ 63,4 o el eje X, pues del autovector

sacamos que tgθ = y/x = 2/1 = 2) y el segundo autovector (que hemos elegido en
el sentido adecuado para que el eje Y ′ se obtenga girando 90o el eje X′ en
sentido positivo) marca la dirección y sentido del nuevo eje Y ′ .
El cambio
eliminará el término mixto x ′ y ′ dejando la parte cuadrática como λ1x ′2+λ2y ′2 ,

podrá modificar los coeficientes de los términos lineales, x ′ e y ′ , y no alterará
el término independiente. Concretamente obtenemos:
5x ′2 − 10y ′2 − 6 √ 5x ′ − 4 √ 5y ′ + 12 = 0
Completando cuadrados en x ′ e y ′ y haciendo una traslación:
Donde hemos realizado la traslación

Deducimos que las asíntotas de la hipérbola son las rectas y ′′ = ± √ 2 2 x ′′ ≈
±0,707x ′′ . Podemos deshacer los cambios (giro y traslación) para obtener sus
ecuaciones en las coordenadas x-y. Así
El centro C de la hipérbola es el origen en las coordenadas (x ′′, y′′). Es

decir, (x ′′, y′′) = (0, 0) ⇔ (x ′ = 3 √ 5 5 , y′ = − √ 5 5 ). En coordenadas (x,
y) obtenemos.
Para hacer el dibujo esquemático con una cierta precisión, puede sernos
´útil el encontrar los puntos de corte (si los hay) de la hipérbola con los
ejes coordenados (OX y OY ).
Al hacer x = 0 en la ecuación de la cónica se obtiene y 2 − 8y + 6 = 0 que

tiene como soluciones y = 4 ± √ 10, es decir, y ≈ 7,16 e y ≈ 0,84. Mientras
que si hacemos y = 0 se obtiene 7x 2 − 2x − 12 = 0 que tiene como
soluciones y = 1± √ 85 7 , es decir, x ≈ 1,46 y x ≈ −1,17.
Por tanto, la hipérbola corta al eje OY en los puntos (0, 7,16) y (0, 0,84)
y al eje OX en los puntos (1,46, 0) y (−1,17, 0). Con toda la información
que hemos obtenido a lo largo del problema, comenzamos dibujando
los ejes X′ e Y ′ sabiendo que pasan por el origen de las coordenadas x-y
y tienen la dirección y sentido del autovector correspondiente a λ1 y λ2,
respectivamente.
Es decir, en este caso, con la elección que hicimos de autovalores y
autovectores, los ejes X′ e Y ′ se obtienen rotando un ´ángulo de 63,4 o
(aproximadamente) a los ejes X e Y . A continuación, dibujamos los ejes
X′′ e Y ′′, paralelos respectivamente a los ejes X′ e Y ′ , que resultan de
trasladar el origen al centro de la hipérbola C = (1, 1).
Finalmente, dibujamos la hipérbola, que es fácil de representar en las

coordenadas x ′′ - y ′′, teniendo en cuenta sus asíntotas y sus cortes con
los ejes X e Y , para obtener un dibujo cualitativo lo más parecido posible
al real.
de la cónica
x 2 − 2xy + y 2 − 2x + 1 = 0
mediante los cambios de coordenadas adecuados. Puesto que la ecuación de la

cónica tiene termino en xy necesitamos hacer un giro para colocar los ejes en las
direcciones de los auto vectores de la matriz A (la que recoge los términos
cuadráticos)
Podemos pues calcular los auto vectores:
Construimos la matriz P mediante la siguiente base orto normal de auto

vectores:
donde el primer autovector da la dirección y sentido del nuevo eje X′ (que

corresponde a girar un ´ángulo θ = 45o el eje X, pues del autovector sacamos
que tgθ = y/x = 1) y el segundo autovector (que hemos elegido en el sentido
adecuado para que el eje Y ′ se obtenga girando el eje X′ 90o en sentido positivo
o anti horario) marca la dirección y sentido del nuevo eje Y ′ . El cambio:
eliminará el término mixto x ′ y ′ dejando la parte cuadrática como λ1x ′2 + λ2y ′2,
modificara los coeficientes de los términos lineales, x ′ e y ′ , y no alterará el
término independiente. Concretamente obtenemos:
2y ′2 − √ 2x ′ + √ 2y ′ + 1 = 0
Completando cuadrados en y ′ y haciendo una traslación tenemos
donde hemos realizado la traslación
El vértice V de la parábola es el origen en las coordenadas (x ′′, y′′). Es decir, (x ′′,

y′′) = (0, 0) ⇔ (x ′ = 3 √ 2 8 , y′ = − √ 2 4 ). En coordenadas (x, y) obtenemos
Para hacer el dibujo esquemático con una cierta precisión, puede sernos ´útil el
encontrar los puntos de corte (si los hay) de la parábola con los ejes
coordenados (OX y OY). Al hacer x = 0 en la ecuación de la cónica se obtiene y 2
+ 1 = 0 que no tiene solución (real). Mientras que si hacemos y = 0 obtenemos x
2 − 2x + 1 = 0 que tiene como solución (doble) x = 1. Por tanto, la parábola no
corta al eje OY y toca sin cortar (pues es tangente, como se deduce de la raíz
doble) al eje OX en el punto (1, 0).
Dada la matriz
(a) Calcula A de forma que (2, 0, −1) T sea un autovector cuyo auto valor
correspondiente es λ = −1.
(b) Halla los demás auto valores y auto vectores.
Solución
(a) a = 8, b = 6, c = −5.
(b) λ = −1 es el ´único autovalor (triple).
Determina los valores del parámetro α para los que es diagonalizable cada una
de las siguientes matrices,
Calcula bases de R 3 formadas por autovectores y autovectores generalizados

de las siguientes matrices:
(b) Sólo tenemos que considerar el caso a = 6. Los autovalores de A−1 son los
inversos de los autovalores de A. Por tanto, para a = 6, los autovalores de A−1
son
y los autovectores asociados son los autovectores de A asociados al

correspondiente λ.
• Autovectores de A−1 asociados a µ1 ≡ los de A asociados a λ1 = −2:

• Autovectores de A−1 asociados a µ2 ≡ los de A asociados a λ2 = 2:
(c) Si n es par An = 2n I.
Si n es impar An = 2n−1A.
8) CHARA ROQUE JUDITH
Estudia la diagonalizabilidad de las siguientes matrices en función de los

parámetros que aparece
• A: Si a 6= −2, 0, 2 =⇒ A es diagonalizable
Para a = −2, 2
Si b = c =⇒ A es diagonalizable.
Si b 6= c =⇒ A no es diagonalizable
Para a = 0, para todo b y c =⇒ A no es diagonalizable.
• B: Si a 6= −1, 5 =⇒ B es diagonalizable.
Para a = −1
Si b = 0 =⇒ B es diagonalizable.
Si b 6= 0 =⇒ B no es diagonalizable.
Para a = 5, =⇒ B no es diagonalizable
• C: C es diagonalizable ⇐⇒ a = f = 0.
9)
Calcula bases de R 3 formadas por autovectores y autovectores generalizados

de las siguientes matrices:
(a) Bases de R 3 formadas por autovectores y autovectores generalizados de

A son, por ejemplo,
{v1, v2, w3} , {v1, v2, w4} , {v1, w3, w4}
(b) Bases de R 3 formadas por autovectores y autovectores generalizados de

B son, por ejemplo,
{v1, v2, w3} , {v1, v2, w4} , {v1, w3, w4}

Determina la matriz de la transformación lineal T : x ∈ R 2 −→ T(x) = Ax ∈ R 2

respecto de la base B = {v1, v2} siendo
Solución
Notemos que lo anterior significa que
T(x ′ 1 v1 + x ′ 2 v2) = (2x ′ 1 − x ′ 2 )v1 + (2x ′ 2 )v2
T(v1) = 2v1 y T(v2) = −v1 + 2v2

Halla A sabiendo que f(S1) = S2, donde
x1 − x2 = 0
x3 + x4 = 0
S2 = Gen {(1, −2, 1, 1)T ,(0, 3, −1, −2)T }.

Halla una base de R 4 formada por autovectores y autovectores generalizados.

Diagonaliza las siguientes matrices mediante matrices de paso ortogonales
Reduce, clasifica y representa las siguientes cónicas
4x 2 + y 2 − 4xy + 4x − 2y + 1 = 0.
Tenemos infinitas soluciones que dan lugar a ecuaciones equivalentes a
x 2 + 2y 2 − 5x − 4y = 0.
Por tanto, se trata de la ecuación de una elipse con ejes paralelos a los
coordenados y cuyos elementos característicos pueden obtenerse sin más que
escribir la ecuación anterior en la forma
1) CHAÑI MERMA AMILCAR HENRY
Calcular solucion gneral del sistema :
𝑑𝑥
=𝑦+𝑧
( 𝑑𝑡
𝑑𝑦
=𝑥+𝑧
𝑑𝑡
𝑑𝑧
=𝑥+𝑦
𝑑𝑡
𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛:
𝑠𝑒 𝑟𝑒𝑠𝑢𝑒𝑙𝑣𝑒 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑐𝑎𝑟𝑎𝑠𝑡𝑒𝑟𝑖𝑠𝑡𝑟𝑖𝑐𝑎:
−𝑠 1 1
(1 −𝑠 1)=0
1 1 −𝑠
𝑙𝑜𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠𝑒 𝑠𝑜𝑛:
−𝑠 3 + 3𝑠 + 2 = 0
𝑠1 = 𝑠2 = −1 𝑠3 = 2
𝑠𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎 𝑒𝑙 𝑠𝑢𝑏𝑒𝑠𝑝𝑎𝑐𝑖𝑜
1 1 1 𝑥 0
ker (𝑎 + 1)(1 1 1)(𝑦) = (0)
1 1 1 𝑧 0
𝑑𝑖𝑚𝑒𝑛𝑐𝑖𝑜𝑛 2 𝑦 𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑢𝑛𝑎 𝑏𝑎𝑠𝑒 𝑒𝑠𝑡𝑎 𝑑𝑎𝑑𝑜 𝑝𝑜𝑟
1 1
𝑣1 = |−1| 𝑦 𝑣2(0)
0 −1
𝑒𝑥𝑖𝑠𝑡𝑒𝑛 𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑑𝑜𝑠 𝑎𝑢𝑡𝑜 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙 𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑜𝑠
𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 − 1 𝑦 𝑑𝑜𝑠 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙 𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
𝑠𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎
1 1 1 𝑥 0
ker (1 1 1) (𝑦) = {0}
1 1 1 𝑧 0
𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑦 𝑒𝑠
1
𝑣3 {1}
1
𝑦 𝑠𝑜𝑙𝑢𝑐𝑖𝑛:
1
∅3%(𝑡) = {1} 𝑒 2𝑡
1
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑟𝑟𝑎ñ 𝑑𝑒 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑒𝑠:
1 1 1
∅(𝑡) = 𝑘1−1𝑒 + 𝑘2 (0) + 𝑘31𝑒 −𝑡
−𝑡
0 −1 1
𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑙 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝑠𝑒 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑛 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑒𝑐𝑢𝑎𝑛𝑐𝑖𝑜𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎:
𝑙𝑢𝑒𝑔𝑜 𝑠𝑒 ℎ𝑎𝑙𝑙𝑎 𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 ∶
𝛿 2 − 6𝛿 + 9 = 0
𝑑𝑜𝑛𝑑𝑒:
𝜕=3
𝑠𝑒 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎 𝑒𝑙 𝑠𝑢𝑏 𝑒𝑠𝑝𝑎𝑐𝑖𝑜
𝐾𝑒𝑟(𝐴 − 3)
−2 2 𝑌 0
( )[ ] = ⌈ ⌉
−2 2 𝑍 0
𝑦 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 𝑢𝑛 𝑢𝑛𝑖𝑐𝑜 𝑣21:
𝑒𝑠 𝑙𝑖𝑛𝑒𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒
𝑠𝑒 𝑏𝑢𝑠𝑐𝑎 𝑙𝑎 𝑣2 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑣1 = (𝐴 − 3𝐼)
1
𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 𝑣2 ( )
2
𝑙𝑎 𝑜𝑡𝑟𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑒𝑠 ∶
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑙𝑎 𝑠𝑜𝑙𝑢𝑥𝑖𝑜𝑛 𝑔𝑒𝑛𝑟𝑎𝑙 𝑑𝑒𝑙 𝑜𝑡𝑟𝑜 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑒𝑠 ∶

𝑑𝑎𝑑𝑎 𝑙𝑎𝑠 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒𝑠 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝑦 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑒 𝐷 𝑦𝑒 𝑁
𝑒𝑠 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑝𝑜𝑟 𝑡𝑎𝑛𝑡𝑜 ∶
𝑝𝑜𝑟 𝑐𝑜𝑛𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 ∶
𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑛𝑖𝑙𝑝𝑜𝑡𝑒𝑛𝑡𝑒 𝑝𝑢𝑒𝑠 𝑁 2 = 0 𝑦 𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑁 𝑛 = 0
∀𝑛 ∈ 𝑁. 𝑛 ≥ 2 . 𝑝𝑜𝑟 𝑐𝑜𝑛𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒
𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑦´ = 𝐴. 𝑦 𝑠𝑖𝑒𝑛𝑑𝑜:
𝐿𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 𝑒𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑖𝑧𝑎𝑏𝑙𝑒 .
𝑆𝑒 𝑐𝑎𝑙𝑐𝑢𝑙𝑎 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝐷
𝐷=
𝐿𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑎𝑚𝑏𝑖𝑜 𝑑𝑒 𝑏𝑎𝑠𝑒 𝑒𝑠 ∶
𝑠𝑢 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑒𝑠:
𝑃−1 =
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 ∶
𝑆𝑎𝑏𝑖𝑒𝑛𝑑𝑜 𝑞𝑢𝑒 𝑢𝑛𝑎 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑡𝑒𝑟𝑐𝑒𝑟 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 1,5 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑟𝑙𝑜 ℎ𝑎𝑐𝑖𝑒𝑛𝑑𝑜
𝑢𝑠𝑜 𝑑𝑒𝑙 𝑚𝑒𝑡𝑜𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑐𝑜𝑛 𝑑𝑒𝑠𝑝𝑙𝑎𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜
𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 ∶
𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑦´ = 𝐴. 𝑦
𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 𝑛𝑜 𝑒𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑖𝑧𝑎𝑏𝑙𝑒 𝑝𝑒𝑟𝑜 𝑒𝑠 𝑠𝑒𝑚𝑒𝑗𝑎𝑛𝑡𝑒 𝑎:
𝑚𝑎𝑡𝑟𝑖𝑧 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠:
𝐷 𝑒𝑠 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑦 𝑁 𝑛𝑖𝑙𝑝𝑜𝑡𝑒𝑛𝑡𝑒, 𝑁 2 = 0
𝑒𝑛𝑔𝑒𝑛𝑒𝑟𝑎𝑙:
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 ∶
𝑝𝑜𝑟 𝑐𝑜𝑛𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒:
𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑒𝑠:
𝑛𝑜𝑠 𝑑𝑎 𝑐𝑜𝑚𝑜 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎:

ℎ𝑎𝑙𝑙𝑎𝑟 𝑒 𝑗𝑥 𝑑𝑒:
𝑎𝑛𝑎𝑙𝑜𝑔𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑒 𝑝𝑢𝑒𝑑𝑒 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑒 𝐴𝑥

𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑦´ = 𝐴(𝑥). 𝑦
𝑙𝑎𝑠 𝑚𝑎𝑡𝑟𝑖𝑐𝑒𝑠 𝐴(𝑥)𝑦 𝐵(𝑥) 𝑐𝑜𝑛𝑚𝑢𝑡𝑎𝑛 𝑦𝑎 𝑞𝑢𝑒 𝐴(𝑥). 𝐵(𝑥) = 𝐵(𝑥). 𝐴(𝑥)
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑒 𝐵(𝑥) . 𝑒𝑠 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑓𝑢𝑛𝑑𝑎𝑚𝑒𝑛𝑡𝑎𝑙 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝑙𝑙𝑒𝑔𝑎𝑚𝑜𝑠 𝑐𝑜𝑚𝑜 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎:

𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑟 𝑒𝑙 𝑚𝑒𝑡𝑜𝑑𝑜 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎𝑠 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠 𝑝𝑎𝑟𝑎 𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎:
𝑠𝑒 𝑟𝑒𝑠𝑢𝑒𝑙𝑣𝑒 𝑝𝑟𝑖𝑚𝑒𝑟𝑜 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ℎ𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑜:
𝑠𝑒 𝑡𝑖𝑒𝑛𝑒 𝑐𝑜𝑚𝑜 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎 ∶
𝑐𝑢𝑦𝑎𝑠 𝑟𝑎𝑖𝑐𝑒𝑠 𝑠𝑜𝑛:
𝑙𝑎𝑟𝑎 𝛿 = 1 𝑠𝑒 𝑏𝑢𝑠𝑐𝑎𝑛 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑓𝑜𝑟𝑚𝑎:
𝑠𝑖𝑒𝑛𝑑𝑜 𝐴1 . 𝐵1 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠 𝑎 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑟
1 1
𝑢𝑛 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑒𝑠 ( ) 𝑦 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑒𝑠 ∅1 (𝑥) = ( ) . 𝑒 𝑥
−1 −1
𝑝𝑎𝑟𝑎 𝛿 = −3 , 𝑠𝑒 𝑏𝑢𝑠𝑐𝑎𝑛 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑓𝑜𝑟𝑚𝑎 ∶
𝑠𝑖𝑒𝑛𝑑𝑜 𝐴2 . 𝐵2 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒𝑠 𝑎 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑟
1 1
𝑢𝑛 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑒𝑠 ( ) 𝑦 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑒𝑠 ∅1 (𝑥) = ( ) . 𝑒 −3𝑥
1 1
𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑒𝑟𝑎𝑙 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ℎ𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑜 𝑒𝑠:

ℎ𝑎𝑐𝑒𝑟 𝑢𝑠𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑛𝑡𝑒𝑛𝑐𝑖𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑝𝑎𝑟𝑎 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑟 𝑠𝑢 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑜𝑚𝑖𝑛𝑎𝑛𝑡𝑒 𝑝𝑎𝑟𝑡𝑖𝑒𝑛𝑑𝑜 𝑧0
𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑟 𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑚𝑖𝑛𝑖𝑚𝑎𝑚𝑒𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴
𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 ∶
ℎ𝑎𝑙𝑙𝑎𝑟 𝑙𝑜𝑠 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑖𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑠𝑖𝑔𝑢𝑒𝑛𝑡𝑒 𝑒𝑥𝑝𝑟𝑒𝑐𝑖𝑜𝑛:
𝑠𝑖𝑒𝑛𝑑𝑜 𝑐1(𝑥)
+ 𝑐2(𝑥) 𝑓𝑢𝑛𝑐𝑖𝑜𝑛𝑒𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒𝑛 𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑛𝑑𝑜 ñ𝑎𝑠 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎:
𝑖𝑛𝑡𝑒𝑔𝑟𝑎𝑛𝑑𝑜:
𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑟 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑛𝑜 ℎ𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑜 𝑒𝑠:
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑒𝑟𝑎𝑙 𝑑𝑒𝑙 𝑠𝑖𝑠𝑖𝑡𝑒𝑚𝑎 𝑒𝑠:

𝑝𝑎𝑟𝑎 𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑠𝑡𝑒 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑚𝑒𝑡𝑜𝑑𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑖𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜𝑠
𝑠𝑒 𝑏𝑢𝑠𝑐𝑎 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 ¨𝑝𝑎𝑟𝑒𝑐𝑖𝑑𝑎¨ 𝑎 𝑏(𝑥) 𝑞𝑢𝑒 𝑒𝑠𝑡𝑎 𝑓𝑜𝑟𝑚𝑎𝑑𝑜 𝑝𝑜𝑟 𝑠𝑢𝑚𝑎𝑠 𝑑𝑒 𝑠𝑒𝑛𝑜𝑠
𝑦 𝑐𝑜𝑠𝑒𝑛𝑜𝑠 , 𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑢𝑒𝑏𝑎 𝑐𝑜𝑛:
𝑎𝑙 𝑖𝑚𝑝𝑜𝑛𝑒𝑟 𝑞𝑢𝑒 𝑠𝑒𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 ∶
𝟖 𝟐 𝟔 𝟐
𝒂= 𝒃=− 𝒄=− 𝒅=
𝟏𝟎 𝟏𝟎 𝟏𝟎 𝟓
𝑒𝑤𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑙 𝑠𝑖𝑠𝑖𝑡𝑒𝑚𝑎
𝑒𝑙 𝑠𝑖𝑠𝑖𝑡𝑒𝑚𝑎 𝑒𝑥𝑝𝑟𝑒𝑠𝑎𝑑𝑜 𝑒𝑛 𝑓𝑜𝑟𝑚𝑎 𝑚𝑎𝑡𝑟𝑖𝑐𝑖𝑎𝑙 𝑚𝑒𝑑𝑖𝑎𝑛𝑡𝑒 𝑒𝑙 𝑜𝑝𝑒𝑟𝑎𝑑𝑜𝑟 𝐷:
𝑒𝑙 𝑜𝑝𝑒𝑟𝑎𝑑𝑜𝑟 ∆:
ℎ𝑎𝑙𝑙𝑎𝑟 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑒𝑟𝑎𝑙 𝑑𝑒 𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝑜𝑟𝑑𝑒𝑛 𝑑𝑒𝑙 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑙 𝑑𝑒 𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝑜𝑟𝑑𝑒𝑛 𝑡𝑖𝑒𝑛𝑒 𝑐𝑜𝑚𝑜 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑟𝑎𝑙 ∶
𝒁(𝒙) =
𝑠𝑖𝑒𝑛𝑑𝑜 𝑧𝑝 (𝑥) 𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑟 𝑑𝑒 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑛𝑜 ℎ𝑜𝑚𝑜𝑔𝑒𝑛𝑒𝑎
𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑦𝑒𝑛𝑑𝑜 𝑒𝑛 𝑙𝑎 𝑠𝑒𝑔𝑢𝑛𝑑𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛:
𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑒𝑟𝑎𝑙 𝑑𝑒𝑙 𝑠𝑖𝑠𝑖𝑡𝑒𝑚𝑎 ∶

𝑠𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎 𝑞𝑢𝑒 𝑡𝑎𝑚𝑏𝑖𝑒𝑛 𝑠𝑒 𝑝𝑜𝑑𝑖𝑎 ℎ𝑎𝑏𝑒𝑟 𝑟𝑒𝑠𝑢𝑙𝑒𝑡𝑜 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑑𝑒 𝑢𝑛𝑎 𝑓𝑜𝑟𝑚𝑎 𝑚𝑎𝑠 𝑟𝑎𝑝𝑖𝑑𝑎
𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑛𝑑𝑜 𝑍(𝑥)𝑦 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑦𝑒𝑛𝑑𝑜 𝑠𝑢 𝑣𝑎𝑙𝑜𝑟 𝑒𝑛 𝑙𝑎 𝑠𝑒𝑔𝑢𝑛𝑑𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑎 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑦(𝑥).
𝑝𝑎𝑟𝑎 𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑙 𝑠𝑖𝑠𝑖𝑡𝑒𝑚𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑚𝑒𝑡𝑜𝑑𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑖𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜𝑠 , 𝑠𝑒 𝑏𝑢𝑠𝑐𝑎
𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 ¨𝑝𝑎𝑟𝑒𝑐𝑖𝑑𝑎¨ 𝑎 𝑏(𝑥) 𝑞𝑢𝑒 𝑒𝑠𝑡𝑎 𝑓𝑜𝑟𝑚𝑎𝑑𝑜 𝑝𝑜𝑟 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜𝑠 𝑑𝑒 𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝑔𝑟𝑎𝑑𝑜
𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑢𝑒𝑏𝑎 𝑐𝑜𝑛:
𝑎𝑙 𝑖𝑚𝑝𝑜𝑛𝑒𝑟 𝑞𝑢𝑒 𝑠𝑒𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒 ∶
𝒂 = −𝟏 𝒃=𝟏 𝒅=𝟑
𝒆=𝟐 𝒇 = −𝟑 𝒈 = −𝟒
𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ∶
𝑎𝑙 𝑑𝑒𝑟𝑖𝑣𝑎𝑟 𝑙𝑎 𝑠𝑒𝑔𝑢𝑛𝑑𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒:
𝑠𝑒 𝑑𝑒𝑠𝑝𝑒𝑗𝑎 𝑦´ 𝑒𝑛 𝑙𝑎 𝑝𝑟𝑖𝑚𝑒𝑟𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑦 𝑠𝑒 𝑠𝑢𝑡𝑖𝑡𝑢𝑦𝑒 𝑒𝑛 𝑙𝑎 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑙 𝑙𝑖𝑛𝑒𝑎𝑙 𝑑𝑒 𝑠𝑒𝑔𝑢𝑛𝑑𝑜 𝑜𝑟𝑑𝑒𝑛 𝑞𝑢𝑒 𝑡𝑖𝑒𝑛𝑒 𝑐𝑜𝑚𝑜 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑔𝑒𝑛𝑒𝑟𝑎𝑙
𝑒𝑛 𝑑𝑜𝑛𝑑𝑒 𝑠𝑒 𝑜𝑏𝑡𝑖𝑒𝑛𝑒:
𝑝𝑜𝑟 𝑙𝑜 𝑡𝑎𝑛𝑡𝑜:
𝑎𝑙 𝑠𝑢𝑠𝑡𝑖𝑡𝑢𝑖𝑟 𝑒𝑛 𝑙𝑎 𝑠𝑒𝑔𝑢𝑛𝑑𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛:

𝑝𝑎𝑟𝑎 𝑟𝑒𝑠𝑜𝑙𝑣𝑒𝑟 𝑒𝑠𝑡𝑒 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑝𝑜𝑟 𝑒𝑙 𝑚𝑒𝑡𝑜𝑑𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠 𝑖𝑛𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑑𝑜𝑠 . 𝑠𝑒 𝑏𝑢𝑠𝑐𝑎
𝑢𝑛𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑝𝑎𝑟𝑒𝑐𝑖𝑑𝑎 𝑎 𝑏(𝑥) 𝑞𝑢𝑒 𝑒𝑠𝑡𝑎 𝑓𝑜𝑟𝑚𝑎𝑑𝑎 𝑝𝑜𝑟 𝑒𝑥𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 , 𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑢𝑒𝑏𝑎 𝑐𝑜𝑛:
𝑎𝑙 𝑖𝑚𝑝𝑜𝑛𝑒𝑟 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 𝑠𝑒 𝑜𝑏𝑡𝑒𝑛𝑖𝑒:
𝟑
𝒂= 𝒃=𝟎
𝟓
𝟐 𝟏
𝒆= 𝒇=
𝟓 𝟐
𝑟𝑒𝑎𝑙𝑜𝑧𝑎𝑟 𝑙𝑎 𝑑𝑒𝑠𝑐𝑜𝑚𝑝𝑜𝑠𝑖𝑠𝑐𝑖𝑜𝑛 𝑑𝑒 𝑠𝑐ℎ𝑢𝑟 𝑑𝑒 𝑙𝑎 , 𝑚𝑎𝑡𝑟𝑖𝑧
𝑒𝑙 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝐴 𝑒𝑠:
δ2 (δ − 1) = 0
∂1 = 1 ∂2 = 0
𝑝𝑎𝑟𝑎 𝜕 = 1 𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑎𝑠𝑖𝑐𝑖𝑎𝑑𝑜 𝑣𝑖𝑒𝑛𝑒 𝑑𝑎𝑑𝑜 𝑝𝑜𝑟 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑑𝑒𝑙 𝑠𝑖𝑠𝑖𝑡𝑒𝑚𝑎
𝑐𝑜𝑚𝑝𝑟𝑜𝑏𝑎𝑟 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑞𝑢𝑒 𝑒𝑠 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎 𝑦 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 , 𝑏𝑎𝑠𝑎𝑛𝑑𝑜𝑠𝑒 𝑒𝑛 𝑒𝑙𝑙𝑎 , 𝑢𝑛𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑛𝑜𝑟𝑚𝑎𝑙 𝐴
𝑞𝑢𝑒 𝑡𝑒𝑛𝑔𝑎 𝑝𝑜𝑟 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 2 𝑦 3𝑖
𝑠𝑖 𝐴 𝑑𝑒𝑏𝑒 𝑠𝑒𝑟 𝑛𝑜𝑟𝑛𝑎𝑙 𝑦 ℎ𝑎 𝑑𝑒 𝑡𝑒𝑛𝑒𝑟 𝑙𝑜𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 2 𝑦 3𝑖 , 𝑡𝑖𝑒𝑛𝑒 𝑞𝑢𝑒 𝑠𝑒𝑟 𝑑𝑖𝑎𝑔𝑜𝑏𝑎𝑙𝑖𝑧𝑎𝑎𝑏𝑙𝑒
𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎𝑚𝑒𝑛𝑡𝑒 y, la matriz diagonal tendra a los autovalores en su diagonal .
𝑝𝑜𝑑𝑒𝑚𝑜𝑠 𝑢𝑡𝑖𝑙𝑖𝑧𝑎𝑟 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑚𝑎𝑡𝑟𝑖𝑧 𝑢𝑛𝑖𝑡𝑎𝑟𝑖𝑎:

𝐶𝑎𝑙𝑐𝑢𝑙𝑎𝑟 𝑙𝑜𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑚𝑎𝑡𝑟𝑖𝑧:
𝑒𝑙 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑜 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑜 𝑑𝑒 𝑒𝑠𝑡𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑒𝑠:
𝑥−4=0 𝑥=4
(𝑥 + 2)2 = 0 → 𝑥 2 + 4𝑥 + 4 = 0
𝑥 2 + 4𝑥 + 4 = 0
𝑥 2
𝑥 2
𝑥 = −2
tenemos como autovalores 4 y − 2

𝑝𝑟𝑜𝑏𝑎𝑟, 𝑏𝑎𝑠𝑎𝑛𝑑𝑜𝑠𝑒 𝑒𝑛 𝑒𝑙 𝑡𝑒𝑜𝑟𝑒𝑚𝑎 𝑑𝑒 𝑔𝑒𝑟𝑠𝑐ℎ𝑔𝑜𝑟𝑖𝑛 , 𝑞𝑢𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 ∶
𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑡𝑖𝑒𝑛𝑒 , 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 , 𝑢𝑛 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑟𝑒𝑎𝑙 ∶

𝐷𝑎𝑑𝑎 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧:
𝑝𝑎𝑟𝑎 𝜕 = 1
𝑝𝑎𝑟𝑎 𝜕 = 3
𝑈𝑡𝑖𝑙𝑖𝑧𝑎𝑟 𝑒𝑙 𝑚𝑒𝑡𝑜𝑑𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑡𝑒𝑛𝑐𝑖𝑎 𝑠𝑖𝑚𝑝𝑙𝑒 𝑝𝑎𝑟𝑎 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑟 𝑠𝑢 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑜𝑚𝑖𝑛𝑎𝑛𝑡𝑒

𝑝𝑎𝑟𝑡𝑖𝑒𝑛𝑑𝑜 𝑑𝑒𝑙 𝑣𝑒𝑐𝑡𝑜
𝑒𝑠𝑐𝑎𝑙𝑎𝑛𝑑𝑜 𝑙𝑜𝑠 𝑣𝑒𝑐𝑡𝑜𝑟𝑒𝑠 𝑧𝑛 𝑝𝑜𝑟 𝑠𝑢 𝑐𝑜𝑜𝑟𝑑𝑒𝑛𝑎𝑑𝑎 𝑑𝑒 𝑚𝑎𝑦𝑜𝑟 𝑣𝑎𝑙𝑜𝑟 𝑎𝑏𝑠𝑜𝑙𝑢𝑡𝑜 𝑦 ℎ𝑎𝑐𝑖𝑒𝑛𝑑𝑜 𝑧𝑏
+1
𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒;
HUAMANI FLORES GOLBER PG 69-87
Propiedades de los autovalores y autovectores
Los autovectores asociados a autovalores distintos son linealmente

independientes.
Demostración para dos autovalores
Supongamos que tengo dos autovalores distintos : λ1 ≠

λ2 . 𝐶𝑜𝑚𝑜 𝑠𝑜𝑛 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑠𝑒 𝑐𝑢𝑚𝑝𝑙𝑒:
A. v1 = λ1 . v1
A. v2 = λ2 . v2
Queremos probar que v1 y v2 son linealmente independientes.
Veamos que la única combinación lineal de los vectores que da por
resultado el vector nulo es la trivial (todos los coeficientes iguales a cero ):
𝛼1 . 𝑣1 + 𝛼2 . 𝑣2 = 0𝑣 (1)
Multiplicamos por A ambos miembros:
𝐴(𝛼1 . 𝑣1 + 𝛼2 . 𝑣2 ) = 0𝑣
Distribuimos:
𝐴𝛼1 . 𝑣1 + 𝐴𝛼2 . 𝑣2 = 0𝑣
Como 𝑣1 y 𝑣2 son autovectores es posible escribir :
𝛼1 . 𝑣1 . λ1 + 𝛼2 . 𝑣2 . λ2 = 0𝑣 − − − − − (2)
Ahora multipliquemos los dos miembros de la ecuación (1) por λ1 :
𝛼1 . 𝑣1 . λ1 + 𝛼2 . 𝑣2 . λ1 = 0𝑣 − − − − − − − (3)
Y restando (2) - (3) obtenemos:
𝛼2 (λ2 − λ1 )𝑣2 = 0𝑣
Como λ2 ≠ λ1 por hipótesis entonces su diferencia no puede ser nula.
Como 𝑣2 es un autovector, no puede ser el vector nulo. Entonces:
𝛼2 = 0
Pero para demostrar que son linealmente independientes, nos falta ver
que 𝛼1 = 0 sabiendo que 𝛼2 = 0 vamos a (1) :
𝛼1 𝑣1 = 0𝑣 → 𝛼1 = 0
Y si 𝛼1 = 𝛼2 = 0 demostramos que {𝑣1 , 𝑣2 } es linealmente
independiente.
O sea, los autovectores que están en autoespacios diferentes son
linealmente independientes.
DIAGONALIZACION DE UNA TRANSFORMACION LINEAL
Autovalores t autovectores de una transformación lineal
Sea T:V -> V una transformación lineal :
λ ∈ ℝ 𝑒𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑇 𝑠𝑖 𝑦 𝑠𝑜𝑙𝑜 𝑠𝑖 ∃𝑣 ∈ 𝑉 𝑛𝑜 𝑛𝑢𝑙𝑜 , 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑇(𝑣) =
λ. v v es el autovector asociado a λ .
Si V fuera un espacio de polinomios , entonces v seria un polinomio , Si V

fuera un espacio de matrices , entonces v seria una matriz . Nosotros
vamos a trabajar en 𝑉 = ℝ𝑛
Propiedad
Sea 𝑇 = ℝ𝑛 → ℝ𝑛 𝑡𝑎𝑙 𝑞𝑢𝑒 𝐴 = 𝑀 (𝑡)𝐸𝐸 , 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠:
λ es autovalor de T ⟺ λ es autovalor de A
Demostracion
Por ser A la matriz estandar resulta:
𝑥1
𝑥
𝑇(𝑣) = 𝐴. 𝑣 𝑐𝑜𝑛 𝑣 = ( 2 )
⋮
𝑥𝑛
λ es autovalor de T ⟺ ∃𝑣 ∈ ℝ𝑛 𝑛𝑜 𝑛𝑢𝑙𝑜 𝑡𝑎𝑙 𝑞𝑢𝑒 𝑇(𝑣) = λ. v ⟺ ∃𝑣 ∈
ℝ𝑛𝑥1 𝑛𝑜 𝑛𝑢𝑙𝑜 𝑡𝑎𝑙 𝑞𝑢𝑒 𝐴. 𝑣 = λ. v ⟺ λ es autovalor de A
Probamos que en una TL en ℝ𝑛 , loa autovalores y autovectores de la
transformacion son los mismos que los de su matriz asociada en base
canonica .
Matriz con n autovalores distintos
¿Qué puede decirse de las matrices que tienen todos sus autovalores
distintos?
Recordemos que autovectores asociados a autovalores distintos, son LI.
Por lo tanto:
Si una matriz 𝐴 ∈ ℝ𝑛𝑥𝑛 tiene n autovalores distintos, entonces tiene n
autovectores LI y en consecuencia es diagonalizable.
Observación importante:
Si una matriz es diagonalizable ¿puede afirmarse que todos sus
autovalores son distintos? Veamos el siguiente ejemplo:
1 0 0
𝐴 = (0 1 0)
0 0 2
Es una matriz diagonalizable porque es diagonal. Sin embargo no tiene

todos sus
autovalores distintos ya que λ = 1 es un autovalor doble.
Sea 𝐴 ∈ ℝ𝑛𝑥𝑛 , se dice que A es diagonalizable ⟺ A es semejante a una

matriz diagonal ⟺ ∃𝑃 ∈ ℝ𝑛𝑥𝑛 tal que 𝑃−1 𝐴𝑃 = 𝐷 diagonal. Si D es
diagonal: 𝐼 −1 . 𝐷. 𝐼 por lo tanto D es diagonalizable. Probamos que toda
matriz diagonal, es diagonalizable.
Definición de transformación lineal diagonalizable
Sea 𝑇: 𝑉 → 𝑉 una transformación lineal. Decimos que T es

diagonalizable si existe alguna base B tal que la matriz 𝑀𝐸𝐸 (𝑇)
es diagonal.
Ejemplo
𝑇: ℝ2 → ℝ2 /𝑇((𝑥. 𝑦)) = (𝑥 + 2𝑦 ,3𝑦)

Hallar autovectores y autovalores de T, y analizar si es diagonalizable.
Resolución
1.Buscamos la matriz de T en la base canónica.
1 2
𝐴 = 𝑀(𝑇)𝐸𝐸 = ( )
0 3
2.Buscamos autovalores y autovectores de A.
λ=1 ∨ λ=3
1
𝑆1 = 𝑔𝑒𝑛 { }
0
1
= 𝑔𝑒𝑛 { }
1
3.A es diagonalizable, con

1 1 1 0
𝑃=( ) 𝑦 𝐷 = 𝑃−1 . 𝐴. 𝑃 = ( )
0 1 0 3
Veamos que representa D:
B = {(1.0), (1,1)}es una base de ℝ2 formada por autovectores de T,
¿Cómo se busca la matriz asociada a una transformación lineal?
M(T)𝑠𝑠 = ([𝑇(𝑣1 ]𝑠 [𝑇(𝑣2 ]𝑠 )
Entonces esas coordenadas son:
1
T((1.0)) = (1.0) = 1. (1.0) + 0. (1.1) → [(1.0)]𝑠 = ( )
0
0
T((1.1)) = (3.3) = 0. (1.0) + 3. (1.1) → [(3.3)]𝑠 = ( )
3
Así que la matriz queda:
1 0
𝑀(𝑇)𝐸𝐸 = ( )=𝐷
0 3
Entonces, si tenemos una base B formada por autovectores de T, ¡la
matriz asociada en esa base es diagonal!
Autovalores y auto vectores
Ejercicios
1.
Realizar la descomposición de Schur de la matriz
1 0 0
𝐴=( 0 1 1 )
−1 0 −1
SOLUCION:
El polinomio característico de la matriz A es
λ − 1 0 −1
p(λ) = det(λI − A) = | 0 λ − 1 −1 | = λ3 − λ2 =
1 0 λ + 1
2
λ (λ − 1) por lo que los autovalores de A son 1 simple y 0
doble.
Para λ = 1 el autovector asociado viene dado por la solución del sistema

0 0 1 0 0
(A − I)𝑣 = 0 ⇐⇒ ( 0 0 1 ) 𝑣 = (0) → 𝑣 = (1)
−1 0 −2 0 0
Para ampliar hasta una base ortonormal de R3 podemos utilizar los
vectores de la base canónica para obtener la matriz de paso 𝑃 =
0 1 0
(1 0 0) , por lo que
0 0 1
1 0 1
−1 T
P AP = P AP = (0 1 1)
0 −1 −1
1 1
La submatriz ( ) tiene como autovalores el 0 doble y un
−1 −1
autovector asociado a él es el vector(1 − 1)T que puede ser ampliado
hasta una base ortogonal de R2 con el vector (1 1)T por lo que una
base ortonormal de R2 es le constituida por ambos vectores normalizados
y, por tanto
1 1
0
√2 √2
𝑈 = 𝑃𝑄 = 1 0 0
1 1
0 −
( √2 √2)
1 0 0
1 1
0
𝑄=( √2 √2) obteniéndose que
1 1
0 −
√2 √2
√2 √2
1 −
2 2
𝑄𝑇 𝑃𝑇 𝐴𝑃𝑄 = 𝑈 𝑇 𝐴𝑈 = (0 0 2)
0 0 0
que es una forma de Schur de la matriz A con
2.
1 2
Consideremos la matriz A = [ ]
2 1
AUTOVALORES:
1−λ 2
A − λI = [ ] ⇒ det(A − λI) = (1 − λ)2 − 4 = λ2 −
2 1−λ
2λ − 3 = (λ − 3)(λ + 1).
Por tanto det (A − λI) = 0 ⇐⇒ λ = −3 ó λ = −1.
AUTO VECTORES
asociados a λ1 = 3 : son los vectores no-nulos que están en el espacio

nulo de A − 3I,
0 −1 1 0
(𝐴 − 3𝐼)𝑋 = 0 ≡ [−2 2 | ] → [ 1 1
| ] → 𝑥 = 𝑥2 [ ] → 𝑣1 = [ ] ,
2 −2 0 0 0 0 1 1
asociados a λ2 = −1 : son los vectores no-nulos que están en el espacio

nulo de A + I,
0 1 1 0
(𝐴 + 𝐼)𝑋 = 0 ≡ [2 2 | ] → [ −1 −1
| ] → 𝑥 = 𝑥2 [ ] → 𝑣2 = [ ] ,
2 2 0 0 0 0 1 1
3.
Consideremos la siguiente matriz 3x3

3 2 −1
𝐵 = (2 3 1)
0 0 5
Busquemos sus autovalores resolviendo el polinomio caracteristico:
3−λ 2 −1
| 2 3−λ 1 |=0
0 0 5−λ
(5 − λ). ((3 − λ)2 − 4) = 0
Luego los autovalores son:
λ1 = 5 ; λ2 = 5 ; λ3 = 1
Donde la multiplicidad algebraica de 5 es 2. Esto significa que 5 es raíz
doble del
polinomio característico.
Para cada autovalor debemos resolver el sistema de ecuaciones
3−λ 2 −1 𝑥 0
( 2 3−λ 1 ) (𝑦) = (0)
0 0 5−λ 𝑧 0
Para obtener cuales son los auto espacios correspondientes a cada
autovalor.
Autovectores asociados a λ = 5:
Resolvamos el sistema compatible indeterminado:
−2 2 −1 𝑥 0 −2𝑥 + 2𝑦 − 𝑧 = 0
𝑦
( 2 −2 1 ) ( ) = (0) → {2𝑥 − 2𝑦 + 𝑧 = 0 → −2𝑥 + 2𝑦 − 𝑧 = 0
0 0 0 𝑧 0 0=0
El subespacio asociado a este autovalor es:
1 0
𝑆𝑠 = 𝑔𝑒𝑛 {( 0 ) (1)}
−2 2
Luego dos autovectores son:
1 0
𝑣1 = ( 0 ) ; 𝑣2 = (1)
−2 2
Autovectores asociados a λ = 1:
Resolvamos el sistema compatible indeterminado:
2 2 −1 𝑥 0 2𝑥 + 2𝑦 − 𝑧 = 0
(2 2 1 ) (𝑦) = (0) → {2𝑥 + 2𝑦 + 𝑧 = 0 → 𝑧 = 0 ∧ 𝑦 = −𝑥
0 0 4 𝑧 0 4𝑧 = 0
El subespacio asociado a este autovalor es:

1
𝑆1 = 𝑔𝑒𝑛 {(−1)}
0
Luego un autovector es :
1
𝑣3 = (−1)
0
Finalmente hemos obtenido tres autovectores:

1 0 1
𝑣1 = ( 0 ) ; 𝑣2 = (1) ; 𝑣3 = (−1)
−2 2 0
Donde 𝑣1 y 𝑣2 son autovectores asociados al autovalor λ = 5 y 𝑣3 es un

autovalor asociado a λ = 1
4.
Veamos si es posible diagonalizar la siguiente matriz:

3 1
𝐴=( )
2 2
Verifiquen que los siguientes son sus autovalores :
λ=4
λ=1
Si la matriz tiene dos autovalores distintos , sin hacer ninguna cuenta más.
¿Podemos asegurar que es diagonalizable?
Si, porque hay una propiedad que dice que los autovectores asociados a
autovalores distintos son linealmente independientes.
Los autovectores son:
1
𝑣1 = ( ) ;
1
1
𝑣2 = ( ) ;
−2
Armamos la matriz P poniendo los autovectores como columnas

1 1
𝑃=( )
1 −2
La inversa de P la obtenemos haciendo:
1
𝑃−1 = . 𝑎𝑑𝑗(𝑃)
det(𝑝)
Ahora hagamos el calculo para obtener la matriz diagonal.
1 −2 −1 3 1 1 1 4 0
𝐷 = 𝑃−1 . 𝐴. 𝑃 = − . ( )( )( )=( )
3 −1 1 2 2 1 −2 0 1
5.
Diagonalizar la siguiente matriz si es posible:
1 2 4
𝐵 = (2 1 −4)
0 0 3
Buscamos los autovalores:
1−λ 2 4
Det(B − λI) = | 2 1 − λ −4 | = (3 − λ)((1 − λ)2 − 4)
0 0 3−λ
λ = 3(doble) ∨ λ = −1
Atención: es un error muy común suponer que la existencia de un autovalor doble
implica que la matriz no es diagonalizable.
Para λ = −1 buscamos el autoespacio correspondiente:

2 2 4 𝑥 0
(2 2 −4) (𝑦) = (0)
0 0 4 𝑧 0
1
𝑠−1 = 𝑔𝑒𝑛 {(−1)}
0
Verifiquen que el otro autoespacio es:
1 2
𝑠3 = 𝑔𝑒𝑛 {(1) (0)}
0 1
Como pudimos obtener tres autovectores linealmente independientes, la matriz
existe y la construimos ubicando a los autovectores como columna:
1 1 1
𝑃 = (−1 −1 1)
0 1 0
Ésta es la matriz que permite diagonalizar a la matriz B.
1 1
− −1
2 2
𝑃−1 = 0 0 1
1 1
0
(2 2 )
La matriz diagonal correspondiente es:
1 0 0
𝑃 −1 . 𝐴. 𝑃 = 𝐷 = (0 3 0)
0 0 3
El orden de los autovalores en D es el mismo orden que el de los
autovectores en las columnas de P. Por ejemplo, si construimos la
matriz P así:
1 1 1
𝑃 = (1 −1 −1)
0 1 0
3 0 0
Verificar que la matriz D queda: D = (0 3 0 )
0 0 −1
6.
𝑆𝑒𝑎 𝐹 (𝑥, 𝑦, 𝑧) = (2𝑥 + 2𝑧 ; −𝑦 ; 2𝑥 − 𝑧 )
-𝐻𝑎𝑙𝑙𝑎𝑟 𝑙𝑜𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝐴
Solución:
1 0 0 2 0 2
𝐴 = [𝐹 (00 ) 𝐹 (01 ) 𝐹 (10 )] = (20 −1 0
0 1
) 𝑅𝑒𝑐𝑜𝑟𝑑𝑒𝑚𝑜𝑠 |𝐴 − 𝐼𝜆| = 0
2 0 2 1 0 0
|(20 −1 0
0 1
) − (00 1 0
0 1
) ℷ| = 0
2−ℷ 0 2
|( 2
0 −1−ℷ
0
0
1−ℷ
)| = 0
(2 − 𝜆) (−1 − 𝜆)2 (−1 − 𝜆) = 0

(−1 − 𝜆)((2 − 𝜆) (−1 − 𝜆) − 4) = 0
𝜆1 = −2
𝜆2 = −1
𝜆3 = 3
rpta
Diagonalización de matrices y autovalor de Perrón.
Veamos diferentes ejemplos de diagonalización de matrices y el cálculo
de autovalores y autovectores resaltando siempre el autovalor de
Perrón. En estos ejemplos se muestra el algoritmo de cálculo, pero no se
estudian las condiciones de las matrices que no podrían garantizar la
existencia del autovalor de Perrón.
EJERCICIO 1
Sea 𝑓: ℝ3 → ℝ3 dado por
f(x, y, z) = (3x + y + z, x + 3y + z, x + y + 3z)
a) Calcular su matriz asociada

b) Hallar su polinomio característico
c) Calcular sus autovalores y autovectores asociados,
señalando el autovalor y autovector de Perrón.
¿Es diagonalizable?
a) La matriz asociada a la aplicación lineal
3 1 1
𝐴 = |1 3 1|
1 1 3
b) El polinomio característico de A es:
1 0 0 3 1 1
det(𝜆𝐼 − 𝐴) = 𝑑𝑒𝑡 |𝜆 [0 1 0] − [1 3 1]| = −𝜆3 + 9𝜆2 − 24𝜆 +
0 0 1 1 1 3
2
20 = −(𝜆 − 2) . (𝜆 − 5)
c) Los autovalores de 𝑓 son 𝜆1 = 2 doble y 𝜆2 = 5simple . Este será el

autovalor de Perron.
𝜆1 = 2, 𝑅𝑒𝑠𝑜𝑙𝑣𝑒𝑚𝑜𝑠
−1 −1 −1 𝑥 0 𝑥 = −𝜆 − 𝜇
(2𝐼 − 𝐴)𝑋 = 0 → |−1 −1 −1| |𝑦| = |0| → 𝑥 + 𝑦 + 𝑧 = 0 → { 𝑦 = 𝜆
−1 −1 −1 𝑧 0 𝑧=𝜇
Cuya solución al sistema 𝑆 = {𝜆(−1,1,0) + 𝜇(−1,0,1)/ 𝜆, 𝜇, ∈ ℝ}, siendo

por tanto sus autovectores (−1,1,0) y(−1,0,1) que serán las dos primeras
columnas de la matriz de paso .Por tanto , hasta ahora tenemos que
2 0 0 −1 −1
𝐷 = |0 2 0| 𝑃=| 1 0|
0 0 5 0 1
Ademas sabemos que la matriz es diagonalizable ya que el autovalor doble tiene
asociado dos autovectores .
Nota: El autovalor simple tiene siempre asociado un autovector.
−2 −1 1 𝑥 0 −2𝑥 + 𝑦 + 𝑧 = 0 𝑥=𝜆
(𝐴 − 5𝐼)𝑋 = 0 → | 1 −2 1 | |𝑦| = |0| → { 𝑥 − 2𝑦 + 𝑧 = 0 → {𝑦 = 𝜆
1 1 −2 𝑧 0 𝑥 + 𝑦 − 2𝑧 = 0 𝑧=𝜆
Cuya solución al sistema 𝑆 ′ = {𝜆(1,1,1)/ 𝜆, 𝜇, ∈ ℝ}, Este será el autovalor de

Perrón .
Por tanto las matrices diagonal D y de paso P son:

2 0 0 −1 −1 1
𝐷 = |0 2 0| 𝑃 = | 1 0 1|
0 0 5 0 1 1
Si calculamos 𝑃−1 nos queda :
1 −1 −1 −1
𝑃−1 = |−1 −1 2 |
3
1 1 1
Verificamos la ecuación de paso 𝐴 = 𝑃. 𝐷. 𝑃−1
EJERCICIO 2
Sea 𝑓: ℝ3 → ℝ3 definida por 𝑓(𝑥, 𝑦, 𝑧) = (3𝑥 + 2𝑦 − 2𝑧, −𝑧, 4𝑥 + 2𝑦 − 3𝑧)
Halla la matriz A de f respecto de la base canónica de ℝ3 . Calcula el polinomio
característico, autovalores y los autovectores asociados a f. ¿Existe autovalor de Perrón?
𝑓(1,0,0) = (3,0,4)
𝑓(0,1,0) = (2, −1,2)
𝑓(0,0,1) = (−2,0, −3)
3 2 −2
Luego 𝐴 = |0 −1 0 |
4 2 −3
𝜆−3 −2 2
|𝜆𝐼 − 𝐴| = 0 → | 0 𝜆+1 0 |=0→
−4 −2 𝜆+3
(𝜆 + 1) |𝜆 − 3 2
|=0→
−4 𝜆+3
𝜆 = −1, 𝑑𝑜𝑏𝑙𝑒
(𝑥 + 1)(𝑥 2 − 9 + 8) = 0 → (𝜆 + 1)(𝜆2 − 1) = 0 → {
𝜆 = 1, 𝑠𝑖𝑚𝑝𝑙𝑒
Los tres autovalores coinciden en valor absoluto (círculo espectral),

luego no hay autovalor de Perrón.
EJERCICIO 3
Sea 𝑓: ℝ3 → ℝ3 definida por 𝑓(𝑥, 𝑦, 𝑧) = (−𝑧, 𝑥 + 𝑦, −𝑥 + 𝑦 + 𝑧) s e p i d e :
a) Halla la matriz A de f respecto de la base canónica de ℝ3 . .
b) Calcular sus autovalores y autovectores asociados, señalando el
autovalor y autovector de Perrón. ¿Es diagonalizable?
c) Comprueba que A = P D P-1, con D la matriz diagonal y P la matriz de paso.
𝑓(1,0,0) = (0,1, −1)
𝑓(0,1,0) = (0,1,1)
𝑓(0,0,1) = (−1,1,1)
0 0 −1
Luego 𝐴 = | 1 1 1|
−1 1 1
𝜆 0 1
|𝜆𝐼 − 𝐴| = 0 → |−1 𝜆 − 1 −1 | = 0 →
1 −1 𝜆−1
𝜆1 = −1
(𝜆 + 1)(𝜆 − 1)(𝜆 − 2) = 0 → { 𝜆2 = 1
𝜆3 = 2
−1 0 1 𝑥 0 −𝑥 + 𝑧 = 0
𝜆1 = −1 → |−1 −2 −1| |𝑦| = |0| → { −𝑥 − 2𝑦 − 𝑧
1 −1 −2 𝑧 0 𝑥 − 𝑦 − 2𝑧 = 0
𝑥=𝛼
Sistema compatible indeterminado con un parámetro {𝑦 = −𝛼
𝑧=𝛼
𝑆 = {(𝛼, −𝛼, 𝛼) = 𝛼(1, −1,1)|𝛼 ∈ ℝ}
𝑢1 = (1, −1,1)𝑒𝑠𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑙 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝜆1
𝑃𝑜𝑟 𝑡𝑎𝑛𝑡𝑜 ⃗⃗⃗⃗ = −1
1 0 1 𝑥 0 𝑥+𝑧=0 𝑥=𝛼
𝜆2 = 1 → |−1 0 −1| |𝑦| = |0| → {−𝑥 − 𝑦 − 𝑧 = 0 → {𝑦=𝛼
1 −1 0 𝑧 0 𝑥−𝑦=0 𝑧 = −𝛼
𝑆 = {(𝛼, 𝛼, −𝛼) = 𝛼(1,1, −1)|𝛼 ∈ ℝ}

𝑢2 = (1,1, −1)𝑒𝑠𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑙 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝜆2
𝑃𝑜𝑟 𝑡𝑎𝑛𝑡𝑜 ⃗⃗⃗⃗ =1
2 0 1 𝑥 0 2𝑥 + 𝑧 = 0 𝑥=𝛼
𝜆3 = 2 → |−1 1 −1| |𝑦| = |0| → {−𝑥 + 𝑦 − 𝑧 = 0 → { 𝑦=𝛼
1 −1 1 𝑧 0 𝑥−𝑦+𝑧=0 𝑧 = −2𝛼
𝑆 = {(𝛼, 𝛼, −2𝛼) = 𝛼(1,1, −2)|𝛼 ∈ ℝ}

𝑢3 = (1,1, −2)𝑒𝑠𝑒𝑙 𝑎𝑢𝑡𝑜𝑣𝑒𝑐𝑡𝑜𝑟 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑜 𝑎𝑙 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝜆3
𝑃𝑜𝑟 𝑡𝑎𝑛𝑡𝑜 ⃗⃗⃗⃗ =2
Asi:
1 1 1
𝑃 = |−1 1 1 | → |𝑃| = −2{⃗⃗⃗𝑢1 , ⃗⃗⃗𝑢2 , ⃗⃗⃗𝑢3 }𝑠𝑜𝑛 l.i. por lo que A es
1 −1 −2
diagonalizable.
Cosa que ya sabíamos ya que los autovalores son tres reales con
multiplicidad 1.
1 1
1 1 1 − 0 1 0 0
2 2
−1
𝑃 = |−1 1 1 |→𝑃 =| 1 3
1 | 𝑦 𝐷 = |0 −1 0|
1 −1 −2 2 2 0 0 2
1 1 −1
1 1
1 1 1 2 − 0 1 0 0
2
−1
𝑃 ∗ 𝑃 ∗ 𝐷 = |−1 1 1 | |1 3
1 | |0 −1 0| = 𝐴
1 −1 −2 2 2 0 0 2
1 1 −1
Luego en efecto A= 𝑃 ∗ 𝑃−1 ∗ 𝐷
EJERCICIO 4
Sea 𝑓: ℝ3 → ℝ3 el endomorfismo que en la base canónica tiene
asociada la matriz:
1+𝛼 −𝛼 𝛼
𝐴 =|2+𝛼 −𝛼 𝛼 − 1| (𝛼 ∈ ℝ)
2 −1 0
Obtener los autovalores de A comprobando que no dependen de o y
que no existe autovalor de Perrón.
1+𝛼−𝜆 −𝛼 𝛼
|𝐴 − 𝜆𝐼| = 0 → | 2 + 𝛼 −𝛼 − 𝜆 𝛼 − 1| =
2 −1 −𝜆 𝐶2−𝐶3
1+𝛼−𝜆 0 𝛼
| 2+𝛼 − 𝜆 − 1 𝛼 − 1| =
2 𝜆−1 −𝜆 𝐹3−𝐹2
1+𝛼−𝜆 0 𝛼
| 2+𝛼 −𝜆 − 1 𝛼−1 |=
−𝛼 0 −𝜆 − 𝛼 + 1
(1 − 𝜆) + 𝛼 𝛼
−(𝜆 + 1) | |=
−𝛼 (1 − 𝜆) − 𝛼
𝜆 = −1 , 𝑆𝐼𝑀𝑃𝐿𝐸
= −(𝜆 + 1)(1 − 𝜆)2 = 0 → {
𝜆 = 1 , 𝐷𝑂𝐵𝐿𝐸
Así los autovalores no dependen de 𝛼 y en valor absoluto todos coinciden,
por lo que no existe el autovalor de Perrón
Quincho Chuctaya Oliver Luis
1 0 0
1) Calcular la solución de : 𝑋 ′ = [ 0 3 1 ] 𝑋
0 −1 1
Solución:
Los valores propios de la matriz de coeficientes los hallamos por la ecuación

característica
1−𝜆 0 0
det(𝐴 − 𝜆𝐼) = | 0 3 − 𝜆 1 | = (𝜆 − 2)2 (1 − 𝜆) = 0
0 −1 1−𝜆
Entonces los valores propios son 𝜆 1 = 1; 𝜆 2 = 2 = 𝜆3 (multiplicidad 2). Para 𝜆 1 = 1;
se obtiene el siguiente sistema
Resultando que k2=k3=0,k1 € R
𝑘1 1
El vector propio correspondiente es K1 =[ 0 ]= k1[0] 𝑦 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑒𝑠 ∶
0 0
1
𝑋1 (𝑡) = [0] 𝑒 𝑡
0
2) Obtener la solución general del sistema de ecuaciones diferenciales
𝑦 ′1 = 2𝑦1 − 2𝑦2 + 3𝑦3

{ 𝑦 ′ 2 = 𝑦1 + 𝑦2 + 𝑦3 }
𝑦 ′ 3 = 𝑦1 + 3𝑦2 − 𝑦3
La ecuación característica de la matriz:
Sus raíces serán:
3 autovectores asociados a los 3 autovalores hallados 1,-2 y 3, la solución general del sistema
es entonces:
Es decir:
Solución:
La ecuación característica de la matriz:
Tendrá como raíces
Siendo la matriz diagonalizable siendo:
una base de Rˆ3 formados por autovectores de la matriz.
La solución general del sistema es:
Es decir:
La matriz será:
La Ecuación característica de la matriz viene dada por
La ecuación tiene raíz doble 𝜆 = 3 es una autovalor doble y es inmediato comprobar que no
existen dos autovectores de A que sean linealmente independientes. Por tanto, la matriz A no
es diagonalizable. En este caso, el sistema posee soluciones de la forma.
Sustituyendo en el sistema inicial y luego simplificando:
donde la expresión general de la solución viene dada por:

5) Resolver:
Solución:
Derivando la 2da ecuación y sumándola a la primera:
Se debe comenzar localizando la solución general de la ecuación diferencial homogénea
Donde las raíces de la ecuación característica son:
Ahora derivando por segunda vez la ecuación diferencial inicial
Al ser las raíces características podemos decir la solución general:
La solucion general corresponde al tipo Entonces determinando A y B

sustituir y(t) en la ecuación inicial
Para x(t) de forma similar:
Para que sea posible las constantes k1 Y k2, M1 y M2 se debe cumplir:

6) Calcular los autovalores, autovectores y subespacios propios del endomorfismo de

−2 2
𝑅2 A=[ ]
−5 1
Solución distinta de la trivial <->
Polinomio característico de raíces reales= autovalores
Autovalores para -4:
⃗
Resolviendo el sistema lineal compatible indeterminado (A-(-4) I)𝑋=0
Autovectores para el valor 3
⃗
Resolviendo el sistema lineal compatible indeterminado (A-3I)𝑋=0
7) Resolver el siguiente sistema reduciéndolo a una ecuación diferencial lineal del

𝑑𝑥
𝑑𝑡
=𝑦+1
orden adecuado {𝑑𝑦 }
𝑑𝑡
=𝑥+1
Solución:
La forma reducida del sistema será:
Resolvemos esta ecuación diferencial:
El polinomio característico de la homogénea asociada es: 𝑚2 − 1 = 0; luego m=±1 y la

solución general de la ecuación homogénea es:
Como puede comprobar el lector fácilmente, Xp=-1 es una solución particular de la ecuación
lineal completa; por lo que la solución de la ecuación completa es:
Como:
𝑑𝑥
= 5𝑥 + 3𝑦
8) Dado el sistema: { 𝑑𝑡
𝑑𝑦 }
𝑑𝑡
= 4𝑥 + 𝑦
Se pide:
a) dado las siguientes funciones son soluciones del sistema:
Demostrar que son soluciones linealmente independientes en todo intervalo
b) calcular la solución general

c) Hallar la solución x=x(t) , y=y(t) del sistema que verifique que x(0)=0, y(0)=8
Solución:
a) Para ver que son soluciones linealmente independientes es suficiente estudiar el
determinante:
b) Las soluciones dadas constituyen un sistema fundamental por lo que la solución

general
c) Para encontrar la solucion particular al problema se impone las condiciones para

fijar el valor de las constantes:
C1=1; C2=-3
Por lo que la solución particular pedida es:

9) Considere el sistema lineal completo :
Son soluciones particulares del sistema lineal homogéneo se pide; Calcular la solución general
del sistema lineal completo.
Solución:
Una matriz fundamental del sistema homogéneo es:
Con solución general
La solución general completa será:

10) Resolver el sistema de ecuaciones diferenciales expresado en forma matricial:
Solución:
Calculando los autovalores a partir del polinomio característico asociado a la matriz de los
coeficientes A:
Los 2 autovalores son distintos, calculamos los autovalores asociados al primer valor =3
Por tanto las soluciones son:
y la solución general del sistema.

11) Resolver el sistema anterior encontrando una matriz fundamental que verifique:
φ(0)=I.
Solución:
Se busca la matriz ɸ = 𝑒 𝐴𝑡 en este caso la matriz A de los coeficientes es estrictamente

diagonalizable a la matriz J:
Con ello
y según la exponencial de una matriz tenemos:
Donde P es la matriz cambio de base a la base de los vectores propios, es decir P tiene por
columnas a los vectores propios siendo:
La matriz fundamental pedida será:

12) Dado el sistema, calcular la solución general:
y calcular la solución general que pase por el punto:
Solución:
Al querer resolver un problema de valor inicial en t = 0, encontraremos la solución general del

sistema a partir de una matriz fundamental Φ(t) que verifique que Φ(0) = I, lo que simplificará
el cálculo de la solución particular. Así 𝑋 = 𝑒 𝐴𝑡 𝐶
La soluciones del polinomio característico
Serán:
Donde P:
La solución general es:
b)
13) Resolver el siguiente sistema lineal de ecuaciones diferenciales.
Solución: Se calcula el polinomio característico asociado a la matriz A de los coeficientes y con

ello los autovalores y autovectores asociados:
autovalores :
autovectores:
Para
Los vectores son:
Para:
De esta forma tenemos:
Resolviendo a partir de la exponencial de una mariz:

14) Resolver el siguiente problema de condición inicial:
Solución:
La solucion sera (x(0),y(0))=(1,2)
15) Resolver el sistema:
Solución:
La solución general del sistema es
Las raíces del polinomio característico asociado a la matriz de los coeficientes
A se calculan mediante |A – λ I | = 0 y son λ = 1 simple y λ = 2 doble. Siendo los subespacios

vectoriales asociados: V = L [(0, 0, 1)], W = L [(–1, 1, 0)] respectivamente. En este caso una
matriz de Jordan asociada a la matriz de los coeficientes es:
Que no resulta diagonal y la matriz de cambio de base es:
Pero
La solución general del sistema:

AUTOVALORES Y AUTOVECTORES
1. Encontrar las ecuaciones características de las siguientes matrices:
3 0
a) [ ]
8 −1
La matriz caracteristica sera (𝑨 − 𝝀. 𝑰𝒏 )

(𝑨 − 𝝀. 𝑰𝒏 ) = [3 − 𝝀 0
]
8 −1 − 𝝀
𝜆2 − 2𝜆 − 3 = 0 𝐸𝑐. 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
10 −9
b) [ ]
4 −2

(𝑨 − 𝝀. 𝑰𝒏 ) = [10 − 𝝀 −9
]
4 −2 − 𝝀
𝜆2 − 8𝜆 + 16 = 0 𝐸𝑐. 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
0 3
c) [ ]
4 0

(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 3 ]
4 −𝝀
𝜆2 − 12 = 0 𝐸𝑐. 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
−2 −7
d) [ ]
1 2

(𝑨 − 𝝀. 𝑰𝒏 ) = [−2 − 𝝀 −7 ]
1 2−𝝀
𝜆2 + 3 = 0 𝐸𝑐. 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
0 0
[ ]
0 0
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 0 ]
0 −𝝀
𝜆2 = 0 𝐸𝑐. 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
1 0
f) [ ]
0 1
(𝑨 − 𝝀. 𝑰𝒏 ) = [1 − 𝝀 0
]
0 1−𝝀
𝜆2 − 2𝜆 + 1 = 0 𝐸𝑐. 𝐶𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
2. Encontrar los autovalores de las matrices del ejercicio 1
3 0
a) A= [ ]
8 −1
(𝑨 − 𝝀. 𝑰𝒏 ) = [3 − 𝝀 0
]
8 −1 − 𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (3 − 𝝀)(−1 − 𝝀)𝟎 = 𝟎
𝝀 = 3 , 𝝀 = −1 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
10 −9
b) 𝑨 = [ ]
4 −2
(𝑨 − 𝝀. 𝑰𝒏 ) = [10 − 𝝀 −9
]
4 −2 − 𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (10 − 𝝀)(−2 − 𝝀) + 𝟑𝟔 = 𝟎

= 𝝀𝟐 − 𝟖𝝀 + 𝟏𝟔 = 𝟎
= (𝝀 − 𝟒)(𝝀 − 𝟒) = 𝟎
= (𝝀 − 𝟒)𝟐 = 𝟎
𝝀 = 4 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
0 3
c) 𝑨 = [ ]
4 0
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 3 ]
4 −𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟐 − 𝟏𝟐 = 𝟎
= 𝟏(𝝀 + 𝟐√𝟑 )(𝝀 − 𝟐√𝟑)
𝝀 = −𝟐√𝟑 , 𝝀 = 𝟐√𝟑 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
−2 −7
d) 𝑨 = [ ]
1 2
(𝑨 − 𝝀. 𝑰𝒏 ) = [−2 − 𝝀 −7 ]
1 2−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟐 + 𝟑 = 𝟎
𝑁𝑜 ℎ𝑎𝑦 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑙𝑒𝑠
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 0 ]
0 −𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (−𝝀)(−𝝀)𝟎 = 𝟎
1 0
f) 𝑨 = [ ]
0 1
La matriz caracteristica sera (𝑨 − 𝜸. 𝑰𝒏 )
(𝑨 − 𝝀. 𝑰𝒏 ) = [1 − 𝝀 0
]
0 1−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (1 − 𝝀)(1 − 𝝀) = 𝟎
= (1 − 𝝀)𝟐 = 𝟎
3. Encontrar bases para los autovectores de las matrices del ejercicio 1
3 0
a) A= [ ] (𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟑
8 −1 (𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = −𝟏
4 0 (𝐴 − 𝝀𝑰) = [0 0
]
La matriz caracteristica sera (𝑨 − 𝝀. 𝑰𝒏 ) (𝐴 − 𝝀𝑰) = [ ] 8 −4
8 0 >> (𝐴 − 𝝀𝑰)
>> (𝐴 − 𝝀𝑰)
(𝑨 − 𝝀. 𝑰𝒏 ) = [3 − 𝝀 0
] >> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
8 −1 − 𝝀 1
1 0 = [1 − 2]
=[ ]
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (3 − 𝝀)(−1 − 𝝀)𝟎 = 𝟎 0 0
0 0
𝒙𝟏 = 𝟎 … … (𝟏) 𝟏
𝝀 = 3 , 𝝀 = −1 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔 De la ecuación 1 del sistema (1) 𝒙𝟏 − 𝒙𝟐 = 𝟎 … … (𝟏)
𝟐
encontramos con la variable 𝒙𝟏 : De la ecuación 1 del sistema (1)
𝟎 encontramos con la variable 𝒙𝟏 :
𝒙𝟏 = 𝟎 𝒙 = ( )
𝒙𝟐 𝟏
𝟏
𝒙𝟏 = 𝒙𝟐 𝒙 = (𝟐 𝒙𝟐 )
10 −9 𝟐 𝒙𝟐
b) 𝑨 = [ ]
4 −2
(𝑨 − 𝝀. 𝑰𝒏 ) = [10 − 𝝀 −9
]
4 −2 − 𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (10 − 𝝀)(−2 − 𝝀) + 𝟑𝟔 = 𝟎
= 𝝀𝟐 − 𝟖𝝀 + 𝟏𝟔 = 𝟎
= (𝝀 − 𝟒)(𝝀 − 𝟒) = 𝟎
= (𝝀 − 𝟒)𝟐 = 𝟎
(𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟒
6 −9
(𝐴 − 𝝀𝑰) = [ ]
4 −6
>> (𝐴 − 𝝀𝑰)
3
= [ 1 − 2]
0 0
𝟑
𝒙𝟏 − 𝒙𝟐 = 𝟎 … … (𝟏)
𝟐
De la ecuación 1 del sistema (1)
encontramos con la variable 𝒙𝟏 :
𝟑 𝟑
𝒙𝟏 = 𝒙𝟐 𝒙 = (𝟐 𝒙𝟐 )
𝟐 𝒙𝟐
0 3
c) 𝑨 = [ ]
4 0
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 3 ]
4 −𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟐 − 𝟏𝟐 = 𝟎
= 𝟏(𝝀 + 𝟐√𝟑 )(𝝀 − 𝟐√𝟑)
𝝀 = −𝟐√𝟑 , 𝝀 = 𝟐√𝟑 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
(𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = −𝟐√𝟑 (𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟐√𝟑

(𝐴 − 𝝀𝑰) = [𝟐√𝟑 3
] (𝐴 − 𝝀𝑰) = [−𝟐√𝟑 3
]
4 𝟐√𝟑 4 −𝟐√𝟑
>> (𝐴 − 𝝀𝑰) >> (𝐴 − 𝝀𝑰)
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰) >> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰)
√𝟑 √𝟑
= [𝟏 𝟐] = [𝟏 − 𝟐 ]
0 𝟎 0 𝟎
√𝟑 √𝟑
𝒙𝟏 + 𝒙 = 𝟎 … … (𝟏) 𝒙𝟏 − 𝒙 = 𝟎 … … (𝟏)
𝟐 𝟐 𝟐 𝟐
De la ecuación 1 del sistema (1) De la ecuación 1 del sistema (1)
encontramos con la variable 𝒙𝟏 : encontramos con la variable 𝒙𝟏 :
√𝟑 √𝟑 √𝟑 √𝟑
𝒙𝟏 = 𝒙𝟐 𝒙 = ( 𝟐 𝒙𝟐 ) 𝒙𝟏 = 𝒙𝟐 𝒙 = ( 𝟐 𝒙𝟐 )
𝟐 𝟐
𝒙𝟐 𝒙𝟐
−2 −7
d) 𝑨 = [ ]
1 2
𝑁𝑜 ℎ𝑎𝑦 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑙𝑒𝑠
Sin los autovalores no se puede hallar los autovectores
(𝑨 − 𝝀. 𝑰𝒏 ) = [−2 − 𝝀 −7 ]
1 2−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟐 + 𝟑 = 𝟎
0 0
e) 𝑨 = [ ]
0 0
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝝀 0 ]
0 −𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (−𝝀)(−𝝀)𝟎 = 𝟎
(𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟎
0 0
(𝐴 − 𝝀𝑰) = [ ]
0 0
>> (𝐴 − 𝝀𝑰)
0 0
=[ ]
0 0
𝒙𝟏
𝒙 = (𝒙 )
𝟐
1 0
f) 𝑨 = [ ]
0 1
La matriz caracteristica sera (𝑨 − 𝜸. 𝑰𝒏 )
(𝑨 − 𝝀. 𝑰𝒏 ) = [1 − 𝝀 0
]
0 1−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (1 − 𝝀)(1 − 𝝀) = 𝟎
= (1 − 𝝀)𝟐 = 𝟎
(𝐴 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟏
(𝐴 − 𝝀𝑰) = [0 0]
0 0
>> (𝐴 − 𝝀𝑰)
0 0
=[ ]
0 0
𝒙𝟏
𝒙 = (𝒙 )
𝟐
4. Determinar las ecuaciones características de las siguientes matrices:
4 0 1
a) [−2 1 0]
−2 0 1

𝟒−𝝀 𝟎 𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟐 𝟏−𝝀 𝟎 ]
−𝟐 𝟎 𝟏−𝝀
𝜆3 − 6𝜆2 + 11𝜆 − 6 = 0 𝐸𝑐. 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
3 0 −5
1
b) [ 5 −1 0]
1 1 −2

𝟑−𝝀 𝟎 −𝟓
𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟏 − 𝝀 𝟎 ]
𝟓
𝟏 𝟏 −𝟐 − 𝝀
𝜆3 − 2𝜆 = 0 𝐸𝑐. 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
−2 0 1
c) [−6 −2 0]
19 5 −4

−𝟐 − 𝝀 𝟎 𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟔 −𝟐 − 𝝀 𝟎 ]
𝟏𝟗 𝟓 −𝟒 − 𝝀
𝜆3 + 8𝜆2 + 𝜆 + 8 = 0 𝐸𝑐. 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
−1 0 1
d) [−1 3 0]
−4 13 −1

−𝟏 − 𝝀 𝟎 𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟏 𝟑−𝝀 𝟎 ]
−𝟒 𝟏𝟑 −𝟏 − 𝝀
𝜆3 − 𝜆2 − 𝜆 − 2 = 0 𝐸𝑐. 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
5 0 1
e) [ 1 1 0]
−7 1 0

𝟓− 𝝀 𝟎 𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟏 𝟏− 𝝀 𝟎 ]
−𝟕 𝟏 −𝝀
𝜆3 − 6𝜆2 + 12𝜆 − 8 = 0 𝐸𝑐. 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
5 6 2
f) [0 −1 −8]
1 0 −2
𝟓−𝝀 𝟔 𝟐
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟎 −𝟏 − 𝝀 −𝟖 ]
𝟏 𝟎 −𝟐 − 𝝀
𝜆3 − 2𝜆2 − 15𝜆 + 36 = 0 𝐸𝑐. 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎

5. Obtener los autovalores de las matrices del ejercicio 4.
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = ( 𝟒 − 𝝀)(𝟏 − 𝝀)(𝟏 − 𝝀) − {(𝟏) (𝟏 − 𝝀)(−𝟐)} = 𝟎

𝟒 𝟎 𝟏 = ( 𝟒 − 𝝀)(𝟏 − 𝝀)(𝟏 − 𝝀) + {𝟐 (𝟏 − 𝝀)} = 𝟎
1. a) 𝑨 = [−𝟐 𝟏 𝟎] = (𝟏 − 𝝀)𝟐 { (𝟏 − 𝝀)( 𝟒 − 𝝀) + 𝟐} = 𝟎
−𝟐 𝟎 𝟏 = (𝟏 − 𝝀)𝟐 {(𝝀𝟐 − 𝟓𝝀 + 𝟔)} = 𝟎
= (𝟏 − 𝝀)𝟐 (𝟐 − 𝝀)(𝟑 − 𝝀) = 𝟎
𝟒−𝝀 𝟎 𝟏 𝝀 = 1 , 𝝀 = 2, 𝝀 = 3 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟐 𝟏−𝝀 𝟎 ]
−𝟐 𝟎 𝟏−𝝀
𝟑
𝟎 −𝟓
𝟏
b) 𝑨 = −𝟏[𝟓𝟎]
𝟏 𝟏 −𝟐 𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = −(𝝀𝟑 ) + 𝟐𝝀 = 𝟎
= (−𝟏)( 𝝀)( 𝝀 − √2)(𝝀 + √2) = 𝟎
𝟑−𝝀 𝟎 −𝟓
𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟏 − 𝝀 𝟎 ] 𝝀 = 0 , 𝝀 = √2, 𝝀 = −√2, 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
𝟓
𝟏 𝟏 −𝟐 − 𝝀
−𝟐 𝟎 𝟏
c) [−𝟔 −𝟐 𝟎]
𝟏𝟗 𝟓 −𝟒
La matriz caracteristica sera (𝑨 − 𝝀. 𝑰𝒏 ) 𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (−𝝀𝟑 ) − 𝟖𝝀𝟐 − 𝝀 − 𝟖 = 𝟎

= (−(𝝀)𝟐 − 𝟏)(𝝀 + 𝟖) = 𝟎
−𝟐 − 𝝀 𝟎 𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟔 𝝀 = −8 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
−𝟐 − 𝝀 𝟎 ]
𝟏𝟗 𝟓 −𝟒 − 𝝀
−𝟏 𝟎 𝟏
d) [−𝟏 𝟑 𝟎]
−𝟒 𝟏𝟑 −𝟏
La matriz caracteristica sera (𝑨 − 𝝀. 𝑰𝒏 ) 𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = −(𝝀𝟑 ) + 𝝀𝟐 + 𝝀 + 𝟐 = 𝟎

= (−(𝝀𝟐 ) − 𝝀 − 𝟏)(𝝀 − 𝟐) = 𝟎
−𝟏 − 𝝀 𝟎 𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟏 𝟑−𝝀 𝟎 ] 𝝀 = 2 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
−𝟒 𝟏𝟑 −𝟏 − 𝝀
𝟓 𝟎 𝟏
e) [ 𝟏 𝟏 𝟎]
−𝟕 𝟏 𝟎

𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = −(𝝀𝟑 ) + 𝟔𝝀𝟐 − 𝟏𝟐𝝀 + 𝟖 = 𝟎
= −1(𝝀 − 𝟐)(𝝀 − 𝟐)(𝝀 − 𝟐) = 𝟎
= (−1)(𝝀 − 𝟐)𝟑 = 𝟎
𝟓 𝟔 𝟐
f) [𝟎 −𝟏 −𝟖] 𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = −(𝝀𝟑 ) + 𝟔𝟐 + 𝟏𝟓𝝀 − 𝟑𝟔 = 𝟎
𝟏 𝟎 −𝟐
= −1(𝝀 + 𝟒)(𝝀 − 𝟑)(𝝀 − 𝟑) = 𝟎
= (−1)(𝝀 + 𝟒)(𝝀 − 𝟑)𝟐 = 𝟎
𝟓−𝝀 𝟔 𝟐
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟎 −𝟏 − 𝝀 −𝟖 ] 𝝀 = −4, 𝝀 = 3 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
𝟏 𝟎 −𝟐 − 𝝀
6. Halle las bases de los autoespacios de las matrices del ejercicio 4
𝟒 𝟎 𝟏
𝒂) 𝑨 = [−𝟐 𝟏 𝟎]
−𝟐 𝟎 𝟏
𝝀 = 1 , 𝝀 = 2, 𝝀 = 3 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟏
𝟑 𝟎 𝟏
(𝐴 − 𝝀𝑰) = [−𝟐 𝟎 𝟎]
−𝟐 𝟎 𝟎
>> (𝐴 − 𝝀𝑰)
𝟏 𝟎 𝟎
= [ 𝟎 𝟎 𝟏]
𝟎 𝟎 𝟎
𝒙𝟏 = 𝟎
𝒙𝟑 = 𝟎 … … (𝟏)
-De la ecuación 2 del sistema (1) encontramos con la variable 𝒙𝟑 : y de la ecuación 1 del sistema (1)la
variable 𝒙𝟏
𝟎
𝒙𝟑 = 𝟎 , 𝒙𝟏 = 𝟎 𝒙 = (𝒙𝟐 )
𝟎
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟐
𝟐 𝟎 𝟏
(𝐴 − 𝝀𝑰) = [−𝟐 −𝟏 𝟎 ]
−𝟐 𝟎 −𝟏
>> (𝐴 − 𝝀𝑰)
𝟏
𝟏 𝟎
=[ 𝟐]
𝟎 𝟏 −𝟏
𝟎 𝟎 𝟎
𝟏
𝒙𝟏 + 𝒙𝟑 = 𝟎
𝟐
𝒙𝟐 − 𝒙𝟑 = 𝟎 … … (𝟏)
-De la ecuación 2 del sistema (1) encontramos con la variable 𝒙𝟐 :

-De la ecuación 1 del sistema (1) encontramos con la variable 𝒙𝟏 :
𝟏
𝟏 𝒙𝟑
𝒙𝟐 = 𝒙𝟑 , 𝒙𝟏 = − 𝒙𝟑 𝒙 = (𝟐𝒙 )
𝟐 𝟑
𝒙𝟑
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟑
𝟏 𝟎 𝟏
(𝐴 − 𝝀𝑰) = [−𝟐 −𝟐 𝟎 ]
−𝟐 𝟎 −𝟐
>> (𝐴 − 𝝀𝑰)
𝟏 𝟎 𝟎
= [ 𝟎 𝟏 −𝟏]
𝟎 𝟎 𝟎
𝒙𝟏 + 𝒙𝟑 = 𝟎
𝒙𝟐 − 𝒙𝟑 = 𝟎 … … (𝟏)
−𝒙𝟑
𝒙𝟐 = 𝒙𝟑 , 𝒙𝟏 = −𝒙𝟑 𝒙 = ( 𝒙𝟑 )
𝒙𝟑
𝟑 𝟎 −𝟓
𝟏
b) 𝑨 =[𝟓 −𝟏 𝟎]
𝟏 𝟏 −𝟐
𝝀 = 0 , 𝝀 = √2, 𝝀 = −√2,
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟎
𝟑 𝟎 −𝟓
𝟏
(𝐴 − 𝝀𝑰) = [ −𝟏 𝟎 ]
𝟓
𝟏 𝟏 −𝟐
>> (𝐴 − 𝝀𝑰)
𝟓
𝟏 𝟎 −
𝟑
= 𝟏
𝟎 𝟏 −
𝟑
[𝟎 𝟎 𝟎 ]
𝟓
𝒙𝟏 − 𝒙𝟑 = 𝟎
𝟑
𝟏
𝒙𝟐 − 𝒙𝟑 = 𝟎 … … (𝟏)
𝟑
𝟓 𝟏 𝟎
𝒙𝟏 = 𝒙𝟑 , 𝒙𝟐 = 𝒙𝟑 𝒙 = (𝒙𝟐 )
𝟑 𝟑
𝟎
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = √2
√2 + 3 𝟎 −𝟓
𝟏
(𝐴 − 𝝀𝑰) = −√2 − 1 𝟎
𝟓
[ 𝟏 𝟏 −√2 − 2]
>> (𝐴 − 𝝀𝑰)
−𝟓√2 − 15
𝟏 𝟎
7
= −𝟐√2 + 1
𝟎 𝟎
7
[𝟎 𝟎 𝟎 ]
−𝟓√2 − 15
𝒙𝟏 − 𝒙𝟑 = 𝟎
7
−𝟐√2 + 1
𝒙𝟐 + 𝒙𝟑 = 𝟎 … … (𝟏)
7
𝟓√2 + 15 𝟐√2 − 1
𝒙𝟏 = 𝒙𝟑 , 𝒙𝟐 = 𝒙𝟑 ,
7 7
𝟓√2 + 15
𝒙𝟑
7
𝒙 = 𝟐√2 − 1
𝒙𝟑
7
( 𝒙𝟑 )
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = −√2

√2 + 3 𝟎 −𝟓
𝟏
(𝐴 − 𝝀𝑰) = √2 − 1 𝟎
𝟓
[ 𝟏 𝟏 √2 − 2]
>> (𝐴 − 𝝀𝑰)
𝟓√2 − 15
𝟏 𝟎
7
= 𝟐√2 + 1
𝟎 𝟎
7
[𝟎 𝟎 𝟎 ]
𝟓√2 − 15
𝒙𝟏 + 𝒙𝟑 = 𝟎
7
𝟐√2 + 1
𝒙𝟐 + 𝒙𝟑 = 𝟎 … … (𝟏)
7
--De la ecuación 2 del sistema (1) encontramos con la variable 𝒙𝟐 :
−𝟓√2 + 15 −𝟐√2 − 1
𝒙𝟏 = 𝒙𝟑 , 𝒙𝟐 = 𝒙𝟑 ,
7 7
−𝟓√2 + 15
𝒙𝟑
7
𝒙 = −𝟐√2 − 1
𝒙𝟑
7
( 𝒙𝟑 )
−𝟐 𝟎 𝟏
c) [−𝟔 −𝟐 𝟎]
𝟏𝟗 𝟓 −𝟒
𝝀 = −8 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = −𝟖
𝟔 𝟎 𝟏
(𝐴 − 𝝀𝑰) = [−𝟔 𝟔 𝟎]
𝟏𝟗 𝟓 𝟒
>> (𝐴 − 𝝀𝑰)
𝟏
𝟏 𝟎
𝟔
= 𝟏
𝟎 𝟏
𝟔
[ 𝟎 𝟎 𝟎]
𝟏
𝒙𝟏 + 𝒙𝟑 = 𝟎
𝟔
𝟏
𝒙𝟐 + 𝒙𝟑 = 𝟎 … … (𝟏)
𝟔
𝟏
𝒙𝟏 = − 𝒙𝟑 ,
𝟔
𝟏
𝒙𝟐 = − 𝒙𝟑 ,
𝟔
𝟏
− 𝒙𝟑 ,
𝟔
𝒙= 𝟏
− 𝒙𝟑 ,
𝟔
( 𝒙𝟑 , )
−𝟏 𝟎 𝟏
d) [−𝟏 𝟑 𝟎]
−𝟒 𝟏𝟑 −𝟏
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟐
−𝟑 𝟎 𝟏
(𝐴 − 𝝀𝑰) = [ −𝟏 𝟏 𝟎]
−𝟒 𝟏𝟑 −𝟑
>> (𝐴 − 𝝀𝑰)
−𝟏
𝟏 𝟎
𝟑
= −𝟏
𝟎 𝟏
𝟑
[𝟎 𝟎 𝟎]
𝟏
𝒙𝟏 − 𝒙𝟑 = 𝟎
𝟑
𝟏
𝒙𝟐 − 𝒙𝟑 = 𝟎 … … (𝟏)
𝟑
𝟏
𝒙𝟏 = 𝒙𝟑 ,
𝟑
𝟏
𝒙𝟐 = 𝒙 ,
𝟑 𝟑
𝟏
𝒙 ,
𝟑 𝟑
𝒙= 𝟏
𝒙 ,
𝟑 𝟑
( 𝒙𝟑 , )
𝟓 𝟎 𝟏
e) [ 𝟏 𝟏 𝟎]
−𝟕 𝟏 𝟎
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟐
-De la ecuación 2 del sistema (1)
𝟑 𝟎 𝟏 encontramos con la variable 𝒙𝟐 :
(𝐴 − 𝝀𝑰) = [ 𝟏 −𝟏 𝟎] -De la ecuación 1 del sistema (1)
−𝟕 𝟏 −𝟐
>> (𝐴 − 𝝀𝑰) encontramos con la variable 𝒙𝟏 :
−𝟏
>> 𝒓𝒓𝒆𝒇(𝐴 − 𝝀𝑰) 𝒙𝟏 = 𝒙 ,
𝟏 𝟑 𝟑
𝟏 𝟎
𝟑
= 𝟏 −𝟏
𝟎 𝟏 𝒙𝟐 = 𝒙 ,
𝟑 𝟑 𝟑
[𝟎 𝟎 𝟎]
𝟏 −𝟏
𝒙𝟏 + 𝒙𝟑 = 𝟎 𝒙 ,
𝟑 𝟑 𝟑
𝟏 𝒙 = −𝟏
𝒙𝟐 + 𝒙𝟑 = 𝟎 … … (𝟏) 𝒙 ,
𝟑 𝟑 𝟑
( 𝒙𝟑 , )
𝟓 𝟔 𝟐
f) [𝟎 −𝟏 −𝟖]
𝟏 𝟎 −𝟐
𝝀 = −4, 𝝀 = 3 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = −𝟒
𝟗 𝟔 𝟐
(𝐴 − 𝝀𝑰) = [ 𝟎 𝟑 −𝟖]
𝟏 𝟎 𝟐
>> (𝐴 − 𝝀𝑰)
𝟏 𝟎 𝟐
−𝟖
=[𝟎 𝟏 ]
𝟑
𝟎 𝟎 𝟎
𝒙𝟏 + 𝟐𝒙𝟑 = 𝟎
𝟖
𝒙𝟐 − 𝒙𝟑 = 𝟎 … … (𝟏)
𝟑
𝟖
𝒙𝟏 = −𝟐𝒙𝟑 , 𝒙𝟐 = 𝒙𝟑 ,
𝟑
−𝟐𝒙𝟑 ,
𝟖
, 𝒙 = ( 𝒙𝟑 , ),
𝟑
𝒙𝟑 ,
(𝑨 − 𝝀𝑰) … . . 𝑪𝒖𝒂𝒅𝒐 𝝀 = 𝟑
𝟐 𝟔 𝟐
(𝐴 − 𝝀𝑰) = [ 𝟎 −𝟒 −𝟖]
𝟏 𝟎 −𝟓
>> (𝐴 − 𝝀𝑰)
𝟏 𝟎 −𝟓
=[𝟎 𝟏 𝟐 ]
𝟎 𝟎 𝟎
𝒙𝟏 − 𝟓𝒙𝟑 = 𝟎
𝒙𝟐 + 𝟐𝒙𝟑 = 𝟎 … … (𝟏)
encontramos con la variable 𝒙𝟐 :
encontramos con la variable 𝒙𝟏 :
𝒙𝟏 = 𝟓𝒙𝟑 , 𝒙𝟐 = −𝟐𝒙𝟑
𝟓𝒙𝟑 ,
, 𝒙=(−𝟐𝒙 𝟑 ,)
𝒙𝟑 ,
7. Determinar las ecuaciones características de las siguientes matrices:
0 0 2 0
a) [1 0 1 0]
0 1 −2 0
0 0 0 1
−𝝀 𝟎 𝟐 𝟎
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟏 − 𝝀 𝟏 𝟎
]
𝟎 𝟏 −𝟐 − 𝝀 𝟎
𝟎 𝟎 𝟎 𝟏− 𝝀
(𝜆 − 1)2 (𝜆 + 2)(𝜆 + 1) = 0
𝜆4 + 𝜆3 − 3𝜆2 − 𝜆 + 2 = 0 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
10 −9 0 0
b) [ 4 −2 0 0]
0 0 −2 7
0 0 1 2
𝟏𝟎 − 𝝀 −𝟗 𝟎 𝟎
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟒 −𝟐 − 𝝀 𝟎 𝟎
]
𝟎 𝟎 −𝟐 − 𝝀 𝟕
𝟎 𝟎 𝟏 𝟐− 𝝀
(𝜆 − 4)2 (𝜆2 + 3) = 0
𝜆4 − 8𝜆3 + 19𝜆2 − 24𝜆 + 48 = 0 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
8. Determinar los autovalores del ejercicio 7
𝟎 𝟎 𝟐 𝟎 −𝝀 𝟎 𝟐 𝟎
a) [𝟏 𝟎 𝟏 𝟎] (𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟏 − 𝝀 𝟏 𝟎]
𝟎 𝟏 −𝟐 𝟎 𝟎 𝟏 −𝟐 − 𝝀 𝟎
𝟎 𝟎 𝟎 𝟏 𝟎 𝟎 𝟎 𝟏− 𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟒 + 𝝀𝟑 − 𝟑𝝀𝟐 − 𝝀 + 𝟐 = 𝟎
= (𝟏)(𝝀 − 𝟏)(𝝀 − 𝟏)(𝝀 + 𝟏)(𝝀 + 𝟐) = 𝟎
= (𝝀 − 𝟏)𝟐 (𝝀 + 𝟏)(𝝀 + 𝟐) = 𝟎
𝝀 = 1 , 𝝀 = −1, 𝝀 = −2 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
𝟏𝟎 −𝟗 𝟎 𝟎
b) [ 𝟒 −𝟐 𝟎 𝟎]
𝟎 𝟎 −𝟐 𝟕
𝟎 𝟎 𝟏 𝟐
𝟏𝟎 − 𝝀 −𝟗 𝟎 𝟎
(𝑨 − 𝝀. 𝑰𝒏 ) = [ 𝟒 −𝟐 − 𝝀 𝟎 𝟎
]
𝟎 𝟎 −𝟐 − 𝝀 𝟕
𝟎 𝟎 𝟏 𝟐− 𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = 𝝀𝟒 + 𝟖𝝀𝟑 + 𝟓𝝀𝟐 + 𝟖𝟖𝝀 − 𝟏𝟕𝟔 = 𝟎
= (𝟏)(𝝀 − 𝟒)(𝝀 − 𝟒)(𝝀 + √𝟏𝟏)(𝝀 − √𝟏𝟏) = 𝟎
= (𝝀 − 𝟒)𝟐 (𝝀 + √𝟏𝟏)(𝝀 − √𝟏𝟏) = 𝟎
𝝀 = 4 , 𝝀 = −√11 𝝀 = √11 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔

9. Encontrar bases para los autovectores de las matrices del ejercicio 7
𝟎 𝟎 𝟐 𝟎
a) [𝟏 𝟎 𝟏 𝟎]
𝟎 𝟏 −𝟐 𝟎
𝟎 𝟎 𝟎 𝟏
Dado que
1 0 0 0 0 0 2 0 𝜆 0 −2 0
𝜆𝐼 − 𝐴 = 𝜆 [0 1 0 0 ] − [1 0 1 0] = [−1 𝜆 −1 0]
0 0 1 0 0 1 −2 0 0 −1 𝜆 + 2 0
0 0 0 1 0 0 0 1 0 0 0 𝜆−1
Sea:
𝑑𝑒𝑡(𝜆𝐼 − 𝐴) = (𝜆 − 1)2 (𝜆 + 2)(𝜆 + 1) = 0
𝜆4 + 𝜆3 − 3𝜆2 − 𝜆 + 2 = 0 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
Entonces
(𝜆 − 1)2 (𝜆 + 2)(𝜆 + 1) = 0
λ1 = −2, λ2 = −1 y λ3 = 1
De modo que existen 3 eigenespacios de A.

Por definición,
𝑥1
𝑥2
𝑥 = [𝑥3 ]
𝑥4
Es un eigenvector de A correspondiente a A si y sólo si x es una
solución no trivial de 𝑑𝑒𝑡(𝜆𝐼 − 𝐴); es decir, de
𝜆 0 −2 0 𝑥1
[−1 𝜆 −1 0] [𝑥2 ] =
0 −1 𝜆 + 2 0 𝑥3
0 0 0 𝜆−1 𝑥4
Para λ1 = −2
Para λ2 = −1
−2 0 −2 0 𝑥1
𝑥2 −1 0 −2 0 𝑥1 0
[−1 −2 −1 0] [𝑥3 ] [ −1 −1 −1 0 𝑥2 0
] [𝑥3 ] = [0]
0 −1 0 0 0 −1 1 0
0 0 0 −3 𝑥4 𝑥4 0
0 0 0 −2
0 Resolviendo este sistema
0
= [0 ] se obtiene
1 0 2 0 ⋮ 0
0
Resolviendo este sistema [0 1 −1 0 ⋮ 0]
0 0 0 1 ⋮ 0
se obtiene 0 0 0 0 ⋮ 0
1 0 1 0 ⋮ 0 𝑥1 −2𝑡 −2
𝑥2
[0 1 0 0 ⋮ 0] [𝑥3 ] = [ 𝑡 ] = 𝑡 [ 1 ]
𝑡
0 0 0 1 ⋮ 0 1
𝑥4 0 0
0 0 0 0 ⋮ 0 −2
𝑥1 −𝑡 −1
𝑥2 ∴ 𝑩𝟐 = {( 1 )}
[𝑥3 ] = [ 𝑡 ] = 𝑡 [ 0 ]
0 1
1 0
𝑥4 0 0
−1
∴ 𝑩𝟏 = {( 0 )}
1
0
Para λ3 = 1
1 0 −2 0 𝑥1 0
−1 1 −1 0 𝑥2 0
[ ] [𝑥3 ] = [0] Base para el eigenespacio
0 −1 3 0 −1
0 0 0 0 𝑥4 0
Resolviendo este sistema se correspondiente a λ1 = −2: ( 0 )
1
obtiene 0
1 0 −2 0 ⋮ 0 Base para el eigenespacio
[0 1 −3 0 ⋮ 0] −2
0 0 0 0 ⋮ 0
correspondiente a λ2 = −1: ( 1 )
0 0 0 0 ⋮ 0 1
𝑥1 2𝑠 2 0 0
𝑥2
[𝑥3 ] = [ 𝑠 ] = 𝑠 [ ] + 𝑡 [0]
3𝑠 3 Base para el eigenespacio
1 0 0 2
𝑥4 𝑡 0 1
0 2 correspondiente a λ3 = 1: ( ) , (3)
0
0 1
∴ 𝑩𝟑 = {( ) , (3)}
0 1 0
0 1
1 0
𝟏𝟎 −𝟗 𝟎 𝟎
b) [ 𝟒 −𝟐 𝟎 𝟎]
𝟎 𝟎 −𝟐 𝟕
𝟎 𝟎 𝟏 𝟐
Dado que
𝜆4 − 8𝜆3 + 19𝜆2 − 24𝜆 + 48 = 0 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
Entonces
(𝜆 − 4)2 (𝜆2 + 3) = 0
λ1 = 4
De modo que existe un eigenespacio de A.
Por definición,
𝑥1
𝑥2
𝑥 = [𝑥3 ]
𝑥4
Es un eigenvector de A correspondiente a A si y sólo si x es una solución no trivial de
𝑑𝑒𝑡(𝜆𝐼 − 𝐴); es decir, de
𝜆 − 10 9 0 0 𝑥1 0
−4 𝜆 + 2 0 0 𝑥2 0
[ ] [ ] = [0]
0 0 𝜆 + 2 7 𝑥3
0 0 −1 𝜆−2 𝑥4 0
Para λ1 = 4
−6 9 0 0 𝑥1 0
−4 6 0 0 𝑥2 0
[ ] [𝑥3 ] = [0]
0 0 6 7
0 0 −1 2 𝑥4 0
Resolviendo este sistema se obtiene

1 −1.5 0 0 ⋮ 0
[0 0 1 0 ⋮ 0]
0 0 0 1 ⋮ 0
0 0 0 0 ⋮ 0
3 3
𝑥1 𝑡
𝑥2 2 2
[𝑥3 ] = 𝑡 = 𝑡 1
𝑥4 0 0
[0] [0]
3
2
∴ 𝑩𝟏 = 1
0
{(0)}
3
2
Base para el eigenespacio correspondiente a λ3 = 4: (1)
0
0
10. Por inspección, halle los autovalores de las siguientes matrices:
−1 6
a) [ ]
9 5
(𝑨 − 𝝀. 𝑰𝒏 ) = [−𝟏 − 𝝀 − 𝟔
]
𝟗 𝟓−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (−1 − 𝝀)(5 − 𝝀) − 𝟓𝟒 = 𝟎
𝝀 = 9.873999999999999 , 𝝀 = −5.874 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
3 0 0
b) [−2 7 0]
4 8 1
𝟑−𝝀 𝟎 𝟎
(𝑨 − 𝝀. 𝑰𝒏 ) = [ −𝟐 𝟕 − 𝝀 𝟎 ]
𝟒 𝟖 𝟏−𝝀
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (3 − 𝝀)(7 − 𝝀) (𝟏 − 𝝀) = 𝟎
𝝀 = 3 , 𝝀 = 7, 𝝀 = 1 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
1
− 0 0 0
3
1
0 −3 0 0
c)
0 0 1 0
1
[ 0 0 0 ]
2
𝟏
− −𝝀 𝟎 𝟎 𝟎
𝟑
𝟏
(𝑨 − 𝝀. 𝑰𝒏 ) = 𝟎 − −𝝀 𝟎 𝟎
𝟑
𝟎 𝟎 𝟏−𝝀 𝟎
𝟏
[ 𝟎 𝟎 𝟎 −𝝀 ]
𝟐
𝟐
𝟏 𝟏
𝒅𝒆𝒕 (𝑨 − 𝝀. 𝑰𝒏 ) = (− − 𝝀) (𝟏 − 𝝀 ) ( − 𝝀) = 𝟎
𝟑 𝟐
1 1
𝝀 = − 3 , 𝝀 = 1, 𝝀 = 2 𝒂𝒖𝒕𝒐𝒗𝒂𝒍𝒐𝒓𝒆𝒔
11. Encontrar los autovalores de A9
1 3 7 11
1
0 3 8
A= [ 2 ]
0 0 0 4
0 0 0 2
Dado que
1 0 0 0 1 3 7 11 λ − 1 −3 −7 −11
1 1
0 2 3 8 0 λ– 2 −3 −8
λI − A = λ [0 1 0 0] − [ ]=[ ]
0 0 1 0 0 0 0 4 0 0 λ −4
0 0 0 1 0 0 0 2 0 0 0 λ−2
Sea:
det(λI − A) = 0
λ − 1 −3 −7
1 −11
det 0 λ– −3 −8 = 0
2 −4
0 0 λ
[ 0 0 0 λ−2 ]
1
(λ − ) (λ)(λ − 2) = 0
2
λ4 − 8λ3 + 19λ2 − 24λ + 48 = 0 Ecuación caracteristica
1
(λ − ) (λ)(λ − 2) = 0
2
1
λ1 = 0, λ2 = y λ3 = 2
2
1 9 1
De modo que λ1 = 09 = 0, λ2 = (2) = 512 y λ3 = 29 = 512 son
eigenvalores de 𝐴9
12. Encontrar los autovalores y bases para los autoespacios de A 25 para
−1 −2 −2
A=[ 1 2 1]
−1 −1 0
Dado que
1 0 0 −1 −2 −2 𝜆+1 2 2
𝜆𝐼 − 𝐴 = 𝜆 [0 1 0] − [ 1 2 1 ] = [ −1 𝜆−2 −1]
0 0 1 −1 −1 0 1 1 𝜆
Sea:
𝑑𝑒𝑡(𝜆𝐼 − 𝐴) = 0
𝜆+1 2 2
𝑑𝑒𝑡 [ −1 𝜆 − 2 −1] = 0
1 1 𝜆
(𝜆 + 1)[(𝜆 − 2)(𝜆) − (1)(−1)] − (2)[(−1)(𝜆) − (1)(−1)]

+ (2)[(−1)(1) − (1)(𝜆 − 2)] = 0
(𝜆 + 1)[𝜆2 − 2𝜆 + 1] − (2)[−𝜆 + 1] + (2)[−𝜆 + 1] = 0
𝜆3 − 2𝜆2 − 𝜆 + 1 + 2𝜆 − 2 − 2𝜆 + 2 = 0
𝜆3 − 2𝜆2 − 𝜆 + 1 = 0 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
Entonces
(𝜆 + 1)(𝜆 − 1)2 = 0
𝜆1 = −1, 𝜆2 = 1 .De modo que existen 2 eigenespacios de A.
Por definición,
𝑥1
𝑥
𝑥 = [ 2]
𝑥3
Es un eigenvector de A correspondiente a A si y sólo si x es una
solución no trivial de 𝑑𝑒𝑡(𝜆𝐼 − 𝐴); es decir, de
𝜆+1 2 2 𝑥1 0
[ −1 𝜆 − 2 −1] [𝑥2 ] = [0]
1 1 𝜆 𝑥3 0
Para 𝜆1 = −1
0 2 2 𝑥1 0
[−1 −3 −1] [𝑥2 ] = [0]
1 1 −1 𝑥3 0
1 0 −2 ⋮ 0
[0 1 1 ⋮ 0]
0 0 0 ⋮ 0
𝑥1 2𝑡 2
𝑥
[ 2 ] = [−𝑡] = 𝑡 [−1]
𝑥3 𝑡 1
2
∴ 𝑩𝟏 = {(−1)}
1
Para 𝜆2 = 1
2 2 2 𝑥1 0
[−1 −1 −1] [𝑥2 ] = [0]
1 1 1 𝑥3 0

1 1 1 ⋮ 0
[0 0 0 ⋮ 0]
0 0 0 ⋮ 0
𝑥1 −𝑠 − 𝑡 −1 −1
[𝑥2 ] = [ 𝑠 ] = 𝑠 [ 1 ] + 𝑡 [ 0 ]
𝑥3 𝑡 0 1
−1 −1
∴ 𝑩𝟐 = {( 1 ) , ( 0 )}
0 1
De modo que λ1 = (−1)25 = −1, λ2 = (1)25 = 1 son eigenvalores de 𝐴25

2
Base para el eigenespacio correspondiente a 𝜆1 = −1: (−1)
1
−1 −1
Base para el eigenespacio correspondiente a 𝜆2 = 1: ( 1 ) , ( 0 )
0 1
AUTOVALORES Y AUTOVAECTORES
COAQUIRA HILARIO FRANK LUIS (107-124)
1. Encuentre la solución general de los sistemas dados:
dx
= −4x + 2y
dt
dy 5
= − x + 2y
dt 2
El sistema escrito en forma matricial:
−4 2 𝑥
𝑥′
[ ′] = [ 5 ][ ]
𝑦 − 2 𝑦
2
−4 2
𝐴=[ 5 ]
− 2
2
−4 − ℷ 2
(𝐴 − ℷ𝐼) = [ 5 ]
− 2−ℷ
2
5
(−4 − ℷ)(2 − ℷ) − (− ) 2 = 0
2
−8 + 4ℷ − 2ℷ + ℷ2 + 5 = 0
ℷ2 + 2ℷ − 3 = 0
(ℷ + 3)(ℷ − 1) = 0
ℷ = −3 ℷ = 1
• ℷ = −3 ; (𝐴 + 3𝐼)
−1 2 𝑥
1 0
[ 5 ][ ] = [ ]
− 5 𝑥2 0
2
−𝑥1 + 2𝑥2 = 0
5
− 𝑥1 + 5𝑥2 = 0
2
𝑥1 = 2𝑥2
𝑥1 1
𝑥1
[𝑥 ] = [1 ] = 𝑥1 [1]
2 𝑥
2 1 2
• ℷ = 1 ; (𝐴 − 𝐼)
−5 2 𝑦
1 0
[ 5 ][ ] = [ ]
− 1 𝑦2 0
2
−5𝑦1 + 2𝑦2 = 0
5
− 𝑦1 + 𝑦2 = 0
2
5
𝑦2 = 𝑦1
2
𝑦1 1
𝑦1
[𝑦 ] = [5 ] = 𝑦1 [5]
2 𝑦1
2 2
Por lo tanto, la solución general del sistema es
1 1
𝑋(𝑡) = 𝑥1 [1] 𝑒 −3𝑡 + 𝑦1 [5] 𝑒 𝑡
2 2
𝑥(𝑡) = 𝑥1 𝑒 −3𝑡 + 𝑦1 𝑒 𝑡
1 5
𝑦(𝑡) = 𝑥1 𝑒 −3𝑡 + 𝑦1 𝑒 𝑡
2 2
2. Encuentre la solución general de los sistemas dados:
x ′ = −x − y
3 3
𝑦 ′ = x − y + 3z
4 2
1 1 1
z′ = x + y − z
8 4 2
El sistema escrito en forma matricial:
−1 −1 0
𝑥′ 3 3 𝑥
− 3
[𝑦 ′ ] = 4 2 [𝑦]
𝑧′ 1 1 1 𝑧
[8 − ]
4 2
−1 −1 0
3 3
− 3
𝐴= 4 2
1 1 1
[8 − ]
4 2
−1 − ℷ −1 0
3 3
− −ℷ 3
(𝐴 − ℷ𝐼) = 4 2
1 1 1
[ 8 − − ℷ]
4 2
3 1 3 3 1 3
(−1 − ℷ) (( − ℷ) (− − ℷ) − ) − (−1) (( ) (− − ℷ) − ) = 0
2 2 4 4 2 8
4ℷ3 + 12ℷ2 + 11ℷ + 3 = 0
3 1
(ℷ + 1) (ℷ + ) (ℷ + ) = 0
2 2
3 1
ℷ = −1 ℷ = − ℷ=−
2 2
ℷ = −1 ; (𝐴 + 𝐼)
0 −1 0
3 1 𝑥1 0
− 3 𝑥
4 2 [ 2 ] = [0]
1 1 1 𝑥3 0
[8 4 2]
𝑥2 = 0
3
𝑥 + 3𝑥2 = 0
4 1
𝑥1 = 4𝑥3
𝑥1 4𝑥3 4
[𝑥2 ] = [ 0 ] = 𝑥3 [0]
𝑥3 𝑥3 1
3 3
ℷ=− ; (𝐴 + 𝐼)
2 2
1
−1 0
2 𝑦1
3 0
0 𝑦
3 [ 2 ] = [ 0]
4 𝑦3 0
1 1
[8 1]
4
3
𝑦 + 3𝑦3 = 0
4 1
𝑦1 = −4𝑦3
1
𝑦 − 𝑦2 = 0
2 1
𝑦2 = −2𝑦3
𝑦1 −4𝑦3 −4
[𝑦2 ] = [−2𝑦3 ] = 𝑦3 [−2]
𝑦3 𝑦3 1
1 1
ℷ=− ; (𝐴 + 𝐼)
2 2
1
− −1 0
2 𝑧1
3 0
−1 3 [𝑧2 ] = [0]
4 𝑧3 0
1 1
[ 8 0]
4
1
− 𝑧1 − 𝑧2 = 0
2
𝑧1 = −2𝑧2
5
𝑧3 = 𝑧2
6
−2𝑧2 −2
𝑧1
𝑧2 1
[𝑧2 ] = [ ] = 𝑧2 [ 5 ]
𝑧3 5
𝑧
6 2 6
Por lo tanto, la solución general del sistema es

−2
4 −4 3 1
1
𝑋(𝑡) = 𝑥3 [0] 𝑒 𝑡 + 𝑦3 [−2] 𝑒 2 + 𝑧2 [ 5 ] 𝑒 −2𝑡
− 𝑡
1 1
6
3. Consideremos la siguiente matriz 3x3
3 2 −1
𝐵 = [2 3 1]
0 0 5
Busquemos sus autovalores resolviendo el polinomio característico:
3−ℷ 2 −1
[ 2 3−ℷ 1 ]=0
0 0 5−ℷ
(5 − ℷ)((3 − ℷ)2 − 4) = 0
𝐿𝑢𝑒𝑔𝑜 𝑙𝑜𝑠 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑠𝑜𝑛:

ℷ1 = 5 ℷ2 = 5 ℷ3 = 1
Donde la multiplicidad algebraica de 5 es 2. Esto significa que 5 es raíz doble del polinomio
característico.
3−ℷ 2 −1 𝑥 0
[ 2 3−ℷ 1 ] [𝑦] = [0]
0 0 5−ℷ 𝑧 0
ℷ = 5 ; (𝐴 − 5𝐼)
−2 2 −1 𝑥1 0
𝑥
[ 2 −2 1 ] [ 2 ] = [0]
0 0 0 𝑥3 0
−2𝑥1 + 2𝑥2 − 𝑥3 = 0
2𝑥1 − 2𝑥2 + 𝑥3 = 0
1 0
𝑆5 = 𝑔𝑒𝑛 {[ 0 ] , [1]}
−2 2
Luego los dos autovectores son:

1 0
𝑣1 = [ 0 ] ; 𝑣2 = [1]
−2 2
ℷ = 1 ; (𝐴 − 𝐼)
2 2 −1 𝑦1 0
[2 2 1 ] [𝑦2 ] = [0]
0 0 4 𝑦3 0
2𝑦1 + 2𝑦2 + 𝑦3 = 0
2𝑦1 + 2𝑦2 + 𝑦3 = 0
4𝑦3 = 0
1
𝑆1 = 𝑔𝑒𝑛 {[−1]}
0
1
𝑣3 = [−1]
0
Finalmente, los 3 autovectores:
1 0 1
𝑣1 = [ 0 ] ; 𝑣2 = [1] ; 𝑣3 = [−1]
−2 2 0
Donde 𝑣1 y 𝑣2 son autovectores asociados al autovalor ℷ = 5 y 𝑣3 es un autovalor asociado a
ℷ=1
4. Demuestre la siguiente propiedad para 𝐴 ∈ ℝ𝑛𝑥𝑛
ℷ = 0 es un autovalor de 𝐴 ↔ 𝐴 no es inversible
Consideremos una matriz que no tenga inversa. Por ejemplo, escribimos una matriz tal que la
fila 2 sea el doble de la fila 1:
1 2
𝐴=( )
2 4
Escribamos la ecuación característica y hallemos los autovalores:
𝑝𝐴 (ℷ) = (1 − ℷ)(4 − ℷ) − 4 = 0
ℷ2 − 5ℷ = 0
ℷ=0 ∨ℷ =5
En este caso particular hemos visto que una matriz no inversible tiene autovalor ℷ = 0. Pero
demostrar la propiedad.
Para demostrar esto hay que recordar que:
ℷ 𝑒𝑠 𝑢𝑛 𝑎𝑢𝑡𝑜𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝐴 ↔ det(𝐴 − ℷ𝐼) = 0
Pero si ℷ = 0 entonces la afirmación queda:
0 es autovalor de 𝐴 ↔ det(𝐴 − 𝐼) = 0 ↔ 𝐴 no es inversible
1 1 2
5. a) Dada la matriz 𝐴 = [2 2 4] , hallar todos los valores de c para los cuales A es
0 0 𝑐
diagonizable.
b) Para c=0, hallar si es posible P inversible y D diagonal tales que: 𝑃− 𝐴𝑃 = 𝐷
Solución
Hallemos los autovalores de A, que son las raíces del polinomio característico:
1−ℷ 1 2
𝑝(ℷ) = det ( 2 2−ℷ 4 ) = (𝑐 − ℷ)((1 − ℷ)(2 − ℷ) − 2)
0 0 𝑐−ℷ
= (𝑐 − ℷ)(−3ℷ + ℷ2 ) = (𝑐 − ℷ)ℷ(−3 + ℷ)
Entonces los autovalores son:
ℷ=𝑐ℷ=0ℷ=3
Veamos como separar los distintos casos para realizar un análisis completo:
Caso 1: 𝑐 ≠ 0 𝑦 𝑐 ≠ 3
En este caso los 3 autovalores son distintos, y por lo tanto A es diagonizable.
Caso 2: 𝑐 = 3
En este caso los autovalores son: ℷ = 3(𝑑𝑜𝑏𝑙𝑒) y ℷ = 0
Nos tenemos que centrar en el autovalor doble: ¿qué dimensión tiene el autoespacio?
1−3 1 2 𝑥 0
[ 2 2−3 4 ] [ 𝑦 ] = [ 0]
0 0 3−3 𝑧 0
−2𝑥 + 𝑦 + 2𝑧 = 0
2𝑥 − 𝑦 + 4𝑧 = 0
𝑦 = 2𝑥 , 𝑧 = 0
Entonces:
1
𝑆3 = 𝑔𝑒𝑛 {[2]}
0
Como el autovalor es doble y el autoespacio tiene la dimensión 1, A no es diagonizable ¿Por
qué? Porque con un autovector de 𝑆3 y un autovector de 𝑆0 no podemos completar los 3
autovectores L.I. que necesitamos para armar P.
Caso 3: 𝑐 = 0
En este caso los autovalores son ℷ = 0 (𝑑𝑜𝑏𝑙𝑒) y ℷ = 3(𝑠𝑖𝑚𝑝𝑙𝑒)
Autoespacio asociado a ℷ = 0
1 1 2 𝑥 0
[ 2 2 4] [ 𝑦 ] = [ 0]
0 0 𝑐 𝑧 0
𝑥 + 𝑦 + 2𝑧 = 0
2𝑥 + 2𝑦 + 4𝑧 = 0
𝑥 + 𝑦 + 2𝑧 = 0 → (−𝑦 − 2𝑧, 𝑦, 𝑧)
−1 −2
𝑆0 = 𝑔𝑒𝑛 {[ 1 ] , [ 0 ]}
0 2
Como la dimensión del autoespacio coincide con la multiplicación algebraica del autovalor, A
es diagonizable. Si tomamos dos autovectores L.I. de 𝑆0 y un tercer autovector de 𝑆3 ,
tendremos los 3 autovectores LI necesarios para armar una P inversible tal que: 𝑃− 𝐴𝑃 = 𝐷,
como se pide en el item (b).
En conclusión, A es diagonizable ∀𝑐 ∈ ℝ − {3}
b) Nos falta hallar el autoespacio asociado a ℷ = 3
−2 1 2 𝑥 0
[ 2 −1 𝑦
4 ] [ ] = [0]
0 0 −3 𝑧 0
−2𝑥 + 𝑦 + 2𝑧 = 0
2𝑥 − 𝑦 + 4𝑧 = 0
−3𝑧 = 0
1 −1 −2 1 0 0 0
𝑆3 = 𝑔𝑒𝑛 {[2]} 𝑃 = [ 1 0 2] , 𝐷 = [0 0 0]
0 0 1 0 0 0 3
Se puede verificar que 𝑃− 𝐴𝑃 = 𝐷
6. Veamos si es posible diagonalizar la siguiente matriz:
3 1
𝐴=( )
2 2
Sus autovalores son:
ℷ = 4 ,ℷ = 1
¿Podemos asegurar que es diagonizable?
Si, porque hay una propiedad que dice que los autovectores asociados a autovalores
distintos son linealmente independientes.
Los autovectores son:
1 1
𝑣1 = [ ] ; 𝑣2 = [ ]
1 −2
Armamos la matriz P poniendo los autovalores como columnas:
1 1
𝑃=( )
1 −2
La inversa de P la obtenemos haciendo:
1
𝑃− = . 𝑎𝑑𝑗(𝑃)
det(𝑃)
Ahora hagamos el cálculo para obtener la matriz diagonal.
1 −2 −1 3 1 1 1 4 0
𝐷 = 𝑃− 𝐴𝑃 = − ( )( )( )=( )
3 −1 1 2 2 1 −2 0 1
7. Diagonalizar la siguiente matriz si es posible:
1 2 4
𝐵 = [2 1 −4]
0 0 3
Buscamos los autovalores:

1−ℷ 2 4
det(𝐵 − ℷ𝐼) = [ 2 1 − ℷ −4 ] = (3 − ℷ)((1 − ℷ)2 − 4)
0 0 3−ℷ
ℷ = 3(𝑑𝑜𝑏𝑙𝑒) ∨ ℷ = −1
Atención: es un error muy común superior que la existencia de un autovalor doble implica
que la matriz no es diagonizable.
Para ℷ = −1 buscamos el autoespacio correspondiente:
2 2 4 𝑥 0
[2 2 −4] [𝑦] = [0]
0 0 4 𝑧 0
1
𝑆−1 = 𝑔𝑒𝑛 {[−1]}
0
Verifiquen que el otro autoespacio es:

1 2
𝑆3 = 𝑔𝑒𝑛 {[2] , [0]}
0 1
Como pudimos obtener tres autovectores linealmente independientes, la matriz P existe y la
construimos ubicando a los autovectores como columna:
1 1
− −1
2 2
𝑃= 0 0 1
1 1
[2 2 0]
Esta es la matriz diagonal correspondiente es:
−1 0 0
𝑃− 𝐴𝑃 = 𝐷=[ 0 3 0]
0 0 3
El orden de los autovalores en D es el mismo orden que de los autovectores en las columnas
de P. Por ejemplo si construimos la matriz así:
1 1 1
𝑃 = [1 −1 −1]
0 1 0
Verifique que la matriz D queda:
3 0 0
𝐷 = [0 3 0]
0 0 −1
8. Consideremos la matriz simétrica:
1 2
𝐴=( )
2 4
Vamos a hacer una diagonalización ortogonal de esta matriz. Los autovalores son:
ℷ=0 ∨ℷ =5
El autoespacio asociado es ℷ = 5 queda:
−4 2 𝑥 0 1
( ) . [ ] = ( ) → 𝑆5 = 𝑔𝑒𝑛 {[ ]}
2 0 𝑦 0 2
Y el autoespacio asociado a ℷ = 0 queda:

1 2 𝑥 0 −2
( ) . [ ] = ( ) → 𝑆0 = 𝑔𝑒𝑛 {[ ]}
2 4 𝑦 0 1
Comprobemos que son perpendiculares los autovalores obtenidos:
1 −2
( ) . ( ) = 1(−2) + 2(1) = 0
2 1
No es casual que los autovalores que hemos obtenido sean perpendiculares:
En las matrices simétricas, los autovectores asociados a autovalores distintos son ortogonales.
Ya tenemos dos vectores perpendiculares.
1 −2
𝑃=( )
2 1
Con esta matriz P puedo diagonalizar a la matriz A:
5 0
𝑃− 𝐴𝑃 = 𝐷=( )
0 0
Esta es una diagonalización de A, similar a otros ejemplos previos. Pero precisamente por ser A
simétrica, los autoespacios son rectas ortogonales. Por lo tanto, podríamos diagonalizar la
matriz A mediante una Q ortogonal (columnas ortogonales y de modulo 1)
¿Cuál sería la matriz Q? Falta que los vectores columna sean vectores. Para lograr esto hay que
dividir cada autovector por su modulo. Tienen un módulo igual a √5.
1 2
−
𝑃= √5 √5
2 1
(√5 √5 )
Esta matriz es ortogonal: 𝑄 𝑇 = 𝑄 −
Entonces la diagonalización ortogonal de la matriz A queda:
5 0
𝑄 − 𝐴𝑄 = 𝑄 𝑇 𝐴𝑄 = 𝐷 = ( )
0 0
9. 𝑇: ℝ2 → ℝ2 |𝑇((𝑥, 𝑦)) = (𝑥 + 2𝑦, 3𝑦)
Hallar autovectores y autovalores de T, y analizar si es diagonalizable.
Solución
1. Buscamos la matriz de T en la base canónica.
1 2
𝐴 = 𝑀(𝑇)𝐸𝐸 = ( )
0 3
2. Buscamos autovalores y autovectores de A
ℷ=1 ∨ℷ =3
1
𝑆1 = 𝑔𝑒𝑛 {[ ]}
0
1
𝑆3 = 𝑔𝑒𝑛 {[ ]}
1
3. A es diagonalizable, con
1 1 1 0
𝑃=( ) 𝑦 𝐷 = 𝑃− 𝐴𝑃 = ( )
0 1 0 3
Veamos que representa D:
𝐵 = {(1,0)(1,1)} es una base de ℝ2 formada por autovectores de T, ¿Cómo se busca la matriz
asociada a una transformación lineal?
𝑀(𝑇)𝐸𝐸 = ([𝑇(𝑣1 )]𝐵 [𝑇(𝑣2 )]𝐵 )
Entonces esas coordenadas son:
1
𝑇((1,0)) = (1,0) = 1. (1,0) + 0. (1,1) → [(1,0)]𝐵 = ( )
0
0
𝑇((1,1)) = (3,3) = 0. (1,0) + 3. (1,1) → [(3,3)]𝐵 = ( )
3
Así que la matriz queda:
1 0
𝑀(𝑇)𝐸𝐸 = ( )=𝐷
0 3
ESTADO TENSIONAL DE UN PRISMA MACANICO
Objetivo: Calcular las tensiones que se producen en una máquina o una estructura al aplicarle
un determinado sistema de fuerzas exteriores.
Con objeto de estudiar los sólidos elásticos se crea un modelo teórico que se denomina prisma
mecánico.
Definición: Llamaremos prisma mecánico al sólido engendrado por una sección plana Σ de área
Ω cuyo centro de gravedad G describe una curva c llamada línea media o directriz, siendo el
plano que contiene a Σ normal a la curva.
Barra. Se llama así al prisma mecánico cuyas dimensiones de la sección transversal son
pequeñas, en comparación con la longitud de la línea media. Es el más utilizado en la mayoría
de las estructuras de las obras
En estructuras de hormigón armado la forma más empleada es la sección transversal

rectangular en vigas y cuadrada en pilares.
En estructuras metálicas las secciones más usuales son el perfil laminado doble te I en vigas, o
dos secciones en U soldadas en pilares.
Supondremos un prisma mecánico sometido a una fuerza exterior e imaginémoslo cortado
idealmente en dos partes A y B por medio de un plano π.
Si ahora suponemos suprimida una de las partes, por ejemplo, la B, de la condición de

⃗⃗⃗⃗ ,
equilibrio elástico se desprende la existencia de una distribución continúa de fuerzas 𝑑𝑓
definida en los puntos de A pertenecientes a la sección ∑ , equivalente al sistema formado por
la parte del esfuerzo exterior que actúa sobre la parte suprimida.
Sea P un punto 𝑃 ∈ ∑, se define la tensión en el punto P según el plano 𝜋 al cociente
𝑑𝑓
𝜎=
𝑑Ω
⃗⃗⃗⃗ y su modulo representa la
Como se ve en la figura, la tensión 𝜎 es un vector colineal con 𝑑𝑓
magnitud del esfuerzo interior ejercido en la sección ∑ por unidad de superficie.
Si ahora consideramos el entorno paralelepípedo de un punto P interior del prisma, de aristas
paralelas a los ejes de un sistema cartesiano 𝑂𝑥𝑦𝑧 , sobre cada una de sus caras existe un
vector tensión cuyas componentes intrínsecas normales tendrán las direcciones de los ejes
coordenados respectivos, y las tangenciales se podrán descomponer a su vez en las direcciones
de los ejes paralelos a la cara que se considere.
Las tensiones normales las descomponemos por
𝜎𝑛𝑖 (𝑖 = 𝑥, 𝑦, 𝑧)
Donde el índice 𝑖 indica el eje al cual son paralelas y convendremos en asignarles signo positivo
si son de tracción y negativo si se trata de compresión.
Las tensiones tangenciales la representamos por
𝜏𝑖𝑗 (𝑖, 𝑗 = 𝑥, 𝑦, 𝑧) 𝑖 ≠ 𝑗
Indicando el primer índice 𝑖 la dirección normal al plano en que actúa y el segundo 𝑗 la

dirección del eje al cual es paralela.
Si distinguimos con las tensiones en las caras de coordenadas 𝑥 + 𝑑𝑥, 𝑦 + 𝑑𝑦, 𝑧 + 𝑑𝑧 las
relaciones que existen entre las tensiones correspondientes a caras paralelas, por ejemplo, las
caras del paralelepípedo perpendiculares al eje x, en virtud de la continuidad de las tensiones,
son:
Se plantean las condiciones de equilibrio estático del paralelepípedo aislado, y teniendo en

cuenta el equilibrio de fuerzas y el equilibrio de momentos podremos decir que el
conocimiento de los seis valores independientes
𝜎𝑛𝑥 , 𝜎𝑛𝑦 , 𝜎𝑛𝑧 , 𝜏𝑦𝑧 , 𝜏𝑧𝑥 , 𝜏𝑥𝑦
Permite conocer el vector tensión
𝜎(𝜎𝑥 , 𝜎𝑦 , 𝜎𝑧 )
Correspondiente a una orientación genérica definida por el vector unitario normal
𝑢
⃗ (𝛼, 𝛽, 𝛾)
Mediante la expresión
[𝜎] = [𝑇][𝑢
⃗]
Que indica que la matriz del vector tensión correspondiente a un determinado plano se
obtiene se obtiene multiplicando la matriz
Denominada “matriz de tensiones”, por la matriz vector unitario normal a dicho plano.
De los infinitos planos de radiación de vértice el punto 𝑃 existen tres, ortogonales entre sí,
para los cuales los vectores de tensión correspondientes son normales a ellos, careciendo, por
tanto, de componente tangencial.
Los vectores unitarios que definen estas tres direcciones, llamadas “direcciones principales” se
obtienen resolviendo el sistema de ecuaciones
En donde 𝜎 toma los valores de las raíces de la ecuación característica
Que se obtiene al imponer la condición de compatibilidad del anterior sistema homogéneo de

ecuaciones.
Las raíces de la ecuación, que no son otra cosa que los valores propios de la matriz de
tensiones [𝑇], reciben el nombre de “tensiones principales”. Son las tensiones
correspondientes a los planos normales a las direcciones principales.
El lugar geométrico de los extremos de los vectores tensión para infinidad de planos de
radiación de vértice el punto que se considera es un elipsoide llamado “elipsoide de tensiones
o elipsoide de Lamé”. Su ecuación referida a un sistema de ejes coincidentes con las
direcciones principales, es
𝑥2 𝑦2 𝑧2
+ + =1
𝜎12 𝜎22 𝜎32
Siendo 𝜎1 , 𝜎2 , 𝜎3 los valores de las tensiones principales.

EJERCICIO
La matriz de tensiones en un punto interior de un sólido elástico, referido a un sistema

𝑁
cartesiano ortogonal 𝑂𝑥𝑦𝑧 es, estando expresadas sus componentes en 𝑚𝑚2 . Se pide:
1) Determinar las tensiones y direcciones principales.

2) Calcular analíticamente las componentes intrínsecas del vector tensión
1 1 1
correspondientemente al plano de vector 𝑢
⃗ ( , , ).
√2 2 2
1.De la matriz de tensiones se deduce la ecuación característica
5−𝜎 0 0
[ 2 −6 − 𝜎 −12 ] = 0
0 −12 1−𝜎
Desarrollando el determinante se llega a
−𝜎 3 + 175𝜎 − 750 = 0
Cuyas raíces del polinomio característico son las tensiones principales
𝑁 𝑁 𝑁
𝜎1 = 10 2
, 𝜎2 = 5 2
, 𝜎3 = −15
𝑚𝑚 𝑚𝑚 𝑚𝑚2
Las direcciones principales las determinantes sustituyendo los valores de las tensiones
principales en el sistema homogéneo de ecuaciones:
𝑁
Para 𝜎1 = 10 𝑚𝑚2
5 − 10 0 0 𝑥 0 3 4
[ 2 −6 − 10 −12 ] [𝑦] = [0] → 𝑢 ⃗ 1 (0, − , )
5 5
0 −12 1 − 10 𝑧 0
𝑁
Para 𝜎1 = 5 𝑚𝑚2
5−5 0 0 𝑥 0
[ 2 −6 − 5 −12 ] [𝑦] = [0] → 𝑢 ⃗ 2 (1,0,0)
0 −12 1−5 𝑧 0
𝑁
Para 𝜎1 = −15 𝑚𝑚2
5 + 15 0 0 𝑥 0 4 3
[ 2 −6 + 15 −12 ] [𝑦] = [0] → 𝑢 ⃗ 3 (0, , )
5 5
0 −12 1 + 15 𝑧 0
Por lo tanto, las direcciones principales vienen definidas por los vectores unitarios siguientes:
3 4 4 3
𝑢
⃗ 1 (0, − , ) , 𝑢 ⃗ 2 (1,0,0), 𝑢⃗ 3 (0, , )
5 5 5 5
1 1 1
2.El vector tensión correspondiente al plano definido por 𝑢
⃗ ( , , ), será
√2 2 2
1
5
5 0 0 √2
1 √2
[𝜎] = [𝑇][𝑢
⃗ ] = [0 −6 −12] = −9
0 −12 1 2 11
1
[− 2 ]
[2]
Del que fácilmente se deducen los valores de las componentes intrinsicas
5 9 11 𝑁
𝜎𝑛 = 𝜎. 𝑢⃗ = − − = −4.75
2 2 4 𝑚𝑚2
𝑁
𝜏 = √𝜎 2 − 𝜎𝑛2 = √123.75 − 22.56 = 10.06
𝑚𝑚2
VENTURA CHACALLA, Bryan Mauricio
Determina los valores propios y vectores propios de la matriz
2 1 1
A = (2 3 3)
3 3 4
Solución
Los valores propios son las raíces del polinomio característico, que es
Por tanto, los valores propios son:

1,1 = 7 y 2;3 = 1
El valor propio 1, tiene multiplicidad 2.
Para calcular el vector propio, correspondiente al valor propio 7, debemos

resolver el sistema de ecuaciones
2 1 1 𝑥 𝑥
(2 3 2 ) ( 𝑦 ) = 7 ( 𝑦 )
3 3 4 𝑧 𝑧
2𝑥 𝑦 𝑧 𝑥 −5𝑥 +𝑦 +𝑧
(2𝑥 3𝑦 2𝑧) − 7 (𝑦) = (+2𝑥 −4𝑦 +2𝑧) = 0
3𝑥 3𝑦 4𝑧 𝑧 +3𝑥 +3𝑦 −3𝑧
Multiplicando la primera ecuación por 4, y sumándola a la segunda obtenemos

18x +6z = 0
Asi que
z = 3x
Multiplicando la primera por 3, y sumándola a la tercera, obtenemos
12x +6y = 0
Así que
y = 2x
Por tanto, los vectores propios son t (1;2;3) con t ≠ 0
Para calcular los vectores propios, correspondientes
al valor propio 1, debemos resolver el sistema de
ecuaciones.
2 1 1 𝑥 𝑥
(2 3 2 ) ( 𝑦 ) = 7 ( 𝑦 )
3 3 4 𝑧 𝑧
2𝑥 𝑦 𝑧 𝑥 +𝑥 +𝑦 +𝑧
(2𝑥 3𝑦 2𝑧) − (𝑦) = ( +2𝑥 +2𝑦 +2𝑧) = 0
3𝑥 3𝑦 4𝑧 𝑧 +3𝑥 +3𝑦 +3𝑧
Es claro que tenemos una sola ecuación, x + y + z = 0.
Poniendo a x y y como parámetros y denotándolos respectivamente como s y t,
tenemos z =- s- t. Por tanto, los vectores correspondientes al valor propio de

1son:
(s;t;;-s;-t) = s(1;0; 1)+ t(0;1; 1) donde s ≠0 t ≠0
Resumen:
Valor propio Vectores propios Dim E (𝛾 )
7 t(1;2;3) con t = 06 1
1,1 s(1;0; 1)+ t(0;1; 1), s t = 06 2

2.- Calcular los valores propios reales λ y los subespacios fundamentales V (λ)
para f ∈ End (R3) definido por f ((x, y, z)) = (−x − z, −7x + 4y + 13z, x − 3z).
Solución. Sabemos que los valores propios son las raíces del polinomio
característico y éste viene dado por el polinomio característico de cualquier
matriz asociada a f. Empleando la notación por filas, si elegimos la matriz
asociada a f respecto de la base canónica, ésta viene dada por:
y el polinomio característico de esta matriz es

𝑥+1 7 −1
𝑋𝐴(𝑥) = | 0 𝑥−4 0 | = (𝑥 − 4)(𝑥 + 2)2
1 −13 𝑥 + 3
Por tanto, los valores propios de f son 4 y -2
3) Sea A una matriz diagonalizable con forma diagonal D y matriz de paso P.
Demostrar que An es diagonalizable con forma diagonal Dn. Deducir cuánto
vale An.
Solución.
Si A es diagonalizable con forma diagonal D y matriz de paso P significa que A

= PDP−1, luego An = PDnp−1 y, por tanto, An es diagonalizable con forma
diagonal Dn.
5.- Estudiar si son diagonalizables

sobre R. En caso
afirmativo, determinar su forma diagonal y una matriz de paso.
Solución. Sabemos que A ∈ Matn×n(K) es diagonalizable si y sólo si se

verifican las dos condiciones siguientes:
(i) Existen λ1,...λn ∈ K, (no necesariamente distintos) tales que χA(x) = (x − λ1)...(x
− λn).
VENTURA CHACALLA , Bryan Mauricio
(ii) Para cada valor propio λ, se verifica dim (VA(λ)) = m(λ). Para
la matriz su
polinomio característico viene dado por
luego se escinde sobre R y se cumple (i). Pero,
VA(−2) = {(x y z) ∈ R3|(x y z)A =

−2(x y z)}
= {(x y z) ∈ R3|x − z = 0,−7x + 6y
+ 13z = 0} = {(x − x x)|x ∈ R}.
Así que dim (VA (−2)) = 1 < 2 = m(−2) y A no es diagonalizable.
El polinomio característico de B es
Ahora,
VB(−2) = {(x y z) ∈ R3|(x y z)B = −2(x y z)}
= {(x y z) ∈ R3|x + y + 2z = 0}
= {(x − x − 2z z) ∈ R3|x,z ∈ R} =< (1 − 1 0),(0 − 2 1) >=⇒ dim(VB(−2)) =

2 = m(−2).
VB (4) = {(x y z) ∈ R3|(x y z)B = 4(x y z)}

= {(x y z) ∈ R3| − 3x + 3y + 6z = 0,−3x − 9y − 6z =
0,3x + 3y = 0} = {(x − x x)|x ∈ R} =< (1 − 1 1) >=⇒
dim(VB(4)) = 1 = m(4).
Por tanto, B cumple también la condición (ii) y es diagonalizable con forma

diagonal .
Para construir la matriz de paso debemos tomar de cada subespacio

fundamental una base y se colocaran en la matriz P en el mismo orden que
aparezcan los valores propios. Así, para calcular la matriz de paso P debemos
colocar en las dos primeras filas una base de VB(−2) y en la tercera fila una
base de VB (4). Por
ejemplo, y se cumple D = PBP−1.
Nota: En la definición de VA(λ) nos han fijado la notación a emplear: es la
notación por filas. Esto fuerza a que en la definición de P empleemos también
la notación por filas. Si se hubiera definido VA(λ) =
estaríamos usando la notación por columnas y en caso de ser A diagonalizable
P llevaría en sus columnas bases de los subespacios fundamentales asociados
a los valores propios.

Ejercicio numero 6
Sea f: R3 → R3 el endomorfismo definido por f(x,y,z)

= (3x − y + z,−2x + 4y − 2z,−2x + 2y).
(i) Demostrar que f es diagonalizable y encontrar una base de R3 respecto

de la cual la matriz asociada a f sea diagonal.
(ii) Estudiar si las siguientes matrices están asociadas a f y, en caso
afirmativo, hallar una base respecto

de la cual lo estén: .
Solución. (i) Para probar que f es diagonalizable, empleamos la
caracterización de endomorfismos diagonalizables:
“f: V → V lineal es diagonalizable si y sólo si se verifican las dos
condiciones siguientes:
(i) Su polinomio característico se escinde sobre K, esto es, existen λ1,...λn ∈ K,
(no necesariamente distintos) tales que χf(x) = (x − λ1)...(x − λn).
(ii) Para cada valor propio λ, se verifica dim (V (λ)) = m(λ). ”
Para calcular su polinomio característico, debemos buscar una matriz A
asociada a f y calcular el polinomio característico de A. Por ejemplo, si

tomamos la base canónica de R3, la matriz asociada a f, empleando notación
por filmas viene dada por , cuyo polinomio característico es
,
VENTURA CHACALLA, Bryan Maurici
Calculamos los subespacios fundamentales asociados a los valores propios:
Luego, f es
diagonalizable y una base respecto de la cual la matriz asociada estar ‘a
formada por vectores propios linealmente independientes. Por ejemplo,
podemos tomar B = {(1,0,−1), (0,1,1), (1,−2,−2)}.
(ii) Es fácil ver que no es diagonalizable porque VB(2) es de

dimensión 1 y C =
es precisamente la forma diagonal de f. Por tanto, C es matriz
asociada a f y una base
respecto de la cual lo es viene dada por B =
{(1,0,−1),(0,1,1),(1,−2,−2)}.
Ejercicio número 7
¿Qué debe verificar el parámetro a ∈ R para que la matriz sea
diagonalizable sobreR? Cuando lo sea, hallar su forma diagonal, una matriz de
paso y An para cualquier número natural n.
Solución. Una condición necesaria, aunque no suficiente, para que A sea
diagonalizable es que se escinda su polinomio característico. Ahora,
Además, debemos pedir
que dim ((2)) = 1.
Pero, dim (VA (2)) = 1 se cumple ya que al ser 2 valor propio sabemos que 1 ≤
dim (VA (2)) ≤ m (2) = 1. Por consiguiente sólo queda calcular los valores de a
para los cuales dim(VA(1)) = 2. Ahora,

VA (1) = {(x y z) | (x y z) A = (x y z)}
= {(x y z) | − y + z = 0 = a x = a x − y + z}
sí a =
= {(x y z) | − y + z = 0 = a x} = {{{((0x y yy y)) 0 si a
||yx,y∈ R∈}R} = 0̸
Luego A es diagonalizable para a = 0.
Si a = 0, A es diagonalizable con forma diagonal y para calcular

una matriz de paso
necesitamos hallar primero VA(2), que viene dado por:
VA (2) = {(x y z) | (x y z) A = 2(x y z)}
= {(x y z) | − x − y + z = 0 = −y}
= {(x 0 x) |x ∈ R}
Entonces, P será la matriz que lleva en sus filas tres vectores propios
linealmente independientes colocados en el mismo orden que los valores
propios a los que están asociados en la forma diagonal. En
concreto, . Entonces,
.
VENTURA CHACALLA , BRYAN MAURICIO
Ejercicio número 8 Se considera la familia de endomorfismos fa,b : R3 → R3,

tal que fa,b(x,y,z) = (z,by,ax), donde a,b ∈ R.
(i) Determinar los valores de a y b para los que fa,b es diagonalizable.
(ii) Cuando fa,b sea diagonalizable, localizar su forma diagonal .
Solución. Para que fa,b sea diagonalizable debe cumplir que su polinomio
característico se escinda y que para cada valor propio λ las multiplicidades
algebraicas y geométricas sean iguales. Para calcular el polinomio
característico de f necesitamos hallar una matriz asociada a f y determinar el
polinomio característico de ésta. Por ejemplo, si tomamos la base canónica de
R3 la matriz asociada a f, empleando la notación por filas, viene dada por
cuyo polinomio característico es:
que se escinde sobre R si a ≥ 0. Distinguimos varios casos:
1. Si a > 0 y b ≠ ±√a, entonces√ f es diagonalizable por tener tres valores

propios diferentes. Entonces,
su forma diagonal es .
2. Si a = b = 0, entonces 0 es valor propio de f con multiplicidad algebraica 3 y
Vf0,0(0) = {(x, y,0) |x, y ∈ R},
luego f0,0 no es diagonalizable porque dimVf0,0(0) = 2 < 3 = m (0).

3. Si a = 0, b = 0̸ , entonces f0, b tiene dos valores propios distintos: 0, con m
(0) = 2 y b con m(b) = 1.
Pero,
Vf0, b (0) = {(x,0,0) |x ∈ R}.
Así que f0, b no es diagonalizable ya que dimVf0, b (0) = 1 < 2 = m (0).
Ejercicio número 9
Encuentren la solución general de los sistemas dados

𝑑𝑥
= 𝑥 + 2𝑦
{ 𝑑𝑡
𝑑𝑦
= 4𝑥 + 3𝑦
𝑑𝑡
′ 1 2 𝑥
El sistema escrito en forma matricial es (𝑦𝑥 ′ ) es ( ) ( ) primero hallemos
4 3 𝑦
los valores y
1 2
vectores propios de la matriz de coeficientes A= ( ) , mediante solución de
4 3
1− λ 2
la ecuación característica det(𝐴 − λI) = ( ) = ( λ − 5)( λ + 1) =
4 3− λ
0 , 𝑑𝑒 𝑑𝑜𝑛𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 𝑠𝑜𝑛 𝑑𝑒
λ1 = 5 , λ2 = −1.
−4 2 𝐾1
Para λ1 = 5 , 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 (𝐴 − 5𝐼)𝑘 = 0 𝑒𝑠 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ( )( ) =
4 −2 𝐾2
0
( ) 𝑟𝑒𝑠𝑜𝑙𝑣𝑖𝑒𝑛𝑑𝑜
0
𝐾1 𝐾1 1
Resulta K2 = 2K1 , luego ( )=( ) = 𝐾1 ( ), así el vector propio
𝐾2 2𝐾1 2
correspondiente al valor
VENTURA CHACALLA , BRYAN MAURICIO
1
propio λ1 = 5 es 𝐾1 = ( ) , y la solución asociada a este valor propio es 𝑋1 =
2
1
( ), y la
2
1
solución a este valor es 𝑋1(𝑡) = ( ) 𝑒 5𝑡 de manera análoga , el vector propio
2
corresponde al valor propio λ2 = −1 𝑒𝑠 𝐾2 =
−1 −1
( ) , 𝑦 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑎 𝑒𝑠𝑡𝑒 𝑣𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 𝑒𝑠 X2 (t) = ( ) 𝑒 𝑡 por lo
1 1
tanto la solución general del sistema es
1 −1
𝑋(𝑡) = 𝐶1 ( ) 𝑒 5𝑡 + 𝐶2 ( ) 𝑒 −𝑡 ↔ 𝑥(𝑡) = 𝐶1𝑒 5𝑡 − 𝐶2𝑒 −𝑡 y Y(t) = 2𝐶1. 𝑒 5𝑡 +
2 1
−𝑡
𝐶2. 𝑒
Ejercicio número 10
Encuentren la solución general de los sistemas dados

𝑑𝑥
= 𝑥 + 2𝑦
{ 𝑑𝑡
𝑑𝑦
= 4𝑥 + 3𝑦
𝑑𝑡
′ 1 2 𝑥
El sistema escrito en forma matricial es (𝑦𝑥 ′ ) es ( ) ( ) primero hallemos
4 3 𝑦
los valores y
1 2
vectores propios de la matriz de coeficientes A= ( ) , mediante solución de
4 3
1− λ 2
la ecuación característica det(𝐴 − λI) = ( ) = ( λ − 5)( λ + 1) =
4 3− λ
0 , 𝑑𝑒 𝑑𝑜𝑛𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑝𝑟𝑜𝑝𝑖𝑜𝑠 𝑠𝑜𝑛 𝑑𝑒
VENTURA CHACALLA, BRYAN MAURICIO
λ1 = 5 , λ2 = −1.
−4 2 𝐾1
Para λ1 = 5 , 𝑙𝑎 𝑒𝑐𝑢𝑎𝑐𝑖𝑜𝑛 (𝐴 − 5𝐼)𝑘 = 0 𝑒𝑠 𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ( )( ) =
4 −2 𝐾2
0
( ) 𝑟𝑒𝑠𝑜𝑙𝑣𝑖𝑒𝑛𝑑𝑜
0
𝐾1 𝐾1 1
Resulta K2 = 2K1 , luego ( )=( ) = 𝐾1 ( ), así el vector propio
𝐾2 2𝐾1 2
correspondiente al valor
1
propio λ1 = 5 es 𝐾1 = ( ) , y la solución asociada a este valor propio es 𝑋1 =
2
1
( ), y la
2
1
solución a este valor es 𝑋1(𝑡) = ( ) 𝑒 5𝑡 de manera análoga , el vector propio
2
corresponde al valor propio λ2 = −1 𝑒𝑠 𝐾2 =
−1 −1
( ) , 𝑦 𝑙𝑎 𝑠𝑜𝑙𝑢𝑐𝑖𝑜𝑛 𝑎𝑠𝑜𝑐𝑖𝑎𝑑𝑎 𝑎 𝑒𝑠𝑡𝑒 𝑣𝑎𝑙𝑜𝑟 𝑝𝑟𝑜𝑝𝑖𝑜 𝑒𝑠 X2 (t) = ( ) 𝑒 𝑡 por lo
1 1
tanto la solución general del sistema es
1 −1
𝑋(𝑡) = 𝐶1 ( ) 𝑒 5𝑡 + 𝐶2 ( ) 𝑒 −𝑡 ↔ 𝑥(𝑡) = 𝐶1𝑒 5𝑡 − 𝐶2𝑒 −𝑡 y Y(t) = 2𝐶1. 𝑒 5𝑡 +
2 1
𝐶2. 𝑒 −𝑡
SUCASACA MIRAMIRA CARLOS
EJERCICIO 1 Calcule una matriz P tal que P−1AP sea diagonal, para
Solución: El polinomio característico es
y los auto valores son λ1 = 2,λ2 = 0,λ3 = 3,λ4 = 1 (da igual el orden en que los
tomemos), todos de multiplicidad algebraica igual a 1. Esto significa que A es
diagonalizable. Calculemos los espacios de autovectores asociado a cada autovalor.
λ1 = 2.
λ2 = 0.
λ3 = 3.
λ4 = 1.
Entonces la
matriz de paso es
P = v1
v2 v3 v
.
EJERCICIO 2 Verifique que la multiplicidad algebraica y geométrica de cada

autovalor coinciden en la matriz
−4 −3 −3
𝐴 = ( 0 −1 0 )
6 6 5
Calcule una matriz P no singular tal que P−1AP sea una matriz diagonal.
Solución polinomio característico de A es
𝜆+4 3 3
𝑑𝑒𝑡(𝜆𝐼 − 𝐴) = [ 0 𝜆+1 0 ]
−6 −6 𝜆−5
𝜆+4 3
= (𝜆 + 1)𝑑𝑒𝑡 [ ].
−6 𝜆−5
= (𝜆 + 1)(𝜆2 − 𝜆 − 2) = (𝜆 + 1)(𝜆 + 1)(𝜆 − 2)
Los autovalores de la matriz A son λ1 = 2, con multiplicidad algebraica m1 = 1, y λ2 =

−1, con multiplicidad algebraica m2 = 2. El espacio de autovectores asociado a λ1 se
obtiene a partir del conjunto de soluciones del sistema lineal homogéneo (λ1I − A) x =
0. En este caso,
1
6 3 3 𝑟𝑟𝑒𝑓 1 0
2
𝜆1 𝐼 − 𝐴 = [ 0 3 0 ] → [ 0 1 0]
−6 −6 −3 0 0 0
de donde
−1
(𝜆 )
𝑉1 1 = 𝑛𝑢𝑙𝑙(𝜆1 𝐼 − 𝐴) =< 𝑣1 = ( 0 ) >, 𝑦 𝑞1
2
= 𝑑𝑖𝑚𝑉1 (𝜆1 ) = 1
Analogamente, para λ2,
3 3 3
𝜆2 𝐼 − 𝐴 = [ 0 0 0]
−6 −6 −6
1 1 1
→ [0 0 0]
0 0 0
Y entonces
−1 −1
𝑉1 (𝜆2 ) = 𝑛𝑢𝑙𝑙(𝜆2 𝐼 − 𝐴) =< 𝑣2 = ( 0 ) , 𝑣3 = ( 1 ) >, 𝑦 𝑞2 =
1 0
𝑑𝑖𝑚𝑉1 (𝜆2 ) = 2.
Por tanto, la matriz P formada por las columnas determinadas por los autovectores
v1,v2 y v3 es una matriz de paso tal que P−1AP = diag(λ1,λ2,λ2):
2
𝑃 = (𝑣1, 𝑣2 , 𝑣3 ), 𝑦 𝑃−1 𝐴𝑃 = ( −1 )
−1
EJERCICIO 3 Calcule lımn→∞ An para
7 1
𝐴 = ( 5 5)
1
−1
2
Solución Vamos a probar que A es diagonalizable, y encontraremos la matriz de

paso P. El polinomio característico de A es
7 1
−𝜆
𝑑𝑒𝑡(𝜆𝐼 − 𝐴) = 𝑑𝑒𝑡 [5 5 ] = 9 − 19 𝜆 + 𝜆2
1 10 10
−1 −𝜆
2
9
= (𝜆 − 1) (𝜆 − )
10
Los autovalores son , ambos de multiplicidad algebraica igual a 1, por lo

que la matriz A es diagonalizable. Calculemos ahora sus autovectores asociados:
λ1 = 1.
−2 −1
1 1
𝜆1 𝐼 − 𝐴 = [ 5 5 ] 𝑟𝑟𝑒𝑓
→ [1 2] ; ⇒ 𝑛𝑢𝑙𝑙(𝜆1 𝐼 − 𝐴) =< 𝑣1 = [− 2]
1
1 0 0 1
2
9
𝜆2 =
10
−1 −1
1 2
𝜆2 𝐼 − 𝐴 = [ 2 5 ] 𝑟𝑟𝑒𝑓
→ [1 5] ; ⇒ 𝑛𝑢𝑙𝑙(𝜆2 𝐼 − 𝐴) =< 𝑣1 = [− 5]
2
1 0 0 1
2
Entonces
1 0 −1 −2
𝐷 = (0 9) = 𝑃−1 𝐴𝑃; 𝑑𝑜𝑛𝑑𝑒 𝑃 = (𝑣1 𝑣2 ) = [ 2 5 ].
10 1 1
Entonces A = PDP−1, y An = PDnP−1. Podemos escribir
−1 −2
1 0 −10 −4 5 2
lim 𝐴𝑛 = 𝑃 ( lim 𝐷 𝑛 ) 𝑃−1 = [ 2 5 ]( )[ ]=[ ].
𝑛→∞ 𝑛→∞
1 1 0 0 10 5 −10 −4
.
EJERCICIO 4 Consideremos la matriz
8 −2 2
𝐴 = [−2 5 4]
2 4 5
Sus autovalores son λ1 = 0,λ2 = 9. Calcule una matriz ortogonal P tal que P AP sea
diagonal.
Solución Como la matriz es simétrica, tenemos garantía de que existe dicha matriz
ortogonal. Calculemos los espacios de autovectores asociados a cada autovalor.
λ1 = 0.
8 −2 2 𝑥1 0
𝑉1 (𝜆1 ) = 𝑛𝑢𝑙𝑙(𝜆1 𝐼 − 𝐴) ⇒ [−2 5 4] (𝑥2 ) = (0).
2 4 5 𝑥3 0
Resolvemos el sistema mediante la forma escalonada reducida por filas:
1 −1
8 −2 2 𝑟𝑟𝑒𝑓 1 0 𝑥1 = 2 𝑥3
2
[−2 5 4] → [0 1 ] {
1 𝑥2 = −𝑥3 ,
2 4 5 0 0 0 𝑥3 = 𝑥3
Entonces
−1
2
𝑉1 (𝜆1 ) =< 𝑣11 = [−1] >
1
Si aplicamos Gram-Schmidt a este espacio, solamente tenemos que normalizar:
−1
3
1 −2
𝑞11 = ‖𝑣 𝑣11 = .
11 ‖ 3
2
[3]
λ2 = 9.
𝑉1 (𝜆2 ) =
−1 −2 2 𝑥1 0
𝑛𝑢𝑙𝑙(𝜆2 𝐼 − 𝐴) ⇒ [−2 −4 4 ] (𝑥2 ) = (0).
2 4 −4 𝑥3 0
Calculamos la forma escalonada reducida por filas de la matriz de coeficientes:
−1 −2 2 𝑟𝑟𝑒𝑓 −1 2 −2 𝑥1 = −2𝑥2 + 2𝑥3

[−2 −4 4 ] → [ 0 0 0 ] , { 𝑥2 = 𝑥2 ,
2 4 −4 0 0 0 𝑥3 = 𝑥3
Entonces
−2 2
𝑉1 (𝜆2 ) =< 𝑣21 = [ 1 ] 𝑣22 = [0] >
0 1
Ahora debemos aplicar Gram-Schmidt sobre estos vectores:
𝑞 , 21 = 𝑣21 ,
𝑞 , 22 =
(𝑣22 )(𝑞,21 ) 4
𝑣22 − 𝜇𝑞 , 21 ; 𝜇 = = −5
(𝑞, 21 )(𝑞, 21 )
2
5
𝑞 , 22 = 4
5
[ 1]
𝑞21 =
−2
5√5
1
𝑞 , 21 = [ 1 ]
‖𝑞, 21 ‖
5√5
0
𝑞22 =
2
15√5
1 4
𝑞 , 22 =
‖𝑞, 22 ‖ 15√5
1
[ 3√5 ]
Por tanto, una matriz de paso ortogonal es
𝑃 = (𝑞11 𝑞21 𝑞22 ) =

1 −2 2
−3 5√5 15√5
2 1 4
0 0 0
−3 5√5 5
√5 , 𝑃𝑡 𝐴𝑃 = [0 9 0].
2 1 0 0 9
[ 3 0 3√5 ]
𝟐 𝟎 𝟏 𝟎
𝟎 𝟐 𝟎 𝟏
𝑨=𝑨=( )
𝟏 𝟎 𝟐 𝟎
𝟎 𝟏 𝟎 𝟐
1. Demuestre que A es diagonalizable.
2. Sabiendo que los autovalores de A son 1 y 3, halle una matriz de paso ortogonal.
Solución 1. Como A es simétrica, el teorema espectral de matrices simétricas nos

dice que A es diagonalizable en R.
2. Sean λ1 = 1,λ2 = 3. No nos hace falta conocer la multiplicidad algebraica, pues

sabemos que coincide con la multiplicidad geométrica, que vamos a calcular a
continuación.
Para λ1, el espacio de autovectores es
𝟐 𝟎 𝟏 𝟎 𝒙𝟏
𝟎 𝟐 𝟎 𝟏 𝒙𝒛
𝑉1 (𝜆1 ) = 𝑛𝑢𝑙𝑙(𝐴 − 𝜆1 𝐼) ⇒ 𝑨 = ( )[ ] =
𝟏 𝟎 𝟐 𝟎 𝒙𝟑
𝟎 𝟏 𝟎 𝟐 𝒙𝟒
𝟎
𝟎
( ).
𝟎
𝟎
Para resolver este sistema lineal homogéneo, calculamos la forma

escalonada reducida por filas de la matriz de coeficientes:
Entonces
.
Ahora aplicamos Gram-Schmidt a este conjunto para transformarlo en un

conjunto ortonormal.
q ,
q v • q11′
,
,q
Para λ2, procedemos análogamente.
Observemos, como era de esperar, que V1(λ2) es un subespacio vectorial

ortogonal a V1(λ1), es decir, los vectores v1i son ortogonales a los vectores
v2j. De nuevo, aplicamos Gram-Schmidt a V1(λ2):
q ,
q ,
,q
Por tanto, la matriz P = q es una matriz ortogonal formada por

autovectores, por lo que t

EJERCICIO 6
Comprobar que la matrizes unitaria (or-
togonal) y obtener, basándose en ella, una matriz normal A que tenga por
autovalores 2 y 3i. Calcular la conmutatriz de A y comprobar que sus componentes
hermıticas conmutan.
Solucion:´
Por tanto, la matriz es unitaria.
Si A debe ser normal y ha de tener los autovalores 2 y 3i, tiene que ser
diagonalizable unitariamente y, la matriz diagonal tendrá a los autovalores en su
diagonal.
Hallemos, por ultimo, la conmutatriz de la matriz A.
Por tanto, C(A) = Θ.

EJERCICIO 7 Determine para que valores de a y b es diagonalizable la siguiente

matriz:
Solución Como es una matriz triangular, los autovalores son los elementos de la
diagonal, esto es, λ1 = 2, con multiplicidad algebraica m1 = 2, y λ1 = 1, con multiplicidad
algebraica m2 = 1. El carácter diagonalizable lo determina la multiplicidad geométrica
de λ1, pues la de λ2 sabemos que es 1.
y tenemos que discutir la dimensión del espacio de soluciones de (A−λ1I)x = 0, según

los parámetros a y b. La forma escalonada reducida por filas depende de dichos
parámetros.
Si a 6= 0, entonces
y el espacio de soluciones es
Por tanto, dimV1(λ1) = 1 < m1, y la matriz A no es diagonalizable.
Entonces dimV1(λ1) = 2, y la matriz A es diagonalizable.

1. Calcule un valor de k tal que la matriz A sea diagonalizable y justifique la elección.
2. Calcule un valor de k tal que la matriz A no sea diagonalizable y justifique la

elección.
Solución 1. Para k = 2, la matriz A es simétrica, por lo que es diagonalizable.
2. Para k = 0, la matriz A tiene como único autovalor λ1 = 0, de multiplicidad

algebraica igual a 4. En cambio, su
1 (multiplicidad geométrica es la dimensioń del espacio de autovecla matriz A

esta en forma escalonada y tiene tres pivotes). Por tanto, al no coincidir ambas
multiplicidades, torés null(A), que es igual a 4−rango(A) = 4−3 = la matriz A no
es diagonalizable.
EJERCICIO 9 Resuelva las siguientes ecuaciones de recurrencia:
1. an+2 = 5an+1 − 6an, a1 = 1, a0 = 0
2. an+2 = 6an+1 − 8an, a1 = 1, a0 = 0
3. an+3 = 5an+2 − 8an+1 + 4an, a2 = 3, a1 = 2, a0 = 1
4. an+3 = 3an+2 − 3an+1 + an, a2 = 3, a1 = 2, a0 = 1
Solución 1. La ecuación característica es z2 = 5z − 6, de raíces r1 = 3,r2 = 2, ambas

simples. Entonces buscamos una solución de la forma . Por las
condiciones iniciales, nos queda el sistema
f(0) =
0
α0 +
β0,
f(1) =
1
α03 +
β02,
cuya solución es α0 = 1,β0 = −1. Entonces f(n) = 3n − 2n.
2. La ecuación característica es z2 = 6z − 8, de raíces r1 = 2,r2 = 4, ambas simples.

La solución es de la forma . Las condiciones iniciales nos llevan
al sistema
f(0) =
0
=
α0 +
β0,
f(1) =
1
α02 +
β04,
cuya solución es α0 = −1/2,β0 = 1/2. Entonces .
3. La ecuación característica es z3 = 5z2 −8z+4, de raíces r1 = 1 (simple) y r2 = 2

(doble). Buscamos una solución de la forma . Las
condiciones iniciales nos dan
f(0) = 1 = α0 + β0,
f(1) = 2 = α0 + β02 + β12,
f(2) = 3 = α0 + β04 + β18,
de solución α0 = −1,β0 = 2,β1 = −1/2. Entonces .

EJERCICIO 10 Calcule el termino general de la ecuación de recurrencia
an − 5an−1 + 8an−2 − 4an−3 =

0,
con condiciones iniciales a2 = 3,a3 = 5,a5 = 7. Indicación: una raíz de la ecuación

característica es 1.
Solución La ecuación característica es λ3 − 5λ2 + 8λ − 4 = 0. Si una raíz es λ1 = 1,

dividimos el polinomio por λ − 1, y nos queda que λ3 − 5λ2 + 8λ − 4 = (λ − 1)(λ2 − 4λ +
4) = (λ − 1)(λ − 2)2. Luego λ2 = 2 es raíz doble. La solución del termino general de la
ecuación de recurrencia es entonces de la forma
Las condiciones iniciales nos indican que
n = 2, 3 = c1 + (c2 + 2c3)22,
n = 3, 5 = c1 + (c2 + 3c3)23,
n = 5, 7 = c1 + (c2 + 5c3)25.
El Sistema a resolver es
cuya solución es
EJERCICIO 11 Calcule una descomposición en valores singulares de la matriz
Deduzca, a partir de dicha descomposición, bases ortonormales de los espacios

Col(A),Col(At),null(A) y null(At).
Solución 1. Calculamos en primer lugar la matriz B = AtA, y sus autovalores:
,
autovalores λ1 = 90,λ2 = 0.
Por tanto, el rango de A es igual a 1.
2. Los valores singulares son σ1 = √λ1 = 3√10,σ2 = 0, y
3. Autovectores de λ1.
Necesitamos una base ortonormal del espacio de autovectores, por lo

que basta normalizar a w1:
v .
4. Autovectores de λ2.
De nuevo, basta normalizar para obtener una base ortonormal del espacio de
autovectores:
v .
5. Hemos construido la matriz
V = v1 v .
6. Como r = 1, calculamos
u .
7. Completamos {u1} a una base ortonormal de R3. Para ello, obtenemos una base
de hu1i⊥:
,
EJERCICIO 12 Calcule la descomposición en valores singulares

de la matriz
y deduzca una base ortonormal de los espacios Col(A),null(A),Col(At),null(At).
Solución Describimos los pasos necesarios para el cálculo.
1. Autovalores de AtA.
det(B − λI) 2. = λ(λ − 85),λ1 = 85,λ2 = 0.

Valores singulares y matriz Σ.
σ1 = p⇒λ1
= √85, σ2 =
0
rango(A)
= r = 1.
3. Base ortonormal de autovectores de B.
λ1 = 85.
,
Espacio de autovectores
G-S
{w1} −−→ {v1},
v .
λ2 = 0.
Espacio de autovectores V1(λ2) = hw2 =

" 1 #i,
G-S
{w2} −−→ {v2},

v .
1. Matriz V .
V = v1 v
2. Vectores ui.
u .
3. Ampliación de {u1} a una base ortonormal de R2. Calculamos el complemento

ortogonal del subespacio hu1i.
4. Matriz U.
U = u1 u .
Bases ortonormales de Col(A),null(A),Col(At),null(At):
Col(A) = {u1},null(A) = {v2},Col(At) = {v1},null(At) =

{u2}.
1. Calcule la descomposición en valores singulares de A.
2. Calcule el número de condición con respecto a la norma 2 de AtA
Solución 1. La matriz
tiene como autovalores λ1 = 30,λ2 = 0. Por tanto, σ1 = √30, y podemos construir
La construcción de la matriz V precisa de una base ortonormal de autovectores

de B.
Autovalor λ1.
En este caso basta normalizar para obtener el primer vector:
v .
Autovalor λ2.
.
De nuevo basta con normalizar el vector w2:
v .
Entonces V = v .
Para el cálculo de la matriz U, comenzamos con
u .
Ahora hay que ampliar u1 a una base ortonormal de R3. Para ello, obtenemos
una base del espacio hu1i⊥.
Ahora aplicamos Gram-Schmidt al conjunto {z1,z2} para conseguir los vectores

u2,u3:
q ,
,
λ
z
•
q .
Por ultimo,
u ,
y formamos U = u1 u2 u3 . La descomposición en valores singulares de A es
A = UΣV t.
2. La matriz B = AtA es singular, pues tiene el autovalor cero. Por tanto, no tiene
sentido calcular su número de condición.
EJERCICIO 14 Calcule una matriz ortogonal P tal que PtAP es diagonal, para
A partir de dicha descomposición, deduzca una descomposición en valores singulares

de A.
Solución Como A es simétrica, existe tal matriz P. Para calcularla, basta obtener una
base de autovectores ortonormalizados para cada autovalor. Los autovalores de la
matriz A son λ1 = 3,λ2 = 1, ambos con multiplicidad igual a dos.
Espacio de autovectores de λ1.
null (.
Como ya son ortogonales, basta normalizarlos para obtener
v ,
y {v1,v2} constituyen una base ortonormal de autovectores de λ1.
Espacio de autovectores de λ2.

0
−1
null (.
Como antes, ya estos generadores son ortogonales entre s´ı, y basta entonces
considerar
v ,
para tener {v3,v4} base de autovectores ortonormales de λ2.
Entonces la matriz P = v1 v2 v es la matriz buscada.
Si D = PtAP, con P ortogonal, entonces A = PDPt, y AtA = A2 = PD2Pt, con D =

diag(λ12,λ12,λ22,λ22). Los autovalores de AtA son λ21 (dos veces) y λ22 (dos veces), de
donde los valores singulares de A son σ1 = λ1,σ2 = λ1,σ3 = λ2 y σ4 = λ2. En
consecuencia, la expresión A = PDPt es una descomposición en valores singulares de
la matriz A.
EJERCICIO 15
𝟎 −𝟏
Sea la matriz 𝑨 = [ ], calcular los autovalores de A
𝟐 𝟑
SOLUCION
𝟎−𝝀 −𝟏
𝒑(𝝀) = 𝐝𝐞𝐭(𝑨 − 𝝀𝑰) = 𝒅𝒆𝒕 [ ] = (−𝝀)(𝟑 − 𝝀) + 𝟐 = (𝝀 − 𝟏)(𝝀 −
𝟐 𝟑−𝝀
𝟐),
Los autovalores de A son 𝝀𝟏 = 𝟏; 𝝀𝟐 = 𝟐;
Un auto vector de A asociado con 𝝀𝟏 = 𝟏; es una solución 𝒙 ≠ 𝟎 de

𝒙
(𝑨 − 𝟏. 𝑰)𝒙 = 𝟎, así que [𝟎] = [−𝟏 −𝟏] . [𝒙𝟏 ], por lo tanto 𝒙𝟐 = −𝒙𝟏 , esto
𝟎 𝟐 𝟐 𝟐
quiere decir que cualquier valor no nulo de x1, produce un autovector para
el autovalor 𝝀𝟏 = 𝟏, por ejemplo x1=1 tenemos el autovector (𝟏, −𝟏)𝒕
De manera análoga un auto vector de A asociado con 𝝀𝟏 = 𝟐; es una solución

𝟎 −𝟐 −𝟏 𝒙𝟏
𝒙 ≠ 𝟎 de (𝑨 − 𝟐. 𝑰)𝒙 = 𝟎, así que [ ] = [ ] . [𝒙 ], por lo tanto 𝒙𝟐 =
𝟎 𝟐 𝟐 𝟐
−𝟐𝒙𝟏 , esto quiere decir que cualquier valor no nulo de x1, produce un
autovector para el autovalor 𝝀𝟏 = 𝟏, por ejemplo x1=1 tenemos el
autovector (𝟏, −𝟐)𝒕
EJERCICIO 16
𝟏 𝟐 𝟏
Dada la matriz A determinar, 𝑨 = [𝟎 𝟏 𝟑]
𝟐 𝟏 𝟏
SOLUCION
Su ecuación característica y sus raíces
𝟏−𝝀 𝟐 𝟏
𝐝𝐞𝐭(𝑨 − 𝝀𝑰) = 𝒅𝒆𝒕 [ 𝟎 𝟏−𝝀 𝟑 ] = −𝝀𝟑 + 𝟑𝝀𝟐 + 𝟐𝝀 + 𝟖 = 𝟎,
𝟐 𝟏 𝟏−𝝀
𝟏 √𝟕 𝟏 √𝟕
Siendo sus raíces {𝟒; − 𝟐 + 𝟐 𝒊; − 𝟐 − 𝟐 𝒊} , esto lustra el hecho de que los
valores propios de una matriz real no son necesariamente números
reales. Debemos decir que la metodología anterior es la directa y es la
mejor cuando se trata de matrices pequeñas.
EJERCICIO 17 Obtenga la descomposición de Cholesky de las matrices siguientes

que sean definidas positivas, y diga que matrices no lo son y, por tanto, no podemos
descomponer usando el método de Cholesky.
Solución Recordemos que para calcular la factorización de Cholesky tenemos que

aplicar, en esencia, la eliminación gaussiana. Realizaremos los cálculos en coma
flotante para evitar expresiones demasiado complejas. Las matrices son simétricas. El
elemento A[1,1] es mayor que cero, por lo que podemos comenzar.
En la nueva matriz A1, el elemento de la posicion (1,1) es mayor que cero, y podemos
continuar.
El elemento de la posición (2,2) de la matriz A2 es mayor que cero.
.
El elemento A3[4,4] es mayor que cero, y podemos decir que A es simétrica definida
positiva. Ahora hay que dividir cada fila por la raíz cuadrada del término diagonal.
Procedemos de forma análoga con la matriz B. El elemento B11 es mayor que cero, y
empezamos el proceso.
El elemento B1[2,2] es mayor que cero.
El elemento B2[3,3] es mayor que cero, por lo que la matriz B es definida positiva.
Ahora dividimos cada fila por la ra´ız cuadrada del término diagonal:
Procedemos de forma análoga con la matriz C. El elemento C11 es mayor que

cero, y empezamos el proceso.
El elemento C1[1,1] es mayor que cero.
El elemento C2[3,3] es menor que cero, por lo que la matriz C no es definida positiva.
Para la matriz D, es simétrica. El proceso comienza con el elemento (1,1). Es

positivo, por lo que aplicamos la eliminación gaussiana a la primera columna.
El elemento (2,2) de esta matriz es negativo. Por tanto, la matriz original no es

definida positiva, y no existe la factorización de Cholesky.
EJERCICIO 18
t
R, entonces Pruebe que si A es simétrica definida positiva .An×n es una matriz real
para la que existe Rn×n triangular superior y no singular, con A = R
Solución Hay varias formas de demostrar el resultado. Consideremos la matriz

identidad In, que es simétrica definida positiva. La matriz R es no singular, por lo que
su rango es igual a n. Por un lema probado en teoría, la matriz RtIR es simétrica
definida positiva, que es lo que nos piden.
Otra forma es directamente. Sea B = RtR. Es claro que B es simétrica. Tomemos

entonces un vector v =6 0 y llamemos w = Rv. Por el carácter no singular de R, el
vector w =6 0. Entonces
vtBv = vtRtRw = wtw = Xwi2 > 0,
i=1
pues alguna componente del vector w es distinta de cero.

EJERCICIO 19 Calcule la factorización de Cholesky de la matriz
Solución Realizamos los pasos para la eliminación Gaussiana, y comprobamos el

carácter positivo de cada elemento diagonal.
El elemento 0, por lo que continuamos con el proceso.
El elemento 0, por lo que ya sabemos que la matriz A es

definida positiva. Para obtener la matriz R
de la factorización de Cholesky, multiplicamos la fila i-ésima de A2 por 1/pA2(i,i).
Entonces A = RtR es la factorización de Cholesky de la matriz A.

EJERCICIO 19
Calcule, si es posible, la factorización de Cholesky de la matriz
20 4 5
𝐴=(4 2 3)
5 3 5
Solución Consideremos las transformaciones elementales de la eliminación

Gaussiana aplicadas a la matriz A. El elemento (1,1) es positivo, y comenzamos.
El elemento (2,2) es positivo, y podemos continuar.
El elemento (3,3) es positivo
El elemento (4,4) también lo es, y concluimos que A es definida positiva. Pasamos a

calcular la matriz triangular superior R tal que RtR = A. Para ello, dividimos cada fila
de A3 por la raíz cuadrada del elemento (i,i) correspondiente.
Entonces
EJERCICIO 21
Obtenga los valores de α y β para los cuales la siguiente matriz es simétrica y

definida positiva. Calcule la descomposicioń de Cholesky en esos casos:
Solución Para el carácter simétrico es necesario que β = 1. Aplicamos el algoritmo

para encontrar la factorización de Cholesky, y de esa forma determinamos las
condiciones que debe tener el parámetro α.
La primera condición es que α > 0, pues es un elemento diagonal. Aplicamos la

eliminación de Gauss para obtener la factorización.
La condición ahora es que 2 − α1 > 0, es decir, . Continuamos la eliminación.
El elemento en la posicioń (3,3) tiene que ser positivo, por lo que
En conclusión, para que la matriz A sea definida positiva es necesario que α > 2/3. En
tal caso, la factorización de
Cholesky es igual a multiplicar la
matriz A2 por la matriz que
resulta
.
7. Bibliografía
NAGLE, R. K.; SAFF, E. B.: Fundamentos de Ecuaciones Diferenciales. Editorial Addison-
Wesley. Iberoamericana. España. 1992
LOPEZ L.; ACERO I. Ecuaciones diferenciales teoría y problemas. Editorial Tébar. España
2007
http://www.matematicaaplicada2.es/data/pdf/1355483599_1789516930.pdf

Autovalores y autovectores de matrices reales simétricas

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Autovalores y autovectores de matrices reales simétricas

Cargado por

Copyright:

Formatos disponibles

“AÑO DE LA UNIVERSALIZACION DE LA SALUD”

UNIVERSIDAD NACIONAL DE SN AGUSTIN

FACULTAD INGENIERIA DE PROCESOS

ESCUELA PROFECIONAL DE INGENIERIA METALURGICA

ASIGNATURA DE ECUACIONES DIFERENCIALES

TRABAJO DE ECUACIONES DIFERENCIALES

Auto - valores reales

1. CHARA ROQUE JUDITH YOLI

1.1. Definición y propiedades

2.1. Matrices diagonalizables.

3. Matrices simétricas reales.

3.1. Diagonalización. El teorema espectral

4. Aplicaciones del cálculo de auto valores y autovectores

4.1. Ecuaciones en diferencias.

1. CHARA ROQUE JUDITH YOLI

1.1. Definición y propiedades

Definición. Sea A una matriz cuadrada de orden m. Diremos que un escalar λ ∈ C es

(b) El concepto de autovalor y autovector no es exclusivo de los espacios de

1.2. La ecuación característica

Dada una matriz cuadrada A y un número λ0 ∈ C, son equivalentes:

Consideremos una transformación lineal T : Km −→ Km y la matriz A asociada (cuadrada,

Es decir, de la misma forma que A representa a T respecto a la base canónica, la matriz B =

2.1. Matrices diagonalizables

Definición. Se dice que una matriz A m × m es diagonalizable si existe alguna

2.2. Matrices no diagonalizables.

1) La proposición anterior no contradice lo visto hasta ahora para

2) Observe que según el teorema anterior los autovectores generalizados

3. Matrices simétricas reales.

3.1. Diagonalización. El teorema espectral

Q son un conjunto de autovectores de A que forman una Base Orto normal de

Cada matriz q kq T k es la matriz de la proyección ortogonal sobre la

A = λ1q1q T 1 + λ2q2q T 2 + · · · + λnqnq T n ,

que se llama descomposición espectral de A. Esta expresión nos da la matriz

A la hora de obtener una diagonalizacion ortogonal de una matriz simétrica real

1. Todos los autovalores de A son simples. En este caso, los autovectores

3. no ser una base ortogonal de dicha subespecie. Ortogonal izando primero y

4. Aplicaciones del cálculo de autovalores y autovectores

Vamos a considerar la relación del cálculo de autovalores y autovectores con los

4.1. Ecuaciones en diferencias.

Definición. Sea A una matriz cuadrada de orden m y sea u1, u2, . . .,

a partir de un vector inicial u0 ∈ R m. Una relación de recurrencia de esta

a. Si A es diagonalizable, A = P DP −1 (P matriz de paso de orden m cuyas

A n = P DnP − 1 y un = A nu0 = P DnP − 1u0, n = 1, 2, . ..

b. Si u0 es combinación lineal de autovectores de A

u0 = c1v1 + · · · + ckvk y Avj = λjvj , j = 1, . . . , k,

Observaciones. ¿Qué sucede si A no es diagonalizable y u0 no es combinación lineal de

a) Si v es un autovector generalizado de A asociado a un autovalor λ, para un

(A − λI)v 6 = 0, . . . , (A − λI)k − 1 v 6 = 0, (A − λI)k v = 0

Utilizando esto podemos determinar la solución (sucesión de vectores) del

ue es aplicable a la potencia de una suma de matrices si estas conmutan. Es

siendo A0 = B0 = I. Puesto que las matrices A−λI y λI conmutan, podemos

y aparecen (a lo sumo) k sumandos en el sumatorio, independientemente de lo grande

b) Si obtenemos una base {v1, . . ., vm} (de R m ´o C m) formada por

un = A nu0 = α1A n v1 + · · · + αmA n vm

c) Cálculo de An . A partir de una base formada por autovectores

d) Comportamiento asintótico de Anu0. Con este término se designa al

➢ ¿convergen a un cierto vector?

Si tenemos un vector u0 expresado como combinación lineal de autovectores y

la sucesión generada viene dada mediante

un = A nu0 = c1A n v1 + · · · + cmA n vm

con lo cual podemos reducir el estudio al comportamiento de las sucesiones An v

• Si |λ| < 1, tenemos que (λ n ) → 0 y (A n v) = (λ n v) → 0.