Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 1 1
2
Su polinomio característico es dA ( ) = jA In j = 2 1 1 = ( 2):
1 0
( 2
Su ecuación característica 2) = 0
0 1
3 1 1
@
Ejemplo 1.2 Dada la matriz B = 0 3 6 A ; tenemos que:
0 0 4
0 1
3 1 1
Su matriz característica es R(B; ) = B In = @ 0 3 6 A:
0 0 4
1
3 1 1
Su polinomio característico es dB ( ) = jB In j = 0 3 6 = (3 )2 (4 ):
0 0 4
Observar que:
dA ( ) = ( 1)n ( 1)
1
( 2)
2
:::( p)
p
; donde 1 + 2 + ::: + p = n:
dB ( ) = (3 )2 (4 ):
Ejercicio 1 Determinar el espectro de cada una de las siguientes matrices indicando la mul-
tiplicidad algebraica de cada autovalor: 0 1
0 1 1 1 1 1
1 2 0 B1 1 1 1C
a) A = @ 1 3 1A. b) B = B@1
C.
1 1 1A
0 1 1
1 1 1 1
2
1 2 0 1 2 0 1 2 0
Solution 1.1 a) dA ( ) = 1 3 1 = 0 3 1 = 0 3 1 =
0 1 1 1 1 1 0 1 1
3 1
::: = (1 ) = (1 )(2 )2 :
1 1
Por lo que (A) = f 1 =2( 1 = 2); 2 =1( 2 = 1)g:
1 1 1 1 2 2 0 0
1 1 1 1 1 1 1 1
b) dB ( ) = = =
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1
2 0 0 0
1 1
1 1 1
::: = = (2 ) 2 1 1 =
1 2 1 1
2 1 1
1 2 1 1
1 1
2
::: = (2 ) 2+ 2 0 = (2 )2 ( 4):
2 1 1
Por lo que (B) = f 1 =2( 1 = 3); 2 = 2( 2 = 1)g:
1. Si A y B son dos matrices semejantes =) (A) = (B):
2. 0 2 (A) () A es una matriz singular.
2
3. Si 2 (A) =) 2 (A2 ):
1
4. Si A es regular y 2 (A) =) 2 (A 1 ):
Definición .7 Sean A 2 Mn (K) y i 2 (A): Un vector v 2 Kn ; v 6= 0; se dice que es
un vector propio asociado al valor propio i si v pertenece al subespacio solución del sistema
homogéneo (A i In )X = 0:
Ejemplo 1.5 Vamos a determinar los subespacios propios asociados a los valores propios de
la matriz 0 1
1 1 1
A = @2 1 1 A:
1 0 0
p p
Anteriormente calculamos que (A) = f 1 = 0; 2 = 2; 3 = 2g; con M A( i ) = 1;
i 2 f1; 2; 3g:
3
Para = 0 tenemos:
1 0 10 1 0 1
1 1 1 x 0
(A I
1 3 ) X = @ 2 1 1 A @y A = @0A y por tanto N( 1) = L (f(0; 1; 1)g) :
1 0 0 z 0
p
Para 2 = 2 tenemos:
0 p 10 1 0 1
1 2 1p 1 x 0 p p
(A 2 I3 ) X = @ 2 1 2 1 A @ y A @
= 0A, N( 2) = L f( 2; 3 2; 1)g :
p
1 0 2 z 0
Para 3 = 2 tenemos:
0 p 10 1 0 1
1+ 2 1p 1 x 0 p p
(A 3 I3 ) X =
@ 2 1 + 2 p1 A @y A = @0A ; N( 3) = L f( 2; 3 + 2; 1)g :
1 0 2 z 0
Ejemplo 1.6 Vamos a determinar los subespacios propios asociados a los valores propios de
la matriz 0 1
3 1 1
@
B= 0 3 6 A:
0 0 4
Para 1 = 3 tenemos:
0 10 1 0 1
0 1 1 x 0
(B 1 I3 ) X =
@ 0 0 6 A @ y = 0A siendo N(
A @ 1) = L (f(1; 0; 0)g) :
0 0 1 z 0
Para 2 = 4 tenemos:
0 10 1 0 1
1 1 1 x 0
(B 2 I3 ) X =
@ 0 1 6 A @ y = 0A siendo N(
A @ 2) = L (f( 7; 6; 1)g) :
0 0 0 z 0
Ejercicio 2 Calcular los subespacios propios asociados a los valores propios para cada una de
las matrices del ejercicio 1, indicando la multiplicidad geométrica en cada caso.
4
Definición .11 Un vector propio u asociado a un valor propio de un endomor…smo, es un
vector no nulo con la propiedad de que su imagen es proporcional a él mismo, es decir,
f (u) = u:
Ejercicio 3 Sea f el endomor…smo de R3 que admite los autovalores 1; 2 y 1, y que tiene por
vectores propios correspondientes a dichos autovalores a los vectores (1; 1; 1), (0; 1; 2) y (1; 2; 1)
respectivamente. Obtener la matriz asociada a f respecto de la base canónica de R3 :
0 10 10 1 1 0 1
1 0 1 1 0 0 1 0 1 2 2 1
@
Solution 1.2 M (f; CR3 ) = 1 1 2 A @0 2 0 A @ 1 1 2A @
= 3=2 3 5=2A :
1 2 1 0 0 1 0 2 3 0 2 3
Definición .14 Una matriz se dice diagonalizable cuando existe una matriz semejante a ella
que es diagonal.
Los teoremas que siguen, caracterizan a los endomor…smos diagonalizables y a las matrices
diagonalizables.
Nota: El teorema anterior se podría enunciar diciendo que una matriz A 2 Mn (K) es diago-
nalizable si y sólo si todos sus valores propios están en K y son regulares.
Corolario 1 Si todos los valores propios de un endomor…smo son simples, entonces el endo-
mor…smo es diagonalizable.
5
0 1
1 1 1
Ejemplo 1.7 La matriz A = @2 1 1 A es diagonalizable porque tiene todos los autoval-
1 0 0
ores simples.
0 1
3 1 1
Ejemplo 1.8 La matriz B = @0 3 6 A no es diagonalizable porque tiene un valor propio
0 0 4
( 1 = 3) que no es regular. Observar que M G(3) = 1 y M A(3) = 2:
6
1.4 Ejercicios propuestos.
Ejercicio 6 Determinar el espectro de cada una de las siguientes matrices indicando la mul-
tiplicidad algebraica de cada autovalor: 0 1
0 1 0 1 0 0 0 0
5 0 4 1 2 3 B1 1 0 0C
@
a) A = 0 3 0 A @
b) B = 6 0 4A c) C = B@0 0 1 0A
C
2 0 1 0 2 4
0 0 0 0
Ejercicio 7 Determinar, según los valores de a ; b 2 R; los subespacios propios del endomor-
…smo de R3 que, respecto de la base canónica, tiene asociada la matriz que sigue, e indicar
cuando es diagonalizable. 0 1
b a 0
B = @0 1 1A
0 0 2
Ejercicio 8 Estudiar, según los distintos valores de a, si las siguientes matrices son diago-
nalizables. Para los valores de a que las hacen diagonalizables, hallar sus formas diagonales y
las matrices
0 de paso correspondientes.
1 0 1
1 2 2 a 1+a a a
a) A = @0 1 a A b) B = @a + 2 a a 1A
0 0 1 2 1 0
0 1
0 2
1 a+3 a 0 0
2a + 4 1 a 2a a B a a+3 0 0 C
c) C = @ 0 4 a 0 A d) D = B @ a
C
2 a 1 1 + a a 1A
0 0 4 a
a 1 a 1 a 3 a
7
Discutimos ahora cuándo será diagonalizable:
Valores de a Discusión
0 1 Resultado
0 1 0
a=0 M G(4) = 3 rang @0 0 0A = 2 6= 3 = M A(4) No diagonalizable
0 0 0 1
0
3 0 3
a=1 M G(3) = 3 rang @0 0 0 A = 2 = M A(3) Diagonalizable
00 0 01
0 3 0
a= 2 M G(0) = 3 rang @0 6 0A = 2 = M A(0) Diagonalizable
0 0 0
a 2 R f 2; 0; 1g Todos los autovalores son simples, y por tanto regulares Diagonalizable
8
Solution 1.12 (A) = f 1 = 1 ( 1 = 2); 2 = 1( 2 = 2)g: Además, N 1 = Lf(1; i; 0; 0); (0; 0; 1; i)g
y N 2 = Lf(1; i; 0; 0); (0; 0; 1; i)g:
f (a0 +a1 x+a2 x2 ) = (2a0 a1 +3a2 )+( a1 +(4 )a2 )x+ (a1 a2 )x2 ; 8a0 +a1 x+a2 x2 2 E; 8 2 R
f (1; 1; 1) = ( + 2; + 1; 2)
f (0; 1; 1) = ( + 1; + 1; 3)
f (1; 0; 1) = (2; 0; 2)
1. Dadas las bases B0 = f(1; 0; 0); (0; 1; 0); (0; 0; 1)g y B1 = f(1; 1; 1); (0; 1; 1); (1; 0; 1)g de
R3 ; hallar las matrices A = M (f ; B0 ), B = M (f ; B1 ; B0 ) y C = M (f ; B1 ): Escribir y
nombrar las relaciones matriciales que existen entre las matrices A; B y C.
9
2. Determinar el espectro de f en función de los valores de :
Ak x0 = xk :
Si la matriz A es diagonalizable, existirá una base de Rn formada por vectores propios fv1 ; v2 ; :::; vn g
que estarán asociados respectivamente a los valores propios 1 ; 2 ; :::; n:
En lo que sigue, supondremos que los valores propios están ordenados de manera que j 1 j
j 2j ::: j n j: Cualquier vector columna x0 2 Rn (x0 representará la solución inicial del
sistema) podrá ponerse como combinación lineal de los vectores de la base (los vectores vi
representan vectores columna), es decir:
x0 = 1 v1 + 2 v2 + ::: + n vn
x2 = A2 x0 = 2
1 ( 1 ) v1 + 2( 2)
2
v2 + ::: + 2
n ( n ) vn
xk = A k x 0 = 1( 1)
k
v1 + k
2 ( 2 ) v2 + ::: + k
n ( n ) vn
A partir de aquí, puede estudiarse lo que sucede cuando k ! 1: Observar que cuando un valor
propio i sea menor que 1 en valor absoluto, ( i )k tenderá a 0 cuando k tienda a 1; con lo que
en el límite en xk sólo in‡uirán los autovalores que sean mayores que 1 en valor absoluto.
Ejemplo 1.9 En las elecciones legislativas de un país democrático, sólo hay 3 opciones de
voto que son: votar al partido A, al partido B o abstenerse. Los hábitos de los votantes son los
siguientes:
10
1. Las tres quintas partes de los que votaron una opción concreta en las elecciones anteriores
seguirán votando la misma, una quinta parte cambiará de opción y el resto se abstendrá.
2. De los que se abstuvieron en las elecciones anteriores, una quinta parte votará a la opción
A, tres quintas partes la B y el resto seguirá absteniéndose.
Suponiendo el censo constante, calcular:
a) Si en las elecciones de 2018 la opción A tuvo el 60% de los votos y la B el 30%, sabiendo
que las elecciones son cada 4 años, ¿Cuándo gobernará por primera vez la opción B?
b) Considerando que los hábitos de los votantes se conservan, ¿cuál será el porcentaje de
votantes de cada partido después de muchas elecciones?
xn+1 = 35 xn + 15 yn + 51 zn
yn+1 = 15 xn + 35 yn + 53 zn o bien
zn+1 = 15 xn + 15 yn + 15 zn
0 10 1 0 1
3=5 1=5 1=5 xn xn+1
A = @1=5 3=5 3=5A @ yn A = @ yn+1 A
1=5 1=5 1=5 zn zn+1
En la convocatoria siguiente:
0 22 1 0 94 1
0 1 50 N 250
N
3=5 1=5 1=5 B C B C
@1=5 3=5 3=5A B 18 N C B 106 N C
@ 50 A = @ 250 A
1=5 1=5 1=5 10
N 50
N
50 250
94
Como 250 N < 106
250
N; en 2026 gobernaría la opción B, y esta opción seguiría gobernando en
futuras elecciones a no ser que cambiara el comportamiento de los votantes, como vamos a ver
a continuacíón.
A es una matriz diagonalizable, pues sus valores propios son 1 = 1; 2 = 0:4 y 3 = 0; teniendo
como base de autovectores a
11
Tenemos que:
0 1 0 1 0 1 0 1
xk 0:5488 0:7071 0
@ yk A = (1)k @0:7683A + (0:4)k @ 0:7071 A + (0)k @ 0:7071A
zk 0:3293 0 0:7071
Esta expresión indica que cuando k ! 1
0 1 0 1 0 1
x0 xk 0:5488
A k @ y0 A = @ yk A ! @0:7683A
z0 zk 0:3293
Ejemplo 1.10 Una agencia de transportes tiene la ‡ota de camiones distribuida entre Madrid,
Barcelona y Sevilla. De los camiones que hay al principio de cada mes en Madrid, la mitad
vuelve a Madrid al …nal de mes, la cuarta parte a Sevilla, y el resto a Barcelona. De los que
al principio están en Barcelona, a …n de mes la mitad va a Madrid, la cuarta parte a Sevilla y
el resto vuelve a Barcelona. Análogamente de los que hay en Sevilla, la tercera parte vuelve a
Sevilla y el resto a Barcelona. Calcular el porcentaje de camiones que hay al cabo de un tiempo
in…nito en cada ciudad.
Solution 1.14 Para conocer cuál es el comportamiento 0 del sistema dinámico
1 a lo largo del
1=2 1=2 0
tiempo, comprobamos que su matriz de coe…cientes A = @1=4 1=4 2=3A es diagonalizable.
1=4 1=4 1=3
Sus valores propios son 1 = 1; 2 = 1=12 y 3 = 0; y la base de autovectores es:
fv1 = (0:6247; 0:6247; 0:4685); v2 = (0:7620; 0:6350; 0:1270);
v3 = (0:7071; 0:7071; 0)g
Tenemos que:
0 1 0 1 0 1
xk 0:6247 0:7620
@ yk A = (1)k @0:6247A + (1=12)k @ 0:6350A
zk 0:4685 0:1270
0 1
0:7071
k@
+ (0) 0:7071A
0
Esta expresión indica que cuando k ! 1
0 1 0 1 0 1
x0 xk 0:6247
k@ A
A y0 = yk A !
@ @0:6247A
z0 zk 0:4685
El porcentaje de camiones en Madrid y Barcelona es al cabo del tiempo del 36%, y en Sevilla
del 27%.
Observar que
0:6247 0:4685
= 0:36 y = 0:27
2 0:6247 + 0:4685 2 0:6247 + 0:4685
12