1 DIAGONALIZACIÓN

1.1 Conceptos previos

Para poder entender los contenidos de este tema, primero tendremos que familiarizarnos con
los conceptos que se explican a continuación.

Definición .1 Una matriz A 2 Mn (K) se dice que es diagonal si aij = 0 8i 6= j:

Definición .2 Dada A 2 Mn (K), se llama matriz característica de la matriz A, y la deno-

taremos R(A; ); a la siguiente matriz:
0 1
a11 a12 ::: a1n
B a21 a22 ::: a2n C
R(A; ) = A In = B
@ :::
C
:: ::: ::: A
an1 an2 ::: ann

Definición .3 Se llama polinomio característico de la matriz A, y lo denotaremos por dA ( );

al determinante de la matriz característica, es decir, dA ( ) = det(A In ):

Definición .4 Se denomina ecuación característica, a la ecuación dA ( ) = 0: Observar que

es una ecuación algebraica de grado n, y que según el teorema fundamental del álgebra, posee n
raíces complejas contadas cada una de ellas tantas veces como indique su multiplicidad.
0 1
1 1 1
Ejemplo 1.1 Dada la matriz A = @2 1 1 A ; tenemos que:
1 0 0
0 1
1 1 1
Su matriz característica es R(A; ) = A In = @ 2 1 1 A.
1 0

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

Su ecuación característica (3 )2 (4 )=0

Definición .5 Se dice que i 2 K es un autovalor o valor propio de la matriz A 2 Mn (K) si

es una solución de la ecuación característica, es decir, si dA ( i ) = 0:

Definición .6 Se llama espectro de una matriz A 2 Mn (K), y lo representaremos por (A);

al conjunto formado por todos los valores propios distintos de la matriz A.

(A) = f 1 ; :::; p 2 K : dA ( i ) = 0; i 2 f1; 2; :::; pgg

Observar que:

dA ( ) = ( 1)n ( 1)
1
( 2)
2
:::( p)
p
; donde 1 + 2 + ::: + p = n:

siendo la multiplicidad algebraica del autovalor i , que será denotada por M A( i ):

i
0 1
1 1 1
Ejemplo 1.3 Con la matriz A = @2 1 1 A ; observamos que:
1 0 0
p p
dA ( ) = 2)( + 2):
(
p p
(A) = f 1 = 0; 2 = 2; 3 = 2g; con M A( i ) = 1; i 2 f1; 2; 3g:
0 1
3 1 1
Ejemplo 1.4 Con la matriz B = @0 3 6 A ; observamos que:
0 0 4

dB ( ) = (3 )2 (4 ):

(B) = f 1 = 3; 2 = 4g; con M A( 1 ) = 2 y M A( 2 ) = 1:

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:

Definición .8 El subespacio solución aludido en la de…nición anterior se denomina subespacio

propio asociado al valor propio i y lo designaremos por N( i ) :
Definición .9 La dimensión del subespacio propio asociado al valor propio i se denomina
multiplicidad geométrica de i y la denotaremos como M G( i ):
Observar que
M G( i ) = dim N( i)
=n rang(A i In ):

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

Anteriormente, hemos calculado que (B) = f 1 = 3; 2 = 4g; con M A( 1 ) = 2 y M A( 2 ) = 1:

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.

1.2 Valores y vectores propios de un endomor…smo.

Definición .10 Sea E un espacio vectorial sobre un cuerpo K, y sea f un endomor…smo de
E. Se llaman valores propios de f a los valores propios de cualquiera de las matrices asociadas
a f , ya que todas tienen el mismo espectro. Si A es la matriz asociada a f en una base B,
entonces A In es la matriz asociada al endomor…smo f idE en la base B, siendo idE el
endomor…smo identidad en E.

Si u 2 E, es una solución del sistema (A In )X = 0; entonces u 2 Ker(f idE ) por lo que

(f In )(u) = 0, y por tanto, f (u) = u:

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:

Definición .12 Se llama espectro de f; y se representa (f ); al espectro de una cualquiera de

sus matrices asociadas.

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

1. Dos autovalores distintos no tienen ningún vector propio común, es decir, si i 6= j =)

N i \ N j = f0g:

2. Vectores propios asociados a valores propios distintos son linealmente independientes.

3. Si i es un valor propio, entonces M G( i ) 1:

4. Si i es un valor propio, entonces M G( i ) M A( i ): Cuando M G( i ) = M A( i ) se dirá

que el autovalor es regular.

1.3 Endomor…smos diagonalizables.

Definición .13 Un endomor…smo f : E ! E se dirá diagonalizable si existe en E una base
de manera que la matriz asociada a f en dicha base sea diagonal. Esto es lo mismo que decir
que existe en E una base formada por vectores propios de f:

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.

Teorema 1.3 (Teorema de caracterización) Sea E un e.v. sobre K de dimensión n, y

sea f : E ! E un endomor…smo. El endomor…smo f es diagonalizable () (f ) K, y
8 i 2 (f ); M A( i ) = M G( i ):

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:

Ejercicio 4 Estudiar si pueden diagonalizarse las matrices del ejercicio 1.

0 1
1 2 0
Solution 1.4 a) A = @ 1 3 1A. Sabemos que (A) = f 1 = 2 ( 1 = 2); 2 =1( 2 = 1)g:
0 1 1
Analizamos la regularidad de los autovalores. Sólo tenemos que ver este hecho en los autovalores
múltiples, ya que los simples son siempre
0 regulares. 1
1 2 0
M G(2) = 3 rang(A 2I) = 3 rang @ 1 1 1 A = 1; por lo que concluimos que A no es
0 1 1
diagonalizable.
0 1
1 1 1 1
B1 1 1 1C
b) B = B @1
C : Sabemos que (B) = f 1 = 2 ( 1 = 3); 2 = 2 ( 2 = 1)g:
1 1 1A
1 1 1 1
Siguiendo el razonamiento anterior, tenemos:
0 1
1 1 1 1
B1 1 1 1C
M G(2) = 4 rang(B 2I) = 4 rang B @1
C = 3 = M A(2); lo que implica
1 1 1A
1 1 1 1
que la matriz es diagonalizable.

Ejercicio 5 Indicar para qué valores de a; b 2 R, son diagonalizables los endomor…smos de

R3 que, respecto de la base canónica, tienen asociada la matriz que sigue:
0 1
a b 0
A = @0 1 0A
0 0 1

Solution 1.5 - Caso 1: 8a 2 R f 1; 1g y 8b 2 R; (A) = fa; 1; 1g: Todos los autovalores

son simples, luego el endomor…smo sería diagonalizable.
- Caso 2: Si a = 1; (A) = f 1 = 1 ( 1 = 2); 2 = 1 ( 2 = 1)g: M G(1) = 2 8b 2 R:
- Caso 3: Si a = 1; (A) = f 1 = 1 ( 1 = 1); 2 = 1 ( 2 = 2)g: Si b = 0 =) M G( 1) = 2:
Si b 6= 0 =) M G( 1) = 1:
En resumen, todos los endomor…smos son diagonalizables excepto cuando a = 1 y b 6= 0:

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

Solution 1.6 a) (A) = f 1 =p3 ( 1 = 2); 2p= 1 ( 2 = 1)g.

b) (B) = f 1 = 1; 2 = 2 + 2 2; 3 = 2 2 2g.

c) (C) = f 1 =1( 1 = 2); 2 =0( 2 = 2)g.

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

Solution 1.7 (B) = fb; 1; 2g

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

Solution 1.8 a) (A) = f 1 = 1 ( 1 = 3)g con M G(1) 6= 3 8 2 R =) A no se podrá

diagonalizar en ningún caso.
b) (B) = f 1 = 1 ( 1 = 2); 2 = 1 ( 2 = 1)g con M G(1) = 21 sisi a=0 a6=0
: Por lo tanto, sólo se
podrá diagonalizar la matriz con a = 0:
c) dC ( ) = (2a + 4 )(4 a )(4 a2 ) con lo que se tiene que:
8
>
> f 1 = 4 ( 1 = 3)g si a = 0.
<
f 1 = 6 ( 1 = 1); 2 = 3 ( 2 = 2)g si a = 1.
(A) =
>
> f 1 = 6 ( 1 = 1); 2 = 0 ( 2 = 2)g si a = 2.
:
f 1 = 2a + 4, 2 = 4 a; 3 = 4 a2 g si a 2 R f 2; 0; 1g.

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

d) dC ( ) = (2 )2 (3 )2 : No se puede diagonalizar para ningún valor de a.

Ejercicio 9 Sea f el endomor…smo de R4 de…nido por f (x; y; z; t) = (x; 2x; x; x + ay): Hallar
a 2 R para que f sea diagonalizable y, en tal caso, localizar una base de R4 en la que f tenga
una matriz asociada diagonal.
0 1
1 0 0 0
B2 0 0 0 C
Solution 1.9 M (f ; CR4 ) = B C
@1 0 0 0A =) dA ( ) = (1 )( )3 : Luego f es diagonal-
1 a 0 0
izable , a = 0:
Ejercicio 10 Sea f un endomor…smo de R3 que admite por vectores propios a (0; 1; 2);
(1; 0; 4) y (1; 0; 2): Sabiendo que f (0; 1; 0) = (2; 1; 2) hallar los autovalores de f:
Solution 1.10 (f ) = f 1 = 1; 2 = 4; 3 = 2g:
Ejercicio 11 Consideremos el espacio vectorial de R3 ; su base canónica CR3 = fe1 ; e2 ; e3 g y
f un endomor…smo de R3 . Determinar M (f; CR3 ), sabiendo que cumple las siguientes condi-
ciones.
1. f (e1 ) = 3e1 + 2e2 + 2e3 ; f (e2 ) = 2e1 + 2e2 ; f (e3 ) = 2e1 + 4e3 :
2. M (f; CR3 ) es simétrica.
3. v = 2e1 2e2 e3 es un autovector de f:
0 1
3 2 2
Solution 1.11 M (f; CR3 ) = @2 2 0A
2 0 4
0 1
0 i 0 0
Bi 0 0 0C
Ejercicio 12 Dada la matriz A = B @0 0
C encontrar una matriz semejante diagonal
0 iA
0 0 i 0
y calcular la matriz de paso.

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:

Ejercicio 13 Se considera la familia de endomor…smos f : R3 ! R3 tales que:

f (x; y; z) = ((2 1)x + (2 2)z; x + y + 2z; ( + 1)x + ( + 2)z); 8 2 R

1. Determinar A = M (f ; B0 ); siendo B0 la base canónica del espacio.

2. Escribir el espectro de f en función de :
3. Indicar, razonando a partir del espectro de f ; cuales son los valores de que hacen que
f no sea automor…smo.
4. Discutir la diagonalizabilidad de f en función de :
5. Escribe una base de E de vectores propios de f cuando proceda.
6. Escribir las matrices J = M (f; Bp ), donde Bp es la base del apartado anterior, y P , la
matriz de paso correspondiente. Expresar también una relación entre A; J y P:

Ejercicio 14 Sea E = R2 [x] el espacio vectorial de los polinomios en x de grado menor o

igual que 2, y coe…cientes en R; y f la familia de endomor…smos de E de…nidos por:

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

1. Determinar la matriz A = M (f ; B0 ); donde B0 = f1; x; x2 g:

2. Escribir el espectro de f en función de los valores de :
3. Discutir la diagonalizabilidad de f en función de :
4. En el caso = 1; encontrar una base de E de vectores propios de f :
5. En el caso = 1; escribir las matrices J = M (f; Bp ); donde Bp es la base señalada en el
apartado anterior, y P la matriz de paso correspondiente.
6. En el caso = 1; escribir una relación entre las matrices A; J y P:

Ejercicio 15 Dada la familia de endomor…smos f : R3 ! R3 ; 8 2 R; tales que:

f (1; 1; 1) = ( + 2; + 1; 2)
f (0; 1; 1) = ( + 1; + 1; 3)
f (1; 0; 1) = (2; 0; 2)

Contestar razonadamente a las siguientes cuestiones:

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 :

3. Estudiar la diagonalizabilidad de f en función de los valores de :

4. Para = 0; encontrar una base de vectores propios Bp y escribir M (f ; Bp ); la matriz de

paso y la relación de semejanza correspondiente.

1.5 Aplicación a los sistemas dinámicos discretos.

Un sistema dinámico es aquel que evoluciona a lo largo del tiempo. Vamos a estudiar el caso
en el que esta evolución viene descrita por una expresión de la forma Axp = xp+1 ; donde xp es
un vector columna que pertenece a Rn y A es una matriz cuadrada de orden n con elementos
reales.
Como Ax0 = x1 y Ax1 = x2 ; entonces A2 x0 = x2 : Siguiendo este razonamiento, se aprecia que
en un sistema de este tipo ocurrirá que

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

Multiplicando en ambos miembros de la ecuación por la matriz A, y teniendo en cuenta que se

trata de vectores propios (Avi = i vi ), se tiene:

x1 = Ax0 = 1 Av1 + 2 Av2 + ::: + n Avn

= 1 1 v1 + 2 2 v2 + ::: + n n vn

Si multiplicamos de nuevo por A; tenemos:

x2 = A2 x0 = 2
1 ( 1 ) v1 + 2( 2)
2
v2 + ::: + 2
n ( n ) vn

Procediendo de este modo de forma sucesiva, se tiene:

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?

Solution 1.13 Sea xn el número de votantes de la opción A en la n-ésima votación, yn el

número de votantes de la opción B en la n-ésima votación y zn el número de abstenciones en
la n-ésima votación. Se tiene que.

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

Si N es el número de personas en el censo, x0 = 0:6N; y0 = 0:3N; z0 = 0:1N; con lo que en la

convocatoria de 2022 ocurriría que seguiría gobernando la opción A ya que
0 22 1
0 10 1 50
N
3=5 1=5 1=5 0:6N B 18 C
@1=5 3=5 3=5A @0:3N A = B 50 N C
@ A
1=5 1=5 1=5 0:1N 10
N
50

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

fv1 = (0:5488; 0:7683; 0:3293); v2 = ( 0:7071; 0:7071; 0);

v3 = (0; 0:7071; 0:7071)g

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