Beruflich Dokumente
Kultur Dokumente
5.2.- Diagonalizacion.
Matrices diagonalizables.
Matrices no diagonalizables.
Forma canonica de Jordan y matriz exponencial.
5.4.- Ejercicios.
A lo largo de todo el tema trataremos esencialmente con matrices cuadradas reales (aun-
que muchos de los resultados que veamos tambien seran validos para el caso de matrices cua-
dradas complejas). De todos modos, aun trabajando con matrices reales, sera imprescindible
hacer referencia a los numeros (y a los vectores) complejos. La razon es que necesitaremos
considerar las races de un polinomio con coeficientes reales (si la matriz es real) y estas
pueden ser complejas con parte imaginaria no nula.
Una matriz A cuadrada m m define una transformacion lineal sobre Km ,
x Km y = Ax Km .
Aunque la matriz sea real, cuando algunas de las races del llamado polinomio caracterstico
de A (que sera un polinomio real) sean numeros complejos, con parte imaginaria no nula,
sera conveniente referirnos a la transformacion definida por A sobre el espacio complejo Cm .
En estos casos, tendremos que considerar para vectores complejos todos los aspectos lineales
que hemos considerado en el tema 4: combinaciones lineales, dependencia/independencia
lineal, subespacios vectoriales de Cm , dimension, espacios nulo y columna, etc.
La transformacion de vectores que efectua la matriz A puede ser mas o menos sencilla
de describir dependiendo del vector (o de la direccion) sobre la que se efectue. El problema
fundamental que se aborda es el de la determinacion de las llamadas direcciones principales:
direcciones sobre las que la matriz A actua como la multiplicacion por un numero. Calculemos
para algunos ejemplos geometricos en el plano y en el espacio, los vectores sobre los cuales
la transformacion asociada a una matriz actua simplemente multiplicando por un numero.
1
2 Leccion 5.- Autovalores y autovectores.
Ejemplos.
0 2 1
6 7 6 7
A 4 v1 v2 v3 5 = 4 Av1 Av2 Av3 5
6 7
P = 4 v1 v2 v3 5
tiene inversa (por ser sus columnas linealmente independientes), podemos despejar la
2
5.1.- Autovalores y autovectores. 3
matriz A,
2 32 31
6 76 7
A = 4 Av1 Av2 Av3 54 v1 v2 v3 5 =
2 3 2 3 2 3
3 1 0 6 5 3 20 12 4
6 7 1 6 7 1 6 7
= 4 2 0 0 5 4
28
2 3 13 5 = 28 4
12 10 6 5 .
0 2 0 4 6 2 4 6 26
(3) Si A es una matriz diagonal con elementos diagonales d1 , d2, . . . , dm , es claro que para
los vectores canonicos e1 , e2 , . . . , em se verifica Aek = dk ek .
(4) Si tomamos dos vectores {v1 , v2 } linealmente independientes del plano, cualquier trans-
formacion lineal T : R2 R2 queda determinada si conocemos como actua sobre
estos vectores. Si A es la matriz asociada a T respecto a la base canonica, podemos
determinar dicha matriz a partir de Av1 y Av2 (si conocemos las coordenadas de los
vectores v1 , v2 , Av1 y Av2 respecto a la base canonica). Si tomamos por ejemplo los
vectores
1 2
v1 = , v2 = , T (v1 ) = Av1 = 3v1 , T (v2 ) = Av2 = 2v2
2 1
(con lo cual tenemos una situacion en la que conocemos las direcciones sobre las cuales
la transformacion actua multiplicando por un numero), es facil determinar la matriz A
teniendo en cuenta que, puesto que v1 y v2 son linealmente independientes, la matriz
cuyas columnas son v1 y v2 tiene inversa y
2 3 2 3 2 3 2 3
6 7 6 7 6 7 6 7 3 0
A 4 v1 v 2 5 = 4 3v1 2v 2 5 = A 4 v1 v 2 5 = 4 v1 v 2 5 =
0 2
2 3 2 31
6 7 3 0 6 7
= A = 4 v1 v2 5 4 v1 v2 5
0 2
y, por tanto, los vectores que se obtienen al aplicar sucesivamente la matriz A sobre
un vector dado
u, Au, A (Au) = A2 u, . . . , An u, . . .
3
4 Leccion 5.- Autovalores y autovectores.
Observaciones.
(a) Al hacer transformaciones fila (o columna) sobre una matriz A, los autovalores y los
autovectores de la matriz que se obtiene NO guardan relacion (en general) con los auto-
valores y autovectores de la matriz original. En general, tampoco es cierto que los auto-
valores 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 dimension finita. Por ejemplo, siendo V el espacio
vectorial de las funciones y : R R indefinidamente derivables y siendo T : V V
la aplicacion lineal y T (y) = y , se tiene que = 0 es un autovalor de T y todo
polinomio de primer grado es un autovector asociado. Por otra parte = 1 tambien es
autovalor y la funcion y(x) = ex es un autovector asociado.
4
5.1.- Autovalores y autovectores. 5
es un polinomio de grado m y, por tanto, tiene m races (contando cada una segun su
multiplicidad) que pueden ser reales o complejas no-reales (aun en el caso en que la matriz
A sea real).
El subespacio vectorial Nul [A 0 I] se denomina espacio propio asociado al autovalor
0 (notemos que en general estara compuesto por vectores complejos, los autovectores de A
asociados a 0 y el vector nulo),
(2) Consideremos la matriz asociada a un giro (en el plano) de centro el origen de coorde-
nadas y angulo [0, 2). En el caso = 0 se obtiene la identidad y en el caso =
la simetra respecto al origen de coordenadas. Si 6= 0, , al aplicar el giro sobre un
vector (real) distinto de cero se obtiene otro vector que en ningun caso sera un multi-
plo (real) del vector al que se aplica el giro. Esto quiere decir que la matriz del giro
no tiene ningun autovalor real (salvo en los casos = 0, ). Resolvamos la ecuacion
5
6 Leccion 5.- Autovalores y autovectores.
caracterstica
cos() sen()
G=
sen() cos()
cos() sen()
p() = det (G I) = =
sen() cos()
6
5.1.- Autovalores y autovectores. 7
= (1)m ( 1 ) ( m )
(b) La traza de A (la suma de los elementos diagonales de A) es igual a la suma de sus
autovalores (apareciendo cada uno, en dicha suma, tantas veces como indique su multi-
plicidad como raz del polinomio caracterstico)
Demostracion.- En el caso de tener un solo autovector (p = 1) no hay nada que discutir. Supon-
gamos que p 2 y que los vectores v1 , . . . , vp son linealmente dependientes, entonces para un cierto
ndice k tendremos que {v1 , . . . , vk } son linealmente independientes y vk+1 es combinacion lineal
de ellos. Entonces, tendremos unos coeficientes 1 , . . . , k C tales que
vk+1 = 1 v1 + 2 v2 + + k vk . ()
7
8 Leccion 5.- Autovalores y autovectores.
El siguente resultado tiene un caracer esencialmente teorico aunque puede utilizarse para
obtener algunas matrices relacionadas con una matriz A. No estamos en condiciones de dar la
demostracion en el caso general. Mas adelante veremos la demostracion en un caso especial.
Es decir, si una matriz A de orden 3 tiene como polinomio caracterstico, por ejemplo
p() = 3 + 22 5 + 7,
entonces la matriz verifica que
p(A) = 0 A3 + 2A2 5A + 7I = 0.
En este caso, puesto que el termino independiente es no-nulo, de la anterior ecuacion podemos
despejar A1 en funcion de potencias de A con exponente no-negativo. Ejercicio.- Hazlo.
5.2.- Diagonalizacion.
Consideremos una transformacion lineal T : Km Km y la matriz A asociada (cuadra-
da, mm) respecto de la base canonica C de Km . Es decir, siendo x las coordenadas cannicas
de un vector v y siendo y las coordenadas canonicas 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 transformacion lineal T se puede expresar, en
coordenadas respecto a B mediante
y = Ax P y = AP x y = P 1 AP x .
Es decir, de la misma forma que A representa a T respecto a la base canonica, la matriz
B = P 1 AP tambien representa a T , pero respecto a la base B. Cuando dos matrices A y
B (cuadradas del mismo orden) estan relacionadas mediante la igualdad B = P 1 AP 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 transformaion lineal respecto de bases distintas.
En este apartado vamos a considerar el problema de intentar determinar una matriz P
para la cual B = P 1 AP sea una matriz lo mas sencilla posible (que permita describir la
transformacion T asociada de la forma mas simple). La forma mas simple que se puede
plantear es el de una matriz diagonal. Para algunas matrices A sera posible obtener una
matriz diagonal y para otras no.
8
5.2.- Diagonalizacion. 9
0 0 . . . dm
Cuando sea posible, para construir una diagonalizacion de A bastara con obtener m
autovectores linealmente independientes. La matriz P de orden m que tenga a dichos auto-
vectores linealmente independientes como columnas (en un cierto orden) sera no-singular y
verificara AP = P D siendo D la matriz diagonal cuyos elementos diagonales son los auto-
valores (en el mismo orden en el que hayamos puesto los autovectores en la matriz P ). Por
tanto tenemos una diagonalizacion de A.
9
10 Leccion 5.- Autovalores y autovectores.
q(A) = ck Ak + + c1 A + c0 I.
Ak = P D k P 1 , A I = P (D I)P 1 , AT = (P T )1 D(P T ), A1 = P D 1 P 1 .
Para que una matriz sea diagonalizable no es imprescindible que todos sus autovalores
sean simples. Por ejemplo = 1 es un autovalor doble de la matriz
2 3
2 1 0
6 7
A=4 1 2 0 5
0 0 1
10
5.2.- Diagonalizacion. 11
Lo unico que se puede afirmar en general sobre la relacion entre las multiplicidades
algebraica y geometrica de un autovalor de una matriz viene dado por el siguiente resultado.
ma () = mg ().
En ese caso, si 1 , . . . , p son (todos) los autovalores distintos de A y tenemos una base Bk de
cada uno de los subespacios Nul [A k I] (es decir, tenemos tantos autovectores linealmente
independientes asociados a k como indica su multiplicidad algebraica), entonces
B = B1 Bp
es una base de Rm o de Cm .
Por tanto:
Para determinar si una matriz es diagonalizable habra que determinar si cada autovalor
multiple tiene asociados tantos autovectores linealmente independientes como indique
su multiplicidad algebraica.
Para construir una diagonalizacion, cuando sea posible, habra que obtener tanto auto-
vectores linealmente independientes, asociados a cada autovalor, como indique su multi-
plicidad algebraica;
D. Aunque el resultado es cierto para una matriz cuadrada arbitraria, aqu solo vamos a considerar
el caso en que A es diagonalizable.
Si A es diagonalizable mediante una matriz de paso P ,
P 1 AP = D = A = P DP 1 = 2 3
p(1 ) 0 ... 0
6 7
6 0 p(2 ) . . . 0 7
p(A) = P p(D)P 1 =P 6
6 .. .. .. .. 7
7 P 1 =
4 . . . . 5
0 0 ... p(m )
2 3
0 0 ... 0
6 7
6 0 0 ... 0 7
=P 6
6 .. .. . . .. 7
7 P 1 = 0.
4 . . . . 5
0 0 ... 0
11
12 Leccion 5.- Autovalores y autovectores.
P 1AP = D (diagonal),
permite obtener funciones de dicha matriz que esten definidas por polinomios o por series
de potencias. Por ejemplo,
Ak = P D k P 1 ,
polinomio(A) = P polinomio(D)P 1,
2 3
e1 0 0
" # 6 7
X Ak
Dk
X 6 0 e2 0 7
eA
= =P P 1 = P 6
6 .. .. . . .. 7
7 P 1
k=0 k! k=0 k! 4 . . . . 5
m
0 0 e
puesto que calcular la correspondiente funcion matricial para una matriz diagonal se reduce
a obtener el valor de dicha funcion en cada uno de los elementos de la diagonal principal.
Observaciones.
2) Puesto que la dimension del espacio es finita, los subespacios anteriores no pueden crecer
de manera indefinida, sino que para un cierto valor r se verificara
Nul [A I] ( Nul (A I)2 ( ( Nul [(A I)r ] = Nul (A I)r+1 = .
3) Si v Nul (A I)k entonces Av Nul (A I)k . Es decir, si v es un autovector
generalizado, Av tambien lo es (o es el vector nulo).
El siguiente resultado indica que para calcular los autovectores generalizados hay que
llegar, a lo sumo, hasta la potencia ma (). Nos indica ademas que, si bien en general no es
cierto que para un autovector generalizado v asociado a se tenga que Av es v, se tiene en
cambio que Av es tambien autovector generalizado asociado a .
12
5.2.- Diagonalizacion. 13
4 5 1 5
4 5 1 6 0 0 0 0
Puesto que A 2 I tiene rango 3, solo hay un autovector independiente asociado al auto-
valor 2 = 1 y por tanto, A no es diagonalizable. Los autovectores asociados son los multiplos
(no nulos) de v2 = (2, 1, 3, 1)T .
Calculemos una base de autovectores generalizados asociados al autovalor 2 = 1. Para
ello, debemos calcular las potencias A2 I hasta que una de ellas tenga rango mma (2 ) =
4 3 = 1 con lo cual el espacio nulo de dicha potencia de A 2 I tendra dimension 3. La
matrices (A 2 I)2 y la escalonada superior obtenida por eliminacion gaussiana son
2 3 2 3
4 6 0 2 4 6 0 2
6 7 Elim. Gauss. 6 7
2 6 8 9 0 7 7 6 0 3 0 3 7
(A 2 I) = 6 7 6 7 ,
4 0 3 0 3 5 4 0 0 0 0 5
8 7 0 9 0 0 0 0
13
14 Leccion 5.- Autovalores y autovectores.
cuyo rango es 2 (todava distinto de 1 = 4 ma (2 )). Por tanto la dimension del espacio
nulo de (A 2 I)2 es 2 y podemos obtener en dicho espacio nulo un autovector genera-
lizado v3 linealmente independiente con v2 , por ejemplo v3 = (0, 0, 1, 0)T . Notemos que
Nul ((A 2 I)2 ) = Gen {v2 , v3 }. La matriz (A 2 I)3 es
2 3
8 8 0 8
6 7
6 8 8 0 8 7
(A 2 I)3 = 6 7 ,
4 24 24 0 24 5
24 24 0 24
y que los vectores de este espacio son, ademas del vector nulo, todos los autovectores y auto-
vectores generalizados asociados al autovalor 1 = 1. As, hemos obtenido tres autovectores
(generalizados) asociados al autovalor triple 1 = 1 de una determinada forma, ampliando de
una base de Nul (A I) a una de Nul ((A I)2) y de esta a una de Nul ((A I)3). Podramos
haber obtenido una base de Nul ((A I)3 ) sin necesidad de pasar por bases de los espacios
intermedios. Por ejemplo, los vectores
{v1 , v2 , v3 , v4 } y {v1 , w2 , w3 , w4 }.
Para observar la diferencia entre ellas (y entender por que, en general, es mas conveniente
encontrar una base por el procedimiento seguido para construir {v1 , v2 , v3 , v4 }) se propone
como ejercicio determinar la matriz P 1 AP tomando respectivamente como matriz P la
matriz cuyas columnas son las coordenadas de los vectores de cada una de las bases anteriores.
As, si formamos P1 = [v1 , v2 , v3 , v4 ] y P2 = [v1 , w2 , w3 , w4 ] obtenemos
2 3 2 3
1 0 0 0 1 0 0 0
6 7 6 7
6 0 1 1 1 7 6 0 1 2 2 7
P11AP1 = 6 7 , P21 AP2 = 6 7 .
4 0 0 1 1 5 4 0 1 0 1 5
0 0 0 1 0 4 1 4
14
5.2.- Diagonalizacion. 15
pA () = ( 1 )m1 . . . ( p )mp ,
se verifica que A2 es la matriz nula y, por tanto, cualquier vector no-nulo de R2 es autovector
de A2 asociado a su unico autovalor = 0. Sin embargo, hay vectores de R2 que no son
autovectores de A, por ejemplo v = [ 1, 1 ].
Determina los autovectores de cada una de las potencias de
2 3
0 0 1 0
6 7
6 0 0 0 1 7
A=6 7 .
4 0 0 0 0 5
0 0 0 0
A = P JP 1
siendo J la forma canonica de Jordan que definimos a continuacion y P una matriz cuyas
columnas son autovectores generalizados independientes.
Definicion. Un bloque de Jordan es una matriz cuadrada triangular superior J() tal que:
0 0 0
15
16 Leccion 5.- Autovalores y autovectores.
0 0 Js
16
5.2.- Diagonalizacion. 17
condiciones: 8
>
< Av1 = 2v1
Av2 = 4v2
>
:
Av3 = v2 + 4v3
1 2 3 1 0 6 6 0 0 0 0 0
y la solucion es
2 3
1+
6 7
v3 = 4 5
T
siendo un parametro arbitrario. Tomando = 0, obtenemos que v3 = 1 0 0 .
Observar que, ya que (A 4I) v3 = v2 se obtiene que
(A 4I)2 v3 = (A 4I) v2 = 0,
1 1 0 0 0 4 1 1 0
y por lo tanto A = P JP 1.
Ejemplo 2.
Forma canonica de Jordan de la matriz
2 3
2 2 1
6 7
A=4 1 1 1 5 .
1 2 2
1 2 1
del autovalor es mg (1 ) = 3 1 = 2, con lo que habra dos bloques de Jordan. Ya que la
17
18 Leccion 5.- Autovalores y autovectores.
matriz es de orden tres uno de los bloques es de orden uno y otro de los bloques es de orden
dos. Es decir que la forma canonica de Jordan de esta matriz es:
2 3
1 0 0
6 7
J=4 0 1 1 5 .
0 0 1
La matriz de paso P = v1 v2 v3 la obtenemos con la condicion de que A = P JP 1, o
lo que es lo mismo AP = P J. Entonces los vectores v1 , v2 y v3 deben verificar las siguientes
condiciones: 8
> Av1 = v1
<
Av2 = v2
>
:
Av3 = v2 + v3
La condicion Av1 = v1 nos dice que v1 es un autovector asociado al autovalor 1 = 1.
La condicion Av2 = v2 nos dice que v2 es un autovector asociado al autovalor 1 = 1.
Para obtener v3 debemos resolver el sistema Av3 = v2 + v3 , es decir (A I) v3 = v2 .
Obtenemos los autovectores asociados al autovalor 1 = 1. Para ello resolvemos el sistema
homogeneo (A I)x = 0, cuyas soluciones son los vectores de la forma
2 3
2 +
6 7
v=4 5 , , R.
Por tanto para obtener v1 y v2 , no tendramos mas que dar valores a y para que v1 y
v2 fuesen
2
independientes. Por ejemplo podramos tomar
3 2
3 = 1 y = 0, para obtener que
1 2
6 7 6 7
v1 = 4 0 5 y = 0 y = 1, para obtener que v2 = 4 1 5 . Ahora tendramos que resolver
1 0
el sistema (A I) v3 = v2 . Aplicamos el metodo de Gauss al sistema
2 3 2 3
1 2 1 2 1 2 1 2
6 7 6 7
4 1 2 1 1 5 4 0 0 0 1 5
1 2 1 0 0 0 0 2
que claramente no tiene solucion. El motivo de esta aparente contradiccion es que no podemos
fijar desde el principio el vector
2
v2 y debemos
3
trabajar con autovector v2 generico. Es decir
2 +
tomamos como vector v2 = 6 4 7
5 y al resolver (A I) v3 = v2 obtendremos los
valores de y adecuados para que dicho sistema tenga solucion. Resolvemos por el metodo
de Gauss el sistema
2 3 2 3
1 2 1 2 + 1 2 1 2 +
6 7 6 7
4 1 2 1 5 4 0 0 0 + 5
1 2 1 0 0 0 +
y obtenemos que el sistema tiene solucion si y solo si + = 0. Resuelvo el sistema anterior
tomando = = 1 y obtenemos que
2 3
1 + t 2s
6 7
v3 = 4 s 5 , t, s R.
t
18
5.2.- Diagonalizacion. 19
2 3
1
6
Si elegimos t = s = 0, obtenemos que v3 = 4 0 7
5. Finalmente la base de autovectores
0
generalizados esta formada por los vectores
2 3 2 3 2 3
1 1 1
6 7 6 7 6 7
v1 = 4 0 5 , v2 = 4 1 5 , v3 = 4 0 5
1 1 0
y
2 32 32 31
1 1 1 1 0 0 1 1 1
6 76 76 7
A = P JP 1 = 4 0 1 0 54 0 1 1 54 0 1 0 5
1 1 0 0 0 1 1 1 0
Ejemplo 3.
Forma canonica de Jordan de la matriz
2 3
1 0 2 2
6 7
6 4 4 1 2 7
A=6 7 .
4 4 8 4 9 5
4 5 1 5
Para esta matriz ya obtuvimos en la seccion anterior dos bases de autovectores genera-
lizados. Con la primera de las bases obtuvimos que A era semejane a una matriz tiangular
superior con los autovalores de la matriz en la diagonal, pero esa matriz no es la forma
canonica de Jordan, con la segunda obtuvimos que A era semejante a una matriz que ni
siquiera era triangular. Ahora vamos a obtener una base adecuada para comprobar que A es
semejante a su forma canonica de Jordan.
De la seccion anterior tenemos que los autovalores de la matriz son 1 = 1 con multi-
plicidad algebraica y geometrica uno y 2 = 1 con ma (2 ) = 3 y mg (2 ) = 1. Por lo tanto
la forma canonica de Jordan tiene dos bloques, uno asociado al autovalor 1 de orden uno y
otro asociado al autovalor 2 de orden tres. Por lo tanto su forma canonica de Jordan es
2 3
1 0 0 0
6 7
6 0 1 1 0 7
J =6 7 .
4 0 0 1 1 5
0 0 0 1
La matriz de paso P = v1 v2 v3 v4 la obtenemos con la condicion de que A = P JP 1,
o lo que es lo mismo AP = P J. Entonces los vectores v1 , v2 , v3 y v4 deben verificar las
siguientes condiciones: 8
> Av1 = v1
>
<
Av2 = v2
> Av3 = v2 + v3
>
:
Av4 = v3 + v4
La condicion Av1 = v1 nos dice que v1 es un autovector asociado al autovalor 1 = 1,
T
por ejemplo v1 = 1 1 3 3
La condicion Av2 = v2 nos dice que v2 es un autovector asociado al autovalor 2 = 1.
T
Tomamos como vector v2 = 2 3 , siendo un parametro arbitrario 6= 0.
19
20 Leccion 5.- Autovalores y autovectores.
4 5 1 6 0 5 5 10 5
2 3
2 0 2 2 2
6 7
6 0 3 3 6 3 7
6 7
4 0 0 1 3 5
0 0 0 0 0
que este sistema tiene solucion para todo y su solucion es
2 3
2
6 7
6 7
v3 = 6 7
4 + 3 5
siendo y parametros arbitrarios con la condicion de que 6= 0.
La condicion Av4 = v3 + v4 da lugar al sistema (A I)v4 = v3 . Determinamos y con
la condicion de que este sistema tenga solucion. Por el metodo de Gauss obtenemos
2 3 2 3
2 0 2 2 2 2 0 2 2 2
6 7 6 7
6 4 3 1 2 7 6 0 3 3 6 3 7
6 7 6 7
4 4 8 3 9 + 3 5 4 0 8 7 13 7 + 5
4 5 1 6 0 5 5 10 5
2 3
2 0 2 2 2
6 7
6 0 3 3 6 3 7
6 7
4 0 0 1 3 + 5
0 0 0 0 0
que este sistema tiene solucion para todo y y su solucion es
2 3
+
6 7
6 7
v4 = 6 7
4 + + 3 5
siendo , y parametros arbitrarios con la condicion de que 6= 0. Eligiendo los valores
= 1, = 0 y = 0, obtenemos que la base de autovectores generalizados que nos da la
matriz P es la formada por los vectores:
2 3 2 3 2 3 2 3
1 2 0 1
6 7 6 7 6 7 6 7
1 1 0 1
v1 = 6
6
7
7 , v2 = 6
6
7
7 , v3 = 6
6
7
7 , v4 = 6
6
7
7
4 3 5 4 3 5 4 1 5 4 1 5
3 1 0 0
por lo tanto
2 32 32 31
1 2 0 1 1 0 0 0 1 2 0 1
6 7 6 7 6 7
6 1 1 0 1 7 6 0 1 1 0 7 6 1 1 0 1 7
A=6 7 6 7 6 7 .
4 3 3 1 1 5 4 0 0 1 1 5 4 3 3 1 1 5
3 1 0 0 0 0 0 1 3 1 0 0
20
5.2.- Diagonalizacion. 21
0 0 m
entonces 2 3
k1 0 0
6 7
k
6 0 k2 0 7
A = 6 7
6 .. .. .. 7
4 . . . 5
0 0 km
y
2 3
P
1 k
6
k! 1
0 0 7
6 k=0 7
6 P 7
1 k
A
X 1 k 6
6
0
k! 2
0 7
7
e = A = 6 k=0 7
k=0 k!
6
6
.. .. .. 7
7
6 . . . 7
4
P 5
1 k
0 0
k! m
k=0
2 3
e1 0 0
6 7
6 0 e2 0 7
= 6 7
6 .. .. .. 7
4 . . . 5
0 0 em
21
22 Leccion 5.- Autovalores y autovectores.
Ak = P D k P 1 y la mariz exponencial es
!
A 1 k
X X 1 k
e = A =P D P 1
k=0 k! k=0 k!
2 3
e1 0 0
6 7
6 0 e2 0 7
= P 6
6 .. .. .. 7
7 P 1 .
4 . . . 5
0 0 em
Cuando la matriz A no es diagonalizable haremos uso de la forma canonica de Jordan. En
primer lugar veremos que calcular potencias de bloques de Jordan es sencillo (aunque no
tan sencillo como calcular la potencia de una matriz diagonal). Por comodidad escribimos
la kpotencia para un bloque de orden cuatro, pero es sencillo intuir como sera para un
bloque de orden
2
n. 3
1 0 0
6
6 0 1 0 7 7
Si J() = 6 7 entonces
4 0 0 1 5
0 0 0
2 3
k(k1) k2 k(k1)(k2) k3
k kk1 2!
3!
6 7
k(k1) k2
k
J () =
6
6 0 k k1
k 2!
7
7
6 7
4 0 0 k k1
k 5
0 0 0 k
y la matriz exponencial de un bloque de Jordan sera
2 3
P P P k(k1) P k(k1)(k2)
1 k 1
6 k!
k!
kk1 2!k!
k2
3!k!
k3
7
6 k=0 k=1 k=2 k=3 7
6
P
P
P 7
1 k 1 k(k1 k2
6
6
0 k!
k!
kk1 2!k!
7
7
J() 6 k=0 k=1 k=2 7
e = 6
P P 7
1 k 1
6
6
0 0 k!
k!
kk1 7
7
6 k=0 k=1 7
4
P 5
1 k
0 0 0 k!
k=0
2 1 1 3
e e 2!
e 3!
e
6 1 7
6 0 e
e 2!
e 7
= 6 .7
4 0 0 e e 5
0 0 0 e
Si
2
A no es diagonalizable
3
podemos descomponerla en la forma A = P JP 1 , siendo J =
J1 0 0
6
6 0 J2 0 77
6
6 .. .. .. 7
7 su forma canonica de Jordan. Entones
4 . . . 5
0 0 Js
2 3
J1k 0 0
6 7
k
6 0 J2k 0 7
A =P 6
6 .. .. .. 7
7 P 1
4 . . . 5
0 0 Jsk
22
5.2.- Diagonalizacion. 23
y
2 3
eJ1 0 0
6 7
A 6 0 eJ2 0 7
e =P 6
6 .. .. .. 7
7 P 1
4 . . . 5
0 0 eJs
0 1 1
Calculamos el polinomio caracterstico de la matriz A,
det (A I) = ( 1) ( 3)
Como la matriz tiene tres autovalores simples, es diagonaizable. Calculamos los autovectores
T
asociados a cada uno de los autovalores, que son: a 1 = 0 el autovector v1 = 1 1 1 ,
T
al autovalor 2 = 1 el autovector v1 = 1 0 1 y al autovalor 3 = 3 el autovector v1 =
T
1 2 1 . Por lo tanto
2 32 32 31
1 1 1 1 0 0 1 1 1
6 76 76 7
eA = 4 1 0 2 54 0 e 0 54 1 0 2 5
1 1 1 0 0 e3 1 1 1
Ejemplo 5. 2 3
5 4 3
Calcular la matriz exponencial eA de la matriz A del ejemplo 1, A = 6
4 1 0 3 7
5
1 2 1
Como ya tenemos calculada su forma canonica de Jordan, su matiz exponencial sera
2 32 32 31
1 1 1 e2 0 0 1 1 1
6 76 76 7
eA = 4 1 1 0 54 0 e4 e4 54 1 1 0 5
1 1 0 0 0 e4 1 1 0
Ejemplo 6.
2 3
1 0 2 2
6 7
6 4 4 1 2 7
Calcular la matriz exponencial eA de la matriz A del ejemplo 3, A = 6 7
4 4 8 4 9 5
4 5 1 5
Como ya tenemos calculada su forma canonica de Jordan, su matiz exponencial sera
2 32 32 31
1 2 0 1 e1 0 0 0 1 2 0 1
6 7 6 1 2 7 6 7
6 1 1 0 1 7 6 0 e e e 7 6 1 1 0 1 7
eA = 6 7 6 2! 7 6 7 .
4 3 3 1 1 5 4 0 0 e e 5 4 3 3 1 1 5
3 1 0 0 0 0 0 e 3 1 0 0
23
24 Leccion 5.- Autovalores y autovectores.
24
5.3.- Aplicaciones del calculo de autovalores y autovectores. 25
u0 = c1 v1 + + ck vk y Avj = j vj , j = 1, . . . , k,
entonces
An u0 = c1 n1 v1 + ck nk vk .
An v = [I + (A I)]n v =
n n n
= (I)n + (I)n1 (A I)1 + + (A I)n v
0 1 n
puesto que (A I)k v = (A I)k+1 v = (A I)k+2 v = = 0
n(n 1) n2
= n v + nn1 (A I)v + (A I)2 v + +
2
n
+ + nk+1 (A I)k1 v
k1
25
26 Leccion 5.- Autovalores y autovectores.
(b) Si obtenemos una base {v1 , . . . , vm } (de Rm o Cm ) formada por autovectores generali-
zados de A, entonces puede encontrarse la solucion general del sistema de ecuaciones
en diferencias un = Aun1 para cualquier u0 Rn . Para ello, expresamos u0 como
combinacion lineal de los autovectores generalizados {v1 , . . . , vm },
u0 = 1 v1 + + m vm
con lo que
un = An u0 = 1 An v1 + + m An vm
y, por tanto, bastara determinar (An vj ) para cada autovector generalizado vj .
(c) Calculo de An . A partir de una base formada por autovectores generalizados {v1 , . . . , vm }
podemos calcular An sin mas que obtener los vectores {An v1 , . . . , An vm } y despejar An
de la igualdad matricial
2 3 2 3
6 7 6 7
An 4 v1 v2 . . . vm 5 = 4 An v1 An v2 . . . An vm 5 .
un = An u0 = c1 An v1 + + cm An vm
An v = n v
y, por tanto,
26
5.3.- Aplicaciones del calculo de autovalores y autovectores. 27
>
< 0 >
=
6 7
(A I)2 x = 0 = Nul (A I)2 = Gen >
v1 , v2 = 4 1 5
>
.
: ;
0
Autovectores asociados a 2 = 2,
8 2 39
>
< 0 >
=
6 7
(A 2I)x = 0 = Nul (A 2I) = Gen v3 = 4 0 5 .
> >
: ;
1
Es decir, trabajaremos con la base de R3 formada por {v1 , v2 , v3 } (que en este caso sencillo
coincide con la canonica). As,
un = An u0 = An (2v1 + v2 v3 ) = 2An v1 + An v2 An v3 .
Por ser v1 y v3 autovectores:
An v1 = n1 v1 = 1n v1 = v1 y An v3 = n2 v3 = 2n v3 .
Mientras que por ser v2 autovector generalizado de 1 = 1, que verifica (AI)2 v2 = 0 (k = 2
en la formula dada anteriormente):
An v2 = [1 I + (A 1 I)]n v2
n(n1) n2
= n1 v2 + nn1
1 (A 1 I)v2 + 2
1 (A 1 I)2 v2 +
27
28 Leccion 5.- Autovalores y autovectores.
Finalmente
2+n
un = An u0 = 2v1 + (v2 + nv1 ) 2n v3 = (n + 2)v1 + v2 2n v3 = 1 .
2n
28
5.3.- Aplicaciones del calculo de autovalores y autovectores. 29
Una vez que tenemos la base B = {v1 , v2 , v3 } formada por autovectores y autovectores
generalizados, calculamos las coordenadas de u0 en dicha base,
2 3 2 32 3 2 3
0 1 0 1 1
u0 = PB [u0 ]B 6
4 2 7
5 =6
4 1 1 0 76
54 7
5 [u0 ]B = 6
4 1 7
5 ,
1 0 1 0 1
es decir, u0 = v1 + v2 v3 .
Por tanto,
un = An u0 = An (v1 + v2 v3 ) = An v1 + An v2 An v3 .
Puesto que v1 es autovector de A asociado a 1 = 2, An v1 = n1 v1 = 2n v1 . Por otra parte,
An v2 = [1 I + (A 1 I)]n v2 = n1 v2 + nn1
1 (A 1 I)v2 + n(n1) n2
2
1 (A 1 I)2 v2 +
2 3 2 3
0 1
6 7 6 7
= 2n v2 + n2n1 v1 + 0 + ... = 2n 4 1 5 + n2n1 4 1 5
1 0
An v3 = [1 I + (A 1 I)]n v3 = n1 v3 + nn1
1 (A 1 I)v3 + n(n1) n2
2
1 (A 1 I)2 v3 +
2 3 2 3 2 3
1 1/2 1/2
6 7 6 7 n(n1) n2 6 7
= 2n 4 0 5 + n2n1 4 0 5 + 2
2 4 1/2 5
0 1/2 0
Notese que si hubieramos elegido una base formada por tres autovectores generalizados,
{w1 , w2 , w3 },
un = An u0 = An (1 w1 + 2 w2 + 3 w3 ) = 1 An w1 + 2 An w2 + 3 An w3 .
Para obtener cada uno los tres terminos An wi necesitaramos recurrir a una expresion analoga
a la obtenida para An v3 . De ah que, en general, sea recomendable construir la base de
Rn formada por autovectores y autovectores generalizados de forma progresiva: resolviendo
primero (A I)v = 0, despues (A I)2 v = 0, despues (A I)3 v = 0, etc.
No obstante, puesto que en el caso anterior todo vector es un autovector generalizado
(puesto que solo hay 1 autovalor), calcular An u0 conlleva los mismos calculos que obtener
An v3 .
29
30 Leccion 5.- Autovalores y autovectores.
Una ecuacion diferencial es una igualdad en la que aparece una incognita (que debemos
obtener) con la particularidad de que esta incognita no es un numero sino una funcion
(real de una variable real) definida en un intervalo (finito o infinito) y en la igualdad estan
involucradas, ademas de la propia funcion incognita, una o varias de las derivadas de dicha
funcion incognita. Siendo t la variable independiente, y(t) una funcion a determinar y f (t)
una funcion dada, la igualdad y (t) = f (t) es una ecuacion diferencial cuyas soluciones
son las primitivas de la funcion f (t). Suponiendo que las primitivas estan definidas en toda
la recta real, cuando fijamos un punto (t0 , y0 ) del plano, solo hay una de dichas primitivas
cuya grafica pase por dicho punto. La igualdad y (t) = y(t) es otra ecuacion diferencial
y sus soluciones son las funciones y(t) = ket siendo k una constante arbitraria. De entre
estas soluciones, solo hay una cuya grafica pase por el punto (t0 , y0) (la que se obtiene con
k = y0 et0 ). Las ecuaciones diferenciales se suelen clasificar atendiendo en primer lugar a su
orden, es decir, al mayor orden de derivacion (de la funcion incognita) que aparece en la
ecuacion. Por ejemplo:
L(y) := 2y ty + et y
actua de forma lineal sobre ella, es decir, siendo c1 y c2 constantes arbitrarias y siendo y1 (t)
e y2 (t) funciones para las que L(y) esta definida, se verifica
30
5.3.- Aplicaciones del calculo de autovalores y autovectores. 31
Este hecho hace que la estructura del conjunto de soluciones de una ecuacion diferencial lineal
L(y) = f (t) sea similar a la estructura del conjunto solucion de un sistema de ecuaciones
lineales Ax = b. Entre estas similitudes podemos destacar:
(b) Al sumar una solucion de la ecuacion completa con una solucion de la ecuacion ho-
mogenea se obtiene una solucion de la ecuacion completa.
(c) Al restar dos soluciones de la ecuacion completa se obtiene una solucion de la ecuacion
homogenea.
De entre las ecuaciones diferenciales lineales, cabe destacar las que tienen coeficientes
constantes, es decir, ecuaciones del tipo
y 3y + 4y = f (t).
Para este tipo de ecuaciones podremos dar una descripcion completa del conjunto solucion
de la ecuacion homogenea asociada y 3y + 4y = 0 as como metodos para abordar la
ecuacion completa.
Se suele escribir en la forma y + p(t)y = q(t), donde p(t) y q(t) son funciones continuas
en un intervalo I R. Para resolver la ecuacion de primer orden vamos a proceder en dos
etapas:
31
32 Leccion 5.- Autovalores y autovectores.
(2) Buscar una solucion particular de la ecuacion completa. Para buscar una solucion parti-
cular de la ecuacion completa vamos a usar un procedimiento debido a J.L. Lagrange y
que se conoce como metodo de variacion de los parametros. Esta tecnica tambien
es aplicable para ecuaciones lineales de orden superior y para sistemas de ecuaciones.
La idea consiste en buscar una solucion de la ecuacion completa que tenga la misma
forma R
yh (t) = ce p(t) dt
que la solucion general de la ecuacion homogenea asociada, pero sustituyendo la cons-
tante arbitraria c por una funcion c(t) que debemos determinar. Es decir, buscamos
una solucion de la forma R
yp (t) = c(t)e p(t) dt .
Sustituyendo yp (t) en la ecuacion y + p(t)y = q(t) nos queda
R R R
p(t) dt p(t) dt p(t) dt
q(t) = yp + p(t)yp = c (t)e + c(t) p(t)e + p(t)c(t)e =
R R R
R
p(t) dt p(t) dt p(t) dt
= c (t)e c (t) = q(t)e c(t) = q(t)e dt
R
p(t) dt
Por tanto, siendo (t) = e , la solucion general de la ecuacion completa viene
dada por
c 1 Z 1 Z
Una vez que tenemos la solucion general de la ecuacion basta sustituir para obtener la
solucion de un Problema de valor inicial: calcular la solucion de la ecuacion cuya grafica
pasa por un determinado punto. Es decir, dado un punto t0 I, una solucion del problema
de valor inicial (tambien conocido como problema de Cauchy) en t0 ,
y + p(t)y = q(t)
y(t0) = y0
32
5.3.- Aplicaciones del calculo de autovalores y autovectores. 33
en el que A = [aij ] es una matriz de numeros reales cuadrada de orden 2 que se llama matriz
de los coeficientes y f1 , f2 : [a, b] R son funciones continuas dadas. Se dice que el sistema
es homogeneo cuando las dos funciones f1 y f2 son iguales a la funcion cero.
Una solucion de dicho sistema es un par y1 e y2 de funciones derivables tales que para
cada t [a, b] se verifica
y1 (t) = a11 y1 (t) + a12 y2 (t) + f1 (t)
y2 (t) = a21 y1 (t) + a22 y2 (t) + f2 (t).
Si introducimos las funciones vectoriales y, f : [a, b] R2 dadas por
y1 (t) f1 (t)
y(t) = y f (t) = ,
y2 (t) f2 (t)
el sistema se escribe de forma abreviada como y (t) = Ay(t)+f (t). La estructura es la misma
que la de una ecuacion lineal de primer orden. De hecho, la teora de los sistemas lineales es,
como cabe esperar, una extension de las teoras de las ecuaciones lineales de primer orden.
Esto se pone de manifiesto en los siguientes resultados.
Teorema. Teorema de existencia y unicidad: Sean A = [aij ] una matriz cuadrada de orden
2 y f : [a, b] R2 una funcion vectorial continua. Dados un punto t0 [a, b] y un vector
y0 R2 , entonces el problema de valor inicial
y (t) = Ay(t) + f (t)
y(t0 ) = y0
tiene solucion unica en [a, b].
Este teorema nos dice, por ejemplo, que la solucion general de un sistema lineal plano
dependera de dos constantes que pueden determinarse fijando el valor de cada una de las
componentes de la funcion vectorial y(t) en un punto dado t0 .
Teorema. Estructura
de las soluciones de un sistema lineal:
Sea A = aij una matriz cuadrada de orden 2, sea f : [a, b] R2 una funcion vectorial
continua y consideremos el sistema lineal y (t) = Ay(t) + f (t). Entonces se verifican:
(1) Las soluciones del sistema homogeneo
asociado y (t)
= Ay(t) forman un espacio vectorial
(1) (2)
de dimension 2. En particular, si y (t), y (t) es una base de soluciones del sistema
homogeneo, entonces se dice que la funcion matricial formada columna a columna por
estas soluciones
Y (t) = y (1) (t) y (2) (t)
es una matriz fundamental de soluciones del sistema y = Ay. Observemos que esta
matriz verifica Y (t) = AY (t). Una vez que tenemos una matriz fundamental de solu-
ciones, la solucion general del sistema homogeneo es y(t) = Y (t)c, donde c R2 es un
vector de constantes arbitrarias.
(2) Si y (p) (t) es una solucion particular del sistema completo y (t) = Ay(t) + f (t), entonces
la solucion general del sistema completo es
y(t) = Y (t)c + y (p) (t) = c1 y (1) (t) + c2 y (2) (t) + y (p) (t),
siendo Y (t) = y (1) (t) y (2) (t) una matriz fundamental de soluciones del sistema
homogeneo asociado y c R2 un vector de constantes arbitrarias.
33
34 Leccion 5.- Autovalores y autovectores.
debemos hallar una matriz fundamental de soluciones del sistema homogeneo asociado y
una solucion particular del sistema completo. Empezaremos estudiando como se calculan
las soluciones de un sistema homogeneo y = Ay; luego veremos metodos para resolver el
sistema completo.
Podemos utilizar la solucion general de la ecuacion diferencial y = ay como gua para
resolver un sistema y = Ay. Teniendo en cuenta que las soluciones de la ecuacion y = ay
son de la forma y(t) = ceat no es descabellado buscar soluciones del sistema y (t) = Ay(t) de
la forma y(t) = et v siendo v un vector constante (independiente de t). Puesto que en dicho
caso y (t) = et v, sustituyendo tenemos
et v = Aet v Av = v.
Por tanto, 8 9 8 9
>
< y(t) = et v >
=
>
< es un autovalor de A >
=
es solucion de y v es un autovector .
> > > >
: ; : ;
y = Ay de A asociado a
Notemos que si v1 y v2 son dos autovectores de A lineamente independientes asociados
respectivamente a dos autovalores 1 y 2 , entonces las soluciones
Que sucede con los autovalores y autovectores complejos no-reales? Para tener so-
luciones reales hay que separar la parte real y la parte imaginaria de las soluciones
complejas que obtengamos.
(1) Autovalores reales y distintos. Supongamos que A tiene dos autovalores reales y
distintos y . Sea u un autovector asociado a y sea v un autovector asociado
a . Entonces las funciones vectoriales y (1) (t) = et u e y (2) (t) = et v son soluciones
linealmente independientes del sistema y = Ay. En consecuencia, la solucion general
de dicho sistema viene dada por
34
5.3.- Aplicaciones del calculo de autovalores y autovectores. 35
(2) Autovalor real doble y no defectivo. Supongamos que A tiene un autovalor real
doble que no es defectivo; es decir, que admite dos autovectores linealmente inde-
pendientes u y v. Entonces y (1) (t) = et u e y (2) (t) = et v son soluciones linealmente
independientes del sistema y = Ay. En consecuencia, la solucion general de dicho
sistema viene dada por
Observacion. Si una matriz cuadrada de orden 2 tiene un autovalor real doble y no defectivo,
entonces la matriz es diagonalizable y, automaticamente, diagonal. En ese caso, el sistema
lineal correspondiente no es propiamente un sistema sino, mas bien, dos ecuaciones separadas.
Si hemos descrito el procedimiento de resolucion de forma tan general es porque sigue siendo
valido para matrices de orden mayor, que pueden tener autovalores dobles, triples, etc., no
defectivos sin ser diagonales.
(3) Autovalor real doble y defectivo. Supongamos que A tiene un autovalor real doble
que s es defectivo; es decir, que admite solamente un autovector linealmente inde-
pendiente u. Entonces y (1) (t) = et u es una solucion del sistema y = Ay. Para buscar
una segunda solucion y (2) (t) que sea linealmente independiente de la anterior, hacemos
lo siguiente. Sea v un vector linealmente independiente del autovector u. Entonces
matrices de orden mayor que tengan autovalores dobles defectivos. La manera de trasladarlo al
caso general es la siguiente: el vector v que se toma para construir y (2) no puede ser cualquier
vector linealmente independiente del autovector u, debe ser un autovector generalizado; es
decir, un vector v tal que (AI)2 v = 0. Lo que ocurre con una matriz de orden dos que tiene
un autovalor doble defectivo es que, automaticamente, (A I)2 = 0 y todos los vectores
son autovectores generalizados.
(4) Autovalores complejos distintos. Supongamos que u = v + iw, donde i = 1 es
la unidad imaginaria, es un autovector complejo de A asociado al autovalor complejo
= + i ( 6= 0). Entonces
y (1) (t) = Re et u = et [v cos(t) w sen(t)]
y (2) (t) = Im et u = et [v sen(t) + w cos(t)]
35
36 Leccion 5.- Autovalores y autovectores.
siendo A una matriz real m m y f : [a, b] Rm una funcion vectorial continua, podemos
decir lo mismo que hemos visto para un sistema de dimension 2 en lo que se refiere a la
estructura de la solucion general del sistema homogeneo asociado y (t) = Ay(t), la relacion
entre la solucion general del sistema completo y la del sistema homogeneo, el teorema de
existencia y unicidad del problema de valor inicial asociado... En lo que se refiere a soluciones
asociadas a autovalores y autovectores tenemos los resultados siguientes.
y1 (t) = e1 t v1 , . . . , ym (t) = em t vm
(c) Si y(t) es una solucion compleja del sistema y = Ay, entonces su parte real y su parte
imaginaria son soluciones de dicho sistema.
36
5.3.- Aplicaciones del calculo de autovalores y autovectores. 37
y(t) = eAt v
Por tanto y(t) = eAt v, v Rm es la solucion general de y = Ay (las columnas de eAt son
soluciones linealmente independientes, eAt es una matriz fundamental de soluciones).
En general, para calcular de manera efectiva la exponencial eA de una matriz A, hay que
recurrir al calculo de autovalores y autovectores. En la situacion mas simple, cuando A es
diagonalizable, si P es una matriz de paso que diagonaliza A,
P 1AP = D = A = P DP 1 = An = P D n P 1 =
2 3
e1 0 . . . 0
6 7
6 0 e2 . . . 0 7
eA = P eD P 1 = P 6
6 .. .. . . .. 7
7 P 1 .
4 . . . . 5
0 0 . . . em
37
38 Leccion 5.- Autovalores y autovectores.
5.4.- Ejercicios.
Ejercicio 1.
(a) Calcula A de forma que (2, 0, 1)T sea un autovector cuyo autovalor correspondiente es
= 1.
Ejercicio 3. Determina los valores del parametro para los que es diagonalizable cada una
de las siguientes matrices,
2 3 2 3 2 3
1 0 0 0 2 0 0 1
6 7 6 7 6 7
A=4 a 1 0 5 , B=4 1 3 0 5 , C=4 2 3 5 .
1 1 2 +2 1 0 0 1
38
5.4.- Ejercicios. 39
0 1 0 d
Ejercicio 9. Demuestra:
(b) Si A es una matriz cuadrada diagonalizable con un unico autovalor (multiple) entonces
A es una matriz diagonal.
39
40 Leccion 5.- Autovalores y autovectores.
(c) Sea A una matriz diagonalizable y sea P tal que P 1 AP es diagonal. Demuestra que A2
y AT son diagonalizables y calcula matrices de paso que las diagonalicen.
0 a 0 a
A5 , A 7I, AT .
Ejercicio 11. Sea B = {b1 , b2 , b3 } una base de R3 y consideremos la matriz A definida por
las siguientes condiciones,
un = Aun1
Ejercicio 13. Calcula la solucion del problema de valor inicial siendo
u0
2 3 2 3
3 0 1 0
6 7 6 7
A=4 10 1 5 5 y u0 = 4 0 5 .
1 0 1 1
40
5.4.- Ejercicios. 41
4 2 3 1
41