1 Autovalores y autovectores. Diagonalización.

En el tema de las aplicaciones lineales vimos que dada una aplicación lineal
f : Rn −→ Rn , por cada base B que fijáramos en el espacio vectorial Rn
obtenı́amos una única matriz que denotábamos MBB (f ). Se verifica que todas
matrices asociadas a una misma aplicación lineal f : Rn −→ Rn respecto de
distintas bases son semejantes; esto es, dadas y B 0 bases de Rn existe una
matriz P ∈ Mn regular (det P 6= 0) tal que

MBB (f ) = P MB 0 B 0 (f )P −1 .

En este tema buscaremos una base del espacio vectorial Rn en la cual la matriz
que represente la aplicación lineal sea lo más sencilla posible. La situación más
favorable será que exista una base B de Rn para la cual la matriz MBB (f ) sea
diagonal.

1.1 Autovalores y autovectores.

Definición. Se dice que dos matrices cuadradas de orden n, A y B ∈ Mn , son
semejantes si existe una matriz P ∈ Mn regular tal que A = P BP −1 . Dicha
matriz P se denomina matriz de paso.
Propiedades.

1. Si dos matrices son semejantes entonces sus rangos coinciden.

2. Si dos matrices A, B son semejantes entonces det A = det B.
3. Si Ay B son semejantes entonces An y B n también son semejantes.
4. Las matrices asociadas a una misma aplicación lineal f : Rn −→ Rn son
semejantes.
5. Si A es semejante a A∗ y B es semjante a B ∗ y α, β ∈ R, entonces αA+βB
es semejante a αA∗ + βB ∗ .

Definición. Dada una aplicación lineal f : Rn −→ Rn , diremos que λ ∈ R es

un autovalor ó valor propio de f si existe un vector ~v 6= ~0 tal que f (~v ) = λ~v . Al
vector ~v ∈ Rn que cumple lo anterior lo llamaremos autovector o vector propio
de f asociado al autovalor λ.
Denotamos
V (λ) = {~v ∈ Rn | f (~v ) = λ~v }
al conjunto de autovectores asociados al autovalor λ.
Proposición. V (λ) es un subespacio vectorial de Rn invariante por f .
Demostración. ~0 ∈ V (λ) pues f (~0) = ~0 = λ~0. Y si ~v , w
~ ∈ V (λ) y α, β ∈ R
entonces

f (α~v + β w)
~ = f (α~v ) + f (β w)
~ = λα~v + λβ w
~ = λ(α~v + β w),
~

1
 ~ ∈ V (λ). Luego, V (λ) es un subespacio vectorial de Rn .
y por tanto, α~v + β w
Veamos que es invariate por f ; esto es, si ~v ∈ V (λ) tenemos que ver que
f (~v ) ∈ V (λ):
f (f (~v )) = f (λ~v ) = λf (~v ) =⇒ f (~v ) ∈ V (λ).
Proposición. Sea f : Rn −→ Rn una aplicación lineal, BC la base canónica de
Rn y A = MBC BC (f ) la matriz asociada a f respecto de las bases canónicas.
Las siguientes afirmaciones son equivalentes:

(i) λ es un autovalor de f
(ii) El sistema homogéneo (A − λI)~x = ~0 es compatible indeterminado
(iii) det(A − λI) = 0

Demostración.

λ es un autovalor de f ⇐⇒ existe ~x ∈ Rn , ~x 6= ~0, tal que f (~x) = λ~x

⇐⇒ existe ~x ∈ Rn , ~x 6= ~0, tal que A(~x) = λ~x
⇐⇒ existe ~x ∈ Rn , ~x 6= ~0, tal que (A − λI)~x = ~0,
donde I es la matriz identidad de orden n
⇐⇒ el sistema homogéneo (A − λI)~x = ~0
es compatible indeterminado
⇐⇒ det(A − λI) = 0.

Definición. Los autovalores de una matriz A ∈ Mn son los valores λ ∈ R que

anulan el siguiente polinomio de grado n:

pA (λ) = |A − λI|

que llamaremos polinomio caracterı́stico.

A la ecuación |A − λI| = 0 la llamaremos ecuación caracterı́stica. Las raı́ces
de la ecuación caracterı́stica son, por tanto, los autovalores de la matriz A.
Denotando por αi la multiplicidad de la raiz λi de la ecuación caracterı́stica,
entonces la factorización del polinomio caracterı́stico es

pA (λ) = |A − λI| = (λ1 − λ)α1 · · · (λr − λ)αr , donde α1 + · · · + αr = n.

Propiedad. Todas las matrices asociadas a una misma aplicación lineal f , A =

MBB (f ), tienen el mismo polinomio caracterı́stico y, por tanto, los mismos
autovalores que son precisamente los autovalores de la aplicación lineal f .
Demostración: Si A = MBB (f ) y A0 = MB 0 B 0 (f ) son dos matrices asoci-
adas a f respecto de distintas bases, entonces existe una matriz regular P tal
que A = P A0 P −1 . Por tanto,

|A − λI| = |P A0 P −1 − λI| = |P BA0 P −1 − λP IP −1 | = |P (A0 − λI)P −1 |

= |P ||A0 − λI||P −1 | = |P ||A0 − λI||P |−1 = |A0 − λI|.

2
Si A = MBC BC (f ) para cada autovalor λi de A, tenemos el subespacio de los
autovectores asociados al autovalor λi :
V (λi ) = {~v ∈ Rn | A~v = λi~v }
= {~v ∈ Rn | (A − λi I)~v = ~0}
Llamaremos multiplicidad geométrica de λi a la dimensión de V (λi ) y la deno-
taremos por mi = dim V (λi ).
Obsérvese que
dim V (λi ) = n − rg(A − λi I)
y por ser λi un autovalor de A, se tiene que det(A − λi I) = 0 y, por tanto,
rg(A − λi I) < n. Luego dim V (λi ) 6= 0.

1.2 Propiedades de los autovectores

1. Se verifica que
dim V (λi ) ≤ αi
donde αi es la multiplicidad de la raiz λi . Luego
1 ≤ dim V (λi ) ≤ αi .

2. Autovectores asociados a autovalores distintos son linealmente independi-

entes
3. Si A es una matriz simétrica, entonces autovectores asociados a autovalores
distintos son ortogonales.

1.3 Propiedades de los autovalores

Sea A ∈ Mn una matriz cuadrada con polinomio caracterı́stico:
pA (λ) = |A − λI| = (λ1 − λ) · · · (λn − λ)
donde los autovalores λi se pueden repetir. Entonces
1. La matriz A y su traspuesta A0 tienen los mismos autovalores
2. det A = λ1 · · · λn y trA = λ1 + · · · + λn
3. Dado α ∈ R, los autovalores de la matriz αA son αλ1 , . . . , αλn
4. Dado k ∈ N, los autovalores de la matriz Ak son λk1 , . . . , λkn
5. Si A es una matriz no singular entonces todos sus autovalores son no nulos
y los autovalores de la matriz A−1 son: 1/λ1 , . . . , 1/λn
6. Si A es una matriz idempotente entonces sus autovalores son 0 ó 1
7. Si A es una matriz triangular entonces sus autovalores son los elementos
de la diagonal principal
8. Si A es una matriz ortogonal con autovalores reales entonces sus autoval-
ores son −1 ó 1

3
1.4 Diagonalización
Definición. Una aplicación lineal f : Rn −→ Rn se dice que es diagonalizable si
existe una base B ∗ de Rn formada por autovectores de f . La matriz asociada a
f en dicha base es diagonal.
Si B ∗ = {~u1 , . . . , ~uα1 , ~v1 , . . . , ~vα2 , . . . , w
~ 1, . . . , w
~ αr } con

~u1 , . . . , ~uα1 autovectores linealmente independientes

asociados al autovalor λ1 de multiplicidad α1
~v1 , . . . , ~vα2 autovectores linealmente independientes
asociados al autovalor λ2 de multiplicidad α2
..
.
w
~ 1, . . . , w ~ αr autovectores linealmente independientes
asociados al autovalor λr de multiplicidad αr

con α1 + · · · + αr = n. Como


 f (~u1 ) = λ1 ~u1 = λ1 ~u1 + · · · + 0~uα1 + 0~v1 + · · · + 0~vα2 + · · · + 0w ~ 1 + · · · + 0w ~ αr

 .

 ..



 f (~uα1 ) = λ1 ~uα1 = 0~u1 + · · · + λ1 ~uα1 + 0~v1 + · · · + 0~vα2 + · · · + 0w ~ 1 + · · · + 0w ~ αr



 f (~v ) = λ ~
v = 0~
u + · · · + 0~u + λ ~
v + · · · + 0~
v + · · · + 0 w
~ + · · · + 0 w
~

 1 2 1 1 α 1 2 1 α2 1 α r

 ..

.
 f (~vα2 ) = λ2~vα2 = 0~u1 + · · · + 0~uα1 + 0~v1 + · · · + λ2~vα2 + · · · + 0w
 ~ 1 + · · · + 0w ~ αr

 ..



 .



 f ( w
~ 1 ) = λ w
~
r 1 = 0~
u 1 + · · · + 0~
u α1 + 0~v 1 + · · · + 0~ vα2 + · · · + λr w~ 1 + · · · + 0w ~ αr

 .

 ..



f (w
~ αr ) = λr w ~ αr = 0~u1 + · · · + 0~uα1 + 0~v1 + · · · + 0~vα2 + · · · + 0w ~ 1 + · · · + λr w ~ αr

se tiene
 
λ1 ··· 0 ··· 0 ··· 0
 .. ..
(α1
.. .. .. .. .. 
 . 
 . . . . . . 
 
 0 ··· λ1 ··· 0 ··· 0 
 .. .. .. .. .. .. .. 
MB∗B∗ (f ) = 
 . . . . . . .
.

 
 0 ··· 0 ··· λr ··· 0 
 (αr 
 .. .. .. .. .. .. .. 
 . . . . . . . 
0 ··· 0 ··· 0 ··· λr

Definición. Se dice que una matriz cuadrada A es diagonalizable si es semejante

a una matriz diagonal D; esto es, si existen una matriz diagonal D y una matriz
regular P tal que A = P DP −1 .

4
Observación.

f : Rn −→ Rn es diagonalizable ⇐⇒ A = MBC BC (f ) es diagonalizable

Teorema. Una matriz real A ∈ Mn es diagonalizable si y sólo si todos sus

autovalores son reales y la multiplicidad de cada autovalor λi coincide con la
dimensión del subespacio de autovectores asociado a λi ; esto es, si

dim(λi ) = multiplicidad del autovalor λi

Esto es, si el polinomio caracterı́stico de A es

pA (λ) = |A − λI| = (λ1 − λ)α1 · · · (λr − λ)αr , donde α1 + · · · + αr = n

con λi 6= λj , entonces se cumple que



 dim V (λ1 ) = α1

 dim V (λ2 ) = α2
A es diagonalizable ⇐⇒ ..

 .


dim V (λr ) = αr

(equivalentemente V (λ1 ) ⊕ V (λ2 ) ⊕ · · · ⊕ V (λr ) = Rn ). Además si tomamos

B1 = {~u1 , . . . , ~uα1 } base de V (λ1 )

B2 = {~v1 , . . . , ~vα2 } base de V (λ2 )
..
.
Br = {w
~ 1, . . . , w ~ αr } base de V (λr )

entonces B ∗ = {~u1 , . . . , ~uα1 , ~v1 , . . . , ~vα2 , . . . , w

~ 1, . . . , w
~ αr } es una base de au-
tovectores de Rn (pues son α1 + · · · + αr = n vectores de Rn linealmente inde-
pendientes) y además las matrices

P = (~u1 , . . . , ~uα1 , ~v1 , . . . , ~vα2 , . . . , w~ 1, . . . , w

~ αr )
 
λ1 ··· 0 ··· 0 ··· 0
 . . (α1 . . . . .. 
 . .. .. .. .. .. 
 . . 
 
 0 · · · λ 1 · · · 0 · · · 0 
 . .. .. .. .. .. .. 
D = 
 . . . . . . . .


 
 0 ··· 0 · · · λr ··· 0 
 
 . .. .. .. .. . . (αr .. 
 .. . . . . . . 
0 ··· 0 ··· 0 ··· λr

verifican
A = P DP −1 .
Observación. Nótese que D = MB ∗ B ∗ (f ).

5
Propiedades
1. Si una matriz A ∈ Mn es diagonalizable entonces

(a) para todo α ∈ R, la matriz αA es diagonalizable

(b) la matriz traspuesta A0 es diagonalizable
(c) si además A es no singular, entonces A−1 también es diagonalizable.
Y si A = P DP −1 entonces A−1 = P D−1 P −1 .

2. Toda matriz A ∈ Mn simétrica es diagonalizable y además existe una

matriz Q ortogonal (Q−1 = Qt ) tal que A = QDQt donde D es una
matriz diagonal.
3. Las matrices A ∈ Mn idempotentes sólo tienen los autovalores 0 y 1.
Además verifican que
dim V (0) = multiplicidad del autovalor 0
dim V (1) = multiplicidad del autovalor 1
y por tanto, son matrices diagonalizables.

1.5 Aplicaciones
• Cálculo de la potencia k-ésima de una matriz.
Si A ∈ Mn es una matriz diagonalizable entonces existen matrices P ∈ Mn
regular y D ∈ Mn diagonal tales que: A = P DP −1 . Por tanto,
A2 = PD P −1 −1 −1 2 −1
| {z P} DP = P DIDP = P D P
A3 = PD P −1 2 −1 2 −1 3 −1
| {z P} D P = P DID P = P D P
en general
Ak = P Dk P −1 .

Ejemplo Un estudio realizado sobre la comunidad de licenciados en Ciencias

Empresariales revela el hecho siguiente: El 90% de los hijos de padres licencia-
dos en Ciencias Empresariales cursan estudios de Ciencias Empresariales y sólo
el 20% de los que no lo hicieron consiguen que sus hijos cursen dicha carrera.
Después de muchas generaciones, de los estudiantes de Ciencias Empresariales
¿cuál será el porcentaje de estudiantes cuyos padres son licenciados en Cien-
cias Empresariales? (NOTA: Se supondrá un hijo como descendencia de cada
familia)
SOLUCIÓN: Sea xn el número de licencados en Ciencias Económicas en la
n-ésima generación y sea yn el número de no licencados en Ciencias Económicas
en la n-ésima generación. Se tiene:
½
xn+1 = 0.9xn + 0.2yn
yn+1 = 0.1xn + 0.8yn

6
Es decir, µ ¶ µ ¶ µ ¶
xn+1 xn 0.9 0.2
=A con A =
yn+1 yn 0.1 0.8
(Obsérvese que los elementos de las columnas de la matriz A suman 1. Esto
suele ser ası́ en este tipo de problemas)
Para calcular el porcentaje de estudiantes que cursarán dicha carrera después
de muchas generaciones estudiamos

lim An .
n→∞

El polinomio caracterı́stico de A es:

¯ ¯
¯ 0.9 − λ 0.2 ¯
pA (λ) = det(A − λI) = ¯¯ ¯
¯
0.1 0.8 − λ

Sumando a la primera fila, la segunda obtenemos:

¯ ¯ ¯ ¯
¯ 1−λ 1−λ ¯ ¯ ¯
¯ ¯ = (1 − λ) ¯ 1 1 ¯
¯ 0.1 0.8 − λ ¯ ¯ 0.1 0.8 − λ ¯

Por tanto, λ = 1 es un autovalor de la matriz A. Esto simpre es ası́ para este

tipo de matrices en el que ó bien los elemenots de las filas ó bien los de las
columnas suman1. Por tanto,
¯ ¯
¯ 1 1 ¯
pA (λ) = (1 − λ) ¯¯ ¯
0.1 0.8 − λ ¯
= (1 − λ)(0.8 − λ − 0.1)
= (1 − λ)(0.7 − λ)

Los autovalores de A son: λ = 1 y λ = 0.7. Sea B = {~u, ~v } ua base de R2

formada por autovectores de A; esto es, A~u = 1~u y A~v = 0.7~v . Cualquier vector
~ ∈ R2 se escribe:
w
w
~ = α~u + β~v
y se tiene

An w
~ = An (α~u + β~v ) = αAn ~u + βAn~v
= α(1)n ~u + β(0.7)n~v
= α~u + β(0.7)n~v

Por tanto,

lim (An w)
~ = lim (α~u + β(0.7)n~v )
n→∞ n→∞
= α~u + β lim (0.7)n~v
n→∞
= α~u

7
donde ~u es un autovector asociado al autovalor 1. Calculemos V (1):
µ ¶ µ ¶µ ¶ µ ¶
x −0.1 0.2 x 0
(A − 1I) = =
y 0.1 −0.2 y 0

Esto es,

V (1) = ker(A − 1I) = {(x, y) ∈ R2 | − 0.1x + 0.2y = 0} = L({(2, 1)})

Por tanto,
lim (An w)
~ = α~u = α(2, 1)
n→∞

y el porcentaje de estudiantes de Ciencias Empresariales cuyos padres son lince-

niados en Ciencias Empresariales es
2 2
x= = .
2+1 3

1.6 Ejercicios resueltos.

1. Dada la aplicación lineal f (x, y, z) = (x + 2y, −x + 3y + z, y + z) estudiar si
existe una base B tal que la matriz asociada respecto de B en los espacios
de partida y de llegada sea una matriz diagonal.
SOLUCIÓN: La matriz asociada a f respecto de las bases canónicas es:
 
1 2 0
A =  −1 3 1  .
0 1 1

La ecuación caracterı́stica de A es:

¯ ¯
¯ 1−λ 2 0 ¯
¯ ¯
|A − λI| = ¯¯ −1 3−λ 1 ¯
¯
¯ 0 1 1−λ ¯
= (1 − λ)(3 − λ)(1 − λ) − (1 − λ) + 2(1 − λ)
= (1 − λ)2 (3 − λ) + (1 − λ)
= (1 − λ){(1 − λ)(3 − λ) + 1}
= (1 − λ){λ2 − 4λ + 3 + 1}
= (1 − λ){λ2 − 4λ + 4}
= (1 − λ)(λ − 2)2

Por tanto, los autovalores de A son λ = 1 simple y λ = 2 doble.

El subespacio asociado a λ = 1 tiene dimensión 1 pues la multiplicidad de
λ = 1 es uno.

8
 El subespacio asociado a λ = 2 tiene dimensión:

dim V (2) = 3 − rg(A − 2I)

 
−1 2 0
= 3 − rg  −1 1 1 
0 1 −1
= 3 − 2 = 1 6= 2

Por tanto, como dim V (2) no coincide con la multiplicidad del autovalor
2, la matriz A no es diagonalizable.
2. Sea  
2 0 0 0
 4 −5 6 0 
A=
 6

−3 4 0 
0 0 1 3
la matriz asociada a una aplicación lineal f respecto de las bases canónicas.

(a) ¿Es el vector (0, 0, 0, 5) un autovector de f asociado al autovalor 3?

(b) ¿Es la matriz A diagonalizable?

SOLUCIÓN:

(a) Veamos si f (0, 0, 0, 5) = 3(0, 0, 0, 5). Como A es la matriz asociada a

f respecto de las bases canónicas sabemos que la cuarta columna de
A son las coordenadas de f (0, 0, 0, 1) en la base canónica; esto es,

f (0, 0, 0, 1) = (0, 0, 0, 3) = 3(0, 0, 0, 1)

luego, (0, 0, 0, 1) es un autovectro de f asociado al autovalor 3. Y

por tanto, (0, 0, 0, 5) = 5(0, 0, 0, 1) también es un autovector de f
asociado al autovalor 3.
(b) Calculamos el polinomio caractrerı́stico de A:
¯ ¯
¯ 2−λ 0 0 0 ¯¯
¯
¯ 4 −5 − λ 6 0 ¯¯
|A − λI| = ¯¯
¯ 6 −3 4−λ 0 ¯¯
¯ 0 0 1 3−λ ¯
¯ ¯
¯ −5 − λ 6 0 ¯¯
¯
= (2 − λ) ¯¯ −3 4−λ 0 ¯¯
¯ 0 1 3−λ ¯
¯ ¯
¯ −5 − λ 6 ¯¯
= (2 − λ)(3 − λ) ¯ ¯
−3 4−λ ¯
= (2 − λ)(3 − λ){(−5 − λ)(4 − λ) − 18}
= (2 − λ)(3 − λ){λ2 + λ − 2}
= (2 − λ)(3 − λ)(λ − 1)(λ + 2)

9
 Por tanto los autovalores de A son: −2, 1, 2 y 3. Como los autovalores
de A son distintos dos a dos, la matriz A es diagonalizable.

3. Sea la matriz  
1 1 1 1
 1 1 −1 −1 
A=
 1
.
−1 1 −1 
1 −1 −1 1
Probar que A es diagonalizable y hallar matrices Q ortogonal y D diagonal
tales que A = QDQt .
SOLUCIÓN: Sabemos que la matriz A es diagonalizable pues es una ma-
triz simétrica. Vamos a comprobar que efectivamente es diagonalizable.
Calculamos el polinomio caracterı́stico de A:
¯ ¯
¯ 1−λ 1 1 1 ¯¯
¯
¯ 1 1−λ −1 −1 ¯¯
|A − λI| = ¯¯
¯ 1 −1 1−λ −1 ¯¯
¯ 1 −1 −1 1−λ ¯

Sumando a la primera fila la segunda fila, restando a la tercera fila la

cuarta y sumando a la cuarta fila la primera, obtenemos:
¯ ¯ ¯ ¯
¯ 1−λ 1 1 1 ¯¯ ¯ 2−λ 2−λ 0 0 ¯
¯ ¯ ¯
¯ 1 1 − λ −1 −1 ¯ ¯ 1 1 − λ −1 −1 ¯
¯ ¯ = ¯ ¯
¯ 1 −1 1−λ −1 ¯¯ ¯ 0 0 2 − λ −2 + λ ¯
¯ ¯ ¯
¯ 1 −1 −1 1−λ ¯ ¯ 2−λ 0 0 2−λ ¯
¯ ¯
¯ 1 1 0 0 ¯¯
¯
¯ 1 1 − λ −1 −1 ¯
= (2 − λ)3 ¯¯ ¯
¯ 0 0 1 −1 ¯¯
¯ 1 0 0 1 ¯

Calculemos el determinante:
¯ ¯
¯ 1 1 0 0 ¯
¯ ¯
¯ 1 1−λ −1 −1 ¯
¯ ¯
¯ 0 0 1 −1 ¯
¯ ¯
¯ 1 0 0 1 ¯

Restando a la segunda columna la primera columna obtenemos:

¯ ¯
¯ 1 0 0 0 ¯¯ ¯ ¯
¯ ¯ −λ −1 −1 ¯
¯ 1 −λ −1 −1 ¯ ¯ ¯
¯ ¯ = ¯ 0 1 −1 ¯¯
¯ 0 0 1 −1 ¯ ¯ ¯
¯ ¯ −1 0 1 ¯
¯ 1 −1 0 1 ¯
= −λ − 1 − 1 = −(λ + 2)

Por tanto,
|A − λI| = −(2 − λ)3 (λ + 2)

10
Por tanto los autovalores de A son: −2 de multiplicidad 1 y 2 de multi-
plicidad 3. Por tanto,
dim V (−2) = 1
Veamos que dim V (2) = 3:

dim V (2) = 4 − rg(A − 2I)

 
−1 1 1 1
 1 −1 −1 −1 
= 4 − rg 
 1 −1

−1 −1 
1 −1 −1 −1
= 4 − 1 = 3.

Por tanto, la matriz A es diagonalizable siendo una posible matriz diago-

nal:  
−2 0 0 0
 0 2 0 0 
D=  0 0

2 0 
0 0 0 2
Calculemos una base de autovectores y ası́ tendremos una posible matriz
de paso P .
Subespacio V (−2) = ker(A + 2I):
    
3 1 1 1 x 0
 1 3 −1 −1  y   0 
    
 1 −1 3 −1  z  =  0 
1 −1 −1 3 t 0

Sabemos que rango de (A + 2I) es 3. Tomamos como menor principal de

(A+2I) el formado por las tres primeras filas y las tres primeras columnas.
Por tanto, el sistema anterior es equivalente al siguiente:

3x + y + z = −α
x + 3y − z = α
x − y + 3z = α
t = α∈R

11
Por tanto, resolviendo el sistema anterior por Cramer, tenemos:
¯ ¯
¯ −α 1 1 ¯¯
¯
¯ α 3 −1 ¯¯
¯
¯ α −1 3 ¯ −16α
x = ¯ ¯ = = −α
¯ 3 1 1 ¯ ¯ 16
¯
¯ 1 3 −1 ¯
¯ ¯
¯ 1 −1 3 ¯
¯ ¯
¯ 3 −α 1 ¯
¯ ¯
¯ 1 α −1 ¯
¯ ¯
¯ 1 α 3 ¯ 16α
y = ¯ ¯ ¯ = =α
¯ 16
¯ 3 1 1 ¯
¯ 1 3 −1 ¯
¯ ¯
¯ 1 −1 3 ¯
¯ ¯
¯ 3 1 −α ¯
¯ ¯
¯ 1 3 α ¯¯
¯
¯ 1 −1 α ¯ 16α
z = ¯¯ ¯ =
¯ =α
¯ 3 1 1 ¯ 16
¯ 1 3 −1 ¯
¯ ¯
¯ 1 −1 3 ¯

Por tanto,

V (−2) = {(−α, α, α, α) | α ∈ R} = L{(−1, 1, 1, 1)}

Subespacio V (2) = ker(A − 2I):

   

−1 1 1 1 x 0
 1 −1 −1 −1   y   0 
  = 
 1 −1 −1 −1   z   0  ⇐⇒ −x + y + z + t = 0
1 −1 −1 −1 t 0

Por tanto,

V (2) = {(x, y, z, t) ∈ R4 | − x + y + z + t = 0}
= {(α + β + γ, α, β, γ) | α, β, γ ∈ R}
= L{(1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)}

Luego una matriz de paso puede ser:

 
−1 1 1 1
 1 1 0 0 
P = 1

0 1 0 
1 0 0 1

La base de R4 : B = {(−1, 1, 1, 1), (1, 1, 0, 0), (1, 0, 1, 0), (1, 0, 0, 1)} es or-
togonal pero no ortonormal pues los vectores de la base no son unitarios.

12
 Como:
p √
k(−1, 1, 1, 1)k = (−1)2 + 12 + 12 + 12 = 4=2
p √
k(1, 1, 0, 0)k = 12 + 12 + 02 + 02 = 2
p √
k(1, 0, 1, 0)k = 12 + 02 + 12 + 02 = 2
p √
k(1, 0, 0, 1)k = 12 + 02 + 02 + 12 = 2
0
la base: B = {( −1 1 1 1 √1 √1 √1 √1 √1 √1
2 , 2 , 2 , 2 ), ( 2 , 2 , 0, 0), ( 2 , 0, 2 , 0), ( 2 , 0, 0, 2 )} sı́
es ortonormal y  
−1 √1 √1 √1
2 2 2 2
 1 √1 0 0 
 2 2 
Q= 1 √1

 2 0 2
0 
1 √1
2 0 0 2
verifica: A = QDQ0 .
4. Estudiar para qué valores del parámetro m es la matriz:
 
m 0 0
A= 0 4 4 
0 1 1
diagonalizable.
SOLUCIÓN: Como det A = 0 uno de los autovalores de A es λ = 0. Otro
autovalor es λ = m. Y como trA = m + 5 y sabemos que trA es la suma
de los autovalores tenemos:
m + 5 = trA = m + 0 + λ =⇒ λ = 5
Tenemos:
• Si m 6= 0, 5 entonces los tres autovalores son distintos y la matriz es
diagonalizable
• Si m = 0 entonces λ = 0 es un autovalor doble y λ = 5 es un autovalor
simple (luego dim V (5) = 1). Además para m = 0 tenemos
 
0 0 0
dim V (0) = 3 − rg(A) = 3 − rg  0 4 4 
0 1 1
= 3−1=2
Luego, en este caso A también es diagonalizable
• Si m = 5 entonces λ = 5 es un autovalor doble y λ = 0 es un autovalor
simple (luego dim V (0) = 1). Además para m = 5 tenemos
 
0 0 0
dim V (5) = 3 − rg(A − 5I) = 3 − rg  0 −1 4 
0 1 −4
= 3−1=2

13
 Luego, en este caso A también es diagonalizable

Por tanto A es diagonalizable para todo valor de m.

5. La población activa de un paı́s se clasifica en tres categorı́as profesionales:
técnicos superiores (x), obreros especializados (y) y obreros no especial-
izados (z) . Ası́, en cada generación t la fuerza de trabajo del paı́s está
caracterizada por el número de personas incluidas en las tres categorı́as,
es decir, (xt , yt , zt ) . Supóngase que:

• Cada trabajador activo sólo tiene un hijo.

• El 1/2 de los hijos de los técnicos superiores lo son también, el 1/4
pasa a ser obrero especializado y el 1/4 restante es obrero no espe-
cializado.
• Los hijos de los obreros especializados se reparten entre las tres cat-
egorı́as según los porcentajes 3/10, 4/10 y 3/10.
• Para los hijos de obreros no especializados, las proporciones de reparto
entre las categorı́as son 1/2, 1/4 y 1/4.

Se pide:

(a) Plantear en forma matricial un modelo que represente la distribución

de la fuerza de trabajo del paı́s de generación en generación.
(b) ¿Cuál será la distribución de los trabajadores a largo plazo, indepen-
dientemente de la distribución inicial?

SOLUCIÓN:
La matriz de transición es
     
xt+1 xt 0.5 0.3 0.5
 yt+1  = A  yt  con A =  0.25 0.4 0.25 
zt+1 zt 0.25 0.3 0.25
A largo plazo habrı́a que elevar la matriz de transición a t y ver a qué
tiende cuando t tiende a ∞. Esto es,
lim At .
t→∞

El polinomio caracterı́stico de A es:

¯ ¯
¯ 0.5 − λ 0.3 0.5 ¯
¯ ¯
|A − λI| = ¯¯ 0.25 0.4 − λ 0.25 ¯
¯
¯ 0.25 0.3 0.25 − λ ¯

sumando a la primera fila el resto de las filas obtenemos:

¯ ¯ ¯ ¯
¯ 1−λ 1−λ 1 − λ ¯¯ ¯ 1 1 1 ¯
¯ ¯ ¯
¯ 0.25 0.4 − λ 0.25 ¯ = (1 − λ) ¯ 0.25 0.4 − λ 0.25 ¯
¯ ¯ ¯ ¯
¯ 0.25 0.3 0.25 − λ ¯ ¯ 0.25 0.3 0.25 − λ ¯

14
y restando a la tercera columna la primera, obtenemos:
¯ ¯
¯ 1 1 0 ¯ ¯ ¯
¯ ¯ ¯ ¯
(1 − λ) ¯¯ 0.25 0.4 − λ 0 ¯ = (1 − λ)(−λ) ¯ 1 1 ¯
¯ ¯ 0.25 0.4 − λ ¯
¯ 0.25 0.3 −λ ¯
= (1 − λ)(−λ)(0.4 − λ − 0.25)
= −(1 − λ)λ(0.15 − λ)

Por tanto, los autovalores de A son λ = 1, 0.15 y 0, distintos dos a dos y

por tanto, la matriz A es diagonalizable. Sea B = {~u1 , ~u2 , ~u3 } una base
de R3 formada por auovectores de A; esto es, supongamos

A~u1 = 1~u1 = ~u1 , A~u2 = 0.15~u2 y A~u3 = 0~u3 = ~0.

~ ∈ R3 se escribe: w
Cualquier vector w ~ = α~u1 + β~u2 + γ~u3 y por tanto,

At w
~ = At (α~u1 + β~u2 + γ~u3 )
= αAt ~u1 + βAt ~u2 + γAt ~u3
= α(1)t ~u1 + β(0.15)t ~u2 + γ0t ~u3
= α(1)t ~u1 + β(0.15)t ~u2
= α~u1 + β(0.15)t ~u2

lim At w
~ = lim (α~u1 + β(0.15)t ~u2 )
t−→∞ t−→∞
= α~u1 + β lim (0.15)t ~u2
t−→∞
= α~u1

donde ~u1 es un autovector asociado al autovalor 1. Calculemos V (1):

V (1) = {~x ∈ R3 | (A − I) ~x = ~0}

Resolvemos el sistema de ecuaciones (A − I) ~x = ~0. Como det (A − I) = 0

y ¯ ¯
¯ −0.5 0.3 ¯
¯ ¯
¯ 0.25 −0.6 ¯ 6= 0
tenemos
    
−0.5 0.3 0.5 x 0
 0.25 −0.6 0.25   y  =  0 
0.25 0.3 −0.75 z 0
½
−5x + 3y + 5z = 0
⇐⇒
5x − 12y + 5z = 0
x = 1.5α, y = α, z = 0.6α

15
 luego
V (1) = L{(1.5, 1, 0.6)}
Por tanto,
lim (At w)
~ = α~u1 = α(1.5, 1, 0.6)
t→∞

la distribución a largo plazo será

1.5 1.5 15
x = = =
1.5 + 1 + 0.6 3.1 31
1 10
y = =
1.5 + 1 + 0.6 31
0.6 6
y = =
1.5 + 1 + 0.6 31

1.7 Cuestiones
Razonar si son verdaderas o falsas las siguientes afirmaciones:

1. Sea A ∈ M3×3 y sean ~u y ~v dos vectores no nulos de R3 tales que

A~u = ~0 y (A − I)~v = ~0.

Entonces, se verifica que ~u y ~v son linealmente independientes.

2. Sea A ∈ Mn×n tal que λ = 0 es un autovalor de A. Entonces, el sistema

homogéneo A~x = ~0 es compatible indeterminado.

3. Sean A1 y A2 dos matrices de orden n diagonalizables. Entonces, se

verifica que la matriz A1 + A2 también es diagonalizable.

4. Sea A una matriz cuadrada de orden 2 tal que |A| = −1. Entonces se
verifica que A es diagonalizable.
 
1 0 −2
5. La matriz A =  0 3 0  es diagonalizable.
−2 0 1

6. El vector ~u = (2, 0, 2) es un autovector asociado a un autovalor negativo

de la matriz  
1 1 −2
A =  −1 2 1 
0 1 −1

7. Sea A una matriz de orden 4 con autovalores: λ1 = 1 de multiplicidad

3 y λ2 = −1 de multiplicad 1, entonces la traza de la matriz 5A−1 es
tr(5A−1 ) = 10.
8. Sea A ∈ M3×3 tal que |A| = 0, tr(A) = 3 y λ = 1 es un autovalor de A.
Entonces λ = 0 es autovalor de A y dim V (0) = 1.

16
 9. Si conocemos la traza y el determinante de una matriz cuadrada A de
orden 2 entonces conocemos sus autovalores.

10. Sea A una matriz cuadrada de orden 3 y sean u, v y w autovectores de A.

Entonces se verifica que B = {u, v, w} es una base de R3 .

17