FACULTAD DE INGENIERÍA

ESCUELA PROFESIONAL DE INGENIERÍA CIVIL

Producto de Geometría Analítica

Término enésimo en la sucesión de Fibonacci por diagonalización de matrices

Para La Asignatura De:

Geometría Analítica

Elaborado por:

Sanchez Durand Eduardo Enrique

Ramos Colchado Anthony Yeampier

Arellano Paladines Kevin Aaron

Siguas Villanueva Yelver Edinson

Shima Armas Isaac Akira

Rufino Bonilla Yvan Fernando

Olacua Alegre Renato Valentino

Docente:

Mg. Julio Lecca Vergara

Nuevo Chimbote – Perú (2023)

“TÉRMINO ENÉSIMO EN LA SUCESIÓN DE FIBONACCI POR

DIAGONALIZACIÓN DE MATRICES”
DEDICATORIA:

En el presente trabajo lo dedicamos

principalmente a Dios por ser el
creador y darnos más fuerza para
seguir adelante asimismo a nuestros
seres queridos quiénes nos apoyan
para que podamos cumplir con todas
nuestras actividades de manera
efectiva, también a nuestro docente
Lecca Vergara Julio Antonio, quién es
el guía para poder realizar este
informe con éxito.
 INDICE
I CAPÍTULO I...............................................................................................................1

1.1 Introducción..........................................................................................................1

1.2 Antecedentes.........................................................................................................2

1.2.1 Reglas de recurrencia.....................................................................................2

II CAPÍTULO II..........................................................................................................8

2.1 Sucesión de Fibonacci..........................................................................................8

2.1.1 Definición........................................................................................................8

2.1.2 Aplicaciones....................................................................................................9

2.1.3 Matriz de Fibonacci.....................................................................................10

III CAPÍTULO III.......................................................................................................11

3.1 Diagonalización de matrices..............................................................................11

3.1.1 Matrices.........................................................................................................11

3.1.2 Definición......................................................................................................13

3.1.3 Aplicación.....................................................................................................26

3.1.4 Diagonalización de la matriz de Fibonacci................................................27

3.2 Proporción Aurea...............................................................................................29

3.2.1 Definición......................................................................................................29

3.2.2 Número Áureo..............................................................................................31

I CAPÍTULO I

I.1 Introducción

La secuencia infinita de números naturales cuyos dos primeros términos son 1 y 1 y tal
que, cualquier otro término se obtiene sumando los dos inmediatamente anteriores, cumplen la
relación de recurrencia siguiente:
r 1=1 ; r 2=1 ; r n =r n−1+ r (n−2 ) (n > 2 )

De manera explícita, tendríamos que es: 1, 1, 2, 3, 5, 8, 13, 21, 34…

La descubrió, en el siglo XIII, el matemático italiano Leonardo de Pisa, más conocido
como Fibonacci. Su aprendizaje se produjo gracias a los viajes que hacía junto a su padre, que
era comerciante. El curioso origen de la sucesión está en la observación que hizo el mencionado
matemático de cómo se propagan las parejas de conejos a partir de una pareja de cachorros.
Dando origen a la sucesión de Fibonacci, que posteriormente, se ha comprobado que numerosos
fenómenos de la naturaleza están relacionados con esta sucesión. Aparece en la estructura espiral
del caparazón de algunos moluscos y en la disposición de las hojas de algunas plantas.
Asimismo, se aplica también a cuestiones relacionadas con computación y teoría de juegos.
Esta secuencia de números que se a logrado generalizar en la relación de recurrencia
siguiente :
r n =r n−1+ r (n−2 ) , la cual nos permite saber un enésimo término de la sucesión , conociendo los
dos términos anteriores a este término , lo cual resulta útil hasta cierto punto, debido a que
siempre es necesario conocer los dos términos anteriores al termino que se desea conocer , y en
ello ,si no se conocen estos dos términos, deben saberse los anteriores también a estos para
conseguirlos , lo que vuelve de esta regla no tan práctica de utilizar para conseguir un termino
muy grande de esta secuencia ,porque en consecuencia habrían que hallarse muchos números.
Este camino nos lleva a las interrogantes, ¿Se podría encontrar una ecuación que permita
poder obtener un término enésimo de una manera práctica para su aplicación en un caso general?
¿Qué otros métodos pueden ser de nuestra ayuda para obtener lo que buscamos?
A lo cual acudimos a utilizar nuestros conocimientos adquiridos en clase sobre algebra
lineal, respecto a diagonalización de matrices, pero encontramos que esto no se puede aplicar
directamente.
Debido a que la problemática de la diagonalización en la sucesión de Fibonacci surge
cuando intentamos aplicar técnicas de diagonalización para encontrar una fórmula cerrada
general para calcular el término n-ésimo de la sucesión de Fibonacci. Debido a que para
encontrar una fórmula cerrada general para calcular r(n), podemos intentar diagonalizar la
ecuación de recurrencia. Sin embargo, esto no es posible en el caso de la sucesión de Fibonacci.
La diagonalización es un método comúnmente utilizado para resolver ecuaciones de
recurrencia lineales homogéneas con coeficientes constantes. Sin embargo, la ecuación de
recurrencia de la sucesión de Fibonacci no es lineal y no se puede diagonalizar directamente.

1
 involucra términos anteriores de la sucesión, lo que crea una dependencia no lineal entre
los términos.
A pesar de no ser posible diagonalizar directamente la ecuación de recurrencia de
Fibonacci, existen otros enfoques para obtener una fórmula cerrada general. Estos métodos
incluyen el uso de la función generatriz y la matriz de Fibonacci.
A través de técnicas de manipulación algebraica y expansión en serie de potencias,
podemos obtener una fórmula cerrada en términos de x para calcular los términos de la sucesión,
y así poder aplicar los conocimientos adquiridos en clase sobre álgebra lineal.

I.2 Antecedentes

I.2.1 Reglas de recurrencia

Antes de empezar a definir lo que compete, quiero introducir unos conceptos previos.

Empezando por una sucesión, la cual es una función f definida sobre el conjunto de los
números naturales.

N = {1, 2, 3, . . .} f: N → Ω

Establece un orden específico entre ellos, cada elemento de la sucesión se denomina

término y se identifica por su posición o índice en la secuencia.

En matemáticas, una sucesión se puede representar de la siguiente manera:

a₁, a₂, a₃, ..., aₙ

donde a₁, a₂, a₃, ... representan los términos de la sucesión y n representa la posición del
último término.

 Las sucesiones pueden ser finitas o infinitas. Una sucesión finita tiene un número
determinado de términos, mientras que una sucesión infinita continúa indefinidamente.

Por ejemplo, la sucesión de los números naturales es una sucesión infinita:

1, 2, 3, 4, 5, ...

La sucesión de los números pares es otra sucesión infinita:

2, 4, 6, 8, ...

2
  Según la obtención de su razón puede ser:

Sucesión aritmética, la diferencia entre términos consecutivos es constante. Por ejemplo:

3, 7, 11, 15, ...

Sucesión geométrica, cada término se obtiene multiplicando el término anterior por una
constante llamada razón.

Por ejemplo:

2, 6, 18, 54, ...

 Respecto a los elementos necesarios para hallar un elemento enésimo:

Mediante el uso de una fórmula explícita, es aquella en la que se proporciona

directamente una fórmula o expresión matemática que permite calcular cualquier término de la
sucesión sin necesidad de conocer los términos anteriores. En otras palabras, se puede obtener
cada término de la sucesión usando únicamente el índice o posición correspondiente. Además,
suelen basarse en patrones o reglas matemáticas que se pueden identificar en la sucesión.

La forma general de una sucesión explícita se puede expresar como:

aₙ = f(n)

donde aₙ representa el n-ésimo término de la sucesión y f(n) es una función o expresión

matemática que depende únicamente del índice n.

Por ejemplo, consideremos la sucesión de los números pares:

(2, 4, 6, 8, ..).

La fórmula explícita para esta sucesión sería:

aₙ = 2n

Utilizando esta fórmula, podemos calcular cualquier término de la sucesión simplemente

sustituyendo el valor del índice n en la expresión 2n.

Otro ejemplo de sucesión explícita es la sucesión de los cuadrados perfectos:

3
 1, 4, 9, 16, ...

La fórmula explícita para esta sucesión sería:

aₙ = n²

Nuevamente, podemos obtener cualquier término de la sucesión sustituyendo el valor del

índice n en la expresión n².

Mediante una regla de recurrencia, describe la relación entre un término de la sucesión

y uno o más términos anteriores. Esta regla permite calcular los términos subsiguientes de la
secuencia en función de los términos previos. Se expresa generalmente en términos de un índice
o posición en la secuencia, y puede involucrar operaciones matemáticas, como sumas, restas,
multiplicaciones o divisiones, así como funciones matemáticas o relaciones más complejas.

Por ejemplo:

RECURRENCIA LINEAL

Una regla de recurrencia lineal es una fórmula matemática que describe la relación entre
los términos de una sucesión o secuencia de manera lineal. En otras palabras, cada término de la
secuencia se puede expresar como una combinación lineal de los términos anteriores.

La forma general de una regla de recurrencia lineal es:

aₙ = c₁ * aₙ₋₁ + c₂ * aₙ₋₂ + ... + cₖ * aₙ₋ₖ + d

donde aₙ representa el n-ésimo término de la secuencia, c₁, c₂, ..., cₖ son constantes
(llamadas coeficientes), aₙ₋₁, aₙ₋₂, ..., aₙ₋ₖ son los términos anteriores necesarios para calcular
aₙ, y d es un término independiente (constante).

4
 Cada término de la secuencia se obtiene multiplicando cada término anterior por su
respectivo coeficiente y luego sumándolos, y opcionalmente sumándole un término
independiente.

Por ejemplo, consideremos la siguiente secuencia aritmética:

1, 4, 7, 10, 13, ...

En este caso, podemos observar que cada término se obtiene sumando 3 al término
anterior. La regla de recurrencia lineal sería:

aₙ = aₙ₋₁ + 3

Utilizando esta regla, podemos calcular cualquier término de la secuencia a partir del
término anterior. Por ejemplo, el quinto término (a₅) se calcula como:

a₅ = a₄ + 3 = 13 + 3 = 16

RECURRENCIA LINEAL HOMOGÉNEA

Una sucesión recurrente homogénea es una sucesión en la que la regla de recurrencia que
define sus términos no contiene términos independientes. En otras palabras, es una sucesión en la
que la relación entre los términos se establece exclusivamente a través de una combinación lineal
de términos anteriores.

La forma general de una sucesión recurrente homogénea es:

aₙ = c₁ * aₙ₋₁ + c₂ * aₙ₋₂ + ... + cₖ * aₙ₋ₖ

Donde aₙ representa el n-ésimo término de la sucesión, c₁, c₂, ..., cₖ son coeficientes
constantes y aₙ₋₁, aₙ₋₂, ..., aₙ₋ₖ son los términos anteriores necesarios para calcular aₙ. Estos
términos anteriores forman una combinación lineal que determina el valor del término actual.

Una característica importante de las sucesiones recurrentes homogéneas es que su

solución general se puede obtener a partir de la solución general de una ecuación polinómica
llamada ecuación característica asociada. Esta ecuación se obtiene al suponer que los términos de
la sucesión siguen una forma exponencial, aₙ = rⁿ, donde r es una constante.

5
 Al resolver la ecuación característica, se encuentran las raíces o soluciones r ₁, r ₂, ..., r ₖ.
Luego, la solución general de la sucesión recurrente homogénea se puede expresar como una
combinación lineal de términos exponenciales:

aₙ = A₁ * r₁ⁿ + A₂ * r₂ⁿ + ... + Aₖ * rₖⁿ,

donde A₁, A₂, ..., Aₖ son constantes determinadas por las condiciones iniciales de la
sucesión.

Su solución general se obtiene resolviendo la ecuación característica asociada y depende

de las condiciones iniciales de la sucesión.

En general la regla de recurrencia homogénea se caracteriza por tener con :

 Ausencia de términos independientes

 Dependencia de las condiciones iniciales
 Solución general a partir de la ecuación característica
 Homogeneidad en la estructura de la secuencia
 Relación lineal entre los términos anteriores

RECURRENCIA LINEAL NO HOMOGÉNEA

Una recurrencia lineal no homogénea es una ecuación recurrente en la que la parte

derecha de la ecuación no es igual a cero, es decir, hay un término independiente presente. A
diferencia de una recurrencia lineal homogénea, donde la relación entre los términos se establece
solo a través de una combinación lineal de los términos anteriores, en una recurrencia lineal no
homogénea, ese término independiente afecta directamente el valor de los términos de la
secuencia.

La forma general de una recurrencia lineal no homogénea es:

aₙ = c₁ * aₙ₋₁ + c₂ * aₙ₋₂ + ... + cₖ * aₙ₋ₖ + gₙ

Donde aₙ representa el n-ésimo término de la secuencia, c₁, c₂, ..., cₖ son coeficientes
constantes que multiplican los términos anteriores, aₙ₋₁, aₙ₋₂, ..., aₙ₋ₖ, y gₙ es el término
independiente o función que se suma a la combinación lineal.

6
 La solución general de una recurrencia lineal no homogénea se compone de dos partes:
una solución particular y la solución general de la recurrencia lineal homogénea asociada.

La solución particular es una solución particular de la ecuación no homogénea y

depende de la forma específica del término independiente gₙ.

La solución general de la recurrencia lineal homogénea asociada se encuentra

resolviendo la ecuación característica correspondiente, que se obtiene al asumir una forma
exponencial para los términos de la secuencia. La solución general de la recurrencia lineal no
homogénea se expresa como la suma de la solución particular y la solución general de la
recurrencia lineal homogénea asociada. Esta solución general abarca todas las posibles
soluciones de la recurrencia lineal no homogénea.

En resumen, una recurrencia lineal no homogénea:

 Es una ecuación recurrente en la que hay un término independiente presente

 La relación entre los términos se establece mediante una combinación lineal de los
términos anteriores y el término independiente.
 La solución general de la recurrencia lineal no homogénea se compone de una solución
particular y la solución general de la recurrencia lineal homogénea asociada.

RECURRENCIA NO LINEAL

Una recurrencia no lineal es una ecuación recurrente en la que la relación entre los
términos no se establece de manera lineal. En otras palabras, los términos de la secuencia no se
obtienen mediante una combinación lineal de los términos anteriores.

La forma general de una recurrencia no lineal es:

aₙ = f(aₙ₋₁, aₙ₋₂, ..., aₙ₋ₖ)

Donde aₙ representa el n-ésimo término de la secuencia y f es una función no lineal que

depende de los términos anteriores aₙ₋₁, aₙ₋₂, ..., aₙ₋ₖ. Esta función puede involucrar operaciones
no lineales como multiplicación, división, exponenciación, logaritmos, trigonometría, entre
otros.

7
 Las recurrencias no lineales son más difíciles de resolver y analizar en comparación con
las recurrencias lineales, ya que no existen métodos generales para encontrar una solución
explícita. En muchos casos, se requiere utilizar técnicas numéricas o métodos aproximados para
encontrar valores de la secuencia.

Las recurrencias no lineales son comunes en diversos campos de las matemáticas y las
ciencias, como la teoría del caos, la dinámica de sistemas, la teoría de juegos y la física no lineal.
Estas ecuaciones permiten modelar fenómenos complejos que no pueden ser representados de
manera adecuada mediante relaciones lineales simples. Su estudio implica explorar las
propiedades y comportamientos de las secuencias generadas por estas ecuaciones, y en muchos
casos, se realizan análisis gráficos y simulaciones para comprender su dinámica.

II CAPÍTULO II
II.1 Sucesión de Fibonacci
II.1.1 Definición
La secuencia de Fibonacci es una sucesión infinita de números naturales, descrita por
primera vez por el matemático italiano Fibonacci en el siglo XIII. La secuencia de Fibonacci
forma parte de numerosos sistemas, incluso de la naturaleza, por ejemplo, se encuentra en la
disposición de las ramas de los árboles, los pétalos de las flores y las hojas de un tallo, siendo el
girasol el ejemplo más preciso.

Secuencia Fibonacci:

1, 1, 2, 3, 5, 8, 13, 21, 34, 55…

Cada término de la secuencia después de los dos primeros, es la suma de los dos términos
anteriores.

1 + 1 = 2, 1 + 2 = 3, 2 + 3 = 5, 3 + 5 = 8, 5 + 8 = 13 y así en adelante

Para hallar el término enésimo aplicaremos la siguiente fórmula:

8
 ( ) ( )
n n
−1 1− √ 5 1 1+ √ 5
a n= +
√5 2 √5 2

II.1.2 Aplicaciones

Las sucesiones de Fibonacci tienen su aplicación en el estudio bursátil, se consideran un

indicador muy importante para ver la magnitud de los retrocesos en la Bolsa:

Ante la confirmación de un retroceso en la cotización, se buscará calcular la probable

magnitud del movimiento. Para lograrlo, se aplican ciertos porcentajes obtenidos de la sucesión
de Fibonacci a la magnitud total de la tendencia previa.

Los porcentajes utilizados son los siguientes:

 61.8%: Conocido también como la proporción áurea, o número áureo, es el límite del cociente
que se obtiene de la división de un elemento de la sucesión de Fibonacci entre el siguiente,
conforme la serie tiende a infinito.
 50.0%: Es el retroceso más comúnmente aceptado, equivalente a la mitad del avance de la
tendencia principal.
 38.2%: Se obtiene de restar 61.8% de la unidad (1.000 – 0.618 = 0.382).
 100%: Equivalente a la magnitud total de la tendencia principal.

Los porcentajes de retroceso en el análisis bursátil deben ser calculados solamente

después de que se ha confirmado el fin de una tendencia, nunca mientras la tendencia continúa
vigente.

Teniendo en cuenta que las tendencias siempre forman parte de una tendencia de más
largo plazo y a su vez están formadas por tendencias de más corto plazo, la pregunta: ¿Sobre cuál
de estas tendencias debo calcular los retrocesos? Puede no tener una respuesta simple. En
términos generales, debemos calcular los retrocesos sobre aquella tendencia que haya dado
señales claras de terminación.

9
 Se considera que una tendencia débil puede tener un retroceso de 31.8%, mientras que
una tendencia muy fuerte puede tener un retroceso de 61.8%, antes de retomar su dirección
original.

Algunos libros mencionan una zona crítica de 33 al 38.2%, y de 61.8 a 67%, en lugar de
los niveles específicos

Las críticas más importantes en contra de los retrocesos de Fibonacci están fundamentadas en
la teoría del paseo aleatorio, argumentando que no hay justificación para suponer que la acción
del precio tenga razón alguna para respetar niveles predeterminados de retroceso.

Los retrocesos de Fibonacci forman una parte importante de la Teoría de ondas de Elliott.

II.1.3 Matriz de Fibonacci

Sea la sucesión: 1 ,1 , 2 ,3 ,5 , 8 , 13 ,21 … ..(sucesión de Fibonacci)

Formula Recursiva:

a n=f ( n )

a 0=0

a 1=1

10
 a n+1=an +an −1 , para ∀ n ∈ N

( )(
an+1
an
a +a
= n n−1 =
an
1 1 an
1 0 a n−1 ) ( )( )
Tenemos

( ) ( )
an+1 = A a n
an an−1

Denotando

( aa )= A ( aa ) para ∀ n ∈ N …(1)
n+1

n n−1
n

Cambiando n por n−1en … (1), tenemos

( ) ( )
an =A a n−1
an−1 a n−2

reemplazando en la matriz

( aa )= A ( aa )→( aa )= A . A ( aa )
n+1

n
n

n−1
n+ 1

n
n−1

n−2

Repitiendo el mismo proceso n−1veces llegamos a

( aa )= A ( aa )→( aa )= A (aa )= A ( aa )= A ( aa )=…=A ( aa )

n+1

n
n

n−1
n+ 1

n n−1
n 2 n−1

n−2
3 n−2

n−3
n 1

Obtenemos

( ) ()
an+1
an
n a
=A 1
a0

III CAPÍTULO III

III.1 Diagonalización de matrices
III.1.1 Matrices
Las matrices son un conjunto bidimensional de números o símbolos distribuidos
de forma rectangular, en líneas verticales y horizontales, de manera que sus elementos se

11
organizan en filas y columnas. Sirven para describir sistemas de ecuaciones lineales o
diferenciales, así como para representar una aplicación lineal.
Toda matriz se representa por medio de una letra mayúscula, y sus elementos se
reúnen entre dos paréntesis o corchetes, en letra minúscula. A su vez, tienen doble
superíndice: el primero hace referencia a la fila y el segundo a la columna a la que
pertenece.
Esta expresión matemática puede sumarse, multiplicarse y descomponerse, por lo
que su uso es común en el álgebra lineal.
Algunos de los conceptos necesarios para completar la definición y el análisis de
las matrices son:

● Elementos: son los números que conforman la matriz.

● Dimensión: se trata del resultado del número de filas por el número de columnas.

Se designa la m al número de filas y n al número de columnas.

● Anillos: se trata de un término propio del álgebra y hace referencia al sistema

formado por un conjunto de operaciones internas que responden a una serie de

propiedades. Las matrices se entienden como elementos de un anillo.

● Función: se trata de una regla de correspondencia entre dos conjuntos en el que un

elemento del primer conjunto se corresponde, exclusivamente, con un solo

elemento el segundo conjunto.

También, encontramos varios tipos de matrices, tales como:

● Rectangular: tiene diferentes números de filas y columnas.

● Fila: una matriz rectangular, pero con una sola fila.

● Columna: una matriz rectangular, pero con una sola columna.

● Nula: matriz cuyos elementos son iguales a cero.

12
● Cuadrada de orden n: matriz que tiene el mismo número de filas que de columnas.

En este tipo de matrices, la dimensión se llama orden, y su valor coincide con el

número de filas y columnas.

● Diagonal: es un tipo de matriz cuadrada en la que los elementos que no se

encuentran en la diagonal principal son iguales a cero.

● Escalar: es una matriz diagonal en la que todos los elementos presentes en la

diagonal principal son iguales.

● Identidad: se trata de una matriz escalar en la que los elementos de la diagonal

principal son iguales a uno, mientras que el resto de los elementos son iguales a
cero.

● Opuesta: es opuesta a otra cuyos elementos tienen un signo contrario a la matriz

principal. Es decir, la matriz opuesta a A se denomina -A y todos los elementos del

conjunto son contrarios a los elementos de la matriz A.

● Traspuesta: se trata de la matriz que se obtiene al convertir las filas en columnas.

Se utiliza el superíndice t para representarla y su dimensión es n x m.

● Triangular superior: se trata de una matriz cuadrada en la que al menos uno de los

términos que está por encima de la diagonal principal es distinto a cero, y todos
los que están situados por debajo a ella son iguales a cero.

● Triangular inferior: a diferencia del tipo anterior, en este tipo de matriz al menos

uno de los elementos que están debajo de la diagonal principal son diferentes a
cero y todos los que están por encima de ella son iguales a cero.

13
III.1.2 Definición
Para estudiar una matriz suele ser conveniente expresarla de forma lo más sencilla
posible. Diagonalizar una matriz A es precisamente eso: escribirla de manera simple
encontrando una matriz invertible P y una diagonal D (si se puede) tales que
−1
A=PDP

La matriz P se llama matriz de paso.

Puede que esto, al principio, no parezca más simple de lo que ya era A

directamente. Sin embargo, lo es desde muchos puntos de vista. Dado que las matrices
suelen usarse para representar aplicaciones lineales, la expresión anterior puede verse
como un cambio de base de la aplicación representada por A; entonces, esta forma de
escribirlo dice: hay una base en la que la aplicación lineal A tiene una forma muy simple
(diagonal). Esto es útil, por ejemplo, para clasificar una aplicación lineal y estudiar sus
propiedades. Las matrices se usan para representar otras cosas como cónicas, cuádricas o
formas bilineales, y en estos casos también resulta útil esta forma de expresarlas.

La relación anterior entre las matrices A y D es importante y aparece en muchos

contextos, así que tiene nombre propio:

Cuando dos matrices cuadradas A y B verifican que A=PBP−1para cierta matriz

cuadrada P (invertible, claro) decimos que A y B son semejantes.

Una matriz es diagonalizable cuando se puede diagonalizar; es decir, cuando

podemos encontrar una matriz diagonal y una invertible de forma que la matriz se escriba
como dijimos antes. Dicho de otra forma: una matriz es diagonalizable cuando es
semejante a una matriz diagonal. En estas prácticas sólo consideraremos como
diagonalizables las matrices que sean semejantes a una matriz diagonal real. Entonces,
más exactamente: una matriz es diagonalizable cuando es semejante a una matriz
diagonal real.

● ¿Cuándo y cómo podemos diagonalizar una matriz?

Si conseguimos escribir una matriz A como A=PBP−1, entonces podemos poner

también AP=PD . Si D es diagonal y nos fijamos en la columna i de esta última igualdad

14
lo que tenemos es que A x i=¿ λ x ¿ (donde x ies la columna i de A y λ ies el número en el
i i

lugar i de la diagonal de D). Esto nos dice que para diagonalizar una matriz nos hace falta
conocer los vectores a los que les pase algo así.
Si un número λ y un vector no nulo x verifican la relación diremos que
Ax=λx es un valor propio o autovalor de la matriz A y que x es un vector propio o
autovector de A asociado al valor propio λ .
Es fácil ver que diagonalizar una matriz A de tamaño n∗nes lo mismo que
encontrar vectores propios linealmente independientes asociados a valores propios reales,
ya que entonces podemos ponerlos por columnas y conseguir así la matriz P (puedes
comprobar que entonces se cumple la relación que buscamos). Entonces, para
diagonalizar una matriz lo que tenemos que hacer es buscar n vectores propios suyos
linealmente independientes asociados a valores propios reales.

● ¿Cómo encontrar valores y vectores propios de una matriz?

Es fundamental, pues, hallar los valores propios de A y los vectores propios

asociados. Como un vector propio λ hace que el sistema Ax=λx tenga solución x distinta
de cero, la matriz de coeficientes A−λI (donde I denota la matriz identidad de orden n)
debe tener determinante no nulo. Este determinante det( A−λI ) es un polinomio en λ de
grado n y se denomina polinomio característico de A. Por lo tanto, los valores propios de
A serán los ceros del polinomio característico de A.

Observa que una matriz puede perfectamente tener valores propios imaginarios.
Por otro lado, el conjunto de vectores propios de A asociados a un mismo valor
propio λ forman un subespacio vectorial de Rn que se llama subespacio propio asociado al
valor propio λ , y es el núcleo de la matriz A−λI . Para concluir si una matriz A es o no
diagonalizable bastará pues averiguar si hay "suficientes" valores propios reales para
construir D y si hay "suficientes" vectores propios linealmente independientes asociados;
esta información nos la dará la dimensión de los subespacios propios y queda recogida en
el siguiente resultado:
Una matriz real cuadrada de orden n es diagonalizable si y sólo si tiene n vectores
propios linealmente independientes asociados a valores propios reales. Además, el

15
teorema espectral nos confirma un caso en el que siempre es posible diagonalizar: Toda
matriz real simétrica es diagonalizable. En este caso, se puede conseguir además que las
columnas de la matriz de paso P sean una base ortonormal y por lo tanto que P sea una
matriz ortogonal.
A continuación, algunos ejemplos y demostraciones de diagonalizaciones:
EJEMPLO 01:
Diagonaliza la siguiente matriz cuadrada de dimensión 2×2:
A=( 22 1 3 )

Primero debemos determinar los valores propios de la matriz A. Así que

calculamos la ecuación característica resolviendo el siguiente determinante:
( A−λI )=|2−λ 21 3−λ|

Ahora calculamos las raíces del polinomio característico:

2
λ −5 λ+ 4=0 {λ=4 λ=1

16
 Una vez conseguidos los valores propios, calculamos el vector propio asociado a
cada uno. En primer lugar, el vector propio correspondiente al valor propio 1:
( A−I ) υ=0

(12 12)( xy)=(00)

x +2 y=0 , x+ 2 y =0 }→ x=−2 y

υ= −2
1( )
Construimos la matriz P, formada por los vectores propios de la matriz:

P= (−21 11)
Como todos los valores propios son diferentes, la matriz A sí que es diagonalizable. De
modo que la matriz diagonal correspondiente es aquella que tiene los valores propios en
la diagonal principal:

D= (10 04 )
Recuerda que se deben colocar los valores propios en el mismo orden que están puestos
los vectores propios en la matriz P.
En conclusión, la matriz de cambio de base y la matriz diagonalizada son:

P= (−21 11) D=(10 04)

EJEMPLO 02:
Diagonaliza si es posible la siguiente matriz cuadrada de tamaño 3×3:

( )
3 0 0
A= 0 2 1
0 1 2
El primero paso es encontrar los valores propios de la matriz A. Así que calculamos la
ecuación característica resolviendo el determinante de la siguiente matriz:

| |
3−λ 0 0
Det ( A− λI )= 0 2−λ 1
0 1 2− λ

17
Como la primera fila son todo ceros excepto el 3, aprovecharemos para resolver el
determinante de la matriz por cofactores (o adjuntos):

| |
3−λ 0 0
0
0
2−λ
1
1 =( 3− λ ) ⋅
2−λ
2−λ
1
1
2−λ | |
=( 3− λ ) [ λ −4 λ+ 3 ]
2

Ahora tenemos que calcular las raíces del polinomio característico. Es mejor no
multiplicar los paréntesis ya que entonces obtendríamos un polinomio de tercer grado,
por contra, si se resuelven los dos factores por separado es más fácil conseguir los valores
propios:

{
3− λ=0→ λ=3
( 3−λ ) [ λ −4 λ+ 3 ] =0 ⟶ 2
2
λ −4 λ+3=0 → λ=1
λ=3 {
De manera que los autovalores de la matriz son:
λ=1 λ=3 λ=3
Una vez encontrados los valores propios, calculamos el vector propio asociado a cada
uno. En primer lugar, el vector propio correspondiente al valor propio 1:
( A−I ) υ=0

( )( ) ( )
2 0 0 x 0
0 1 1 y =0
0 1 1 z 0

}
2 x=0 x=0
y + z=0 → y =−z
y + z=0

()
0
υ= −1
1
Después calculamos los vectores propios asociados a los valores propios 3:
( A−3 I ) υ=0

( )( ) ( )
0 0 0 x 0
0 −1 1 y = 0
0 1 −1 z 0

18
 }
0=0
− y + z=0 → y=z
y−z=0

()
0
υ= 1
1
Como el valor propio 3 está repetido dos veces, tenemos que calcular otro vector propio
que cumpla con las ecuaciones del auto espacio:

()
0
υ= 1
1

Construimos la matriz P, formada por los vectores propios de la matriz:

( )
0 0 1
P= −1 1 0
1 1 0
A diferencia del ejercicio 4, en este caso sí que hemos podido formar 3 vectores
linealmente independientes, aunque la multiplicidad algebraica del autovalor 3 sea doble.
Se puede comprobar viendo que el determinante de la matriz P da un resultado diferente
de 0:
Det ( P )=¿
De modo que sí que se puede realizar la descomposición diagonal de la matriz A. Y la
matriz diagonal correspondiente es aquella que tiene los valores propios en la diagonal
principal:

( )
1 0 0
D= 0 3 0
0 0 3
Recuerda que se deben colocar los valores propios en el mismo orden que están puestos
los vectores propios en la matriz P.
En definitiva, la matriz de cambio de base que se requiere para diagonalizar la matriz y su
forma diagonalizada son:

19
 ( ) ( )
0 0 1 1 0 0
P= −1 1 0 D= 0 3 0
1 1 0 0 0 3

CONDICIONES PARA DIAGONALIZAR UNA MATRIZ:

Condición 1:

Un endomorfismo (o una matriz) es diagonalizable si y sólo si existe una base del espacio
vectorial (que para el caso de la matriz será Rn ) formada por vectores propios del endomorfismo
(o de la matriz). Cuando tengamos una matriz A diagonalizable tendremos:

−1
A=PD P

Donde D es una matriz diagonal y Pes invertible. A D la llamaremos matriz diagonal

semejante a A y a P y a su inversa matrices de paso o matrices cambio de base. Entonces si
tomamos el endomorfismo f de Rn tal que:

M c ⟶ c ( f )= A

(con c la base canónica de Rn ), para la descomposición A=PD P−1 pueden tomarse

D=M B ⟶ B ( f ) y P=M B ⟶ C

con B una base de Rn formada por vectores propios de A .

Condición 2:

Una matriz cuadrada A de orden n con coeficientes sobre el cuerpo R es diagonalizable

sobre el cuerpo si y sólo Rn es la suma (directa) de todos los subespacios propios de la matriz si y
sólo si la suma de las dimensiones de dichos subespacios propios es n Como consecuencia de este
resultado obtenemos, como ya adelantamos con anterioridad, que la base de vectores propios se
puede hallar uniendo bases de cada uno de los subespacios propios de A .

20
 Condición 3:

Sea A una matriz cuadrada de orden n con coeficientes sobre el cuerpo R . Entonces A es
diagonalizable sobre el cuerpo si y sólo si se verifican las siguientes condiciones:

 El polinomio característico ϕ A tiene sólo raíces reales. Esto equivale a que la suma de las
multiplicidades de todos los valores propios reales de la matriz es n .

 Para cada valor propio λ de la matriz A se tiene que:

dim [ ker ( A−λI ) ] =m ( λ )

Es una sencilla observación que si λ es un valor propio de una matriz cuadrada A tal que
m ( λ )=1 , entonces dim [ ker ( A−λI ) ] =1. Esto es consecuencia de que:

1 ≤ dim [ ker ( A−λI ) ] ≤ m ( λ )=1

Deducimos de esto el siguiente criterio, el cual nos proporciona una situación en la que
una matriz es diagonalizable; esta situación no tiene por qué darse en todos los casos de matrices
diagonalizables, pero cuando se da es más sencillo observar que la matriz lo es.

Condición 4:

Sea A una matriz cuadrada de orden n con coeficientes sobre el cuerpo R . Si A posee n
valores propios de multiplicidad 1 en R , entonces A es diagonalizable sobre R .

Demostración:

Determinar si son diagonalizables o no las matrices que se dan a continuación, y en caso

afirmativo, obtener una matriz diagonal asociada y una matriz de paso, que permita descomponer
la matriz inicial:

1.-

21
 2.-

Soluciones:

1. Sobre R son diagonalizables A , B y E .

2. Valores propios: De F son 0 ,0 ,3; de G es 4 ±i ; de H son 0 ,1, 3; de J son 1, 1, 1; de Lson
2, 2, -4; de M son 1, 1, 10; de Q son 0, 0, 2, 2; de R son –1, -1, -1, 5.

Son diagonalizables sobre R las matrices H , M , L y R . Sobre C es diagonalizable además

G . El que conviene hacer es el L, con la suma de las dimensiones (porque es de un valor propio
doble), y el H , en el que son todos simples, se resuelve con la condición automática. Vamos a
hacer el desarrollo completo con las matrices H y L .

22
 Empezando por la primera, el polinomio característico es:

de donde deducimos que los valores propios de H son:

1 , 0 ,3

(con multiplicidad uno todos). Entonces según uno de nuestros criterios la matriz es
diagonalizable, pues es de orden 3 y tiene 3 valores propios distintos. Una matriz diagonal
asociada sería:

Hallemos una base de R3 formada por vectores propios de la matriz. Para ello tenemos
que hallar una base de cada uno de los subespacios propios:

En primer lugar, tenemos que

y una base de este espacio vectorial es

{ ( 2 , 1 ,0 ) }

23
Después tenemos que

Y una base de este espacio vectorial es

{ ( 1 , 1 ,0 ) }

En último lugar tenemos que

Y una base de este vectorial es

{ (−5 , 5 ,−3 ) }

Así tenemos la siguiente base de R3 formada por vectores propios de H

B1={ ( 2 , 1 ,0 ) , ( 1 , 0 , 0 ) , (−5 , 5 ,−3 ) }

Entonces denotando por C a la base canónica de R3 se tiene la siguiente descomposición

−1
H=P 1 D1 P1

}Donde

24
 Ahora vamos con la matriz L. Su polinomio característico es

de donde deducimos que los valores propios de Lson

−4 , 2, 2

Para comprobar que la matriz es diagonalizable sobre R habría que ver en primer lugar
que hay tantos valores propios reales (se cuenta cada uno repetido según su multiplicidad, es
decir el −4 una vez y el 2 dos veces) como tamaño tiene la matriz, 3, lo cual es claro que se
cumple. Ahora habría que comprobar que cada valor propio tiene igual multiplicidad que
dimensión su subespacio propio. Como el valor propio −4 tiene multiplicidad 1 para él ya
sabemos que la coincidencia se da. Vayamos a realizar la comprobación sobre el valor propio
doble: el 2. Como la matriz es

es claro que

dim [ ker ( L−2 I ) ] =3−r ( L−2 I ) =3−1=2=m ( 2 )

por lo que ya está comprobada la coincidencia para todos los valores propios. Una matriz
diagonal asociada sería

Hallemos una base de R3 formada por vectores propios de la matriz. Para ello tenemos
que hallar una base de cada uno de los subespacios propios:

25
En primer lugar, tenemos que

Y una base de este espacio vectorial es

{( 0 , 0 , 1 ) }

A partir de la matriz L−2 I calculada anteriormente tenemos que

y una base de este espacio vectorial es (despejando y=−2 x +3 z )

{ ( 1 ,−2−, 0 ) , ( 0 ,3 , 1 ) }

Así tenemos la siguiente base de R3formada por vectores propios de L

B2={ ( 0 ,0 , 1 ) , (1 ,−2 ,0 ) , ( 0 , 3 , 1 ) }

Entonces denotando por C la base canónica de R3 se tiene la siguiente descomposición

−1
L=P2 D2 P2

Donde

26
 III.1.3 Aplicación
1. Cálculo de potencias de matrices

Si A es una matriz diagonalizable cuya descomposición es

−1
A=PD P

(donde D es la matriz diagonal asociada y P la matriz de paso) entonces se cumple para

cada índice natural k que

k k −1
A =P D P

Además, si D es una matriz diagonal con elementos

{ λ 1 , λ 2 , λ3 , … , λn }

en la diagonal principal, para cada k =1 ,2 , 3 , … se tiene que Dk es también una matriz

diagonal, y los elementos de la diagonal principal son

{ λk1 , λk2 , λk3 , … , λkn }

2. Diagonalización de matrices simétricas reales

Tiene especial interés la diagonalización de matrices simétricas. Supongamos que

tenemos una matriz cuadrada real A de orden n que es simétrica (recordemos que esto significa
que A=A t ). Vamos a considerar el espacio vectorial euclídeo Rn , en el que se considera el
producto escalar euclídeo. Entonces:

i. A es siempre diagonalizable sobre R , en particular sus valores propios son todos reales
(no hay valores propios imaginarios).
ii. Vectores propios de la matriz asociados a distintos valores propios son ortogonales.
iii. Puede encontrarse una base ortogonal (e incluso ortonormal) de Rn formada por vectores
propios de la matriz.

Recordemos que una matriz cuadrada A se dice que es ortogonal cuando es invertible y
−1 t
A =A . En referencia a esto se tiene que una matriz cuadrada es ortogonal si y sólo si sus

27
vectores-fila (o sus vectores—columna) forman una base ortonormal de espacio Rn , para el
producto escalar euclídeo, y que la matriz cambio de base entre dos bases ortonormales (según el
producto escalar euclídeo) es siempre una matriz ortogonal.

Sea A una matriz cuadrada real simétrica. Según lo anterior A es diagonalizable y

podemos encontrar una base ortonormal B de Rn (respecto al producto escalar euclídeo) formada
por vectores propios de la matriz (esto se hará escogiendo en cada subespacio propio una base
ortonormal y uniendo dichas bases). Entonces en la descomposición A=PD P−1 de A , donde
P=M B ⟶ C, siendo C la base canónica, se tiene que P es una matriz ortogonal, ya que es la
matriz cambio de base entre dos bases ortonormales, B y C , con lo que P−1=P t. En esto consiste
lo que denominaremos la diagonalización ortogonal de la matriz real simétrica A , en hacer la
diagonalización mediante una matriz de paso ortogonal.

III.1.4 Diagonalización de la matriz de Fibonacci

Dada la matriz:

( ) ()
an+1
an
= A 1 … .(2)
n

donde:

A= (11 10)
Donde se logra deducir que la matriz A es diagonalizable y cumple

−1
A=PB P

Además

( )
1 −λ 2
P=
( λ1 λ1 ) B=( λ0 )
1 2 1 0 −1 √ 5
λ2
P =
−1
√5
λ1
√5 √5

También obtenemos los valores característicos o propios de la matriz A los cuales son:

28
 1+ √ 5
y λ 2= √
1− 5
λ 1=
2 2

Buscando obtener An , elevamos A=PB P−1 a la n y resultando en:

An =(PB P−1)=( PB P−1 )( PB P−1 ) ( PB P−1 ) ⋯ ( PB P−1 ) (n veces)

Al multiplicar Ppor P−1 se logra cancelar ya que la matriz Ppor su inversa da como
resultado la matriz I (identidad) , resultando:

n n −1
A =P B P

Buscando obtener Bn, elevamos B a la n y al ser una matriz diagonal, se obtiene:

( )
n
λ1 0
B n= n
0 λ2

Sustituyendo en An =P Bn P−1

( )
1 −λ 2

( λ1 λ1 )( 0 λ )
n
An = 1 2
λ 1 0 √5 √5
n
2 −1 λ1
√5 √5

Sustituyendo An en la matriz (2)

( )( )
1 −λ 2

)( )
n

( λ1 λ 2 λ 0 √5 √5 1
An = 1
1 1 0 λ n2 −1 λ1 0
√5 √5

1
Factorizamos
√5

( )( )( )( )
n
n1 λ 1 λ2 λ 1 0 1 −λ 2 1
A=
√5 1 1 0 λ n2 −1 λ1 0

Efectuando el producto de las matrices de derecha a izquierda

Primer producto:

29
 ( ) ( )( )(
n
an+1 = 1 λ1 λ 2 λ1
)
0 1
an √5 1 1 0 λ
n
2
−1

Segundo Producto:

( ) ( )( )
n
an+1 = 1 λ1 λ 2 λ1
an √5 1 1 − λn2

Tercer y último producto:

( ) ( )
n+ 1 n +1
an+1 = 1 λ1 −λ2
an √5 λ n1−λ n+1
2

1 n n
Ejecutando a n= ⋅ λ1 −λ2 y reemplazando λ❑1 y λ2 obteniendo:
√5

[( ) ( ) ]
n n
1 1+ √ 5 1−√ 5
a n= −
√5 2 2

La ecuación resultante nos permite obtener cualquier término de la Sucesión de Fibonacci

con tan solo reemplazar el npor el término que deseemos obtener.

III.2 Proporción Aurea

Nos adentramos en la geometría, en la proporción áurea y su definición ante un concepto
que realza la armonía de los objetos, del diseño o la arquitectura. Conoceremos ejemplos y
entenderemos cómo observar la proporcionalidad en la vida cotidiana así cómo su cálculo.

III.2.1 Definición
Si recordamos la historia en busca del concepto de divina proporción. Leonardo
Pisano, también conocido como Fibonacci, fue un famoso matemático de Italia que se dedicó a
divulgar por Europa el sistema de numeración árabe (1, 2, 3…) con base decimal y con un valor
nulo (el cero) en su Libro del ábaco en 1202.
Pero, el gran descubrimiento de este matemático fue la Sucesión de Fibonacci que,
posteriormente, dio lugar a la proporción áurea en arte. La proporción áurea, también conocida

30
como proporción dorada, divina proporción o razón áurea, es una relación matemática especial
que se encuentra en diversos aspectos de la naturaleza, el arte y la arquitectura. Su valor
numérico aproximado es 1,6180339887. La
historia de la proporción áurea se remonta a la antigua Grecia, donde fue estudiada y descrita por
los matemáticos griegos. El término "proporción áurea" fue acuñado por el matemático alemán
Martin Ohm en el siglo XIX, pero el concepto en sí es mucho más antiguo
. El matemático griego Euclides fue uno de los primeros en estudiar las propiedades de la
proporción áurea en su obra "Elementos". Euclides describió la proporción áurea como una
división en una línea recta de tal manera que la relación entre la longitud total y la parte más
larga es igual a la relación entre la parte más larga y la parte más corta. Esta relación se puede
expresar matemáticamente como:(a + b) / a = a / b = φ Donde
"a" representa la parte más larga y "b" representa la parte más corta de la línea. La proporción
áurea también fue estudiada y aplicada por otros matemáticos y filósofos griegos, como
Pitágoras y Platón, quienes la consideraban un principio estético y armónico fundamental en el
arte y la naturaleza. En el Renacimiento, el interés por la proporción áurea fue revivido por
artistas y arquitectos, como Leonardo da Vinci y Miguel Ángel. Estos artistas aplicaron la
proporción áurea en sus obras, como la Mona Lisa y La creación de Adán, utilizando las
proporciones áureas para lograr una sensación de equilibrio y armonía visual.
Además del arte y la arquitectura, la proporción áurea también se encuentra en la naturaleza, en
la forma de conchas de caracol, pétalos de flores, ramas de árboles y muchas otras estructuras
biológicas. Esta presencia generalizada ha llevado a la proporción áurea a ser considerada como
un principio estético universalmente atractivo y armonioso.
En resumen, la proporción áurea es una relación matemática especial que ha sido estudiada y
aplicada en el arte, la arquitectura y la naturaleza a lo largo de la historia. Su presencia en estas
diversas áreas ha contribuido a su reconocimiento como un principio estético y armónico
fundamental.

Posteriormente, la fascinación ha sido tal a lo largo de la historia que un matemático y

teólogo italiano Luca Pacioli publicó un libro titulado La Divina Proporción (1509) en el que
daba cinco razones para desentrañar de por qué el número áureo es divino:

31
  El hecho de que esté definido por tres segmentos de una recta, que
asemeja a la Trinidad.
 La unicidad del propio número, que asemeja a la de Dios.
 Si miramos la inconmensurabilidad del número, igual que Dios es
inconmensurable.
 Dios dio ser al universo a través de la quinta esencia, representada
en un su momento por un dodecaedro, y el número de oro dio ser al dodecaedro.
 Nuestro Dios es omnipresente e invariable, igual que es este
número.

III.2.2 Número Áureo

¿Qué es la Sucesión de Fibonacci?… Se trata de una serie numérica: 0, 1, 1, 2, 3, 5, 8,
13, 21, 34, 55, etc. Es una serie infinita en la que la suma de dos números consecutivos siempre
da como resultado el siguiente número (1+1=2; 13+21=34). La relación que existe entre cada
pareja de números consecutivos (es decir, si dividimos cada número entre su anterior) se
aproxima al número áureo (1,618034).
1+ √ 5
Φ= =1,61803 …
2

La proporción áurea, además de ser tomada como divina, obtuvo la fama de conseguir
realzar la armonía y la belleza de los objetos o el arte. Por el auge de esta fama, a lo largo de la
historia, la proporción áurea fue aplicada a innumerables proyectos de arquitectura o pintura.
Algunos de estos proyectos se relacionaban con la iglesia y la religión cristiana, pero también
aparecía en otros donde no existía una relación aparente. Aquellos artistas comprendieron en su
momento que la proporción es un aspecto a cuidar ante el espectador, para ganar armonía y
resaltar la belleza de las cosas.

III.2.3 Cómo observar la proporción áurea

32
La compresión de la proporcionalidad: es lo que cambiará la forma de ver los objetos que os
rodean, por ejemplo, objetos que psicológicamente podrían tener evidentes connotaciones
negativas como las cajetillas de tabaco o las tarjetas de crédito, son rectángulos áureos pues ello
les confiere cierta belleza estética, eso se llama «marketing»…
Para saber rápidamente cómo sacar la proporción áurea en un objeto basta con ponerlo al lado
de otro, lado corto junto a lado largo y trazar una diagonal desde la esquina superior e inferior
del conjunto, si se alinean tres vértices es que se cumple la proporción áurea en diseño de los
objetos.
El ejemplo representativo sería:

Un «juguete» que nos ha fascinado por si simplicidad y la forma de sobreponer la espiral

áurea sobre cualquier forma es el Golden Sección Finder diseñado por el

33
estudio Areaware. Una tarjeta delgada, del tamaño de un bolsillo que ayuda a localizar a la
perfección y proporcionalidad en los elementos cotidianos o en la propia naturaleza.

34
 BIBLIOGRAFÍA

 Qué son las matrices, conceptos asociados, tipos y aplicación. (s/f). Ferrovial.

Recuperado el 2 de julio de 2023, de

https://www.ferrovial.com/es/stem/matrices/

 de Álgebra, P., & T., E. U. A. (s/f). Diagonalización de matrices. Canizo.org.

Recuperado el 2 de julio de 2023, de

https://canizo.org/docencia/diagonalizacion.nb.pdf

 Diagonalizar una matriz (matriz diagonalizable): ejercicios resueltos. (2020,

junio 1). matrices y determinantes.

https://www.matricesydeterminantes.com/matrices/como-diagonalizar-una-

matriz-diagonalizable-diagonalizacion-de-matrices-2x2-3x3-4x4-ejercicios-

resueltos-paso-a-paso/

 Fuente :Ovacen. (2022). Proporción áurea: Qué es y cómo encontrarla. OVACEN.

https://ovacen.com/proporcion-aurea-que-es/

 PL GOMEZ. (2017). Tema 6: Diagonalización de matrices. Cartagena. Universidad

Politécnica de Cartagena.

 Bernard Kolman, David R. Hill. (2006). Algebra Lineal. Pearson Educación.

35