Diagonalización de Una Matriz

AP
ENDICE A
Algebra matricial
El estudio de la econometra requiere cierta familiaridad con el algebra matricial.
La teora de matrices simplica la descripci on, desarrollo y aplicaci on de los metodos
econometricos. En este captulo, se resumen algunos conceptos fundamentales del algebra
matricial que se usaran a lo largo del curso.
A.1. Matrices
Definici on 103. Una matriz A de orden m n es un conjunto de elementos a
ij
(i = 1, . . . , m; j = 1, . . . , n) dispuestos en m las y n columnas
A =
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
. . . .
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
Las matrices se representan por letras may usculas en negrita, A. El elemento de la
la i-esima y de la columna j-esima se representa por una letra min uscula con un par
de subndices, a
ij
. De aqu, un modo abreviado de escribir una matriz es A = [a
ij
] para
i = 1, 2 . . . , m y j = 1, 2 . . . , n. El orden o dimensi on de la matriz m n nos indica el
n umero de las y de columnas. La matriz A se denomina cuadrada cuando m = n y
rectangular si m = n.
Los elementos de una matriz pueden ser n umeros de cualquier clase. Se consideran
aqu matrices de n umeros reales, a
ij
.
Ejemplo 28. La matriz
A =
_
_
_
6 5 7 4
5 4 2 5
1 1 11 1
_
_
_
es una matriz rectangular de orden 3 4; el elemento de la la 3 y columna 3 es 11.
Definici on 104. La traspuesta de la matriz A = [a
ij
] de orden mn es una matriz
A
= [a
ji
] de orden n m cuyas las (columnas) son las columnas (las) de la matriz
A
A
=
_
_
_
_
_
_
a
11
a
21
. . . a
m1
a
12
a
22
. . . a
m2
.
.
.
.
.
. . . .
.
.
.
a
1n
a
2n
. . . a
mn
_
_
_
_
_
_
191
192 A.2. Vectores
Ejemplo 29. La traspuesta de la matriz A del ejemplo 1 es
A
=
_
_
_
_
_
6 5 1
5 4 1
7 2 11
4 5 1
_
_
_
_
_
A.2. Vectores
Definici on 105. Un vector columna es una matriz de orden m 1, es decir, una
matriz que s olo tiene una columna
a =
_
_
_
_
_
_
a
1
a
2
.
.
.
a
m
_
_
_
_
_
_
Un vector columna se denota por una letra min uscula en negrilla y se escribe de
forma abreviada como a = [a
i
]. Cada elemento del vector tiene un subndice que indica
la posicion en la columna.
Un vector la es una matriz de orden 1 m, es decir, una matriz que s olo tiene una
la
a
a
1
a
2
. . . a
m
_
La traspuesta de un vector columna a = (a
1
a
2
. . . a
m
)
es un vector la a
= (a
1
a
2
. . . a
m
).
Observe que la notacion (a
1
a
2
. . . a
m
)
indica la traspuesta un vector la (que es un vec-

tor columna) y se usa para escribir un vector columna en una lnea de texto.
Definici on 106. Sean a = (a
1
, . . . , a
m
)
y b = (b
1
, . . . , b
m
)
dos vectores columna

del mismo orden m1, su producto escalar se dene como
a
b = b
a = a
1
b
1
+ a
2
b
2
+ + a
m
b
m
=
m
i=1
a
i
b
i
que es la suma de los productos de cada elemento de a por el correspondiente elemento
de b.
Definici on 107. La norma de un vector x se dene como
x =
x
siendo el vector normalizado x/x.
Definici on 108. Dos vectores a = (a
1
, . . . , a
m
)
y b = (b
1
, . . . , b
m
)
son ortogonales,
ab, si su producto escalar es cero
a
b = b
a = a
1
b
1
+ a
2
b
2
+ + a
m
b
m
=
m
i=1
a
i
b
i
= 0
Ejercicio 11. Sea i = (1 1 . . . 1)
un vector m 1 de unos. Calcule el producto

escalar i
i.
Ejercicio 12. Sean i = (1, . . . , 1)
e y = (y
1
, . . . , y
m
)
de orden m 1. Calcule el
producto escalar i
y.
Prof. Dr. Jose Luis Gallego G omez
Departamento de Economa. Universidad de Cantabria
Apuntes de Econometra. LADE y LE. Curso 2008-2009.
Material publicado bajo licencia Creative Commons
A. Algebra matricial 193
Ejercicio 13. Demuestre que la media de las observaciones y
1
, . . . , y
m
puede ex-
presarse como i
y/i
i.
A.3. Operaciones basicas con matrices
1. Igualdad de matrices Dos matrices A = [a
ij
] y B = [b
ij
] del mismo orden
mn son iguales si a
ij
= b
ij
para todo i = 1, 2 . . . , m y j = 1, 2 . . . , n.
2. Suma de matrices La suma de dos matrices A = [a
ij
] y B = [b
ij
] del mismo
orden m n es una matriz C = [c
ij
] = de orden m n tal que c
ij
= a
ij
+ b
ij
para todo i = 1, 2 . . . , m y j = 1, 2 . . . , n.
La suma de matrices cumple las propiedades:
a) Conmutativa: A+B = B+A
b) Asociativa: (A +B) +C = A + (B+C)
c) Existencia de elemento neutro o matriz nula 0 = [0]: A+0 = 0 +A = A
d) Existencia de matriz opuesta: A+ (A) = 0
Ejemplo 30. La suma de las matrices A y B es
C = A+B =
_
_
_
6 5 7 4
5 4 2 5
1 1 11 1
_
_
_+
_
_
_
7 11 2 9
5 8 8 1
6 10 8 10
_
_
_ =
_
_
_
13 16 9 13
10 12 10 6
7 11 19 11
_
_
_
3. Multiplicacion por un escalar El producto de una matriz A = [a
ij
] por
un escalar es una matriz B = [b
ij
] = [a
ij
], esto es, se multiplican todos los
elementos de la matriz por el escalar.
Ejemplo 31. La multiplicaci on de la matriz A por 2 es
E = 2A =
_
_
_
12 10 14 8
10 8 4 10
2 2 22 2
_
_
_
4. Resta de matrices La resta de dos matrices A = [a
ij
] y B = [b
ij
] del mismo
orden m n es una matriz C = [c
ij
] = de orden m n tal que c
ij
= a
ij
b
ij
para todo i = 1, 2 . . . , m y j = 1, 2 . . . , n. La operaci on resta puede denirse
tambien a partir de la suma de matrices y la multiplicaci on de una matriz por
un escalar.
5. Multiplicacion de matrices Sean A = [a
ij
] y B = [b
ij
] dos matrices de
ordenes mn y n p, respectivamente (el n umero de columnas de A es igual
al n umero de las de B). El producto de A y B, AB, es una matriz C = [c
ij
]
de orden mp tal que c
ij
=
n
k=1
a
ik
b
kj
para i = 1, 2 . . . , m y j = 1, 2 . . . , n.
Observe que el elemento c
ij
es el producto escalar de la la i-esima de A por
la columna j-esima de B.
La multiplicacion de matrices cumple las propiedades:
a) Asociativa: (AB)C = A(BC)
b) Distributiva: A(B+C) = AB+AC
Observaci on 80. La multiplicaci on de matrices no cumple la propiedad con-
mutativa: AB = BA.
194 A.4. Determinantes
Ejemplo 32. El producto de las matrices A y B
es
F = AB
=
_
_
_
6 5 7 4
5 4 2 5
1 1 11 1
_
_
_
_
_
_
_
_
7 5 6
11 8 10
2 8 8
9 1 10
_
_
_
_
_
=
_
_
_
147 130 182
128 78 136
49 102 114
_
_
_
6. Trasposicion de matrices La transposici on de matrices, ya denida, cumples
las propiedades:
a) Reexiva: (A
= A,
b) (A+ B)
= A
+B
, la traspuesta de la suma de dos matrices es la suma

de las matrices traspuestas,
c) (AB)
= B
, la traspuesta del producto de dos matrices es el producto

de las traspuestas en orden invertido. Esta propiedad puede extenderse
al producto de tres o m as matrices: (ABC)
= (A(BC))
= (BC)
=
C
.
7. Traza de una matriz La traza de una matriz cuadrada A = [a
ij
] de orden
mm es la suma de los elementos de la diagonal principal
tr(A) = a
11
+ a
22
+ + a
mm
=
m
i=1
a
ii
Es claro que se cumplen las siguientes propiedades:
a) tr(A) = tr(A
)
b) tr(A+B) = tr(A) + tr(B)
c) tr(AB) = tr(BA)
Ejemplo 33. La traza de la matriz F es
tr(F) =
_
_
_
147 130 182
128 78 136
49 102 114
_
_
_ = 147 + 78 + 114 = 339
A.4. Determinantes
El determinante de un escalar o, lo que es lo mismo, de una matriz de orden 1 1
es el propio escalar. El determinante de una matriz A = [a
ij
] de orden 2 2 es
|A| =
a
11
a
12
a
21
a
22
= a
11
a
22
a
12
a
21
que es el producto de los elementos de la diagonal principal menos el producto de los
elementos situados fuera de la diagonal. El determinante de una matriz A = [a
ij
] de
orden 3 3 es
|A| =
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
= a
11
a
22
a
33
+a
12
a
23
a
31
+a
13
a
21
a
32
a
13
a
22
a
31
a
12
a
21
a
33
a
11
a
23
a
32
que es la suma de todos los productos posibles de tres elementos a
1j
1
a
2j
2
a
3j
3
tal que
(i) cada producto tiene un unico elemento de cada la y columna, y (ii) el signo de
cada producto es (1)
p
donde p el n umero de transposiciones requeridas para cambiar
(j
1
, j
2
, j
3
) en (1, 2, 3). Por ejemplo, en el producto a
12
a
23
a
31
se requieren dos transposi-
ciones para pasar de (2, 3, 1) a (1, 2, 3), mientras que en el producto a
13
a
22
a
31
se requiere
una transposicion para pasar de (3, 2, 1) a (1, 2, 3).
En general, el determinante de una matriz A = [a
ij
] de orden m m es la suma
de todos los posibles productos de m elementos de A, a
1j
1
a
1j
2
. . . a
mjm
, tal que (i) cada
producto contiene un solo elemento de cada la y columna, y (ii) el signo de cada
producto es (1)
p
donde p es el n umero de transposiciones requeridas para pasar de
(j
1
, j
2
, . . . , j
m
) a (1, 2, . . . , m):
|A| =
m!
k=1
(1)
p
k
(a
1j
1
a
2j
2
. . . a
mjm
)
k
Definici on 109. Sea A = [a
ij
] una matriz de orden m m, y sea M
ij
= [m
ij
] la
submatriz de orden m 1 m 1 que se obtiene de eliminar la la i y la columna j
de A. Se denomina (1) menor del elemento a
ij
al determinante de la matriz M
ij
, y (2)
cofactor del elemento a
ij
a la cantidad (1)
i+j
|M
ij
|
El determinante de una matriz cuadrada A puede calcularse por expansi on de sus
menores
|A| =
m
j=1
a
ij
(1)
i+j
|M
ij
|
Algunas propiedades de los determinantes son las siguientes
1. |AB| = |BA| = |A||B| si A y B son matrices cuadradas del mismo orden.
2. |A
| = |A|
3. |A| =
m
|A|
4. |A
1
| = |A|
1
Definici on 110. Se dice que una matriz cuadrada A es singular si su determinante
es cero, |A| = 0, y no singular si su determinante es distinto de cero, |A| = 0.
Ejemplo 34. Sea la matriz G
G =
_
_
_
1 1 3
1 1 0
3 1 2
_
_
_
El determiante de G es
|G| =
1 1 3
1 1 0
3 1 2
= 3
1 1
3 1
1 1
3 1
+ 2
1 1
1 1
= 3 (2) 0 (2) + 2 0 = 6
A.5. Matriz inversa
Definici on 111. Sea A una matriz cuadrada de orden mm. Si existe una matriz
B tal que AB = BA = I, entonces B se denota por A
1
y se denomina matriz inversa.
La inversa de una matriz A se calcula del siguiente modo
A
1
=
1
|A|
adj(A)
196 A.6. Rango de una matriz
donde adj(A) es la matriz adjunta o traspuesta de la matriz de cofactores de A. Vemos
que la condicion necesaria y suciente para que una matriz tenga inversa es que su
determinante sea distinto de cero.
Algunas propiedades de la matriz inversa son las siguientes:
1. La matriz inversa es unica.
2. (A
1
)
1
= A, la inversa de la inversa es la matriz original.
3. (AB)
1
= B
1
A
1
, la inversa del producto es el producto de las inversas en
orden inverso.
4. (A
)
1
= (A
1
)
, la inversa de la traspuesta es la traspuesta de la inversa, esto

es, el operador transposici on y el operador inversi on son intercambiables.
Definici on 112. Una matriz cuadrada A se denomina ortogonal si AA
= I, esto
es, si A
= A
1
.
Ejemplo 35. La inversa de la matriz G es
G =
_
_
_
1 1 3
1 1 0
3 1 2
_
_
_
1
=
1
6
_
_
_
2 1 3
2 7 3
2 2 0
_
_
_
A.6. Rango de una matriz
Definici on 113. El rango de una matriz A es el n umero de columnas (las) lineal-
mente independientes.
Definici on 114. El conjunto de vectores a
1
, . . . , a
n
de orden m son linealmente
dependientes si el vector nulo puede obtenerse como una combinaci on lineal de ellos
c
1
a
1
+ + c
n
a
n
= 0
donde c
1
, . . . , c
n
son distintos de cero.
Definici on 115. El conjunto de vectores a
1
, . . . , a
n
de orden m son linealmente
independientes si el vector nulo no puede obtenerse como una combinaci on lineal de
ellos
c
1
a
1
+ + c
n
a
n
= 0
donde c
1
, . . . , c
n
son distintos de cero.
El rango de una matriz A de orden m n es el orden del mayor determinante no
nulo que puede extraerse de A. Se dice que la matriz A tiene rango pleno o completo
cuando rang(A) = mn(m, n).
El rango de una matriz cumple las siguientes propiedades:
1. rang(AB) min{rang(A), rang(B)}
2. Si A es no singular, rang(A B) = rang(B)
3. rang(AA
) = rang(A A
) = rang(A)
A.7. Resolucion de sistemas de ecuaciones lineales
Sea el sistema de ecuaciones lineales
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
=b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
=b
2
.
.
.
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
=b
m
_
_
en donde a
ij
y b
i
(i = 1, . . . , m; j = 1, . . . , n) son coecientes conocidos, y x
i
(i = 1, . . . , m) son las incognitas. El sistema puede escribirse en forma matricial como
_
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
. . . .
.
.
.
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
=
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
o de forma abreviada
Ax = b
Definici on 116. Un sistema de ecuaciones lineales se denomina sistema de Cramer
si la matriz A es cuadrada, m = n, y no singular, |A| = 0.
Un sistema de Cramer tiene soluci on unica que viene dada por
x = A
1
b
Ejemplo 36. El sistema de ecuaciones lineales
12x
1
+ 20x
2
=388
4x
1
+ 17x
2
=212
puede escribirse como
_
12 20
4 17
__
x
1
x
2
_
=
_
388
212
_
siendo la soluci on del sistema
_
x
1
x
2
_
=
_
12 20
4 17
_
1
_
388
212
_
=
1
124
_
17 20
4 12
__
388
212
_
=
_
19
8
_
A.8. Matrices cuadradas especiales
1. Matriz diagonal: es una matriz cuadrada A = [a
ij
] de orden m m cuyos
elementos situados fuera de la diagonal principal son iguales a cero, a
ij
= 0 i =
j,
A =
_
_
_
_
_
_
a
11
0 . . . 0
0 a
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . a
mm
_
_
_
_
_
_
Escribimos una matriz diagonal como A = diag(a
11
, a
22
, . . . , a
mm
).
198 A.9. Autovalores y autovectores de una matriz
2. Matriz identidad: es una matriz diagonal cuyos elementos de la diagonal
principal son todos iguales a uno, se denota por I
m
.
I
m
=
_
_
_
_
_
_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_
_
_
_
_
_
3. Matriz escalar: es una matriz diagonal cuyos elementos de la diagonal prin-
cipal son todos iguales a . Veremos que una matriz escalar es el producto
de un n umero por una matriz identidad, I
m
.
4. Matriz triangular inferior: es una matriz cuadrada cuyos elementos por
encima de la diagonal principal son todos nulos, a
ij
= 0 i < j.
A =
_
_
_
_
_
_
a
11
0 . . . 0
a
21
a
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mm
_
_
_
_
_
_
5. Matriz nula: es una matriz (cuadrada o rectangular) cuyos elementos son
todos iguales a cero, se denota por 0.
6. Matriz simetrica: es una matriz cuadrada de orden m A = [a
ij
] cuyos el-
ementos satisfacen la condici on a
ij
= a
ji
. Una matriz simetrica es igual a su
traspuesta, A = A
.
7. Matriz idempotente: es una matriz cuadrada que cumple A
2
= AA = A.
8. Matriz ortogonal: es una matriz cuadrada que cumple AA
= I
m
A.9. Autovalores y autovectores de una matriz
Definici on 117. Sea A una matriz cuadrada de orden m. La ecuaci on caracterstica
de A es
|AI| = 0
que es una ecuaci on polinomial en de orden m
m
+
1
m1
+ +
m1
+
m
= 0
Ejemplo 37. La ecuaci on caracterstica de la matriz
A =
_
1 2
2 1
_
es
|AI| =
1 2
2 1
= (1 )
2
4 =
2
2 3 = 0
Definici on 118. Las races
1
, . . . ,
m
de la ecuaci on caracterstica |A I| = 0
se denominan autovalores, valores propios, races caractersticas o races latentes de la
matriz A.
Proposici on 127. Los autovalores de una matriz simetrica pertenecen al cuerpo de
los n umeros reales.
Ejemplo 38. Los autovalores de la matriz
A =
_
1 2
2 1
_
son las races
1
= 1 y
2
= 3 de la ecuaci on caracterstica |AI| =
2
23 = 0
Definici on 119. Se llama autovector, vector propio, vector caracterstico o vector
latente de la matriz cuadrada A a todo vector x de orden m1, distinto del vector nulo,
que cumple
Ax = x
Observaci on 81. Si x es un autovector de A y c , entonces cx tambien es un
autovector de A.
Ejemplo 39. El autovector asociado al autovalor
1
= 1 cumple
_
1 2
2 1
__
x
11
x
12
_
= 1
_
x
11
x
12
_
De aqu,
x
1
=
_
x
12
x
12
_
y el autovector normalizado es
x
1
=
_
1/
2
1/
2
_
Proposici on 128. Los autovectores x
i
y x
j
asociados a autovalores
i
y
j
distintos
son ortogonales.
Proposici on 129. Se cumplen las siguientes relaciones
1. trA =
n
i=1

i
2. |A| =
n
i=1

i
Ejercicio 14. Demostrar que los autovalores de una matriz idempotente A = A
2
son iguales a 1 o 0.
A.10. Formas cuadraticas
Definici on 120. Sea A una matriz simetrica de orden n n y sea x un vector de
orden n 1. El producto
x
Ax =
n
i=1
n
j=1
a
ij
x
i
x
j
=
n
i=1
a
ii
x
2
i
+ 2
n1
i=1
n
j=i+1
a
ij
x
i
x
j
se denomina forma cuadr atica en x.
De acuerdo con su signo, una forma cuadr atica x
Ax puede ser:
1. Denida positiva: x
Ax > 0 para todo x = 0.

2. Semidenida positiva: x
Ax 0 para todo x = 0.
3. Denida negativa: x
Ax < 0 para todo x = 0.

4. Semidenida negativa: x
Ax 0 para todo x = 0.
5. No denida, su signo cambia con el vector x.
200 A.11. Diagonalizacion de matrices
La anterior clasicacion puede hacerse en terminos de los autovalores de la matriz
A. Si todos los autovalores son positivos, entonces la forma cuadr atica x
Ax es denida
positiva; si algunos autovalores son positivos y otros iguales a cero, semidenida positiva;
si todos son negativos, denida negativa; si algunos son negativos y otros iguales a cero,
semidenida negativa; en cualquier otro caso, no denida.
Proposici on 130. Sea A una matriz de orden mn, la forma cuadr atica x
Ax
es denida positiva si |A
A| = 0 y semidenida positiva si |A
A| = 0.
Demostraci on. Dene el vector columna y = Ax de orden m 1, entonces el
producto esclar
y
y = x
Ax =
m
i=1
y
2
i
0
El vector y sera igual al vector nulo cuando las columnas de A sean vectores linealmente
dependientes
y = x
1
a
1
+ x
2
a
2
+ + x
n
a
n
= 0
A.11. Diagonalizacion de matrices

Definici on 121. Una matriz cuadrada A = [a
ij
] de orden m es diagonalizable
cuando existe una matriz cuadrada P = [p
ij
] de orden m no singular tal que
P
1
AP = D
donde D = [d
ij
] es una matriz diagonal de orden m.
Proposici on 131. Si una matriz cuadrada A de orden m es diagonalizable, entonces
los elementos de la diagonal principal de D son los autovalores
1
, . . . ,
m
de A, y las
columnas P, son los correspondientes autovectores p
1
, . . . , p
m
.
Proposici on 132. Una matriz cuadrada A con autovalores distintos es siempre
diagonalizable.
Proposici on 133. Si la matriz A es simetrica, A = A
, entonces P
1
= P
y
A = PDP
.
Definici on 122. La descomposici on espectral de una matriz simetrica A de orden
m es
A =
m
i=1
i
p
i
p
i
Definici on 123. La raz cuadrada de una matriz denida positiva A de orden m es
A
1/2
= PD
1/2
P
=
m
i=1
_
i
p
i
p
i
en donde D = {
1/2
1
, . . . ,
1/2
m
}.
Definici on 124. La descomposici on de Cholesky de una matriz denida positiva A
de orden m es
A = T
T
en donde T = es una matriz triangular superior.
Los elementos de la primera columna de la matriz T pueden obtenerse mediante las
relaciones
t
11
=
a
11
t
1j
=
a
1j
t
11
j = 2, . . . , m
y los elementos de las siguientes columnas
t
ii
=
_
a
ii

i1
k=1
t
2
ki
i = 2, . . . , m
t
ij
=
a
ij

i1
k=1
t
ki
t
kj
t
ii
i = 2, . . . , m; j = i + 1, . . . , m
A.12. Matrices particionadas
A veces es conveniente agrupar los elementos de una matriz A = [a
ij
] de orden mn
en dos o mas submatrices. De este modo, podemos escribir A = [A
ij
] (i = 1, . . . , h; j =
1, . . . , k), donde A
ij
es una submatriz de orden m
i
n
j
que resulta de suprimir mm
i
las y n n
j
columnas de la matriz A, con m
1
+ +m
h
= m y n
1
+ +n
k
= n. La
matriz A = [A
ij
] se denomina matriz particionada.
Ejemplo 40. La matriz
A =
_
_
_
_
_
3 9 1 9 6
2 4 1 8 10
7 7 6 9 5
8 8 9 8 10
_
_
_
_
_
puede particionarse en las submatices
A
11
=
_
3 9
2 4
_
A
12
=
_
1 9 6
1 8 10
_
A
21
=
_
7 7
8 8
_
A
22
=
_
6 9 5
9 8 10
_
que expresamos como
A = [A
ij
] =
_
A
11
A
12
A
21
A
22
_
La partici on de una matriz A consiste en trazar unas lneas imaginarias que dividen sus
elementos en diferentes bloques o submatrices.
A =
_
_
_
_
_
3 9 1 9 6
2 4 1 8 10
7 7 6 9 5
8 8 9 8 10
_
_
_
_
_
A.12.1. Operaciones con matrices particionadas.
1. Suma
202 A.12. Matrices particionadas
Sean A y B dos matrices de orden mn que particionamos como
A =
_
A
11
A
12
A
21
A
22
_
B =
_
B
11
B
12
B
21
B
22
_
en donde las submatrices A
ij
y B
ij
tienen el mismo orden m
i
n
j
(partici on
conforme). Entonces
A+B =
_
A
11
+B
11
A
12
+B
12
A
21
+B
21
A
22
+B
22
_
2. Multiplicacion
Sea C una matriz de orden n p que particionamos como
C =
_
C
11
C
12
C
21
C
22
_
de tal modo que la partici on de las las de C coincide con la partici on de las
columnas de A (partici on conforme). Entonces, el producto de las matrices A
y C es
AC =
_
A
11
C
11
+A
12
C
21
A
11
C
12
+A
12
C
22
A
21
C
11
+A
22
C
21
A
21
C
12
+A
22
C
22
_
3. Traspuesta
La trapuesta matriz particionada A = [A
ij
] (i, j = 1, 2) es
A
=
_
A
11
A
21
A
12
A
22
_
4. Inversa
La inversa de la matriz particionada A = [A
ij
] (i, j = 1, 2) es
A
1
=
_
A
1
11
+A
1
11
A
12
D
1
A
21
A
1
11
A
1
11
A
12
D
1
D
1
A
21
A
1
11
D
1
_
en donde D = A
22
A
21
A
1
11
A
12
. Una forma alternativa es
A
1
=
_
E
1
E
1
A
12
A
1
22
A
1
22
A
21
E
1
A
1
22
+A
1
22
A
21
E
1
A
12
A
1
22
_
en donde E = A
11
A
12
A
1
22
A
21
.
Demostraci on. La inversa de la matriz particionada A = [A
ij
] (i, j =
1, 2) debe ser una matriz A
1
= [A
ij
] (i, j = 1, 2) con una partici on conforme
que cumpla AA
1
= I, esto es,
_
A
11
A
12
A
21
A
22
__
A
11
A
12
A
21
A
22
_
=
_
I
11
0
12
0
21
I
22
_
De aqu, obtenemos el sistema de ecuaciones matriciales
A
11
A
11
+A
12
A
21
= I
11
A
21
A
11
+A
22
A
21
= 0
21
que permiten obtener las inc ognitas A
11
y A
21
. En efecto, de la segunda
ecuacion obtenemos
A
21
= A
1
22
A
21
A
11
Sustituyendo A
21
en la primera ecuaci on
A
11
A
11
A
12
A
1
22
A
21
A
11
= I
11
de donde
A
11
= (A
11
A
12
A
1
22
A
21
)
1
Analogamente, del sistema de ecuaciones
A
11
A
12
+A
12
A
22
= 0
12
A
21
A
12
+A
22
A
22
= I
22
obtenemos que
A
12
=A
1
11
A
12
A
22
A
22
=(A
22
A
21
A
1
11
A
12
)
1
En resumen,
A
11
=(A
11
A
12
A
1
22
A
21
)
1
= E
1
A
12
=A
1
11
A
12
A
22
= A
1
11
A
12
D
1
A
21
=A
1
22
A
21
A
11
= A
1
22
A
21
E
1
A
22
=(A
22
A
21
A
1
11
A
12
)
1
= D
1
Ademas, debe cumplirse que A
1
A = I, esto es,
_
A
11
A
12
A
21
A
22
__
A
11
A
12
A
21
A
22
_
=
_
I
11
0
12
0
21
I
22
_
El sistema de ecuaciones en A
11
y A
12
A
11
A
11
+A
12
A
21
= I
11
A
11
A
12
+A
12
A
22
= 0
12
proporciona
A
12
= A
11
A
12
A
1
22
A
11
= (A
11
A
12
A
1
22
A
21
)
1
y el sistema de ecuaciones en A
22
y A
21
A
21
A
11
+A
22
A
21
= 0
21
A
21
A
12
+A
22
A
22
= I
22
proporciona
A
21
= A
22
A
21
A
1
11
A
22
= (A
22
A
21
A
1
11
A
12
)
1
En denitiva,
A
11
=(A
11
A
12
A
1
22
A
21
)
1
= E
1
A
12
=A
11
A
12
A
1
22
= E
1
A
12
A
1
22
A
21
=A
22
A
21
A
1
11
= D
1
A
21
A
1
11
A
22
=(A
22
A
21
A
1
11
A
12
)
1
= D
1
Queda por probar que se cumplen las relaciones
(A
11
A
12
A
1
22
A
21
)
1
=A
1
11
+A
1
11
A
12
D
1
A
21
A
1
11
(A
22
A
21
A
1
11
A
12
)
1
=A
1
22
+A
1
22
A
21
E
1
A
12
A
1
22
204 A.13. Derivadas de una funci on multidimensional
que son casos particulares del lema de inversi on de matrices.
Proposici on 134. Lema de inversi on de matrices. Sean X y Z dos matrices
no sigunales de ordenes m y n, respectivamente, y sea Y una matriz de orden
mn. Entonces
(X+YZY
)
1
= X
1
X
1
Y(Y
X
1
Y +Z
1
)
1
YY
X
1
Ejercicio 15. Considere la matriz particionada X = [X
1
X
2
]. Calcule:
a) X
b) X
X
c) (X
X)
1
Ejercicio 16. Sean x
1
, . . . , x
m
las las de la matriz X de orden m n.
Demostrar que
X
X =
m
i=1
x
i
x
i
A.13. Derivadas de una funcion multidimensional
La forma lineal
a
x = a
1
x
1
+ a
2
x
2
+ + a
n
x
n
es una funcion de n-variables independientes x
1
, . . . , x
n
. El cambio de a
x cuando x
1
cambia permaneciendo las otras variables independientes x
2
, . . . , x
n
constantes es el
concepto de derivada parcial de a
x respecto de x
1
a
x
x
1
= a
1
La derivada de a
x respecto de x es un vector columna que contiene la derivada parcial

de a
x respecto de cada elemento de x

a
x
x
=
_
_
_
_
_
_
_
_
_
_
a
x
x
1
a
x
x
2
.
.
.
a
x
x
n
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
a
1
a
2
.
.
.
a
n
_
_
_
_
_
_
= a
Analogamente, la derivada de a
x respecto de x
es un vector la que contiene la derivada

parcial de a
x respecto de cada elemento de x

a
x
x
=
_
a
x
x
1
a
x
x
2
. . .
a
x
x
n
_
=
a
1
a
2
. . . a
n
_
= a

Sea la forma cuadratica
x
Ax =a
11
x
2
1
+ a
22
x
2
2
+ + a
nn
x
2
n
+2a
12
x
1
x
2
+ 2a
13
x
1
x
3
+ + 2a
1n
x
1
x
n
+2a
23
x
2
x
3
+ 2a
24
x
2
x
4
+ + 2a
2n
x
2
x
n
+ + a
n1,n
x
n1
x
n
=
n
i=1
a
ii
x
2
i
+ 2
n1
i=1
n
j=i+1
a
ij
x
i
x
j
donde A es una matriz simetrica. La derivada de x
Ax respecto del vector x es un vector

columna
x
Ax
x
=
_
_
_
_
_
_
_
_
_
_
x
Ax
x
1
x
Ax
x
2
.
.
.
x
Ax
x
n
_
_
_
_
_
_
_
_
_
_
=
_
_
_
_
_
2(a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
)
2(a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
)
. . .
2(a
n1
x
1
+ a
n2
x
2
+ + a
nn
x
n
)
_
_
_
_
_
= 2Ax
Vemos que la derivada de x
Ax respecto de x
i
es la forma lineal 2a
i
x, donde a
i
es la
i-esima columna o la de la matriz A.
Consideramos ahora la segunda derivada de x
Ax respecto de x
i
(primera derivada
de la primera derivada)
2
x
Ax
x
2
i
=
Ax
x
i
x
i
=
2(a
i1
x
1
+ a
i2
x
2
+ + a
in
x
n
)
x
i
= 2a
ii
y la segunda derivada de x
Ax respecto de x
i
y x
j
2
x
Ax
x
i
x
j
=
Ax
x
i
x
j
=
2(a
i1
x
1
+ a
i2
x
2
+ + a
in
x
n
)
x
j
= 2a
ij
La segunda derivada de x
Ax respecto del vector x es una matriz cuadrada de orden

n n que contiene las segundas derivadas
2
x
Ax/x
i
x
j
(i, j = 1, . . . , n)
2
x
Ax
xx
=
_
_
_
_
_
_
_
_
_
_
_
_
_
2
x
Ax
x
2
1
2
x
Ax
x
1
x
2
. . .

2
x
Ax
x
1
x
n
2
x
Ax
x
2
x
1
2
x
Ax
x
2
2
. . .

2
x
Ax
x
2
x
n
2
x
Ax
x
n
x
1
2
x
Ax
x
n
x
2
. . .

2
x
Ax
x
2
n
_
_
_
_
_
_
_
_
_
_
_
_
_
Se cumple que
2
x
Ax
xx
_
x
Ax
x
_
x
=
(2Ax)
x
= 2A
206 A.14. Ejercicios
A.14. Ejercicios
Sean
X =
_
_
_
_
_
_
_
_
_
_
1 1 0
1 2 0
1 3 0
1 4 1
1 5 1
1 6 1
_
_
_
_
_
_
_
_
_
_
y =
_
_
_
_
_
_
_
_
_
_
90
100
110
135
145
165
_
_
_
_
_
_
_
_
_
_
1. Calcule el producto escalar de la primera y segunda columnas de X.
2. Calcule X
X y X
y.
3. Obtenga la inversa de X
X.
4. Calcule el producto de (X
X)
1
y X
y.
5. Calcule la matriz de proyeccci on P = X(X
X)
1
X
y compruebe que P es una

matriz idempotente.
6. Calcule la proyeccion de y sobre X, y = Py.
7. Calcule la diferencia entre y e y.
8. Obtenga los autovalores de la matriz X
X. Son todos positivos? Porque?

9. Obtenga los autovalores de la matriz P. Compruebe que la traza de P es igual
a la suma de sus autovalores.
10. Obtenga los autovalores de la matriz I P y I +P.
11. Calcule la raz cuadrada de la matriz X
X.
12. Obtenga la descomposici on de Cholesky de la matriz X
X.

Diagonalización de Una Matriz

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diagonalización de Una Matriz

Cargado por

Copyright:

Formatos disponibles

AP

indica la traspuesta un vector la (que es un vec-

dos vectores columna

un vector m 1 de unos. Calcule el producto

, la traspuesta de la suma de dos matrices es la suma

, la traspuesta del producto de dos matrices es el producto

, la inversa de la traspuesta es la traspuesta de la inversa, esto

Ax > 0 para todo x = 0.

Ax < 0 para todo x = 0.

A.11. Diagonalizacion de matrices

x respecto de x es un vector columna que contiene la derivada parcial

x respecto de cada elemento de x

es un vector la que contiene la derivada

x respecto de cada elemento de x

Prof. Dr. Jose Luis Gallego G omez

Ax respecto del vector x es un vector

Ax respecto del vector x es una matriz cuadrada de orden

y compruebe que P es una

X. Son todos positivos? Porque?

También podría gustarte