(Marmolejo & Villegas) Topicos en Algebra Lineal

Tpicos
en lgebra Lineal
Miguel A. Marmolejo L.
Manuel M. Villegas L.
Departamento de Matemticas
Universidad del Valle
ndice general
Introduccin
ndice de guras
Captulo 1.
Prerrequisitos
1.1.
Matrices
1.2.
Espacios vectoriales
1.3.
Transformaciones lineales
1.4.
1
1
7
16
Espacios fundamentales de una Matriz. Rango de una matriz.

Sistemas de ecuaciones lineales
Captulo 2.
2.1.
iii
Matrices particionadas. Traza de una matriz
20
25
Submatrices. Operaciones con matrices

particionadas
25
2.2.
Determinantes e inversas de algunas matrices especiales
29
2.3.
Traza de una matriz
37
2.4.
Ejercicios
39
Captulo 3.
Valores propios y vectores propios. Diagonalizacin
43
3.1.
Valores propios y vectores propios
44
3.2.
Diagonalizacin
53
3.3.
Diagonalizacin de matrices simtricas
64
3.4.
Diagonalizacin simultnea de matrices simtricas
82
3.5.
Ejercicios
90
Captulo 4.
Formas cuadrticas
4.1.
Clasicacin de las formas cuadrticas.
4.2.
Cambio de variables. Diagonalizacin simultnea de formas
97
97
cuadrticas
101
4.3.
Formas cuadrticas positivas, negativas e indenidas.
110
4.4.
Ejercicios
118
ndice general
Captulo 5.
Anexo 1: Matrices no negativas. Matrices idempotentes 123
5.1.
Matrices no negativas
123
5.2.
Matrices idempotentes
129
Captulo 6.
Inversa generalizada e inversa condicional de matrices. 137
6.1.
Inversa generalizada de una matriz
137
6.2.
Clculo de la g-inversa de una matriz
147
6.3.
Inversa condicional de una matriz
152
6.4.
Sistemas de ecuaciones lineales: g-inversa y c-inversa de una
6.5.
matriz. mnimos cuadrados.
160
Ejercicios
174
Captulo 7.
Factorizacin de matrices
179
7.1.
Descomposicin
LU
179
7.2.
Descomposicin QR
188
7.3.
Descomposicin de Cholesky
198
7.4.
Descomposicin en valores singulares (SVD)
205
7.5.
Ejercicios
212
Captulo 8.
Rectas e hiperplanos. Conjuntos convexos.
215
8.1.
Rectas. Segmentos de recta. Hiperplanos
215
8.2.
Conjuntos convexos
223
8.3.
Ejercicios
226
ndice alfabtico
229
Bibliografa
233
ii
ndice de guras
1.1. Transformacin lineal
22
3.1. Interpretacin geomtrica de vector propio
44
3.2. Vectores propios de
T (x, y) = (2x, x + 3y)
45
6.1. Problema de los mnimos cuadrados
162
6.2. Ajuste por mnimos cuadrados
163
6.3. Ajuste lineal por mnimos cuadrados
165
6.4. Ajuste lineal ejemplo 6.4.13
170
6.5. Ajuste lineal ejemplo 6.4.14
171
6.6. Ajuste cuadrtico ejemplo 6.4.15
173
7.1. Esquema de la factorizacin LU
186
8.1. Puntos y vectores en

8.2. Una recta en
R3 .
216
R .
217
8.3. Grca de una recta que pasa por los puntos

8.4. Segmento de recta que une los puntos
8.5. Grca de un plano en
R .
Q.
218
219
220
8.6. Grcas de un plano y una recta en
222
8.7. Ilustracin de semiespacios abiertos
223
8.1. Conjuntos convexos y no convexos
224
iii
CAPTULO 1
Prerrequisitos
El propsito de este captulo es hacer una recopilacin de algunas deniciones y de algunos resultados bsicos del lgebra lineal, los cuales nos
sern de gran utilidad en el desarrollo de los captulos siguientes. Trataremos aqu los aspectos relacionados con: matrices, espacios vectoriales y
transformaciones lineales, aunque aclaramos, que el orden en que se presentan los temas, no corresponde necesariamente al orden usual encontrado en la mayora de textos utilizados en el primer curso de lgebra lineal.
Al lector que desee estudiar ms sobre el contenido de este captulo se le
recomienda consultar [
1, 2, 12].
1.1. Matrices
Las matrices juegan un papel importante en las matemticas y sus aplicaciones. Una matriz
de tamao
mn
(o simplemente
arreglo rectangular de nmeros dispuestos en

tales) y
Amn )
es un
las (lneas horizon-
columnas (lneas verticales); el nmero que est en la i-sima
hAiij
la y en la j-sima columna se denota por
aij
ij de la matriz A. Para indicar dicho

A = [aij ]mn , o en forma expandida
arreglo usualmente se escribe
to
(1.1)
a11
a21
A= .
..
am1
a12
a22
.
.
.
..
am2
a1n
a2n
.
.
.
.
amn
y se llama elemen-
1.1. Matrices
Si
Ai =
Prerrequisitos
ai1 ai2
a1j
a2j
Aj = .
..
amj
la
j -sima
ain
denota la
columna de
A,
i-sima
la de la matriz
el arreglo (1.1) puede represen-
tarse por las o columnas como aparece a continuacin
A1
A2
A = . = A1
..
Am
A2
An
Las matrices se denotan, como lo hemos sugerido, con letras maysculas
m n con elementos
Mmn . Los elementos de
Mnn se llaman matrices cuadradas de orden n; a la diagonal formada
por los elementos a11 , a22 , . . . , ann de una tal matriz A, se llama diagonal
principal de A.
A, B, C ,
etc. El conjunto de todas las matrices
reales se denotar por
Mmn (R)
o simplemente
A de orden n, cuyos elementos fuera de la diagonal

= 0 para i 6= j, i, j = 1, 2, . . . , n), se denomina
denota por A = diag(a11 , a22 , . . . , ann ).
Toda matriz cuadrada
principal son nulos (aij

matriz diagonal y se
La matriz diagonal de orden

pal son todos iguales a
simplemente
I,
1,
n,
cuyos elementos en su diagonal princi-
se llama matriz idntica y se denota por
In
cuando no sea necesario especicar el orden.
Una matriz nula es una matriz cuyos elementos son todos nulos. Una
matriz nula ser denotada por
Dos matrices
0 (0mn
de igual tamao
denotar la matriz nula
mn
m n.)
son iguales si y slo si sus
componentes correspondientes son iguales. Esto es,
hAiij = hBiij ;
La suma
mn
A+B
i = 1, 2, . . . , m,
de dos matrices
j = 1, 2, . . . , n.
de tamao
m n,
es la matriz
tal que:
hA + Biij = hAiij + hBiij ;

La multiplicacin
i = 1, 2, . . . , m,
A del nmero por

m n, tal que:
la matriz
j = 1, 2, . . . , n.
de tamao
la matriz de tamao
hAiij = hAiij ;
i = 1, 2, . . . , m,
2
j = 1, 2, . . . , n.
m n,
es
Prerrequisitos
El producto
1.1. Matrices
AB
hABiij =
s
X
A Mms
de la matriz
m n,
matriz de tamao
por la matriz
B Msn ,
es la
tal que:
hAiik hBikj Ai B j ;
i = 1, 2, . . . , m,
j = 1, 2, . . . , n.
k=1
1.1.1. Inversa de una matriz.

B Mnn
matriz
que
tal que
Sea
A Mnn .
Si existe una
BA = I
AB = I, a B se
se puede demostrar que
es nica. Cuando existe una matriz
llama la matriz inversa de

que
AB = I
tal que
y se le denota por
A1 .
y
le
Es este caso se dice
es no singular o invertible; en caso contrario, se dice que
es no
invertible o singular.
En el siguiente teorema se establecen algunas propiedades de la inversa
de una matriz
Teorema.
1.1.1.
Si
A, B Mnn
son matrices invertibles y si
es un
nmero no nulo, entonces:

1. La matriz
2. La matriz
3. La matriz
1
A1 es invertible y A1
= A.
AB es invertible y (AB)1 = B 1 A1 .
A es invertible y (A)1 = 1 A1 .
1.1.2. Transpuesta de una matriz.

La matriz transpuesta de
i-sima
es la matriz
i-sima
A es la matriz AT
j = 1, 2, . . . n.
la corresponde a la
la transpuesta de
1, 2, . . . m,
Sea
Sea
n m,
m n.
AT , cuya
una matriz
denotada por
A. Esto es,
T
A ij = hA iji , para i =
columna de la matriz
tal que
AT = A, se dice que A es una matriz

dice que A es una matriz antisimtrica. En
una matriz cuadrada. Si
simtrica, y si
A = A,
se
particular, las matrices diagonales son simtricas.

Las propiedades ms relevantes de la transpocisin se dan en el siguiente
teorema
1.1.2.
Teorema.
Sean
matrices de tamao apropiado, tales que las
operaciones siguientes estn bien denidas. Entonces:
A se verica (AT )T = A.
A = B.
1. Para cualquier matriz

2.
A =B
s y slo si
1.1. Matrices
Prerrequisitos
A es una matriz diagonal, entonces AT = A.

, son nmeros, entonces (A + B)T = AT + B T .
T
T T
Si AB est denido, entonces (AB) = B A .
T
T
Para cualquier matriz A, las matrices A A y AA son simtri-
3. Si
4. Si
5.
6.
cas.
7. Si
A es invertible, entonces AT
1.1.3. Determinantes.
es invertible y
(AT )1 = (A1 )T .
Recordamos en este apartado las nociones
de menor, cofactor, matriz de cofactores, matriz adjunta y determinante

de matrices cuadradas y resumimos algunos de los resultados ms importantes relacionados con el clculo propiedades del determinante. El lector
recordar, que el concepto de determinante es de gran importancia no
slo en el contexto del lgebra lineal, sino en otras reas como el clculo
integral. En lo sucesivo, el determinante de una matriz
por
|A|
1.1.3.
o por
ser denotado
det(A).
Denicin
(Determinane de matrices
una matriz cuadrada de tamao
2 2.
2 2).

Sea
A=
a
c
El determinante de la matriz

b
d
A es
el nmero real dado por
det(A) = ad bc.
1.1.4.
Denicin.
Sea
una matriz cuadrada de tamao
n n;
terminante de la matriz que resulta al suprimir la i-sima la de
j-sima
columna de
nota por
mij .
es denominado menor del elemento
El cofactor del elemento
hAiij
se denota por
hAiij y
Cij y se
el de-
y la
se dedene
como
Cij = (1)i+j mij .

La matriz
C,
de cofactores
decir, adj(A)
Cij de A se denomina
cof(A). La matriz transpuesta de la matriz
cuyos elementos son los cofactores
matriz de los cofactores de
A,
C , se denomina
= CT .
adjunta de
y se denota por adj(A), es
El siguiente teorema nos muestra, cmo calcular el determinante de una

matriz (cuadrada) en trminos de sus cofactores. Adems muestra, que el
valor del determinante no depende de la la o columna a lo largo de la
cual se haga la expansin. Dicho teorema presenta tambin, una forma
alternativa para calcular inversas de matriz en trminos del determinante
de dicha matriz y su adjunta.
4
Prerrequisitos
1.1.5.
1.1. Matrices
Teorema.
1. Si
Cij
a)
Sea
una matriz cuadrada de orden
denota el cofactor del elemento

n
X
hAiij Cij ,
det(A) =
hAiij ,
para cada
n.
entonces:
i = 1, 2, . . . , n.
j=1
n
X
hAiij Cij , para cada j = 1, 2, . . . , n.

i=1
2. Para cualquier matriz cuadrada A, se tiene que
b)
det(A) =
A adj(A) = adj(A) A = det(A)I .

3. La matriz
es invertible sii
A
1.1.6.
Teorema.
1.
2.
Sean
= (det(A))
A, B
|A| = |AT | .
Si A tiene una
3. Si las matrices
|A| =
6 0,
adj(A) .
matrices cuadradas de orden
la nula, entonces
en este caso se tiene que
|A| = 0.
dieren nicamente en sus
y si dichas las satisfacen la igualdad
n, entonces:
k-simas
Ak = B k ,
las
entonces
|A| = |B|.
es un escalar, entonces |A| = n |A|.
Si A, B y C dieren nicamente en la k-sima la y si Ck =
Ak + Bk , entonces |C| = |A| + |B|.
Si A tiene dos las iguales, entonces |A| = 0.
Si B se obtiene al intercambiar dos las de A, entonces |B| =
|A|.
4. Si
5.
6.
7.
8. El determinante de una matriz no cambia si los elementos de la
i-sima
la son multiplicados por un escalar
y los resultados
son sumados a los correspondientes elementos de la
k-sima la,
k 6= i.
|AB| = |A||B|.
para
9.
Nota.
Por (1), cualquier proposicin sobre
las de
|A|
que sea verdadera en las
es tambin verdadera para las columnas de
A.
1.1.4. Operaciones elementales. Matrices elementales.
En
este apartado recopilamos algunas deniciones y resultados relacionados

con las operaciones que se pueden hacer en las las (respectivamente
columnas) de una matriz, las cuales realizadas de manera apropiada nos
5
1.1. Matrices
Prerrequisitos
permiten obtener nuevas matrices con estructuras ms adecuadas, por

ejemplo cuando se quiere resolver sistemas de ecuaciones. Dichas operaciones son las operaciones elementales y estn resumidas en la siguiente
denicin.
1.1.7.
triz
Denicin
A,
(Operaciones y matrices elementales)
Dada una ma-
cada una de las siguientes operaciones es llamada una operacin
A.
elemental en las las (columnas) de
(i) El intercambio de dos las (columnas) de
A.
(ii) La multiplicacin de los elementos de una la (columna) de
por un escalar no nulo.

(iii) Reemplazar una la (columna) de
A,
por la suma de ella y un
mltiplo escalar no nulo de otra la (columna) de dicha matriz.

Una matriz elemental por las (columnas) es aquella que resulta de efectuar una operacin elemental sobre las las (columnas) de una matriz
identidad.
1.1.8.
Teorema.
1. Cada matriz elemental es invertible. Adems, la inversa de cada
matriz elemental es una matriz elemental.

2. Sea
una matriz
m n.
Si
es una matriz que resulta al
efectuar una operacin elemental sobre las las de
y si
es
la matriz elemental que resulta de efectuar la misma operacin

elemental sobre las las de la matriz idntica
3.
A = B.
Sea A una
matriz
m n.
Si
Im ,
entonces
es una matriz que resulta al
efectuar una operacin elemental sobre las columnas de
y si
es la matriz elemental que resulta de efectuar la misma operacin

elemental sobre las columnas de la matriz idntica
In ,
entonces
A E = B.
1.1.9.
Denicin (Forma escalonada reducida).
Se dice que una matriz
tiene la forma escalonada reducida, si satisface las siguientes condiciones:

(i) Si una la de
es no nula, el primer elemento no nulo de dicha
la, de izquierda a derecha, es
i + 1 de R son
de la la i + 1 est a la
de la la i.
(ii) Si las las
nulo
nulo
1.
no nulas, el primer elemento no
derecha del primer elemento no
Prerrequisitos
1.2. Espacios vectoriales
(iii) Si una columna de
una la de
(iv) Si
R,
contiene el primer elemento no nulo de
los dems elementos de dicha columna son nulos.
tiene las nulas, stas aparecen en la parte inferior de
R.
El siguiente teorema nos relaciona los conceptos de matrices elementales

y forma escalonada reducida para una matriz arbitraria.
Teorema.
1.1.10.
Para toda matriz
existen: una nica matriz
que
tiene la forma escalonada reducida y un nmero nito de matrices elementales por las
E1 , E2 , . . . , Ek
tales que:
Ek E2 E1 A = R .
La matriz
mencionada en el teorema anterior se denomina la forma
A.
escalonada reducida de
1.1.11.
Teorema.
1.
2.
A
A
Sea
es invertible
es invertible
n.
sii la forma escalonada reducida de A es In .

sii A se puede expresar como el producto de
un
nmero nito de matrices elementales.
Los dos ltimos teoremas dan lugar a un mtodo para decidir cundo una
matriz cuadrada
A es invertible, y simultneamente proveen un algoritmo
para calcular su inversa.

El mtodo consiste en lo siguiente: Forme la matriz
[A | In ]. Seguidamente
efecte operaciones elementales sobre la las de esta matriz hasta obtener

su forma escalonada reducida; al nal se obtiene una matriz que describiremos as
[R | P ];
es invertible
donde
A.
A1 = P .
es la forma escalonada reducida de
sii R = In . Si A
es invertible entonces
Ahora:

El conjunto de matrices
m n, junto con las dos operaciones suma de ma-
trices y multiplicacin de un escalar por una matriz, denidas al principio

de la seccin 1.1, tiene una estructura algebraica denominada espacio vectorial. Esta estructura es importante porque incluye otros conjuntos que
se presentan frecuentemente en las matemticas y sus aplicaciones.
7
Prerrequisitos
Denicin.
V,
1.2.1.
Un espacio vectorial (real) es un conjunto
cuyos
elementos son llamados vectores, junto con dos operaciones: suma de vec-
(+)
tores
y multiplicacin de un escalar por un vector
(),
que satisfacen
las propiedades siguientes:

(i) Si
(ii) Si
(iii) Si
u V y v V , entonces u + v V .
u V y v V , entonces u + v = v + u.
u V , v V y w V , entonces
(u + v) + w = u + (v + w) = u + v + w.
(iv) Existe un vector
0V
tal que para todo
uV
u+0 = 0+u =
u.
(v) Si
uV,
entonces existe un vector
u V
tal que
u + (u) = (u) + u = 0.
u V y es un escalar, u V .
u V y , son escalares, entonces ()u = (u) =
(u).
Si u V y , son escalares, entonces ( + )u = u + u.
Si u V y v V y es un escalar, entonces (u+v) = u+v.
Si u V , entonces 1u = u.
(vi) Si
(vii) Si
(viii)
(ix)
(x)
1.2.2.
Ejemplo.
Los siguientes conjuntos son ejemplos de espacios vecto-
riales:
1.
V = Rn = {(x1 , x2 , . . . , xn ) : xi R, i = 1, 2, . . . , n}
con las
operaciones denidas as:
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )

2.
(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn ) .
V = Mmn , el conjunto de matrices m n con las
operaciones
denidas usualmente (ver seccin 1.1).

3.
V = F,
el conjunto de funciones de
en
con las operaciones
denidas as:
(f + g)(t) = f (t) + g(t) ,

(f )(t) = f (t) ,
4.
t R.
t R.
V = Pn , el conjunto de las funciones polinmicas de grado menor

n, con coecientes reales con las operaciones denidas
o igual que
en (3).
Prerrequisitos

Como se establece en la denicin, un espacio vectorial (real) es un tripla
que consta de un conjunto
y de dos operaciones con ciertas propiedades.
Cuando no haya lugar a confusin o cuando no sea necesario explicar

las operaciones mencionadas, se har referencia simplemente al espacio
vectorial
V.
Con frecuencia es necesario considerar subconjuntos de un espacio vectorial
V,
tales que; junto con las operaciones denidas en
V,
son por s
mismo espacios vectoriales. Estos son denominados subespacios de
V.
En
forma ms precisa tenemos la siguiente

1.2.3.
Denicin.
vaco de
V.
Sea
un espacio vectorial y
Diremos que un
es subespacio de
W
V,
un subconjunto no
si
W,
junto con las
operaciones de suma de vectores y la multiplicacin de un escalar por un

vector denidas en
1.2.4.
Denicin.
V,
es en s mismo un espacio vectorial.
V un espacio vectorial, v0 un elemento

V . El subconjunto determinado as:
Sean
es un subespacio de
L = {v V : v = v0 + w,
es denominado una variedad lineal de
para
de
w W} ,
V.
El siguiente concepto es bsico en el estudio de los espacios vectoriales.

En particular, servir para caracterizar ciertos espacios de un espacio
vectorial.
1.2.5. Denicin. Sean v1 , v2 , . . . , vn vectores de un espacio vectorial
V . Se dice que un vector v V es combinacin lineal de los vectores
v1 , v2 , . . . , vn si existen escalares 1 , 2 , . . . , n tales que:
v = 1 v1 + 2 v2 + + n vn =
n
X
i vi .
i=1
1.2.6.
V. W
Teorema.
Sea
un subconjunto no vaco de un espacio vectorial
es un subespacio de
sii
es cerrado bajo la operacin suma de
vectores y la multiplicacin por un escalar, esto es, sii

1. Si
2. Si
uW
uW
y
y
v W , entonces u + v W .
R, entonces u W .
9

1.2.7.
Teorema.
Si
Prerrequisitos
son subespacios de un espacio vectorial
V,
entonces:
1. La interseccin de
de
con
W; U W
2. La suma de
con
W;
denida por
U + W = {v V : v = u + w,
es un subespacio vectorial de
1.2.8.
con
uU
w W} ,
V.
Teorema.
vectorial
de
es un subespacio vectorial
V.
Sea C un conjunto no vaco de vectores de un espacio

V . El conjunto de todas las combinaciones lineales de los vectores
C;
(
vV : v=
W =
k
X
)
i vi ; k N, vi C y i R, i = 1, 2, . . . , k
i=1
es un subespacio de
Sea
un conjunto no vaco de vectores de un espacio vectorial
subespacio de
V.
V,
V.
El
de todas las combinaciones lineales de los vectores de
mencionado en el teorema anterior, es denominado el espacio gen-
C o simplemente, espacio generado por C.

C = {v1 , v2 , . . . , vn } (es nito), este espacio ser denotado por
hv1 , v2 , . . . , vn i o por gen {v1 , v2 , . . . , vn }.
erado por los vectores de
Cuando
Cuando consideramos un conjunto
de vectores de un espacio vectori-
al, es a veces importante determinar cundo algn vector o algunos de

los vectores de
se pueden expresar como combinaciones lineales de los
restantes vectores en
C.
Para ello, necesitamos de la denicin de de-
pendencia lineal de un conjunto de vectores y algunos resultados sobre

ella.
1.2.9.
Denicin
C
conjunto
(Independencia lineal) Sea C = {v1 , v2 , . . . , vn } un

de vectores (distintos) de un espacio vectorial V . Se dice que
v1 , v2 , . . . , vn son lin1 , 2 , . . . , n no todos nulos
es linealmente dependiente o que los vectores
ealmente dependientes, si existen escalares

tales que:
0 = 1 v1 + 2 v2 + + n vn =
n
X
i vi ,
i=1
en caso contrario, se dice que

vectores
v1 , v2 , . . . , vn
es linealmente independiente o que los
son linealmente independientes. Es decir,

10
es
Prerrequisitos
linealmente independiente si para los escalares

Pn
i=1 i vi , entonces
1 , 2 , . . . , n ;
si
0 =
1 = 2 = . . . , = n = 0 .
1.2.10.
Teorema.
En un espacio vectorial
se tiene:
1. Todo conjunto que contenga el vector nulo,
0,
es linealmente
dependiente.
2. Todo conjunto que contenga un subconjunto linealmente depen-
diente es linealmente dependiente.

3. Todo subconjunto de un conjunto linealmente independiente, es
linealmente independiente.
C = {v1 , v2 , . . . , vn }, n 2, es linealmente dependiente sii uno de los vectores de C es combinacin
4. Un conjunto de vectores
lineal de los restantes vectores de
1.2.1. Bases y dimensin.
C.
Dado un espacio vectorial
siones es til determinar un subconjunto

independientes que genere al espacio
V.
de
B.
de V
expresar como combinacin lineal de los vectores de
en oca-
Esto es, un conjunto de vectores
linealmente independientes mediante los cuales, cada vector de

esta seccin, tal conjunto
V,
de vectores linealmente
se llamar una base
se pueda
Como veremos en
y de acuerdo con
el nmero de elementos que contenga, tal base hablaremos de dimensin
nita o innita del espacio vectorial.
V
V,
Se dice que un espacio vectorial

conjunto nito
V.
de vectores de
es de dimensin nita, si existe un
C en
V con
tal que el espacio generado por
Por el contrario, si no es posible generar un espacio vectorial
un ningn subconjunto nito de vectores, diremos que dicho espacio tiene

dimensin innita. Ejemplos de stos ltimos espacios son: el conjunto
de funciones continuas denidas sobre
R,
o el conjunto de todos los poli-
nomios con variable real. Nosotros sin embargo slo trataremos aqu con
espacios de dimensin nita.
1.2.11.
Denicin
vectorial
V.
(Base)
Se dice que
Sea
un conjunto de vectores de un espacio
es una base de
si se tienen las dos condi-
ciones:
(i) El espacio generado por
(ii) El conjunto
es
V.
es linealmente independiente.
11
Prerrequisitos
V tiene una base B = {v1 , v2 , . . . , vn } compuesta

n vectores, entonces se puede demostrar que el nmero de vectores de
cualquier otra base de V es tambin n. Es decir, si un espacio vectorial
V tiene una base B con un nmero nito, n, de elementos, cualquier otra
base de dicho espacio vectorial, tiene exactamente n elementos. A dicho
nmero comn se le llama dimensin del espacio V y se dice que V es de
dimensin nita n y se escribe dim V = n.
Si un espacio vectorial
por
1.2.12.
Denicin.
un vector en
Sea
un subespacio de un espacio vectorial
V, v0
la variedad
L = {v V : v = v0 + w, w W } ,
si
dim W = k,
se dice que la variedad lineal
tiene dimensin
k.
El siguiente teorema resume algunos aspectos importante sobre bases de

espacios vectoriales, independencia lineal y conjuntos generadores.
1.2.13.
Teorema.
1. Si
Sea
un espacio vectorial de dimensin
B = {v1 , v2 , . . . , vn }
es un conjunto de
n.
vectores de
V,
entonces:
B es una base de V sii B es linealmente independiente.

B es una base de V sii B genera a V .
Si C = {u1 , u2 , . . . , ur } es un conjunto linealmente independiente, entonces r n.
Si C = {u1 , u2 , . . . , ur } es un conjunto linealmente independiente, con r < n, entonces existen n r vectores de V ; w1 , w2 ,
. . . , wnr , tales que B = {u1 , u2 , . . . , ur , w1 , . . . , wnr } es
una base de V.
Si C = {u1 , u2 , . . . , ur } genera a V entonces r n.
Si el conjunto C = {u1 , u2 , . . . , ur } genera a V y r > n, entonces existen n r vectores de C; w1 , w2 , . . . , wnr , tales que
B = C \ {w1 , w2 , . . . , wnr } es una base de V.
Si W es un subespacio de V entonces dim W n. Si dim W = n,
entonces W = V.
a)
b)
2.
3.
4.
5.
6.
1.2.14.
Teorema.
Si
son subespacios de un espacio vectorial
entonces
dim(U + W ) = dim U + dim V dim(U W ) .

12
Prerrequisitos
1.2.15. Nota. En el teorema anterior: U W = {0} sii dim(U + W ) =

dim U +dim V . Cuando U W = {0} al espacio U +W de V se le denomina
suma directa de U con W y se escribe U W en lugar de U + W . Adems,
en este caso para cada vector v U W , existen vectores nicos u U
y w W tales que v = u + w.
1.2.16.
Teorema.
Si
es un subespacio de un espacio vectorial
tonces existe un subespacio

El subespacio
de
tal que
V,
en-
U W = V.
del teorema anterior no es necesariamente nico y es
llamado complemento de
U.
Tambin se dice que
son subespacios
complementarios.
1.2.2. Coordenadas.
El conjunto de coordenadas de un espacio
respecto de una base es til en el estudio de las transformaciones lineales.

Para introducir este concepto es necesario denir primero lo que es una
base ordenada de un espacio vectorial
V.
En la denicin 1.2.11 era irre-
levante en qu orden apareciera los elementos de una base. Sin embargo,

a partir de ahora el orden ser importante. En tal sentido, nosotros consideramos la siguiente denicin.
Denicin
(Base ordenada) Si v1 , v2 , . . . , vn es una sucesin

nita de vectores linealmente independientes de un espacio vectorial V,
1.2.17.
que generan a
V , entonces
V.
diremos que
B = {v1 , v2 , . . . , vn }
es una
base ordenada de
1.2.18.
Teorema.
Si
B = {v1 , v2 , . . . , vn } es una base ordenada de V ,

v V existen escalares 1 , 2 , . . . , n nicos
entonces para cada vector

tales que
v = 1 v1 + 2 v2 + + n vn =
n
X
i vi ,
i=1
Denicin.
Sea
V.
Sea
B = {v1 , v2 , . . . , vn } una base ordenada de un

v un P
vector de V y sean 1 , 2 , . . . , n los esn
calares nicos tales que v =
i=1 i vi , el vector (vector columna) de
coordenadas de v respecto de la base ordenada B se denota por [v]B y se
1.2.19.
espacio vectorial
dene as:
1
2
[v]B = . .
.
.
n
13
Prerrequisitos
u y v son dos vectores de V

[u]B + [v]B y [u]B = [u]B .
Si
y si
es un escalar, entonces
[u + v]B =

T
n1 (matriz n1) c = 1 2 n
vector v de V tal que [v]B = c, a saber v =
De otro lado, a cada vector

le corresponde un nico
Pn
i=1
i vi .
As, cada base ordenada

ca,
v [v]B ,
de
determina una correspondencia biunvo-
entre los espacios
Mn1 ,
que preserva las suma de
vectores y la multiplicacin de un escalar por un vector. Ms an, preserva la independencia lineal; sto es, el conjunto
C = {u1 , u2 , . . . , uk } es
V sii el conjunto
un conjunto de vectores linealmente independientes de
C = {[u1 ]B , [u2 ]B , . . . , [ uk ]B }
independientes de Mn1 .
es un conjunto de vectores linealmente
V = Rn y B = {e1 , e2 , . . . , en } sea la base cannica,

e1 = (1, 0, 0, . . . , 0), e2 = (0, 1, 0, . . . , 0),. . . , en = (0, 0, 0, . . . , 1),
En el caso en que
con
la mencionada correspondencia est dada por
x1
x2
x = (x1 , x2 , . . . , xn ) [x]B = . .
..
xn
En algunas situaciones resulta conveniente tener presente esta correspondencia, que utilizaremos identicando a
con
[x]B .
1.2.3. Producto interno. Bases ortonormales.
En este aparta-
do consideraremos los conceptos de producto interno y de bases ortonormales que nos ser particularmente tiles en el captulo 3 al tratar la
diagonalizacin de matrices simtricas.
1.2.20.
Denicin (Producto interno).
adems
u, v
ducto interno en
V un espacio vectorial. Sean

V y un escalar real. Un proh; i : V V R que satisface las
Sea
vectores arbitrarios de
es una funcin
propiedades:
(i)
(ii)
(iii)
(iv)
hu; vi = hv; ui.

hu; ui 0 y hu; ui = 0 si y slo
hu; vi = hu; vi.
hu + v; wi = hu; wi + hv; wi.
14
si
u = 0.
Prerrequisitos
Observacin.
B es una base ordenada de un espacio vectorial V ,

T
entonces la funcin h; i : V V R denida por hu; vi = [u]B [v]B es
n
un producto interno. En particular, si V = R y B es la base cannica de
n
R , se tiene que
Si
hx; yi = [x]B [y]B = x1 y1 + x2 y2 + + xn yn ,

x = (x1 , x2 , . . . , xn )
donde
y = (y1 , y2 , . . . , yn ).
Rn con este producto interno (producto
x y o xT y para indicar a hx; yi.
En lo que sigue consideraremos a

escalar) y a veces escribiremos
Si
h; i
V , la norma o
v de V se denota por kvk y se dene as: kvk =
kvk = 1, se dice que v es un vector unitario.
es un producto interno sobre un espacio vectorial
longitud de un vector
p
hv; vi.
1.2.21.
Cuando
Teorema
(Desigualdad de Schwarz)
al con producto interno
h; i.
Sea
un espacio vectori-
Para cada par de vectores
de
se
satisface la desigualdad
|hu; vi| kuk kvk .

Sean
si
u y v vectores de un espacio vectorial V con producto interno h; i,

v no son nulos, la medida del ngulo entre ellos se dene como
|hu; vi|
= arc cos
.
kuk kvk
1.2.22.
Denicin.
Sea
un espacio vectorial con producto interno
h; i:
u y v de V son ortogonales si hu; vi = 0.

C = {v1 , v2 , . . . , vn } de vectores de V
es ortogonal si hvi ; vj i = 0 para i 6= j,
i, j = 1, 2, . . . , n.
Se dice que un conjunto C = {v1 , v2 , . . . , vn } de vectores de V
es ortonormal si C es ortogonal y cada vector de C es unitario,
1. Se dice que dos vectores
2. Se dice que un conjunto

3.
o sea si:
(
1
hvi ; vj i = ij =
0
si i = j
; i, j = 1, 2, . . . , n .
si i =
6 j
C1 y C2 de vectores son
ortogonales, si para cada par de vectores u C1 y v C2 ,
hu; vi = 0.
4. Se dice que dos conjuntos no vacos,
15
1.3. Transformaciones lineales
Prerrequisitos
Teorema. Sea V un espacio vectorial con producto interno h; i.

C = {v1 , v2 , . . . , vn } es un conjunto ortogonal que no contiene al
vector 0, entonces C es linealmente independiente.
1.2.23.
Si
1.2.24.
Teorema
(Proceso de ortogonalizacin de Gram-Schmidt)
Sea
W un subespacio no nulo de un espacio vectorial V de dimensin nita

k con producto interno h; i y sea B = {w1 , w2 , . . . , wk } una base de
W. Entonces C = {v1 , v2 , . . . , vk } es una base ortogonal de W y C =
{v1 , v2 , . . . , vk } es una base ortonormal de W , donde:
v1
v2
v3
= w1
hw2 ; v1 i
v1
hv1 ; v1 i
hw3 ; v1 i
hw3 ; v2 i
= w3
v1
v2
hv1 ; v1 i
hv2 ; v2 i
= w2
.
.
.
vk
= wk
k1
X
i=1
y donde
vi =
vi
kvi k
para
hwk ; vi i
vi ,
hvi ; vi i
i = 1, 2, . . . , k.
Teorema.
Sean v1 , v2 , . . . , vk vectores no nulos de un espacio

V de dimensin n > k , con producto interno h; i. Si C1 =
{v1 , v2 , . . . , vk } es un conjunto ortogonal (respectivamente ortonormal),
entonces existe un conjunto ortogonal (respectivamente ortonormal) C2 =
{w1 , w2 , . . . , wnk } de vectores de V tal que B = C1 C2 es una base
ortogonal (ortonormal) de V. Ms an, si U = hv1 , v2 , . . . , vk i y si
W = hw1 , w2 , . . . , wnk i entonces V = U W y adems, U y W son
1.2.25.
vectorial
ortogonales.

En esta seccin consideraremos los aspectos ms importantes sobre las
transformaciones lineales. En lo que sigue;
U, V
denotarn espacios
vectoriales.
1.3.1.
Denicin.
Una funcin
T : U V es una transformacin lineal,

u1 , u2 en U y todo escalar , se tiene
si para cualquier para de vectores

que:
16
Prerrequisitos
(i)
(ii)
1.3.2.
T (u1 + u2 ) = T (u1 ) + T (u2 )

T (u1 ) = T (u1 ).
Ejemplo.
Algunos ejemplos de transformaciones lineales son:
1. Para cada
U,
la funcin idntica
A Mmn ,
x y = Ax.
2. Para cada matriz

por
1.3.3.
Teorema.
U y V espacios vectoriales, B = {u1 , u2 , . . . , un }

T : U V es una transformacin lineal. Entonces T
determinada por los vectores T (u1 ), T (u2 ), . . . , T (un ).
una base de
queda
I : U U, u I(u) = u.
A : Rn Rm , denida
la funcin
Sean
Asociados a toda transformacin lineal hay dos subespacios importantes

a saber; su ncleo y su imagen. El primero de ellos corresponde a todos
lo elementos del espacio

espacio
V;
que son transformados en el elemento nulo del
V
U. En forma ms precisa
el segundo, corresponde a todos los elementos del espacio
que tienen al menos una preimagen en el espacio

tenemos
1.3.4.
Denicin.
T :U V
Sea
1. El ncleo de
es una transformacin lineal.
se denota por
N (T )
y se dene as:
N (T ) = {u U : T (u) = 0} .
2. La imagen de
se denota por
Img(T )
y se dene as:
Img(T ) = {T (u) : u U } .
1.3.5.
Denicin.
Sea
1. Diremos que
T :U V
una transformacin lineal.
es inyectiva (biunvoca o uno a uno), si dos ele-
mentos distintos
u1 , u2 U ,
tienen imagen distinta. Esto es si
y slo si
u1 6= u2
implica
2. Diremos que
T (u1 ) 6= T (u2 );
para todo
u1 , u2 U.
es sobreyectiva (o simplemente sobre), si cada
elemento de del espacio
posee al menos una preimagen en
U.
Esto es si y slo si
Para todo
vV
existe un
uU
tal que
T (u) = v.
El siguiente teorema resume algunos aspectos bsicos de las transformaciones lineales.

17

1.3.6.
de
Teorema.
y sea
1.
2.
3.
4.
5.
6.
B = {u1 , u2 , . . . , un }
Sea
T :U V
un subconjunto de vectores
una transformacin lineal y .
N (T ) es un subespacio vectorial de U.
T es inyectiva sii N (T ) = {0} .
Img(T ) es un subespacio vectorial de V.
Si B es una base de U , entonces {T (u1 ), T (u2 ), . . . , T (un )} genera al espacio Img(T ).
Si T es inyectiva y B es linealmente independiente, entonces
{T (u1 ), T (u2 ), . . . , T (un )} es un subconjunto linealmente independiente de vectores de V .
dim N (T ) + dim Img(T ) = dim U .
A la dimensin de
Img(T )
Prerrequisitos
N (T )
se llama rango de
se le llama nulidad de
y a la dimensin de
T.
1.3.1. Matriz de una transformacin lineal referida a un par

de bases ordenadas. A cada transformacin lineal se le puede asignar
una matriz
A,
la cual est determinada por las bases de los espacios vec-
toriales involucrados en dicha transformacin. Veremos en esta seccin,

que una tal asignacin simplicar muchos clculos. Es decir, ser ms
conveniente trabajar con la matriz asociada a una transformacin lineal
(referida a ciertas bases), que con la transformacin lineal misma.
Denicin.
U y V espacios vectoriales, T : U V una transB1 = {u1 , u2 , . . . , un } y B2 = {v1 , v2 , . . . , vm }

bases ordenadas de U y de V respectivamente. La matriz de T referida a
las bases B1 y B2 se denotar por [T ]B B y corresponde a la matriz mn
1 2
1.3.7.
Sean
formacin lineal y sean
dada por:
[T ]B1 B2 =
1.3.8.
Teorema.
[T (u1 )]B2
[T (u2 )]B2
[T (un )]B2
U y V espacios vectoriales, T : U V una transB1 = {u1 , u2 , . . . , un } y B2 = {v1 , v2 , . . . , vm }

U y de V respectivamente. Para cada u U se tiene
Sean
formacin lineal y sean

bases ordenadas de
que:
[T (u)]B2 = [T ]B1 B2 [u]B1 .
Nota.
Por el teorema anterior y por el teorema 1.3.3, la transforma-
T queda completamente determinada

B1 y B2 , y de la matriz [T ]B1 B2 .
cin lineal
las bases
18
por el conocimiento de
Prerrequisitos
1.3.2. lgebra de transformaciones lineales. Inversa de una

transformacin lineal. En esta seccin consideraremos las operaciones
de suma, multiplicacin por un escalar y composicin entre transformaciones lineales. As mismo veremos la relacin existente entre las matrices
asociadas correspondientes. En este apartado
U, V
denotan espacios
vectoriales.
1.3.9.
Teorema.
Sean
T : U V y S : U V transformaciones lineales
B1 y B2 bases ordenadas de U y V, respec-
un escalar. Sean adems
tivamente:
1. La suma de
T (u) + S(u)
S ; (T + S) : U V,
denida por
(T + S)(u) =
es una transformacin lineal. Ms an
[T + S]B1 B2 = [T ]B1 B2 + [S]B1 B2 .

2. La funcin mltiplo escalar de
(T )(u) = T (u)
T ; (T ) : U V,
denida por
es una transformacin lineal. Ms an
[T ]B1 B2 = [T ]B1 B2 .
Nota.
El conjunto de todas las transformaciones lineales de
L(U, V ),
en
V,
junto con las operaciones mencionadas en el teorema anterior
es un espacio vectorial. adems, si
dim U = n
dim V = m
entonces
dim L(U, V ) = m n.
B1 de U determina la
correspondencia biunvoca entre los espacios vectoriales V y Mm1 , dada
De otro lado, de la misma forma como una base
por , v [v]B ; las bases B1 y B2 de U y V , determinan la corresponden2

cia biunvoca entre los espacios L(U, V ) y Mmn , la cual est dada por
T [T ]B B . Esta correspondencia preserva la suma de vectores y la mul1
tiplicacin de un escalar por un vector, tal como se establece en el teorema

anterior. En otras palabras, esta correspondencia es una transformacin
lineal.
1.3.10.
Teorema.
T : U V y S : V W transformaciones
S T : U W es una transformaB1 , B2 y B3 representan bases ordenadas para los
Sean
lineales. Entonces, la composicin

cin lineal. Si adems,
espacios
U, V
respectivamente, entonces se tiene que:
[S T ]B1 B3 = [S]B2 B3 [T ]B1 B2 .

19
1.4. Espacios fundamentales de matrices
Teorema.
1.3.11.
Si
Prerrequisitos
T : U V es una transformacin lineal biyectiva,

T , T 1 : V U es una transformacin
entonces la funcin inversa de

lineal y la matriz
[T ]B1 B2
es invertible. Adems,
T 1
= [T ]B1 B2 .
B2 B1
1.3.3. Matrices semejantes. Cambio de base.
Los conceptos
de matrices semejantes y cambio de base nos sern particularmente tiles

en el captulo 4 para el estudio de los valores propios y los vectores propios
de una transformacin lineal.
1.3.12.
Denicin (Matrices semejantes).

n,
de orden
vertible
1.3.13.
B
B = P 1 AP.
se dice que
tal que
Denicin
Sean
(Matriz cambio de base)
nadas del espacio vectorial
U,
AyB
matrices cuadradas
son semejantes, si existe una matriz in-
B1 y B2 bases ordela transformacin lineal
Sean
I :U U
y sea
P = [I]B1 B2 se denomina matriz

B1 a la base B2 , (sto debido a lo enunciado
= [T ]B1 B2 [u]B1 ).
idntica. La matriz
de cambio de base de
la base
por el teorema 1.3.8,
[u]B2
1.3.14.
Teorema.
Sean
bases ordenadas de
T :U U
una transformacin lineal y
B1
B2
U.
B1 a la base B2 , P =
es invertible y su inversa es la matriz de cambio de base
1. La matriz de cambio de base de la base
[I]B1 B2 ,
de la base
B2
2. Las matrices
a la base B1 .
A = [T ]B2 B2
B = [T ]B1 B1
son matrices seme-
jantes, adems se tiene

1
[T ]B1 B1 = [I]B1 B2 [T ]B2 B2 [I]B1 B2 = P 1 [T ]B2 B2 P .
1.4. Espacios fundamentales de una Matriz. Rango de una

matriz. Sistemas de ecuaciones lineales
En esta seccin consideraremos los llamados espacios fundamentales de
A. Dos de estos espacios son precisamente el ncleo y la imagen

x y = Ax, los cuales estn relacionados con
conjunto solucin de un sistema de ecuaciones lineales Ax = y. El
una matriz
de la transformacin lineal
el
lector recordar de los resultados de un primer curso de lgebra lineal,

que el espacio la y es espacio columna de
ese nmero comn se le denomina rango de
20
A tienen igual dimensin.

A y se denota por (A).
Prerrequisitos
Sea
una matriz
m n.
El subespacio de
se denomina espacio la de
Rn
A
F(A) =
generado por las las de
y lo denotamos por
F(A);
esto es,
hA1 , A2 , . . . , Am i . El subespacio de Rm generado por las columnas de

A se denomina
columna de A y lo denotamos por C(A); esto
1 espacio

2
n
es, C(A) = A , A , . . . , A
. El espacio formado todas soluciones de un
sistema homogneo de ecuaciones lineales Ax = 0 se denomina espacio
nulo de una matriz, esto es, el espacio nulo es el conjunto
N (A) = {x Rn : Ax = 0} .
De otro lado, el subespacio de
Img(A)
Rn ;
= {Ax : x Rn }
= {y Rm : y = Ax para
se denomina imagen de
1.4.1.
Teorema.
algn
x Rn } .
A.
Para cualquier matriz
se tiene que
dim F(A) = dim C(A) .

1.4.2.
Teorema.
1.
F(A)
Sea
N (A)
una matriz arbitraria entonces:

son ortogonales. sto es, sus elementos son or-
togonales entre si.

t
2. C(A) y N (A ) son ortogonales. sto es, sus elementos son ortogonales entre si.
1.4.3.
Teorema.
Sean
matrices de tamao adecuado, tales que las
operaciones siguientes estn denidas.

1.
C(AB) C(A) y F(AB) F(B).

P y Q son matrices invertibles de tamao apropiado
a ) C(A) = C(AQ).
b ) F(A) = F(P A).
C(A + B) C(A) + C(B) y F(A + B) F(A) + F(B).
T
Para cualquier matriz A se tiene que: N (A) = N (A A).
2. Si
3.
4.
Nota.
R es
F(R).
si
1.4.4.
lineal
Segn el inciso 2(b) del teorema anterior y segn el teorema 1.1.10,

la forma escalonada reducida de la matriz
A,
entonces
Teorema.
F(A) =
Sea A una matriz mn. La imagen de la transformacin

A : Rn Rm , x y = Ax, es el espacio columna de A; esto es,
Img(A) = C(A)
=
21
{Ax : x Rn } .
Nota.
Prerrequisitos
De acuerdo con el inciso (3) del teorema 1.3.6 y de acuerdo con
los teoremas 1.4.1 y 1.4.4: si
es una matriz
m n,
entonces
dim N (A) + dim F(A) = n.

Anlogamente, puesto que
F(At ) = C(A),
dim N (AT ) + dim C(A) = m.

De otra parte, con base en la nota 1.2.15,
Rn = F(A) N (A)
Rm = C(A) N (AT ),
F(A) y N (A) de Rn son complementarios.

C(A) y N (At ) de Rm son complementarios.
es decir, los subespacios

mismo, los subespacios
As
x Rn y cada y Rm se pueden expresar

en forma nica as: x = f + n y y = c + u, donde f , n, c y u pertenecen
T
a F(A), N (A), C(A) y N (A ), respectivamente (ver gura 1.1).
Esto implica entonces, que cada
IR
IR
F (A)
C (A)
x=f+n
y=c+u
Ax=Af
f
c
n
N (AT)
N (A)
Figura 1.1. Transformacin lineal
Nota.
Segn las deniciones, el ncleo de la transformacin lineal
y = Ax
es el espacio nulo de
De otro lado, si denimos el rango de la matriz

de la transformacin lineal
x y = Ax,
es la dimensin del espacio columna de
1.4.5.
Teorema.
1.
(A)
(A)
una matriz
A, (A),
como el rango
entonces tenemos que rango de
A.
m n,
entonces:
es igual al nmero mximo de las linealmente independi-
entes de
2.
Sea
A.
A.
es el nmero mximo de columnas linealmente independi-
entes de
A.
22
Prerrequisitos
3.
(A)

es el nmero de las no nulas de la forma escalonada re-
ducida de
A.
A, (A) = (AT ) = (AAT ) = (AT A).

A es una matriz m n y B es una matriz n k , entonces
(AB) (A) y (AB) (B).
Si P es una matriz invertible mm y Q es una matriz invertible
n n, entonces (A) = (P A) = (AQ) = (P AQ).
Si A y B son matrices m n, entonces (A + B) (A) + (B).

5. Si
6.
7.
1.4.6.
Teorema.
Sea
una matriz
1. El sistema de ecuaciones
2. El sistema de ecuaciones
la matriz
[A | y],
A es
mn
y sea
un vector
m 1.
Ax = y tiene solucin sii y C(A).

Ax = y tiene solucin sii el rango de
igual al rango de la matriz aumentada del sistema
es decir sii
(A) = ([A| y]).
3. Para el sistema de ecuaciones lineales
Ax = y
se da una y slo
una de las opciones siguientes:

a ) El sistema no tiene solucin, en cuyo caso
y
/ C(A).
b ) El sistema tiene innitas soluciones, en cuyo caso su conjunto solucin es una variedad lineal de la forma
S = {xp + xh : xh N (A)} ,
xp
Axp = y,
donde
es una solucin particular del sistema; sto es,

adems,
dim N (A) > 0.
c ) El sistema tiene una nica solucin. En este caso se tiene

que
N (A) = {0 }
El teorema siguiente recoge, tericamente, el mtodo de Gauss-Jordan

para resolver sistemas de ecuaciones lineales.
Teorema.
A una matriz m n y y un vector n 1. Si P

m m tal que P A = R, donde R es la forma
escalonada reducida de A, entonces Ax = y sii Rx = P y; esto es, los
sistemas de ecuaciones lineales Ax = y y Rx = P y tienen el mismo
conjunto solucin. En particular, si y = 0; Ax = 0 sii Rx = 0.
1.4.7.
Sean
es una matriz invertible
1.4.8.
Teorema (Resumen).
Sea
armaciones siguientes son equivalentes:

1.
2.
det(A) 6= 0.
A es invertible.
3. La forma escalonada de
en
23
In .
n.
Las

A
4. Los vectores la de

5. El espacio la de
Prerrequisitos
son linealmente independientes.

Rn , es decir, F(A) = Rn .
es
A son linealmente independientes.

A es Rn , es decir, C(A) = Rn .
A es n.
6. Los vectores columna de

7. El espacio columna de
8. El rango de la matriz
9.
N (A) = {0}.
10. El sistema de ecuaciones lineales
Ax = 0
tiene la nica solucin
x = 0.
11. Para todo
y Rn ,
El sistema de ecuaciones lineales
Ax = y
tiene solucin.
Por ltimo, consideramos un mtodo para calcular una base de cada uno
de los espacios fundamentales de una matriz
mn arbitraria A. El mtodo
consiste en efectuar los pasos siguientes:
T

A | In .
Paso 1
Forme la matriz
Paso 2
Efecte operaciones elementales sobre las las de la matriz

anterior hasta obtener la forma escalonada reducida. Al nal
se obtiene la matriz que podemos describir por bloques as:
Erm
0(nr)m
donde
.
.
.
.
.
.
Prn
P(nr)n
r = (A).
Los vectores la de la matriz
C(A)
base para
conforman una base para
C(AT ) = F(A)
P(nr)n
conforman una
N (A).
Al llevar a cabo el paso 2 con la matriz

para
Erm
y los vectores la de la matriz
N (AT ).
24
[A | Im ]
se obtienen sendas bases
CAPTULO 2
Matrices particionadas. Traza de una matriz

Este captulo consta de tres secciones. Las dos primeras versan sobre matrices particionadas. La tercera seccin trata sobre la traza de una matriz.
Consignaremos aqu los principales resultados sobre la traza de una ma-
A, algunas de ellas
A. (ii) La particin
exhibir detalles particulares e interesantes de A. (iii) La particin
permitir simplicar clculos que involucran la matriz A.
triz. Existen razones para querer particionar una matriz

son: (i) La particin puede simplicar la escritura de
puede
puede
2.1. Submatrices. Operaciones con matrices

particionadas
A veces es necesario considerar matrices que resultan de eliminar algunas
las y/o columnas de alguna matriz dada, como se hizo por ejemplo,
al denir el menor correspondiente al elemento
[aij ]mn
2.1.1.
aij
de una matriz
A =
(vase el apartado 1.1.3 del captulo 1).
Denicin.
Sea
una matriz. Una submatriz de
es una matriz
que se puede obtener al suprimir algunas las y/o columnas de la matriz
A.
2.1.2.
Ejemplo.
Las matrices
S1 , S2
S3 dadas
a continuacin, sonson
submatrices de la matriz
1
A= 5
9

S1 =
1
9
2
0
4
2
2
6
0
3
7
1
4
8 .
2

(suprimiendo en
25
la la 2 y la columna 3)
2.1. Submatrices

S2 =

S3 =
1
9
2
0
2
6
3
7
Matrices particionadas
3
7
4
8

(suprimiendo en
la la 3)

A
(suprimiendo en
A = [aij ]mn ;
Dada una matriz
la la 3 y las columnas 1 y 4).
mediante un sistema de rectas horizon-
tales o verticales podemos particionarla en submatrices de
A,
como se
ilustra en el siguiente ejemplo:
a11
a21
= a31

a41
.
.
.
a12
a13
.
.
.
.
.
.
a22
a23
.
.
.
a32
a33
.
.
.
a42
a43
.
.
.
.
.
.
a52
a53
.
.
.
.
.
.
a51
.
.
.
a14
a24
a34
a44
a55
Hecho esto, podemos escribir, usando una notacin obvia:

A=
A11
A21
A12
A22
A13
A23
donde
A11
a11
= a21 ,
a31

A21 =
a41
a51
A12
a12
= a22
a32

,
A22 =
a42
a52
a13
a23 ,
a33
a43
a53
A13
a14
= a24 ,
a34

,
A23 =
a44
a55

.
Debe ser claro para el lector, que una matriz puede ser particionada de
diferentes maneras, por ejemplo:
26
A =
.
.
.
A =
2.1. Submatrices
.
.
.

2
1
=

1
1
.
.
.
2
0
.
.
.
.
.
.
.
.
.
.
.
.
1
.

.
.
.
.
.
.
Tal vez, la principal conveniencia de particionar matrices, es que se puede

operar con matrices particionadas como si las submatrices fuesen elementos ordinarios, tal como se establece en el teorema siguiente.
2.1.3.
Teorema.
1. Si las matrices
A11
A21
A= .
..
Am1
A12
A22
.
.
.
..
Am2
estn particionadas as:
A1n
B11
B21
A2n
y B = ..
.
.
.
.
Amn
Bm1
B12
B22
.
.
.
..
Bm2
B1n
B2n
.
.
.
Bmn
Aij +Bij estn denidas para i = 1, 2, . . . , m, j =

1, 2, . . . , n, entonces
A11 + B11
A12 + B12
A1n + B1n
A21 + B21
A22 + B22
A2n + B2n
A+B =
.
.
.
.
..
.
.
.
.
.
.
.
Am1 + Bm1 Am2 + Bm2 Amn + Bmn
y si las sumas
estn particionadas as:
A12
A22
.
.
.
..
Am2
A1n
B11
B21
A2n
y B = ..
.
.
.
.
Amn
Bn1
2. Si las matrices
A11
A21
A= .
..
Am1
27
B12
B22
.
.
.
..
Bn2
B1s
B2s
.
.
.
Bns
2.1. Submatrices
Aik es igual al nmero
Bkj ; i = 1, 2, . . . , m, k = 1, 2, . . . , n, j =
y si el nmero de columnas de cada bloque

de las de cada bloque
1, 2, . . . , s,
entonces
C11
C21
AB = .
..
Cm1
n
X
Cij =
donde
C12
C22
.
.
.
..
Cm2
C1s
C2s
,
.
.
.
Cms
Aik Bkj .
k=1
3. Si la matriz A est particionada como en (1) y si
es un escalar,
entonces
A11
A21
A =
.
.
.
Am1
4. Si la matriz
.
.
.
..
Am2
A1n
A2n
.
.
.
.
Amn
est particionada como en (1) , entonces
AT11
AT21
ATn1
T
A12
=
..
.
AT1m
AT22
.
.
.
AT2m
..
ATn2
.
.
.
.
ATnm
AT
A12
A22
Los incisos (1), (3) y (4) del teorema anterior son fciles de vericar. La
demostracin del inciso (2) es laboriosa y no la haremos. Sin embargo, el
lector interesado puede consultar una indicacin de dicha demostracin
en [
10] pgina 19.
A continuacin ilustraremos el inciso (2) de dicho teorema.

Si
A= 2

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
28
A11
4
=
A21

A12
A13
A23
A23
2.2. Determinantes
B=
0
1
0
1
0
3
1
2
B11

= B21

B31
entonces
AB
A11 B11 + A12 B21 + A13 B31
8
7
5
4
= 2
2
=
A21 B11 + A22 B21 + A23 B31
pues

A11 B11
=

A12 B21
=

1
2
0
0
0
0

0
3
3
4
A13 B31
A21 B11
[1]
A22 B21
A23 B31
0
1

0
1
0
3
0
1
1
2
,
0
0

=
2
0
0
=
1
2
0
1
2
4
0
3
1
2

,
3
4
6
1

,
3
0
2.2. Determinantes e inversas de algunas matrices especiales

En algunas situaciones es conveniente utilizar matrices particionadas para
describir determinantes e inversas de ciertas matrices en trminos de las
submatrices. En particular, los teoremas 2.2.3 y 2.2.8, son usados en la
deduccin de las distribuciones condicionales de un vector aleatorio con
distribucin normal multivariante (vase el Teorema 3.6.1 de [ ])

29
2.2. Determinantes
El lector recordar, que el determinante de una matriz triangular (superior o inferior) es justamente el producto de los elementos de la diagonal
principal. El siguiente teorema, por ejemplo, lo podramos ver como una
"generalizacin" de dicho resultado.
2.2.1.
Proposicin.

1. Si
M=

2. Si
M=
Sean
A
0
A
B
B
C
0
C
matrices cuadradas,
entonces
|M | = |A||C|.
entonces
|M | = |A||C|.
Demostracin. Para la demostracin del literal (1) usamos induc-
cin sobre el orden
Si
n=2
de la matriz
M.
|M | = ac = |A| |C| donde

A B
a b
M=
=
.
0 C
0 c
tenemos que
Supongamos ahora que (1) es vlida para

vlida para
y demostremos que es
n = k + 1 particionada como en (1).

j a la
C = [cij ]ss . Denotemos por B
j
submatriz de B que se obtiene suprimiendo en B la columna j y por C
a la submatriz de C que se obtiene suprimiendo en C la columna j y la
la s, j = 1, 2, . . . , s.
Sea
n=k
n = k + 1.
Suponga adems que
B = [bij ]rs
Ahora, desarrollando el determinante de
por los cofactores de la la
(vase el Teorema 1.1.5(1)), obtenemos:
det(C) = cs1 (1)s+1 |C 1 | + cs2 (1)s+2 |C 2 | + . . . + css (1)s+s |C s |.
As mismo, desarrollando el determinante de

la
k+1
obtenemos:
30
por los cofactores de la
det(M )
2.2. Determinantes

1
A B

cs1 (1)
0 C 1 +

2
A B

+cs2 (1)2(k+1)s+2
0 C 2

s

B
2(k+1)s+s A
+ . . . + css (1)
0 C s
2(k+1)s+1
Utilizando la hiptesis de induccin se obtiene:
det(M )

(1)2(k+1)2s cs1 (1)s+1 |A| |C 1 | + cs2 (1)s+2 |A| |C 2 |

+ . . . + css (1)s+s |A| |C s |

= |A| cs1 (1)s+1 |C 1 | + cs2 (1)s+2 |C 2 | + . . . +

+css (1)s+s |C s |
= |A| |C| .
Lo que completa la demostracin de (1).
La demostracin de (2) se sigue del hecho de que

|M | = M T
(teore-
ma 1.1.6(1)) y del inciso (1). En efecto, se tiene:
det(M )
det(M T )
det
det(AT ) det(C T )
det(A) det(C)
A
0
B
C

2.2.2.
Ejemplo.
Use particin de matrices y los resultados de la proposi-
cin anterior para calcular el determinante de cada una de las matrices

siguientes:
31
2.2. Determinantes
7
M = 4
3
1
1
N =
0
0
0
5
7
0
6
9
2
3
0
0
4
6
2
3
5
7
,
3
5
las cuales se pueden particionar respectivamente como sigue:

M =
.
.
.
.
.
.
.
.
.
.
.
.
0

= A
B
6
0
C
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
N =
Entonces

5
|M | = |7|
7

6
= 21
9

1
|N | =
1

2 2
3 3

3
= 1.
5
El siguiente teorema nos brinda una alternativa para calcular determinantes de matrices ms generales particionadas por bloques.
2.2.3.
Teorema.
1. Si
2. Si

Sean
matrices cuadradas y sea
M=
A
C
B
D

.

D es invertible, entonces |M | = |D| A BD1 C .
A es invertible, entonces |M | = |A| D CA1 B .
Demostracin. Haremos slo la demostracin del literal (1), el se-
gundo resultado se verica de manera anloga y se deja como ejercicio al

lector.
32

Sea
S =
2.2. Determinantes
I
D1 C
0
I

.
Entonces
MS =
A BD1 C
0
B
D

.
Ahora por el teorema 1.1.6(9) y por la proposicin anterior, se tiene :

|M | = |M | |I| |I| = |M | |S| = |M S| = |D| A BD1 C .
Los siguientes resultados son consecuencia inmediata de este teorema y

sus vericaciones se dejan como ejercicio.
2.2.4.
Corolario.
Sean
A, B, C
y sea
la matriz dada por

M=
1. Si
2. Si
3. Si
4. Si
2.2.5.
A
C
B
D

.
D es invertible y si DB = BD, entonces |M | = |DA BC|.

A es invertible y si AC = CA, entonces |M | = |AD CB|.
D = 0 y A es invertible, entonces |M | = (1)n |B| |C|.
A = 0 y D es invertible, entonces |M | = (1)n |B| |C|.
Ejemplo.
Utilizando los resultados del corolario anterior encon-
M yN
1 2
1 3
N =
4 5
3 3
tremos los determinantes para las matrices
1
M = 1
1
Particionemos entonces
2
3
1
4
5
1
Para
tomamos
Puesto que
dadas por:
2
2
0
0
1
3
.
0
0
B
D
de adecuadamente.
.
.
.
.
.
.
.
.
.
4

A
5
=
C
, siendo
es una matriz invertible entonces,

3
1

|M | = |D| A BD C = |1|
4
33

2
= 2 .
2
D = [1].
2.2. Determinantes
.
.
.
1
Similarmente para
N, N =
siendo
A=
1
1
2
3
.
.
.
.
.
.
4
3
.
.
.

3
A

=
B
0

,

A
. Dado que
es invertible tenemos que
|M | = (1)2 |B| |C| = 12 .

2.2.6.
Proposicin.
Sean

1. La matriz
M=
A
0
matrices cuadradas.
B
C

es invertible sii las matrices
son invertibles. Adems, si
M 1 =

2. La matriz
M=
A1
0
A
B
0
C

=
A1 BC 1
C 1

.

es invertible sii las matrices
son invertibles. Adems, si
A1
1
C BA1
0
C 1

.
La prueba de este resultado se propone como ejercicio. El ejemplo siguiente, nos ilustra el inciso (1) de la proposicin anterior.
2.2.7.
Ejemplo.
Verique que la matriz
1
1
M =
0
0
2
3
0
0
es invertible y calcule su matriz inversa.

34
1
1
2
5
1
1
1
3
2.2. Determinantes
Observando la estructura de la matriz

.
.
.
particin es: M =
.
.
.
.
.
.
las matrices
.
.
.
podemos ver que una buena

1
=
0
M 1 =
A1
0
A1 BC 1
C 1

. Puesto que
son invertibles, entonces
B
C
3
1
=
0
0
tambin lo es y adems,
2
2 1
3
0
0
.
0
3 1
0 5
2

El siguiente teorema presenta una frmula para calcular inversas de matrices ms generales
2.2.8.
Teorema.

B=
Si
B 1
Sea
B11
B21
B12
B22
una matriz invertible particionada as:

,
con
B11
B22
matrices invertibles.
A12
A22
est particionada as:
B 1 =
A11
A21
donde Aii (i = 1, 2), matrices cuadradas de igual orden que la matriz

respectivamente entonces:
1. Las matrices
2. Las matrices
A11 y A22 son invertibles.

1
1
B11 B12 B22
B21 y B22 B21 B11
B12
Bii
son inver-
tibles.
3. La matriz
B 1
est dada por
1
B11 B12 B22
B21
1
1
1
B22
B21 B11 B12 B22
B21
1
1
B11
B12 B22 B21 B11
B12
1
35
1
B22 B21 B11
B12
1
1
2.2. Determinantes
Demostracin. De la igualdad
BB 1 =
B11
B21
B12
B22

A11
A21
A12
A22
I
0
0
I
=I
se obtienen las igualdades
B11 A11 + B12 A21

B21 A11 + B22 A21
B11 A12 + B12 A22
B21 A12 + B22 A22
(2.1)
=
=
=
=
I
0
0
I
Ahora, premultiplicando ambos miembros de (2.1(b)) por
1
B22
, se obtiene
1
B22
B21 A11 + A21 = 0,
Sustituyendo
A21
o sea,
1
A21 = B22
B21 A11 .
en (2.1(a)), se obtiene

1
B11 B12 B22
B21 A11 = I .
Esto quiere decir que las matrices
1
B11 B12 B22
B21
A11
son invertibles
y que una es la inversa de la otra.

Premultiplicando ambos miembros de (2.1(c)) por
1
A12 + B11
B12 A22 = 0,
Sustituyendo
A12
o sea,
1
B11
,
se obtiene :
1
A12 = B11
B12 A22 .
en (2.1(d)), se obtiene:

1
B22 B21 B11
B12 A22 = I .
Esto quiere decir que las matrices
1
B22 B21 B11
B12
A22
son invertibles
y que una es la inversa de la otra.

Por lo anterior,
1
A11 = B11 B12 B22
B21
1
1
1
A12 = B11
B12 B22 B21 B11
B12
1
1
A21 = B22
B21 B11 B12 B22
B21
1
1
A22 = B22 B21 B11
B12
1
A continuacin enunciamos y demostramos un teorema que involucra matrices particionadas y el rango de una matriz.
36
1
2.3. Traza de una matriz

A11 A12
2.2.9. Teorema. Sea A =
, donde A11 es una
A21 A22
1
vertible r r. Si (A) = (A11 ), entonces A22 = A21 A11 A12 .
Demostracin. Puesto que
(A11 ) = r
A11
matriz in-
es una matriz invertible, entonces
(ver teorema 1.4.8).
Ahora, las matrices
P =
A21 A1
11
PQ =
A1
11 A12
|P | = |Q| = 1 6= 0. En consecuencia,
A y la matriz

A11
0
P AQ =
0
A22 A21 A1
11 A12
son invertibles, puesto que
por el
teorema 1.4.5, la matriz
tienen rango
r.
Puesto que el nmero mximo de las linealmente inde-
P AQ y A11 es r (vase el teorema 1.4.5(2)), en1

A22 A21 A1
11 A12 = 0, o sea A22 = A21 A11 A12 .
pendientes de las matrices

tonces necesariamente

En ciertos contextos, la suma de los elementos de la diagonal de una matriz
juega un papel importante. Por ejemplo, la traza de una matriz aparece en
la evaluacin de las integrales requeridas en el estudio de la distribucin
3
4
normal multivariante (vase el teorema 1.10.1 de [ ]) y el valor esperado

de formas cuadrticas (vase el teorema 4.6.1 de [ ]).
Denicin.
Sea A una matriz cuadrada. La traza

Tr(A) y se dene como la suma de los elementos
principal de A. sto es,
2.3.1.
ta por
Tr(A) =
n
X
de
se deno-
de la diagonal
hAiss .
s=1
2.3.2.
Nota.
Puesto que los elementos de la diagonal principal de
los mismos que los elementos de la diagonal principal de
Tr(A) = Tr(AT ) .
37
AT ,
son
entonces

2.3.3.
Si
Teorema.
Sean
y
son matrices cuadradas del mismo orden.
son escalares, entonces
Tr(A + B) = Tr(A) + Tr(B) .
Demostracin. Usando la estructura de espacio vectorial de las ma-
trices, as como la denicin de traza se tiene:
Tr(A + B)
=
=
=
n
X
s=1
n
X
hA + Biss
( hAiss + hBiss )
s=1
n
X
hAiss +
hBiss
s=1
s=1
n
X
Tr(A) + Tr(B) .
2.3.4.
Teorema.
Si
es una matriz
mn
es una matriz
nm
entonces
Tr(AB) = Tr(BA) .
Demostracin. Usando la denicin de traza y la denicin de pro-
ducto de matrices obtenemos,
Tr(AB)
=
=
=
=
n
X
s=1
n
X
hABiss
m
X
s=1 k=1
m X
n
X
hAisk hBiks
hBiks hAisk
k=1 s=1
m
X
hBAikk = Tr(BA) .
k=1

38
2.3.5.
2.4. Ejercicios
Corolario.
matriz invertible
Sea A una matriz

n n, entonces
cuadrada de orden
n.
Si
es una
Tr(A) = Tr(P 1 AP ) = Tr(P AP 1 ).

Demostracin. Por el teorema anterior,
Tr(A)
Tr(AI) = Tr(AP P 1 ) = Tr(P 1 AP )
Tr(P P 1 A) = Tr(P 1 P A) = Tr(P AP 1 ).

2.3.6.
Corolario.
m n, entonces
m
n X
X
2
hAisk .
Tr(AAT ) = Tr(AT A) =
Si
es una matriz
s=1 k=1
Adems,
Tr(AA ) = 0
sii
A = 0.
Demostracin. Por denicin de traza y por el teorema 2.3.4,
Tr(AAT )
=
=
m
X
s=1
m
X
AAT

ss
n
m X
n
X
X
2
A sk A ks =
A sk ;
s=1 k=1
Esto es,
Tr(AAT )
esto se sigue entonces que,
si y slo si
s=1 k=1
A. De
Tr(AAT ) = Tr(AT A) y adems que Tr(AAT ) =
es la suma de los cuadrados de los elementos de
A = 0.
2.4. Ejercicios
1. Utilice matrices particionadas para calcular el determinante y la
matriz inversa (si existe) de cada una de las matrices siguientes
:
5
3
M1 =
3
2
3 0 0
2 0 0
2 2 1
1 5 3
3 1
2 1
M2 =
0 0
0 0
2. Demuestre el inciso (2) del teorema 2.2.3.

3. Demuestre el corolario 2.2.4.
4. Demuestre la proposicin 2.2.6.
39
1 1
1
1
1
1
4
5
2.4. Ejercicios
a, b, c
5. Sean
escalares no nulos y sea
n N.
Calcule el deter-
minante y la matriz inversa, cuando exista, de la matriz

M=
bIn
dIn
A una matriz cuadrada de orden n y B
6. Sean
da de orden
aIn
cIn
C
B
A
0
k.
, entonces
|M | = (1)nk |A| |B|.
A
C

o si
M =
(Sug.: Utilice induc-
B ).
cin sobre el orden de la matriz

7. Sean
M =
Demuestre que si
una matriz cuadra-
0
B
matrices cuadradas.
a ) Dar condiciones necesarias y sucientes para que la matriz

M=
0
B
A
C
M es invertible,
A, B y C .
sea invertible. Si
de las matrices
exprese
M 1
en trminos
b ) Dar condiciones necesarias y sucientes para que la matriz

M=
C
B
A
0
M es invertible,
A, B y C .
sea invertible. Si
de las matrices
exprese
M 1
en trminos
8. Utilice los resultados que obtuvo en el problema anterior para

calcular la matriz inversa de cada una de las matrices siguientes:
0
0
M1 =
5
3
9. Sean
0
0
3
2
2
5
3
2
1
3
2
1
1 1 1
1 4 5
.
1 0 0
1 0 0
1
1
M2 =
3
2
A = [aij ]mn y B = [bij ]nk . Utilice matrices particionadas
para demostrar que:
a ) Si
tiene una la nula, entonces
(Sug.: Particione la matriz
b ) Si
AB
tiene una la nula.
por las).
tiene una columna nula, entonces
AB tiene una columB por columnas).
na nula. (Sugerencia: Particione la matriz

40
2.4. Ejercicios
A11 , A22 y A33 matrices cuadradas.
A11 A12 A13

A11
A22 A23 M = A21
M = 0
0
0
A33
A31
10. Sean
Demuestre que si
0
A22
A32
0
0
A33
|M | = |A11 | |A22 | |A33 |.

A11 , A22 y A33 son matrices invertibles,
la matriz M = diag (A11 , A22 , A33 ) es invertible y
1
A11
0
0
M 1 = 0
A1
0
22
0
0
A1
33
entonces
11. Demuestre que si

tonces
12. Sean
aR
en-
Ann una matriz invertible, entonces

a x
det
= |A| (a xA1 y).
y A
y
(Sugerencia: Use el teorema 2.2.3)

13. Verique que

det
I
B
A
C

= det(C BA).
(Sugerencia: Use el corolario 2.2.4)

14. Muestre que

det
y concluya que
In
A
B
Im

= det
Im
B
A
In
|Im AB| = |In BA|.
15. Suponga que las matrices que abajo aparecen son de tamao
apropiado, donde
es la matriz identica y que
invertible. Encuentre matrices
A11
sige tiene la forma indicada. Encuentre adems
I
X
Y
0 0
A11
I 0 A21
0 I
A32
A12
B11
A22 = 0
A33
0
B22 .
B12
B22
B32
A es una matriz invertible 2 2, entonces

Tr(A) = det(A) Tr(A1 ).
Sea V el espacio vectorial de las matrices n n; (V = Mnn )
. Demuestre que la funcin h ; i : V V M denida por
hA; Bi = Tr(AB T ) es un producto interno en V . (Vea el apartado
16. Demuestre que si

17.
es una matriz
tales que el producto que
1.2.3 del captulo 1).

41
2.4. Ejercicios
18. Sean
A
n.
Demuestre que
Tr(AB T ) (Tr(AAT ) Tr(BB T ))1/2 .

19. Si
A, B Mnn , muestre que ABBA 6= I . (Sugerencia: Utilice
la funcin traza)
T : Mnn R es una transformacin lineal, entonces existe

A tal que T (M ) = Tr(AM). (Escriba T (M ) en trminos de T (Eij ), siendo Eij los elementos de la base estndar
20. Si
una matriz
de las matrices)
dim W , donde W = {A : Tr(A) = 0}.

B matrices cuadradas del mismo orden
k
k
Muestre que Tr((AB) ) = Tr((BA) ).
k
k k
Muestre con un ejemplo que Tr((AB) ) 6= Tr(A B ).
21. Calcule
22. Sean
a)
b)
42
CAPTULO 3
Valores propios y vectores propios.

Diagonalizacin
Este captulo consta de cuatro secciones. Con el n de dar una idea de
lo que haremos en las dos primeras secciones, consideraremos un espacio
vectorial
y una transformacin lineal
base ordenada
B = {u1 , u2 , . . . , un }
de
T : U U. Ahora; si existe una

U tal que [T ]BB es una matriz
diagonal, es decir,
[T ]BB
1
0
=D= .
..
0
0
2
.
.
.
..
0
0
. ,
.
.
n
entonces
T (ui ) = i ui ;
esto es,
T (ui )
i = 1, 2, . . . , n ,
es un mltiplo escalar de
ui .
inmediata acerca de la transformacin lineal

de
es el espacio generado por los vectores
y el ncleo de
Este hecho da informacin
T.
ui
Por ejemplo, la imagen

para los cuales
i 6= 0,
ui . En
es el espacio generado por los restantes vectores
la seccin 3.2 responderemos las preguntas: Para qu transformaciones

lineales
existe una tal base
B?
y si existe, Cmo encontrarla?. Las
respuestas a estas preguntas estn directamente ligadas a los conceptos

de valor propio y vector propio, los cuales sern abordados en la seccin
3.1. Veremos en esta seccin, que el clculo de los valores propios y los
vectores propios de una transformacin lineal
se reduce al clculo de
los valores propios y los vectores propios de una cierta matriz
A.
Por
otro lado, en las secciones 3.3 y 3.4 consideraremos los conceptos de valor
propio, vector propio y diagonalizacin de matrices simtricas, los cuales
son particularmente importantes en la teora y en aplicaciones del lgebra
lineal.
43
3.1. Valores propios y vectores propios
Diagonalizacin de matrices

Un problema que se presenta con frecuencia en el lgebra lineal y sus apli-
U y dada una transforT : U U , encontrar valores de un escalar para los cuales

vectores u 6= 0 tales que T (u) = u. Tal problema se denomina
caciones es el siguiente: Dado un espacio vectorial

macin lineal
existan
un problema de valores propios (la gura 3.1 nos ilustra las posibles situaciones). En esta seccin veremos cmo resolver dicho problema.
3.1.1. Denicin. Sean U un espacio vectorial y T : U U una transformacin lineal. Se dice que el escalar es un valor propio de T , si existe
un vector u 6= 0 de U tal que T (u) = u. A dicho vector no nulo u se le
llama un vector propio de T correspondiente al valor propio , o se dice
que es -vector de T .
Nota.
Los valores propios se denominan tambin eigenvalores o valores
caractersticos y los vectores propios se denominan tambin eigenvectores.
T(u)= u
T(u)= u
T(u)= u
>1
0<<1
<0
T(u)= 0
=0
Figura 3.1. Interpretacin geomtrica de vector propio
3.1.2.
Ejemplo.
T : R2 R2 ,
Calcule los valores propios de la transformacin lineal
dada por
T (x, y) = (2x, x + 3y).

es un vector propio T sii
T [(x, y)] = (2x, x + 3y) =
2
vector u = (x, y) 6= 0 de R que
De acuerdo con la denicin anterior; el escalar

existe un vector
(x, y),
u = (x, y) 6= 0
de
R2
tal que
lo que equivale a que exista un
satisfaga el sistema
2x
x + 3y
= x
= y .
44
Ahora, si
x 6= 0,
entonces se tiene que
=2
y por lo tanto
y = x.
Esto
quiere decir que todos los vectores de la forma
u = (x, y) = (x, x); x R, x 6= 0

son 2-vectores propios de
T.
En efecto:
T [(x, x)] = (2x, 2x) = 2(x, x) .

De otro lado, si
x = 0 y y 6= 0 entonces = 3. Esto quiere decir que todos
los vectores de la forma
u = (x, y) = (0, y); y R, y 6= 0

son 3-vectores propios de
T.
En efecto:
T [(0, y)] = (0, 3y) = 3(0, y) .
La gura 3.2 nos ilustra el ejemplo anterior.
y
,
T(u ) =3 (0, y)
,
u = (0, y)
x
u = (x, x)
T(u) =2 (x, x)
Figura 3.2. Vectores propios de
45
T (x, y) = (2x, x + 3y)
En el ejemplo anterior observamos que a cada vector propio de
le cor-
responde un nmero innito de vectores propios (todo un subespacio de
U R2 , sin el vector nulo). Esto es vlido en general, tal como se establece

en la proposicin siguiente.
3.1.3.
Proposicin.
formacin lineal y
-vectores
Sean
propios de
T : U U una transS() de todos los

un subespacio de U.
un espacio vectorial,
un valor propio de
T.
El conjunto
junto con el vector
0,
es
Demostracin. De acuerdo con la denicin de transformacin lin-
eal, as como de vector y valor propio se tiene:

1. Si
u1 S()
u2 S()
entonces
T (u1 + u2 ) = T (u1 ) + T (u2 ) = (u1 + u2 ) .

u1 + u2 S().
u S() y R entonces
Esto es,
2. Si
T (u) = T (u) = ( u) .
Esto es,
u S().
De acuerdo con el teorema 1.2.6,

3.1.4.
Denicin.
macin lineal y
Sean
S() es un subespacio vectorial de U.
un espacio vectorial,
un valor propio de
1. El subespacio de
U, S(),
T :U U
mencionado en el teorema anterior, se
denomina espacio propio asociado al valor propio

2. La dimensin de
valor propio
S()
una transfor-
T.
se denomina multiplicidad geomtrica del
3.1.5. Nota. Sean U un espacio vectorial, T : U U una transformacin lineal, B una base ordenada para U y A = [T ]BB , la matriz de la
transformacin T referida a la base B. Entonces para cada u U se tiene
[T (u)]B = A [u]B (ver teorema 1.3.8). En particular, u es un -vector propio de T si y slo si u 6= 0 y A [u]B = [T (u)]B = [u]B = [u]B . Esto es,
u es un -vector propio de T si y slo si u 6= 0 y A [u]B = [u]B . Por esta
razn, y porque resulta en otros contextos, consideramos a continuacin
los conceptos particulares de valor propio y vector propio de una matriz
cuadrada A.
46
3.1.6.
Denicin.
1.
2.
Sea
Se dice que el escalar es un valor propio de A, si existe un

vector n 1, x 6= 0 tal que Ax = x.
Si es un valor propio de A y si el vector n 1, x 6= 0 es tal
que Ax = x. Entonces se dice que x es un vector propio de A
correspondiente al valor propio , o que x es un -vector de A.
En el caso especial de la transformacin lineal;
Ax,
n.
A : Rn Rn ; x y =
esta la denicin anterior concuerda con la denicin 3.1.1 (vase la
seccin 1.3). De otro lado, segn la denicin anterior y la nota 3.1.5,

odemos enunciar el siguiente teorema.
3.1.7. Teorema. Sean U un espacio vectorial, T : U U una transformacin lineal, B una base ordenada para U y A = [T ]BB .
1.
2.
es un valor propio de T sii es un valor propio de A.

u U es un -vector propio de T sii x = [u]BB es un -vector
propio de A.
Dicho teorema nos garatiza entonces, que el clculo de los valores y vectores propios de una transformacin lineal se reduce al clculo de los valores y vectores propios de una cierta matriz
A.
En lo que sigue, veremos
cmo calcular los valores y vectores propios de una matriz.
A una matriz n n. Por denicin, el escalar es un valor propio

A sii existe un vector n 1, x 6= 0 tal que Ax = x, lo cual equivale
a que el sistema homogneo de ecuaciones lineales (A I)x = 0 tenga
una solucin no trivial x 6= 0. Ahora por el teorema 1.4.8 del captulo 1,
el sistema de ecuaciones lineales (A I)x = 0 tiene una solucin x 6= 0
sii |A I| =
6 0. En consecuencia, el escalar es un valor propio de A sii

a11

a12
a13
a1n

a21

a
a
22
23
2n

a31

a
a
a
32
33
3n
pA () = |A I| =
=0

.
.
.
.
.
.
.
.
..
.

.
.
.
.

an1
an2
an3
ann
Sea
de
47

La expresin
pA () = |A I|
es un polinomio en
de grado
n,
el cual
puede expresarse as (ver ejercicio 3.5(9)).
pA () = |A I| = a0 + a1 + a2 2 + + an1 n1 + (1)n n .
3.1.8.
Denicin.
Sea
una matriz cuadrada
pA () = |A I| se denomina polinomio
A.
La ecuacin pA () = |A I| = 0 se denomina ecuacin
terstica de A.
1. El polinomio
carac-
terstico de
2.
carac-
El siguiente teorema resume buena parte de la discusin anterior.

3.1.9.
Teorema.
Sea
1. El escalar
de la ecuacin caracterstica de
2.
3.1.10.
A.
tiene a lo ms
Denicin.
Sea
sii
es una solucin (real)
valores propios (reales) .
una matriz cuadrada y
La multiplicidad algebraica de
caracterstico de
A
A.
es un valor propio de
de multiplicidad
es
k,
si
un valor propio de
es una raz del polinomio
k.
El siguiente algoritmo, recoge entonces el esquema para calcular los valores

propios y los vectores propios de una matriz
Paso 1
Paso 2
Paso 3
A.
pA () = |A I| .
pA () = |A I| = 0.
Las soluciones (reales) de sta, son los valores propios de A.
Para cada valor propio de la matriz A, se resuelve el sistema
de ecuaciones (A I)x = 0. Las soluciones no nulas de este
sistema son los vectores propios de A.

Se determina el polinomio caracterstico
Se resuelve la ecuacin caracterstica
1Un valor propio de A es un escalar, y, como hemos establecido, en estas notas

los escalares sern nmeros reales a menos que se exprese lo contrario. De hecho, uno
puede estudiar espacios vectoriales donde los escalares son nmeros complejos. No sobra
mencionar que en cursos avanzados de espacios vectoriales, la nica restriccin para los
escalares es que sean elementos de un sistema matemtico llamado cuerpo o campo.
2El teorema fundamental del lgebra establece que toda ecuacin polinmica de
grado n, con coecientes complejos, tiene exactamente n races complejas, contadas
con sus multiplicidades.
48
3.1.11.
Ejemplo.
Determine los valores propios y vectores propios de la
matriz
1
A = 1
1
1
3
2
1
1 .
0
A, pA () =
|A I| . Desarrollemos |A I| por cofactores por la primera la (vase
Determinemos inicialmente, el polinomio caracterstico de
el teorema 1.1.5)

1
1

3
pA () = |A I| = 1
1
2

3 1

1
= (1 )
2

1
1

1
1
1
1

1
1
(1 )(2 3 + 2) (1 ) ( + 1)
(1 )(2 3 + 2) = (1 )2 ( 2).

3
2
= 1 = 2 son las soluciones de la ecuacin caracpA () = |A I| = 0. = 1 y = 2 so pues los valores propios

A, con multiplicidades algebraicas k = 2 y k = 1 respectivamente.
De aqu se tiene, que

terstica
de
Determinemos los vectores propios de
A. Los 1vectores propios de A son

(A 1 I)x = 0.
las soluciones no nulas del sistema de ecuaciones lineales
Resolvamos dicho sistema usando el mtodo de eliminacin de GaussJordan (vase el teorema 1.4.7 ).
0
A 1 I = 1
1
Donde
1
2
2

1
1
1
1
0
0
0
1
0
es la forma escalonada reducida de la matriz
1
1 = R
0
A1I
(vase el
teorema 1.1.10).
Las soluciones del sistema
(A 1 I)x = 0
son, por lo tanto, los vectores
de la forma:
x1
x3
1
x2 = x3 = x3 1 ,
x3
x3
1
49
x3 R.
En consecuencia,
U1

1
= U1 = 1
S(1 ) = S(1)
1.
es una base para
1 = 1
propio
es
De otro lado, los
2vectores
y la multiplicidad geomtrica del valor
A son las soluciones no nulas

(A 2 I)x = 0. Procediendo como en
propios de
del sistema de ecuaciones lineales

el clculo anterior, se tiene:
A2I =
Donde
1
1
1

1
1
2
1
1
2
1
0
0
0
1
0
0
1 = R
0
A 2 I.
(A 2 I)x = 0 son los vectores de la forma:
x1
0
0
= x2 = x3 = x3 1 ,
x3 R.
x3
x3
1
es la forma escalonada reducida de la matriz
Las
soluciones del sistema
En consecuencia,
U2

0
= U2 = 1
S(2 ) = S(2)
1.
es una base para

propio
2 = 2
es
y la multiplicidad geomtrica del valor
En el ejemplo anterior, la multiplicidad geomtrica del valor propio
1 = 1
es menor que su correspondiente multiplicidad algebraica y la multiplicidad geomtrica del valor propio
2 = 2
es igual que su correspondiente
multiplicidad algebraica (ver el ejercicio 3.5.2(10)).

3.1.12.
Ejemplo.
Calculemos los valores y vectores propios de la matriz

A=
0
1
1
0

.
A, pA () = |A I| .

1
= 2 + 1 ,

Para ello calculemos el polinomio caracterstico de
pA ()

= |A I| =
1
50
y resolvemos la ecuacin caracterstica de
A, pA () = |A I| = 0
pA () = 2 + 1 = ( + i)( i)
sii
=i
Puesto que las soluciones de la ecuacin caracterstica de

entonces
= i.
A no son reales,
no tiene valores propios y por lo tanto no tiene vectores pro-
pios, en el sentido considerado en este texto.
Ejemplo.
Sea T : P2 P2 la transformacin lineal denida

T a + bx + cx2 = (a + b c) + (a + 3b c)x + (a + 2b)x2
3.1.13.
por:
Determine los valores y los vectores propios de la transformacin.

Sea

B = 1, x, x2
la base cannica de
P2 ,
[T ]BB
se tiene entonces que:
1 1
3 1 .
2
0
1
= A = 1
1
De acuerdo con el teorema 3.1.7(1); los valores propios de la transformacin lineal
son los valores propios de la matriz
el ejemplo 3.1.11
1 = 1
S(1 )
y que
los cuales son, segn
U1 = {x1 }
S(2 ), donde
0
x2 = 1 .
1
De otro lado, del ejemplo 3.1.11 se sabe que

de
A,
2 = 2.
U2 = {x2 } es una
1
x1 = 1
1
es una base
base de
Como se estableci en el teorema 3.1.7(2), stos son respectivamente, los

vectores de coordenadas respecto a la base
vectores de
(vase apartado 1.2.2) de los
P2 ;
u1 = 1 + x + x2
y
u2 = x + x2 .

0
En consecuencia; U
= {u1 } = 1 + x + x2 es una base del espa1
cio de vectores propios de T correspondientes al valor propio 1 = 1 y

U0 2 = {u2 } = x + x2 es una base del espacio de vectores propios de T
correspondientes al valor propio 2 = 2.
Terminamos esta seccin con dos resultados que involucran matrices semejantes. El primero de ellos relaciona los polimomios caractersticos de
matrices semenjantes y el segundo relaciona los vectores propios de dichas
matrices.
51

3.1.14.
Teorema.
Si
nomios caractersticos de
trices
B son matrices semejantes, entonces los poliA y B son iguales, y por consiguiente, las ma-
tienen los mismos valores propios.
Demostracin. Si
son matrices semejantes, entonces existe
B = P 1 AB. De aqu:

pB () = |B I| = P 1 AP P 1 P

= P 1 (A I)P = |P 1 | |A I| |P |
una matriz invertible
tal que
= |P 1 | |P | |A I| = |A I|
= pA ().

3.1.15.
B
A
Nota.
El converso del teorema anterior no es cierto; o sea, si
son matrices con el mismo polinomio caracterstico, no necesariamente
son matrices semejantes. Para mostrar esto, basta considerar el
siguiente ejemplo.
3.1.16.
Ejemplo.
Las matrices
1
0
A=
0
1

y
B=
1
3
0
1
tienen el mismo polinomio caracterstico; explcitamente
( 1)2 .
cualquier matriz invertible
de orden
Sin embargo,
pA () = pB () =
no son matrices semejantes, pues para
se tiene que:
P 1 AP = P 1 IP = P 1 P = I 6= B.
3.1.17.
Proposicin.
tonces
es un
Si
vector
B = P 1 AP son matrices semejantes, en1

propio de A sii P
X es un vector propio de
A
B.
Demostracin. Por denicin se tiene
Ax = x
Tomando
de
si y
AIx = x
AP P 1 x = x
P 1 AP P 1 x = P 1 x
B = P 1 AP tenemos entonces que: x 6= 0 es un -vector propio

1
slo si P
x 6= 0 es un -vector propio de B = P 1 AP.

52
3.2. Diagonalizacin
3.2. Diagonalizacin
En esta seccin responderemos las preguntas siguientes: Dado un espacio
vectorial
de
y dada una transformacin lineal
tal que
[T ]BB
T :U U
Existe una base
es una matriz diagonal? y si existe cmo encontrar
una tal base?
T : U U es una transB2 son bases ordenadas de U, A = [T ]B1 B1 y

D = [T ]B2 B2 = P 1 AP, esto es, las matrices A
Como se estableci en el teorema 1.3.14(2), si

formacin lineal,
B1
P = [I]B2 B1 , entonces
D son semejantes.
Esta consideracin nos permite formular las preguntas anteriores en tr-
A, Existe una matriz

D semejante a la matriz?, en otros trminos, existir una matriz
1
invertible P tal que P
AP = D sea una matriz diagonal? y si existe
cmo encontrar una tal matriz P ?
minos de matrices, as: Dada una matriz cuadrada
diagonal
3.2.1.
Denicin.
nalizable si
3.2.2.
Sea
una matriz cuadrada. Diremos que
es diago-
es semejante a una matriz diagonal.
Teorema.
Sea
n.
Si existen
linealmente independientes, entonces A es diago1

nalizable; esto es, existe una matriz invertible P tal que P
AP = D es
vectores propios de
una matriz diagonal. Adems, los vectores columna de

propios de
y los elementos de la diagonal de
valores propios de
Demostracin. Sean
son los vectores
A.
1 , 2 , . . . ,n ,
los
valores propios de
los cuales no son necesariamente diferentes y sean

tores propios de
son los correspondientes
x1 , x2 , . . . , xn ,
A,
vec-
linealmente independientes, correspondientes respecti-
vamente a cada uno de dichos valores propios.
P la matriz cuya jsima columna es

j = 1, 2, . . . , n, la cual particionamos como sigue:

P = x1 x2 xn .
Sea ahora
Puesto que las columnas de
el vector propio
xj ,
son linealmente independientes, entonces
es invertible (teorema 1.4.8).

53
3.2. Diagonalizacin
Ahora,
AP
=
=
A
x1
Ax1
x1
x2
Ax2
x2
xn
Axn
xn
0
..
.
0
1 x1
0
2
.
.
.
..
2 x2
0
0
.
.
.
3
n xn
PD
D es la matriz diagonal indicada arriba. Por lo tanto, P 1 AP = D,

teorema queda demostrado.
Donde
y el
El recproco de este resultado tambin es vlido y est dado por el siguiente

teorema. La demostracin se deja como ejercicio.
Teorema.
A una matriz cuadrada de orden n. Si A es diagonaP tal que P 1 AP = D es

una matriz diagonal, entonces existen n vectores propios de A linealmente
independientes. Adems, los vectores columna de P son vectores propios
de A y los elementos de la diagonal de D son los correspondientes valores
propios de A.
4 1 2
5 6 es
3.2.4. Ejemplo. Veriquemos que la matriz A = 6
6
3 4
1
diagonalizable y encontremos una matriz invertible P tal que P
AP = D
sea una matriz diagonal. Para tal n, veamos que A tiene 3 vectores
3.2.3.
Sea
lizable, es decir, si existe una matriz invertible
propios linealmente independientes. En efecto:

El polinomio caracterstico de

4

pA () = |A I| = 6
6
A,
est dado por
1
5
3
2
6
4

= ( 2)2 ( 1).

A, pA () = |A I| = 0 tiene entonces
= 1 (de multiplicidad
los valores propios de A.
La ecuacin caracterstica de
como solucin a
=2
(de multiplicidad 2) y a
1). Estos escalares son pues,
Determinemos ahora los vectores propios asociados:
54
Los 2-vectores propios de
ecuaciones
(A 2I)x = 0,
3.2. Diagonalizacin
son las soluciones no nulas del sistema de
y los 1-vectores propios de
no nulas del sistema de ecuaciones
(A 1I)x = 0.
son las soluciones
Es decir, debemos re-
solver sistemas homogneos de ecuaciones cuyas matrices de coecientes

son respectivamente:
2
A 2I = 6
6
1
3
3
2
6
6
3
A 1I = 6
6
2
6 .
5
1
4
3
Es fcil vericar que las soluciones del sistema homogneo
(A 2I)x = 0
son los vectores de la forma
1
x1
2 x2 x3
x2
= x2 =
x3
x3
1
1
1
x2 2 + x3 0
=
2
1
0
, x2 , x3 R,
en consecuencia,
U1
es una base para

1
1
= U2 = 2 , 0
1
0
S(1 ) = S(2).
De otra parte, se encuentra que las soluciones del sistema
(A 1I)x = 0
son los vectores de la forma
x1
1
3 x3
1
x = x2 = x3 = x3 3 , x3 R.
3
x3
3
x3
En consecuencia,
U2
es una base para
1
= U1 = 3
S(2 ) = S(1).
55
3.2. Diagonalizacin
Ahora, los vectores
1
1
x1 = 2 , x2 = 0
0
1
son vectores propios de
1,
1
x3 = 3
3
correspondientes a los valores propios
2, 2
respectivamente, y son linealmente independientes como se comprueba
fcilmente.
De acuerdo con el teorema 3.2.2, la matriz
es diagonalizable. Por otro
lado, segn la demostracin del teorema, la matriz
P =
x1
x2
x3
1
3
3
1
= 2
0
1
0
1
0
0 .
1
es invertible y es tal que:
2
P 1 AP = D = 0
0
3.2.5.
Ejemplo.
0
2
0
La matriz del ejemplo 3.1.11,
1
A = 1
1
1
3
2
1
1
0
no es diagonalizable, pues vimos en dicho ejemplo, que la matriz
1 = 1 y 2 = 2, y
1
y
U1 = 1
dos valores propios:
tiene
que
0
U2 = 1
son bases para los espacios propios asociados, respectivamente. As que
slo tiene dos vectores propios linealmente independientes.
Teorema.
entes a los valores
1 , 2 , . . . , k son los valores propios diferentes de

x1 , x2 , . . . , xk son vectores propios de A correspondipropios 1 , 2 , . . . , k , respectivamente, entonces C =
{x1 , , x2 , . . . , xk }
es un conjunto linealmente independiente.
3.2.6.
una matriz
Si
y si
Demostracin. Haremos la demostracin utilizando induccin so-
bre el nmero
de vectores del conjunto
56
C.
Si
C = {x1 },
entonces
3.2. Diagonalizacin
x1 6= 0.
es linealmente independiente, pues
El teorema es cierto para cuando
k = 2.
En efecto: Si
1 x1 + 2 x2 = 0,
(3.1)
premultiplicando (3.1) por el escalar
se obtiene:
2 1 x1 + 2 2 x2 = 0.
(3.2)
De otra parte; premultiplicando (3.1) por la matriz
se llega a:
1 1 x1 + 2 2 x2 = 0.
(3.3)
Restando (3.3) de (3.2) se obtiene:
(2 1 )1 x1 = 0.
x1 6= 0, entonces (2 1 )1 = 0. Dado que 1 6= 2 se tiene
1 = 0. Reemplazando este valor de 1 en (3.1) se llega a
2 x2 = 0, pero x2 6= 0, entonces 2 = 0.
Puesto que
entonces que
que
Supongamos ahora que el teorema es cierto para cuando

mostremos que el teorema es cierto para cuando
k = j
y de-
Si
1 x1 + 2 x2 + . . . + j xj + j+1 xj+1 = 0,
(3.4)
premultiplicando (3.4) por el escalar

(3.5)
k = j +1.
j+1
se obtiene:
j+1 1 x1 + j+1 2 x2 + . . . + j+1 j xj + j+1 j+1 xj+1 = 0,
De otra parte; premultiplicando (3.4) por la matriz
se llega a:
1 1 x1 + 2 2 x2 + . . . + j j xj + j+1 j+1 xj+1 = 0.
(3.6)
Restando (3.6) de (3.5) se obtiene:
(j+1 1 )1 x1 + (j+1 2 )2 x2 + . . . + (j+1 j )j xj = 0.

Por hiptesis de induccin se tiene
(j+1 1 )1 = (j+1 2 )2 = . . . = (j+1 j )j = 0 .

1 , . . . , j , j+1 son
1 = 2 = . . . = j = 0. Reemplazanvalores en 3.4 se llega a que j+1 xj+1 = 0, pero xj+1 6= 0,
j+1 = 0. El teorema queda entonces demostrado.
De otro lado, por hiptesis del teorema los escalares

diferentes, entonces se obtiene que
do estos
entonces
La prueba del siguiente corolario es consecuencia inmediata de los teoremas 3.2.6 y 3.2.2.
57
3.2. Diagonalizacin
3.2.7.
Corolario.
Sea
valores propios distintos, entonces

3.2.8.
Ejemplo.
n.
Si
posee
es diagonalizable.
La matriz
1
A= 0
0
2
4
0
3
5
6 33
es diagonalizable. En efecto, la ecuacin caracterstica de
es:
pA () = |A I| = (1) ( 1)( 4)( 6) = 0.

De esto se sigue que
2 = 4
A tiene tres valores propios distintos, a saber: 1 = 1,
3 = 6.
De acuerdo con los teoremas 3.2.2 y 3.2.3, dada la matriz cuadrada

de orden
n;
existe una matriz invertible
matriz diagonal sii
tal que
P 1 AP = D
es una
A tiene n vectores propios linealmente independientes.

P , los vectores columna de P son vectores
elementos de la diagonal de D son los valores propios
Adems, si existe una tal matriz

propios de
de
A.
y los
Quedan as contestadas las preguntas propuestas al comienzo de
esta seccin sobre la diagonalizacin de matrices. El siguiente teorema

responde a las preguntas sobre diagonalizacin pero formuladas en el contexto de las transformaciones lineales.
3.2.9.
Teorema.
Sea
un espacio de dimensin
y sea
una transformacin lineal. Existe una base ordenada
[T ]B2 B2 = D
T : U U
U tal que
de
T tiene n vectores propios linB2 = { u1 , u2 , . . . , un } es un base
es una matriz diagonal sii
ealmente independientes. Adems, si

ordenada de
B2
tal que
[T ]B2 B2
1
0
=D= .
..
0
es una matriz diagonal, entonces
ui
0
2
.
.
.
..
es un
0
0
.
.
.
n
i -vector
propio de T, o sea
T (ui ) = i ui , i = 1, 2, . . . , n.
Demostracin. Puesto que las matrices asociadas a transforma-
ciones lineales y referidas a bases arbitrarias son semejantes, y puesto

que el polinomio caracterstico de matrices semejantes es el mismo (ver
teorema 3.1.14), podemos considerar una base arbitraria
58
B1
para
U.
Sea pues
A = [T ]B1 B1 ,
B1 , Existe
1
[I]B2 B1 A [I]B2 B1
base
3.2. Diagonalizacin
la matriz de la transformacin
B2
una base ordenada
de
es una matriz diagonal sii
U tal
A es
que
referida a dicha
D = [T ]B2 B2 =
semejante a una ma-
A es semejante a una
A tiene n vectores propios linealmente independientes,
que T tenga n vectores propios linealmente independi-
triz diagonal. Ahora por los teoremas 3.2.2 y 3.2.3;

matriz diagonal sii
lo cual equivale a
entes (ver el apartado 1.2.2)

Adems, si
B2 = {u1 , u2 , . . . , un } es una base ordenada
1 0 0
0 1 0
[T ]B2 B2 = D = .
.
.
..
.
.
..
.
.
.
0
0 1
de
tal que
es una matriz diagonal, entonces, de acuerdo con la denicin de la ma-
[T ]B2 B2 , T (ui ) = i ui
i = 1, 2, . . . , n .
triz
3.2.10.
Ejemplo.
; o sea,
ui
es un
i -vector
Consideremos la transformacin lineal
propio de
T,
T : P3 P3
denida por:

T a + bx + cx2 = (4a b + 2c) + (6a + 5b 6c)x + (6a + 3b 4c)x2 .
Encontremos una base ordenada
B2
U = P2
de
tal que
[T ]B2 B2 = D
es
una matriz diagonal.

Sea

B1 = 1, x, x2
la llamada base cannica de
P2 entonces:
2
6 ,
4
1
5
3
4
A = [T ]B1 B1 = 6
6
que es la matriz del ejemplo 3.2.4. De dicho ejemplo sabemos que
1
1
x1 = 2 , x2 = 0
0
1
1
x3 = 3 ,
3
son vectores propios linealmente independientes de

respectivamente a los valores propios
2, 2
1.
A,
correspondientes
Los vectores
x1 , x2
son respectivamente, los vectores de coordenadas respecto a la base

los vectores de
P2 :
u1 = 1 + 2x;
u2 = 1 + x2
59
u3 = 1 + 3x + 3x2 .
x3
B1
de
3.2. Diagonalizacin
Ahora, los valores propios de
A (ver teorema
1 = 2 y 2 = 1.
1.2.2, u1 , u2 y u3 son
son los valores propios de
3.1.7), esto es, los diferentes valores propios de
De otro lado, por lo establecido en el apartado
son
T linealmente independientes, correspondientes a los

2, 2 y 1, respectivamente. En consecuencia, de acuerdo con
anterior, B2 = {u1 , u2 , u3 } es una base para P2 tal que:
2 0 0
[T ]B2 B2 = D = 0 2 0 .
0 0 1
vectores propios de
valores propios
el teorema
A de orden n, existe una

P 1 AP = D es una matriz diagonal sii existen
A linealmente independientes. En el caso en que A
Como hemos visto, dada una matriz cuadrada

matriz invertible
tal que
vectores propios de
no posea
vectores propios linealmente independientes, es posible, bajo
A sea semejante a una matriz triangular superior

T ; es decir , que A sea semejante a una matriz T = [tij ]nn para la cual
tij = 0 si i > j. El siguiente teorema explicita esta armacin.
cierta condicin, que
3.2.11.
Teorema.
Sea
una matriz cuadrada (real) de orden
n.
Todas
las soluciones de la ecuacin caracterstica de A son reales sii existe una

1
matriz invertible P (real) tal que P
AP = T es una matriz triangular
superior. Adems, si existe una tal matriz
la diagonal de
P,
A.
entonces los elementos de
(=) Haremos la demostracin en este sentido, utin de la matriz A. Para cuando n = 2, la

verdadera. En efecto, de la hiptesis se sigue que A tiene
Demostracin.
lizando induccin sobre el orden

implicacin es
dos valores propios (reales) los cuales no son necesariamente distintos. Sea
un valor propio de A. Existe por lo tanto un vector 2 1, x1 6= 0 tal que

Ax1 = x1 . Por el teorema1.2.13(3), existe un vector 21, x2 6= 0 tal que
B = {x1 , x2 } es una base para M21 . Ahora, la matriz P = x1 x2
1
es invertible; escribamos a P
particionada por las as:

y1
P 1 =
, y1 , y2 M12 ,
y2
P 1 AP =
y1
y2

A
x1
x2
es una matriz triangular superior.

60

=
y1 Ax2
y2 Ax2

=T
3.2. Diagonalizacin
Supongamos ahora que la implicacin es verdadera para cuando

y demostremos que sta es verdadera cuando
n = j, j 3.
n = j 1
A una
Sea
j para la cual todas las soluciones de su ecuacin

A tiene j valores propios
(reales) los cuales no son necesariamente distintos. Sea un valor propio
de A. Existe por lo tanto un vector j 1, x1 6= 0 tal que Ax1 = x1 .
Por el teorema 1.2.13(3), existen j 1 vectores x2 , x3 , . . . , xj de Mj1
tales que B = {x1 , x2 , x3 , . . . , xj } es una base para Mj1 . Ahora por el
matriz cuadrada de orden
caracterstica son reales. De sto se sigue que
teorema 1.4.8, la matriz
x1
x2
P 1
es invertible. Escribamos la inversa

=
y1
N
xj
x1
as:

,
y1 M1j ,
N M(j1)(j1) .
Entonces se tiene

AP =
y1
N

A
x1
y1 AM
N AM

=
B
C

= T1
es una matriz triangular superior por bloques.

Ahora, las matrices
T1
tienen el mismo polinomio caracterstico (teo-
rema 3.1.14):
pA () = pT1 () = (1 ) |C I| .
De sto se sigue, que todas las soluciones de la ecuacin caracterstica
j 1, C , son reales. Por hiptesis de

Q tal que Q1 CQ = T1 es una
de la matriz cuadrada de orden
induccin, existe una matriz invertible

matriz triangular superior. Sea ahora:

P2 =
1
0
0
Q

,
P = P1 P2 es tal que

1
0
1 B
1 0
0 Q1
0 C
0 Q

1
BQ
1 BQ
=
=T
0 Q1 CQ
0
T2
entonces se tiene que la matriz invertible
P 1 AP = P21 P11 AP1 P2

=
=

La demostracin de la otra implicacin y de la segunda armacin del
teorema quedan como ejercicio para el lector.
61
3.2. Diagonalizacin
3.2.12.
Ejemplo.
Todas las soluciones de la ecuacin caracterstica de la
matriz del ejemplo 3.2.5
1
1
0 33
1 1
1
3
A=
1 2
son reales, pues:
pA () = ( 1)2 ( 2) = 0 sii
1 = 1
2 = 2 .
De otro lado, como lo establecimos en el ejemplo 3.2.5, la matriz A no es

diagonalizable, pues
slo posee dos vectores propios linealmente inde-
pendientes. En particular:
1
x1 = 1
1
0
x2 = 1
1
son vectores propios linealmente independientes correspondientes a los

valores propios
1 = 1
2 = 2,
respectivamente.
Por el teorema anterior, existe una matriz invertible
tal que
P 1 AP = T
P , demos
es una matriz triangular superior. Para encontrar una tal matriz

un vector
x3
tal que
B = {x1 , x2 , x3 }
sea una base para
M31 ,
el vector
0
x3 = 2
3
sirve para tal efecto. Ahora bien, la matriz
P =
x1
x2
x3
1
= 1
1
0
1
1
0
2
3
es invertible y es tal que
1
P 1 AP = T = 0
0
0
2
0
1
2
1
De acuerdo con el teorema anterior, si
es una matriz cuadrada (real)
cuyos valores propios no son todos reales entonces, no puede existir una
matriz invertible
(real) tal que
P 1 AP = T
62
sea una matriz triangular
3.2. Diagonalizacin
superior. Ahora bien, hemos mencionado que uno puede estudiar espacios vectoriales donde los escalares sean nmeros complejos (ver pi de
pgina 2); en este caso, se pueden obtener resultados ms amplios. En
particular, se tiene que para toda matriz cuadrada
existe una matriz invertible
(real o compleja)
(real o compleja) tal que
P 1 AP = T
sea una matriz triangular superior. Este resultado se tiene, gracias a la

propiedad importante del sistema de los nmeros complejos que establece,
n con coecientes reales o complejos tiene

n races reales o complejas, contadas sus multiplicidades. En
que todo polinomio de grado

exactamente
el teorema siguiente se establece este resultado sin demostracin. Quien
desee estudiar sobre ste, puede consultar las secciones 5.5 y 5.6 de [ ].
3.2.13.
Teorema.
Para toda matriz cuadrada
(real o compleja) existe

P 1 AP = T es una
(real o compleja) tal que
matriz triangular superior. Adems, los elementos de la diagonal de

son las soluciones de la ecuacin caracterstica de
3.2.14.
Ejemplo.
A.
Consideremos la matriz (real)
1
A= 0
0
La ecuacin caracterstica de
0
0
1
0
1 .
0
es
pA () = |A I| = ( 1)(2 + 1)
= ( 1)( i)( + i) = 0 .
slo tiene un valor propio real, a saber,
En este caso no es posible que exista una matriz invertible

que
P 1 AP = T
1 = 1.
(real) tal
sea una matriz triangular superior. Sin embargo, en el
contexto de los espacios vectoriales donde los escalares son nmeros complejos, podemos decir que
2 = i
3 = i
tiene tres valores propios complejos
1 = 1,
. Efectuando, en este contexto, los clculos pertinentes,
se encuentra que
1
0
x1 = 0 , x2 = i
0
1
son tres vectores propios complejos de
linealmente independientes cor-
respondientes a los valores propios complejos

63
0
x3 = i
1
1 = 1, 2 = i
3 = i
3.3. Matrices simtricas
respectivamente. As que la matriz compleja:
P =
x1
x2
x3
1
= 0
0
0
i
1
0
i
1
P 1 AP
1
0
i/2
= 0
0 i/2
1 0 0
= 0 i 0
0 0 i
0
1
i/2 0
i/2
0
0
0
1
0
1
1 0
0
0
0
i
1
0
i
1
=D
es una matriz diagonal, y por lo tanto, es una matriz triangular superior.
3.3. Diagonalizacin de matrices simtricas

En esta seccin limitaremos el estudio de los conceptos de valor propio,
vector propio y diagonalizacin a matrices simtricas. Dos resultados importantes que veremos es esta seccin son los siguientes: (i) Todas las
soluciones de la ecuacin caracterstica de toda matriz simtrica (real)
son reales, y (ii) Toda matriz simtrica (real) es diagonalizable, y ms
an, diagonalizable en una forma especial.
Como veremos en el captulo 4, los valores propios de una matriz simtrica se utilizan como criterio para decidir cundo una forma cuadrtica es
positivamente (negativamente) denida (semidenida) o indenida.
Como se estableci al nal de la seccin anterior, uno puede estudiar espacios vectoriales donde los escalares son nmeros complejos. nicamente
en la demostracin del teorema 3.3.1, utilizaremos los hechos siguientes
que involucran nmeros complejos.
z = a+bi, a, b R, se denota
z = a bi.
Un nmero complejo z es real sii z = z .
La matriz conjugada de la matriz compleja n n, A, se de nota

por A y cuyos componentes son A
= hAiij , i, j = 1, 2, . . . , n.
ij
1. El conjugado del nmero complejo

por
2.
3.
y se dene as:
64
4. Para todo vector complejo
xTx = 0
sii
n 1, x,
se tiene:
x T x = xx T y
x = 0.
A con componentes complejas; |A| =

0 sii existe un vector x 6= 0, con componentes complejas, tal que
Ax = 0.
5. Para toda matriz cuadrada
3.3.1.
Teorema.
Sea
una matriz (real) cuadrada de orden
n.
Si
es
una matriz simtrica, entonces todas las soluciones de la ecuacin car-
A: pA () = |A I| = 0, son reales. Esto es, A tiene

valores propios (reales) los cuales no son necesariamente diferentes.
acterstica de
Demostracin. Si
un vector
x 6= 0
pA () = |A I| = 0,
entonces por (5), existe
tal que:
Ax = x
(3.1)
de esto se sigue que, (ver (3) y (2)):
Ax = x .
(3.2)
Ahora, premultiplicando (3.1) por
x T Ax = x T x
(3.3)
puesto que
xT
y
y (3.2) por
xT
se tiene
xT Ax = xT x ,
x T Ax = (x T Ax)T = xT AT x = xT Ax,
de (3.3) se sigue que:
x T x = xT x .
(3.4)
De (4) se tiene que
x T x = xT x,
por lo tanto, de (3.4) se concluye que :
( )x T x = 0.
Ya que
x 6= 0,
de (4) se tiene que
( ) = 0
en consecuencia, por (2),
o sea,
= .
es un nmero real.
En lo que resta de estas notas, no haremos ms referencia al sistema de

nmeros complejos.
El teorema 3.2.6 establece que, para cada matriz cuadrada
A, los vectores
propios correspondientes a valores propios diferentes son linealmente independientes. Para matrices simtricas se tiene un resultado ms fuerte.
Este resultado se establece en el teorema siguiente.
65
Teorema.
1 , 2 , . . . , k son los valores propios diferentes de

A y si x1 , x2 , . . . , xk son vectores propios de A correspondientes a los valores propios 1 , 2 , . . . , k , respectivamente, entonces
el conjunto de vectores C = {x1 , x2 , . . . , xk } es ortogonal.
3.3.2.
Si
una matriz simtrica
Demostracin. Debemos demostrar que
i 6= j,
para
hxi ; xj i = xTi xj = 0
si
i, j = 1, 2, . . . k
Por la hiptesis se tiene que:

(3.5)
Axi
i xi ,
(3.6)
Axj
j xj .
Ahora, premultiplicando (3.5) por
xtj
xTj Axi = i xj T xi
(3.7)
puesto que
y a (3.6) por
xi ,
se obtiene
xTi Axj = j xTi xj ,
xTj Axi = (xTj Axi )T = xTi AT xj = xTi Axj ,
de (3.7) se sigue
que:
xTj xi = j xTi xj .
(3.8)
Ya que
xTj xi = xTi xj
de (3.8) se concluye que :
(i j )xTi xj = 0.
Puesto que por hiptesis, los valores propios son distintos, entonces
0,
si
i 6= j, i, j = 1, 2, . . . k .
3.3.3.
Denicin.
es invertible y
3.3.4.
Se dice que una matriz cuadrada
xTi xj =
es ortogonal, si
P 1 = P T .
Ejemplo.
La matriz
1
1
P = 2
3
2
2
2
1
2
1
2
es ortogonal, pues:
2
1 2 2
1 0 0
1
1 2 2 1 = 0 1 0 = I.
PPT
3
2
2 1 2
0 0 1

x1 x2 xn es ortogonal
3.3.5. Proposicin. Una matriz P =
sii el conjunto B = {x1 , x2 , . . . , xn } constituye una base ortonormal de
Mn1 .
1
1
=P = 2
3
2
2
2
1
66
La matriz
P =
x1
x2
xn
es ortogonal sii
P T P = I.
Ahora
bien,
xT1
xT2
.. x1
.
xTn
PTP
x2
Es fcil entonces observar, que
(
xTi xj =
1
0
lo cual equivale a que
xT1 x1
xT2 x1
=
.
.
.
T
xn x1
xn
PTP = I
i 6= j
;
i=j
si
si
xT1 x2
xT2 x2
.
.
.
..
xTn x2
xT1 xn
xT2 xn
.
.
.
xTn xn
si y slo si se cumple que:
i, j = 1, 2, . . . , n ,
B = {x1 , x2 , . . . , xn }
es una base ortonormal de
Mn1 .
Teorema.
3.3.6.
Si
es un valor propio de una matriz simtrica, en son iguales.
tonces las multiplicidades algebraica y geomtrica de
un
valor propio de A. Supongamos que la multiplicidad geomtrica de es

r. Por el teorema 1.2.24, existe una base ortonormal B = {x1 , x2 , . . . , xr }
del espacio de vectores propios asociados a , S( ). Si r = n, la matriz

P = x1 x2 xn es ortogonal (proposicin 3.3.5), y de acuerdo
Demostracin. Sea
una matriz simtrica de orden
y sea
con el teorema 3.2.2,
P T AP = P 1 AP = D = I .
Ahora, las matrices
tienen igual polinomio caracterstico:
pA () = pD () = | I I| = ( )n .
braica
con multiplicidad alge-
r = n.
r < n, existen n r vectores y1 , y2 , . . . , ynr de Mn1
B = {x1 , . . . , xr , y1 , . . . , ynr } es una base ortonormal de Mn1
De otra parte, si
tales que
(teorema 1.2.25). Por la proposicin 3.3.5, la matriz
P =
x1
x2
xr
y1
y2
67
ynr
es ortogonal. Consideremos ahora la matriz
T = P T AP = P 1 AP,
es
decir, la matriz:

T
I
0
X T AY
Y T AY

B
.
C
T T = (P T AP )T = P T AT P = P T AP = T,

I
0
I B
,
=
0
C
B
CT
es simtrica,
sea
por lo tanto
I
0
=
A

=
Puesto que
XT
YT
B=0

T =
Puesto que las matrices
I
0
0
C

.
son semejantes, entonces tienen el mismo
polinomio caracterstico:
pA () = pT () = |T I| = ( )r |C I| .
es un valor propio de A con multiplicidad algek r. Veamos que k = r. Si k > r, entonces se debe tener que
|C I| = 0, y por lo tanto existe un vector (n r) 1, w 6= 0 tal que
Cw = w.

0
Consideremos ahora el vector no nulo u Mn1 dado por u = P
.
w
De sto se sigue, que

braica
Es decir,

u=P
0
w

=
[x1 x2 xr y1 y2 ynr ]
0
0
.
.
.
0
w1
w2
.
.
.
wnr
= w1 y1 + w2 y2 + wnr ynr .
Esto es, el vector
u hy1 , y2 , . . . , ynr i
68
u
/ hx1 , x2 , . . . , xr i
-vector propio de A. En efecto,

I
0
0
I
0
0
= P
P tP
=P
0
C
w
0
C
w

0
0
= P
=P
Cw
w

0
= P
= u .
w
De otro do, el vector
u,
Au
Esto indica, que
es un
B = {x1 , x2 , . . . , xr , ur+1 }
es un conjunto de
r+1
vec-
tores propios linealmente independientes correspondientes al valor propio
lo cual contradice el hecho de que la multiplicidad geomtrica de
sea
r.
Teorema.
3.3.7.
tiene
Si
es una matriz simtrica de orden
n,
entonces

A
vectores propios ortogonales, y por tanto, linealmente independi-
entes.
Demostracin. Sean 1 , 2 , . . . , k los diferentes valores propios

A. Supongamos que la multiplicidad algebraica de i es mi, mi =
1, 2, . . . , k; esto es, supongamos que
de
pA () = (1)n ( 1 )m1 ( 2 )m2 ( k )mk ,

donde
m1 + m2 + + mk = n.
Por el teorema anterior, la multiplicidad geomtrica de
1, . . . , k.
es
mi , i =
Sean ahora:

U1 = x11 , . . . , x1m1 , , Uk = xk1 , . . . , xkmk
bases ortogonales de
S(1 ), , S(k ) respectivamente.

n vectores propios de A :
Entonces por el
teorema 3.3.2, el conjunto de
= U1 U2 Uk
1

=
x1 , . . . , x1m1 , x21 , . . . , x2m2 , . . . , xk1 , . . . , xkmk
es ortogonal.
La demostracin del siguiente corolario es consecuencia inmediata del teorema 3.3.7 y del teorema 3.2.2.
3.3.8.
Corolario.
Toda matriz simtrica es diagonalizable.

69

3.3.9.
Denicin.
Sea
A
una matriz cuadrada. Se dice que
nalmente diagonalizable si existe un matriz ortogonal
tal que
es ortogoT
P AP =
es una matriz diagonal.
3.3.10.
Teorema.
Si
es una matriz simtrica, entonces
es ortogo-
nalmente diagonalizable; esto es, existe una matriz ortogonal P tal que
P T AP = D es una matriz diagonal. Ms an, las columnas de la matriz
son los vectores propios de
los valores propios de
y los elementos de la diagonal de
son
A.
A es una matriz simtrica de orden n, entonces

x1 , x2 , . . . , xn (teorema 3.3.7).
Supongamos que stos corresponden a los valores propios 1 , 2 , . . . , n ,

x1 x2 xn es ortogonal (prorespectivamente. La matriz P =
Demostracin. Sea
tiene
vectores propios ortonormales
posicin 3.3.5), y de acuerdo con la demostracin del teorema 3.2.2, se

tiene que
1
0
P T AP = P 1 AP = D = .
..
0
0
2
.
.
.
..
0
0
. .
.
.
n
El recproco del teorema 3.3.10 tambin es vlido y est dado por el siguiente
3.3.11.
Teorema.
tonces
Si una matriz
es ortogonalmente diagonalizable, en-
es simtrica.
Demostracin. Por hiptesis existe una matriz ortogonal
P T AP = D
tal que
es una matriz diagonal. De aqu que:
A = P DP T = (P DT P T )T = (P DP T )T = AT ,
o sea,
es una matriz simtrica.

70
3.3.12.
Ejemplo.
Para la matriz simtrica:
2
2
2 4
4
2 33
5
A= 2
2
encontremos una matriz ortogonal
tal que
P t AP = D
sea una matriz
diagonal.
A ortonormales.
A, pA () = |A I| .

2
4 = ( + 3)( 6)2
2
Para ello debemos encontrar tres vectores propios de

Determinemos el polinomio caracterstico de

5

pA () = |A I| = 2
2
2
2
4
Resolvamos la ecuacin caracterstica de
pA () = ( + 3)( 6) = 0
A, pA () = |A I| = 0.
sii
de aqu que los diferentes valores propios de
son
=6
1 = 3
2 = 6.
A son las soluciones no nulas

(A+3I) x = 0 y los 6-vectores propios de
A son las soluciones no nulas del sistema de ecuaciones lineales (A6I)x =
0. Se tiene entonces:
1
2
2
8
2
2
5 4
y
A 6I = 2 4 4 .
A + 3I = 2
2 4 4
2 4
5
Por denicin, los
(3)-vectores
= 3
propios de
Es fcil vericar, que las soluciones del sistema homogneo
(A + 3I)x = 0
son los vectores de la forma:
1
1
x1
2 x3
1
x = x2 = x3 = x3 2 ;
2
2
x3
x3
x3 R.
En consecuencia,
b = U
b3
U
1
es una base para
1
= 2 ,
S(1 ) = S(3). Aplicando el proceso de ortogonalizacin
de Gram-Scmidt a esta base (vea el teorema 1.2.24), se llega a que:
b = U
b3
U
1
1 1
2 ,
=
3
2
71
S(1 ) = S(3).
De otra parte, se encuentra que las soluciones del sistema homogneo
(A 6I)x = 0
son los vectores de la forma:
x1
2x2 + 2x3
x2 =
x2
x3
x3
2
2
x2 1 +x3 0 ; x2 , x3 R.
0
1
=
En consecuencia,
b
U
2
es una base para

2
2
b6 = 1 , 0 ,
=U
1
0
S(2 ) = S(6).
Aplicando el proceso de ortogonalizacin
de Gram-Schmidt a esta base se llega a que:
b
U
2
2
2
1
1
b6 = 1 , 4 ,
=U
5
3 5
0
5
S(2 ) = S(6).
Segn la demostracin del teorema 3.3.7,
b U
b
U =U
1
2
2
2
1 1
1
1
2 , 1 , 4 ,
=
3
5 0
3 5
2
5
es un conjunto ortonormal de vectores propios de

demostracin del teorema 3.3.10, la matriz,
1
3
2
P =
3
2
3
5
1
5
0
72
3 5
4

3 5
2
3 5
A.
Ahora, segn la
es ortogonal tal que
3
P T AP = P 1 AP = D = 0
0
3.3.13.
que
entes,
Teorema.
Sea A una matriz simtrica

(0 n) valores propios,
estrictamente positivos y (0 n)
que tiene
0
0 .
6
0
6
0
de orden
n.
Supongamos
no necesariamente difervalores propios, no nece-
sariamente diferentes, estrictamente negativos. Entonces existe una matriz invertible
tal que:
I
P T AP = 0
0
Si adems existe otra matriz invertible
I0
QT AQ = 0
0
entonces
= 0
0
0 .
0
0
I
0
Q
tal que
0
I0
0
0
0 ,
0
= 0 .
Demostracin. Sean
1 , 2 , . . . ,
A estricx1 , x2 , . . . , x
los valores propios de
tamente positivos (no necesariamente distintos) y sean
A asociados respectivamente a tales va1 , 2 , . . . , los valores propios de A estrictamente negativos (no necesariamente distintos) y y1 , y2 , . . . , y vectores
propios ortonormales de A asociados a dichos valores propios negativos y
sean z1 , z2 , . . . , z , = n ( + ), vectores propios ortonormales de
A asociados al valor propio nulo (0). Segn la demostracin del teorema
3.3.10, la matriz M , cuyas columnas son los correspondientes vectores
vectores propios ortonormales de
lores propios. Sean adems
propios organizados adecuadamente, es ortogonal. Es decir, la matriz
M=
x1
x2
y1
y2
es ortogonal. De otro lado, se tiene que
z1
M t AM = D
z2
D
M t AM = D = 0
0
73
0
D
0
0
0
0
es una matriz diag-
onal con los valores propios en su diagonal y dispuestos as:
donde:
1
0
D = .
..
0
Sea ahora
0
2
.
.
.
..
0
0
.
.
.
1
0
D = .
..
0
D = 0
0
1
D =
.
..
D =
La matriz
.
.
.
..
0
0
. .
.
.
0
1
.
.
.
..
.
.
.
.
.
.
1
1
0
0
0
I
0
D
0
1
p
1
2
.
.
.
..
.
.
.
y.
1
p
D D D
t
t
0
= D M AM D =
0
I
0
0
= 0 I 0 .
0
0
0
D DD
la matriz diagonal:
donde
0
2
0
D D D
0
P = M D es
I
0
0
P t AP = 0 I 0 .
0
0
0
En consecuencia, la matriz invertible
74
tal que:
0
I 0 I
Supongamos ahora que las matrices invertibles
I
P t AP = 0
0
0
I
0
y demostremos que
Q =
x1
y
y
x2
y1
y2
son tales que:
0
0
0
= 0
Escribamos las matrices
I0
Qt AQ = 0
0
0
I0
0
0
0 .
0
= 0 .
Q
particionadas por columnas as:
x
y0
x+1
y0 +1
xn
yn
Por hiptesis se tiene que:
T
xi Axi = 1
xT Ax = 0
j
i
T
yi Ayi 0
T
yi Ayj = 0
si i = 1, 2 . . . ,
si i =
6 j (i, j = 1, 2 . . . , n)
si i = 0 + 1, 0 + 2 . . . , n
si i 6= j (i, j = 1, 2 . . . , n).
Ahora, el conjunto de vectores de
Mn1 :
C = {x1 , x2 , . . . , x , y0 +1 , y0 +2 , . . . , yn }
es linealmente independiente. En efecto, si
1 x1 + . . . + x + 1 y0 +1 + . . . + n0 yn = 0
entonces el vector
1 x1 + 2 x2 + . . . + x
1 y0 +1 2 y0 +2 . . . n0 yn
(1 x1 + . . . + x )T A(1 x1 + . . . + x )
es tal que:
U T AU
= 21 + 22 + . . . + 2 0
y
U T AU
(1 y0 +1 + . . . + n0 yn )T A(1 y0 +1 + . . . + n0 yn )
2
T
12 yT0 +1 Ay0 +1 + 22 yT0 +2 Ay0 +2 + . . . + n
0 yn Ayn 0
Por lo tanto
U T AU = 0.
1 = 2 = . . . = = 0.
consecuencia,
1 y0 +1 + 2 y0 +2 + . . . + n0 yn = 0 .
75
En

Puesto que la matriz
Q es invertible, los vectores y0 +1 , y0 +2 , . . . , yn son

1 = 2 = . . . = n0 = 0.
linealmente independientes, y por lo tanto,
Ahora bien, como la dimensin del espacio vectorial

un conjunto linealmente independiente de
+ (n 0 )
Mn1
es
C es
Mn1 ,
vectores en
entonces por el teorema 1.3.8(2) :
+ (n 0 ) n ,
0 . Argumentando
= 0 .
o sea,
en forma similar se demuestra que
0 ,
de donde
De otro lado, de la hiptesis, se tiene que
(A) = + = 0 + 0
por lo tanto
Nota.
= 0 .
En la parte (1) del teorema anterior se tiene que
P T AP
es igual
a:
(i)
(ii)
(iii)
(iv)
(v)
(vi)
(vii)
3.3.14.
In , si = n.
In , si = n.

I 0
, si 0 < p < n y = 0.
0 0

I 0
, si 0 < < n y = 0.
0
0

I
0
, si 0 < p < n y 0 < < n y + = n.
0 I
I
0
0
0 I 0 , si 0 < p < n y 0 < < n y + < n.
0
0
0
0,
sii
A = 0.
Ejemplo.
Para la matriz simtrica
2
0
2
1
A = 2
0
encontremos una matriz invertible
0
2
1
tal que
P t AP
sea una matriz diag-
onal con las caractersticas que se establecen en el teorema anterior.
76
Efectuando los clculos pertinentes se encuentra que los valores propios

de
son:
1 = 3, 2 = 3
3 = 0, y que la matriz
2 1 2
1
M = 2 2 1
3
1 2
2
y
ortogonal:
es tal que
3
M t AM = D = 0
0
0
0 .
0
0
3
0
Ahora, la matriz diagonal
D =
3
0
0
3
0
D DD
Dt M t AM D
1
3
0
0
1
0
0
3
0
0
1
0
1
0
0
0 1 0 ,
0
0
0
3
0
P = M D es tal
I1
0
P t AP = 0 I1
0
0
o sea, la matriz invertible
3
0
0
0
1
3
0
que
0
0 .
0
En relacin con la primera parte del teorema 3.3.13 (ver su demostracin)

y tal como aparece en el ejemplo anterior, un mtodo para calcular una
M que
A, y despus postmultiplicar a M por una ma
triz diagonal conveniente D . A continuacin damos otro mtodo para
t
calcular, simultneamente, una de tales matrices P y la matriz P AP.
El mtodo se basa en el hecho de que la matriz P es invertible y por
de tales matrices
consiste en encontrar una matriz ortogonal
diagonalice a la matriz
77
ende se puede expresar como producto de un nmero nito de matrices
P = E1 E2 Ek,
elementales (vase teorema 1.1.11(2)); sto es,
E1 , E2 , , Ek,
donde
son matrices elementales. As que una forma de calcular
la matriz
P t AP = Ekt E2t E1t A E1 E2 Ek,

consiste en efectuar una sucesin de operaciones elementales en las las
de
de
de
A y la "misma" sucesin de operaciones elementales en las columnas

A (vase teorema 1.1.8), hasta lograr lo deseado. Esta misma sucesin
t
operaciones elementales en las las de la matriz identidad I da P .
Ilustraremos este mtodo con el ejemplo siguiente.

3.3.15.
Ejemplo.
2 3
5 4
4
9
1
A= 2
3
tal que
P T AP
onal con las caractersticas que se establecen en el teorema 3.3.13.

Formemos la matriz
2 3 | 1 0 0
A | I
5 4 | 0 1 0 .
4
9 | 0 0 1

A | I , las operaciones elemenEfectuemos, en las las de la matriz
T
tales; E1 ; multiplicar los elementos de la primera la por = 2 y sumar
T
los resultados con los correspondientes elementos de la segunda la, E2 ;
multiplicar los elementos de la primera la por = 3 y sumar los resulta
1
= 2
3
dos con los correspondientes elementos de la tercera la. As obtenemos

la matriz
E2T E1T A
| E2T E1T I
| B1
A1
luego efectuamos las "mismas" operaciones elementales en las columnas

de la matriz
A1 ,
para obtener:
E2T E1T A
E1 E2 | E2T E1T I
A1
| B1
Se tiene:
A1
| B1
1
= 0
0
2
1
2
78
3 |
1 0 0
2 | 2 1 0
0 |
3 0 1
|
1 0 0
0
| 2 1 0
A1 | B 1
|
3 0 1
0

Efectuemos, en las las de la matriz
A1 | B1 , la operacin elemenT
tal; E3 ; multiplicar los elementos de la segunda la por = 2 y sumar
1
= 0
0
0
1
2
0
2
0
los resultados con los correspondientes elementos de la tercera la. As

obtenemos la matriz
E3T E2T E1T AE1 E2
| E3T E2T E1T I
| B2
A2
luego efectuamos la "misma" operacin elemental en las columnas de la

matriz
A2 , para obtener:
T T T
0
E3 E2 E1 AE1 E2 E3 | E3T E2T E1T I = A2
| B2
Se tiene:
A2
| B2
| B2
1
= 0
0
0
1
0
0
1
0
0 |
1
2 | 2
4 |
7
0
1
2
0
0
1
A2
1
= 0
0
Finalmente, efectuemos en las las

eracin elemental;
E4T ;
1 0 0
0 |
0 | 2 1 0 .
3 0 1
4 |
0

de la matriz
A2 | B 2
la op-
multiplicar los elementos de la tercera la por
= 1/2. As obtenemos la matriz

T T T T
E4 E3 E2 E1 AE1 E2 E3 | E4T E3T E2T E1T I = A3
| B3

matriz
A3 ,
para obtener:
E4T E3T E2T E1T AE1 E2 E3 E4 |
E4T E3T E2T E1T I
A3
| B3
Se tiene:
A3
1
| B3 = 0
0
0
1
0
79
0
0
2
1
|
2
|
7
|
2
0
1
1
0
0
1
2
1
| B2 = 0
0
A2
0
1
0
1
|
2
|
7
|
2
0
0
1
0
1
1
0
0 .
1
2
As que la matriz invertible
PT
0
0
1
2
1
0
2 1
T T T T
= B3 = E4 E3 E2 E1 =
7
1
2
es tal que
1
P T AP = D = A3 = 0
0
Podemos decir entonces, que la matriz
0
0 .
1
0
1
0
tiene dos valores estrictamente
positivos y un valor propio estrictamente negativo.

3.3.16.
Nota.
En relacin con el mtodo ilustrado en el ejemplo anterior,
A=
[aij ]nn son nulos y si aij 6= 0, i 6= j , entonces sumando la la j a la
la i y la columna j a la columna i, obtendremos una matriz simtrica
A0 = M T AM con 2aij en el lugar isimo de la diagonal principal de A0 .
si todos los elementos de la diagonal principal de la matriz simtrica
Una vez hecho sto, se sigue el proceso descrito en el ejemplo anterior.

3.3.17.
Ejemplo.

A=
0
1
1
0
tal que
P T AP
onal con las caractersticas que se establecen en el teorema 3.3.13.

Formemos la matriz:
| I

=
0
1

tal
MT ;
1
0
| 1
| 0
A | I
0
1

.
la operacin elemen-
sumar los elementos de la segunda la con los correspondientes
elementos de la primera la. As obtenemos la matriz
MT A
| MT I
80

matriz
M T A,
para obtener la matriz:
M T AM
| MT I
A0
| MT
1
1
1
0
| 1
| 0
1
1
2
1
1
0
| 1
| 0
1
1
Se tiene:
M A
| M I
| M
=

=
tal;
E1T ;
A0
| MT
, la operacin elemen-
= 21
multiplicar los elementos de la primera la por
y sumar
los resultados con los correspondientes elementos de la segunda la. As

obtenemos la matriz
E1T A0
| E1T M T
| B1
A1

matriz
A1 ,
para obtener:
E1T A0 E1
| E1T M T
| B1
A1
Se tiene:
A1
| B1
|
|
| 1
2
1
1
|
0
|
=
A1 | B 1
1
| 1 1
0
2
2
2
0

Efectuemos en las las de la matriz
las
operaciones
A1 | B 1
T
mentales; E2 ; multiplicar los elementos de la primera la por =
T
y, E3 ; multiplicar los elementos de la segunda la por =
2 .
2
ele-
1 ,
2
As
obtenemos la matriz
E3T E2T E1T A0 E1
| E3T E2T E1T M T
| B2
A2
luego efectuamos las "mismas" operaciones elementales en las columnas

de la matriz
A2 ,
para obtener:
E3T E2T E1T A0 E1 E2 E3
| E3T E2T E1T M T

81
A2
| B2
3.4. Diagonalizacin simultnea
Se tiene:
A2
| B2
=
0
0
1
A2
1
=
| B2
0
0
1
.
1
1
|
2
|
|
1
|
2
1
|
2
|
|
1
|
2
As que la matriz invertible
P T = B2 = E3T E2T E1T M T =
es tal que
P T AP = D = A3 =
.
0
Podemos decir, que la matriz
tiene un valor estrictamente positivo y
un valor propio estrictamente negativo.
3.4. Diagonalizacin simultnea de matrices simtricas

En esta seccin veremos un par de teoremas sobre diagonalizacin simultnea de matrices simtricas, los cuales son tiles en estadstica. En
particular el teorema 3.4.3 es utilizado en la demostracin de la indepen-
dencia de dos ciertas formas cuadrticas (ver teorema 4.5.3 de [ ]).

3.4.1.
Teorema
(Diagonalizacin simultnea)
mtricas de orden
n.
positivos, entonces existe una matriz invertible
QT BQ = D
A y B matrices siA son estrictamente

Q tal que QT AQ = In y
Sean
Si todos los valores propios de
es una matriz diagonal. Adems, los elementos de la diagonal
de D, son las soluciones de la ecuacin

82
|B A| = 0, las cuales son reales.
Demostracin. Puesto que todos los valores propios de
son es-
trictamente positivos, se sigue del teorema 3.3.10, que existe una matriz
P T AP = In . Sea ahora C = P T BP. La matriz C

C T = (P T BP )T = P T B T P = P T BP = C . Ahora bien, en virtud del teorema 3.3.1, existe una matriz ortogonal M tal que
M T CM = D es una matriz diagonal con los valores propios de C en su
invertible
tal que
es simtrica pues,
diagonal principal. En consecuencia:
M T P T AP M = M T In M = M T M = In
esto es, la matriz
Q = PM
es tal que
M T P T BP M = M T CM = D ;
QT AQ = In
QT BQ = D
es una
matriz diagonal. De otro lado, como lo hemos expresado, los elementos de

la diagonal de
C,
los cuales segn el teorema
3.3.1 son reales. Esto es, los elementos de la diagonal de

de la ecuacin
|C I| = 0.
D son la soluciones
P es invertible se
En vista de que la matriz
tiene:
|C I| =
=

T
P BP P T AP
|B A| = 0,
sii
T
P |B A| |P | = 0
lo cual termina la demostracin del teorema.

3.4.2.
Ejemplo.
Consideremos las matrices simtricas
1
A= 0
0
0
4
2
0
2
2
5
B= 4
4
4
8
4
4
4 .
4
Efectuando los clculos correspondientes se encuentra que los valores propios de
son:
1 = 1, 2 = 3 +
3 = 3
5,
los cuales son
estrictamente positivos y que la matriz invertible
P = 0
0
1
2
0
0
1
2
1
es tal que
P T AP = I3
5
C = P T BP = 2
2
83
2
2
2 4 .
4
2
Por el ejemplo 3.3.12 se sabe que
M =
1
3
2
3
2
3
3 5
3 5
3 5
es ortogonal y es tal que
3
M T CM = D = 0
0
0
0 .
6
0
6
0
Q = PM =
1
3
2 5
2
3
3 5
3 5
3 5
es tal que
QT AQ = I3
3.4.3.
3
QT BQ = D = 0
0
0
6
0
Teorema (Diagonalizacin ortogonal simultnea).
0
0 .
6
Sean
AyB
ma-
trices simtricas de orden n. AB = BA sii existe una matriz ortogonal

T
T
tal que P AP y P BP son matrices diagonales.
Demostracin.
triz ortogonal
(=)
En virtud del teorema 3.3.10, existe una ma-
tal que:
1 Ik1
0
RT AR = D =
.
.
.
0
0
2 Ik2
0
0
.
.
.
..
.
.
.
...
84
m Ikm
donde los
Sea ahora
A y ki es la multiplicidad
i , i = 1, 2, . . . , m.
son los diferentes valores propios de
geomtrica (algebraica) del valor propio
C = RT BR.
Puesto que por hiptesis
AB = BA,
entonces
DC = RT ARRT BR = RT BAR = RT BRRT AR = CD.

Particionando la matriz
convenientemente podemos escribir:
DC
CD
1 Ik1
0
0
C11 C12 C1m
0
0
2 k2
C21 C22 C2m

=
..
.
.
.
.
.
.
..
.
.
..
.
.
.
.
.
.
.
.
.
.
0
0
m Ikm
Cm1 Cm2 Cmm
1 C11
1 C12
1 C1m
2 C21
2 C22
2 C2m
=
,
.
.
.
..
.
.
.
.
.
.
.
m Cm1 m Cm2 m Cmm
C11 C12 C1m

1 Ik1
0
0
C21 C22 C2m 0
0
2 k2
= .
.
.
.
.
.
.
.
.
..
.
.
.
..
.
..
.
.
.
.
.
Cm1 Cm2 Cmm
0
0
m Ikm
1 C11 2 C12 m C1m

1 C21 2 C22 m C2m
=
.
.
.
.
..
.
.
.
.
.
.
.
1 Cm1 2 Cm2 m Cmm
Ya que
i 6= j
DC = CD
i 6= j ,
si
i 6= j ,
si
y por tanto
C11
0
C= .
..
0
Como la matriz
0
0
.
.
.
..
.
.
.
0
C22
Cmm
C es simtrica, cada una de las matrices Cii , i = 1, 2 . . . , m,

Qi tal que QTi Cii Qi =
es simtrica, por tanto existe una matriz ortogonal
Di
Cij = 0,
es una matriz diagonal. Sea a hora:

85
Q1
0
Q= .
..
0
La matriz
0
Q2
.
.
.
..
0
0
.
.
.
.
Qm
Q es ortogonal (vase ejercicio 3.5(14)) y es tal que QT CQ = D

QT DQ = D; es decir,
es una matriz diagonal. Tambin se tiene que
QT RT ARQ = D
Ya que las matrices
QT RT BRQ = D .
P = RQ
P T BP son
son ortogonales, entonces la matriz
P T AP
es ortogonal (vea el ejercicio 3.5.2(13)) y es tal que
matrices diagonales.
(=) Supongamos que existe una matriz ortogonal P tal que P T AP = D1

T
y P BP = D2 son matrices diagonales. Puesto que D1 D2 = D2 D1 , entonces :
P T AP P T BP = P T BP P T AP ,
de donde
3.4.4.
AB = BA.
Ejemplo.
En este ejemplo seguiremos los pasos hechos en la de-
mostracin del teorema anterior en el sentido
(=). La vericacin de los
clculos numricos queda a cargo del lector.

Las matrices simtricas:
1
1
A=
0
0
son tales que
1
1
0
0
AB = BA.
0
0
1
0
0
0
0
1
3 = 2
de
0
1
0
0
0
0
2
2
0
0
2
5
A son 1 = 0
k1 = 1, 2 = 1 de multiplicidad algebraica
multiplicidad algebraica k3 = 1. La matriz ortogonal
1/ 2 0 0 1/ 2
1/ 2 0 0 1/ 2
R=
0
1 0
0
0
0 1
0
Los valores propios de la matriz
de multiplicidad algebraica
k2 = 2
1
0
B=
0
0
86
es tal que:
.
.
.
0
T
R AR = D =
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0

1 I
0
= 0

3 I
2 I
0
y
.
.
.
0
T
R BR = C =
.
.
.
.
.
.
.
.
.
.
.
.
0

C11
0
= 0

C33
C22
0
La matriz ortogonal
Q=
.
.
.
2/ 5
1/ 5
.
.
.
.
.
.
.
.
.
.
.
.
1/ 5
2/ 5
.
.
.
.
.
.
.
.
.
Q1

0
= 0

0
Q2
es tal que
0
QT CQ =
0
0
0
1
0
0
0
0
6
0
0
0
= QT RT BRQ = D
0
1
87
Q3
0
QT DQ =
0
0
0
1
0
0
0
0
1
0
0
0
= QT RT ARQ = D .
0
2
En consecuencia, la matriz ortogonal
1/ 2
1/ 2
P = RQ =
es tal que
P T AP = D
2/ 5
1/ 5
1/ 5
2/ 5
P T BP = D
1/ 2
1/ 2
0
0
son matrices diagonales.
Corolario.
Sean A1 , A2 , . . . , Ak matrices simtricas de orden n.

Una condicin necesaria y suciente para que exista una matriz ortogonal
P tal que P T Ai P sea una matriz diagonal para cada i = 1, 2, . . . , k es que
3.4.5.
Ai Aj = Aj Ai
para cada
j; i, j = 1, 2, . . . , k .
Demostracin. (Suciencia:) La demostracin de esta parte del teo-
rema la haremos utilizando induccin sobre el nmero de matrices

cuando
k=2
k. Para
el corolario es cierto por el teorema anterior. Supongamos
k = s y demostremos que
k = s + 1. Sean pues A1 , A2 , . . . , As+1
matrices simtricas de orden n tales que Ai Aj = Aj Ai para cada i y j;
i, j = 1, 2, . . . , s + 1. Por el teorema 3.3.10 existe una matriz ortogonal R
ahora que el corolario es cierto para cuando
el corolario es cierto para cuando
tal que
donde los
1 Ik1
0
2
k
2
R T A1 R = D =
.
.
..
.
.
.
.
.
0
0
, = 1, 2, . . . , m, son los diferentes
0
0
.
.
.
m Ikm
valores propios de
es la multiplicidad geomtrica (algebraica) del valor propio
i, i = 2, 3, . . . , s + 1, tomemos la
hiptesis A1 Ai = Ai A1 , entonces
Ahora, para cada

Puesto que por
Ci D
matriz
C i = R T Ai R .
RT Ai RRT A1 R = RT Ai A1 R = RT A1 Ai R
RT A1 RRT Ai R = DCi ,
88
A1
para
i = 2, 3, . . . , s + 1. De sto se sigue que:
Ci1 0
0
0 Ci2
Ci = .
, i = 2, 3, . . . , s + 1 .
.
.
.
.
..
.
..
.
.
0
0 Cim
De otra parte, como
1,
Ai Aj = Aj Ai
para todo
i y todo j; i, j = 2, 3, . . . , s+
entonces:
Ci Cj
RT Ai RRT Aj R = RT Ai Aj R
RT Aj Ai R = RT Aj RRT Ai R = Cj Ci .
De esto se sigue que para cada
, = 1, 2, . . . , m.
Ci Cj = Cj Ci .
Ci es simtrica, entonces la matriz Ci
i = 2, 3 . . . , s + 1 y cada = 1, 2, . . . , m. Por lo
hiptesis de induccin; para cada , existe una matriz
De otra parte, como la matriz

es simtrica para cada
anterior y por la
ortogonal
tal que
QTi Ci Qi = D
es una matriz diagonal. Sea ahora:
Q1
0
Q= .
..
0
0
Q2
.
.
.
..
0
0
.
.
.
.
Qm
Q es ortogonal y es tal que QT Ci Q = Di es una matriz diagonal.

T
se tiene que Q DQ = D . As que:
La matriz
Tambin
QT RT Ai RQ = Di , i = 2, 3 . . . , s + 1,
Puesto que
QT RT A1 RQ = D .
son matrices ortogonales, entonces la matriz
es ortogonal. En consecuencia, la matriz ortogonal

es una matriz diagonal para
P = RQ
P T Ai P
es tal que
i = 2, 3 . . . , s + 1.
P tal
P T Ai P = Di es una matriz diagonal para cada i = 1, 2, . . . , k . Puesto
que Di Dj = Dj Di , para todo i y todo j , i, j = 1, 2, . . . , k , entonces
(Necesidad:) Supongamos ahora que existe una matriz ortogonal
que
P T Ai P P T Aj P = P T Aj P P T Ai P,
de donde se tiene que
Ai Aj = Aj Ai
para todo
89
i y todo j; i, j = 1, 2, . . . , k.
3.5. Ejercicios
3.4.6.
Ejemplo.

A1 =
son tales que
Las matrices simtricas
2
1
1
2

,
A2 =
3
4
4
3

A3 =
5
6
6
5
Ai Aj = Aj Ai , i = 1, 2.
La matriz ortogonal
1
1
R=
2 1
es tal que
R T A1 R
R A2 R
D2 =
R T A3 R
D3 =
es decir, la matriz ortogonal

matrices
A1 , A 2
1
0
1
0
D1 =
0
3
0
7

11
diagonaliza de manera simultnea a las
A3 .
3.5. Ejercicios
3.5.1 Responda verdadero o falso, justicando su respuesta:
p() = 3 + 2 2 + 43 puede ser el polinomio

caracterstico de una matriz A M33 .
3
2
Si p() = + 4 5 + 2 es el polinomio caracterstico de
una matriz A M33 , entonces |A| = 2.
1
3 1 1
x = 1 es un vector propio de M = 7 5 1
0
6 6 2
= 1 es un valor propio de la matriz M anterior.
Si una matriz cuadrada A es diagonalizable, entonces existen
1
innitas matrices invertibles P tales que P
AP = D es una
1. El Polinomio
2.
3.
4.
5.
matriz diagonal.
90
6. Sea
3.5. Ejercicios
n. Si C es una matriz
n invertible, entonces las matrices A, C 1 AC
cuadrada de orden
CAC 1 , tienen el mismo polinomio caracterstico.

A y B son matrices simtricas de orden n, entonces la matriz
AB es simtrica.
Sean A y B matrices simtricas de orden n. AB es simtrica sii
AB = BA.
1
Si P es una matriz ortogonal, entonces P
tambin es ortogo-
7. Si
8.
9.
nal.
P T tambin es ortogonal.
es una matriz ortogonal, entonces |P | = 1.
Una matriz P de tamao n n es ortogonal sii los vectores la
n
de P conforman una base ortonormal de R .

1 1
La matriz P =
es ortogonal.
1 1
2
Si la matriz A satisface la igualdad: A = 3A 2I, entonces los
posibles valores propios de A son 1 = 1, 2 = 2.
P
Si P
10. Si
11.
12.
13.
14.
es una matriz ortogonal, entonces
3.5.2 Demuestre que:
es un valor propio de A, entonces n es un valor propio de

A , n = 1, 2, 3, . . ..
Si x es un vector propio de A, entonces x es un vector propio de
An , n = 1, 2, 3, . . ..
= 0 es un valor propio de una matriz A sii |A| = 0.
Si A es una matriz invertible y es un valor propio de A, entonces
1 es un valor propio de A1 .
Si A y C son matrices cuadradas de orden n y si C es invertT
1
ible entonces las matrices A, A , C
AC , CAC 1 , C 1 AT C y
T 1
CA C tienen el mismo polinomio caracterstico.
Si T es una matriz triangular superior, entonces los valores propios de T son los elementos de la diagonal principal de T.
Si A y B son matrices cuadradas del mismo orden, entonces AB
y BA tienen los mismos valores propios (sugerencia: Analice los
casos = 0 es un valor propio de AB y 6= 0 es un valor propio
de AB ).
Sean 1 , 2 , . . . , n los diferentes valores propios de una matriz
A y sean 1 , 2 , . . . , m son los diferentes valores propios de una
matriz B , entonces los diferentes valores propios de una matriz
1. Si
2.
3.
4.
5.
6.
7.
8.
91
3.5. Ejercicios
de la forma

M=
A
0
C
B
1 , 2 , . . . , n , 1 , 2 , . . . , m .
A es una matriz cuadrada de orden n, entonces pA () =
|A I| es un polinomio de grado n en la variable que tiene
son
9. Si
la forma:
pA () = a0 + a1 + a2 2 + + (1)n n .
n).
es un valor propio de una matriz A, entonces la multiplicidad
geomtrica de es menor o igual que la multiplicidad algebraica
de . (sugerencia: vea la demostracin del teorema 3.3.2).
n
Si A Mnn es tal que pA () = (1) (1 )(2 ) (n )
entonces: (i) |A| = 1 2 n y (ii) Tr A = 1 + 2 + + n .

A B
In
In
Sean A, B Mnn , M =
y P =
B A
In In
1
1
a ) Verique que P
= P.
2
1
b ) Calcule P
M P y concluya que det M = det(A + B)
det(A B).
(sugerencia: usar induccin sobre

10. Si
11.
12.
c ) Use (b) para mostrar que
pM () = det(M I) = det((A + B) I) det((A B) I) .

13. Si
son matrices ortogonales, entonces
PQ
es una matriz
ortogonal.
14. Si
Q1 , Q2 , . . . , Qm son matrices ortogonales,
Q1 0
0
0 Q2
0
Q= .
.
.
.
.
.
.
.
.
.
.
.
.
0
0 Qm
entonces la matriz
es tambin ortogonal .
x un -vector propio de A y sea y un -vector propio de AT ,

donde 6= , entonces x, y son vectores ortogonales (sugerencia:
15. Sea
vea la demostracin del teorema 3.3.2).
A es una matriz idempotente; esto es, tal que A2 = A, entonces

los posibles valores propios de A son 1 = 0, 2 = 1.
16. Si
92
17. Si
3.5. Ejercicios
es una matriz simtrica idempotente
pA () = Tr A =
n X
n
X
nn
entonces:
(aij )2 .
i=1 i=1
(Sugerencia: Utilice el teorema 3.3.13 y el corolario 2.3.5)
18. Sea
a Mn1 un
una matriz simtrica de rango 1 y es tal

19. Si
A = (aT a)1 aaT

2
que A = A.
vector no nulo. Entonces
es una matriz simtrica tal que todos los valores propios
M
A = M T M. (Sugerencia: utilice el teorema 3.3.13(1))
Si A es una matriz simtrica tal que todos los valores
son positivos, entonces existe una matriz invertible
20.
es
tal que
propios
son positivos, entonces existe una matriz triangular superior e

invertible,
T,
sobre el orden
de
(Sugerencia: utilice induccin
n que tiene p valores pron p valores propios nulos, entonces

T
existe una matriz no invertible M tal que A = M M. (Sugeren-
21. Si
A = T T A.
la matriz A).
tal que
es una matriz simtrica de orden
pios positivos
(p < n)
cia: utilice el teorema 3.3.13(1)).
A es una matriz simtrica tal que A2 = A y si B es una matriz

simtrica, del mismo orden de A, que tiene sus valores propios
22. Si
positivos, entonces:
(ABA) = (A) = Tr A
(sugerencia: Utilice (19) y (17)).
23. Sea
una matriz cuadrada
nn
n
X
|aii | >
tal que
|aij | ,
j6=i,j=1
A es invertible. (Sugerencia:
T
x1 x2 xn
suponga que existe un vector x =
6= 0 tal
que Ax = 0 y que |xi | = m
ax {|x1 | , |x2 | , . . . |xn |}. Despeje aii xi
en la i-sima ecuacin del sistema Ax = 0, tome valor absoluto
para todo
i = 1, 2, . . . n,
entonces
y llegue a una contradiccin).

24. Si
A = [aij ]nn
es una matriz simtrica tal que
|aii | >
n
X
j6=i,j=1
93
|aij |
3.5. Ejercicios
para todo
i = 1, 2, . . . n,
entonces todos los valores propios de
son positivos. (Sugerencia: suponga
A
25. Si
y utilice (23) para llegar a una contradiccin).
son dos matrices simtricas invertibles de igual or-
AB = BA, entonces existe una matriz ortogonal

P tal que P T AP, P T BP, P T ABP, P T AB 1 P, P T A1 BP y
P T A1 B 1 P son matrices diagonales.
2
Si A es una matriz n n tal que A = mA, entonces
den tales que
26.
Tr A = m(A).
(Sug.: considere (i)
(A) = 0,
(ii)
(A) = n
y (ii)
0 < (A) < n.
3.5.3 Clculos
1. Para cada una de las siguientes matrices: encuentre, si es posible,

1
2
(i) M =

(iii) M =
2
1
1
0
3
(vii) M = 1
3
2
5
(ix) M =
0
0
2. Sea
T : P2 P2
P 1 M P
sea una matriz diagonal
1
2
0
2
2
0
3
(vi) M = 7
6
1
5
6
1
1
2
1
1
2
0
1
4
(ii) M =

(iv) M =
3
5
6
1
(v) M = 3
6
tal que
1
1
1
3
1
4
3
0
0
3
3
4
1
1
1
0
0
1
2
0
0
2
2
0
2
2
(viii) M = 0
0
0
2
(x) M =
0
0
2
0
1
0
0
1
0 2
la transformacin lineal denida por
T [a + bx + cx ] = (a b + 4c) + (3a + 2b c)x + (2a + b c)x2 .

a ) Calcule los valores propios y los vectores propios.
94
0
0
1
4
3.5. Ejercicios
b ) D, si existe, una base ordenada
de
P2
tal que
[T ]CC
sea
una matriz diagonal.

3. Para cada una de las siguientes matrices encuentre una matriz
ortogonal
caso
Tr M
P , tal que P T M P
y (A).
1
2
(i) M =
2
5
sea una matriz diagonal. D en cada
1
(ii) M = 1
0
0
0
1
1
0
0
2 1 1
1 1 1
1 1
(iii) M = 1 2 1 (iv) M = 1
1 1 2
1 1
1
4 4 2
4 2 2
(v) M = 2 3 0 (vi) M = 4 4 2
2 2 1
2 0 5
4. Para cada una de las siguientes matrices encuentre una matriz
invertible
Q,
tal que
Qt M Q
1
(i) M = 1
0
1
(iii) M = 2
0
2
(v) M = 1
1
sea de la forma
I
0
0
0
I
0
1
1
0
0
0
1
2
0
0
0
0
1
0
0 .
0
0
(ii) M = 1
1
1
(iv) M = 0
1
1
1
1
1 1 (vi) M = 2
1
5
1
1
1
2
2
2 1
0 1
2
1
1
1
2 1
4 2
2
8
5. Considere las matrices del ejercicio anterior:
QT M Q = I ,
M = P T P.
a ) Si
encuentre una matriz invertible
95
P,
tal que
3.5. Ejercicios

I 0
b ) Si Q M Q =
, encuentre una matriz no invertible
0 0
T
P, talque M = P P.
1 2 3
1 4 1
5
5
4
Sean A = 2
y
B = 4 14
3
5 11
1
4
6
a ) Verique que todos los valores propios de A son positivos,
T
encontrando una matriz invertible P tal que P AP = I.
T
T
b ) En una matriz invertible M tal que M AM = I y M BM =
D sea una matriz diagonal.
2 3
0
1 2 0
6
0
5 0 , S2 = 3
Considere la matrices S1 = 2
0
0 4
0
0 4
3 2 0
2 0 .
y S3 = 2
0
0 8
a ) Verique que todos los valores propios de S1 son positivos,
T
encontrando una matriz invertible P tal que P S1 P = I.
T
T
b ) Haga A = P S2 P y B = P S3 P .. Verique que AB = BA
T
y encuentre una matriz ortogonal Q tal que Q AQ = D1 y
T
Q BQ = D2 son matrices diagonales.
c ) Concluya que la matriz invertible M = P Q es tal que
M T S1 M = I y M T AM = D1 y M T BM = D2 son maT
6.
7.
trices diagonales.
96
CAPTULO 4
Formas cuadrticas
Este captulo consta de tres secciones. En la primera seccin introduciremos el concepto de Forma cuadrtica y sus respectivas clasicaciones
(segn el signo de los elementos del rango) en formas cuadrticas positivamente (negativamente) denidas, formas cuadrticas positivamente
(negativamente) semidenidas y formas cuadrticas indenidas. La segunda seccin versa sobre cambio de variables y diagonalizacin de formas cuadrticas. En esta seccin se utilizan los resultados de las secciones
3.3 y 3.4. En la tercera seccin damos algunos criterios para clasicar las
formas cuadrticas segn el signo de los valores propios.
4.1. Clasicacin de las formas cuadrticas.

Las formas cuadrticas juegan un papel importante en las aplicaciones del
lgebra lineal, particularmente, en la teora de modelos lineales (vase el
captulo 4 de [ ]). Ellas se clasican de acuerdo al signo que tomen sus

respectivas imgenes en: positivas, no negativas, negativas, no positivas e
indenidas como veremos ms adelante.
4.1.1.
Denicin.
Una forma cuadrtica en
Rn
es una funcin
q : Rn
de la forma
(4.1)
q [(x1 , x2 , . . . , xn )] =
n X
n
X
aij xi xj , donde
i=1 j=1
97
aij R,
i, j = 1, 2, . . . , n.
4.1. Clasicacin
Formas cuadrticas
En trminos matriciales, dicha forma cuadrtica se puede expresar mediante
q (x) = xT Ax,
(4.2)
siendo
x1
x2
x = . Rn .
..
xn
Ahora bien, puesto que para la matriz simtrica
S, S =
1
2 (A
+ AT ),
se
satisface
xT Sx
=
=
=
1
1
xT (A + AT )x = (xT Ax + xT AT x)
2
2
1
1 T
T
x Ax + (x Ax)T = (xT Ax + xT Ax)
2
2
xT Ax ,
en la denicin anterior, (4.1) puede darse usando matrices simtricas as:
q (x) = xT Sx .
(4.3)
Observamos entonces, que una forma cuadrtica se puede expresar matricialmente de varias maneras. Sin embargo, se puede demostrar (ejercicio
4.4.2(1)), que existe una nica representacin en trminos de matrices
simtricas,
Nota.
S = 21 (A + AT ),
para cada forma cuadrtica
q(x) = xT Ax.
Con respecto a las formas cuadrticas podemos anotar que:
1. En la denicin 4.1.1 slo aparecen trminos cuadrticos (de or-
den
2)
de la forma
aij xi xj .
De aqu el calicativo de cuadrtica.
2. Podemos considerar slo matrices simtricas. En este sentido, en
lo que sigue, al referirnos a una forma cuadrtica

pre
xT Sx,
siem-
denotar una matriz simtrica. Dicha matriz simtrica se
denomina, matriz de la forma cuadrtica.
4.1.2.
Ejemplo.
rido en
R,
De las siguientes funciones denidas sobre
solamente la primera,
q1 (x1 , x2 )
q2 (x1 , x2 )
q3 (x1 , x2 )
q1 ,
R3 y con recor-
representa a una forma cuadrtica
3x1 x1 + 4x1 x2 + 2x2 x1 + 5x2 x2 ,
3x1 x1 + 4x21 x2 + 2x2 x1 + 5x2 x2 ,
= 3x1 x1 + 4 x1 x2 + 2x2 x1 + 5x2 x2 .

98
Formas cuadrticas
4.1. Clasicacin
Dicha forma cuadrtica la podemos representar matricialmente como
q1 (x1 , x2 ) = xT Ax =
x1
x2
x2
3
2
4
5

3
3
3
5

x1
x2
x1
x2
o en trminos de matrices simtricas
q1 (x1 , x2 ) = xT Sx =
4.1.3.
Denicin.
ImaS
Sea
xT Sx
x1
Rn .
una forma cuadrtica en
El conjunto
x Sx : x R
r R : r = xT Sx
para algn
x Rn
se denomina recorrido o conjunto imagen de la forma cuadrtica
Una forma cuadrtica
xT Sx
xT Sx.
se puede clasicar segn su recorrido
ImaS
de acuerdo con la denicin siguiente.

4.1.4.
Denicin.
Se dice que una forma cuadrtica
xT Sx
es:
xT Sx > 0 para todo x 6= 0.

T
Negativamente denida, si x Sx < 0 para todo x 6= 0.
T
Positivamente semidenida, si x Sx 0 para todo x 6= 0, y
T
existe un x 6= 0 tal que x Sx = 0.
T
Negativamente semidenida, si x Sx 0 para todo x 6= 0, y
T
existe un x 6= 0 tal que x Sx = 0.
T
Indenida, si existen vectores no nulos x1 y x2 tales que x1 Sx1 >
T
0 y x2 Sx2 < 0, respectivamente.
1. Positivamente denida, si
2.
3.
4.
5.
6. No negativa, si es positivamente denida o positivamente semideni-
da.
7. No positiva, si es negativamente denida o negativamente semideni-
da.
4.1.5.
Observacin.
La forma cuadrtica
mente denida (semidenida) sii la forma
q1 (x) = xT Sx es negativaT
cuadrtica q2 (x) = x (S)x
es positivamente denida (semidenida).

4.1.6.
Denicin.
Se dice que una matriz simtrica
es positivamente
(negativamente) denida (semidenida), indenida o no negativa, si la

T
forma cuadrtica q(x) = x Sx lo es.
99
4.1. Clasicacin
Formas cuadrticas
Ejemplo.
Consideremos las siguientes tres formas cuadrticas en
4.1.7.
R3
q1 (x1 , x2 , x3 )
x21 + 2x22 + 3x23
q2 (x1 , x2 , x3 )
x21 + 2x1 x2 + x22 + x23
q3 (x1 , x2 , x3 )
x21 2x22 + 3x23
Para la forma cuadrtica
q1 (x1 , x2 , x3 )
q1 : R3 R
se tiene:
= x21 + 2x22 + 3x23
x1
x2
x3
1
0
0
0
2
0
0
x1
0 x2
3
x3
= xT S1 x.
Puesto que
xT S1 x > 0
para todo
x 6= 0,
entonces
q1
es positivamente
denida.
q2 (x1 , x2 , x3 )
=
=
=
q2 : R3 R
se tiene:
x21 + 2x1 x2 + x22 + x23
1

x1 x2 x3 1
0
= (x1 + x2 )2 + x23
x1
1 0
1 0 x2
x3
0 1
xt S2 x.
xT S2 x 0 para todo x 6= 0, y dado que para x = [1 1 0]

T
que x
S2 x = 0, entonces q2 es positivamente semidenida.
Puesto que
se tiene
q3 (x1 , x2 , x3 )
q3 : R3 R
se tiene:
x21 2x22 + 3x23
xt S3 x.
x1 =
T
y x2 S3 x2
Dado que
4>0
x1
x2
x3
1
0
0
0
2
0
0
x1
0 x2
3
x3
[1 0 1] y x2 = [0 2 1] son vectores tales que xT1 S3 x1 =

= 5 < 0, entonces q3 es una forma cuadrtica indenida.
100
Formas cuadrticas
4.2. Cambios de variable y diagonalizacin
4.2. Cambio de variables. Diagonalizacin simultnea de

formas cuadrticas
El objetivo de esta seccin es continuar la discusin sobre la clasicacin
de formas cuadrticas pero mediante la introduccin de cambios de variables adecuados. Se pretende con dichos cambios de variables, que la nueva
representacin de las formas cuadrticas tengan una estructura ms sencilla, en algn sentido. Los resultados de esta seccin, son corolarios de
aquellos obtenidos en las secciones 3.3 y 3.4. En tal sentido, omitiremos
sus demostraciones y nos limitaremos a dar la referencia del resultado
correspondiente en dichas secciones.
Denicin
4.2.1.
(Cambio de variable)
Sea
q : Rn R
una forma
cuadrtica una denida por
q(x) = xT Sx.
(4.1)
y sea
x Rn
n n. Entenderemos como un cambio de

q, a la transformacin x = P y o y =
variable para la forma cuadrtica

1
x.
Observacin.
En la denicin anterior,
yx=P y
x Rn y viceversa.
es una matriz invertible, enn
yR
tonces la transformacin
es biunvoca. Esto es, un
determina un nico
Hecho un tal cambio de variables,
se tiene:
xT Sx = yT P T SP y = yT By
(4.2)
Podemos interpretar el cambio de variable
donde
x = P y (P
B = P T SP .
invertible) como la
transformacin lineal biyectiva:
P : Rn
y
as que
(q P ) : Rn R
Rn
x = Py .
dene una nueva forma cuadrtica
q (y) = (q P )(y) = q(P y) = yT P T SP y = yT By,

que se relaciona con la forma cuadrtica
por medio de las igualdades
(4.2).
4.2.2.
Ejemplo.
Sea
q : R3 R
la forma cuadrtica denida por
q [(x1 , x2 , x3 )] = x21 + 4x1 x2 6x1 x3 + 5x22 8x2 x3 + 8x23 .

101
Formas cuadrticas
Para esta forma cuadrtica podemos escribir
q [(x1 , x2 , x3 )] = xT Sx =
x1
x2
x3
1
2
3
2 3
x1
5 4 x2 .
4
8
x3
Ahora, si hacemos el cambio de variables:
y1
y = y2 = P 1 x
y3
1 2 3
0 1
2
0 0
1
x1 + 2x2 3x3
x2 + 2x3
x3
x1
x2
x3
encontramos que:
xT Sx
yT P T SP y = yT By
B = P T SP
1
0
2
1
7 2
1 0
0
0 1
0
0 0 5
donde
0
1
0 2
1
3
2 3
1
5 4 0
4
8
0
2
7
1 2
0
1
Por lo tanto,
xt Sx = yt By
y12 + y22 5y32 ,
y1
y2
y3
1
0
0
y1
0
0
1
0 y2
0 5
y3
es decir,
xT Sx
= x21 + x1 x2 6x1 x3 + 5x22 8x2 x3 + 8x23

= y12 + y22 5y32
donde
y1 = x1 + 2x2 3x3 ,
y2 = x2 + 2x3 ,
y3 = x3 .
y By = y12 +y22 5y32 , que la

2
2
2
expresin x Sx = x1 +x1 x2 6x1 x3 +5x2 8x2 x3 +8x3 . Por ejemplo, una
2
T
2
2
simple inspeccin nos permite ver, que la expresin y By = y1 + y2 5y3
Claramente es ms fcil estudiar la expresin
toma valores tanto positivos como negativos, tomando respectivamente

102
Formas cuadrticas
y1 6= 0, y2 6= 0, y3 = 0,
T
la expresin x Sx.
y1 = 0, y2 = 0, y3 6= 0.
Lo que no es claro para
Denicin.
T
Dada una forma cuadrtica x Sx, si el cambio de
T
T T
T
es tal que x Sx = y P SP y = y Dy, donde D es
1
una matriz diagonal, entonces se dice que el cambio de variables y = P
x
T
diagonaliza la forma cuadrtica x Sx.
4.2.3.
y = P 1 x
variables
4.2.4.
Observacin.
El problema de encontrar un cambio de variables
y = P 1 x que diagonalice la forma cuadrtica xT Sx se reduce a encontrar

T
una matriz invertible P tal que P SP = D sea una matriz diagonal.
La demostracin del siguiente resultado, es una consecuencia del teorema

3.3.10.
Teorema.
xT Sx existe una matriz or1

T
togonal Q tal, que el cambio de variables y = Q x = Q x la diagonaliza.
Adems Q tiene como columnas un conjunto ortonormal de vectores propios de la matriz S y
4.2.5.
xT Sx
Para toda forma cuadrtica
yT QT SQy = yT Dy
=
donde los
4.2.6.
y1
y2
0
2
.
.
.
..
Sea
q : R3 R
= X t SX =
S.
la forma cuadrtica denida por:
q [(x1 , x2 , x3 )]
0
y1
0
y2
. .
. .
.
.
n
yn
1 y12 + 2 y22 + . . . + n yn2 ,
i , i = 1, 2, . . . , n
Ejemplo.
yn
0
..
.
0
x1
x2
x3
1
1
1
1
1
1
1
x1
1 x2
1
x3
= x21 + 2x1 x2 + 2x1 x3 + x22 + 2x2 x3 + x23 .

Segn el teorema 3.3.10, existe una matriz ortogonal
es una matriz diagonal con los valores propios de
Q tal que QT SQ = D
S en la diagonal. Despus
de efectuar los clculos pertinentes, se encuentra, que los valores propios

de
son
0 (con multiplicidad 2) y 3 (con multiplicidad 1), y que la matriz

103

ortogonal:
1/2
Q = 1/ 2
0
1/5
1/5
2/ 5
Formas cuadrticas

1/3
1/3
1/ 3
es tal que
0
QT SQ = D = 0
0
Por lo tanto, el cambio de variables y
T
cuadrtica x Sx, obtenindose:
xT Sx = yT QT SQy
0
0
0
=
0
0 .
3
Q1 x diagonaliza
la forma
= yT Dy
y1
y2
y3
0
0
0
0
0
0
y1
0
0 y2 = 3y32 .
3
y3
El siguiente teorema est estrechamente relacionado con el literal (1) del

teorema 3.3.13 y plantea la existencia de un cambio de variable ligado al
signo de los valores propios de la matriz de la forma cuadrtica.
Teorema.
xT Sx una forma cuadrtica sobre Rn . Si la matriz

S tiene (0 n) valores propios, no necesariamente diferentes,
estrictamente positivos y (0 n) valores propios, no necesariamente
4.2.7.
Sea
diferentes, estrictamente negativos, entonces existe un cambio de variables

y = P 1 x que diagonaliza la forma cuadrtica xT Sx, obtenindose:
xT Sx
yT P T SP y = yT Dy
4.2.8.
I
0
0
0
I
0
2
2
2
y12 + y22 + . . . + y2 y+1
y+2
. . . y+
.
Ejemplo.
q (x)
Sea
y1
y2
q : R3 R
yn
y1
0 y2
0 .
..
0
yn
la forma cuadrtica denida por:
x Sx
x21 + 2x1 x2 + 2x1 x3 + 4x2 x3 .
x1
x2
x3
104
1
1
1
1
0
2
1
x1
2 x2
0
x3
Formas cuadrticas

1 = 3, 2 = 2 y 3 = 0.
P tal que:
1
0 0
P T SP = D = 0 1 0 .
0
0 0
Los valores propios de
son
Por el teorema
3.3.13(1) , existe una matriz invertible
Efectuando los clculos del caso se encuentra que la matriz invertible
1 2
1
1
0
1
1
P = 0
0
sirve par tal efecto. Por lo tanto, el cambio de variables

naliza la forma cuadrtica
xT Sx
x Sx,
y = P 1 x
diago-
obtenindose:
= yT P T SP y
= yT Dy
y1
y2
y3
1
0
0
y1
0
0 y2 = y12 y22 .
y3
0
0
1
0
El teorema siguiente, plantea un criterio para la existencia de un cambio

de variables que diagonalice simultneamente a dos formas cuadrticas.
Su demostracin se obtiene de la diagonalizacin simultnea de matrices
simtricas (teorema 3.4.1).
Teorema.
q2 (x) = xT S2 x dos formas

cuadrticas en R . Si todos los valores propios de S1 son estrictamente
1
positivos, entonces existe un cambio de variables y = Q x que diagoT
naliza simultneamente las formas cuadrticas q1 (x) = x S1 x y q2 (x) =
xT S2 x obtenindose:
4.2.9.
Sean
q1 (x) = xT S1 x
xT S1 x = yT QT S1 Qy = yT Iy = y12 + y22 + . . . + yn2

y
xT S2 x
= yT QT S2 Qy
= yT Dy
y1
y2
yn
0
..
.
0
= 1 y12 + 2 y22 + . . . + n yn2 ,

105
0
2
.
.
.
..
0
y1
0
y2
. .
. .
.
.
n
yn
Formas cuadrticas
i , i = 1, 2, . . . , n son las soluciones de la ecuacin

las cuales son reales.
donde los
0,
|S2 S1 | =
Ilustremos dicho resultado con el siguiente ejemplo.

4.2.10.
Ejemplo.
Sean
q 1 : R3 R
q2 : R3 R
las formas cuadrtica
denidas por:
q1 (x)
= xT S1 x =
x1
x2
x3
1
0
0
0
4
2
0
x1
2 x2
2
x3
4
8
4
= x21 + 4x22 + 4x2 x3 + 2x23 ,

q2 (x)
= xT S2 x =
=
x1
x2
x3
5
4
4
x1
4
4 x2
4
x3
5x21 + 8x1 x2 + 8x1 x3 + 8x22 8x2 x3 4x23 .
Por el ejemplo 3.4.2 sabemos que los valores propios de
2 = 3 +
3 = 3
5,
S1
son:
1 = 1,
los cuales son estrictamente positivos y que
la matriz invertible
Q=
1
3
2 5
2
3
3 5
3 5
3 5
es tal que
QT S1 Q = I3
3
QT S2 Q = D = 0
0
0
6
0
0
0 .
6
y = Q1 x diagonaliza
x S1 x y xt S2 x obtenindose:
Por lo tanto, el cambio de variables

mente las formas cuadrticas
xT S1 x = yT QT S1 Qy = yT I3 y = y12 + y22 + y32

106
simultnea-
Formas cuadrticas
xT S2 x
= yT QT S2 Qy
= yT Dy
y1
y2
y3
3
0
0
0
6
0
0
y1
0 y2
6
y3
= 3y12 + 6y22 + 6y32 .

Los siguientes dos resultados estn relacionados de manera muy cercana
con el teorema 3.4.3 y el corolario 3.4.5 respectivamente. Ellos nos brindan
condiciones necesarias y sucientes bajo las cuales podemos hablar de
diagonalizacin ortogonal simultnea de dos o ms formas cuadrticas.
En forma ms precisa tenemos:
4.2.11.
Teorema
(Diagonalizacin ortogonal simultnea)
Considere en
Rn las dos formas cuadrticas q1 (x) = xT S1 x y q2 (x) = xT S2 x. S1 S2 =

S2 S1 sii existe una matriz ortogonal P tal que el cambio de variables
y = P 1 x = P T x diagonaliza simultneamente las formas cuadrticas
xT S1 x y xT S2 x obtenindose:
xT S1 x
= yT P T S1 P y = yT D1 y
y1
y2
yn
0
..
.
0
0
2
.
.
.
..
0
2
.
.
.
..
0
y1
0
y2
. .
. .
.
.
n
yn
= 1 y12 + 2 y22 + . . . + n yn2 ,

y
xT S2 x
yT P T S2 P y = yT D2 y
y1
y2
yn
0
..
.
0
1 y12 + 2 y22 + . . . + n yn2 ,

107
0
y1
0
y2
. .
. .
.
.
n
yn

donde los
i , i = 1, 2, . . . , n
1, 2, . . . , n
4.2.12.
en
Corolario.
Sean
Formas cuadrticas
S1
y los
i , i =
S2 .
xT S1 x, xT S2 x, . . . , xT Sk x
formas cuadrticas
R .
Una condicin necesaria y suciente para que exista una matriz

1
ortogonal P tal que el cambio de variables y = P
x = P T x diagonalice
T
T
T
simultneamente las formas cuadrticas x S1 x, x S2 x, . . . , x Sk x es que
Si Sj = Sj Si para todo i y todo j; i, j = 1, 2, . . . , k .
4.2.13.
Ejemplo.
Sean
q 1 : R4 R
q2 : R4 R
las formas cuadrtica
denidas por:
q1 (x)
= xT S1 x
q2 (x)
x21 2x1 x2 + x22 + x23 + x24 ,
xT S2 x
x1
x2
x3
1
0
x4
0
0
0
1
0
0
x21 + x22 + 2x23 4x3 x4 + 5x24 .
x1
x2
x3
Del ejemplo 3.4.4 sabemos que,
1/ 2
1/ 2
P =
x1
0
x2
0
0 x3
1
x4
x1
0
0
x2
0
0
2 2 x3
2
5
x4
1
1
0
0
1
1
x4
0
0
S1 S2 = S2 S1
0
2/ 5
1/ 5
1/ 5
2/ 5
0
0
1
0
y que la matriz ortogonal
1/ 2
1/ 2
0
0
es tal que
0
P t S1 P = D1 =
0
0
0
1
0
0
0
0
1
0
0
0
,
0
2
108
0
P t S2 P = D2 =
0
0
0
1
0
0
0
0
6
0
0
0
0
1
Formas cuadrticas
xT S1 x
mente las formas cuadrticas
xT S1 x
xT S2 x
y = P 1 x diagonaliza
T
y x S2 x obtenindose:
y22 + y32 + y42 ,
simultnea-
= y12 + y22 + 6y32 + y42 .

4.2.14.
Ejemplo.
q1 (x)
q2 (x)
q3 (x)
Consideremos las formas cuadrticas en
xT S1 x =
x S2 x =
x S3 x =
x1
x1
x1
x2
x2
x2
Del ejemplo 3.4.6 sabemos, que
1
2

x1
x2
2
1
3
4
4
3

x1
x2
5
6
6
5

x1
x2
R2 :
= 2x21 + 2x1 x2 + 2x22

= 3x21 + 8x1 x2 + 3x22
= 5x21 + 12x1 x2 + 5x22 .
Si Sj = Sj Si , i = 1, 2, 3
y que la matriz
ortogonal
1
1
P = 1/ 2
1
1
es tal que
P S1 P = D1 =
1
0
0
3
P S2 P = D2 =
P T S3 P = D3 =
1
0
0
11
1
0
0
7

,

.
y = P 1 x diagonaliza simultneaT
T
mente las formas cuadrticas x S1 x, x S2 x y x S3 x, obtenindose:

1 0
y1
T
T T
x S1 x = y P S1 P y = y1 y2
= y12 + 3y22
0 3
y2

1 0
y1
T
T T
x S2 x = y P S2 P y = y1 y2
= y12 + 7y22
0 7
y2

1
0
y1
T
T T
x S3 x = y P S3 P y = y1 y2
= y12 + 11y22
0 11
y2
109
4.3. Formas positivas denidas
Formas cuadrticas
4.3. Formas cuadrticas positivas, negativas e indenidas.

En esta seccin utilizaremos la discusin previa sobre cambios de variables
con el objeto de introducir algunos criterios de clasicacin de formas
cuadrticas. Tales criterios estarn dados en trminos de los signos de
valores propios de la matriz de la forma cuadrtica.
P
Mnn , junto con el cambio de variables x = P y y = P 1 x (x, y Rn ),
t
nos permite reescribir la forma cuadrtica q(x) = x Sx en trminos de la
T
T
variable y, mediante la expresin q (y) = y By, donde B = P SP. Esto
Como se recordar de la seccin anterior, toda matriz invertible
es, para dicho cambio de variable se tiene
q(x) = xT Sx = yT By = q (y),
De esto se sigue entonces, que
q()
con
y
q ()
x = P y,
invertible.
tienen la misma imagen, es
decir,

xT Sx : x Rn = yT By : y Rn .
El siguiente resultado relaciona las clasicaciones de dichas formas cuadrticas. La vericacin de ste se deja a cargo del lector.
Teorema.
q(x) = xT Sx una forma cuadrtica en Rn y sea P
t
T
una matriz invertible nn. Sea adems q (y) = y By, donde B = P SP ,
1
la forma cuadrtica generada por el cambio de variables y = P
x. En-
4.3.1.
Sea
tonces se tiene:
1.
2.
3.
q(x) = xt Sx es positivamente (negativamente) denida sii q (y) =

yt By es positivamente (negativamente) denida.
q(x) = xT Sx es positivamente (negativamente) semidenida sii
q (y) = yT By es positivamente (negativamente) semidenida.
q(x) = xT Sx es indenida sii q (y) = yT By es indenida.
El siguiente teorema relaciona el signo de las formas cuadrticas con el

signo de los valores propios de la matriz simtrica que dene dicha forma
cuadrtica.
4.3.2.
Teorema.
1.
xT Sx
S son
Sea
xT Sx
Rn , S 6= 0.
es positivamente denida sii todos los valores propios de

estrictamente positivos.
110
Formas cuadrticas
2.
xT Sx
es positivamente semidenida sii
p (0 < p < n)
tiene
valores propios estrictamente positivos y el resto de valores pro3.
pios de S son nulos.

xT Sx es indenida sii S
tiene valores propios estrictamente pos-
itivos y valores propios estrictamente negativos.
Demostracin. De acuerdo con el teorema 4.2.5, la forma cuadrti-
ca
q(x) = xT Sx, con S
una matriz simtrica, es ortogonalmente diagonal-
izable. Es decir, existe una matriz ortogonal
y = Q1 x = Qt x,
y un cambio de variables
tal que
xT Sx = yT QT SQy = yT Dy = 1 y12 + 2 y22 + . . . + n yn2 ,
(4.1)
donde los
i , i = 1, 2, . . . , n
T
D = Q SQ = diag
1 ,
2 ,
...,
S,
q(x) = x Sx es positivaq (y) = yT Dy es tam

T
bin positivamente denida, sto es, q (y) = y Dy > 0 para todo y 6= 0.
De (4.1) se tiene entonces que 1 > 0, 2 > 0, . . . , 2 > 0. Es decir, todos
los valores propios de S son estrictamente positivos.
Supongamos ahora, que la forma cuadrtica
mente denida. Entonces por el teorema 4.3.1(1),
De otro lado, si todos los valores propios de

tivos, entonces existe un cambio de variables
S son estrictamente posiy = P 1 x (teorema 4.2.7),
tal que
xT Sx = yT P T SP y = yT y = y12 + y22 + . . . + yn2 .

T
T
Puesto que y y > 0 para todo y 6= 0, entonces x Sx > 0, para todo
T
x 6= 0. Esto es, la forma cuadrtica x Sx, es positivamente denida, lo
que demuestra el inciso (1) de nuestro teorema.
Supongamos ahora, que la forma cuadrtica
q(x) = xT Sx
es positiva-
mente semidenida. Por el inciso (2) del teorema 4.3.1, la forma cuadrti-
q (y) = yT Dy es tambin positivamente semidenida. Esto es, se tiene
que q (y) = y Dy 0 para todo y Mn1 y existe un y 6= 0 tal que

T
y Dy = 0. Usando (4.1) se tiene entonces, que los valores propios de

S son no negativos y que por lo menos uno de ellos es nulo. Es decir, S
tiene (0 < < n) valores propios estrictamente positivos y el resto de
valores propios de S son nulos.
ca
Finalmente, supongamos que la matriz

tiene
de la forma cuadrtica,
valores propios estrictamente positivos, con

111
0 < < n,
xT Sx,
(n )
Formas cuadrticas
valores propios nulos. Por el teorema 4.2.7 existe un cambio de variables
y = P 1 x
tal que
xT Sx = yT P T SP y = yT Dy = y12 + y22 + . . . + y2 .
por hiptesis,
ver, que para
yT Dy 0
y Mn1
y Mn1 .
para todo
No es difcil sin embargo
dado por
..
01
.
1
0
=
= .
,
..
1
.
1
..
n1
1 n1
q (y) = yT Dy es positivaT
mente semidenida y por consiguiente, q(x) = x Sx tambin lo es, lo que
demuestra el inciso (2) de nuestro teorema.
se tiene
yT Dy = 0.
sto quiere decir, que
El resultado correspondiente a formas indenidas se plantea como un ejercicio para el lector.

4.3.3.
Ejemplo.
xT Sx,
Ilustremos el teorema 4.3.2 con formas cuadrticas
denidas en
q(x) = xT Sx denida
5x21 + 4x22 + 2 3x2 x3 + 6x23
1. La forma cuadrtica
q(x)
q(x) =
R3 .
x1
x2
x3
5
0
0
0
4
3
por:
x1
0
3 x2
x3
6
= xT Sx
es positivamente denida, pues los valores propios de la matriz
son:
1 = 5, 2 = 3
3 = 7,
positivos.
112
los cuales son estrictamente
Formas cuadrticas
q(x)
q(x) = xT Sx
denida por:
x21 + 2x1 x2 4x1 x3 + 2x22 4x2 x3 + 4x23
xT S x
x1
x2
x3
1
1
2
2
x1
2 x2
4
x3
1
2
2
es positivamente semidenida, pues los valores propios de la matriz
son:
1 =
7+ 23
,
2
q(x)
x21
2 =
7 23
y
2
q(x) = xT Sx
4x1 x2 +
2x22
x1
x2
x3
denida por:
4x2 x3 + 3x23
3 = 0.
1
2
0
2
2
2
x1
0
2 x2
x3
3
= xT Sx
es indenida, pues los valores propios de
y
4.3.4.
Teorema.
1.
2.
son:
1 = 1, 2 = 2
3 = 5.
Sea
xT Sx
Rn .
xT Sx es positivamente denida sii existe una matriz invertible

Q tal que S = Qt Q.
xT Sx es positivamente semidenida sii existe una matriz no inT
vertible Q tal que S = Q Q.
Demostracin. Demostraremos slo el inciso (1), el otro se verica
anlogamente y se deja como ejercicio.

Supongamos que la forma cuadrtica
tonces todos los valores propios de
xt Sx
es positivamente denida, en-
son estrictamente positivos (teorema
P tal que P T SP = I (teoS = (P T )1 P 1 = QT Q, donde
4.3.2(1)), adems, existe una matriz invertible

rema 3.3.13(1)). De sto se sigue, que
Q = P 1 .
Supongamos ahora que existe una matriz invertible
113
tal que
S = QT Q.
Formas cuadrticas
Puesto que Q es invertible, entonces Qx 6= 0 para todo vector no nulo

x. De sto se sigue, que xT Sx = xT QT Qx = (Qx)T (Qx) > 0, para todo
x 6= 0. sto es, la forma cuadrtica xT Sx es positivamente denida.
4.3.5.
Ejemplo.
q(x)
4x21
xT Sx
x1
q : R3 R
denida por:
x22
4x2 x3 + 5x23
4
0

x2 x3 0
1
0 2
x1
0
2 x2
x3
5
es positivamente denida, pues los valores propios de la matriz
son
1 = 4, 2 = 3 +
3 = 3
5,
los cuales son estric-
tamente positivos.
Efectuando los clculos pertinentes se encuentra que la matriz
invertible
2
Q= 0
0
0
2 ,
1
0
1
0
q(x)
es tal
4
que S = 0
0
q : R3 R
0
0
1 2 = QT Q.
2
5
denida por:
= x21 + 2x1 x2 + 2x1 x3 + x22 + 2x2 x3 + x23
1 1 1
x1

x1 x2 x3 1 1 1 x2
=
1 1 1
x3
xT Sx
es positivamente semidenida, pues los valores propios de la matriz
son
1 = 0, 2 = 0
3 = 3.
Efectuando los clculos pertinentes se encuentra que la matriz

no invertible
1
Q= 0
0
1
0
0
1
0 ,
0
es tal que
114
1
S= 1
1
1
1
1
1
1 = QT Q.
1
Formas cuadrticas
El siguiente teorema nos da un criterio para clasicar matrices simtricas

como positivamente denidas o negativamente te denidas, en trminos
de los determinantes de la propia matriz y de algunas de sus submatrices.
11(es
det() en lugar de || , para evitar la confusin
Aqu hacemos la salvedad, de que en el caso de matrices de tamao

decir escalares), escribiremos
con el valor absoluto.
4.3.6.
Teorema.
S de
s1n
s2n
.
.
.
.
snn
Considere una matriz simtrica
s11
s21
S= .
..
sn1
s12
s22
.
.
.
..
sn2
orden
n.
Dena ahora la secuencia de matrices
Sn = S, Sn1

S2 =
s11
s21
= .
..
sn1
s11
s21
s12
s22
s12
s22
.
.
.
..
sn2
s1(n1)
s2(n1)
, ...
.
.
.
sn(n1)

y
S1 = [s11 ] .
Entonces:
q(x) = xT Sx es positivamente denida

y slo si det(S1 ) > 0, |S2 | > 0, |S3 | > 0, . . .|Sn | > 0.
T
La forma cuadrtica q(x) = x Sx es negativamente denida
n
y slo si det(S1 ) < 0, |S2 | > 0, |S3 | < 0, . . .(1) |Sn | > 0.
si
2.
si
Demostracin. Presentaremos aqu slo la demostracin de la parte
(1), la otra se deja como ejercicio:

(Condicin necesaria) En primer lugar, si la forma cuadrtica
2 j n, es positivamente denida, entonces

Rj1 xTj1 Sj1 xj1 es positivamente denida. En
para todo xj1 6= 0 se tiene que:

T
Sj1 s
xj1
xj1 0
xTj Sj xj =
st
sjj
0
denida sobre
R ,
para
la forma cuadrtica en
efecto,
xTj Sj xj
xTj1 Sj1 xj1 > 0.

115
Formas cuadrticas
En segundo lugar, si la forma cuadrtica
xTj Sj xj ,
denida sobre
Rj ( 2
j n), es positivamente denida, entonces


existe
2
Qj tal que Sj = QTj Qj , de donde |Sj | = Qtj |Qj | = |Qj | > 0 (teorema
4.3.4(1))
Estas dos observaciones nos permiten concluir que si la forma cuadrtica
xt Sx es positivamente
0, . . .|Sn | > 0.
denida entonces
det(S1 ) > 0, |S2 | > 0, |S3 | >
(Condicin suciente) Haremos una demostracin de esta implicacin usando induccin sobre
n.
n = 1, S1 = [s11 ]. Ahora, por hiptesis det(S1 ) = s11 > 0. Por

xt S1 x = s11 x2 > 0 para todo x 6= 0; esto es, la forma cuadrtica
xt S1 x es positivamente denida.
Cuando
sto,
n = k, y
n = k + 1. Sea pues S = Sn
una matriz simtrica de orden n = k + 1 tal que |Sn | = |Sk+1 | > 0,
|Sn1 | = |Sk | > 0, . . . |S2 | > 0 y |S1 | > 0. Por hiptesis de induccin,
t
k
la forma cuadrtica xk Sk xk en R es positivamente denida. Existe ent
tonces una matriz invertible Qk tal que Sk = Qk Qk (teorema 4.3.4(1)).
Supongamos ahora que la implicacin es vlida para cuando

veriquemos que la implicacin es vlida para
Ahora, por el teorema 2.2.3(2) se tiene que:

S
|Sk+1 | = tk
s
s
s(k+1)(k+1)

= |Sk | det s(k+1)(k+1) st Sk1 s
= |Sk | det(
k ).
k = s(k+1)(k+1) st Sk1 s para

adems se tiene que det(
k ) > 0, puesto
Aqu hemos introducido la sustitucin

simplicar un poco la escritura,
que
|Sk+1 | > 0
|Sk | > 0.
.
Sea ahora
Qk
(Qtk )1 s
Qk+1 =
116
Formas cuadrticas
La matriz
Qk+1

Sk+1
Sk
sT
s
s(k+1)(k+1)
QTk
sT (Qk )1
Qk
(QTk )1 s
QTk+1 Qk+1 .
Por lo tanto, en virtud del teorema 4.3.4(1), la forma cuadrtica

denida sobre
4.3.7.
k+1
es positivamente denida.
xTk+1 Sk+1 xk+1 ,

Ejemplo.
xT Sx, donde :
4 2 2
S= 2 5 1
2 1 4
es positivamente denida, pues:

4 2
= 16 > 0

det(S1 ) = det(4) = 4 > 0, |S2 | =
2 5

4 2 2

|S3 | = 2 5 1 = 20 > 0.
2 1 4
xt Sx, donde :
3
2
0
2
S = 2 4
0
2 5
es negativamente denida, pues:

3
2
det(S1 ) = det(3) = 3 < 0, |S2 | =
=8>0
2 4

3
2
0

2 = 28 < 0.
|S3 | = 2 4
0
2 5
117
4.4. Ejercicios
4.3.8.
Nota.
Formas cuadrticas
Sea
S = [aij ]nn
una matriz simtrica y sean
S1 , S2 , . . . , Sn
las matrices que aparecen en el enunciado del teorema anterior. Las condiciones
det(S1 ) 0, |S2 | 0, |S3 | 0, . . .|Sn | 0 no implican que la forma

xt Sx sea positivamente semidenida. Por ejemplo, la matriz
1 1 2
S= 1 1 2
2 2 1
cuadrtica
es tal que

1
det(S1 ) = det(1) = 1, |S2 | =
1

1
=0
1

1

|S3 | = 1
2
1
1
2
2
2
1

= 0.

xT Sx no es positivamente denida, pues

T
es tal que x
Sx = 3 < 0.
Sin embargo, la forma cuadrtica

el vector
4.4. Ejercicios
4.4.1 Responda verdadero o falso justicando su respuesta.
M una matriz cuadrada de orden n. Si xT M x = 0 para todo

x Rn entonces M = 0.
Si la matriz S es indenida, entonces la matriz S es indenida.
2
Si S es una matriz simtrica tal que S = S, entonces S es no
1. Sea
2.
3.
negativa.
4. Si
S 3 = S,
entonces
es no
negativa.
5. Si
S1
S2
son matrices positivamente denidas (semidenidas)
entonces la matriz

S=
S1
0
0
S2
es positivamente denidas (semidenidas).

6. Si
S1
S2
son matrices positivamente denidas de igual orden,
entonces la matriz
S = S1 + S2
118
Formas cuadrticas
S2 son matrices indenidas de igual orden, entonces la

S = S1 + S2 es indenida.
Si S1 y S2 son matrices positivamente denidas de igual orden
tales que S1 S2 = S2 S1 , entonces la matriz S = S1 S2 es positi-
7. Si
S1
4.4. Ejercicios
matriz
8.
vamente denida.

9. Sea
a
b
S=
b
c
semidenida.
S =
10. La matriz

. Si
a > 0 y c > 0, entonces S
a
b
b
c
es positivamente

es negativamente denida sii
a<0
ac b2 > 0.
4.4.2 Demuestre que:
1. Para cada forma cuadrtica
simtrica
de orden
q [(x1 , x2 , . . . , xn )] = xT Sx,
q : Rn R
xT =
con
2. Para cualquier matriz cuadrada
S2 = AAT
A,
x1
x2
las matrices
xn
S1 = AT A
son no negativas.
S = AT A
la matriz
existe una nica matriz
tal que:
n n, A,
se tiene:
(A) = n
sii
n n, A, se tiene: (A) < n sii

S = AT A es positivamente semidenida.
1
matriz S es positivamente denida entonces la matriz S

la matriz
5. Si la
6. Si la matriz
onal de
es no negativa, entonces los elementos de la diag-
son no negativos.
S = [sij ]nn es positivamente semidenida y si

sii = 0, entonces cada elemento de la la i de S y cada elemento
de la columna i de S es nulo.
Si S = [sij ]
nn es una matriz simtrica tal que:
X
n
sii >
para
i = 1, 2 . . . , n,
j=1 |sij | ,
7. Si la matriz
8.
j6=i
entonces
es positivamente denida (sugerencia: vea el proble-
ma 3.5.2(23)).
119
4.4. Ejercicios
Formas cuadrticas
S1 y S2 son matrices simtricas de igual orden tales S12 + S22 =

0 entonces S1 = S2 = 0. (sugerencia: considere la expresin
xT (S12 + S22 )x).
Si S es positivamente denida de orden n, a un vector n 1 y
un nmero real tal que > aT Sa, entonces la matriz

S a
S =
aT
9. Si
10.
es positivamente denida (Sugerencia: utilice el teorema 4.3.6(1)).

11. Si
es una matriz positivamente denida, entonces existe una
S = T T T (Sugerencia: utilice induccin sobre el orden n, de la matriz S ).

Si S es una matriz positivamente, entonces Tr S > 0.
Si S es una matriz positivamente, entonces Tr S 0.
Si S1 y S2 son matrices positivamente denidas de igual orden,
entonces Tr(S1 S2 ) > 0 (Sugerencia: utilice el teorema 4.3.4(1)).
Si S1 y S2 son matrices positivamente semidenidas de igual
orden, entonces Tr(S1 S2 ) > 0 (Sugerencia: utilice el teorema
matriz invertible
12.
13.
14.
15.
triangular superior tal que
4.3.4(2)).
4.4.3 Clculos
1. Para cada una de las formas cuadrticas
xT Sx
siguientes:
a ) Haga un cambio de variables que las diagonalice.

b ) Clasifquela como positivamente denida (semidenida), negativamente denida (semidenida) o indenida.
c ) Para aquellas que sean positivamente denidas, encuentre

T
tal que
S = Q Q.
d ) Para aquellas que sean positivamente semidenidas, encuenT
Q tal que S = Q Q.
2
x
2x
xT Sx = x21 + 4x
1 2
2
xT Sx = x21 + 2 2x1 x2 + 4x22 + x23

xT Sx = x21 + 4x1 x2 2x1 x3 + 4x22 4x2 x3 + 8x23
xT Sx = x21 + 4x1
x2 + 6x1 x3 2x2 x3 + x23
2
1
2
xT Sx = x21 + 2
x1 x3 + x22 + x23
3
3
3
xT Sx = x21 2x1 x3 + 2x22 + 2x2 x3 + 2x23
tre una matriz no invertible

1)
2)
3)
4)
5)
6)
120
Formas cuadrticas
4.4. Ejercicios
2. Considere las formas cuadrticas:
xT S1 x
T
x S2 x
x21 + 4x1 x2 + 5x22 + 2x2 x3 + 2x23 ,
x21
+ 2x1 x2 2x1 x3 +
x22
2x2 x3 + 2x23 .
a ) Encuentre, si existe, un cambio de variables
y = M 1 x que
diagonalice simultneamente las dos formas cuadrticas.
b ) Encuentre, si existe, un cambio de variables
y = Q1 x, (Q
una matriz ortogonal), que diagonalice simultneamente las

dos formas cuadrticas.
3. Resuelva el problema (2) para cuando:
xT S1 x
T
4. Sea
= x21 2x1 x2 + 2x22 ,
x S2 x =

2 1
S=
.
1 2
2x21
+ 4x1 x2 .
S es positivamente denida.
a21 y un nmero , tales que la matriz

S a
S =
aT
a ) Verique que la matriz

b ) Encuentre un vector
sea positivamente denida.
121
CAPTULO 5
Anexo 1: Matrices no negativas. Matrices

idempotentes
Las matrices no negativas, y, en particular, las matrices idempotentes,
aparecen con frecuencia en la teora y en las aplicaciones de los modelos lineales. El propsito de este anexo es el recopilar los aspectos ms
importantes de este tipo de matrices.
No daremos las demostraciones de aquellos resultados que ya han sido
demostrados en los captulos anteriores o que fueron propuestos como
ejercicios.
5.1. Matrices no negativas

5.1.1.
Denicin.
1.
2.
3.
Sea
una matriz simtrica:
xT Sx > 0 para todo x 6= 0.

T
es positivamente semidenida, si x Sx 0 para todo x 6= 0,
y existe un x 6= 0 tal que x Sx = 0.

S es no negativa, si S es positivamente denida o si S positiva-
S
S
es positivamente denida, si
mente semidenida.
5.1.2.
Teorema.
Sea
una matriz simtrica
n n.
Las siguientes ar-
maciones son equivalentes:

1.
2. Para cada matriz invertible
de orden
n,
la matriz
P T SP
es
positivamente denida.
S son estrictamente positivos.

P de orden n, tal que P T SP = In
T
invertible Q de orden n, tal que S = Q Q.
3. Todos los valores propios de

4. Existe una matriz invertible
5. Existe una matriz
123
Anexo 1
6. Existe una matriz invertible triangular superior

7.
8.
5.1.3.
S = T T T.
S es invertible
n n, T ,
S 1 es positivamente denida.

s11 s12
s11 s12
det (s11 ) > 0, det
> 0, det s21 s22
s21 s22
s31 s32
0, . . . , det (S) = |S| > 0.
Teorema.
sii
Sea
una matriz simtrica
n
X
>
tal que
|sij |,
para
n n.
s13
s23 >
s33
Si se cumple que
i = 1, 2 . . . , n,
j=1, j6=i
entonces
5.1.4.
Teorema.
Sea
una matriz simtrica
n n.
Si
es positivamente
denida, entonces,
1.
2.
5.1.5.
(S) = n.
sii > 0 para i = 1, 2, . . . , n.
Teorema.
1 , 2
Sean S1 y S2 matrices simtricas de igual orden y sean

nmeros reales positivos. Si S1 y S2 son positivamente denidas,
entonces la matriz
S = 1 S1 + 2 S2
Teorema.
5.1.6.
Sean S1 y S2 matrices simtricas de igual orden. Si S1
es positivamente denida, entonces existe una matriz invertible Q tal que
QT S1 Q = I y QT S2 Q = D, donde D es una matriz diagonal real, cuyos
elementos en la diagonal las soluciones de la ecuacin |S2 S1 | = 0.
Teorema. Sean S1 y S2 matrices simtricas de igual orden. Si S1

S2 son positivamente denidas y si S1 S2 = S2 S1 , entonces la matriz
S = S1 S2 es positivamente denida.
5.1.7.
Teorema.
5.1.8.
Sean S1 y S2 matrices simtricas de orden n. Si S1 es
positivamente denida, entonces existe un > 0 tal que S = S1 + S2 es
positivamente denida.
S2 = 0 entonces para cualquier > 0 se tiene

S = S1 + S2 es positivamente denida. Supongamos enS2 6= 0. Por el teorema 5.1.6, existe una matriz invertible Q
Demostracin. Si
que la matriz
tonces que
124
Anexo 1
QT S1 Q = In
tal que
QT S2 Q = D,
donde
es una matriz diagonal.
0
d22
0
0
.
.
.
..
.
.
.
Digamos que
d11
0
D= .
..
0
Puesto que
S2 6= 0,
dnn
entonces al menos un elemento de la diagonal de
es diferente de cero. Sea ahora
un nmero tal que:
0 < < mn {1/dii } .

dii 6=0
De esto se sigue que:
I + D
1 + dii > 0
para
i = 1, 2, . . . , n
y que la matriz
es positiva denida. En consecuencia, por el teorema 5.1.2, la
matriz
(Q1 )T [I + D]Q1 = S1 + S2 = S
5.1.9.
Teorema.
Sea
tivamente denida, entonces para cada par de vectores
n. Si S es posix, y Mn1 se
tiene
(xT y)2 (xT Sx)(yT S 1 y) .

Puesto que
es positivamente denida, por el teorema 5.1.2, existe una
matriz invertible
tal que
S = QT Q.
De aqu que
S 1 = Q1 (QT )1 .
Ahora, por la desigualdad de Schwarz (ver el teorema 1.2.21) para cada

par de vectores
x, y Mn1 se tiene

Qx, (QT )1 y 2 kQ xk2 (QT )1 y 2 ,
o sea:
(xT QT (QT )1 y)2 (xT QT Qx) (yT Q1 (Q1 )T y) ,

esto es,
(xT y)2 (xT Sx) (yT S 1 y).

5.1.10.
adems
Si
S1
Teorema.
Sean S1
1 2 n ,
y S2 matrices simtricas de orden n. Sean

las soluciones de la ecuacin |S2 S1 | = 0.
es positiva denida, entonces para cada

T
x S2 x
n .
xT S1 x
125
x 6= 0
se tiene que
Anexo 1
S1 es positiva denida, existe una maQT S1 Q = In y QT S2 Q = D es una matriz diag-
triz invertible
Q,
tal que
onal real, cuyos elementos en la diagonal son las soluciones de la ecuacin
|S2 S1 | = 0
(ver teorema 5.1.6). Ms an, podemos escoger
1
0
QT S2 Q = D = .
..
0
1 2 n .
donde
0
2
.
.
.
..
Ahora, si hacemos
x S1 x = y Q S1 Qy = y In y =
tal que
0
0
. ,
.
.
n
y = Q1 x,
y12
y22
entonces:
+ + yn2 ,
Por
xT S2 x = yT QT S2 Qy = yT Dy = 1 y12 + 2 y22 + + n yn2 .

lo tanto, para cada x 6= 0:
xT S2 x
1 y12 + 2 y22 + + n yn2
=
.
xT S1 x
y12 + y22 + + yn2
De esto se sigue que para cada
x 6= 0 :
xT S2 x
n .
xT S1 x
5.1.11.
Teorema.
Sea
n.
Las arma-
ciones siguientes son equivalentes:

1.
es positivamente semidenida.
P , nn, P T SP es positivamente semidenida.
2. Para cada matriz

3.
S tiene (0 < n)
n valores propios
valores propios positivos (estrictamente) y

nulos.
P

0
;
0
4. Existe una matriz invertible
P T SP =
5. Existe una matriz
In
0
nn
de orden
tal que
0 < n.
no invertible
Teorema.
n,
Q,
tal que
S = QT Q.
Sea S = [sij ]nn una matriz simtrica de orden

es positivamente semidenida, entonces
5.1.12.
1.
(S) < n.
126
n.
Si
Anexo 1
2.
sii 0 para i = 1, 2, . . . , n. Adems, si sii = 0, entonces cada

elemento de la la i y cada elemento de la columna j de S es
nulo.
S2
Teorema.
Sean S1 y S2 matrices simtricas de igual orden. Si S1

son positivamente semidenidas, S2 es no negativa y S1 S2 = S2 S1 ,
5.1.13.
entonces la matriz
S = S1 S2
es positivamente semidenida.
Teorema.
Sean S1 y S2 matrices simtricas de igual orden y sean

nmeros reales positivos. Si S1 y S2 son positivamente semidenidas,
entonces la matriz S = 1 S1 + 2 S2 es positivamente semidenida.
5.1.14.
1 , 2
5.1.15.
Teorema.
1.
2.
3.
5.1.16.
AT A
AT A
AT A
Sea
AAT
una matriz
nn
de rango
r,
entonces:
son matrices no negativas.
es positivamente denida sii
r = n.
r < n.
es positivamente semidenida sii
Teorema.
Sean
S1
S2
matrices simtricas de orden
S1 y S2 son matrices no negativas, entonces:

Tr S1 0
b ) Tr S1 = 0 sii S1 = 0
c ) Tr (S1 S2 ) 0
d ) Tr (S1 S2 ) = 0 sii S1 S2 = 0
Si S1 y S2 son matrices positivamente denidas,
a ) Tr S1 > 0
b ) Tr (S1 S2 ) > 0.
n.
1. Si
a)
2.
5.1.17.
Teorema.
Sean
S1 , S2 , . . . , Sk
entonces:
n.
S1 , S2 , . . . , Sk son no negativas, entonces:

Pk
Pk
a ) Tr
Tr (Si ) 0
i=1 Si =
P
Pi=1
k
k
b ) Tr
i=1 Si =
i=1 Tr (Si ) = 0 sii S1 = S2 = . . . = Sk =
0.
k X
k
k
k
X
X
X
c)
Tr (Si Sj ) 0, y
Tr (Si Sj ) 0.
1. Si
j=1 i=1
d)
k
X
k
X
j=1 i=1, i6=j
Tr (Si Sj )
=0
sii
Si Sj = 0
para todo
i 6= j .
j=1 i=1, i6=j

2. Si
S1 , S2 , . . . , Sk
son matrices positivamente denidas, entonces:

127

a ) Tr
P
k
i=1
k X
k
X
b)
Anexo 1
P
k
Si = i=1 Tr (Si ) 0
Tr (Si Sj )
>0
j=1 i=1
5.1.18.
Teorema.
adems
Sea
S1 , S2 , . . . , Sk
k
X
k
X
Tr (Si Sj )
> 0.
j=1 i=1, i6=j
una matriz simtrica
nn
tal que
son matrices no negativas de orden
In = S +
k
X
S2 = S.
n. Si
Sean
Si ,
i=1
entonces
SSi = Si S = 0
i = 1, 2, . . . , k .
para todo
S = S 2 = S T S es
Tr (SSi ) 0 para i = 1, 2, . . . , k.
Demostracin. Por el teorema 5.1.15(1) la matriz
no negativa, y por el teorema 5.1.16(1)
Ahora; premultiplicando los dos miembros de la igualdad:
In = S +
k
X
Si ,
i=1
S,
por la matriz
se obtiene
S = S2 +
k
X
SSi = S +
i=1
k
X
SSi .
i=1
k
X
SSi = 0
Tr
i=1
k
X
!
SSi
i=1
En consecuencia, Tr (SSi )
=0
k
X
Tr (SSi )
= 0.
i=1
y por ende
S Si = 0, para i = 1, 2, . . . , k.
Si S = SiT S T =
(ver teorema 5.1.16(1)). Adems se se tiene que
(S Si ) = 0.
Teorema.
Sean S1 y S2 matrices simtricas de orden n. Si S1 es

S2 es no negativa, entonces las soluciones de la ecuacin
|S1 S2 I| = 0 son reales.
5.1.19.
no negativa o
Demostracin. Supongamos que
rango
n.
S1
es una matriz no negativa de
Entonces existe una matriz invertible
P t S1 P =
I
0
128
0
0

.
tal que:
Anexo 1
5.2. Matrices idempotentes
Sea ahora
C=P
T 1
S2 (P )
Puesto que

=
C11
C21
C12
C22

,
donde
C11
es una matriz
C11 es una matriz

|C11 I | = 0 son
es una matriz simtrica, entonces
simtrica y por lo tanto las soluciones de la ecuacin

reales.
Ahora;
|S1 S2 I| = 0 sii
T

P |S1 S2 In | (P T )1 = P T S1 S2 (P T )1 In = 0 .
Puesto que:
P T S1 S2 (P T )1
=
=
=
P T S1 P P 1 S2 (P T )1

I 0
C11 C12
0 0
C21 C22

C11 C12
,
0
0
entonces
T

P S1 S2 (P T )1 In =

C11 I

0

C12

I
= |C11 I | |I | .
De aqu que las soluciones de la ecuacin
ciones de la ecuacin
|C11 I| |I | = 0,
|S1 S2 I| = 0,
son las solu-
las cuales son reales .

5.2.1.
Denicin.
satisface que
5.2.2.
Teorema.
1. Si
2. Si
Una matriz
cuadrada de orden
es idempotente, si
A2 = A.
Sea
una matriz idempotente
r = n, entonces A = In .
A es simtrica y r < n, entonces A
nn
de rango
r:
es positiva semidenida.
r = n, entonces A es invertible. Premultiplicando por A1

2
dos miembros de la igualdad A = A, se obtiene A = In .
1. Si
129
los

a ) Si
Anexo 1
A es simtrica y r < n, entonces por el teorema 5.1.15(3),

A = A2 = AT A es positivamente semidenida.
la matriz
5.2.3.
Teorema.
propio de
5.2.4.
A,
A una matriz idempotente n n.

= 0 = 1.
Sea
entonces
Teorema.
Si
Si
es un valor
es una matriz simtrica idempotente, entonces:
1. Para cada matriz ortogonal
Q,
la matriz
S = QT SQ
es una
matriz simtrica idempotente.
n
2. La matriz S = S , n = 1, 2, . . . , es simtrica idempotente.
3. La matriz S = I 2S, es una matriz simtrica ortogonal.

5.2.5.
Teorema.
algn
n N,
Si
entonces
una matriz ortogonal tal que
una matriz diagonal con los valores propios de
S n+1 = S n ,
D
n+1
para
es una matriz idempotente.
Demostracin. Sea
Puesto que
S n+1 = S n
P T SP = D
es
en la diagonal.
entonces:
(P T SP )n+1 = P T S n+1 P
= P T S n P = Dn .
De esto se sigue, que cada elemento de la diagonal de
tanto,
D2 = D,
es
0.
Por lo
a sea:
D2 = P T S 2 P = P T SP = D,
puesto que
5.2.6.
es invertible, se tiene entones que
Teorema.
Si
S 2 = S.
una matriz simtrica idempotente

(S) = Tr S = Tr S T S =
n X
n
X

n n,
entonces:
s2ij .
i=1 j=1
Teorema.
Si S es
sii = 1, entonces
columna i de S es nulo.
5.2.7.
sii = 0
la
una matriz simtrica idempotente

cada elemento de la la
entonces:
sii =
n
X
n n.
Si
y cada elemento de
es una matriz simtrica idempotente,
sik ski =
k=1
n
X
k=1
130
s2ik .
Anexo 1
Por lo tanto, si
sii = 0
o si
sii = 1,
n
X
se tiene
s2ik = 0 ,
k=1, k6=i
es decir,
5.2.8.
si1 = si2 = = si(i1) = si(i+1) = sin = 0.
Teorema.
sea adems
S=
Sean
k
X
Si .
S1 , S2 , . . . , Sk
n,
Entonces dos de las condiciones siguientes impli-
i=1
can la tercera:
a)
b)
c)
S2 = S.
Si = Si2 , i = 1, 2, . . . , k .
Si Sj = 0 si i 6= j; i, j = 1, 2, . . . , k .
Demostracin. Supongamos que las condiciones a) y b) se satis-
facen. Por la condicin a) se tiene:
k
X
Si )2
S2 = (
k
X
Si2 +
i=1
i=1
k
X
k
X
k
X
j=1
i=1
i 6= j
Si Sj
Si = S,
i=1
y por la condicin b), se tiene:
k
X
Si2 =
i=1
k
X
Si ,
i=1
y por lo tanto:
De aqu que Tr
k
X
k
X
k
X
j=1
i=1
i 6= j
k
X
Si Sj = 0.
Si Sj = 0.
j=1 i=1, i6=j

Puesto que cada
Si
es una matriz simtrica idempotente, entonces

131
Si ,
Anexo 1
i = 1, 2, . . . , k, es no negativa (teorema 5.2.2), adems se tiene que

Si Sj = 0 si i 6= j; i, j = 1, 2, . . . , k (ver teorema 5.1.17). De manera
para
que
que las condiciones a) y b) implican la condicin c).
Supongamos ahora que las condiciones a) y c) se satisfacen. Se tiene entonces que:
k
X
S = S2 = (
Si )2
k
X
i=1
Si2 ,
i=1
o sea,
k
X
Si =
k
X
i=1
Si2 .
i=1
Premultiplicando cada miembro de la ltima igualdad por
Sj , j = 1, 2, . . . , k,
se tiene que:
Sj Sj = Sj Sj2 ,
o sea:
Sj2 = Sj3 ,
pues
Si Sj = 0
Sj es
cluye que
si
i 6= j; i, j = 1, 2, . . . , k .
Por el teorema 5.2.5, se con-
una matriz simtrica idempotente,
j = 1, 2, . . . , k.
As, as
condiciones a) y c) implican la condicin b).

Por ltimo, si las condiciones b) y c) se satisfacen, entonces
k
X
Si )2
S2 = (
k
X
Si2 +
i=1
i=1
k
X
k
X
k
X
j=1
i=1
i 6= j
Si Sj
Si = S;
i=1
esto es, la condicin a) se satisface.
Teorema.
Sean S1 , S2 , . . . , Sk matrices simtricas idempotentes

de rangos 1 , 2 , . . . , k . Sea Sk+1 una matriz no negativa de
Pk+1
orden n. Si I =
S , entonces Sk+1 es una matriz simtrica idempoi=1
Pk i
tente de orden n
i=1 i , y Si Sj = 0 para i 6= j; i, j = 1, 2, . . . , k .
5.2.9.
de orden
n,
132
Anexo 1
Demostracin. Puesto que las matrices
Si
para
i = 1, 2, . . . , k , son
idempotentes, entonces:
2
Sk+1
(I
k
X
Si )2
i=1
= I 2
k
X
Si +
i=1
= I
k
X
De otro lado, como
Si +
k
X
k
X
j=1
i=1
i 6= j
k
X
k
X
j=1
i=1
i 6= j
Sk+1 = I
Si2 +
i=1
i=1
= Sk+1 +
k
X
Pk
i=1
Si ,
k
X
j=1
i=1
i 6= j
Si Sj
Si Sj
Si Sj .
entonces:
k
X
2
Sk+1
= Sk+1
k
X
Si Sk+1 .
i=1
En consecuencia:
Sk+1 +
k
X
j=1
k
X
Si Sj = Sk+1
k
X
Si Sk+1 .
i=1
i=1
i 6= j
De esto se sigue:
k
X
j=1
k
X
Si Sj +
k
X
i=1
i=1
i 6= j
133
Si Sk+1 = 0,
Anexo 1
por lo tanto,
k
X
Tr
k
X
Si Sj +
j=1 i=1, i6=j

Puesto que las matrices
k
X
Si Sk+1 = 0.
i=1
S1 , S2 , . . . , Sk
son simtricas idempotentes, en-
S1 , S2 , . . . , Sk son no negativas.
Sk+1 es no negativa. As que
i 6= j; i, j = 1, 2, . . . , k, k + 1 (teorema 5.1.17(1)).
tonces por el teorema 5.2.2, las matrices
Por hiptesis se tiene que tambin la matriz
Si Sj = 0
para
Pk+1
I 2 = I = i=1 Si , se sigue del teorema anterior
i = 1, 2, . . . , k + 1 y por lo tanto, Tr (Si ) = (Si ) (ver
Ahora bien, puesto que

que,
Si2 = Si
para
teorema 5.2.6). As:
"
(Si ) = Tr (Si )
Tr
k
X
#
Si
i=1
Tr (I )
k
X
Tr (Si )
i=1
= n
k
X
(Si )
i=1
= n
k
X
i .
i=1
que es lo que se quera demostrar.

5.2.10.
y sea
Teorema.
S=
a)
b)
Pk
i=1
S1 , S2 , . . . , Sk matrices
de orden n,
hP no negativas
i
k
2
S = S y Tr S Tr
i=1 Si , entonces:
Sean
Si .
Si
Si2 = Si para i = 1, 2, . . . , k .
Si Sj = 0 para i 6= j; i, j = 1, 2, . . . , k .
S=
k
X
i=1
S = S2;
Si2 +
k
X
k
X
j=1
i=1
i 6= j
134
Si Sj .
Anexo 1
De aqu que:
k
X
Tr
k
X
k
X
Si Sj = Tr S Tr
j=1 i=1, i6=j

Ya que las matrices
!
Si2
0.
i=1
S1 , S 2 , . . . , S k
son no negativas, entonces b) se sat-
isface. Esta condicin, junto con la hiptesis de que
S2 = S
implican
entonces la validez de la condicin a), (ver teorema 5.2.8).
Teorema.
5.2.11.
entonces
Sea
n.
Si
(S) = r,
puede escribirse en la forma:
S=
r
X
i Si ,
i=1
t
2
donde: Si = Si , Si = Si , Si Sj = 0 si i 6= j, (Si ) = 1 y los
valores propios no nulos de la matriz S; i, j = 1, 2, . . . , k.
Demostracin. Existe una matriz ortogonal
0
0
es una matriz diagonal de orden
QT SQ =
donde
nulos de la matriz

S
= Q
D
0
0
0
[Q1 Q2
r
X
D
0
tal que:
,
con los valores propios no
QT
1
0
..
.
Qn ]
0
0
.
..
0
0
r
0
0
0
0
.
.
.
..
.
.
.
.
.
.
0
0
r
0
0
0
.
.
.
.
.
.
.
.
.
.
.
.
..
i Qi QTi
i=1
r
X
son los
en su diagonal. De aqu que:
i Si ,
i=1
135
0 QT
1
0
.
.
QT2
.
0 ...
QTn
0

donde
Anexo 1
Si = Qi QTi , i = 1, 2, . . . , r.
As:
SiT
SiT
= Qi QTi Qi QTi = Qi I QTi = Qi QTi = Si
Si Sj
(Si )
(Qi QTi )T = (QTi )T QTi = Qi QTi = Si
= Qi QTi Qj QTj = Qi 0 QTj = 0,

=
(Qi QTi )
si
i 6= j.
= (Qi ) = 1.
El teorema queda entonces demostrado.
136
CAPTULO 6
Inversa generalizada e inversa condicional de

matrices.
Este captulo consta de cuatro secciones. Las dos primeras versan sobre
la denicin, propiedades y clculo de la inversa generalizada de una matriz. La tercera seccin trata sobre la denicin y el clculo de inversas
condicionales de una matriz. En la ltima seccin veremos aplicaciones
de la inversa generalizada y de la inversa condicional de una matriz a los
sistemas de ecuaciones lineales y a los mnimos cuadrados.
6.1. Inversa generalizada de una matriz

La inversa generalizada de una matriz es una herramienta de gran utilidad
en los cursos de modelos lineales (vase la seccin 1.5 de [ ]).

Antes de dar la denicin de inversas generalizada de una matriz, veamos
un par de teoremas que nos sern tiles en el desarrollo del resto del
captulo.
6.1.1.
Teorema.
Si
es una matriz
existen matrices invertibles

1.

2.
3.
4.
Ir
Ir
0
Ir
0
Ir
si
0
0

si
r<n
si
r = n < m.
si
r < m.
r=m<n
m n de rango r > 0,
P AQ es igual a:
tales que
r = n = m.
137
entonces
6.1. G-Inversa y C-inversa
Inversa generalizada e inversa condicional
Demostracin. Demostremos nicamente (1). Si
ada reducida de
A,
entonces
R = P A, P
mentales, (vase el apartado 1.1.9). Las ltimas

y
R es la forma escalon-
es un producto de matrices ele-
mr
las de
R son nulas
tienen la estructura siguiente:
0
0
0
.
.
.
0 1
0 0
0 0
a1k
0
0
.
.
.
.
.
.
.
.
.
0
1
0
a1k0
a2k0
0
.
.
.
.
.
.
a1k00
a2k00
0
0
0
1
a1k000
a2k000
a3k000
.
.
.
.
.
.
.
.
.
ahora bien, efectuando las operaciones elementales sobre las columnas de

la matriz
podemos obtener

F =
As que
F = RQ,
donde
columnas). Por lo tanto;

invertibles.
6.1.2.
Ejemplo.
Ir
0
0
0
Q es un producto de marices elementales (por

F = RQ = P AQ, donde P y Q son matrices
Consideremos la matriz
1
A = 1
2
2
2
4
1
3
0 2
2
6
claramente las dos primeras las son linealmente independientes, y la ter-
A. por lo tanto, el nmero

A es 2; o sea, A tiene rango
teorema anterior existen matrices invertibles P y Q tales que

1 0 0 0
I2 0
P AQ =
= 0 1 0 0 .
0 0
0 0 0 0
cera es un mltiplo escalar de la primera la de

mximo de las linealmente independientes de
2.
Por el
Procedemos ahora a calcular las matrices invertibles
siguiendo las
pautas de la demostracin del teorema anterior.
PASO I: Encontremos una matriz invertible

138
P tal
A.
que
P A = R,
donde
| I3
f ilas
'
f ilas
'
1
2
1 2
2
4
1 2 1
0 0 1
0 0 0
1 2 0
0 0 1
0 0 0
| 1 0 0
| 0 1 0
| 0 0 1
|
1 0 0
|
1 1 0
| 2 0 1
|
1 1 0

|
1
1 0 = R
| 2
0 1
1
3
0 2
2
6
3
1
0
2
1
0
PASO II: Encontremos una matriz invertible
I2
0
F =
| I4
Col
'
Col
'
Col
'
0
0
0

F
0
| Q
Luego las matrices invertibles

139
tal que
| P
RQ = F,
donde

.
|
|
|
|
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
|
|
|
|
1
0
0
0
0
0
1
0
0
1
0
0
0
0
0
1
|
|
|
|
1
0
0
0
0 2
0
1
1
0
0
0
2
0
0
1
|
|
|
|
1
0
0
0
0 2
0
1
1
0
0
0
2
0
1
1
1
P = 1
2
0
0
1
1
1
0
1
0
Q=
0
0
2
1
0
0
0
0
1
0
2
0
1
1
son tales que:

P AQ =
6.1.3.
I2
0
0
0
1
= 0
0
0
1
0
0
0
0
0
0 .
0
Teorema.
existen matrices
Si A es una matriz m n de rango r > 0, entonces

Bmr y Crn , de rango r, tales que A = B C.
Demostracin.
de la matriz
Consideremos distintas posibilidades para rango
A, (A) = r.
r = m, entonces A = BC , donde B = Ir y C = A.
r = n, entonces A = BC , donde B = A y C = Ir .
Si r < n y r < m, entonces por el teorema 6.1.1(1)
matrices invertibles P y Q tales que:

Ir 0
P AQ =
.
0 0
1. Si
2. Si
3.
existen
De aqu que:
donde

0
= P
Q1
0

Ir
1
Ir 0 Q1
= P
0
= BC,
1
B Mmr
Ir
0
C Mrn
son las matrices de rango
r,
dadas por
B = P 1
Ir
0

y
C=
El teorema queda entonces demostrado.

140
Ir
Q1 .
B y C que
r < m, tal
Una forma de calcular las matrices
r < n
anterior, en el caso en que
aparecen en el teorema
como aparece en la de-
mostracin, es calculando primero las matrices invertibles
tales
que:
Ir
0
P AQ =
P 1
despus calcular las matrices
B = P 1
Ir
0
0
0
Q1 ,
y por ltimo obtener:

C=
Para el caso en que la matriz
Ir
Q1 .
no sea de rango la completo, existe
una demostracin alternativa, la cual presentamos a continuacin. Como

veremos, esta demostracin nos facilitar un algoritmo ms econmico
para calcular matrices
adecuadas.
r < m.
Otra prueba del teorema 6.1.3 para
una matriz de rango
P A = R,
donde
1.1.9). Puesto que
r < m. Sea P
r < m, R
A es
m tal que
Suponga que
una matriz invertible de orden
(vase apartado
tiene la estructura siguiente:
R=
0
donde
es una matriz
rn
de rango
r.
Ahora, si escribimos
P 1
parti-
cionada adecuadamente
P 1 =
donde
es una matriz
mr
de rango
= P
D
r
y adems,
0
= BC

Presentamos a continuacin, un mtodo basado en esta demostracin para
calcular matrices
6.1.4.
Algoritmo.
C,
de rango
r,
tales que
Considere una matriz

141
A = BC .
de tamao
mn

PASO I Forme la matriz

| Im
Amn
PASO II Efecte operaciones elementales en las las de
su forma escalonada reducida, y en las columnas de
hasta obtener
Im , siguiendo
las siguientes pautas:
iyj
i) Si se intercambian las las

las columnas
de
i-sima
ii) Si se multiplica la
0,
de
A, entonces intercambie
Im .
entonces se multiplica la
la de
i-sima
por el nmero
columna de
Im
6=
por el
1 .
iii) Si a la j -sima la de A se le suma veces la i-sima la
de A ( 6= 0), entonces a la i-sima columna de Im se le
suma () veces la j -sima columna de Im .

1
R
|
P
Al nal de este paso se obtiene la matriz

B = Primeras r columnas de P 1 ,
C = [Primeras r las de R].
nmero
PASO III
6.1.5.
Ejemplo.
La matriz del ejemplo 6.1.2
1
A = 1
2
1
3
0 2
2
6
2
2
4
2. Existen por lo tanto matrices B32 y C24

A = BC. Calculemos matrices B y C siguiendo los
2 tales
tiene rango
de rango
que
pasos indicados
anteriormente.
| I3
1
2 1
3
= 1 2 0 2
2
4 2
6
1 2 1 3 |
0 0 1 1 |
0 0 0 0 |

R | P 1 .
=
As, tomando las primeras 2 columnas de
| 1
| 0
| 0
1
1
2
0
0
1
0
1
0
0
1
0
0
0
1
y las 2 primeras las de
obtenemos respectivamente las matrices
1
B = 1
2
1
0
2

C=
142
1
0
2
0
0
1
2
1

,
P 1
las cuales tienen rango 2 y son tales que:
1
= 1
2
1
= 1
2
BC
6.1.6.
triz
2
2
4
2
0
0
1
2
1
1
3
0 2 = A .
2
6
Denicin (Inversa generalizada o pseudoinversa).
m n.
1.
2.
3.
4.
Si
es una matriz
AM es una matriz
M A es una matriz
AM A = A .
M AM = M,
entonces se dice que
A,
1
1
0
0
2
nm
Sea
una ma-
tal que:
simtrica.
simtrica.
M es una inversa generalizada

M es una g-inversa de A.
(pseudoinversa) de
o simplemente que
6.1.7.
Ejemplo.
Veriquemos que
g-inversa de la matriz
11
0
AM =
2.
10
1
3
MA =
11
1
4.
1
1
0
11
A=
1.
3.
6.1.8.
1
11
3
1
2
la matriz M =
11
3

1 2
. En efecto,
0 1
7
1
4
es una
= I2 es una matriz simtrica.
3 1
2
3 es una matriz simtrica.
3 10
AM A = I2 A = A .
10
1
M AM = 2 3
11
1
M,
3 1
3
2
3 2
3 10
3
3
7
1
1 =
2
11
3
4
7
1 =
4
Observacin.
1. Si
A es invertible, entonces la matriz A1

143
es una g-inversa de
A.
A = 0mn , entonces la matriz M = 0nm
2. Si
es una g-inversa de
A.
6.1.9.
Teorema (Existencia de una g-inversa).
mn
Toda matriz
de tamao
tiene una inversa generalizada.
Demostracin. De acuerdo con la observacin 6.1.8(2), la demostracin
A = 0. Supongamos ahora que que A 6= 0 tiene

B de tamao m r y
r n, ambas de rango r tales que A = BC.
es trivial en el caso en que

rango
r > 0.
Por el teorema 6.1.3, existen matrices
de tamao
Puesto que
tiene rango
r, las matrices B T B
CC T
son invertibles
(vase el teorema 1.4.8). Consideremos ahora la matriz
M = C T CC T
y veriquemos que
1
BT B
es una g-inversa de
1
A.
BT ,
Es decir, veriquemos que
las condiciones de la denicin 6.1.6 se satisfacen. En efecto:

Las matrices
AM
MA
son simtricas puesto que
AM = BCC T CC T
1
BT B
1
BT = B BT B
1
BT
1 T
1
BT B
B BC = C T CC T
C
1 T
T
lado, AM A = B B B
B BC = BC = A, y

1 T 1 T
1
M AM = C T CC T
CC T CC T
B B
B

1
1
= C T CC T
BT B
B T = M.
M A = C T CC T
De otro
Es decir,
AM A = A
1
M AM = A,
por lo tanto,
es una g-inversa de
A.
6.1.10.
Teorema
(Unicidad de la g-inversa)
Toda matriz
tiene una
nica g-inversa.
una matriz
A.
M1
M2
son dos g-inversas de
Utilizando la denicin de g-inversa de una matriz se ob-
tiene la cadena siguiente de igualdades:
AM2
(AM1 A)M2 = (AM1 )(AM2 ) = (AM1 )T (AM2 )T
((AM2 )(AM1 )) = ((AM2 A)M1 ) = (AM1 ) = AM1 .
144

De aqu que
AM2 = AM1 . En forma anloga se obtiene que M2 A = M1 A.
Por lo tanto
M1
= M1 AM1 = (M1 A)M1 = (M2 A)M1 = M2 (AM1 )

= M2 (AM2 ) = M2 AM2 = M2 .
6.1.11.
Nota.
con el signo
En lo sucesivo, la g-inversa de una matriz la denotaremos
respectivamente las inversas generalizadas de las

6.1.12.
A+ , B + denotarn
matrices A y B .
como exponente. Por ejemplo, por
Teorema (Propiedades de la g-inversa).
Para cualquier matriz
tiene que:
a)
b)
c)
d)
e)
(A+ )+ = A.
(A)+ = 1 A+ , para
(AT )+ = (A+ )T
(AAT )+ = (AT )+ A+
(AT A)+ = A+ (AT )+
todo escalar
6= 0.
Demostracin. Por el teorema anterior, toda matriz tiene una ni-
ca g-inversa. Slo resta vericar en cada caso, que se satisfacen las condiciones de la denicin 6.1.6. Haremos la demostracin slo para el inciso
(e), para ello, supondremos vlidas las armaciones (a)-(d) (las vericaciones ) quedan a cargo del lector) y aplicaremos las propiedades de la
denicin 6.1.6:
1. La matriz
A+ A
M = A+ (AT )+
y por lo tanto, la matriz
AT A
A+ (AT )
En efecto:

AT A M
=
(c)
def.
=
def.

T
A
A
M =

+
satisface la igualdad
AT A
A+ (AT )+
AT (AA+ )(A+ )T
AT (AA+ )T (A+ )T
T
A+ AA+ A+
T
A+ A = A+ A .
145
es simtrica.
M = A+ (AT )+
2. La matriz
A+ A

T
M
A
A
=
y por lo tanto, la matriz
A+ (AT )+
AT A
es simtrica.
En efecto:
M AT A
A+ (AT )+
=
(c)
AT A
A+ (A+ )T AT A
def.
A+ (AA+ )T A
def.
def.
A+ AA+ A = A+ A.
3. La matriz
M = A+ (AT )+ satisface la igualdad (AT A)M (AT A) =
A A.
(AT A)M (AT A)
AT A

A+ (AT )+ AT A

A+ A AT A = (A+ A)T AT A
T def.
T
A(A+ A) A = AA+ A A = AT A.
=
(1)
=
4. La matriz
M.
M = A+ (AT )+
M (AT A)M =
En efecto
M (A A)M = M

A+ (AT )+ AT A A+ (AT )+

A+ A A+ (AT )+
T
+
A+ AA+
AT
=
(2)
=
def.
A+ (AT )+ .

6.1.13.
Observacin.
No siempre es cierto que
(AB)+ = B + A+ .
Para
mostrar este hecho consideremos el siguiente ejemplo.

6.1.14.
Ejemplo.
Si
A=

y
B=
1
2
, entonces AB = [3]. Por

1
1
+
y
corolario 6.2.2, A =
2
1
(AB)+ = 1/3. De acuerdo con el

B + = 51 1 2 , de donde se tiene que

1 1
1
1
+ +
1 2
B A =
=
[3] = [3/10] 6= [3] = (AB)+ .
5
2 1
10
lo tanto
146
6.2. Clculo de la g-inversa
6.2. Clculo de la g-inversa de una matriz

En esta seccin veremos algunos teoremas que pueden ser utilizados para
calcular la g-inversa de una matriz. Empezamos con el siguiente resultado,
el cual se deduce de los teoremas 6.1.3, 6.1.9 y 6.1.10.
6.2.1.
Teorema.
3.
4.
r = n = m,
r = m < n,
Corolario.
1. Si
2. Si
6.2.3.
de rango
r > 0.
entonces
A+ = C T CC T
6.2.2.
mn
una matriz
A es invertible y A+ = A1 .
1
+
T
Si
entonces A = A
AAT
.
1 T
+
T
Si r = n < m, entonces A = A A
A .
Si r < n y r < m, entonces existen matrices B Mmr
C Mrn de rango r tales que A = B C y
1. Si
2.
Sea
Sea
a M1n ,
a Mn1 ,
Ejemplo.
2
1
BT .
componentes.
1 T
a+ = aaT
a .
T 1 T
+
a = a a
a .
entonces
entonces
A =

1
1
2
3

es invertible, as que
A=
1
1
2
1
3
1
= AT AA
A+ = A1 =

2. La matriz
A+
1
Ilustremos el teorema 6.2.1 con alguna matrices sencillas.
1. La matriz
3
1
BT B
un vector no nulo de

1
3
1
6
42
9

T 1
1
= 2
3
14
14
14
147

tiene rango 2, as que:

1
1
3
1
42 0
1
0
14
3. La matriz
4.
1
A= 3
5
1
2
4
6
1
A =
24
T
tiene rango 2, as que:
56
44

A A

1
32 8
16
=
26
8
10
24
La matriz A dada por
1
2
A = 1 2
2
4
1
B = 1
2
1
0
2
son tales que
A+
A = BC.
3
4
5
6
1
0
2
0
0
1
2
1
Luego
C T CC T
1
2
y que las matrices

C=

1
3
0 2
2
6
(A) = 2
Del ejemplo 6.1.5 se sabe
44
35
1
BT B
1
BT .
2 20 4
1
4 40 8
=
9
55
18
24
5
15 10

1 2 3 =
Para la matriz A =
6 0 se tiene
1

1
1 T
2
a =
a+ = aaT
14
3
1
La matriz A = 1 6= 0 se tiene que,
1
5.
6.
a+
6.2.4.
Teorema.
g-inversa de
1 T

1
1 1 1 .
aT a
a =
3
A Mmn una matriz de rango r > 0.
Sea
que:
Entonces la
A se puede calcular siguiendo los pasos dados a continuacin:
1. Calcule
M = AT A.
148

2. Haga
C1 = I .
3. Calcule
4. Calcule
1
Ci+1 = Tr(Ci M )I Ci M, para i = 1, 2, . . . , r 1.
i
r
Cr AT , sta es la matriz A+ .
Tr (Cr M )
Adems, se tiene que
Cr+1 M = 0
Tr (Cr M ) 6= 0.
Para la demostracin de este teorema, remitimos al lector a [ ] (teore-
Cr+1 M = 0
A.
ma 6.5.8). Obsrvese adems, que la condicin

proceder sin conocer de antemano el rango de
6.2.5.
Ejemplo.
1
A = 1
2
del ejemplo 6.2.3(4). Calculemos
Para ello calculemos
y consideremos
nos permite
2
2
4
A+
3
2
6
utilizando el teorema anterior.
M = At A. Esto es,
6 12
12 24
M =
5 10
17 34
C1 = I4 .
1
0
2
5
10
5
15
17
34
15
49
Entonces tenemos que:
78 12
5 17
12
60 10 34
.
C2 = Tr (C1 M ) I C1 M =
5 10
79 15
17 34 15
35
Como
C3 M = 0,
entonces
(A) = 2,
y adems
2
2
2
+
T
4
A =
C2 A =
Tr (C2 M )
140 9
5
20
40
55
15
4
8
18
10
El siguiente teorema nos presenta una forma alternativa para calcular la
g-inversa de una matriz. Para su demostracin, remitimos a [ ] (vase

pginas. 14-15).
149

6.2.6.
de
Teorema.
Sea A Mmn una matriz de rango

se puede calcular mediante los siguientes pasos:
1. Forme la matriz
A | Im
r > 0.
La g-inversa
2. Efecte operaciones elementales en las las de la matriz anterior
hasta conseguir la forma escalonada reducida de
A.
Al nal de
este paso se obtiene una matriz que podemos describir por bloques
as:
Ern
0mrn
| Prm
| Pmrm
| Pmm

si
r<m
(Si
+
Emn
r = m = n,
entonces
r = m.
si
es invertible,
E =I
P = A1 =
).
3. Forme la matriz:
Ern AT
Pmrm
| Ern
| 0mrm
Emn AT
| Emn

si
r<m
si
r = m.
4. Efecte operaciones elementales en las las de la matriz anterior
hasta conseguir la forma escalonada reducida. Al nal de este

paso se obtiene la matriz

6.2.7.
Ejemplo.
Im
Consideremos de nuevo la matriz
1
A = 1
2
Con el objeto de calcular
la matriz

| (A+ )T .
| I3
A+
2
2
4
1
0
2
del ejemplo 6.2.5
3
2 .
6
utilizando el teorema anterior, formemos
y apliquemos operaciones elementales en las las

150

A.
3 | 1 0
2 | 0 1
6 | 0 0
hasta encontrar la forma escalonada reducida de
1
2 1
0
A | I3
0
= 1 2 0
2
4 2
1
1
2
0
2 |
0 1
0
0
0
1
1 |
1
1
0

|
0
0
0
0 | 2
0
1

E24 | P23
=
.
014 | P13

E24 At | E24
Construyamos ahora la matriz de la forma
y apliqueP13
| 014
mos de nuevo operaciones elementales en las las, hasta obtener la matriz

identidad
I3
en el lado izquierdo de este arreglo
E24 At
P13
| E24
| 014

=
0
=
I3
|
1
2
0
2
|
0
0
1
1
|
|
0
0
0
0
2
9
1
1
35
35
70
14
0 |
|
2
4
11
3
0 |
7
7
14
14
1 |
4
9
1
2
35
35
35
7

(A+ )t .
9
2
11
4
0
1
0
|
22
8
As que
1
35
2
35
A+ =
9
70
2
35
2
7
4
7
11
14
3
14
2
35
4
2
35
1
4
=
9
70
9
5
35
1
7
151
20 4
40 8
55 18
15 10
6.3. C-inversa
6.2.8.
Ejemplo.
1
1
A=
2
1
del ejemplo 6.2.3(2)
3
1

,
y sigamos los pasos del ejemplo anterior (teorema 6.2.6) para calcular
A | I2
1
1
1
0
E24
Construyamos ahora la matriz
E24 A
| E23
2
1
0
1
E24 AT

=
| 1
| 0
3
1
5
4
| P23
| E23
0
I2
0
1
.
y reduzcmosla
5
4
0
1
2
14
1
14
|
|
| 1
3
| (A+ )T
2
1
14 6 | 1
14
3 | 0
0
1
| 1
|
1
A+ .
1
3
3
14
1
3
As que
1
14
2
+
A =
14
14
3
3
1
1
6
=

3 42
9
1
14
14
14
6.3. Inversa condicional de una matriz

Al igual que el concepto de inversa generalizada de una matriz, el concepto
de inversa condicional es de gran utilidad en los cursos de modelos lineales
152
6.3. C-inversa
(vase la seccin 1.5 de [ ]) y en la caracterizacin del conjunto solucin

de sistemas lineales de ecuaciones.
6.3.1.
Denicin.
Sea
m n.
una matriz
Si
es una matriz
nm
tal que:
AM A = A,
M
entonces se dice que

que
6.3.2.
De acuerdo con el teorema 6.1.10, toda matriz
A+ .
tiene una nica inversa generalizada

una c-inversa de
A.
As que, toda matriz
Veremos aqu, que una matriz
A1
Nota.
tiene al menos una
c-inversa.
puede tener varias (incluso innitas)
es invertible, en cuyo
es la nica c-inversa.
El teorema 6.3.5 caracteriza el conjunto de todas las inversas
condicionales de
6.3.3.
sta es a su vez por denicin
inversas condicionales, salvo cuando la matriz

caso
o simplemente,
A.
es una c-inversa de
Observacin.
es una inversa condicional de
Teorema.
1.
A.
Sea
A Mmn
una matriz de rango
r.
Entonces:
W = {N Mnm : AN A = 0} es un subespacio de Mnm .

W mencionado en (1) es m n r2 .
2. La dimensin del espacio
Demostracin. Para demostrar el inciso (1) basta demostrar, segn
el teorema 1.2.6, que el conjunto
es cerrado bajo la suma y la multi-
plicacin por un escalar. En efecto,

Sean
N1
N2
dos elementos (matrices) del conjunto
W,
entonces
A(N1 + N2 )A = AN1 A + AN2 A = 0 + 0 = 0,

esto implica que
N1 + N2 W.
sto es,
De otro lado, para cualquier escalar
es cerrado bajo la suma.

se tiene que
A(N1 )A = AN1 A = 0 = 0,
sto implica que,
N1 W.
Es decir,
por un escalar. El conjunto
Mnm ,
es cerrado bajo la multiplicacin
es entonces un subespacio vectorial de
lo que completa la demostracin del inciso (1).
Hagamos ahora la demostracin del inciso (2) en el caso en la matriz
A Mmn
tenga rango
con
0 < r < mn {m, n}.
en los dems casos son similares.

153
Las demostraciones
6.3. C-inversa
Sea entonces
una matriz
mn
de rango
r,
con
0 < r < mn {m, n}.
De acuerdo con el inciso (1) del teorema 6.1.1, existen matrices invertibles
P Mmm
(6.1)
Q Mnn tales que:

Ir 0
P AQ =
o
0 0
y
A=P
Ir
0
0
0
Q1 .
X Mrr , Y Mr(mr) , Z
N Mnm dada por

Y
P.
W
Consideremos ahora matrices arbitrarias
M(nr)r
W M(nr)(mr)
y la matriz

N =Q
Ahora
N W
AN A =
=
X
Z
AN A = 0. De (6.1) se sigue que

Ir 0
X Y
Ir
P 1
Q1 Q
P P 1
0 0
Z W
0

X 0
P 1
Q1 .
0 0
sii
De aqu se deduce
X = 0. Esto es, N W

0 Y
N =Q
P.
Z W
AN A = 0
forma:
sii
W
= k j.
Demostremos ahora que la dimensin de
es
m n r2 .
0
0
sii
Q1
es de la
Para ello, us-
dim Mkj
En efecto, consideremos los
espacios de matrices Mr(mr) , M(nr)r y M(nr)(mr) con las bases

y
, B1 =
Z
,
Z
,
.
.
.
,
Z
respectivas B1 =
Y
,
Y
,
.
.
.
,
Y
1
2
1
2
r(nr)
r(mr)

B3 = W1 , W2 , . . . , W(nr)(mr) . Es fcil mostrar entonces que el conjunto B = {N1 , N2 , . . . , Nmnrr } con

0 Yi
Ni = Q
P ; i = 1, 2, . . . , m r r2
0 0

0 0
Nr(mr)+j = Q
P ; j = 1, 2, . . . , n r r2
Zj 0

0
0
Nr(m+n2r)+k = Q
P ; k = 1, 2, . . . , (n r) (m r),
0 Wk
aremos el hecho de que
es una base de
6.3.4.
W.
Teorema.
Sea

A
una matriz
n. El conjunto McA de todas las
c-inversas,
es una variedad
McA = {M Mnm : AM A = A} ,
2
lineal de dimensin m n r .
154
6.3. C-inversa
c
Demostracin. Por el teorema 6.2.2 MA es no vaco, sea entonces
M0 un elemento de McA . Veriquemos entonces, que M McA si y slo
si M se puede escribir como la suma de M0 y un elemento N W, sto
es, sii M = M0 + N para algn N W , siendo W el conjunto dado en el
teorema 6.3.3.
Si
A.
M = M0 + N, con N W , entonces AM A = AM0 A + AN A = A + 0 =

c
c
sto es, M MA . De otra parte, si M MA , entonces podemos
escribir
= M + M0 M0
= M0 + (M M0 ) = M0 + N ,
donde
N = M M0 .
Puesto que
A(M M0 )A = AM A AM0 A = A A = 0 ,
se tiene entonces que
N = M M0 W
y de aqu se sigue que:
McA = {M + N, N W } .
El teorema siguiente establece cmo determinar los elementos de

6.3.5.
Teorema.
Q Mnn
Sea
una matriz
mn
de rango
r.
Sean
matrices invertibles como en el teorema 6.1.1.
McA = Mnm .
1. Si
A = 0,
2. Si
r = n = m,
entonces
3. Si
r = m < n,
entonces
entonces

McA = {A+ } = A1

Ir
c
P : Y M(nr)m .
MA = Q
Y
4. Si
r = n < m, entonces

McA = Q Ir X P : X Mn(mr) .
155
McA .
P Mmm
6.3. C-inversa
5. Si
0<r<n
0 < r < m,

Ir
Q
Y
X
Z
McA de todas
est dado por
entonces el conjunto
las inversas condicionales de la matriz

P : Z M(nr)(mr) ,

Y M(nr)m , X Mn(mr)
Demostracin. De acuerdo con los teoremas 6.2.4 y 6.3.4, se tiene
que en cada caso
McA
otro lado, se puede vericar que si

6.3.6.
Ejemplo.
mn r2 . De
AM A = A.
es una variedad lineal de dimensin
McA , entonces
2
2
4
1
0
2
Sea
1
A = 1
2
3
2 ,
6
la matriz del ejemplo 6.1.2. De dicho ejemplo sabemos que las matrices
invertibles
1
P =
2
1
1
0
0
0
1
1
0
Q=
0
0
0
0
1
0
2
1
0
0
2
0
1
1
son

I2 0
tales que P AQ =
, (A) = r = 2. En este caso,
0 0

I2 X
McA = Q
P : X M21 , Y M22 , Z M21 ,
Y Z
representar, el conjunto de todas las inversas condicionales de

particular, si tomamos
de
X = 0, Y = 0
es:

M0 = Q
I2
0
Z = 0, se
0 1

0
0
0
P =
1
0
1
0
0
y
A,
En
tiene que una c-inversa
0
0
.
0
0
En lo que resta de esta seccin veremos un mtodo alternativo para calcular una c-inversa de una matriz. Consideremos inicialmente el caso de
matrices cuadradas.
Denicin.
6.3.7.
Una matriz cuadrada H = [hij ]nn tiene la forma
Hermite superior, si satisface las condiciones siguientes:
156

1.
2.
3.
4.
H es triangular superior.
hii = 0 hii = 1, i = 1, 2, . . . , n.
Si hii = 0, entonces la i-sima la es nula, sto es, hij = 0 para
todo j = 1, 2, . . . , n.
Si hii = 1, entonces el resto de los elementos de la i-sima columna son nulos. sto es, hji = 0 para todo j = 1, 2, . . . , n; (j 6= i).
Ejemplo.
6.3.8.
6.3. C-inversa
La matriz
1
0
H=
0
0
2
0
0
0
tiene la forma Hermite superior.
0
0
1
0
0
0
0
1
El siguiente teorema establece que una matriz Hermite superior es idempotente. La demostracin de dicho resultado es consecuencia directa de la
denicin y se deja como un ejercicio para el lector.
Teorema.
6.3.9.
entonces
6.3.10.
ible
Si
es una matriz que tiene la forma Hermite superior,
H 2 = H.
Teorema.
tal que
Para toda matriz cuadrada
BA = H
Demostracin. Sea
entonces la matriz
existe una matriz invert-
una matriz invertible tal que
forma escalonada reducida de

Si
B =P
A.
Si
PA = R
es la
tiene la forma Hermite superior,
satisface la condicin de que
BA = R = H .
R
no tiene la forma Hermite superior, intercambiamos las las de
hasta que el primer elemento no nulo (de izquierda a derecha) de cada la
no nula de
R,
sea un elemento de la diagonal. As tenemos una matriz
que tiene la forma Hermite superior. As que existen matrices elementales

(por las)
E1 , E2 , . . . , Ek
tales que
E1 E2 Ek R = H
o sea:
E1 E2 Ek P A = H.
B = E1 E2 Ek P

157
es tal que
BA =
6.3. C-inversa
6.3.11.
Ejemplo.
Para la matriz cuadrada:
1
A= 1
2
2
2
4
3
5 ,
10
la matriz invertible
5/2
P = 1/2
0
3/2
1/2
2
0
0
1
es tal que
1
PA = R = 0
0
donde
y 3 de
0
1 ,
0
2
0
0
R es la forma escalonada resucida de A.

R obtemos la matriz:
1 2 0
H= 0 0 0
0 0 1
Intercambiando las las
tiene la forma Hermite superior. Adems,
5/2
0
B=
1/2
6.3.12.
BA = H
Teorema.
Sea A una
BA = H tiene
de A.
vertible tal que

una c-inversa
3/2
2
1/2
matriz cuadrada. Si
es una matriz in-
la forma Hermite superior, entonces
H tiene la forma Hermite superior,

2
que BABA = H = H = BA, o sea:
Como
As
0
1
0
por el teorema 6.3.9,
es
H 2 = H.
BABA = BA.
Premultiplicando los dos miembros de la ltima igualdad por la matriz
B 1
se obtiene:
ABA = A,
esto es,
es una c-inversa de
A.
158

6.3.13.
Ejemplo.
6.3. C-inversa
A del
3
5 .
10
1
A= 1
2
2
2
4
ejemplo 6.3.11,
Se sabe de dicho ejemplo, que la matriz invertible
es tal que
0
1 ,
0
3/2
2
1/2
5/2
0
B=
1/2
BA = H tiene la forma Hermite superior.

B es una c-inversa de A.
Por lo tanto, por
teorema anterior,
El siguiente corolario presenta una forma de calcular una c-inversa para

el caso de matrices rectangulares.
6.3.14.
Corolario.
Sea
mn
una matriz

m > n, sea A = A 0 , donde 0 es la matriz nula
m(mn). Sea adems B una matriz invertible tal que B A =
H tiene la forma Hermite superior. Si escribimos la matriz B
1. Si
entonces particionada as:
B =
,
B1
n m, entonces B es una c-inversa de

A
Si n > m, sea A =
, donde 0 es la matriz nula (n m)
0
m. Sea adems B una matriz invertible tal que B A = H tiene
la forma Hermite superior. Si escribimos la matriz B entonces

donde
es una matriz
A.
2.
particionada as:
B =
donde
es una matriz
B1
n m,
entonces
es una c-inversa de
A.
Demostracin. Presentamos aqu la slo la demostracin del inciso
(1). Supongamos
matriz cuadrada
A es una
A = A
m n,
matriz
nn
159
con
m>n
y consideremos la
6.4. Mnimos cuadrados
B , tal que B A =
H tiene la forma Hermite superior. Dicha matriz B es una c-inversa de
A (teorema 6.3.10), as que, A B A = A , o sea:
B

A 0
A 0
A B A =
B1

ABA 0 = A 0 = A .
=
Segn el teorema 6.3.10, existe una matriz invertible
De sto se sigue que

6.3.15.
Ejemplo.
ABA = A.
Es decir,
Sea
A.
1
1
.
1 32
1
A= 2
0
1
A = 2
0
es una c-inversa de
Encontremos una c-inversa para la matriz:
0
0
.
0 33
1
1
1
Efectuando los clculos pertinentes se encuentra que la matriz invertible:
1
2
B =
2
es tal que
B A = H
1
1
0
B
=

B1
1
tiene la forma Hermite superior. Por lo tanto, por
el corolario anterior, la matriz

B=
es una c-inversa de
1
2
1
1
0
0

23
A.
6.4. Sistemas de ecuaciones lineales: g-inversa y c-inversa de

una matriz. mnimos cuadrados.
En esta seccin veremos aplicaciones de la g-inversa y la c-inversa de una
matriz a los sistemas de ecuaciones lineales y al problema de los mnimos
cuadrados.
160
Teorema.
Sea A Mmn una matriz y sea y Mm1 un vector.

c
El sistema de ecuaciones lineales Ax = y es consistente sii AA y = y
c
para cada c-inversa A de A.
6.4.1.
Demostracin. Supongamos que el sistema de ecuaciones lineales
Ax = y
es consistente. Esto quiere decir, que existe al menos un
x0
tal
que:
Sea ahora
Ac
una c-inversa de
Ax0 = y .
A, entonces:
AAc y
= AAc Ax0
= Ax0
= y.
Supongamos ahora, que para cada c-inversa
y.
Entonces para cada c-inversa
Ac
, el vector
Ax = y.
A, se tiene que AAc y =

x0 = Ac y es una solucin
de
Por lo tanto, el sistema es
consistente.
6.4.2.
Teorema.
Sea
una matriz
Si el sistema de ecuaciones lineales
mn y
Ax = y
sea
Ac
una c-inversa de
A.
es consistente, entonces su
solucin general es
x = Ac y + (I Ac A)h,
(6.1)
h Mn1 .
Demostracin. Puesto que por hiptesis el sistema de ecuaciones
lineales
y.
Ax = y
es consistente, entonces por el teorema anterior,
En consecuencia, para cada
Ax
AAc y =
de la forma (6.1):
= AAc y + A(I Ac A)h

= y + (A A)h
= y + 0h
= y,
esto es,
es una solucin del sistema dado.
De otro lado, si
x0
es solucin del sistema dado, entonces
Ax0 = y .
Premultiplicando los miembros de la ltima igualdad por
A Ax0 = A y ,
161
Ac
se obtiene
de donde:
0 = Ac y Ac Ax0 .
Sumando
x0
a los dos lados de la ltima igualdad se llega a:
= Ac y + x0 Ac Ax0
x0
= Ac y + (I Ac A)x0
= Ac y + (I Ac A)h,
donde
h = x0 .
Puesto que
6.4.3.
sto es,
A+
Ax = y
se puede expresar en la forma 6.1.
A,
es una c-inversa de
Corolario.
lineales
x0
Sea
una matriz
se tiene el siguiente corolario.
m n.
Si el sistema de ecuaciones
es consistente, entones su solucin general es
x = A+ y + (I A+ A)h,
(6.2)
h Mn1 .
PROBLEMA DE LOS MNIMOS CUADRADOS

Como se estableci en el teorema 1.4.3(3), para un sistema de ecuaciones
Ax = y
se presenta una y slo una de las opciones siguientes:
(i) El sistema tiene innitas soluciones.

(ii) El sistema tiene solucin nica.
(iii) El sistema no tiene solucin.
En el trabajo experimental generalmente se da generalmente la opcin
(iii), es decir, que el vector
la matriz
A, (y
/ C(A))
no es un elemento del espacio columna de
(vase gura 6.1). En este caso, nos pregunta-
mos si existe una solucin aproximada del sistema, para una denicin
conveniente de solucin aproximada. Un problema que se presenta con
frecuencia en el trabajo experimental es:
IR
C (A)
Ax
A x0
Ax
Figura 6.1. Problema de los mnimos cuadrados
162
Dado una serie de puntos
(x1 , y1 ); (x2 , y2 ); . . . ; (xn , yn ).

obtener una relacin
y = f (x)
entre las dos variables
y,
adaptando
(en algn sentido) una curva a dicho conjunto de puntos.

Como los datos se obtienen experimentalmente, generalmente existe un
error en ellos (errores de aproximacin), lo que hace prcticamente imposible encontrar una curva de la forma deseada que pase por todos los
puntos. Por medio de consideraciones tericas o simplemente por acomodo de los puntos, se decide la forma general de la curva
y = f (x)
que
mejor se adapte. Algunas posibilidades son (ver gura 6.2):
y = f (x) = a + bx; a, b R
y = f (x) = a + bx + cx2 ; a, b, c R.
2
3
Polinomios de grado tres: y = f (x) = a+bx+cx +dx ;
a, b, c, d
R.
1. Funciones lineales (rectas):

2. Polinomios de grado dos:
3.
(1) Aproximacion
lineal
(2) Aproximacion
(3) Aproximacion
cuadratica
cubica
Figura 6.2. Ajuste por mnimos cuadrados
A. Adaptacin de puntos por mnimos cuadrados a una lnea

recta
Considere los puntos
(x1 , y1 ); (x2 , y2 ); . . . ; (xn , yn ), los cuales se pretende

y = f (x) = a + bx. Si los
ajustar mediante la grca de la lnea recta

163
puntos correspondientes a los datos fuesen colineales, la recta pasara por

todos los
puntos y, en consecuencia, los coecientes desconocidos
satisfaran la ecuacin de la recta. sto es, se tendran las siguientes
igualdades:
y1
= a + bx1
y2
= a + bx2
.
.
.
.
.
.
yn
.
.
.
= a + bxn .
Estas igualdades se pueden escribir, utilizando notacin matricial, as:

y1
1
y2 1

y= . = .
.. ..
yn
1
(6.3)
x1
a
x2
= Ax .
.
.
.
b
xn
Si los puntos que corresponden a los datos no son colineales, es imposible

encontrar coecientes
que satisfagan (6.3). En este caso, independi-
entemente de la forma en que se escojan
b,
la diferencia
Ax y,
entre los dos miembros de (6.3) no ser cero. Entonces, el objetivo es

encontrar un vector
y,
x=
a
b

que minimice la longitud del vector
Ax
esto es, que minimice
k Ax y k ,
lo que es equivalente a minimizar su cuadrado,
k Ax y k
a
es un vector que minimiza tal longitud, a la lnea recta
b
y = a + b x se le denomina recta de ajuste por mnimos cuadrados de los

Si
x0 =
datos. La gura 6.3 ilustra la adaptacin de una lnea recta por el mtodo
de los mnimos cuadrados. Se tiene que
k Ax y k
k Ax y k ,
[(a + b x1 y1 )] + [(a + b x2 y2 )] +
2
son minimizados por
|a + b xi yi |
+ [(a + b xn yn )]

a
el vector x0 =
. En
b
dicha gura se ve que
corresponde a la distancia vertical,

164
di ,
tomada desde el

punto
(xi , yi )
y = a + b x . Si se toma a di como el error

(xi , yi ), la recta de ajuste minimiza la cantidad:
hasta la recta
vertical en el punto
d21 + d22 + + d2n ,

que es la suma de los cuadrados de los errores verticales. De all el nombre
de mtodo de los mnimos cuadrados.
y
( x n , yn )
dn
(x2 , y2 )
( x1 , y1 )
d2
*
*
y=a+b
x
d1
d3
( x3 , y3 )
x
Figura 6.3. Ajuste lineal por mnimos cuadrados
Damos a continuacin dos deniciones motivadas por la discusin anterior.

En el ejemplo 6.4.13 veremos cmo se adapta, por mnimos cuadrados, una
lnea recta
6.4.4.
x0
y = a + bx
Denicin
puntos
(x1 , y1 ); (x2 , y2 ); . . . ; (xn , yn ).
(Solucin Mnima Cuadrada)
Se dice que el vector
es una solucin mnima cuadrada (S.M.C.) del sistema de ecuaciones
lineales
Ax = y,
si para todo vector
se tiene que:
k Ax0 y k < k Ax y k .
6.4.5.
x0
Denicin
(Mejor Solucin Aproximada)
Se dice que el vector
es una mejor solucin aproximada (M.S.A.) del sistema de ecuaciones
lineales
Ax = y,
si:
1. Para todo vector
se tiene que:
k Ax0 y k < k Ax y k .
165

2. Para todo vector

x 6= x0
tal que
k Ax0 y k < k Ax y k
se
tiene que
k x0 k < k x k .
Nota.
y
Observe que una M.S.A de un sistema de ecuaciones lineales
Ax =
es una S.M.C. del mismo.
6.4.6.
Teorema.
Sea
es una c-inversa de
x Rn
m
c
una matriz m n y sea y un vector R . Si A
c
tal que AA es simtrica, entonces para todo vector
se tiene que:
2
k Ax y k = k Ax AAc y k + k AAc y y k .
Por hiptesis
k Ax y k
AAc = (AAc )t .
As que para todo vector
se tiene que:
k (Ax AA y) + (AA y y)k
k Ax AAc y k + 2(Ax AAc y)T (AAc y y)
+ k AAc y y k

2
k Ax AAc y k + 2 (x Ac y)T AT ((AAc )T I)y
+ k AAc y y k

2
k Ax AAc y k + 2 (x Ac y)T (AT (AAc )T AT )y
+ k AAc y y k

2
= k Ax AAc y k + 2 (x Ac y)T ((AAc A)t At )y
+ k AAc y y k

2
2
= k Ax AAc y k + 2 (x Ac y)T (0)y + k AAc y y k
2
= k Ax AAc y k + k AAc y y k .
6.4.7.
Teorema.
una c-inversa de
m
c
una matriz m n y sea y un vector R . Si A es
c
c
tal que AA es simtrica, entonces x0 = A y es una
Sea
S.M.C. para el sistema
Ax = y.
Demostracin. Por hiptesis y por el teorema anterior se tiene que
x 0 = Ac y
es tal que:
k Ax y k = k Ax Ax0 k + k Ax0 y k k Ax0 y k .

166

x.
Para todo vector

x:
De aqu que para todo vector
k Ax0 y k k Ax y k ,
esto es,
6.4.8.
x0 = A y
Teorema.
es una S.M.C. para el sistema
Sea
Ax = y.

m
A una matriz mn y sea y un vector R . El sistema

Ax = y tiene una nica M.S.A., a saber
de ecuaciones lineales
x0 = A+ y.
A+
es una c-inversa de
tal que
AA+
x que:
2

2
2
k Ax y k = Ax AA+ y + AA+ y y AA+ y y .
es simtrica, entonces por el teorema 6.4.6 se tiene para todo
x:

AA+ y y k Ax y k
De aqu que para todo vector

(6.4)
Esto es,
x 0 = A+ y
es una S.M.C. para el sistema
Mostraremos ahora que para todo vector
AA y
se tiene que
Ax = y.
x 6= x0 = A+ y
tal que
Ax =
k x0 k < k x k .
Puesto que para todo vector
+

A y + (I A+ A)x 2
=
=
x se tiene que:
+ 2
A y + 2(A+ y)T (I A+ A)x +

(I A+ A)x 2
+ 2

A y + 2yt (A+ )T (A+ )T (AA+ )T x +

(I A+ A)x 2
+ 2

A y + 2yT (A+ )T (A+ AA+ )T x +

(I A+ A)x 2
+ 2

A y + 2yt (0)x + (I A+ A)x 2
+ 2

A y + (I A+ A)x 2 ,
x tales que Ax = AA+ y o, equivalentemente, tales que A Ax = A y, se tiene que:

+

A y + (I A+ A)x 2 = A+ y + x A+ x 2 = k x k2

2
2
= A+ y + (I A+ A)x

2
2
A+ y = k x 0 k ,
entonces para todos los vectores
167

es decir,
6.4.9.
k x k > k x0 k
Observacin.

si
x0 6= x .
El teorema anterior establece que todo sistema de
Ax = y
ecuaciones lineales
tiene una nica M.S.A. ,
x0 = A+ y.
Por sto
de aqu en adelante hablaremos de la mejor solucin aproximada (M.S.A.)

de un sistema de ecuaciones lineales.
Ahora bien, puesto que la mejor solucin aproximada del sistema de ecuaciones lineales
Ax = y
es una solucin mnima cuadrada, se tiene el sigu-
iente teorema.
6.4.10.
Corolario.
Todo sistema de ecuaciones lineales
Ax = y
tiene al
menos una S.M.C.

6.4.11.
Ejemplo.
Para el sistema de ecuaciones lineales

1
x
1
=
y
1

1
1
1
1
x0 = A+ y =
1
6 1 1
1
Ax = 1
1
se tiene que
Adems:
k Ax0 y k =
as que para todo vector
y si existe un vector
(A) = n,
Sea
tal que
2;
2 k Ax y k ,
k x0 k =
Teorema.
es la M.S.A.
se tiene que:
que:
6.4.12.
1
2 = y,
3

1
1
2 =
1
3
k Ax y k =
2 < k x k .
una matriz
mn
2,
entonces se debe tener

y sea
entonces el sistema de ecuaciones lineales
un vector
Ax = y
Rm .
Si
tiene una
nica S.M.C. que es justamente la M.S.A. dada por:
x0 = A+ y.
x
una S.M.C. del sistema de ecuaciones Ax =

y. Por denicin se tiene para todo x Rn , entonces que k Ax y k
k Ax y k , en particular, para el vector x0 = A+ y se tiene:

(6.5)
k Ax y k AA+ y y .
Demostracin. Sea
168

De otra parte, como
A+
es una c-inversa de
tal que
AA+
es simtrica,
entonces se tiene (ver teorema 6.4.6)
2
2

2
k Ax y k = Ax AA+ y + AA+ y y
x Rn .
x se tiene:

Ax AA+ y 2 + AA+ y y 2 .
En particular, para el vector
k Ax y k
(6.6)
De (6.5) y (6.6) se sigue que:

AA+ y y 2

2
2
Ax AA+ y + AA+ y y

2
2
= k Ax y k AA+ y y
k Ax AA+ y k = 0
De aqu que
y por lo tanto:
Ax = AA+ y .
Puesto que
(A) = n,
entonces
A+ = AT A
consecuencia:
Ax = A AT A
AT
(teorema 6.2.1), en
1
AT y.

1 T
AT A
A ,
Premultiplicando esta igualdad por
1
se obtiene:
AT A
1
AT A
1
AT A AT A
AT A
1
AT y = A+ y = x0 .
AT Ax
1
AT y

6.4.13.
Ejemplo.
Encontremos una recta de ajuste, por mnimos cuadra-
dos (ver gura 6.4), que se adapte a los puntos:
(0, 1); (1, 3); (2, 4); (3, 4) .

Para ello debemos encontrar una S.M.C. del sistema de ecuaciones lineales
Ax = y,
donde
1
1
A=
1
1

x1
1
1
x2
=
x3 1
x4
1
y el vector incgnita
0
1
,
2
3

y1
1
y2 3

y=
y3 = 4
y4
4
est dada por

x=
a
b
169

.

Puesto que
(A) = 2, entonces por

S.M.C., a saber:
el teorema anterior, el sistema dado
tiene una nica
x0
= A+ y = (AT A)1 AT y
7
3
1,5
1
1
10

=
4
1

a
b
1
1
2
3
1
3
4
4
En consecuencia, la recta de ajuste, por mnimos cuadrados, de los datos

dados es:
y = a + b x = 1,5 + x.
y
y=1.5+x
(2,4)
(3,4)
(1,3)
(0,1)
x
Figura 6.4. Ajuste lineal ejemplo 6.4.13
6.4.14.
Ejemplo.
Encontremos una recta de ajuste, por mnimos cuadra-
dos, que se adapte a los puntos:
(1, 1); (1, 2) .

Observe que en este caso los puntos dados pertenecen a la recta, de pendiente innita,
x = 1.(ver
gura 6.5(a))
170
y
x=1
y
y=3/2x
(1,2)
y=3/4+3/4x
(1,2)
(1,1)
(1,1)
x
x
a) Ajuste por una recta de pendiente infinita
b) Ajuste por rectas de pendiente no infinita
Figura 6.5. Ajuste lineal ejemplo 6.4.14
Ahora bien, si buscamos una recta
y = a + bx,
que no tenga pendiente
innita, que se adapte por mnimos cuadrados, a los puntos dados, entonces debemos dar una S.M.C. del sistema de ecuaciones lineales (ver
gura 6.5(b))

Ax
=

=
1
1
1
2
x1
x2

y1
y2
a
b

=
1
1
1
1

3/4
3/4
a
b
= y.
Una S.M.C. del sistema dado es:
x0
1
A y=
4
+
1
1
1
1

1
2

=

=
a
b

.
As que una recta de ajuste, por mnimos cuadrados, de los puntos dados
es:
y = a + b x =
3 3
+ x.
4 4
De otra parte, la matriz
Ac =
es una c-inversa de
A, AAc
0
1/2
0
1/2
es simtrica. En efecto,
171
AA =
1/2
1/2
1/2
1/2
Por lo tanto, de acuerdo con el teorema 6.4.7,
x 0 = Ac y =
0
3/2
es tambin una S.M.C. As que otra recta de ajuste por mnimos cuadrados, de los puntos dados es (ver gura 6.5(b)):
y = a + b x =
3
x.
2
B. Adaptacin a polinomios de grado n.

La tcnica descrita antes para adaptar una recta a
puntos dados, se
generaliza fcilmente a la adaptacin, por mnimos cuadrados, de un polinomio de cualquier grado a un conjunto de puntos dados.
A continuacin se muestra cmo adaptar un polinomio de grado
y = a0 + a1 x + a2 x + . . . + am x
a un conjunto de
puntos
m,
(x1 , y1 ); (x2 , y2 ); . . . ; (xn , yn ),
mediante la
tcnica de los mnimos cuadrados.

Sustituyendo estos
las
n valores de x y y en la ecuacin polinmica se obtienen
ecuaciones siguientes:

y1
1
y2 1

.. = ..
. .
yn
1
x1
x2
x21
x22
.
.
.
.
.
.
xn
x2n
..
xm
a0
1
xm
2 a1
.
.
.
.
.
.
m
xn
am
De lo que se trata nuevamente, es de encontrar una S.M.C. del sistema de

ecuaciones lineales
6.4.15.
Ejemplo.
Ax = y.
Encontrar un polinomio de grado dos que mejor se
ajuste, por mnimos cuadrados, a los puntos:
(1, 0); (0, 2); (1, 1); (2, 0) .

172
Debemos encontrar una S.M.C. del sistema de ecuaciones lineales:
Ax
Puesto que
1
1
1
1
1
0
1
2
1
0
a
1
0
a2 = 2
1
1
a3
4
0
= y.
(A) = 3, el sistema dado tiene una nica S.M.C., la cual est
dada por:
x0
= A+ y = (At A)1 At y
3 11
9 3
1
1
3
7
1
=
20
5 5 5
5

1,55
31
1
13 = 0,65
=
20
0,75
15
2
1
0
En consecuencia, existe un nico polinomio de grado dos que se ajuste

por mnimos cuadrados de los datos dados. Este polinomio est dado por
(ver gura 6.6):
y = 1,55 0,65x + 0,75x2 .
y
y=1.550.65x+0.75x
(1,0)
(2,0)
(1,1)
(0,2)
Figura 6.6. Ajuste cuadrtico ejemplo 6.4.15
173
6.5. Ejercicios
6.5. Ejercicios
6.5.1 Responda verdadero o falso justicando su respuesta.
B Mmr y C Mmr tienen el mismo rango,

(BC)+ = C + B + .
+
Si S es una matriz simtrica, entonces S
es una matriz simtri-
1. Si las matrices
entonces
2.
ca.
S 2 = S, entonces S + = S .
3
+
Si
es una matriz simtrica tal que S = S, entonces S = S .
+
T
+ T
Para toda matriz A se tiene que A = (A A) A .
+
T
T +
Para toda matriz A se tiene que A = A (AA ) .
+ 2
+
+
2
Para toda matriz A se tiene que (AA ) = AA
y (A A) =
+
A A.
c
c 2
Para toda c-inversa A de A se tiene que (AA )
= AAc y
c
2
c
(A A) = A A.
c
c
Si A es una c-inversa de A, entonces A es una c-inversa de A .
c
c t
Si A es una c-inversa de A, entonces (A ) es una c-inversa de
At .
Si A Mmn tiene rango m, entonces el sistema de ecuaciones
lineales Ax = y tiene solucin para cualquier y Mm1 .
Si A Mmn tiene rango n y si el sistema de ecuaciones lineales
Ax = y tiene solucin, entonces el sistema tiene solucin nica.
3. Si
4.
5.
6.
7.
8.
9.
10.
11.
12.
S
S
6.5.2 Demuestre que
A se tiene que: (A) = (A+ ) = (AA+ )=
(A A).
Ac es una c-inversa de A, entonces (Ac ) (A) = (AAc )=
(Ac A).
c
c
c
Si A es una c-inversa de A, entonces Tr(AA )= Tr(A A) =
(A). (sugerencia vase el ejercicio 3.5(26)).
t
+
Si BC = 0, entonces BC
= 0 y CB + = 0.

+

B
T
+
B
C+ .
Si A =
y BC = 0 entonces A =
C
2. Si
3.
4.
5.
174

6. Si
es una matriz simtrica
la matriz

CT = 1
6.5. Ejercicios
m m y si C T B = 0, donde C T es
1 1m , entonces la g-inversa de
la matriz:
B
CT
A=
es
7. Si

A+ = B +
D = [dij ]nn
1/m C
es una matriz diagonal, entonces
D+ =[aij ]nn
es una matriz diagonal, donde
8.
9.
10.
11.
12.
13.
(
1/dii ,
si
dii 6= 0
aij =
.
0
,
si dii = 0

+

B
0
B
0
+
Si A =
entonces A =
.
0 C
0 C+
+
+
Si S es una matriz simtrica, entonces SS = S S.
T
T
+
+
Si A es una matriz tal que A A = AA , entonces A A = AA .
Si A es una matriz m n, donde hAiij = 1 para i = 1, 2, . . . , m
1
+
A.
y j = 1, 2, . . . , n, entonces A =
mn
Si P Mnn y Q Mmm son matices ortogonales, entonces
+
T + T
para cualquier matriz mn, A, se tiene que (P AQ) = Q A P .
+
Si S es una matriz simtrica no negativa, entonces S
es una
matriz no negativa.
14. Para cada matriz
AB es
A una
m n, A; AB = AA+
sii
es tal que
ABA =
simtrica.
m n. (A) = m sii AA+ = I sii AAc = I

Ac de A.
+
c
Sea A una matriz m n. (A) = n sii A A = I sii A A = I
c
para cada c-inversa A de A.
Si B es una c-inversa de A, entonces tambin lo es BAB .
c
c
Si B y C son c-inversas de las matrices B y C respectivamente,
15. Sea
matriz
para cada c-inversa
16.
17.
18.
entonces una c-inversa de la matriz

A=
B
0
0
C
A =
es
Bc
0
0
Cc

.
Ax = y tiene solucin, enA+ A = I, y en este caso

c
A de A.
19. Si el sistema de ecuaciones lineales

tonces la solucin
20.
x = A+ y
es nica sii
A+ y = Ac y para toda c-inversa

Si x1 , x2 , . . . , xn son soluciones del sistema de ecuaciones lineales
Pn
Ax = y, y si 1 , 2 , . . . , n son escalares tales que i=1 i = 1,
175
6.5. Ejercicios
entonces
n
X
x=
i xi
i=1
Ax = y.
y = a+bx una lnea recta que se quiere adaptar, por mnimos
cuadrados, a los puntos (x1 , y1 ); (x2 , y2 ); . . . ; (xn , yn ). Utilice el
es una solucin del sistema

21. Sea
teorema 6.4.2 y la regla de Cramer para demostrar que si para

algn
j , xi 6= xj ,
y para algn
entonces existe una nica recta
de ajuste, por mnimos cuadrados, a los puntos dados:
y = a + b x
y que
a =
b =
b
,
Pn
i=1
= det P
n
donde:
xi
Pn
2
i=1 xi
i=1 xi
= det P
n
i=1 xi
Pn
yi
Pn
i=1 xi yi
Pn
i=1
a = det P
n
Pn
i=1
yi
Pn
i=1 xi yi
6.5.3 Clculos
1. Calcule la g-inversa de cada una de las matrices siguientes:
(i) A1 =
(ii) A2 =
(iii) A1 =
176
1
3
2
5
1
(iv) A4 = 1
2
i=1
xi
2
i=1 xi
7
(v) A5 = 7
7
7
7
7
7
7
7
1
(vi) A6 = 0
0
1
3
(vii) A7 =
0
0
0
0
0
0
5
0
2
4
0
0
6.5. Ejercicios
1
1
(viii) A8 =
0
0
2 1 1
3
1
2
1
1
(ix) A9 = 1
1
1
1
1 1
1
1 2 3
5 3 ,d dos c-inversa Ac1
Para la matriz A = 2
1 3 0
c
c
que (A1 ) > (A) y (A2 ) = (A).
2
2
0
0
0
0
3
3
0
0
3
3
2.
Ac2
tales
3. Determine el conjunto de todas las c-inversas de las matrices

A1 =
1
1
1
A3 = 1
2
1
1

,
A2 =
2
3 ,
5

A4 =
1
1
2
3
1
1
2
3
3
3

,

.
4. D la M.S.A. del sistema de ecuaciones lineales
2
2
A=
1
2
2
2
1
2
2
2
0
0
Ax = y,
donde:
1
2
y=
3 .
4
5. D la ecuacin de la recta que mejor se ajuste por mnimos

cuadrados a los puntos:
(0, 1); (1, 3); (2, 2); (3, 4).

6. Obtenga la ecuacin del polinomio de grado dos que mejor se
adapte, por mnimos cuadrados, a los puntos:
(1, 4); (0, 2); (1, 0); (2, 1).

177
6.5. Ejercicios
7. D, si las hay, dos S.M.C. diferentes del sistema de ecuaciones

lineales:

Ax =
2
2
2
2

178
x
y

=
1
0

.
CAPTULO 7
En este captulo estudiaremos algunas de las tcnicas ms utilizadas para
factorizar matrices, es decir, tcnicas que nos permiten escribir una matriz como producto de dos o tres matrices con una estructura especial.
La factorizacin de matrices es importante por ejemplo cuando se quiere
resolver sistemas de ecuaciones con un nmero muy grande tanto de variables como de ecuaciones. En la seccin 7.1 trataremos la descomposicin
LU ,
en la seccin 7.2 nos ocuparemos de la descomposicin
QR,
en la
seccin 7.3 trataremos la descomposicin de Cholesky y en la seccin 7.4

trataremos la descomposicin en valores singulares.
7.1. Descomposicin
LU
En esta seccin estudiaremos, quizs la factorizacin de matrices ms sencilla pero igualmente muy til. Nos referimos a la factorizacin o descomposicin
LU ,
la cual est directamente relacionada con las operaciones
elementales aplicadas a una matriz, para llevarla a una forma triangular

inferior. Como una motivacin, supongamos que se conoce cmo factorizar
una matriz
A, m n
en la forma
A = LU
(7.1)
donde
es una matriz triangular inferior (del ingls lower)
una matriz escalonada
mn
(7.2)
mm
es
(del ingls upper). Entonces el sistema
Ax = b
puede resolverse de la siguiente forma: Usando (7.1), el sistema (7.2) se

puede escribir en la forma
(7.3)
L(U x) = b.
179
7.1. Descomposicin LU
En este punto introducimos una nueva variable (por sustitucin)
y = U x,
obteniendo as el nuevo sistema
Ly = b.
(7.4)
Resolvemos entonces dicho sistema para la variable
y,
mediante sustitu-
cin hacia adelante. Como paso nal, usamos sustitucin hacia atrs para
resolver el sistema
U x = y.
(7.5)
Es de anotar, que los sistemas (7.4) y (7.5) son relativamente fciles de

resolver dado que se trata de matrices de coecientes triangulares inferiores y superiores respectivamente. La factorizacin o descomposicin
LU
es particularmente til cuando se requiere resolver de manera simultnea

varios sistemas de ecuaciones que dieren nicamente en la parte no homognea.
El siguiente resultado nos da condiciones sucientes para la existencia de
una tal factorizacin
LU
para una matriz cuadrada
A.
Posteriormente lo
extenderemos a matrices rectangulares.

7.1.1.
Teorema
Supongamos que
perior,
(Factorizacin
LU ).
Sea
una matriz cuadrada
n n.
se puede reducir por las a una matriz triangular su-
aplicando nicamente operaciones elementales de eliminacin
Fi + Fj con i < j ). Entonces existe una matriz trique es invertible y posee unos en su diagonal principal,
(operaciones del tipo

angular inferior
tal que
A = LU.
Si
es invertible, entonces esta descomposicin es nica.
Demostracin. Por hiptesis, existen matrices elementales
. . . , Ek
del tipo (Fi
+ Fj , i > j )
y una matriz
E1 , E2 ,
(triangular superior)
tales que
Ek Ek1 E2 E1 A = U.
De aqu obtenemos
A = E11 E21 Ek1 U.
Ahora bien, por construccin, cada matriz elemental
E1 , E2 , . . . , Ek
es
triangular inferior y tiene unos en su diagonal principal, por consiguiente

sus inversas
E11 , E21 , , Ek1
y la matriz
L = E11 E21 Ek1
tam-
bin tienen las mismas caractersticas (ver ejercicio 1, de la seccin 7.5.2).

180
Lo que implica que hemos obtenido la factorizacin LU buscada para la

matriz
A,
es decir:
A = LU,
Consideremos ahora una matriz invertible
y demostremos la unicidad
de dicha factorizacin. Supongamos que tenemos dos factorizaciones LU

para
de la forma
A = L1 U1 = L2 U2 ,
con
U1 , U2
matrices triangulares superiores y
L1 , L2
matrices triangulares
inferiores con unos en su diagonal principal. Como

matrices
U1 , U2
es invertible las
tambin lo son, ms an sus inversas son igualmente
triangulares superiores (ver ejercicio 2 de la seccin 7.5.2). De esta ltima

igualdad obtenemos entonces
1
L1
2 L1 = U2 U1 .
El lado izquierdo de esta lgualdad es producto de matrices triangulares
inferiores con unos en la diagonal, por tanto es riangular inferior y tiene
unos en la diagonal principal. Igualmente, el lado derecho es una triangulares superiores, pues es el producto de matrices triangulares superiores
(ver ejercicio 2 de la seccin 7.5.2). Entonces
que
L2 = L1
L1
2 L1 = I,
de esto se sigue
y por ende,
U1 = U2 .
En el ejemplo 7.1.5 consideramos una matriz no invertible, que posee

innitas descomposiciones LU.
7
8 . Aplique7.1.2. Ejemplo.
12
mos operaciones elementales, sin intercambio, para llevar a A a una forma
1
Considere la matriz 3 3, A = 2
3
4
5
6
escalonada.
1
2
3
4
5
6
7
8
12
2F1 +F2
3F1 +F3
2F2 +F3
181
1
0
0
1
0
0
4
7
3 6
6 9
4
7
3 6 = U
0
3
Si denotamos entonces con
E1 , E2
nientes de las operaciones elementales
E3 las matrices elementales prove2F1 + F2 , 3F1 + F3 y 2F2 + F3
respectivamente, entonces obtenemos
E3 E2 E1 A =
A =
(E3 E2 E1 )1 U
E11 E21 E31 U
1
2
0
1
2
3
0
0
1
0
0
1
0
1
0
0
1
2
0
1 0 0
0 0 1 0 U
1
0 2 1
4
7
3 6 = LU .
0
3
1
0
3
0
1
0
1
0
0
En este caso esta factorizacin es nica.

7.1.3.
con
Observacin.
i < j , (Fi +
Como slo efectuamos operaciones del tipo Fi + Fj

1
Fj ) = ()Fi + Fj y L es triangular inferior con unos
(1's) en su diagonal principal. La informacin sobre
L se puede almacenar
U, simplemente
en aquellas posiciones donde se obtienen los ceros (0's) de

colocando los opuestos de los multiplicadores
tales aplicadas del tipo
Fi + Fj
con
en las operaciones elemen-
i < j.
En nuestro ejemplo anterior
1
2
3
7
8
12
4
5
6
2F1 +F2
3F1 +F3
2F2 +F3
4
7
3 6
6 9
4
7
3 6
2
3
de donde obtenemos que
1
L= 2
3
son tales que
0
1
2
0
0
1
A = LU .
182
1
U = 0
0
4
7
3 6
0
3
7.1.4.
Ejemplo.
Considere la matriz
3
2
4
10 4
0
.
2 5 2
4
4 7
2
4
A=
3
2
Apliquemos operaciones elementales, sin intercambio, para llevar la matriz
a una forma escalonada
3
2
4
10 4
0
2 5 2
4
4 7
2
4
3
2
(2)F1 +F2
(3/2)F1 +F3
(1)F1 +F4
(20/3)F3 +F4
-1
2
8
2
4
8
4
6 3
3
4
-3/2
5/8
-1
7/4
3
4
3/2
5/8
2
8
3
-1
7/4
20/3
(5/8)F2 +F3
(7/4)F2 +F4
-3/2
3
4
5/2
2
4
8 8
3
9
20 11
4
8
9
49
1
0
2
1
L=
3/2 5/8
1 7/4
0
0
0
0
3
0
20/3 1
son matrices tales que
A = LU,
2 3
0 4
U =
0 0
0 0
siendo esta factorizacin nica.
7.1.5.
Ejemplo.
4
8
,
9
49
2
8
3
0
Considere la matriz
1
A = 1
2
2
3
2 3 .
4
6
Aplique-
mos operaciones elementales, sin intercambio, para llevar la matriz

183
una forma escalonada
2
3
2 3
4
6
1
1
2
(1)F1 + F2
(2)F1 + F3
-1
0 0
1 0
x 1
2 3
0 0
0 0
1
U = 0
0
En este caso
2
0
0
3
0
0
A = LU,
1
L = 1
2
donde
no es nica.
con
arbitrario.
Consideremos ahora el caso en que se necesitan intercambio de las para

poder reducir una matriz. Existe en este caso un procedimiento que per-
LU ,
mite extender la factorizacin
el cual hace uso de matrices per-
mutacin.
Como se recordar, el intercambio de dos las de una matriz
expresar como
las de
de
Pi A, siendo Pi
se puede
la matriz permutacin correspondiente a las
A que deseamos intercambiar. Ahora bien. Si durante la reduccin

P1 , . . . , Pk permutaciones
a una forma escaln necesitamos realizar
de las, stas puede hacerse al comienzo de todo el procedimiento y pro-
P = P1 Pk . El paso siguiente consiste entonces en

LU a la matriz P A en lugar de la matriz A. Es
buscamos ahora matrices L (triangular inferior) y U (tri-
ducir as la matriz
aplicar la factorizacin
decir, nosotros
angular superior) tales que
P A = LU .
7.1.6.
Ejemplo.
Hallemos la descomposicin para la matriz
0
A= 2
1
En este caso, para reducir
2
4
2
3
7 .
5
a una matriz triangular superior
es nece-
sario primero una o varias operaciones elementales del tipo permutacin
Fi + Fj con i > j ).
F12 . Si llamamos P a
de las (tambin es posible usar operaciones del tipo

Una de tales operaciones de intercambio puede ser
la correspondiente matriz permutacin obtenemos entonces
2
PA = 0
1
4
2
2
184
7
3 .
5
A esta nueva matriz le aplicamos los pasos descritos en los ejemplos anteriores y obtenemos
2
0
1
3
3
5
4
2
2
(1/2)F1 + F3
7
3
3/5
4
2
0
2
0
1/2
0 0
1 0
0 1
1
L= 0
1/2
7
3
3/5
4
2
0
2
U = 0
0
son matrices tales que
P A = LU .
7.1.7.
Teorema.
Sea
A una matriz
P tal que
invertible
n n.
Entonces existe una
matriz de permutacin
P A = LU
donde
es una matriz triangular inferior y
superior. Se tiene adems, que para cada matriz
es una matriz triangular
P, L
son nicas.
El siguiente teorema recoge ahora la formulacin para la descomposicin
LU
para matrices
7.1.8.
Teorema.
Sea
rectangulares
m n.
A una matriz rectangular mn que se puede reducir
a una forma escalonada efectuando nicamente operaciones elementales
Fi + Fj con i < j ). Entonces existe

m m triangular inferior L con unos en la diagonal principal
matriz m n, U con uij = 0, si i > j tales que
de eliminacin (operaciones del tipo

una matriz
y una
A = LU.
7.1.9.
Ejemplo.
Encontremos la descomposicin
1
A= 2
3
4
5
6
7
8
12
185
LU
2
1
.
3 34
para la matriz
Apliquemos para ello, operaciones elementales, sin intercambio, para llevar

a la matriz
1
2
3
a una forma escalonada
4
5
6
7
8
12
2
1
3
(2)F1 + F2
(3)F1 + F3
(2)F1 + F2
4
7
2
3 6 5
6 9 3
4
7
2
3 6 5
1
L= 2
3
son tales que
0
0
1
0
1
2
A = LU.
1
U = 0
0
4
7
2
3 6 5
0
3
7
En general, el esquema para una factorizacin
LU
para una matriz que
se puede reducir a una forma escalonada nicamente usando operaciones

elementales de eliminacin est dado por la grca 7.1.
0
A
U
0
0
A
0
A
Figura 7.1. Esquema de la factorizacin LU
186
El siguiente ejemplo, nos ilustra cmo hacer uso de la descomposicin
LU
en el proceso de resolver resolver sistemas lineales de ecuaciones.

7.1.10.
Ejemplo.
Considere el sistema de ecuaciones
x1 + 4x2 + 7x3
2x1 + 5x2 + 8x3
3x1 + 6x2 + 12x3
4
A
cuya matriz de coecientes corresponde a la matriz

cuyo trmino independiente es
bT =
del ejemplo 7.1.2 y
. De acuerdo con dicho
ejemplo se tiene
1
A= 2
3
4
5
6

7
1
8 = 2
12
3
0
1
2
0
1
0 0
1
0
4
7
3 6 = LU
0
3
Lz = b, esto es
=1
z1
2z1 + z2
=2 ,
3z1 + 2z2 + z3 = 4
Ahora bien planteamos el sistema
cuya solucin es
1
z = 0 .
1
U x = z, esto
x1 + 4x2 + 7x3 = 1
3x2 6x3
=0 ,
3x3
=1
Con esta solucin planeamos el sistema
es el sistema
y cuya solucin es
x1 = 4/3;
x2 = 2/3
187
x3 = 1/3.
7.2. Descomposicin QR
En esta seccin hablaremos de la descomposicin QR de una matriz, donde
Q es una matriz con columnas ortogonales (ortonormales) y R es una matriz triangular inferior. Dicha descomposicin es de gran importancia para
resolver problemas de mnimos cuadrados y tiene una estrecha relacin con
el clculo de la inversa generalizada de una matriz. En el caso de matrices
cuadradas, dicha descomposicin es la base de un algoritmo para determinar numricamente y de forma iterativa, los valores propios de la matriz
(ver captulo 8 de [ ]).
En primer lugar haremos aqu la discusin de la descomposicin QR para

una matriz
de rango columna completo. En este caso, la factorizacin
se basa en el proceso de ortogonalizacin de Gram-Schmidt descrito en

teorema 1.2.24. El siguiente teorema nos garantiza la existencia de una
tal factorizacin en dicho caso y su demostracin resume el proceso para
encontrarla.
7.2.1.
Teorema (Factorizacin QR (Parte I)).
de rango columna completo
n.
Sea
A Mmn una matriz

Q Mmn con
Entonces existen matrices
columnas ortogonales (ortonormales) y
R Mnn
triangular superior e
invertible tales que
A = QR
Demostracin. Consideremos la matriz
A particionada por sus colum-
nas, sto es,
A=
A1
A2
An
n. De aqu se tiene que

B = A1 , A2 , . . . , An es una base de C(A) (el espacio colum-
la cual por hiptesis es de rango columna completo

el conjunto
na de
A).
Aplicando el proceso de ortogonalizacin de Gram-Schmidt

188
(teorema 1.2.24) a esta base se obtiene
v1
v2
v3
= A1
2

A ; v1
v1
hv1 ; v1 i
3

A ; v1
A ; v2
3
= A
v1
v2
hv1 ; v1 i
hv2 ; v2 i
= A2
.
.
.
vn
= An
n1
X
i=1
hAn ; vi i
vi .
hvi ; vi i
Despejando de aqu cada vector columna
A1
A3
Aj
obtenemos:
v1
2

A ; v1
= v2 +
v1
hv1 ; v1 i
3

A ; v2
A ; v1
v1 +
v2
= v3 +
hv1 ; v1 i
hv2 ; v2 i
.
.
.
vn +
n1
X
i=1
hAn ; vi i
vi .
hvi ; vi i
As que podemos escribir:

189
A =
A1
A2
An
A =
A =
v1
v2
vn
2

A ; v1
hv1 ; v1 i

A3 ; v1
hv1 ; v1 i
2

A ; v2
hv2 ; v2 i
hAn ; v1 i
hv1 ; v1 i
.
.
.
.
.
.
.
.
.
..
hAn ; v2 i
hv2 ; v2 i
hAn ; v3 i
hv3 ; v3 i
.
.
n
hA ; vn1 i
hvn1 ; vn1 i
Q0 R0 ,
A.
que corresponde a la descomposicin QR no normalizada de la matriz
Q0 para denir
D = diag(kv1 k , kv2 k , . . . , kvn k). De esta
igualdad A = Q0 R0 como sigue:
Usamos ahora los mdulos de las columnas de la matriz

la matriz diagonal invertible
forma, podemos reescribir la
A =
=
Q0 R0
Q0 D1 DR0
v1
v2
kv1 k kv2 k
vn
kvn k
kv1 k
i
0
.
..
0

A2 ; v 1
kv1 k
hv1 ; v1 i
kv2 k
.
.
.
..
hAn ; v1 i
hv1 ; v1 i
hAn ; v2 i
kv2 k
hv2 ; v2 i
kv1 k
.
.
.
kvn k
QR ,
que corresponde a la descomposicin QR normalizada de la matriz

190
A.
7.2.2.
Ejemplo.
Encontremos la descomposicin QR para la matriz
1
1
A=
1
1
2 1

1
2
= A1
1
2
1
1
A2
A3
Aplicando el proceso de ortogonalizacin de Gram-Schmidt obtenemos
1
1
= A1 =
1 ;
1
v1
v2
v3
2
1
9
2

1 1 1 1 3
A ; v1
v1 =
= A2
1 + 4 1 = 4 3 ;
hv1 ; v1 i
1
1
3
3

A ; v1
A ; v2
= A3
v1
v2
hv1 ; v1 i
hv2 ; v2 i
0
1
9
1
2 1 1 2 3 1
=
2 2 1 + 3 3 = 1 .
2
1
3
1
De aqu se tiene que
A1
A
A3
= v1
1
= v1 + v2
4
2
1
v1 v2 + v3 .
=
2
3
Siguiendo ahora los delineamientos de la demostracin del teorema anterior obtenemos:

191
1 1/4 1/2
1 2 3
1
2/3
A A A = [v1 v2 v3 ] 0
0
0
1
1
9/4 0
1 3/4 1 1 1/4 1/2
1
2/3
1 3/4 1 0
0
0
1
1
3/4 2
A =
Q0 R0
En este caso, la matriz
(Descomposicn
no normalizada).
D est dada por D = diag 2,
3
2
3,

6 . Entonces
podemos escribir
1 2 3
A A A = Q0 D1 DR0
1/2
3/2 3
0
1/2 1/2 3 1/ 6
1/2 1/2 3 1/ 6
1/2
1/2 3 2/ 6
= QR
1/2
3 3/2
(Descomposicin normalizada).
m n, A no tiene rango columna no

0 < r < n. En este caso se tiene, que tamdescomposicin QR pero la matriz Q en la factorizacin
Supongamos ahora que la matriz

completo, esto es,
bin existe una
(A) = r
con
no normalizada contiene columnas nulas, como lo establece el siguiente

corolario.
7.2.3.
Teorema (Factorizacin QR (Parte II)).
tal que
(A) = r
con
0 < r < n.
r columnas ortogonales no nulas y el resto

Mnn triangular superior invertible tales que
con
A = Q0 R0
La matriz
A Mmn
Q0 Mmn
matriz R0
Sea la matriz
Entonces existen una matriz

nulas, y una
(Descomposicin no normalizada) .
tambin se puede descomponer de manera normalizada en la
forma
A = QRr
192
Q Mmr tiene columnas ortogonales (ortonormales) no nulas y

Rr Mrn es "triangular" superior de orden r. Las r columnas no nulas
de Q0 , respectivamente las r columnas de Q, conforman una base para
C(A).
donde
Demostracin. Si seguimos los pasos de la demostracin del teore-
ma 7.2.1 obtenemos la descomposicin QR no normalizada para
A.
sto
es,
A = Q0 R0 .
En este caso sin embargo,
y
nr
Q0
tendr
columnas ortogonales no nulas
columnas nulas. Ahora, para denir matriz diagonal
los mdulos de la columnas no nulas
Q0
usamos
respetando sus posiciones y unos
(1's) en el resto de componentes de la diagonal de
D. La matriz Q buscada
corresponde entonces a la matriz formada por las columnas no nulas de
Q0 D1 ,
igualmente
Rr
se obtiene eliminado de la matriz
con ndices iguales a las columnas nulas de
DR0 ,
las las
Q0 .
El siguiente ejemplo nos ilustra el proceso para calcular la descomposicin

QR en el caso de matrices que no son de rango columna completo.
7.2.4.
Ejemplo.
Encontrar la descomposicin QR para la matriz
2
0 1

1
3
2
= A1
1
3
2
1 3
1
1
1
A=
1
1
A2
A3
A4
Procedamos ahora a aplicar los pasos del mtodo de ortogonalizacin de

Gram-Schmidt con las columnas de
A,
esto es:
1
1
;
1
1
v1
= A1 =
v2
9
A2 ; v 1
1
1 3
;
v 1 = A2 + v 1 =
= A2
hv1 ; v1 i
4
4 3
3
193
0
0
A3 ; v 2
A3 ; v 1
9
v1
v 2 = A3 v 1 + v 2 =
A3
0 ;
hv1 ; v1 i
hv2 ; v2 i
4
0
0
1
1
2
4
A v1 + v2 0v3 =
1 .
2
3
2
v3
v4
Despejando los vectores
Aj 's, en trminos de los vectores vj 's, como en el
ejemplo 7.2.2 obtenemos entonces
A1
A2
A3
A4
1
9/4 0 0
0
3/4 0 1
3/4 0 1 0
0
3/4 0 2
1
1
=
1
1
1/4
1
0
0
9/4
1
1
0
1/2
2/3
0
1
= Q0 R0 .
D, cuyos elementos hDiii corresponden
Q0 . TPara las
columnas nulas de Q0 tomamos hDiii = 1. En nuestro ejemplo, entonces
h
i
3
tenemos, D = diag 2,
6 . Ahora bien, escribimos
2 3, 1 ,
Tomamos ahora la matriz diagonal
a los a los mdulos de las i-simas columnas no nulas de
A =
A1
A2
A3
A4
1/2
3/2 3
1/2
1/2 3
1/2
1/2 3
1/2
1/2 3
= Q0 R0 = Q0 D1 DR0
1/2
1/ 6
0
1/ 6
0
0
2/ 6
3 3/2
Esto es,
194
0
0
9/2

1 3
1
0
0
6
1/2
3/2
1/2
3/6
1/2
3/6
1/2
1/2
1/2
3/6
0
6/6
1 3
0 3 3/2
0
1
0
0
6/6
0
0
0
0
6
0
6/3
2
1/2 9/2
1
6/6

0 3 3/2
1 3
6/6
0
0
0
6
6/3
1/2
9/2
3/2
3/6
3/6
1/2
1/2
3/6
= QR .
Q se obtiene al eliminar la tercera columna (columna nula) de
Q0 D1 , mientras que R se obtiene al eliminar la correspondiente tercera
la de DR0 .
La matriz
En este punto de la discusin, invitamos al lector a recordar los concep-
tos dados en el captulo 6 sobre inversas condicionales (A ), inversa gen-
eralizada (A ), mejor solucin aproximada (M.S.A.) y solucin mnima

cuadrada (S.M.C.). El siguiente resultado presenta la relacin existente
entre la descomposicin
7.2.5.
Teorema.
1. Si
Sea
(A) = n
QR
y la inversa generalizada de una matriz
A Mmn
una matriz real.
entonces existe una matriz
Q, m n, con columnas
R triangular superior
ortogonales (ortonormales) y una matriz

e invertible
nn
A.
tales que
A = QR,
adems se tiene que
A+ = R1 QT .
195
(A) = r < n entonces existe una matriz Q, m n, con las

r columnas no nulas ortogonales (ortonormales) y una
matriz R triangular superior n n, ambas de rango r tales que
2. Si
primeras
A = QR,
adems se tiene que
A+ = RT (RRT )1 QT .
es una matriz
mn
de rango
columna completo. Segn lo establece el teorema 7.2.1, existen matrices
Q Mmn
R Mnn
con las condiciones citadas tales que
De otra parte, sabemos que
A+ = (AT A)1 AT
A = QR.
(teorema 6.2.1(1)). De
aqu se sigue que:
A+
(AT A)1 AT
(RT QT QR)1 RT QT
= R1 (RT )1 RT QT
= R1 QT .
Lo que demuestra el inciso 1.
A no tiene rango columna completo, es decir,

(A) = r; 0 < r < n. Segn el teorema 7.2.3 existen
matrices Q Mrn y R Mrn con las condiciones requeridas tales que
A = QR. Ahora, aplicando el teorema 6.2.1 (con B = Q y C = R), as
Supongamos ahora, que
supongamos, que
como el literal (iv) del teorema 6.2.1, obtenemos entonces
A+
RT (RRT )1 (QT Q)1 QT
RT (RRT )1 Q,
(porque (Q
Q)1 = Ir )
7.2.6.
Nota.
Con respecto a los resultados anteriores podemos anotar
que:
1. Si
A Mmn
es una matriz de rango
r<n
notacin del teorema anterior, que
A+ A = RT RRT
196
1
R.
se tiene, usando la
2. De acuerdo con el teorema 6.4.8, todo sistema de ecuaciones
Ax = y
tiene una nica M.S.A. dada por
x = A+ y.
Puesto que el conjunto de todas la soluciones mnimas cuadradas
del sistema
Ax = y
estn dadas por (ver captulo 6)
x = A+ y + (I A+ A)h;
h Rn .
Del literal anterior se sigue:
x = RT (RRT )1 QT y + (I RT (RRT )1 R)h;
h Rn ,
y de aqu, que el conjunto de todas la soluciones mnimas cuadradas

del sistema
Ax = y
est dada por las soluciones
Rx = QT y .
Ejemplo.
7.2.7.
Considere el sistema de ecuaciones lineales
Ax = y,
siendo
1
1
A=
1
1
2
0 1
1
3
2
1
3
2
1 3
1
De acuerdo con el ejemplo 7.2.4
Q=
1/2
1/2
1/2
1/2
3/2
3/6
3/6
3/6
(A) = 2
1
1
y=
2 .
1
y las matrices
1/2
9/2
R=
0
3 3/2
6/6
6/6
6/3
son tales que
A = QR .
197
6
0
7.3. Descomposicin de Cholesky

Entonces
A+ = Rt (RRt )1 Q, (ver
2
A+
teorema 7.2.5), es decir,
1
18
1
18
7
18
1
18
1
18
1
6
1
18
1
18
1
18
1
6
1
6
1
6
1
3
y el conjunto de todas las S.M.C. (ver nota 7.2.6) est dada por las soluciones del sistema
1/2
Rx = QT y = 3/2 ,
6/2
es decir por la expresin
2
1/6
1
2/3
=
0 + h 1 ,
0
1/2
En particular, si
h = 1/18,
h R.
obtenemos las M.S.A.
1
11 .
x = A+ y =
1
18
9

A diferencia de las factorizaciones vistas hasta ahora, la factorizacin o
descomposicin de Cholesky se aplica slo a matrices simtricas positivas
denidas y sta consiste en expresar una tal matriz como producto de una
matriz triangular superior y por su transpuesta. En forma ms precisa
tenemos
198
Teorema
7.3.1.
(Factorizacin de Cholesky) Si A Mnn es una matriz
simtrica positiva denida, entonces existe una nica matriz real T =
[tij ]nn
triangular superior con tii
> 0 (i = 1, . . . , n),
tal que
A = TTT .
Adems,
2
|A| = |T | = [ni=1 tii ] .

Demostracin. La demostracin la haremos haciendo induccin so-
bre el orden de la matriz. Primero lo demostraremos para
n = 2:
una matriz 2 2 simtrica positiva denida, entonces
se tiene que > 0 y |A| = > 0 (teorema 4.3.6). Necesitamos

a b
mostrar que existe una nica matriz triangular superior T =
,
0 c
T
con elementos de la diagonal positivos, tal que A = T T, esto es:

2

a 0
a b
a
ab
=
=
.

b c
0 c
ab b2 + c2
Sea
A=
De sto se tiene que
a2 =
de donde,
ab =
de donde,
b2 + c2 =
de donde,
(a > 0)
y
b=
p
2
c=
(c > 0).
a=
sto es,

A=
adems, se tiene que
0
p
p
2
n = k,
sto es, sea
una simtrica positiva denida. Supongamos que existe una
nica matriz triangular superior

2
|A| = |U | = ki=1 uii
2
= T T T,
|A| = (t11 t22 )2 .
Supongamos ahora que la armacin es cierta para
B Mkk
U Mkk
tal que
(hiptesis de induccin).
199
A = UT U
y que
n = k + 1. ConsiderA M(k+1)(k+1) simtrica positiva denida.

Podemos escribir la matriz A por bloques en la forma

A a
Mkk , a Mk1 y R
A=
,
con A
at
Demostremos ahora que la armacin es cierta para

emos entonces una matriz
La matriz
es simtrica positiva denida (teorema 4.3.6), entonces por
hiptesis de induccin, existe

una nica matriz triangular superior
Mkk
tal que
A = U T U
Consideremos ahora la matriz triangular superior
(k + 1),

2

2
A = |U | = ki=1 uii .
T
de tamao
(k + 1)
con elementos de la diagonal principal positivos y escrita por
bloques en la forma

T =
U
0
y
z

,
y Mk1 y z R+ deben ser escogidos adecuadamente

A = T T ; sto es, tales que:

T

U
0
U y
A a
=
A=
0 z
yT z
aT
T

U U
Uy
=
.
yT U yT y + z 2
donde
tales que,
Igualando trmino a trmino debemos tener que
U T y = a,
lo que implica
y = (U T )1 a
yT y + z 2 = ,
lo que implica
z = ( yT y)1/2 .
Adems se tiene que
|A| =
=
|T |2 = |U |2 z 2
k
2

2
i=1 uii z 2 = k+1
.
i=1 tii
Veremos a continuacin dos procesos para calcular la factorizacin de

Cholesky. El primero se basa en la denicin propia de la factorizacin
de Cholesky, mientras que el segundo usa resultados del captulo sobre
diagonalizacin de matrices positivas denidas.
200
Proceso A (clculo de la factorizacin de Cholesky):

Sea
TTT
nn
una matriz simtrica
con
A =
positiva denida. Puesto que
una matriz triangular superior con elementos positivos en su
diagonal principal, se debe tener que:
a11
a12
a13
a12
a22
a23
a13
a23
a33
a1n
a2n
a3n
.
.
.
.
.
.
.
.
.
..
.
.
.
a1n
a2n
a3n
t11
t12
t13
0
t22
t23
0
0
t33
.
.
.
.
.
.
.
.
.
..
t1n
t2n
t3n
ann
t11
0
0
0
0
0
.
.
.
..
.
0
tnn
t12
t22
0
t13
t23
t33
t1n
t2n
t3n
.
.
.
.
.
.
..
.
.
.
tnn
Clculos directos muestran entonces que se debe cumplir que:

1.
2.
3.
4.
t11 =
a11 .
a1j
a1j
= ; j = 1, . . . , n.
t11
a11

Pi1 2 1/2
tii = aii k=1 tki
; i = 2, . . . , n.
"
#
i1
X
1
aij
tki tkj ; j > i, i = 2, . . . , n 1.
tij =
tii
t1j =
k=1
5.
tij = 0; j < i, i = 2, . . . , n.
Observacin.
Con respecto a este mtodo y al clculo de los elementos
elementos no nulos tij de la matriz triangular

1.
podemos decir que:
t2ii es igual al elemento aii menos la suma de los cuadrados de los

elementos ya calculados de la i-sima columna de T . Es decir,
t2ii = aii
i1
X
t2ki ,
k=1
201
i = 1, . . . , n.
tii tij es igual a aij menos la suma del producto de

los elementos ya calculados de las i-sima y j -sima columnas
2. El producto
de
T.
Es decir,
tij tii = aij
i1
X
tki tkj ;
i, j = 1, . . . , n .
k=1
7.3.2.
Ejemplo.
Siguiendo el esquema anterior, encuentre la descomposi-
cin de Cholesky para la matriz simtrica positiva denida
4
2
A=
0
2
2
2
3
2
0
2
3 2
.
18
0
0
4
Clculos directos muestran que:
1.
t11 =
2.
t22 =
t23
t24
3.
t33
a11 = 2; t12 =
a13
a14
a12
= 1; t13 =
= 0; t14 =
= 1.
2
2
2
a22 t212 = 2 1 = 1;
a23 t12 t13
3 (1) 0
=3
=
=
t22
1
a24 t12 t14
2 (1) 1
=
= 1.
=
t22
1
p
= a33 t213 t223 = 18 32 02 = 3;

p
a33 t13 t14 t23 t24

0 0 1 3(1)
=
=1
t33
3
p
p
= a44 t214 t224 t234 = 4 12 (1)2 12 = 1
t34 =
4.
t44
Es decir,
2
0
T =
0
0
1
1
0
0
es la matriz triangular superior tal que

202
0
3
3
0
1
1
,
1
1
A = T T T.
7.3.3.
Ejemplo.
Siguiendo con el esquema anterior, encuentre la descom-
posicin de Cholesky para la matriz simtrica positiva denida
4
A= 2
4
2 4
10
4 ,
4
9
Clculos directos muestran que:
1.
t11 =
2.
t22 =
p
a22 t212
2.
3.
t33 =
a12
a13
= 2.
= 1; t13 =
t11
2
a23 t12 t13

4 (1)(2)
=
= 10 1 = 3; t23 =
=
t22
3
a11 = 2; t12 =
p
p
a33 t213 t223 = 9 (2)2 (2)2 = 1.
Es decir,
2
T = 0
0
1
3
0
es la matriz triangular superior tal que
2
2 ,
1
A = T T T.
Proceso B (clculo de la factorizacin de Cholesky):

De acuerdo con los resultados presentados en el captulo 4 se tiene que una
matriz simtrica
superior
P,
A,
tal que
es positiva denida, si existe una matriz triangular
P T AP = I
(ver tambin el teorema 5.1.2). De aqu
que
A = (P T )1 P 1 = (P 1 )T P 1 .
As las cosas, nosotros podemos encontrar la matriz
PT
usando los pasos
ilustrados en el ejemplo 3.3.15, es decir, planteando la matriz
| I
y realizando de manera adecuada y simultneamente operaciones elementales en las las y columnas de
A y en las las de I
(sin hacer intercambios
de las).
Nota.
Existe una relacin entre la factorizacin LU para matrices positi-
vas denidas y la descomposicin de Cholesky. En efecto, si

ca positiva denida entonces
se puede expresar mediante
A es simtriA = T T T con
una matriz triangular superior con elementos positivos en la diagonal
principal.
203

Ahora bien, sea
D = diag (t11 , t22 , . . . , tnn )

A =
7.3.4.
Ejemplo.
entonces se tiene que:
TTT
T T D1 DT
(T T D1 )(DT )
LU.
Consideremos la matriz simtrica positiva denida
4
A= 2
4
2
10
4
4
4 .
9
Del ejemplo 7.3.3 se tiene que
2 4
2 0 0
2 1 2
10
4 = 1 3 2 0 3
2 = TTT .
4
9
2 2 1
0 0
1
2 0 0
3 0 , se tiene que
Tomando D = 0
0 0 1
2 1 2
2 0 0
2
A = 1 3 2 0 3
0 0
1
2 2 1
2 1 2
2 0 0
1/2
0
0
2 0 0
2
1/3 0 0 3 0 0 3
= 1 3 2 0
0 0
1
0 0 1
0
0
1
2 2 1
4 2 4
1
0
0
6 = LU .
1
0 0 9
= 1/2
1 2/3 1
0 0
1
4
A= 2
4
Ahora bien, supongamos que deseamos resolver el sistema de ecuaciones

lineales
Ax = y,
siendo
triangular positiva tal que
una matriz simtrica y positiva denida. Sea
A = TTT,
entonces
Ax = y T T T x = y T x = (T T )1 y := z,
es decir, si se conoce la factorizacin de Cholesky para una matriz
T T T , la solucin del sistema Ax = y

sistema triangular superior
T x = z,
A=
se reduce a encontrar la solucin del
con
204
z = (T T )1 y.
7.3.5.
Ejemplo.
7.4. Descomposicin en valores singulares
Consideremos el sistema de ecuaciones lineales
4x1 + 2x2 4x3
12
2x1 + 10x2 + 4x3
4x1 + 4x2 + 9x3
= 3 .
Puesto que la matriz de coecientes es justo la matriz del ejemplo 7.3.3, la

matriz aumentada del sistema se puede reducir mediante multiplicacin
del sistema por la matriz
| y
T T
(ver ejemplo), para obtener:
4
2 4
4
= 2 10
4
4
9
2 1 2 |
2 |
= 0 3
0 0
1 |
12
6
15
6

0 = T
3
|
|
|
| z
De esto ltimo se sigue que
x3
x2
x1
= 3,
6
2x3
=
= = 2,
3
3
6 + 2x3 + x2
626
=
=
= 1.
2
2
7.4. Descomposicin en valores singulares (SVD)

En esta seccin abordaremos el estudio de la descomposicin de una matriz
A la cual involucra los valores y vectores propios de la matrices

AAT y AT A. Como se recordar dichas matrices son positivas
rectangular
simtricas
semidenidas y por ello sus valores propios son no negativos.
Teorema.
A Mmn se tiene que existen maU Mmm y V Mnn y una matriz diagonal
Mmn , con elementos hiij = 0, si i 6= j y hiii =: i 0, y
1 2 s , en donde s = mn {m, n} tales que
7.4.1.
Para toda matriz
trices ortogonales
T
Amn = Umm mn Vnn
.
Los nmeros
12 , 22 , , s2
AT A
(quizs agre-
gando algunos ceros) y los vectores propios asociados son las columnas

v1 v2 vn . Adems, lo nmeros 12 , 22 ,
de la matriz V =
205
, s2 son igualmente los valores propios de AAT (quizs agregando algunos ceros) y los vectores propios asociados son las columnas de U =
u1
u2
um
Adems de tiene las siguientes relaciones entre
estos vectores
Avi
i ui
uTi A =
i viT
i = 1, 2, . . . , s.
A Mmn tiene rango r con 0 <

S = AAT Mmm es no negativa y por tanto
matriz ortogonal U Mmm tal que
2
1 0
0
0 22
0
U T AAT U = D2 = .
.
.
..
.
.
..
.
.
.
2
0
0 m
r < s.
La matriz simtrica
existe una
2
0 son los valores propios de S = AAT y las
12 22 m
columnas de U = [u1 u2 um ] son vectores propios de S correpondidonde
entes a dichos valores propios:
AAT ui = Sui = i2 ui ;
i = 1, 2, . . . , m.
r = (A) = (AAT ), entonces 12 22 r2 > 0. ParU1 U2 con U1 Mmr .

ticionemos ahora la matriz U como U =
Como
Luego
U T AAT U
=

=
U1T
U2T
AAT
U1
U2
U1T AAT U1
U1T AAT U2
U2T AAT U1

Dr2 0
U2T AAT U2
es decir,
206
12
0
..
.
0
=

.
..
0
U AA U
0
22
0
0
.
.
.
..
.
.
.
22
.
.
.
..
.
.
.
|
|
|
|
|
|
|
0
0
.
.
.
..
.
.
.
..
0
0
0
.

.
.
.
0
.
.
.
Esto implica que
U2T AAT U2 = (AT U2 )T (AT U2 ) = 0,

de donde
U2T A = 0
AT U2 = 0.
Tambin se tiene que
U1T AAT U1 = Dr2 ,
o sea:
Dr1 U1T AAT U1 Dr1 = I = (AT U1 Dr1 )T (AT U1 Dr1 ).

sto signica que la matriz
V1 = AT U1 Dr1 Mnr
tiene columnas ortogonales
(V1T V1 = I).
V2 Mn(nr)
Sea
tal que la
matriz
V =
V1
V2
Mnn
es ortogonal. Veamos ahora que
U AV = =
Dr
0
0
0

.
En efecto, de una parte:
U T AV =
U1T
U2T
V1
V2
U1T AV1
U1T AV2
U2T AV1
U2T AV2
U2T A = 0. As mismo,
T
T
V1
V1 V1

V1
V2 =
= I=
V2T V1
V2T

I 0
=
,
0 I
y de otra parte,
V TV
207
V1T V2
V2T V2

lo que implica que
V1T V2 = 0 = (AT U1 Dr1 )T V2
de donde
U1T AV2 = 0.
y nalmente,
U1T AV1
U1T AAT U1 Dr1
Dr2 Dr1 = Dr
1 0
0 2
..
.
..
.
.
.
.
0
0
0
0
.
.
.
.
m
En consecuencia,
U AV = =
Dr
0
0
0

.
Nota.
Observe que
AV1 = AAT U1 Dr1
Avi = i ui
i = 1, 2, . . . , r.
igualmente,
AT U1 = V1 Dr
AT ui = i vi
uTi A = viT i
i = 1, 2, . . . , r.
El siguiente proceso nos ilustra cmo calcular la descomposicin en valores

singulares de una matriz
A Mmn .
Supondremos en este caso, que
m n.
7.4.2.
Algoritmo.
1. Formule
S = AAT Mmm .
2
S : 12 22 m
0.
Encuentre un conjunto ortonormal u1 , u2 , . . . , um de vectores

u1 u2 um (orpropios de S y construya la matriz U =
togonal) y la matriz diagonal D = diag {1 , 2 , , m }.
Si r = (A); Dr = diag {1 , 2 , , r }

T
1
u1 u2 ur , las
Haga V1 = A U1 Dr , siendo U1 =
primeras r columnas de U. Encuentre una matriz V2 Mn(nr)

V1 V2 Mnn sea ortogonal.
tal que la matriz V =
T
Otra forma de (5) es trabajar con la matriz A A.
2. Encuentre los valores propios de

3.
4.
5.
5*.
208
Ejemplo.
7.4.3.

A =
Considere la matriz
2
4
1 2
4
2

; (A) = 2,
calculemos la descomposicin en valores singulares usando el proceso esbozado anteriormente.
Calculando directamente obtenemos la matriz

cuyos valores propios son:
12 = 36
S = AAT =
9
0
0
36

,
22 = 9 (12 22 ).
Calculemos ahora los vectores propios asociados a estos valores propios:
Para
12 = 36
(S 36 I)X = 0,

0
x1
0
=
,
0
x2
0
tenemos el sistema
25
0
es decir el sistema
cuyo conjunto solucin es de la forma

B=
Como
12 -vector
0
x2

: x2 6= 0 .

propio podemos tomar entonces

mente podemos tomar a
u2 =
1
0

como
u1 =
22 -vector
0
1

. Anloga-
propio. Ahora con-
sideramos las matriz ortogonal
U=
u1
u2
0
1
1
0
6
0
0
3
y la matriz diagonal
D = diag {1 , 2 } =

Puesto que
r = (A) = 2
tenemos que
209
Dr = diag {1 , 2 } =
6
0
0
3

.
Con las matrices denidas hasta ahora se tiene que
V1
AT U1 Dr1

2
4
0 1
1/6 0
= 1 4
1 0
0 1/3
2
2

2
4
0
1/3
= 1 4
1/6 0
2
2
2
2
1
2
1
=
Columnas ortonormales.
3
1 2
=
Consideramos ahora la matriz ortogonal
2
1
2
V =
3
1
1

2 = V1
2
2
1
2
V2
0
0
1
1
2 .
con V2 =
3
2
Nosotros tenemos entonces que:
U AV =
6
0
0
3
= .
7.4.4.
Ejemplo.
1
A= 0
1
1
1
0
0
1 ; (A) = 3,
1
calculemos ahora la descomposicin en valores singulares:
S = AAT
2 1
S = AAT = 1 2
1 1
De nuevo calculamos la matriz
1
1 .
2
cuyos valores propios los calculamos de manera usual, es decir, resolviendo

la ecuacin
|S I| = 0,
esto es,
= |S I|

2
1
1

2
1
= 1
1
1
2
210

= ( 4)( 1)2 .

Los valores propios de
son entonces
12 = 4, 22 = 1
32 = 1.
Algunos
clculos usuales nos permiten elegir a los vectores
1
1
1 ;
u1 =
3 1
2
1
1
u2 =
6
1
0
1
1 ,
u3 =
2 1
como vectores propios ortonormales asociados a
12 , 22
32
respectiva-
mente. Consideramos ahora la matriz ortogonal
1/ 3
2/ 6

=
1/ 3
1/ 3
1/ 6
U=
u1
u2
u3
y las matrices diagonales ((A)
1/ 6

1/ 2
.
1/ 2
= 3)
2
D = diag {1 , 2 , 3 } = 0
0
0
1
0
0
0 = Dr .
1
V1 = AT U1 Dr1 , esto es,
1/3 2/6
0
1
1/2
0 1/3
1/6
1/2 0
1
0
1/ 6 1/ 2
1/ 3
1/23 2/6
0
1
0 1/23
1/6
1/2
1
1/ 6 1/ 2
1/2 3

1/6 1/2
1/6
1/ 2 = V
2/ 6
0
Denimos ahora la matriz
V1
1 0
= 1 1
0 1
1 0
= 1 1
0 1
1/3
= 1/3
1/ 3
Nosotros tenemos entonces que:
4
U T AV = 0
0
0
1
0
211
0
0 = .
1
0 0
1 0
0 1
7.5. Ejercicios
7.5. Ejercicios
7.5.1
Responda falso o verdadero justicando su respuesta
1. Las operaciones elementales en las las del tipo
i < j,
Fi + Fj
con
producen matrices elementales triangulares inferiores.
Ci + Cj
i < j , producen matrices elementales triangulares inferiores.
2. Las operaciones elementales en las columnas del tipo

con
3. El producto de dos matrices elementales del mismo tamao, es

una matriz elemental.
A es nica.
Q es una matriz rectangular cuyas columnas son orgonormales
T
entre, entonces Q Q = I.
4. La descomposicin LU para cualquier matriz

5. Si
7.5.2. Demuestre que:
Li , (i = 1, 2), son matrices triangulares inferiores:

a ) Muestre que el producto L1 L2 es una matriz triangular in-
1. Suponga que
ferior.
b ) Mueste que si
L1 es
invertible, entonces su inversa
L1
1
es
tambin una matriz triangular inferior (Sug.: use induccin

matemtica)
L1 y
L2 son tosdo iguales a 1 (uno), entonces las matrices L1 L2 ,
1
L1
y L2
tambin tienen unos en su diagonal principal.
1
c ) Muestre que si los elementos de la diagonal principal de
(Sug.: use induccin matemtica)

2. Use el ejercicio anterior para demostrar que las armaciones son
igualmente vlidas para matrices triangulares superiores.
3. Demuestre que si
A Mmn
tiene rango n y A = QR, donde Q

Res una matriz triangular superior
principal, entonces Q y R son nicas.
tiene columnas ortogonales y

con unos en su diagonal
7.5.5. Calcule
212
7.5. Ejercicios
1. Use la factorizacin LU dada para resolver el sistema de ecuaciones lineales

a)
c)
1 0
3
1
1 0
4 1
2 3

4
1
11
x=
0 1
32
0
2 2
1
2
0 0 3
1 x = 7
1
0 0 2
3
1
5
b)
d)
1
4
7
0
1

0
1
3

2
1
x=
0 7
0
1 2
0 0 3
1
0 0
2. Calcule la descomposicin LU de la matriz
1
A= 2
1
3.
1 2
1 1 .
17 3
3
7
2
T
para resolver el sistema Ax = y, y =
Use dicha descomposicin

5 18 14 .
Encuentre la matriz triangular R tal que A = QR en cada uno
de los siguientes casos
a)
A=
1
1
1
Q=
1
,
3
1
3
1
b)
4.
A=
4
Considere la matriz simtrica positiva denida S = 2
0
2
9
8
0
8
5
a ) Calcule su descomposicin LU.

b ) Calcule sus descomposicin de Cholesky.
5. Calcule la descomposicin en valores singulares de la matriz

A=
2
1
1
4
2
1

.
6. Calcule la descomposicin QR de la matriz
1
0
A=
1
0
0
1
1
0
213
0
1
1
1
1
, Q =
CAPTULO 8
Rectas e hiperplanos. Conjuntos convexos.
Este captulo consta de dos secciones. En la primera daremos las deniciones de recta, segmento de recta e hiperplanos en
Rn .
En la segunda
veremos algunos resultados sobre conjuntos convexos. Quien desee estudiar un poco ms sobre estos tpicos puede consultar el captulo 6 de
[ ].
8.1. Rectas. Segmentos de recta. Hiperplanos
Los conceptos de recta, segmento de recta e hiperplanos en
10]).
en programacin lineal (vase el captulo 6 de [
Rn
son tiles
Antes de proseguir
con nuestra discusin, haremos una pequea aclaracin sobre la notacin

y haremos una diferencia entre lo que es un punto
en el espacio
Rn
y el
segmento de recta dirigido (vector coordenado o simplemente vector), que

tiene como extremo inicial el origen de coordenadas
nal al punto
P.
ste lo denotaremos por
OP
y como extremo
o simplemente
p.
P Rn le asignaremos las coordenadas (x1 , x2 , . . . , xn ) y
escribiremos P (x1 , x2 , . . . , xn ), mientras que al vector OP tambin le
asignaremos las coordenadas (x1 , x2 , . . . , xn ), pero escribiremos OP =

(x1 , x2 , . . . , x3 ) o simplemente, p = (x1 , x2 , . . . , x3 ) (ver gura 8.1 en el
3
caso de R ).
Al punto
215
8.1. Rectas y planos
Hiperplanos
IR 3
x3
x3
P(x1 , x2 , x 3)
p = 0P =(x1 , x2, x 3)
x2
O(0, 0, 0)
x1
x1
Figura 8.1. Puntos y vectores en
Nota.
x2
O(0, 0, 0)
R3 .
P (x1 , x2 , . . . , xn ) y Q(x01 , x02 , . . . , x0n ) en Rn , el

segmento de recta dirigido o vector, que tiene como punto inicial a P y co
mo punto nal Q, lo denotaremos por P Q y le asignamos las coordenadas
(x01 x1 , x02 x2 , . . . , x0n xn ). En tal sentido, y dado que

OQ OP = (x01 , x02 , . . . , x0n ) (x1 , x2 , . . . , xn )
Dados dos puntos
(x01 x1 , x02 x2 , . . . , x0n xn ),
=
escribiremos
8.1.1.
P Q = (x01 x1 , x02 x2 , . . . , x0n xn ).
Denicin
la direccin del vector

(8.1)
En
(Rectas)
d 6= 0
Rn ,
la recta que pasa por el punto
n

` = X Rn : OX = OP + d,
Se dice adems, que el vector
en
es un vector director de la recta
Segn la denicin anterior, un punto

dada por (8.1) sii existe un
se dene como el conjunto de puntos:
0 R
tal
216
X0 Rn pertenece a

que OX0 = OP + 0 d.
`.
la recta
Hiperplanos

y
IR
OX=OP+ d
P
d
d
x
Figura 8.2. Una recta en
8.1.2.
Ejemplo.
R2 .
R3 , la recta que pasa por el punto P (1, 2, 3)

d = (1, 0, 5), es el conjunto de puntos:
En
direccin del vector

` = X(x1 , x2 , x3 ) R3 : (x1 , x2 , x3 ) = (1, 2, 3) + (1, 0, 5),
El punto
X0 (1, 2, 7)
en la

R .
pertenece a dicha recta, pues:
OX0 = (1, 2, 7) = (1, 2, 3) + (2)(1, 0, 5).

Sin embargo, el punto
X (2, 3, 2) no pertenece a la recta `, pues no existe
tal que :
(2, 3, 2) = (1, 2, 3) + (1, 0, 5) = (1 + , 2, 3 + 5 ).
Q de Rn est sobre la recta (8.1) y Q 6= P, entonces

1
existe un 0 R tal que OQ = OP + 0 d. De aqu que d =
P Q, y por
0
Ahora bien, si el punto
lo tanto:
n
o

X Rn : OX = OP + d, R

n
=
X R : OX = OP +
P Q, R .
0
` =
217
Hiperplanos
En consecuencia, podemos decir que la recta que pasa por los puntos
Q (P 6= Q)
de
Rn
` = X Rn : OX = OP + t P Q,
(8.2)
es el conjunto de puntos:
o
tR .
y
IR
OX=OP+t PQ
P
PQ = 0Q OP
t PQ
Figura 8.3. Grca de una recta que pasa por los pun-
tos
Q.
Ejemplo. La recta que pasa por los puntos P = (1, 2, 3) y Q =

(4, 1, 1) de R3 , es el conjunto de puntos:

` = X(x1 , x2 , x3 ) R3 : (x1 , x2 , x3 ) = (1, 2, 3) + t(3, 1, 2), t R .
8.1.3.

8.1.4.
Denicin (Segmento de recta).
El segmento de recta que une los
Q de Rn , se denota por P Q y se dene as:

n
o

PQ =
X Rn : OX = OP + t P Q, para 0 t 1 .
n
o
=
X Rn : OX = tOP + (1 t) OQ, para 0 t 1 .
puntos
X0 Rn

OX0 = OP + t0 P Q.
Segn la denicin anterior, un punto
0 t0 1
tal que
218
pertenece a
PQ
sii existe
Hiperplanos

y
IR 2
Q
OX = OP + t 0 PQ
PQ = OQ OP
t0 PQ
Figura 8.4. Segmento de recta que une los puntos
8.1.5.
Ejemplo.
el punto
PQ =
P (1, 2, 3, 4) con
X(x1 , x2 , x3 , x4 ) R4 :
El segmento de recta que un al punto
Q(0, 1, 0, 2),
es el conjunto de puntos

X R4 : (x1 , x2 , x3 , x4 ) = (1, 2, 3, 4) + t(1, 1, 3, 2) ,
1
X0 ( ,
2
1
( ,
2
3
, 3) pertenece a P Q, pues
2
3
1
, 3) = (1, 2, 3, 4) + (1, 1, 3, 2).
2
2
Sin embargo, el punto X (1, 0, 3, 0) no pertenece a P Q, pues no existe

t con 0 t 1 tal que
El punto
3
,
2
3
,
2
(1, 0, 3, 0)
8.1.6.
Denicin
punto
puntos:
(1, 2, 3, 4) + t (1, 1, 3, 2)
(1 t , 2 t , 3 3t , 4 2t ) .
(Hiperplano)
Rn , el hiperplano que
n 6= 0, se dene como el
En
y que es normal al vector
n
o

H = X Rn : (OX OP ) n = 0 ,
o lo que es lo mismo,
n
o
H = X Rn : OX n = OP n = cte. ,
219
pasa por el
conjunto de
Hiperplanos
n
IR
x3
X
P
x2
x1
Figura 8.5. Grca de un plano en
donde es el producto interno usual en
8.1.7.
Observacin.
En
R2
y en
R3
Rn
R3 .
(vase apartado 1.2.3 1).
los hiperplanos tienen una estructura
muy particular. En efecto,

1. En
R2 ,
un hiperplano es una recta. As por ejemplo, el hiper-
plano (recta) que pasa por el punto

al vector
n = (5, 2),
P (4, 3)
y que es normal
X(x1 , x2 )
de
R2
que satisfacen la ecuacin:
OX n = 5x1 + 2x2 = 20 6 = 26 = OP n,
o sea,
5x1 + 2x2 = 26.

2. En
, un hiperplano es un plano. As por ejemplo, el hiperplano
(plano) que pasa por el punto
n = (1, 1, 3),
P (2, 1, 1)
y que es normal al
X(x1 , x2 , x3 )
R3 que satisfacen la ecuacin:
OX n = x1 + x2 + 3x3 = 2 1 + 3 = 0 = OP n,
vector
o sea,
x1 + x2 + 3x3 = 0 .
220
de
Hiperplanos
Ejemplo. Dados los puntos Q(1, 1, 1), P (1, 1, 2) y el vector n =

(1, 2, 3), encuentre el punto de interseccin, si lo hay, de la recta que pasa
por el punto P en la direccin del vector n y del hiperplano (plano) que
pasa por Q y es normal al vector n.
8.1.8.
P en la direccin del vector n, es

X(x1 , x2 , x3 ) de R3 tales que:

(x1 , x2 , x3 ) = 0X = 0P + n = (1, 1, 2) + (1, 2, 3).
La recta que pasa por
el conjunto de
puntos de
R.
Q y que es normal al vector n, es el

X(x1 , x2 , x3 ) de R3 para los cuales se satisfacen
El hiperplano (plano) que pasa por

conjunto de puntos de
la ecuacin:
OX n = x1 + 2x2 + 3x3 = 6 = OQ n .
Ahora bien, si denotamos por

el plano, entonces:
para algn
R,
al punto de interseccin entre la recta y

OI = OP + n
y tambin
OI n = OP n.
OP + n = OQ n .
Utilizando las propiedades del producto interno encontramos que:
PQ n
2
k nk
1
.
14
En consecuencia, las coordenadas del punto buscado estn dadas por:
OI =
=
1
OP + n = (1, 1, 2) + (1, 2, 3)
14
15 12 31
) .
( , ,
14 14 14
La gura 8.6 ilustra la situacin de la interseccin entre una recta y un

plano.
221
Hiperplanos
n
x3
IR
x
Q
x2
x1
Figura 8.6. Grcas de un plano y una recta en
8.1.9.
Denicin.
Sea
el hiperplano de
Rn
R3
descrito por la ecuacin
OX n = OP n = c
Los conjuntos
n
o
S1 = X Rn : OX n c
n
o
S2 = X Rn : OX n c
se denominan los semiespacios cerrados con frontera
H.
Los conjuntos
n
o
S1 = X Rn : OX n < c
n
o
S2 = X Rn : OX n > c
se denominan semiespacios abiertos con frontera
Nota.
H.
Los semiespacios abiertos no incluyen la frontera
los semiespacios cerrados si la incluyen.

222
H,
mientras que
Hiperplanos
8.2. Conjuntos convexos

IR
x. n. = c
x. n. > c
x
x.n. < c
Figura 8.7. Ilustracin de semiespacios abiertos

Los conjuntos convexos juegan un papel importante en la programacin
lineal. En particular se tiene que la llamada regin factible de un problema
de programacin lineal es un conjunto convexo (vea el teorema 6.6(iii) de
10]).
8.2.1.
Denicin.
Sea
un subconjunto de
si para dos puntos cualesquiera

contenido en
8.2.2.
C3
C4
Teorema.
Q1
de
C,
Se dice que
es convexo,
el segmento de recta
PQ
est
Q2
C1
C2
son convexos, mientras que los
Rn
es un conjunto convexo.
no son convexos.
Todo hiperplano de
Demostracin. Sea
y sean
C.
En la gura 8.1 los conjuntos

conjuntos
Rn .
H el hiperplano de Rn
OX n = OP n = c
puntos de
H.
Ahora, si
es un punto de
coordenadas satisfacen:
OX = OQ1 + t(Q2 Q1 ),
223
0 t 1,
R3
cuyas
Hiperplanos
y
C3
C1
P
Q
P
C2
C4
Q
P
P
(a)
(b)
Figura 8.1. Conjuntos convexos y no convexos
entonces
Q1 Q2 y se
h
i
OQ1 + t(Q2 Q1 ) n
h
i
OQ1 + t(0Q2 OQ1 ) n
OQ1 + t 0Q2 n t OQ1 n
(1 t)OQ1 n + t OQ2 n
(1 t)c + t c
c,
es un punto del segmento de recta

OX n =
=
=
es decir,
8.2.3.
X H.
Teorema.
Por lo tanto
H el hiperplano de Rn . Todo
H es un conjunto convexo.
Sea
abierto con frontera
tiene que:
H el hiperplano de Rn
OX n = OP n = c .
Demostracin. Sea
semiespacio cerrado o
Demostremos nicamente que el semiespacio abierto con frontera
n
o
S = X Rn : OX n < c
es un conjunto convexo. En el caso de semiespacio cerrados con frontera
se procede de manera anloga.

224
Hiperplanos
Q1 y Q2 puntos del conjunto S y sea X un punto del segmento
de recta Q1 Q2 . Puesto que Q1 S y Q2 S , entonces OQ1 n < c y
OQ2 n < c, de aqu que:

h

i
OX n = OQ1 + t(Q2 Q1 ) n
h
i
= OQ1 + t(0Q2 OQ1 ) n
= OQ1 + t 0Q2 n t OQ1 n
= (1 t)OQ1 n + t OQ2 n
Sean pues
(1 t)c + t c = c ,
<
esto es,
X S.
Por lo tanto
Teorema.
La interseccin de dos conjuntos convexos de

n
conjunto convexo de R .
8.2.4.
Demostracin. Sean
C3 = C1 C2 .
Si
C3
C1
C2
Rn
es un
Rn y sea
C3 es automticaS3 , ya que C1 y C2
dos conjuntos convexos de
tiene solamente un punto, entonces
mente convexo. Sean
Q1
son conjuntos convexos de
Q2 dos puntos
Rn , entonces:

OQ1 + t(OQ2 OQ1 ) C1
distintos de
Para todo
tal que
0 t 1.

OQ1 + t(OQ2 OQ1 ) C2
Para todo t tal que
0 t 1.

En consecuencia. OQ1 + t(OQ2 OQ1 ) C3 = C1 C2 para todo t tal que
0 t 1 y por lo tanto C3 es un conjunto convexo de Rn .

La prueba del siguiente corolario se puede obtener aplicando el principio
de induccin matemtica y se propone como un ejercicio.
8.2.5.
Corolario.
vexos de
8.2.6.
Rn .
Rn
La interseccin de un nmero nito de conjuntos conn
es un conjunto conexo de
Teorema
(Envolvente convexa)
R .
Sean
X1 , X2 , . . . , Xm
puntos de
El conjunto:
(
C=
)
m
m
X
X
X R : OX =
i OXi ; i 0, i = 1, . . . , m,
i = 1
n
i=1
i=1
es un conjunto convexo y es llamado la Envolvente convexa de los puntos
X1 , X2 , . . . , Xm .
225
8.3. Ejercicios
Hiperplanos
P y Q dos puntos de C; entonces existen
1 , 2 , . . . , m no negativos, tales que:
Demostracin. Sean
calares
1 , 2 , . . . , m
m
X
i=1
i=1
m
X
i=1
i=1
X
OP =
i OXi ,
es-
i = 1
X
OQ =
i OXi ,
Sea ahora
i = 1 .
un punto en el segmento de recta
P Q,
esto es, un
para
el cual se satisface

OX = OP + t(OQ OP ), 0 t 1.
Puesto que:

OX
m
X
"m
#
m
X X
i OXi + t
i OXi
i OXi
i=1
m
X
i=1
i=1
[(1 t)i + ti ] OXi ,
i=1
donde
(1 t)i + ti 0
m
X
para
i = 1, . . . , m,
[(1 t)i + ti ]
(1 t)
i=1
X C.
m
X
i + t
i=1
En consecuencia,
m
X
i=1
(1 t) + t = 1 ,
=
entonces
8.3. Ejercicios
8.3.1 Responda verdadero o falso, justicando su respuesta.
X (4, 5, 0) pertenece a la recta que pasa por el

P (1, 2, 3) en la direccin del vector d = (1, 1, 1).
El punto X (0, 1, 2) pertenece al segmento de recta que
los puntos P (1, 2, 3) y Q (4, 5, 6).
1. El punto
punto
2.
une a
226
Hiperplanos
8.3. Ejercicios
Q (1, 2, 3) , P (0, 1, 2)
3. Sean
n = (1, 1, 1). El punto de interP en la direccin del vector n

Q y que es normal al vector n, es
seccin de la recta que pasa por

y de hiperplano que pasa por
M (2, 0, 1).
4. La unin de dos conjuntos convexos de
vexo de
5. El conjunto de todas las soluciones

de un sistema de ecuaciones lineales
i = 1, . . . , n
8.3.2
Rn
es un conjunto con-

t
x = x1 x2 xn
Ax = y, tales que xi 0 ,
Calcule
1. Sea
n
o
H = X Rn : OX n = c
a ) Muestre que si
un hiperplano de
Rn .
X=0
/ H, entonces existe un vector n 6= 0
tal que:
n
o
H = X Rn : OX n = 1 .
X = 0
/ H, entonces existen n puntos
H, que como vectores son linealmente in-
b ) Demuestre que si
b1 , b2 , . . . , bn
de
dependientes.
c ) Demuestre que si
X=0
/ H,
(
H=
X Rn : X =
n
X
entonces
i bi ,
b1 , b2 , . . . , bn
)
i = 1
,.
i=1
i=1
donde
n
X
son puntos de
H,
que como vectores
son linealmente independientes.

2. Encuentre
=
=
b1 , b2 y b3 tales que

X R3 : X (2, 1, 1) = 1
(
)
3
3
X
X
3
XR : X=
i bi ,
i = 1
i=1
i=1
b1 = (1, 0, 0), b2 = (1, 1, 0) y b3 = (1, 1, 1).

a ) Demuestre que b1 , b2 y b3 son linealmente independientes.
b ) Encuentre un vector n 6= 0 tal que:
3. Sean
(
H
=
=
3
X
i=1
i=1
X
X R : OX =
i bi ,
3
n
o
X R3 : OX n = 1 .
227
)
i = 1
8.3. Ejercicios
Hiperplanos
H = {X Rn : X N = C} un hiperplano de Rn .
X = 0 H sii C = 0.
b ) Demuestre que si X = 0 H, entonces existen n 1 puntos
a1 , a2 , . . . , an1 de H, que como vectores son linealmente
4. Sea
a ) Muestre que si
independientes.
c ) Demuestre que si
X = 0 H,
entonces
n1
X
X R : OX =
i ai
H=
i=1
donde
a1 , a2 , . . . , an1
son
n1
puntos de
H,
que como
vectores son linealmente independientes.

5. Encuentre
a1
=
=
a2 tales que
n
o
X R3 : OX (2, 1, 1) = 0
n
o
X R3 : OX = 1 a1 + 2 a2
a1 = (1, 1, 1) y a2 = (1, 0, 1).

a ) Muestre que a1 y a2 son linealmente independientes.
b ) Encuentre un vector n 6= 0 tal que:
6. Sean
n
o
X R3 : OX = 1 a1 + 2 a2

=
X R3 : v N = 0 .
7. Demuestre que todo hiperplano de

dimensin
n1
Rn
es una variedad lineal de
(vase el apartado 1.2.1).
8. Demuestre que si
T : R n Rm
es una transformacin lineal,
entonces enva conjuntos convexos en conjuntos convexos.
T : R2 R2 es una transformacin
entonces T enva tringulos en tringulos.
9. Demuestre que si
biyectiva,
228
lineal
ndice alfabtico
Base, 11
cambio de, 20
cannica de Rn , 14
ortogonal, 16, 66
ortonormal, 16
Espacio generado, 10
Espacio nulo, matriz, 21
Espacio vectorial, 8
base, 11
base ordenada, 13
de transformaciones lineales, 19
dimensin, 11
subespacio, 9
suma directa, 13
Espacios fundamentales, matriz, 20
c-inversa de una matriz, 152

Cholesky
descomposicin, 198
Conjuntos
convexos, 223
Factorizacin de matrices; ver

descompisicin de matrices, 179
Forma cuadrtica, 97
cambio de variables, 101
clasicacin, 99
diagonalizacin de una, 103
indenida, 99, 110
negaitivamente denida, 110
negativamente denida, 99
negativamente semidenida, 110
negitivamente semidenida, 99
no negaitiva, 99
no posiitiva, 99
positivamente denida, 99, 110
positivamente semidenida, 99, 110
Forma escalonada reducuda, 6
Descomposicin
de Cholesky, 198
en valores singulares, 205
LU, 179
QR, 188
Desigualdad de Schwarz, 15
Determinante, matriz, 4
Diagonal principal, matriz, 2
Diagonal, matriz, 2
Diagonalizacin
de matrices simtricas, 64
de una forma cuadrtica, 103
ortogonal, 70
simultnea
de formas cuadrticas, 105
de matrices, 82
Diagonalizacin de matrices, 53
g-inversa de una matriz, 137, 143

Gauss-Jordan, mtodo, 23
Gram-Schmidt, proceso, 191
Gram-Schmidt, proceso de, 16
Eigenvalores, eigenvectores; vea

valores (vectores) propios, 44
Espacio columna, matriz, 21
Espacio la, matriz, 21
Hermite
229
ndice alfabtico
particionada, 26
determinante, 30, 32, 33
inversas, 34, 35
operaciones con, 27
polinomio caracterstico de una, 48
rango de una, 20, 22
semejante, 20
submatriz, 25
transpuesta, 3
propiedades, 3
traza de una, 37
valor propio de una, 47
vector propio de una, 47
Mejor solucin aproximada, 165
matriz superior, 156

Idntica, matriz, 2
Identidad, matriz, 2
Imagen de una transformacin lineal,
17
Inversa
condicional, 152
generalizada, 137, 143, 195
clculo de, 147
propiedades, 145
LU
descomposicin, 179
Mnimos cuadrados, 162
Matrices
Diagonalizacin de, 53
factorizacin, 179
no negativas, 123
semejantes
polinomios caractersticos de, 52
simtricas
diagonalizacin, 64
Matrices elementales, 6
Matriz, 1
adjunta, 4
cambio de base, 20
cofactor ij , 4
de cofactores, 4
de una forma cuadrtica, 98
de una transformacin lineal, 18
determinante, 4, 5
propiedades, 5
diagonal, 2
ecuacin caracterstica de una, 48
espacio columna de una, 21
espacio la de una, 21
espacio nulo de una, 21
espacios fundamentales de una, 20
forma escalonada reducida, 6
hermite superior, 156
idntica, 2
idempotente, 129
inversa, 3, 23
propiedades, 3
menor ij , 4
operaciones elmentales, 5
Ncleo de una transformacin lineal,

17
Operaciones elmentales en una
matriz, 5
Producto interno, 14
QR
descomposicin, 188
Rango de una matriz, 20
Rectas, planos e hiperplanos, 215
Sistemas de ecuaciones, 23
c-inversas,g-inversa, 160
Gauss-Jordan, 23
mnimos cuadrados, 160
mejor solucin aproximada, 165
solucin mnima cuadrada, 165
Solucin mnima cuadrada, 165
Transformacin lineal
lgebra de, 19
imagen, 17
inversa de una, 20
matriz de una, 18
ncleo, 17
transformacin inyectica, 17
transformacin sobreyectiva, 17
valores propios, 44
vectores propios, 44
Transformaciones lineales, 16
Transpuesta, matriz, 3
230
ndice alfabtico
Valor propio, 44
espacio asociado a un, 46
multiplicidad algebraica de un, 48
multiplicidad geomtrica de un, 46
Valores (vectores) caractersticos; vea
valores (vectores) propios, 44
Valores singulares
descomposicin, 205
Variedad lineal, 23
Vector propio, 44
Vectores, 8, 215
coordenadas resp. a una base, 13
linealmente dependientes, 10
linealmente independiente, 56
linealmente independientes, 10, 22,
24
ortogonales, 15
ortonormales, 15
proceso de Gram-Schmidt, 16
propios ortogonales, 66
231
Bibliografa
[1] ANTON, H. Introduccin al lgebra lineal. Limusa, Mxico, 1981,
[2] FLOREY, F.G. Fundamentos de lgebra lineal y aplicaciones. Prentice Hall internacional, Colombia, 1980.
[3] GRAYBILL, F.A. Introduction to matrices with applications in statistic.
Wadsworth Publishing Company. Inc. Belnont, California, 1969.
[4] GRAYBILL, F.A. Theory and applications of linear model. Duxbury Presss, Massachusetts, 1976.
[5] HADLEY, G. A. lgebra lineal, Fondo Educativo Interamericano S.A., Estados
Unidos 1969.
[6] LIPSCHUTZ, S. lgebra lineal, McGraw Hill, Mxico, 1979.
[7] MARMOLEJO, M.A. Inversa condicional e inversa generalizada de una matriz:
esquema geomtrico. Lecturas Matemticas, Soc. Col. Matemat., Pg. 129-146,
Vol. IX, 1988.
[8] Nakos, G., Joyner, D., legebra lineal con aplicaciones, Thonsom editores, Mxico,
1998.
[9] Nering, E.D. legebra lineal y teora de matrices. Limusa, Mxico, 1977.
[10] NOBLE, B. Applied linear algebra. Prentice Hall, Inc. London, 1969.
[11] RORRES , C y ANTON, H, Aplicaciones del lgebra lineal. Limusa, Mxico 1979.
[12] STRANG, G, lgebra lineal y sus aplicaciones. Fondo educativo interamericano,
1982.
233

(Marmolejo & Villegas) Topicos en Algebra Lineal

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

(Marmolejo & Villegas) Topicos en Algebra Lineal

Cargado por

Copyright:

Formatos disponibles

Tpicos

Espacios fundamentales de una Matriz. Rango de una matriz.

Matrices particionadas. Traza de una matriz

Submatrices. Operaciones con matrices

Determinantes e inversas de algunas matrices especiales

Traza de una matriz

Valores propios y vectores propios. Diagonalizacin

Valores propios y vectores propios

Diagonalizacin de matrices simtricas

Diagonalizacin simultnea de matrices simtricas

Clasicacin de las formas cuadrticas.

Cambio de variables. Diagonalizacin simultnea de formas

Formas cuadrticas positivas, negativas e indenidas.

Anexo 1: Matrices no negativas. Matrices idempotentes 123

Inversa generalizada e inversa condicional de matrices. 137

Inversa generalizada de una matriz

Clculo de la g-inversa de una matriz

Inversa condicional de una matriz

Sistemas de ecuaciones lineales: g-inversa y c-inversa de una

matriz. mnimos cuadrados.

Descomposicin en valores singulares (SVD)

Rectas e hiperplanos. Conjuntos convexos.

Rectas. Segmentos de recta. Hiperplanos

3.1. Interpretacin geomtrica de vector propio

3.2. Vectores propios de

T (x, y) = (2x, x + 3y)

6.1. Problema de los mnimos cuadrados

6.2. Ajuste por mnimos cuadrados

6.3. Ajuste lineal por mnimos cuadrados

6.4. Ajuste lineal ejemplo 6.4.13

6.5. Ajuste lineal ejemplo 6.4.14

6.6. Ajuste cuadrtico ejemplo 6.4.15

7.1. Esquema de la factorizacin LU

8.1. Puntos y vectores en

8.3. Grca de una recta que pasa por los puntos

8.6. Grcas de un plano y una recta en

8.7. Ilustracin de semiespacios abiertos

8.1. Conjuntos convexos y no convexos

arreglo rectangular de nmeros dispuestos en

las (lneas horizon-

columnas (lneas verticales); el nmero que est en la i-sima

la y en la j-sima columna se denota por

ij de la matriz A. Para indicar dicho

arreglo usualmente se escribe

el arreglo (1.1) puede represen-

tarse por las o columnas como aparece a continuacin

Las matrices se denotan, como lo hemos sugerido, con letras maysculas

etc. El conjunto de todas las matrices

reales se denotar por

A de orden n, cuyos elementos fuera de la diagonal

Toda matriz cuadrada

principal son nulos (aij

La matriz diagonal de orden

cuyos elementos en su diagonal princi-

se llama matriz idntica y se denota por

cuando no sea necesario especicar el orden.

denotar la matriz nula

son iguales si y slo si sus

componentes correspondientes son iguales. Esto es,

hA + Biij = hAiij + hBiij ;

A del nmero por

1.1.1. Inversa de una matriz.

se puede demostrar que

Clasicacin de las formas cuadrticas.

Formas cuadrticas positivas, negativas e indenidas.

8.3. Grca de una recta que pasa por los puntos

8.6. Grcas de un plano y una recta en

las (lneas horizon-

columnas (lneas verticales); el nmero que est en la i-sima

la y en la j-sima columna se denota por

tarse por las o columnas como aparece a continuacin

cuando no sea necesario especicar el orden.

operaciones siguientes estn bien denidas. Entonces:

terminante de la matriz que resulta al suprimir la i-sima la de

la nula, entonces

dieren nicamente en sus

y si dichas las satisfacen la igualdad

la son multiplicados por un escalar

este apartado recopilamos algunas deniciones y resultados relacionados

elemental en las las (columnas) de

(i) El intercambio de dos las (columnas) de

(ii) La multiplicacin de los elementos de una la (columna) de

mltiplo escalar no nulo de otra la (columna) de dicha matriz.

efectuar una operacin elemental sobre las las de

Denicin (Forma escalonada reducida).

la, de izquierda a derecha, es

(ii) Si las las