Mate Ejercicios 3 v2005

Matemticas para Economistas
Ejercicios resueltos Primer borrador

1

Captulo 3
Elementos de lgebra Lineal

3.1 Valores y vectores propios

3.1.1 Demostraciones
Comente o demuestre segn sea el caso:
a. [PD3 2003 I] Los valores propios de la matriz A son iguales a los
valores propios de su transpuesta.
S O L U C I N
Partimos de que la afirmacin es verdadera, por lo tanto: 0 A I = si y
solo si ' 0 A I = ; es decir que el polinomio caracterstico es el mismo
para A y ' A , con los mismos valores propios.
' 0 A I A I = =

Finalmente, podemos verificar que:
( ) ' A I A I =
, dado que ' B B = matriz B.

b. [PD3 2003 I] Los valores propios de la inversa de la matriz A son las
inversas de los valores propios de A.
S O L U C I N
Partimos de la ecuacin fundamental para relacionar vectores propios con
valores propios:
Av v =


2
Premultiplicamos ambos lados de la ecuacin por la inversa de A:
1 1
A Av A v

=
1
v A v
=
Con lo que finalmente llegamos a la siguiente expresin.
1
1
A v v
=

Como son los valores propios de A; dada la ecuacin a la que llegamos,
se demuestra que
1
son los valores propios de

1
A
. Por lo tanto, la
afirmacin es verdadera.

c. [PD3 2003 I] Los valores propios de una matriz ortogonal slo pueden
tomar los valores de 1 -1.
S O L U C I N
Si A es una matriz ortogonal, entonces se cumple que:
1
' A A
= .
Entonces, debemos utilizar esta propiedad para deducir los valores
propios de A. As, por definicin de valores y vectores propios, tenemos
que:
Av v =

Premultiplicamos ambos lados de la ecuacin por
1
A
, y obtenemos:
1 1
A Av A v

=
1
v A v
= ' v A v = (1)

Sabemos que los valores propios de A son los valores propios de su
transpuesta, tal como se demostr en (a).
' A v v = (2)

Reemplazando (2) en (1):
v v =
( )
2
1 v =

Como por definicin, v , entonces necesariamente
2
1 0 = , de
donde se obtiene que:
1
1 = y que
2
1 = . Por lo tanto, se demuestra
que la afirmacin es verdadera.

d. [PD3 2003 I] La suma de los valores propios asociados a la matriz A es
igual a la traza de dicha matriz.
S O L U C I N
Sea A una matriz que se puede diagonalizar mediante la matriz P, de tal
manera que se obtiene la matriz:
1
D P AP
= , que contiene a los valores

propios en la diagonal. Lo que queremos demostrar es:

( )
i
Traza D =

, donde
i
son los valores propios de A.

Utilizando la propiedad de que ( ) ( ) Traza AB Traza BA = , tenemos que:

3

( ) ( ) ( ) ( )
1 1
Traza D Traza P AP Traza APP Traza A

= = = ,

( ) ( )
i
Traza A Traza D = =

Se demuestra que la afirmacin es verdadera.

e. [PD3 2003 I] El producto de los valores propios asociados a la matriz
A, es igual al determinante de dicha matriz.
S O L U C I N
Nuevamente, partimos de la matriz
1
D P AP
=

1 1
1
D P AP P A P A P A
P

= = = =

Propiedad: AB A B =
Como la matriz D contiene a los valores propios de A y el determinante
de una matriz diagonal es el producto de los elementos de la diagonal
principal:
i
A =
Se demuestra que la afirmacin es verdadera.

f. [PD3 2003 I] Si A es una matriz definida como el producto de una
matriz ortogonal y una matriz involutiva, entonces tiene valores propios
iguales a 1 -1.
S O L U C I N
Si los valores propios de A son 1 1, esta descripcin corresponde a una
matriz ortogonal. A = BC
B es ortogonal:
1
' B B
=
C es involutiva:
2
C I = CC I =
1
C C
=

Si A es ortogonal, entonces ' ' ' AA BCC B I = = . Para que esto ocurra,
' CC I = . Esto ocurrir nicamente si C es simtrica, condicin que no se
establece en el problema. Por lo tanto la afirmacin es incierta.

g. [PD3 2003 I] Si la matriz A de orden n x n tiene valores propios
iguales a , entonces se cumple:
( )
1
1
1
n
m
m
i i
TRAZA A
=

=

S O L U C I N
Aqu se conjugan 3 propiedades:
(i) Valores propios de
1
A
son iguales a la inversa de los valores propios

de A.
(ii) Traza de A es la suma de sus valores propios.

4
(iii) Valores propios de
m
A son los valores propios de A elevados a la m.

Av v =
AAv Av =
2 2
A v v =
AAv Av =
2 2
A v v =
2 2
AA v A v =
3 3
A v v =

n n
A v v =
l.q.q.d

h. (PC2 2002-II) Los vectores propios de la matriz diagonalizable A
nxn
,
podran generar al espacio R
n
.
S O L U C I N
Verdadero, puesto que al ser A una matriz diagonalizable,
1
P
existe, lo
cual implica que el determinante de P es distinto de cero y que los
vectores propios (n columnas de la matriz P) son linealmente
independientes. Por propiedad, stos sern base de
n
R .

i. (PC2 2002-II) Los valores propios de una matriz no simtrica son
siempre ortonormales.
S O L U C I N
Falso. Debemos recodar que, de la relacin [ ] A I v = de donde se
obtiene los vectores propios de la matriz A, la matriz [ ] A I es singular
por lo que se forma un sistema de ecuaciones para los elementos del
vector v que est sobre-identificado. De este modo, es necesario imponer
una parmetro o algn tipo de condicin (tal como la de hacer que los
vectores tengan mdulo igual a 1). As, para que los vectores propios de
una matriz simtrica sean ortonormales deben ser ortogonales (por
definicin, lo son), pero tambin deben tener mdulo igual a la unidad,
algo que no se cumple en la generalidad de los casos sino que depende de
cmo stos hayan sido normalizados.

j. (PC2 2002-II) Si
1
v ,
2
v y
3
v son vectores propios de una matriz A
asociados con un mismo valor propio, luego el vector
1 2 3
av bv cv + + (a, b,
c R) es tambin un vector propio de A asociado con el mismo valor
propio.
S O L U C I N
Tenemos:
1 1
2 2
3 3
Av v
Av v
Av v
=
=
=

Supongo:

5

1 2 3
av bv cv + + = vector propio asociado a

[ ] [ ]
1 2 3 1 2 3
A av bv cv av bv cv + + = + +

1 2 3 1 2 3
aAv bAv cAv a v b v c v + + = + +
No existe contradiccin, por lo tanto la afirmacin es verdadera.

k. (PC2 2002-II) Si una matriz mgica
1
M de orden q se multiplica por
un escalar b, entonces sus valores propios ya no tendrn porqu sumar
cero.
S O L U C I N
Una matriz mgica es aquella matriz de orden n ( 3 n ), formada por
nmeros del 0 al n
2
, que tiene la particularidad de que uno de sus valores
propios, la suma de los elementos de cada una de sus filas, de cada una de
sus columnas y de su diagonal principal es el mismo valor.

Si sabemos que la traza de M es la suma de sus valores propios y que uno
de sus valores propios es igual a la suma de los elementos de la diagonal
principal, entonces la suma de los valores propios restantes debe ser cero,
por lo que la afirmacin es falsa. Solamente los n-1 valores propios
restantes suman cero.

l. [PC2 2003 I/ PC2 2001 II] M es una matriz cuadrada y se conoce un
vector no nulo Z, tal que MZ = , entonces:
(i) Las filas de M son L.I.
S O L U C I N
Recordemos que una matriz es invertible cuando sus filas y/o columnas
son L.I, es decir, cuando su determinante es distinto de cero. En este caso,
si asumimos que sus filas son L.I y que sus columnas tambin lo son,
entonces M ser invertible y se verificar que:
1
M MZ
= Z =

lo cual es una contradiccin pues Z es un vector distinto del nulo. Por lo
tanto, las filas de M podrn ser L.I nicamente cuando sus columnas sean
L.D, de modo que M sea no invertible.

(ii) Se puede afirmar que Z es un vector propio de la matriz M.
S O L U C I N

1
Ver si se ha definido previamente una matriz o cubo mgico.

6
Por definicin de valores y vectores propios (la relacin fundamental),
tendramos que:
MZ Z = ( ) M I Z =
Sin embargo, como tenemos la premisa MZ = , y que Z es un vector no
nulo, entonces si podramos afirmar que Z puede ser un vector nulo de la
matriz M, siempre y cuando est asociado a un valor propio igual a cero.

m. [PC2 2002 I] Demostrar que si D es la matriz que resulta de
diagonalizar A, es decir si:
1
D P AP
= , entonces para todo n > 0 se

cumple
1 n n
A PD P
=
S O L U C I N
Partimos de que
1
A PDP
= , y procedemos a obtener las potencias de la

matriz A:
( ) ( )
2 1 1 1 2 1
AA A PDP PDP PDDP PD P

= = = =
( ) ( )
2 3 2 1 1 2 1 3 1
A A A PD P PDP PD DP PD P

= = = =
as sucesivamente se verifica que
1 n n
A PD P
=

n. [PC2 2002 I] Si A y B son 2 matrices simtricas de orden n y AB=BA,
entonces los vectores caractersticos que diagonalizan la matriz A son los
mismos que los vectores caractersticos que diagonalizan a la matriz B.
S O L U C I N
Procedemos a la diagonalizacin de ambas matrices:
AB = BA
La relacin que determina los valores y vectores propios de la matriz A es:
Av v =

Si premultiplicamos por la matriz B en ambos lados de la igualdad,
obtenemos la siguiente relacin.

BAv Bv =

Asumiendo que efectivamente el enunciado es vlido, entonces la relacin
anloga a (1) para el caso de la matriz B sera:
Bv v =

Premultiplicamos por la matriz A:

ABv Av =
Usando la condicin de que AB=BA:
BAv Av =
Por lo tanto, sobre la base de (1)
Bv Av v = =
Por lo tanto, la afirmacin es verdadera.

q. [PC2 2003 I] Los valores propios de la matriz
1/ 2
B A =

tal que
1/2 1/2
BB A A A = = ) son iguales a la raz cuadrada de los valores propios
de la matriz A.

7
S O L U C I N
Sea
1/ 2
B A = . Entonces podramos demostrar la falsedad del enunciado
dos formas distintas.
1era forma
Usemos la relacin fundamental para valores y vectores propios de la
matriz B.
B B B
Bv v =
Por propiedad
2
B B B
B v Bv =
B B B B
Av v =
Por lo tanto
2
B B B
Av v =

Entonces de aqu se podra afirmar que los valores propios de A sern
iguales a los cuadrados de los valores propios de B. Sin embargo, la
proposicin inversa, es decir que B tiene como valores propios a la raiz
cuadrada de los valores propios de A se cumplir de manera estricta
nicamente cuando A tenga valores propios positivos.

2da forma
La diagonalizacin de B se lleva a cabo como:
1
B B B
D P BP
= de modo que
1
B B
B P DP
= . Entonces :
( ) ( )
1 1
B B B B B B
A BB P D P P D P

= =
1 2 1
B B B B B B B
P D D P P D P

= =
donde la matriz
2
B
D es diagonal y tiene como elementos a los cuadrados
de los valores propios de B. Se puede deducir rpidamente que esto ser
cierto nicamente cuando la matriz A tenga valores propios positivos.

Por ejemplo, los valores propios de la matriz
1 5
3 6
M

=

son iguales a
1
1.1098
M
= y
2
8.1098
M
= . Ahora los valores propios de
la matriz
2
N M = sern
1
1.2316
N
=
2
65.7684
N
= , y como sabemos:
1
1.1098
N
= y
1
8.1098
N
= . De esta manera, no se puede saber a
ciencia cierta cul ser el signo que corresponda efectivamente a los
valores propios de M.

r. Los valores propios de la matriz A kI + son iguales a los valores
propios de la matriz A sumados en k.
S O L U C I N
Partimos de la obtecin de valores y vectores propios para la matriz A. Es
decir:
Av v =
Si sumamos a ambos lados de la ecuacin el trmino kvI, entonces
podemos determinar que los valores propios de la matriz (A+kvI) son
iguales a los valores propios de A (es decir, ) sumados por k.


8
Av kvI v kvI + = + ( ) ( ) A kI v k v + = +

S . [PC 2004 I] Sea A una matriz de orden n, y sea
A
D la matriz que
resulta de diagonalizar A. Entonces, el polinomio caracterstico de A es
idntico al polinomio caracterstico de
A
D .
S O L U C I N
El polinomio caracterstico de una matriz cuadrada cualquiera, es la
expresin de donde provienen los valores propios de dicha matriz. As, si
consideramos la matriz B, su polinomio caracterstico se obtiene de:
( ) 0
B B
P B I = = , donde
B
es la interrogando o variable a ser
determinada. De esta manera, la proposicin que debemos verificar
implica la siguiente igualdad:
n A n
A I D I = . Podemos hacer uso
de la expresin de
A
D en funcin de la matriz A, o viceversa. Por
ejemplo, si consideramos
1
A
D P AP
= , tendremos que:
( )
1 1 1
A n n
D I P AP I P AP P P

= =

Pre y post multiplicando P y
1
P
obtenemos que
( )
1 1 1
P AP P P P A I P

=

Por propiedades de determinantes, llegamos a que:
( )
1 1
n n n
P A I P P A I P A I

= =

n A n
A I D I =

3.1.2 La descomposicin de Cholesky
[PC2 2002 II]
Una matriz G simtrica, diagonalizable y de valores propios no negativos,
puede ser descompuesta como ' G CC = donde C es una matriz no singular
denominada raz cuadrada de G (esto es la descomposicin de Cholesky, de la
matriz G).

a. Halle C en funcin de las matrices relevantes en la diagonalizacin de G.
S O L U C I N
G simtrica cumple con la descomposicin cannica; es decir:
'
G
D P GP =
Donde
1
' P P
= , debido a que se trata de una matriz simtrica. Por lo tanto:

( )
1/ 2 1/ 2
'
' '
G
G G
G PD P
G CC P D D P
=
= =

Donde
1/ 2
G
D es una matriz diagonal cuyos elementos son las races cuadradas
de los valores propios de G.

9

( ) ( )
1/ 2 1/ 2
1/ 2
'
G G
G
G CC PD PD
C PD
= =
=

b. Aplicando el resultado de a), realice la descomposicin de Cholesky de la
matriz A si se sabe que :
1 2
2 3
A

=

S O L U C I N
Hallamos los valores y vectores propios para construir P y D.
( ) ( )
1 2
1 3 2 0
2 3

= =

De aqu, el polinomio caracterstico de esta matriz es:
2
4 1 0 + =
Finalmente, los valores propios son:
1
0.2679 = y
2
3.7321 =

Para
1
0.2679 = :

11
12
0.7321 2 0
0
2 2.7321
v
v

=

1 2
2.7321
1
v t

=

Normalizamos el vector propio de manera que sea ortonormal (por ser matriz
simtrica):
2
1
2
1 1
2
2.7321
2.7321
t

=

1
1.268
t =
1
0.888
0.4597
norm
v

=

Hago lo mismo con
2
3.7321 = y obtengo:
2
0.4597
0.888
norm
v

=

Procedemos con la Descomposicin:
1/ 2
0.888 0.4597 0.2679 0
0.4597 0.888
0 3.7321
G
C PD

= =


10
3.1.3 Descomposicin triangular
[PC2 2001 II]
Toda matriz A puede ser descompuesta como el producto de dos matrices LU
(es decir A = L por U), donde U es triangular superior (upper); y L es una
matriz triangular inferior (lower), cuya diagonal (diagonal de L) tiene todos
sus elementos iguales a uno (descomposicin LU a la Crout).

Dado el siguiente sistema de ecuaciones lineales:
8 6 28
3 5 7 34
4 9 2 28
x y z
x y z
x y z
+ + =
+ + =
+ + =

a. Llevar a cabo la descomposicin LU (A = LU) a la Crout de la matriz de
coeficientes del sistema.
S O L U C I N
Tenemos:
11 12 13
21 22 23
31 32 33
11 12 13
11 21 12 21 22 13 21 23
11 31 12 31 22 32 13 31 23 32 33
1 0 0 8 1 6
3 5 7 1 0 . 0
4 9 2 1 0 0
U U U
L U U
L L U
U U U
U L U L U U L U
U L U L U L U L U L U

=

= + +

+ + +

Obtenemos los valores de los elementos que puedne ser identificados
directamente:
11
8 U = ,
12
1 U = ,
13
6 U =
Finalmente, con estos valores, obtenemos los elementos restanes:
21
3 8 L = ,
22
37 8 U = ,
23
38 8 U = ,
31
1 2 L = ,
32
L 68 37 = , y
33
360 37 U =
Con ello, las matrices L y U son:

1 0 0
3 8 1 0
1 2 68 37 1
L

=

8 1 6
0 37 8 38 8
0 0 360 37
U

=

b. Verificar que es posible expresar la matriz resultante del proceso de
eliminacin Gaussiano (para resolver sistemas lineales) en funcin a L.
S O L U C I N
Antes, notemos que la primera fila de U es la misma que la matriz original.

Irrelevante

11
8 1 6 28
3 5 7 34
4 9 2 28

F2 3/8F1
F3 1/2F1

8 1 6
0 37/8 19/4
0 17/2 1

F3 (17/2)(8/37)F2
8 1 6
0 37/8 19/4
0 0 360/37

La ltima matriz es la que resulta del proceso de eliminacin de Gauss.
A = LU
donde U es la matriz que resulta del Proceso de eliminacin de Gauss.
1
( ) U F L L A
= = .

c. Mostrar que la multiplicidad algebraica de los valores propios de L es igual
a su traza.
S O L U C I N
La matriz L que obtuvimos es triangular inferior. Este tipo de matrices
(triangulares) tienen la propiedad de que su determinante es el producto de los
elementos de su diagonal principal. As:
1 0 0
3/8 1 0
1/2 68/37 1
L

=

1 L =

Si multiplicidad algebraica es , nmero de veces que se repiten los valores
propios, entonces:
( ) 3 Traza L = =

Si: 1 L = , ( ) 3 Traza L = = , valores propios repetidos, diagonal igual a 1; no
es difcil suponer que todos los valores propios son iguales a 1. Evidentemente,
se pueden hallar los valores propios de la forma convencional y obtener:
1 2 3
1 = = = .

d. Si
1
A MN
= , hallar M y N en funcin de L y de U.
S O L U C I N
Debemos obtener una forma para la matriz inversa de A, tal que:
1
A MN
=

Utilizando la descompocin que acabamos de realizar, podemos determinar a
la matriz inversa de A en funcin d elas inversas de las matrices L y U. As:
Fila Pivot

12
1 1 1
A LU A U L

= =
Finalmente:
1 1
M U N L

= = .

3.1.4 La matriz de Hadamard
[PC2 2003 I]
Se dice que una matriz simtrica H de orden n es una matriz de Hadamard si
sus elementos son iguales a 1 1 de manera que HH = HH = nI
n
donde I
n

es una matriz identidad de orden n. Por ejemplo, se puede comprobar que
1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1

son matrices de Hadamard de orden 2, 4 y 4 respectivamente
2
. Con esta
informacin, determine los valores propios de una matriz Hadamard de orden
n.
S O L U C I N
Partimos de la relacin fundamental de valores y vectores propios para la
matriz H. Es decir, en genera si v es un vector propio de H asociado al valor
propio , entonces:
Hv v = [ ] H I v =

Si pre-multiplicamos por H para utilizar las propiedades de la matriz de
Hadamard llegaremos a que:
[ ] ' H H I v = [ ] ' ' H H H v =

[ ] ' nI H v = ( ) ' nv H v =

Por propiedades de valores y vectores propios, los valores propios de la
traspuesta de una matriz son iguales a los valores propios de la matriz
original. Entonces se cumple que ' H v v = y la expresin (*) se puede
rescribir como:

( ) nv v =
( )
2
n v =

dado que por definicin v , entonces

( )
2
0 n =
1
n = y
2
n = +

2
Estos ejemplos no son relevantes para la resolucin de este problema.

13
3.1.5 Una diagonalizacin trigonomtrica
[PC2 2003 I]
Considera una matriz A, simtrica, y su respectiva matriz
3
P.
0.5
0.5
a b
A
b c

=

( ) ( )
( ) ( )
cos
cos
sen
P
sen

=

Como es usual, en su forma ms general, su diagonalizacin se lleva a cabo
con la expresin
1
D P AP
=

Ayuda: funciones trigonomtricas del ngulo doble.
( ) ( ) ( ) 2 2 cos sen A sen A A = ( ) ( ) ( )
2 2
cos 2 cos A A sen A =

a. Sustenta por qu P tendra nicamente valores propios 1 o 1.
S O L U C I N
Primero que nada debemos notar que al ser A simtrica, es posible trabajar
con su descomposicin cannica. Ahora, es sencillo verificar que P cumple con
ser ortogonal puesto que
1
' P P
= .
( ) ( )
( ) ( )
cos
'
cos
sen
P
sen

+
=

Para hallar la inversa utilizamos el artificio para matrices de 2 x 2 que dice
que debemos multiplicar la inversa del determinante de la matriz por una
matriz que tiene como elementos de la diagonal principal, los mismo que los de
la matriz original pero cambiados de lugar, y como elementos de la diagonal
secundaria a los mismos elementos de la matriz original, pero con el signo
cambiado. Es decir:

( )
( ) ( )
( ) ( )
1
cos
1
cos det
sen
P
sen P

+
=

donde al ser se comprueba la
igualdad
1
' P P
= , puesto que por

propiedades geomtricas conocidas se
sabe que
( )
( ) ( ) ( )
2 2
1
det 1
cos
P
sen
== =
+

Ahora, dado que P es ortogonal, por propiedad nicamente podr tener
valores propios iguales a 1 y 1.

b. Lleva a cabo la diagonalizacin de A y verifica que
4
:
1
arctan
2
b
a c

=

3
Esta matriz se llama matriz de rotacin.
4
Esto es nicamente: si y = arctan(x), entonces x = tan(y). Es decir, se debe tratar de formar la tan(2).

14
S O L U C I N
Ahora, realizamos la descomposicin
( ) ( )
( ) ( )
( ) ( )
( ) ( )
cos 0.5 cos
'
0.5 cos cos
A
sen a b sen
D P AP
b c sen sen

= =

De este modo, la matriz D
A
tomar la siguiente forma:
11 12
21 22
A A
A
A A
D D
D
D D

=

donde:
( ) ( ) ( ) ( )
2 2
11
cos cos
A
D a bsen csen = + +
( ) ( )
( )
( ) ( )
2 2
12
cos cos
2
A
b
D sen c a sen = +

( ) ( )
( )
( ) ( )
2 2
21
cos cos
2
A
b
D sen c a sen = +

( ) ( ) ( ) ( )
2 2
22
cos cos
A
D asen bsen c = + +

Esto es, la matriz
A
D ser diagonal siempre que los trminos de la diagonal
secundaria sean iguales a cero:

( ) ( )
( )
( ) ( )
2 2
cos cos 0
2
b
sen c a sen + =

Utilizamos las formulas que nos dieron y obtenemos:

( )
( )
( )
1
cos 2 2 0
2 2
b
c a sen + = ( )
( )
( ) [ ]
1
cos 2 2 0
2
b c a sen + =

para que esto se cumpla: ( )
( )
( ) cos 2 2 b a c sen =

Por lo tanto:
( )
( )
( )
2
tan 2
cos 2
sen
b
a c
= =
2 arctan
b
a c

=

1
arctan
2
b
a c

=

c. Sustenta cada una de estas expresiones, sea verdadera o falsa (ojo: no
siempre es necesario realizar operaciones):

(i) Cuando 0 b = , realizar esta descomposicin, bajo esta forma funcional de
P, carece de sentido.
S O L U C I N
En efecto, si 0 b = , entonces la matriz A queda como:

15
0
0
a
A
c

=

De esta manera, se observa que la matriz A sigue siendo simtrica, pero ahora
es diagonal, por lo que no es necesario diagonalizarla, dado que los elementos
de su diagonal principal son sus valores propios.

(ii) Cuando 0 b = y a c = , entonces la multiplicidad algebraica de A es igual
a su rango.
S O L U C I N
En este caso la matriz A queda como:
0
0
a
A
a

=

por lo que los valores propios de A son repetidos e iguales a c. Por ello, su
multiplicidad algebraica es igual a 2, que es el rango de A, puesto que es
invertible.

3.1.6 Matrices especiales
[PC2 2003 II]
Una matriz unitaria es aquella cuyos elementos son (todos) iguales a 1. As,
las matrices
1 1 1 1
1 1 1
1 1 1 1 1 1
1 1 1
1 1 1 1 1 1
1 1 1
1 1 1 1

son unitarias de orden 2, 3 y 4, respectivamente.
a. Halla los valores propios de una matriz unitaria de orden n. Para ello se
recomienda calcular los valores propios de una matriz unitaria de orden 2,
luego de orden 3 y as sucesivamente hasta que encuentres un patrn claro en
el comportamiento de los valores propios.
S O L U C I N
(i) Caso de una matriz de 2x2
El polinomio caracterstico de esa matriz, se obtiene a partir de:
( )
2
1 1
det 1 1 0
1 1

= =

De aqu, los valores propios de la matriz sern:
( ) [ ] ( ) [ ] 1 1 1 1 0 + =
1
0 =
2
2 =


16
(ii) Caso de una matriz de 3x3
En este caso, el polinomio caracterstico involucra la obtencin del
determinante de una matriz de orden 3.
1 1 1
det 1 1 1
1 1 1

Aplicando la regla de Cramer, obtenemos el polinomio caracterstico:
1 1 1
1 1 1
1 1 1
1 1 1
1 1 1
= ( ) ( ) ( ) ( )
3
1 1 1 1 1 1 0 + + =

Resolviendo esta expresin:
( ) ( )
( )
2 3
2 3
2 3 2
1 3 3 2 3 1 0
1 3 3 2 3 3 0
3 3 0

+ + =
+ + + =
= =

Llegamos a que:
1
0 =
2
0 =
3
3 =

Con esta informacin, ya es sensato generalizar los resultados: los valores
propios de una matriz unitaria de orden n son:
1 2 1
0
n

= = = = y
n
n = . Sin embargo veamos el caso de matrices de orden 4:

(iii) Caso de una matriz de 4x4
Como es lgico, debemos obtener el determinante de una matriz de orden 4.
Procedemos con el mtodo de los cofactores:

1 1 1 1
1 1 1 1
det
1 1 1 1
1 1 1 1

Cofactores (para cada elemento de la fila referencial):
1
1 1 1
1 1 1
1 1 1

2
1 1 1
1 1 1
1 1 1

Fila referencial

17
3
1 1 1
1 1 1
1 1 1

4
1 1 1
1 1 1
1 1 1

=

Dado que no hay filas con ceros, tomamos la primera fila como referencial y
aplicamos el mtodo de los cofactores (notemos que para el caso de esta
matriz, sea cual se la fila, el cofactor ser el mismo):
( )
( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ]
( ) ( ) [ ]
1 1 1 2 1 3
1 2 3
1 4
4
det 1 1 det 1 1 det 1 1 det
1 1 det

+ + +
+
= + + +
+

del resultado anterior se conoce que: [ ] ( )
2
1
det 3 0 = =

Factorizamos:
( ) ( ) ( ) ( )
2
2
2
2
det 1 1 1 1 1 1
1 2 2 1 2 2

= + +
= + + +
=

( ) ( ) ( ) ( )
2
3
2
2
det 1 1 1 1 1 1
3 2 2 1 2

= + +
= +
=

( ) ( ) ( ) ( )
2
4
2
2
det 1 1 1 1 1 1
2 1 2 1 1 1

= + +
= + + + +
=

( )
( ) ( ) ( )
( )
( )
( ) ( )
( )
2 2 2 2
2 3 2 2 3 3 4 2
4 3 3
det 1 3 1 1
3 3 3 3 3
4 4 0

= + + +
= = +
= = =

de aqu que los valores propios de una matriz unitaria de orden 4, sern:
1
0 =
2
0 =
3
0 =
4
4 =

b. Una matriz de Pier de orden n es definida como aI
n
+ U
n
donde a es un
nmero real y U
n
es una matriz unitaria de orden n. Con la ayuda de los
resultados obtenidos en a), calcula los valores propios de una matriz de Pier
de orden n.
S O L U C I N
1era alternativa

18
La matriz de Pier tendr la siguiente forma:

1 1 1 1 1
1 1 1 1 1
1 1 1
1
1 1 1 1
n n
a
a
aI U
a
a
+

+

+ =

+

+

As, para obtener sus valores propios se debe resolver:

( )
( )
( )
( )
( )
1 1 1 1 1
1 1 1 1 1
1 1 1
det det
1
1 1 1 1
n n
a
a
aI U I
a
a
+

+

+ =

+

+

De lo visto en (a) esta expresin podra interpretarse como la expresin
necesaria para obtener los valores propios de una matriz unitaria, donde
a =
As:
1 2 1
0
n

= = = = y
n
n = . De aqu se deduce que:
1 2 1 n
a

= = = = y
n
a n = +

2da alternativa
Otra forma ms eficiente de resolver este problema es con la propiedad de que
los valores propios de la matriz A kI + son iguales a los valores propios de la
matriz A sumados en k.

Es decir:
Av v = Av kvI v kvI + = + ( ) ( ) A kI v k v + = +
con lo cual se llega al mismo resultado.

2.1 Diagonalizacin (4 puntos)
[PC2 2004 I]
(a) Se dice que dos matrices A y B, de orden n, son simultneamente
diagonalizables, si es que son diagonalizadas por la misma matriz M.
Demuestre que AB=BA y que
AB A B
i i i
= (el valor propio i-simo de AB es
igual al producto del valor propio i-simo de A, por el valor propio i-simo de
B).

Solucin:

19
Descomponemos las matrices A y B en funcin de sus matrices diagonalizadas:
1
A
A MD M
=

1
B
B MD M
=

Entonces:
( ) ( ) { }
1 1 1
A B A B
AB MD M MD M M D D M

= =
(*)

De manera similar:
( ) ( ) { }
1 1 1
B A B A
BA MD M MD M M D D M

= = (**)

Dado que
A
D y
B
D son matrices diagonales, entonces cumplen con que:
A B
A B B A i i
D D D D = =

Asimismo tanto (*) como (**) implican que la matriz que resulta de
diagonalizar la matriz AB=BA es
A B
D D , con lo que se verifica que el valor
propio i-simo de AB es igual al producto del valor propio i-simo de A, por el
valor propio i-simo de B.

(b) Sobre la base de sus conceptos de diagonalizacin, verifique que 1 y 2
son valores propios de la matriz A, si se sabe que es de orden 2, y que cumple
la siguiente ecuacin matricial:
( )
2
2
A 3A 2 I + + =
donde
2
I es una matriz identidad de orden 2.
S O L U C I N
1era forma
Dado que tenemos que usar nuestros conceptos de diagonalizacin, debemos
expresar la matriz A en funcin de la matriz que resulta de diagonalizarla. Es
decir:

1
A
A PD P
=

Incluyendo esta expresin en la ecuacin matricial, y factorizando
adecuadamente:
( ) ( ) ( )
2
1 1 1
A A
PD P 2 PD P 3 PP

+ donde consideramos que
1
2
PP I
=

Tenemos:
( ) ( )
2
1
A A 2
P D 2 D 3I P

+ =

Dado que P es no singular, entonces, necesariamente:
( ) ( )
2
A A 2
D 2 D 3I

+ =

Donde podemos utilizar la forma de la matriz D para formar dos ecuaciones
con los valores propios::


20
2
1 1
2 2
0 0 1 0
2 3
0 1 0 0

+ =

2
1 1
2
2 2
2 3 0
2 3 0
+ =
+ =

Ambas ecuaciones cumplen para los valores 1 y 2, pero tenemos que ver que
1
y
2
puede tomar dichos valores, indistinamente. Entonces, tenemos tres

casos:
Valores propios diferentes:
1
1 = y
2
2 = viceversa.
Valores propios repetidos
1 2
1 = =
1 2
2 = =

2da forma
A partir de la ecuacin matricial inicial, podemos hacer uso de la definicin de
valores y vectores propios:
( )
2
2
3 2 A A I + + =

Premultiplicamos por el vector v:
( )
2
2
3 2 A v Av I v + + =

con lo cual la igualdad deja de se en trimnos de matrices, para pasar a ser
una igualdad e vectores (suma de vectores, igual al vector nulo). Dado que:
Av v = por lo que ( ) ( ) A Av Av =
2 2
A v v =

Reemplazamos esto, y obtenemos:
2
3 2 v v v + + =

( )
2
3 2 v + + = ahora, dado que v

( )
2
3 2 0 + + =
1
1 = y
2
2 =


21
3.2 Formas cuadrticas y definicin de matrices

3.2.1 Demostraciones

(i) [PC2 2002 I] Sean las matrices A
mxm
definida positiva, y P
mxn
de
rango m, entonces la matriz PAP es tambin definida positiva.
S O L U C I N
Definimos un vector cualquier y de dimensin igual a n, de modo tal que
se puede definir el vector Py, resultante de pre-multiplicar la matriz P por
el vector y , de orden mx1.

Considerando que la matriz A es definida positiva (DP), entonces se
cumple que cualquier forma cuadrtica que tiene como matriz de
coeficientes a la matriz A cumplir:
' 0 x Ax >
m
x R

Entonces, si asumimos un x Py = , tendremos que:
( ) ( )
' 0 Py A Py >

de aqu que:
' ' 0 y P APy >
que no es otra cosa que otra forma cuadrtica, cuya matriz de coeficientes
es igual a ' P AP , que tiene que ser necesariamente DP, dado que cumple
con la condicin de formas cuadrticas definidas positivas:
( ) ' ' 0 y P AP y >

Por lo tanto, el enunciado es verdadero.

(ii) [PC2 2002 I] Dada la matriz A de dimensin mxn, que tiene sus
columnas linealmente independientes entre s (lo que exige que m n
puesto que las columnas son vectores de dimensin m, y si m n < ,
entonces no podramos tener n vectores independientes). Demostrar que
el producto ' A A es una matriz definida positiva.
S O L U C I N
La condicin de que
mxn
A

tenga todas sus columnas linealmente
independientes se desprende de la propiedad de que....{ver Hayashi,
Econometrics, apendice}

Definamos un vector x de orden nx1, tal que:
1 mx
Ax y =
,
2
1
' 0
m
i
i
y y y
=
= >
' ' 0 x A Ax > ' A A es una matriz definida

positiva.

22
(v) [PD3 2003 I] Toda forma cuadrtica se puede expresar como un
polinomio de grado 2; sin embargo, no todo polinomio de grado 2 se puede
expresar como una forma cuadrtica.
S O L U C I N
En efecto, toda forma cuadrtica es un polinomio de grado 2, que tambin
es homogneo (tiene trminos cuadrticos y cruzados, mas no lineales).
Por lo tanto, una forma cuadrtica es un caso particular de un polinomio
de grado 2.

(vi) [PD3 2003 I] Si A
nxn
es definida positiva (DP), y B
nxn
es semidefinida
positiva (SDP), analiza la verdad o falsedad de las siguientes
afirmaciones:
S O L U C I N
(i) ( ) ' ' x A B x x Ax + >
Operamos la expresin, pre y post multiplicando el vector x a la matriz
A+B, de tal forma que obtenemos una nica forma cuadrtica:
' ' '
' 0
x Ax x Bx x Ax
x Bx
+ >
>

Dado que por condicin del problema, la matriz B es SDP, entonces se
cumple que ' 0 x Bx . Por lo tanto, la afirmacin es falsa, puesto que
podra darse el caso en que ' 0 x Bx =

(ii) ( ) ' 0 x A B x >
Procedemos de igual forma que el caso anterior:
' ' 0
' '
x Ax x Bx
x Ax x Bx
>
>

La condicin a la que llegamos se cumplira nicamente si es que si
' 0 x Bx = , pero dado que ' 0 x Bx , la afirmacin es falsa.

(vii) [PC2 2003 I]Sean las matrices A
m x m
definida positiva, y P
m x n
de
rango m, entonces la matriz ' P AP es tambin definida positiva.
S O L U C I N
La expresin es verdadera. Si A es una matriz definida positiva (DP), de
orden m, entonces toda forma cuadrtica que tenga a dicha matriz como
matriz de coeficientes cumplir: ' 0 x Ax > , para todo vector de variables
x de orden mx1 (
m
x R )


23
Ahora, si es que la matriz
x x x
'
n m m m m n
P A P (de orden n) es tambin DP ,
entonces tambin cumplir que: ( ) ' ' 0 y P AP y > .para cualquier vector y
de orden nx1. Si consideramos esto como cierto, y operamos un poco
llegaremos a que:

' ' 0 y P APy > ( ) ( ) ' ' 0 y P A Py > ( ) ( ) ' 0 Py A Py >

donde la expresin
1 mxn nx
P y es un vector Z de orden mx1. De aqu se
puede ver que en esencia lo que estamos haciendo es ' 0 z Az > para
m
z R , entonces la expresin redunda en la condicin de que A es DP.

(viii) [PC2 2003 II] Sea una matriz cuadrada B de orden n. Si la matriz
simtrica A se puede descomponer como ' A BB = entonces se cumple que
' 0 x Ax ,
n
x R .
S O L U C I O N
1era alternativa
Si es factible la descomposicin ' A BB = , esto implica que existe la matriz
1/ 2
D para que
1/ 2
B PD = . Es decir, los valores propios de la matriz
simtrica A deben ser no negativos, por lo que la afirmacin es incorrecta.
Sera no definida negativa, por lo que ' 0 x Ax

2da alternativa
Es posible introducir la descomposicin ' A BB = en la forma cuadrtica
en cuestin, tal que ( ) ' ' 0 x BB x ( ) ( ) ' ' ' 0 B x B x donde ' B x w =
es un vector cualquiera. De esta manera la expresin ( ) ' ' 0 x BB x
representa el mdulo al cuadrado del vector cualquiera w. Con esto se
verifica que debera ocurrir que ( ) ' ' 0 x BB x

(ix) [PC2 2003 II] Si A es una matriz idempotente (
2
A A = ) y simtrica
de orden n tal que: ' 0 x Ax = . Demuestra que si A tiene valores propios
todos 0 , entonces el vector x es necesariamente nulo.
S O L U C I N :
Si A es idemponente, entonces la expresin ' 0 x Ax = es equivalente a
' 0 x AAx = .Ahora, dado que se tiene la condicin de que A es tambin
simtrica, se cumple que:
( ) ( ) ' ' 0 x AAx Ax Ax = =
Es decir, el vector m Ax = tiene modulo cero (es nulo). Entonces,
Ax = . Dado que A es no singular, podemos premultiplicar ambos
lados por su inversa
1 1
A Ax A

= , lo que implica que x = ,
necesariamente.

(x) [PC2 2003 II] La matriz identidad es una matriz no definida.

24
S O L U C I N
1era alternativa
Sea el vector
n
m R y sea la matriz identidad
n
I de orden n. Entonces
la forma cuadrtica '
n
Q m I m = ser igual al producto interno del vector
m: ' 0 Q m m = ( ' 0 m m = puesto que el vector m podra ser igual al
nulo). De esta manera, bajo este anlisis lo nico que se puede concluir es
que la matriz identidad ser, en principio, no definida negativa (o semi
definida positiva).

2da alternativa
Es factible tambin darnos cuenta de que la matriz identidad es diagonal,
por lo que sus elementos son sus mismos valores propios. Dado que son
todos iguales a 1, con este anlisis se llega a que esta matriz es definida
positiva. Ojo que este anlisis no contradice al realizado en la alternativa
1, sino que lo complementa.

(xi) [PC2 2003 II] Sea la forma cuadrtica: ' Q v Av = definida de tal
manera que v es un vector propio de A. Entonces si se desea que Q tome
el mximo valor posible
5
, este valor ser igual al mayor valor propio de A.
S O L U C I N
Si v es un vector propio de A entonces se cumple que Av v = , donde
es su correspondiente valor propio asociado. De esta manera,
' ' ' Q v Av v v v v = = = . Entonces, nicamente en el caso de que los
vectores propios v de la matriz A estn adecuadamente normalizados de
tal manera que su mdulo sea igual a 1, la afirmacin se cumplir puesto
que:

Dado que ' 1 v v = ' Q v v = =

En este caso, el mximo valor que podra adoptar Q es igual al valor
propio mximo. En caso contrario, es decir, si no se da tal normalizacin,
el valor de Q podra incrementarse indefinidamente aumentando
indiscriminadamente el mdulo del vector propio v.

Nota: Evidentemente, para que exista un mximo la funcin que se desea
optimizar debe cumplir una serie de condiciones. Una de ellas, establece
que esta debe ser cncava para que pueda tener un mximo. En este caso,
la forma cuadrtica.{ver Sundaram}

5
Para esta pregunta no es necesario que utilices tus conceptos de optimizacin, sino nicamente la nocin
de valores y vectores propios.

25
(xii) [PC2 2004 I] Sean M y N son dos matrices de orden n, cuyos valores
propios son positivos y no-negativos, respectivamente; as, la matriz M+N
ser necesariamente definida positiva.
S O L U C I N
Si los valores propios de M son todos positivos, entonces M ser una
matriz definida positiva, lo que a su vez implica que toda forma
cuadrtica asociada a M cumplir:
x ' Mx 0 >
n
x R , x

De la misma manera, la matriz N ser semi-definida negativa, por lo que
se cumple que:
y ' Ny 0
n
y R , y

Luego, la matriz M+N si ser definida positiva, puesto que la forma
cuadrtica asociada a M+N verificar necesariamente que:
( ) ( )
{ }
'( ) ' ' 0 0 0 z M N z z Mz z Nz + = + = > + >

(xiii) [PC2 2004 I] Toda forma cuadrtica puede ser re-expresada en
funcin de los vectores propios de su matriz de coeficientes.
S O L U C I N
> x ' Ax 0
donde
n
x R
. Siempre y cuando A tenga n vectores propios
linealmente independientes (si A es digaonalizable), entonces dichos
vectores propios formarn una base de R
n
, y por ende podrn generar a
cualquier
n
x R , mediante una combinacin lineal.

Ms an, la forma cuadrtica resultante tendr como matriz de
coeficientes a la matriz diagonalizada de A:
' 0 x Ax >

( ) ( ) ( ) ' ' ' ' '
A A
x PD P x P x D P x =

3.2.3 Un teorema
[PC2 2002 II]
Demostrar el siguiente teorema:
Sea A es una matriz simtrica de orden n que tiene vectores propios
1, 2...
i
v i n = , con valores propios asociados 1, 2...
i
i n = que
cumplen:
1 2 1 n n

Entonces se cumple que:
1
'
'
n
x Ax
x x

para todo vector
n
x R .


26
S O L U C I N
Cada valor propio
i
tiene asociado un vector propio v
i
. Estos vectores propios
cumplen dos propiedades:
i j
v ' v 0 = i j (condicin de ortogonalidad)
i i
v ' v 1 =

i (puesto que A es simtrica y asumo que v
i

est normalizado para ser ortonormal)

Dado que por definicin, los vectores propios son linealmente independientes,
stos al ser n vectores generarn al espacio
n
R .
1
n
i i
i
X a v
=
=

n
X R

De esta manera:

( ) ( )
( ) ( )
'
'
i i i i
i i i i
a v A a v
x Ax
x x
a v a v
=

(*)

Veamos el segundo trmino del numerador:

1 1 2 2
1 1
n n
i i n n i i i
i i
A a v a Av a Av a Av a v
= =
= + + + =

, dado que
i i i
Av v =

Volviendo a (*)
( ) ( )
( ) ( )
'
'
i i i i i
i i i i
a v a v
x Ax
x x
a v a v
=

Esto se puede reducir:

( ) ( )
( ) ( ) ( )
1 1 2 2 1 1 1
1 1 2 2 1 1 2 2
' ' '
'
' ' ' '
n n n n n
n n n n
a v a v a v a v a v
x Ax
x x a v a v a v a v a v a v
+ + + + +
=
+ + + + + +

( )
( )
2 2
1 1 1 1 2 1 2 1
2 2
1 1 1 1 2 1 2
' ' '
'
' ' ' '
n n n n
n n n
a v v a v v a v v
x Ax
x x a v v a a v v a v v
+ + +
=
+ + +

Dado que v
i
es ortonormal:
2
2
'
'
i i
i
a
x Ax
x x a

2
1
1 2
i
i
a
a

2
2 2
i n
i
a
a

Entonces:


27

2 2 2
1
2 2 2
'
'
i i i n i
i i i
a a a
x Ax
a a x x a

=

Lqqd.
3.2.4 Formas cuadrticas restringidas I
[PC2 2001 II]
Dada la siguiente forma cuadrtica
[ ]
0 0 0
( , , ) , , 0 1 0
0 4 1
x
x y z x y z y
z

sujeta a la siguiente restriccin:
x ay z = 0

Determine el valor que debe tomar a para que la forma cuadrtica sea
indefinida
S O L U C I N
TBW

3.2.5 Pregunta de Valores y Vectores Propios
(PC2 2002-II)
Sea la matriz
n n
H

definida de la siguiente manera:
(1 ) '
n
H I = +
Donde
n
I es una matriz identidad de orden nxn, es un vector suma, y
R se encuentra en el rango 0 1. < <

a. Halle los valores y vectores propios de H para n=2.
S O L U C I N
n = 2
(1 ) 0 1
1 0 (1 )
H

= + =

Valores priopios:
( ) ( ) [ ] ( ) [ ]
2 2
1
1 1 1 0
1

= = + =

1
2
1
1

=
= +

Vectores propios:
Para
1
1 = :

28

11
12
0
0
v
v

=

1
1
1
v t

=

Para
2
1 = + :

21
22
0
0
v
v

2
1
1
v w

=

b. A partir de los valores propios indique si la matriz es definida negativa o
definida positiva.
S O L U C I N
Dado que
1 2
0 0 > > , se comprueba que la matriz es definida positiva.

3.2.6 Formas cuadrticas restringidas II
[PC2 2001 II]

6. Dada la forma cuadrtica
1
2
1 2 3 4
3
4
1 1 2 0
1 3 3 7
2 3 5 5
0 7 5 1
x
x
Q x x x x
x
x

=

que esta sujeta a las siguientes restricciones:
1 2
0 x x =
3 4
3 0 x x =
Determine cmo est definida Q.

S O L U C I N
Obtenemos la forma cuadrtica como polinomio (en forma extensiva):
( )
2 2 2 2
1 2 3 4 1 2 3 4 1 2 1 3 2 3 2 4 3 4
, , , 3 5 2 4 6 14 10 Q x x x x x x x x x x x x x x x x x x = + + +
Las restricciones nos sirven para reemplazar y reducir el polinomio a dos
variables:

1 2
3 4
3
x x
x x
=
=

De tal manera que nos queda:
( )
2 2
2 4 2 4 2 4
' , 2 14 16 Q x x x x x x = +

Matricialmente:

29
( )
2
2 4 2 4
4
2 8
' ,
8 14
x
Q x x x x
x

=

Analizando la matriz:
11
2 0 a = > y
2 8
28 64 0
8 14
= <

Por lo tanto, Q es indefinida.

3.2.7 Formas cuadrticas
[PC2 2003 II]
2. Considera un vector
n
x R , tal que
1 2
'
n
x x x x

=

. La expresin
( )
2
1
n
i
i
Q x x
=
=
dondex es el promedio de las coordenadas del vector x (es

decir,
1
1
n
i
i
x x
n
=
=

), puede ser expresada como una forma cuadrtica de tipo
0
' x M x .
a. Asumiendo n=2, demuestra que:
0
1
' M I i i
n

=

donde i es un vector
suma de dimensin n.
S O L U C I N :
(i) En general, la expresin que debo analizar debe estar en funcin de las
coordenadas del vector x. Por esto, se podra simplificar la expresin inicial
para poner las medias en funcin del vector x:
( ) ( )
2
2 2
1 1
2
n n
i i i
i i
x x x x x x
= =
= +

( )
2 2 2
1 1 1
2
2
1 1 1 1
2 2
2
1 1 1
2
2
1 1
2 2
1 1
2
1 1
2
1
n n n
i i i i
i i i
n n n n
i i i i
i i i i
n n n
i i i
i i i
n n
i i
i i
x x x x x x x nx
x x x n x
n n
x x x
n n
x x
n
= = =
= = = =
= = =
= =
+ = +

= +

= +

=

(ii)Para n=2

30
( ) ( ) ( )
( ) ( )
2 2
2 2
1 2 1 2
1
2 2 2 2
1 2 1 2 1 2
2 2
1 2 1 2
1
1
2
1 1 2
1 1
n
i
i
x x x x x x
n
x x x x x x
n
x x x x
n n n
=
= + +
= + + +

= +

De esta manera, la forma cuadrtica se puede expresar matricialmente como:
1
1 2
2
1 1
1
1 1
1
x
n n
x x
x
v
n n

Donde
0
1 1
1
1
'
1 1
1
n n
M I ii
n
n n

= =

Notemos que debo tratar de ponerlo como una suma de la identidad mas otra
matriz. Haciendo esto, nos queda que:
0
0
1 1
1 0
1 1 0 1
1 0 1 1
1
0 1 1 1
n n
M
n n
M
n

=

=

Lo que comprueba el enunciado, puesto que es directo que
1 1
'
1 1
i i

=

.

b. Verifica que
0
M es semi-definida positiva.
S O L U C I N
1era alternativa
La forma generalizada de la matriz
0
M es:

31
0
1 1 1
1
1 0 0 1 1 1
1 1 1
0 1 0 1 1 1
1
1
0 0 1 1 1 1
1 1 1
1
n n n
n n n
M
n
n n n

= =

0
1 1 1
1 1 1
1 1
*
1 1 1
n
n
M U
n n
n

= =

Aqu podemos aplicar dos propiedades. En primer lugar, la propiedad de que
los valores propios de la matriz kA son iguales a los valores propios de la
matriz A multiplicados por el escalar k. En segundo lugar, del ejercicio 1
queda claro que (n-1) valores propios de la matriz U* sern iguales a n con
excepcin de 1 que ser igual a 0. De esta manera, para el caso de la matriz
0
M , (n-1) de sus valores propios sern iguales a 1 y uno de ellos (el ensimo)
ser igual a 0. Con ello se verifica que ser semi-definida positiva.

2da alternativa
Para que la matriz
0
M sea semi-definida negativa, debe ocurrir que toda
forma cuadrtica relacionada a sta es mayor o igual a cero. Es decir:
0
' 0 x M x . Podemos verificar esto, de varias maneras. Una forma general
ser considerar:
( )
0
1 1
' ' ' ' ' ' x M x x I i i x x x x ii x
n n

= =

Ahora, podemos considerar que:
(i)
2
1
'
n
i
i
x x x
=
=

y (ii)
1
' '
n
i
i
x i i x x
=
= =

Con esto nos queda que:
2
0
1 1 1
1
'
n n n
i i i
i i j
x M x x x x
n
= = =
=

Para n=2
2 2 2 2
1 2 1 2 1 2
1
2 0
2
x x x x x x + + +

Multiplicando todo por 2 (la desigualdad no varia)
( )
2
2 2
1 2 1 2 1 2
2 0 x x x x x x + = lo cual es una proposicin cierta.

Para n=3

32
2 2 2 2 2 2
1 2 3 1 2 3 1 2 1 3 2 3
1
2 2 2 0
3
x x x x x x x x x x x x + + + + + + +

Multiplicando todo por 3:
2 2 2
1 2 3 1 2 1 3 2 3
2 2 2 2 2 2 x x x x x x x x x + + =

( ) ( ) ( )
2 2 2 2 2 2
1 1 2 2 1 1 3 3 2 2 3 3
2 2 2 x x x x x x x x x x x x = + + + + +

( ) ( ) ( )
2 2 2
1 2 1 3 2 3
x x x x x x = + +

( ) ( ) ( ) 0 0 0 0 = + + lo cual verifica lo que queramos mostrar.

En general, para cualquier n se puede verificar que se va cumplir que:
2
0
1 1 1
1
'
n n n
i i i
i i j
x M x x x x
n
= = =
=

( ) ( ) ( )
2 2 2
1 2 1 2 1 3
1 1 1 2 2
n
n x n x n x x x x x + + + asi sucesivamente

esto se puede agrupar de tal manera que:
( )
( ) [ ] { }
2 2 2
1
2 3 0 0 0
n n
i i j j i
i j i
x x x x n x
=

+ + = +

siempre!

3era alternativa
Esta matriz es la famosa matriz M que es bastante utilizada en econometra.
Si haban llevado el curso de introduccin tal vez la conocan, y es que
0
M es
la matriz M asociada con el intercepto en un modelo lineal, y aquella que
aplicada a cada variable, la transforma en desviaciones respecto de su media.

Esta matriz M es idemponente, y como tal (como puede verse en la solucion
alternativa 1) nicamente tiene valores propios que pueden ser 0 1.

3.2.8 Desigualdad de Schwartz
[PC2 2004 I]
La desigualdad de Schwartz (1885) establece que, para dos vectores no nulos x
e y del espacio
n
R , se cumple que:
( )
( )
( )
2
' ' ' x y x x y y .
a. Verifique que para toda matriz A de orden nxm (con n>m), la matriz AA
tiene valores propios no negativos.
S O L U C I N
Si la matriz tiene valores propios no negativos, entonces o los que tiene son
ceros (algunos de ellos) o son poaitivos. De esta manera, o bien la matriz AA
es definida positiva (DP) o es semi-definida positiva.
(i) Definida Positiva
Implica que ( ) ( ) ( )
' ' ' 0 y A A y Ay Ay = > , es decir, que el vector Ay

33
(ii) Semi-Definida Positiva
Implica que ( ) ( ) ( )
' ' ' 0 y A A y Ay Ay = , es decir, que puede ocurrir que
Ay = , dejando de lado la posibilidad de que y = , solo cuando ( )
1
' A A

no exista
6
, lo cual implica que A' A no es invertible, es decir det( ' A A)=0 o
lo que es lo mismo, uno de sus valores propios debe ser igual a cero.
Por lo tanto, lo que se verifica aqu es que la matriz ' A A es DP o SDP.

b. Considere una matriz de nx2 (con n>2) cuyas columnas son los vectores x e
y, tal que A x y

=

. Sobre la base de su respuesta en a., y del concepto
de definicin de matrices, demuestre la desigualdad de Schwartz.
S O L U C I N
La matriz A tendr la siguiente forma:
1
1
nx
nx
A x y

=

1 1
2 2
n n
x y
x y
A
x y

=

De modo que la matriz A se puede expresar como:
1
1
'
'
'
xn
xn
x
A
y

=

1 2
1 2
'
n
n
x x x
A
y y y

=

Con esta notacin abreviada obtenemos la expresin para AA:

1
1
1
2
1
2 2 2
' ' '
'
' ' '
xn
nx
nx
nx
xn
xn x
x x x x y
A A x y
y y x y y

= =

(*)

Dado que sabemos que AA es DP o SDP, debemos de considerar las
condiciones que debe cumplir en cada caso. Para ello tenemos tres
alternativas:
(i) Evaluar la forma cuadrtica asociada a la matriz AA
(ii) Evaluar sus valores propios.
(iii) Evaluar sus menos complementarios, que en este caso seran nicamente
dos, puesto que es una matriz de 2x2.

De estas alternativas, tenemos que ver cul es la que nos permite
aproximarnos a la expresin que queremos demostrar:
( )
( )
( )
2
' ' ' x y x x y y

6
Si ( )
1
' A A

existe, entonces ' A Ay = implica que y = , lo cual contradice la generalidad de
una forma cuadrtica.

34
Luego de un breve anlisis de la expresin (*), podemos darnos cuenta que la
mejor alternativa sera la exploracin de la alternativa (iii). En este caso, dado
que AA es DP o SDP, entonces:

Primer menor: ' 0 x x , que es verdad, por cuanto x es un vector no nulo (es
decir, se cumple con desigualdad estricta.

Segundo menor (que equivale al determinate de la matriz AA):
( ) ( ) ( ) ( )
' ' ' ' ' A A x x y y x y y x =

Dado que
( ) ( )
' ' x y y x = , que son nmeros (vectores de 1x1), podemos
expresar el determinante como:
( ) ( ) ( )
2
' ' ' ' A A x x y y x y =

Dado que AA es DP o es SDP, entonces
( ) ( ) ( )
2
' ' ' ' 0 A A x x y y x y = > si es DP
( ) ( ) ( )
2
' ' ' ' 0 A A x x y y x y = si es SDP

Como contemplamos ambas alternativas, la segunda expresin es ms general,
por lo que :
( )
( )
( )
2
' ' ' x y x x y y lqqd.

c. Sea Q una matriz simtrica y definida positiva. Sobre la base de las
propiedades de la diagonalizacin de matrices simtricas, demuestre que la
siguiente generalizacin de la desigualdad de Schwartz se cumple:
( )
( )
( )
2
' ' ' x Qy x Qx y Qy
Solucin
La expresin de la desigualdad de Schwartz relaciona los mdulos y los
productos internos cruzados de dos vectores. Es decir, est definida para
vectores. Lo que debemos de hacer es tratar de reexpresar esta expresin, en
funcin a ciertos vectores.

Para ello hay que tener en cuenta que, dado que Q es simtrica y definida
positiva:
(i) Q puede cumplir con la descomposicin ortogonal, es decir
1
'
Q
D PQP PQP
= = , siempre y cuando asumamos que la matriz P est

formada por los vectores propios de Q, adecuadamente normalizados para ser
ortonormales (es decir P es ortogonal).
(ii) Al tener se definida positiva, es decir, tener todos sus valores propios
positivos, puede descomponerse como Q=CC, lo que constituye la
descomposicin de Cholesky.

De esta manera:

35
( )
( )
( ) ( ) ( )
( )
2
' ' ' ' ' ' x CC y x CC x y CC y

Reordenando adecuadamente los trminos:
( )
( )
( ) ( ) [ ] ( ) ( )
2
' ' ' ' ' ' ' ' ' C x C y C x C x C y C y

Si consideramos que: ( ) * ' x C x = ( ) * ' y C y = , entonces:
( ) ( ) ( )
2
* ' * * ' * * ' * x y x x y y

que es la misma expresin de la desigualdad de Schwartz.


36
3.3 Otros temas de algebra matricial

3.3.1 Particiones
[PC2 2002 I]
Sea la matriz A, particionada de la forma:
11 12
21 22
A A
A
A A

=

tal que
21 12
A A = = . Demostrar que:
1
det( )
n
ii
i
A G
=
=

donde G
ii
son los elementos de la diagonal de la matriz G que resulta de
multiplicar las matrices diagonalizadas de A
11
y A
22
. (es decir
( ) ( ) { }
1 1
1 11 1 2 22 2
G P A P P A P

= )
S O L U C I N

3.2.2 Las Formas Cuadrticas Particionadas
[PC2 2002 II]
Muestre que si la forma cuadrtica ' x Ax se trabaja de modo tal que se
particiona la matriz de coeficientes A en n sub-matrices cuadradas distintas de
igual orden, es posible rescribirla como la suma de
(1/ 2)
p n = (sub) formas
cuadrticas, propiamente dichas, ms q polinomios no lineales de grado 1,
donde q se define como:
1
1
2
p
i
q i
=
=

Ayuda: Pruebe con valores para n y luego obtenga una generalizacin. Sea
consistente.
S O L U C I N
Consideremos la siguiente forma cuadrtica: ' x Ax
Evidentemente la matriz de coeficiente de una forma cuadrtica ' x Ax es
siempre cuadrada, por lo que su particin en submatrices de igual orden,
implica que sean divididas en 4,9,16,25, etc. Es decir, n (el nmero de
submatrices) puede ser igual al cuadrado de los nmero naturales enteros.

Para n=4
1 11 21
1 2 1 1 2 2 1 2 2 1 11 22 12 21
2
21 22
' ' ' ' ' '
A A x
x x x A x x A x x A x x A x
x
A A

= + + +

en donde los trminos cruzados
1 2 12
' x A x y
2 1 21
' x A x son equivalentes. Por
esta razn, la expresin anterior se puede reescribir como:

37

1 11 21
1 2 1 1 2 2 1 2 11 22 12
2
21 22
' ' ' ' 2 '
A A x
x x x A x x A x x A x
x
A A

= + +

En donde tenemos:
2 formas cuadrticas p= 2 n =
1 polinomio de grado 2 q=2(1)=2

Para n=9
11 12 31
1
1 2 3 2 1 1 2 2 3 3 21 22 32 11 22 33
3
31 32 33
1 2 1 3 2 3 12 13 23
' ' ' ' ' '
2 ' 2 ' 2 '
A A A
x
x x x A A A x x A x x A x x A x
x
A A A
x A x x A x x A x

= + + +

+ + +

En donde tenemos:
3 polinomio de grado 2 q=2(1+2)=6

Para n=16
11 12 31 43
1
2 21 22 32 43
1 2 3 4
3
31 32 33 43
4
41 42 43 44
1 1 2 2 3 3 4 4 11 22 33 44
1 2 1 3 1 4 2 4 2 3 3 4 12 13 14 24 23 34
' ' ' '
' ' ' '
2 ' 2 ' 2 ' 2 ' 2 ' 2 '
A A A A
x
A A A A x
x x x x
x
A A A A
x
A A A A
x A x x A x x A x x A x
x A x x A x x A x x A x x A x x A x

= + + + +
+ + + + + +

En donde tenemos:
12 polinomios de grado 2 q=2(1+2+3)=12

Habiendo establecido una generalidad de casos....

3.3.2 Matrices mgicas
[PC2 2001 II]
Una matriz mgica es aquella matriz de orden 3 n , formada por nmeros
del 0 a n
2
, que tiene la particularidad de que uno de sus valores propios, y la
suma de los elementos de cada una de sus columnas, de cada una de sus
filas, y de su diagonal, es el mismo valor (al que vamos a llamar por esta vez,
su valor mgico o VM).

(i) Si A es una matriz mgica de orden 3, que cumple que VM(A) = 15,
demostrar que la matriz

38
M A I =

donde I es la identidad de orden t, es una matriz cuasi-mgica cuyo VQM
(valor cuasi-mgico) para filas y columnas (nicamente) es tambin 15, pero
que la suma de su diagonal es 15t.

(ii) Se sabe que si la matriz mgica M, de orden 5:
17 24 1 8 15
23 5 7 14 16
4 6 13 20 22
10 12 19 21 3
11 18 25 2 9
M

=

se diagonaliza, el resultado es la matriz D
M
:
65 0 0 0 0
0 22.5471 0 0 0
0 0 21.6874 0 0

0 0 0 14.4036 0
0 0 0 0 11.9008
M
D

=

Hallar el determinante de la inversa de la matriz:

0 34 0 48 0 2 0 16 0 30
34 0 48 0 2 0 16 0 30 0
0 46 0 10 0 14 0 28 0 32
46 0 10 0 14 0 28 0 32 0
0 8 0 12 0 26 0 40 0 44
8 0 12 0 26 0 40 0 44 0
0 20 0 24 0 38 0 42 0 6
20 0 24 0 38 0 42 0 6 0
0 22 0 36 0 50 0 4 0 18
22 0 36 0 50 0 4 0 18 0

3.3.3 El modelo lineal general
[PC2 2001 II]
Un poco de teora:
(1) El Modelo Lineal General en breve
En econometra, el Modelo Lineal General viene dado por la siguiente sistema
de ecuaciones:
1 1 1
nx nxk kx nx
y X e = +


39

1
1 11 12 1 1
2 21 22 2 2
2
1 2
1 1
1
k
k
n n n nk n
k nx nxk nx
kx
y x x x e
y x x x e
y x x x e

= +

de modo que la solucin para obtener los coeficientes (solucin del modelo),
es que stos minimicen la suma de los errores estimados (vector e) del modelo.
As, la solucin a la minimizacin:
( ) ( )
2
1

n
i
i
Min e y x y x

es ( ) ( )
1
' ' X X X y

= .

(2) La Matriz de Proyeccin Ortogonal
Sea una matriz cualquiera H, no singular, de orden p la matriz M, tambin de
orden p se denomina matriz de proyeccin ortogonal de H si:
( )
1
M I H HH H
=

de modo que ' H M = .

Por particularidades de su investigacin, a Ud. le resulta ms fcil trabajar
con la matriz X (de k variables) en forma particionada, de modo que X puede
ser re-expresada como la particin de dos grupos de variables
1 2
X X X

=

donde X
1
es de orden nxk
1
(k
1
variables) y X
2
es de orden nxk
2
(k
2
variables),
de modo que ahora se estiman simultneamente 2 grupos de coeficientes
(
1 2
k k k = + ):
1
2

=

.

(i) Muestre que los valores estimados de
1
se expresan en funcin de la matriz
de proyeccin ortogonal de X
2
(es decir, M
2
), y
2
en funcin de la matriz de
proyeccin ortogonal de X
1
(es decir, M
1
).
S O L U C I N

(ii) Demuestre que los valores propios de M
1
son iguales a los valores propios
de M
2
e iguales a 1 y 0.
S O L U C I N

Mate Ejercicios 3 v2005

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

Mate Ejercicios 3 v2005

Cargado por

Copyright:

Formatos disponibles

Matemticas para Economistas

Ejercicios resueltos Primer borrador

son los valores propios de

= , que contiene a los valores

Se demuestra que la afirmacin es verdadera.

son iguales a la inversa de los valores propios

= , entonces para todo n > 0 se

= , y procedemos a obtener las potencias de la

= , debido a que se trata de una matriz simtrica. Por lo tanto:

= , puesto que por

puede tomar dichos valores, indistinamente. Entonces, tenemos tres

' ' 0 x A Ax > ' A A es una matriz definida

dondex es el promedio de las coordenadas del vector x (es

= = , siempre y cuando asumamos que la matriz P est

También podría gustarte