Vectores y matrices

Los elementos bsicos en teora de sistemas lineales son vectores n 1 (columna)

o 1 n (fila) y matrices n m con elementos reales (i.e. v Rn y A Rnm ).
Denotamos el elemento i del vector v como vi , y el elemento ij de una matriz A
como aij o [A]ij .

v=

v1
v2
..
.
vn

a11

a21

T
= [v1 v2 . . . vn ] , A =
...

an1

a12

...

a22

. . . a2m

... ...

. . . anm

...
an2

a1m

Herramientas de A.L. p.1/64

Vectores y matrices
Definiciones:
El producto de dos matrices A Rnm por B Rsr solo est definido si
s = m y el resultado tiene dimensin n r. Si ai es la iesima columna de A y bj
la jesima fila de B,

b1

b2

AB = [a1 a1 . . . am ] .
..

bm

= a 1 b1 + a 2 b2 + . . . + b m bm

Se denomina matriz nula a la matriz con todos sus elementos cero y se denota
0nm o simplemente 0.

Herramientas de A.L. p.2/64

Vectores y matrices
Definiciones:
Una matriz A Rnm es cuadrada si n = m. En este caso la matriz nula se
denota como 0n y la matriz identidad como In o simplemente I.
La potencia k (con k 0) de una matriz A, (Ak ), est bien definida solo si A es
cuadrada. A0 = In .
Si Ak = 0 para un k > 0, entonces A se llama nilpotente .

Herramientas de A.L. p.3/64

Vectores y matrices
Definiciones para matrices n n:
La traza es el escalar correspondiente a la suma de los elementos de la diagonal
principal .
n
X
aii
trA =
i=1

Si AB es cuadrada, entonces tr[AB] = tr[BA]

El cofactor cij del elemento aij es (1)i+j multiplicado por el determinante de

la submatriz de A de (n 1) (n 1) resultante de eliminar la fila i y la
columna j.

Herramientas de A.L. p.4/64

Vectores y matrices
Definiciones para matrices n n:
El determinante de una matriz puede definirse recursivamente (expansin de
Laplace sobre la columna j) como
detA =

n
X

aij cij

i=1

con cij el cofactor del elemento aij . El determinante es una funcin diferenciable
todas las veces que se quiera. Si A y B son de n n entonces
det[AB] = [Link] = det[BA]
Una matriz A es singular si detA = 0.
Una matriz A tiene inversa A1 tal que AA1 = A1 A = I sii A es no
singular.

Herramientas de A.L. p.5/64

Vectores y matrices
Definiciones para matrices n n:
La adjunta de una matriz A (AdjA) se define como la transpuesta de la matriz
de los cofactores de A.
La inversa puede calcularse como
A

1
AdjA
=
[cij ]0
=
detA
detA

La transpuesta del producto de matrices cumple (AB)T = BT AT .

La inversa del producto de matrices cuadradas no singulares cumple
(AB)1 = B1 A1 .

Herramientas de A.L. p.6/64

Vectores y matrices
A = [1 2;3 4];
>> det(A)
ans =
-2

En Matlab algunas operaciones elementales se calculan como:

>> trace(A)
ans =
5
>> inv(A)
ans =
-2.0000 1.0000
1.5000 -0.5000

Herramientas de A.L. p.7/64

Ejemplo: Determinantes e Inversa

Muestre que el determinante y la inversa de la matriz,

1 5 0

A = 0 2 1

4 5 3
son det(A) = 21 y
A

1
=
4
21
8

15
3

15

Herramientas de A.L. p.8/64

Espacio vectorial lineal

Sea el plano geomtrico de dos dimensiones. Definiendo el origen, entonces cada
punto en el plano puede considerarse un vector. Un vector puede comprimirse o
expandirse. Cualquier par de vectores puede sumarse aunque el producto no est
definido. Tal plano, en terminologa matemtica se denomina espacio lineal , o
espacio vectorial , o espacio vectorial lineal .
El conjunto de todos los vectores en Rn puede verse como un espacio vectorial
lineal con las operaciones suma de vectores y producto por escalares .
Cada plano geomtrico tiene dos ejes coordenados que son mutuamente
perpendiculares y de la misma escala. La razn para tener un sistema coordenado
es tener alguna referencia para especificar un punto en el plano.
En espacios lineales, un sistema coordenado se llama base . En general, los
vectores base no son perpendiculares entre s y tienen diferentes escalas.

Herramientas de A.L. p.9/64

Independencia lineal y dimensin

El mximo nmero de vectores L.I. en un espacio lineal se llama dimensin del
espacio lineal. As, en un espacio vectorial de dos dimensiones (R 2 , R), no
pueden encontrarse tres vectores L.I.
Un conjunto de vectores x1 , . . . , xn en un espacio lineal se dice linealmente
dependiente si y solo si existen escalares 1 , 2 , . . . , n , no todos cero, tales que,
1 x1 + 2 x2 + . . . + n xn = 0

(1)

Si el nico conjunto de i para el cual (1) se cumple es

1 = 0, 2 = 0, . . . , n = 0, entonces el conjunto de vectores se dice
linealmente independiente .
Si un conjunto de vectores es linealmente dependiente, entonces por lo menos un
vector del conjunto puede escribirse como combinacin lineal de los restantes.

Herramientas de A.L. p.10/64

Bases
Un conjunto de vectores linealmente independientes de un espacio vectorial lineal
se dice ser una base del espacio, si cada vector en dicho espacio se puede expresar
como una nica combinacin lineal de esos vectores.
Teorema: En un espacio vectorial de n dimensiones, cualquier conjunto de n
vectores linealmente independientes califica como una base.
La implicacin del teorema es que, en un espacio vectorial de n dimensiones, si se
escoge una base [e1 e2 . . . en ], entonces cada vector x en dicho espacio puede
representarse unvocamente por un conjunto de n escalares 1 , 2 , . . . , n ,
h

x = e1

e2

. . . en

A se le denomina la representacin de x con respecto a la base {e 1 e2 . . . en }.

Herramientas de A.L. p.11/64

Bases
Ejemplo: Considrense los vectores de R2 , q1 = [3, 1]T y q2 = [2, 2]T que son L.I. y
por tanto califican como coordenadas del espacio. Muestre que la representacin del
= [1, 2]T .
vector x = [1, 3]T en las coordenadas {q1 , q2 } es x
x

q2

q1

Herramientas de A.L. p.12/64

Norma de vectores
El concepto de norma de un vector es una generalizacin del concepto de
magnitud.
La norma de un vector x Rn se denota como ||x|| y es una funcin Rn 7 R0+
(reales + el cero) que cumple con las propiedades,
1. ||x|| 0 para todo x y ||x|| = 0 solo si x = 0.
2. ||x|| = ||||x|| para todo escalar .
3. ||x1 + x2 || ||x1 || + ||x2 || para todo x1 , x2 (desigualdad triangular).
Dado un vector x = [x1 , x2 , . . . , xn ]T , tres normas tpicas en Rn son,
Pn
,
norma-1
||x||1
i=1 |xi |

pP n
2
T
,
x x=
norma-2 o eucldea
||x||2
i=1 xi
||x||

m
ax |xi |
i

norma-

Herramientas de A.L. p.13/64

Norma de vectores
1

8
2
1

Interpretacin grfica:
Bola unitaria

-1

-1

A no ser que se diga otra cosa, asumiremos en este curso la norma eucldea.

Un vector se dice normalizado , si ||x|| = xT x = 1. Dos vectores x1 y x2 se

dicen ortogonales si xT1 x2 = xT2 x1 = 0.

Herramientas de A.L. p.14/64

Ortonormalizacin
Un conjunto de vectores es ortonormal si,
xTi xj

0 si i 6= j
1 si i = j

Dado un conjunto de vectores LI {p1 , p2 , . . . , pn }, podemos obtener un conjunto

ortonormal de vectores {q1 , q2 , . . . , qn } usando el procedimiento de
ortonormalizacin de Schmidt,
u1

p1

q1

u2

p2 (q1T p2 )q1

q2

...
um

pm (

Pm1
k=1

...
qkT pm )qk

qm

u1 /||u1 ||,
u2 /||u2 ||,
um /||um ||

Herramientas de A.L. p.15/64

Ortonormalizacin
u
2

e
2

q
3

q
2
0

u
3

e
q
2

q
1
q
1
q 'e
1 2

e
1

q 'e
2 3

Proceso de ortonormalizacin de Schmidt.

Herramientas de A.L. p.16/64

Matrices en forma particionada

Una matriz organizada en bloques de submatrices se dice en forma particionada.
Algunas propiedades de este tipo de matrices pueden facilitar el anlisis de
sistemas.
#
"
A11 A12 . . . A1r
A=
Ap1 Ap2 . . . Apr
donde los Aij son matrices de dimensiones acordes con la particin.
Ejemplo:

2
A=
3

"
5 6
= A11
6 7
A21

7 8

A12

A13

A22

A23

Esta matriz es de dimensin 2 3 por bloques.

Herramientas de A.L. p.17/64

Matrices en forma particionada

Para dos matrices A y B del mismo tamao, particionadas en bloques de la misma
dimensin, la suma de matrices cumple,
Cij = (A + B)ij = Aij + Bij
Dos matrices particionadas Apr y Brq por bloques puede multiplicarse por
bloques Cpq = Apr Brq . Cada bloque de C se puede calcular (anlogo al
caso escalar), asumiendo particiones afines, como:
Cij =

r
X

Aik Bkj

k=1

Ejemplo:
"

A11

A12

A13

A21

A22

A23

B11

"

(A11 B11 + A12 B21 + A13 B31 )

B21 =
(A21 B11 + A22 B21 + A23 B31 )
B31

Herramientas de A.L. p.18/64

Matrices en forma particionada

La transpuesta de una matriz particionada es,
T

A =

"

A11

A12

A21

A22

#T

"

AT11

AT21

AT12

AT22

Considere la inversa de la matriz triangular superior ,

A=

"

A11

A12

A22

=M=

"

M11

M12

M21

M22

Entonces,
AM = I;

"

A11

A12

A22

#"

M11

M12

M21

M22

"

I11

I22

Herramientas de A.L. p.19/64

Matrices en forma particionada

Resolviendo se obtiene el sistema de ecuaciones,
A11 M11 + A12 M21

I11

A11 M12 + A12 M22

A22 M21

A22 M22

I22
"
A1
11

M = A1

1
A1
11 A12 A22
A1
22

El caso particular de una matriz diagonal por bloques se obtiene con A12 = 0. Para el
caso general, note que A se puede llevar a una forma triangular superior,
"

I
A21 A1
11

0
I

#"

A11
A21

A12
A22

"

A11
0

A12
A21 A1
11 A12

+ A22

(2)

Herramientas de A.L. p.20/64

Matrices en forma particionada

"
"

A21 A1
11

A11

A12

A21

A22

"

#"

#1 "

A11

A12

A21

A22

A11

A12

A21

A22

#!1

A21 A1
11

#1

"

#1

"

"

A11

A12

A21 A1
11 A12 + A22

A11

A12

A21 A1
11 A12 + A22

A11

A12

A21 A1
11 A12 + A22

#1 "

A21 A1
11

#1
#1

1
, se obtiene,
Llamando F = (A21 A1
11 A12 + A22 )

"

A11

A12

A21

A22

#1

"

A1
11

1
+ A1
A
F
A
A
12
21
11
11
F A21 A1
11

A1
11 A12 F
F

Herramientas de A.L. p.21/64

Matrices en forma particionada

El determinante de una matriz triangular es el producto de los determinantes de
las matrices de la diagonal principal.
det

"

A11

A12

A22

#!

= det(A11 )det(A22 )

Usando la ecuacin (2) y la propiedad anterior, se demuestra que en general,

det

"

A11

A12

A21

A22

#!

= det(A11 )det(A22 A21 A1

11 A12 )

En MatLab, las matrices particionadas se escriben tal como si las matrices fuesen
escalares.
>> A = [A11 A12; A21 A22];

Herramientas de A.L. p.22/64

Aplicaciones lineales
Consideremos la solucin del conjunto de ecuaciones algebricas lineales Ax = y, con
A Rmn y y Rm como datos de entrada y x Rn la incgnita a resolver, con m
menor, igual o mayor que n. Note que y es una aplicacin lineal y : Rn 7 Rm .
El espacio imagen, o la imagen de A es el espacio generado por todas las
combinaciones lineales de las columnas de A.
El rango de A se define la dimensin del espacio imagen, o equivalentemente, el
nmero de columnas linealmente independientes de A.
Un vector x se llama vector nulo de A, si Ax = 0. El espacio nulo de A es el
formado por todos sus vectores nulos.
La nulidad de A es la dimensin del espacio nulo de A y cumple la relacin,
Nulidad(A) = nmero de columnas de A rango(A)
El rango de A tambin es el nmero de filas L.I. de A, luego para A Rmn se
cumple:
rango(A) <= mn(m, n)
Herramientas de A.L. p.23/64

Aplicaciones lineales
>> A= [0 1 1 2;1 2 3 4; 2 0 2 0];
>> rank(A)
ans =
2
>> R = orth(A)

En Matlab la imagen, el espacio

nulo y el rango se obtienen mediante los comandos orth, null y
rank.

R=
-0.3782 0.3084
-0.8877 0.1468
-0.2627 -0.9399
>> null(A)
ans =
-0.6740 -0.0177
-0.1113 -0.8977
0.6740 0.0177
-0.2813 0.4400

Herramientas de A.L. p.24/64

Inversas por derecha e izquierda

Dada una matriz de orden m n

a11

a21

A= .
..

am1

a12

...

a22
..
.

. . . a2n

..
..
.
.

. . . amn

am2

a1n

Se dice que A es de rango pleno por filas si rango(A) = m, esto es, el rango de A
es igual al nmero de filas. Anlogamente se dice que A es de rango pleno por
columnas si rango(A) = n.
Para una matriz cuadrada son equivalentes ser de rango pleno por filas, ser de
rango pleno por columnas y ser regular.
Dada una matriz A Rmn , una inversa a derecha de A es una matriz
AR Rnm de forma que AAR = Im .
Herramientas de A.L. p.25/64

Inversas por derecha e izquierda

De forma similar, una inversa a la izquierda de A es una matriz AL Rnm tal
que AL A = In .
Proposicin: Dada una matriz A Rmn , se verifica,
1.

2.

A tiene inversa a izquierda A es de rango pleno por columnas.

A tiene inversa a derecha A es de rango pleno por filas.

Lema: Dada una matriz A Rmn , se verifica,

rango(AT A) = rango(AAT ) = rango(A)

Teorema: Dada una matriz A Rmn , se verifica:
1.

Si A es de rango pleno por filas, entonces una inversa a derecha de A es

AR = AT (AAT )1 .

2.

Si A es de rango pleno por columnas, entonces una inversa a izquierda de A es

AL = (AT A)1 AT .
Herramientas de A.L. p.26/64

Pseudoinversa
Dada una matriz A Rmn , una inversa generalizada (o pseudoinversa) de
Moore-Penrose de A es una matriz X Rnm de forma que:
1.

AXA = A.

2.

XAX = X.

3.

AX y XA son simtricas.

Proposicin: Para cada matriz A, si existe inversa de Moore-Penrose de A, esta es

nica. A tal matriz se le nota por A+ . Note que si A es regular, entonces A+ = A1 , si
A es de rango pleno por filas, entonces A+ = AR y si A es de rango pleno por
columnas, A+ = AL .
Dada una matriz A de orden m n, llamaremos factorizacin de rango pleno de
A a cada descomposicin de A en producto de una matriz de rango pleno por
columnas y una de rango pleno por filas.
Toda matriz posee una factorizacin de rango pleno.
Teorema: Toda matriz A Rmn , tiene inversa generalizada de Moore-Penrose.
Herramientas de A.L. p.27/64

Ecuaciones algebricas
Dado un sistema de ecuaciones lineales,

a11 x1 + a12 x2 + . . . + a1n xn

a x + a x + ... + a x
21 1
22 2
2n n

...

am1 x1 + am2 x2 + . . . + amn xn

y1

y2

...

...

ym

su expresin matricial es Ax = y
Teorema: (existencia de las soluciones)
1.

Existe una solucin x Rn de la ecuacin Ax = y, si y solo si y est en la

imagen de A, o equivalentemente,
rango(A) = rango([A y])

2.

Dado A, existe una solucin x de Ax = y para cada y, si y solo si A tiene

rango fila completo (rango (A) = m).
Herramientas de A.L. p.28/64

Ecuaciones algebricas
Si un sistema de ecuaciones lineales tiene solucin, se dice compatible . Si A no
es de rango fila completo, el sistema de ecuaciones se dice incompatible .
A menudo cuando el sistema es incompatible interesa buscar un valor de x que
aproxime la solucin. Llamaremos solucin mnimo-cuadrtica del sistema a
cada vector x Rn haciendo mnima la norma ||Ax y||.
En el caso de que el sistema sea compatible la soluciones mnimo cuadrticas no
son otras que las soluciones del sistema.
Lema: Dado un sistema de ecuaciones lineales Ax = y con A de rango pleno por filas, el
sistema es compatible y la solucin de norma mnima viene dada por x = A R y.
Si A es de rango pleno por columnas, existe una nica solucin
mnimo-cuadrtica dada por x = AL y.

Teorema: Dado un sistema de ecuaciones lineales Ax = y (compatible o

incompatible), la solucin mnimo-cuadrtica de norma mnima viene dada por
x = A+ y.

Herramientas de A.L. p.29/64

Ecuaciones algebricas
Teorema: (Parametrizacin de todas las soluciones) Dada una matriz A R mn
y un vector y Rm , sea xp una solucin de Ax = y y sea k := n (A) la
nulidad de A
1. Si k = 0 (A tiene rango columna pleno), entonces la solucin xp es nica.
2. Si k > 0 sea {n1 , n2 , . . . , nk } una base del espacio nulo de A. Entonces
para cualquier conjunto k de nmeros reales {i , i = 1, 2, ..., k} el vector
x = x p + 1 n1 + . . . + k nk
es tambin solucin de Ax = y.

Herramientas de A.L. p.30/64

Ecuaciones algebricas

En Matlab la solucin de Ax = y
se obtiene con x=A\y

>> A = [0 1 1 2;1 2 3 4; 2 0 2 0];

>> y = [-4;-8;0];
>> x0= A\y;
Warning: Rank deficient, rank = 2 tol = 3.9721e-015.
>> N= null(A);
>> x = x0 + 2*N(:,1) + 3* N(:,2);
>> A*x
ans =
-4.0000
-8.0000
0.0000

Herramientas de A.L. p.31/64

Ecuaciones algebricas
Corolario:(Sistemas cuadrados). Sea Ax = y donde A es cuadrada. Entonces,
1.

Si A es no singular existe una solucin nica para cada y, dada por x = A1 y.

En particular, la nica solucin de Ax = 0 es x = 0.

2.

La ecuacin homognea Ax = 0 tiene soluciones no nulas sii A es singular. El

nmero de soluciones LI es igual a la nulidad de A.

Herramientas de A.L. p.32/64

Transformacin de semejanza
La operacin Ax = y puede pensarse como una operacin de mapeo de vectores
de Rn a Rn .
Dada la nueva base Q = {q1 q2 . . . qn } se sabe que x = Q
x y y = Q
y y por
tanto,
x=y

Ax = y AQ
x = Q
y Q1 AQ
A la transformacin

= Q1 AQ
A

1
A = QAQ

se dicen semejantes .
se le denomina transformacin de semejanza y A y A

Herramientas de A.L. p.33/64

Transformacin de semejanza
Notando que,

AQ = QA
i
h
i
h
= Q a1 . . . a n
A q1 . . . q n
i
h
i
h
= Qa1 . . . Qan
Aq1 . . . Aqn
es la representacin del vector Aqi en la base
Se concluye que la columna i de A
Q.

Herramientas de A.L. p.34/64

Autovalores y Autovectores
Un nmero es un autovalor de la matriz A si existe un vector no nulo v Rn
tal que Av = v. Este vector v es un autovector (por derecha) de A asociado al
autovalor .
El conjunto de todos los autovalores de una matriz A se llama el espectro de A.
Se encuentra resolviendo el sistema de E.L. (I A)v = 0.
La solucin no nula del anterior sistema existe solo si la matriz I A es singular.
Se denomina polinomio caracterstico de la matriz cuadrada A a,
4() = det(I A)
El polinomio 4() es mnico , es decir, el coeficiente del trmino de mayor
orden es 1 y es de orden n con coeficientes reales.

Herramientas de A.L. p.35/64

Autovalores y Autovectores
Para cada raz de 4() la matriz (I A) es singular y por tanto la ecuacin
(I A)v = 0 admite al menos una solucin no nula.
Luego, toda raz de 4() es un autovalor de A y como 4() tiene grado n,
necesariamente A tiene n autovalores (no necesariamente distintos).
En Matlab, los autovalores de A se calculan mediante r = eig(A) dando
iT
h
r = 1 2 . . . n . La funcin poly(r) da el polinomio caracterstico
de A.

Algunas matrices poseen polinomio caracterstico y autovalores evidentes. Uno de

tales casos es la matriz en forma companion .

Herramientas de A.L. p.36/64

Forma Companion
4() = 4 + 1 3 + 2 2 + 3 + 44

0 0

1 0

0 1

0 0

0
0
1

Otro caso es la forma diagonal,

Herramientas de A.L. p.37/64

Diagonalizacin
Caso 1. Autovalores reales y distintos
Los autovectores de A son LI y se usan como base.

1

Av1 = v1

v2

i 0

. . . vn .
..

0

0
=
Luego se obtiene, A
.
..

...

2
..
.

...
..
.

...

..
.

Herramientas de A.L. p.38/64

Diagonalizacin
Caso 2. Autovalores complejos y distintos
En este caso se puede obtener una matriz diagonal a partir de la base formada por los
autovectores, pero sta no es real.
Los autovalores complejos aparecen en pares conjugados de la forma = j
y dan lugar a autovectores complejos conjugados de la forma v = u jw.
Suponiendo que la matriz A tiene autovalores
{1 , 2 , 1 + j1 , 1 j1 , 2 + j2 , 2 j2 }, con autovectores
{v1 , v2 , u1 + jw1 , u1 jw1 , u2 + w2 , u2 jw2 }
Se forma la base,
{v1 , v2 , u1 , w1 , u2 , w2 }

Herramientas de A.L. p.39/64

Diagonalizacin
Y se obtiene la representacin diagonal por bloques,

0
=
A

w1

w1

w2

0
0

w2
2

Caso 3. Autovalores repetidos

En este caso los autovectores no son LI y aunque la matriz A no es diagonalizable, puede
llevarse a una forma diagonal de bloques de Jordan .

Herramientas de A.L. p.40/64

Formas de Jordan
Suponga una matriz A Rnn tiene un autovalor de multiplicidad n y que la matriz
(A I) tiene rango n 1, o nulidad 1. Supondremos n = 4. Entonces (A I)q = 0
tiene una sola solucin independiente (un solo autovector).
Un vector v se dice autovector generalizado de orden n si,
(A I)n v

= 0

(A I)n1 v

6= 0

Para n = 4 definamos
v4

:=

(A I)4 v4

Av4

v3 + v4

v3

:=

(A I)v4 = (A I)v

(A I)3 v3

Av3

v2 + v3

(A I) v2

Av2

v1 + v2

(A I)v1

Av1

v1

v2

:=

(A I)v3 = (A I) v

v1

:=

(A I)v2 = (A I)3 v

Herramientas de A.L. p.41/64

Formas de Jordan
Se obtiene,

A v1
|

v2

v3
{z
Q

v4 = v1
} |

v2

v3
{z
Q

i
0
v4

} 0
0
|

{z

A:=J

J en este caso es un bloque de Jordan de orden 4

Considrese la matriz A R55 con autovalor 1 de multiplicidad 4 y autovalor
= Q1 AQ. tal
simple 2 . Entonces existe una matriz no singular Q tal que A
asume una de las siguientes formas segn la nulidad de (A 1 I).
que A

Herramientas de A.L. p.42/64

Formas de Jordan

0
0
0

0
2

1 1 0 0
0 1 1 0

A1 =
0 0 1 1
0 0 0 1
0 0 0 0
Nulidad = 1
1 1 0 0
0 1 0 0

A4 =
0 0 1 0
0 0 0 1
0 0 0 0
Nulidad = 3

0
0
0

0
2

0
0
0

0
2

1 1 0 0
0 1 1 0

A2 =
0 0 1 0
0 0 0 1
0 0 0 0
Nulidad = 2
1 0 0 0
0 1 0 0

A5 =
0 0 1 0
0 0 0 1
0 0 0 0
Nulidad = 4

1 1 0 0
0 1 0 0

A3 =
0 0 1 1
0 0 0 1
0 0 0 0
Nulidad = 2

0
0
0

0
2

0
0
0

0
2

Herramientas de A.L. p.43/64

Formas de Jordan
Las formas de Jordan permiten establecer muchas propiedades generales de las matrices.
Ejemplos:
Ya que det(CD) = detC detD y detQdetQ1 = detI = 1, de A = QAQ1 se
obtiene,
1

= detA
detA = detQdetAdetQ

= producto de todos los autovalores de A

detA

Se concluye que A es no singular si y solo si no tiene ningn autovalor cero.

Para un bloque de Jordan de orden n la matriz (J I) es nilpotente, (J I) k = 0,
para k n.

Herramientas de A.L. p.44/64

Funciones de matrices cuadradas

Teorema de Cayley-Hamilton Sea 4() = n + 1 (n1) + . . . + n el polinomio
caracterstico de A. Entonces el polinomio matricial 4(A) cumple,
4(A) , An + 1 A(n1) + . . . + n I = 0
El teorema implica que An se puede escribir como una combinacin lineal de las
potencias de A de 0 a n. Ms an, todo polinomio matricial f (A) puede escribirse, con
coeficientes i apropiados como,
f (A) = 0 I + 1 A + . . . + n1 An1
El polinomio matricial de menor grado que satisface A se denomina polinomio mnimo .
Cuando los autovalores de A son de multiplicidad 1, el polinomio mnimo es el polinomio
caracterstico.
Herramientas de A.L. p.45/64

Funciones de matrices cuadradas

Cuando los autovalores de A se repiten, el polinomio mnimo puede ser de grado menor
a n y se expresa como,
Y
( i )n i
() =
i

siendo n
i n la dimensin del bloque de Jordan ms grande asociado al autovalor i .
Cuando el polinomio mnimo se conoce, la funcin polinmica matricial f (A) puede
expresarse como combinacin lineal del conjunto de potencias de A {I, A, . . . , A (n1) }.
Evaluacin de funciones matriciales Un polinomio f () puede dividirse por 4() (o
preferiblemente () ) para obtener f () = q()4() + h(). Entonces,
f (A) = q(A)4(A) = h(A)

Herramientas de A.L. p.46/64

Funciones de matrices cuadradas

Teorema (Evaluacin de una funcin matricial). Los coeficientes i de
h() = n1 (n1) + . . . + 1 + 0 tales que f (A) = h(A) se pueden calcular
resolviendo el sistema de n ecuaciones algebricas
f (k) (i ) = h(k) (i ), para k = 0 . . . ni 1 y i = 1, 2 . . . m
siendo el polinomio caracterstico 4() =

Qm

i=1 (

i )

ni

con

Pm

i=1

ni = n, y donde



k

d f () 
d h() 
(k)
(k)
y h (i ) ,
f (i ) ,

k
d
dk =i
=i
k

Dada una funcin matricial ms general (no polinmica), el teorema anterior an puede
usarse definiendo f (A) = h(A)

Herramientas de A.L. p.47/64

Funciones de matrices cuadradas

Ejemplos:

Mostrar que eAt para A = 0

0
1
0

2et e2t

0
0
es
3
e2t et

0
e

2et 2e2t
0

2e2t et

Mostrar lo mismo a partir de la matriz de Jordan equivalente de A.

Herramientas de A.L. p.48/64

Funciones de matrices cuadradas

Diferenciacin e integracin: Se definen elemento a elemento,
Z

A( )d

d
A(t) =
dt

aij ( )d
0

d
aij (t)
dt

Se pueden comprobar las propiedades:

d

[A(t)B(t)] = A(t)B(t)
+ A(t)B(t)
dt
Z t
d
A( )d = A(t)
dt 0

Herramientas de A.L. p.49/64

Funciones de matrices cuadradas

Exponencial matricial: De la expansin en S. Taylor e = 1 +
se concluye que
k
X
t k
A
eAt = I + At + . . . =
k!
t

t
1

+ ... +

n t n
n!

+ . . .,

k=0

y se obtienen las propiedades,

e0

eA(t1 +t2 )

eAt1 eAt2

(eAt )1
d At
e
dt

eAt

AeAt = eAt A

En Matlab, eAt = expm(A).

Herramientas de A.L. p.50/64

Formas cuadrticas
Dada una matriz M Rnn , la funcin escalar xT Mx, donde x Rn , es una forma
cuadrtica .
Sin prdida de generalidad se puede tomar M como simtrica, M = MT , ya que
toda matriz M puede descomponerse en la suma de una matriz simtrica M s y
una antisimtrica Mas (M = Ms + Mas )y adems,
xT Mas x = 0

Los autovalores de una matriz simtrica son todos reales, ya que para todo
autovalor con autovector v de M = MT ,
1. El escalar v Mv (donde v denota la transpuesta conjugada de v) es real:
(v Mv) = v M v = v Mv
2. debe ser real, dado que v Mv = v v = (v v) .

Herramientas de A.L. p.51/64

Formas cuadrticas
Toda matriz real simtrica es diagonalizable, es decir, el orden de su mayor bloque
de Jordan es 1. Luego existen matrices Q Rnn y D Rnn no singular tal
que, M = QDQ1 .
Como M es simtrica y D diagonal, se cumple
M = QDQ1 = (QDQ1 )T = (Q1 )T DQT , lo que implica QT = Q1 y
por tanto QT Q = I. La matriz D en consecuencia tiene sus columnas
ortonormales entre s y tal matriz se denomina ortogonal .

Las formas cuadrticas cumplen con la desigualdad de Rayleigh-Ritz que dice

que para cualquier x Rn ,
min xT x xT Mx max xT x

Herramientas de A.L. p.52/64

Matrices definidas
Definicin: (Matriz definida y semi-definida positiva).
Una matriz simtrica M se dice definida positiva, (denotada M > 0), si
xT Mx > 0 para todo vector x Rn no nulo.

Es semi-definida positiva, (denotada M 0), si xT Mx 0 para todo vector

x Rn no nulo. Si M es semi-definida positiva, entonces existe algn x no nulo
tal que xT Mx = 0
Definicin (Menores principales). Sea una matriz simtrica M R nn , entonces los
primeros menores principales de la matriz M denotados por M (1, 2, . . . , p), con p =
1, 2, . . . , n son los determinantes de las submatrices de la esquina superior izquierda de
M.

Herramientas de A.L. p.53/64

Matrices definidas
Teorema (Matriz definida (semi-definida) positiva). Una matriz simtrica M es definida
positiva (semi-definida positiva) si y solo si cualquiera de las siguientes condiciones se
satisface:
1.

Cada uno de sus autovalores es positivo (no negativo).

2.

Todos primeros menores principales son positivos (todos sus menores principales
son no negativos).

3.

Existe una matriz no singular N Rnn (una matriz singular N Rnn , o una
matriz N Rmn , con m <n) tal que M = NT N.

Una matriz simtrica M es definida negativa ( semi-definida negativa ) si M es definida

positiva ( semi-definida negativa ).

Herramientas de A.L. p.54/64

Descomposicin SVD
Consideremos una matriz A Rmn y definamos M = AT A. Claramente M n n,
simtrica, y semi-definida positiva. Sus autovalores i son no negativos. Como,
det(Im AAT ) = mn det(In AT A),
las matrices cuadradas AT A y AAT comparten los mismos autovalores positivos y slo
difieren en el nmero de autovalores nulos. Supongamos que hay r autovalores positivos
de M, y sea p = mn(m, n). Entonces podemos ordenar
1 2 . . . r > 0 = r+1 = . . . = p ,
Los valores singulares de la matriz A son
p
i , i ,

i = 1, . . . , p.

Herramientas de A.L. p.55/64

Descomposicin SVD
Por el Teorema de matrices positivas, para M = AT A existe una matriz ortogonal V tal
que
VT AT AV = D = ST S
, donde D es una matriz diagonal con los i2 en la diagonal. La matriz S m n con
los i en la diagonal.
Teorema (Descomposicin en Valores Singulares).
Para toda matriz A Rmn , existen matrices ortonormales U Rmm y V Rnn ,
con 1 2 . . . p 0 tales que (VT AT UUT AV = ST S),

...

...

.
..

UT AV = S , 0

..
.

2
..
.

...
..
.

0
..
.

0
..
.

...

...

...

0
..
.

...

0
..
.

...

...

0
..
.

..

...

...

...

...

..
.

mn

A = USVT

Herramientas de A.L. p.56/64

Descomposicin SVD
i

Los vectores en las columnas de U = u1 , . . . , um y V = v1 , . . . , vn son los

vectores singulares izquierdos y derechos respectivamente de A. Es fcil verificar
comparando las columnas de las ecuaciones AV = US y AT U = VST que
Avi

i ui

i vi

A ui

i = 1, . . . , p = mn(m, n).

La descomposicin en valores singulares (SVD) revela muchas propiedades de la matriz

A. Por ejemplo, si r es el ndice del valor singular positivo ms pequeo, entonces
El rango de A = rango (UT SV) = rango (S) = r
Los vectores {vr+1 , . . . , vn } son una base ortonormal del espacio nulo de A
Los vectores {u1 , . . . , ur } son una base ortonormal de la imagen de A.

Herramientas de A.L. p.57/64

Descomposicin SVD

u2
v1

u1
v2

Sea x = {x1 , x2 } tal que ||x|| = 1.

Esto representa el crculo en azul de
la grfica. La imgen del crculo a
travs de una matriz A R22 es la
elipse en rojo de la grfica.
Si se definen dos vectores (radios de
la circunferencia) v1 , v2 , perpendiculares entre s (ortonormales), es claro
que la imgen de esos vectores sern
los semiejes de la elipse y sern tambin ortogonales.

Luego, existen vectores unitarios (ortonormales) u1 , u2 asociados a esos semiejes tales

que Av1 = 1 u1 , Av2 = 2 u2 y en consecuencia 1 , 2 son las longitudes de los
semiejes de la elipse.
Los valores singulares de la matriz A dan una idea acerca de la distorsin mxima y
mnima que sufre la imgen de un vector x a travs de la matriz A.
Herramientas de A.L. p.58/64

Descomposicin SVD
Los valores singulares representan precisamente las longitudes de los semiejes del
hiper-elipsoide E = {Ax : ||x|| = 1}. La Figura muestra el conjunto E para una
matriz A con 1 = 0, 8, 2 = 0, 6, 3 = 0, 4.
1

0.5

0.5

1
1
1

0.5
0.5

0.5

0.5
1

A partir de A = USVT , se obtiene,

A=

r
X

i ui viT

i=1

Herramientas de A.L. p.59/64

Aplicacin a compresin de imgenes

Una imgen en escala de grises se almacena como una matriz A i,j , donde el trmino ai,j
es el nivel de gris del pixel en la posicin (i, j). Para una imgen de 1024 1024 pixeles
, se tiene un requerimiento de memoria de 1 MB.
Usando la SVD, se tiene una aproximacin de la forma,
A=

r
X

i ui viT

i=1

donde el rango r 1024 en este caso. Tomando solo k trminos de la sumatoria, puede
obtenerse una aproximacin de la imgen donde se requiere almacenar solo k columnas
de V y de U y k valores singulares de la imgen (En el ejemplo, k(1 + 1024 + 1024)
Bytes).

Herramientas de A.L. p.60/64

Aplicacin a compresin de imgenes

Al aplicarle SVD con k=1:

Al aplicarle SVD con k=50:

Al aplicarle SVD con k=100:

Al aplicarle SVD con k=200:

Herramientas de A.L. p.61/64

Aplicacin a pseudoinversa
La aplicacin ms comn, es el uso de la SVD para el clculo de la pseudoinversa.
UT AV
AV
A

= S
= US
= USVT

Ax

= y

USVT x

= y

SVT x
VT x
x

= UT y
= S + UT y
+ T
= VS
| {zU } y
A+

Donde S+ se conforma a partir de S T , y substituyendo sus elementos i no cero por el

valor 1/i .
Herramientas de A.L. p.62/64

Aplicacin a Norma de Matrices

En MATLAB la funcin [U, S, V] = svd(A) calcula los valores y vectores singulares.
Sea A una matriz m n. La norma inducida de A se define como,
k A k= m
ax
x6=0

k Ax k
= sup k Ax k
kxk
kxk=1

Cuando la norma vectorial utilizada es la norma dos, la norma inducida se llama

tambin norma espectral .
Una propiedad importante de la norma espectral, es que sta puede calcularse
como
k A k= max

siendo max el mximo valor singular de A (i = i ), siendo los valores

singulares de la matriz AT A

Herramientas de A.L. p.63/64

Aplicacin a Norma de matrices

La norma espectral de una matriz A en MATLAB se calcula con norm(A). Algunas
propiedades tiles de la norma espectral de matrices:
1.
2.
3.

k Ax kk A kk x k.

k A + B kk A k + k B k.
k AB kk A kk B k.

Se define el nmero de condicin de A , como

cond(A) =

max
min

Una matriz se dice mal condicionada numricamente, si el inverso del nmero de condicin es del mismo orden de la precisin usada para los clculos en la mquina.

Herramientas de A.L. p.64/64