Tópicos Esenciales en Álgebra Lineal
Cargado por
aorlmTópicos Esenciales en Álgebra Lineal
Cargado por
aorlmTpicos
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. 1.1. 1.2. 1.3. 1.4. Prerrequisitos 1
iii
1 1 7 16 20 25 25 29 37 39 43 44 53 64 82 90 97 97 101 110 118
Matrices Espacios vectoriales Transformaciones lineales Espacios fundamentales de una Matriz. Rango de una matriz. Sistemas de ecuaciones lineales
Captulo 2. 2.1. 2.2. 2.3. 2.4.
Matrices particionadas. Traza de una matriz
Submatrices. Operaciones con matrices particionadas Determinantes e inversas de algunas matrices especiales Traza de una matriz Ejercicios Valores propios y vectores propios. Diagonalizacin
Captulo 3. 3.1. 3.2. 3.3. 3.4. 3.5.
Valores propios y vectores propios Diagonalizacin Diagonalizacin de matrices simtricas Diagonalizacin simultnea de matrices simtricas Ejercicios Formas cuadrticas
Captulo 4. 4.1. 4.2. 4.3. 4.4.
Clasi cacin de las formas cuadrticas. Cambio de variables. Diagonalizacin simultnea de formas cuadrticas Formas cuadrticas positivas, negativas e inde nidas. Ejercicios
ndice general
Captulo 5. 5.1. 5.2. Anexo 1: Matrices no negativas. Matrices idempotentes 123 123 129 Matrices no negativas Matrices idempotentes
Captulo 6. 6.1. 6.2. 6.3. 6.4. 6.5.
Inversa generalizada e inversa condicional de matrices. 137 137 147 152 160 174 179 179 188 198 205 212 215 215 223 226 229 233
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. Ejercicios Factorizacin de matrices
Captulo 7. 7.1. 7.2. 7.3. 7.4. 7.5.
Descomposicin
LU
Descomposicin QR Descomposicin de Cholesky Descomposicin en valores singulares (SVD) Ejercicios Rectas e hiperplanos. Conjuntos convexos.
Captulo 8. 8.1. 8.2. 8.3.
Rectas. Segmentos de recta. Hiperplanos Conjuntos convexos Ejercicios
ndice alfabtico Bibliografa
ii
ndice de guras
1.1. Transformacin lineal 3.1. Interpretacin geomtrica de vector propio 3.2. Vectores propios de 22 44 45 162 163 165 170 171 173 186 216 217
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 8.2. Una recta en
R3 . P
y
R . Q. P
3
y
8.3. Gr ca de una recta que pasa por los puntos 8.4. Segmento de recta que une los puntos 8.5. Gr ca de un plano en
218 219 220
R . R
8.6. Gr cas de un plano y una recta en 8.7. Ilustracin de semiespacios abiertos 8.1. Conjuntos convexos y no convexos
222 223 224
iii
CAPTULO 1
Prerrequisitos
El propsito de este captulo es hacer una recopilacin de algunas de niciones 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 tales) y to
de tamao
mn
(o simplemente
Amn )
es un
arreglo rectangular de nmeros dispuestos en
m
o
las (lneas horizon-
columnas (lneas verticales); el nmero que est en la i-sima
la y en la j-sima columna se denota por
aij
ij y se llama elemen-
ij de la matriz A. Para indicar dicho A = [aij ]mn , o en forma expandida a11 a21 A= . . . am1 a12 a22
. . .
arreglo usualmente se escribe
.. .
(1.1)
am2
1
a1n a2n . . . . amn
1.1. Matrices
Si
Prerrequisitos
ain
denota la
a1j a2j Aj = . . . amj
Ai =
ai1 ai2
la
i-sima
la de la matriz
j -sima
columna de
A,
el arreglo (1.1) puede represen-
tarse por las o columnas como aparece a continuacin
A1 A2 A= . = . . Am A, B, C ,
A1
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.
etc. El conjunto de todas las matrices reales se denotar por
Mmn (R)
o simplemente
Toda matriz cuadrada matriz diagonal y se
principal son nulos (aij
A de orden n, cuyos elementos fuera de la diagonal = 0 para i = j, i, j = 1, 2, . . . , n), se denomina denota por A = diag(a11 , a22 , . . . , ann ). n,
cuyos elementos en su diagonal princi-
La matriz diagonal de orden pal son todos iguales a simplemente
1,
se llama matriz idntica y se denota por
In
I,
cuando no sea necesario especi car el orden.
Una matriz nula es una matriz cuyos elementos son todos nulos. Una matriz nula ser denotada por Dos matrices
0 (0mn
denotar la matriz nula
m n.)
de igual tamao
mn
son iguales si y slo si sus
componentes correspondientes son iguales. Esto es,
A
La suma
ij
= B
ij
i = 1, 2, . . . , m, A
y
j = 1, 2, . . . , n. m n,
es la matriz
A+B
ij
de dos matrices
de tamao
mn
tal que:
A+B
= A
ij
+ B
ij
i = 1, 2, . . . , m,
la matriz
j = 1, 2, . . . , n.
de tamao
La multiplicacin
la matriz de tamao
A del nmero por m n, tal que:
ij
m n,
es
ij
= A
i = 1, 2, . . . , m,
2
j = 1, 2, . . . , n.
Prerrequisitos
El producto
1.1. Matrices
de la matriz
AB
s
A Mms
por la matriz
B Msn ,
es la
matriz de tamao
m n,
ik
tal que:
AB
ij
=
k=1
kj
Ai B j ;
i = 1, 2, . . . , m,
j = 1, 2, . . . , n.
1.1.1. Inversa de una matriz.
matriz que que
Sea
A Mnn .
tal que
Si existe una y le
B Mnn
tal que
AB = I
se puede demostrar que
B A
es nica. Cuando existe una matriz
BA = I AB = I, a B se A
llama la matriz inversa de invertible o singular.
y se le denota por
A1 .
Es este caso se dice es no
es no singular o invertible; en caso contrario, se dice que
En el siguiente teorema se establecen algunas propiedades de la inversa de una matriz 1.1.1.
Teorema.
Si
A, B Mnn
son matrices invertibles y si
es un
nmero no nulo, entonces:
1. La matriz 2. La matriz 3. La matriz
A1 es invertible y A1 = A. AB es invertible y (AB)1 = B 1 A1 . A es invertible y (A)1 = 1 A1 .
Sea
1.1.2. Transpuesta de una matriz.
La matriz transpuesta de
una matriz
es la matriz
n m,
denotada por
m n. AT , cuya
Esto es,
i-sima
la corresponde a la y
la transpuesta de
1, 2, . . . m,
Sea
i-sima A es la matriz AT j = 1, 2, . . . n. A = A,
T
columna de la matriz tal que
A.
AT
ij
= A
ji , para
i=
una matriz cuadrada. Si se
simtrica, y si
AT = A, se dice que A es una matriz dice que A es una matriz antisimtrica. En
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 de nidas. Entonces:
1. Para cualquier matriz 2.
A =B
s y slo si
A se veri ca (AT )T = A. A = B.
3
1.1. Matrices
3. Si 4. Si 5. 6.
Prerrequisitos
A es una matriz diagonal, entonces AT = A. , son nmeros, entonces (A + B)T = AT + B T . T T T Si AB est de nido, entonces (AB) = B A . T T Para cualquier matriz A, las matrices A A y AA son simtricas.
7. Si
A es invertible, entonces AT
es invertible y
(AT )1 = (A1 )T .
1.1.3. Determinantes.
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
ser denotado
|A|
o por
det(A).
(Determinane de matrices
1.1.3.
De nicin
2 2).
Sea
A=
a c
una matriz cuadrada de tamao el nmero real dado por
2 2.
El determinante de la matriz
b d A es
det(A) = ad bc.
1.1.4.
terminante de la matriz que resulta al suprimir la i-sima la de
De nicin.
mij .
Sea
una matriz cuadrada de tamao
n n;
el de-
j-sima
como
y la
columna de
es denominado menor del elemento
nota por
El cofactor del elemento
ij se denota por
A Cij
ij y se dey se de ne
Cij = (1)i+j mij .
La matriz
C,
cuyos elementos son los cofactores
matriz de los cofactores de de cofactores decir, adj(A)
A,
Cij de A se denomina cof(A). La matriz transpuesta de la matriz
adjunta de
C , se denomina = CT .
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
Sea
Teorema.
1. Si
una matriz cuadrada de orden
n.
Cij
denota el cofactor del elemento n
ij , entonces:
a)
det(A) =
j=1 n
ij
Cij ,
para cada
i = 1, 2, . . . , n.
A ij 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| = 0,
1
en este caso se tiene que
A
1.1.6.
= (det(A))
y
adj(A) . n, entonces:
Teorema.
1. 2.
Sean
A, B
matrices cuadradas de orden
|A| = |AT | . Si A tiene una
la nula, entonces
|A| = 0.
3. Si las matrices
di eren nicamente en sus
k-simas
las
y si dichas las satisfacen la igualdad
4. Si 5. 6. 7.
Ak = B k ,
entonces
|A| = |B|. es un escalar, entonces |A| = n |A|. Si A, B y C di eren 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|.
la son multiplicados por un escalar
8. El determinante de una matriz no cambia si los elementos de la
i-sima
y los resultados
son sumados a los correspondientes elementos de la
9.
k-sima la,
k = i. |AB| = |A||B|.
para
Nota.
las de
Por (1), cualquier proposicin sobre
|A|
que sea verdadera en las
es tambin verdadera para las columnas de
A.
En
1.1.4. Operaciones elementales. Matrices elementales.
este apartado recopilamos algunas de niciones 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 de nicin. 1.1.7.
De nicin
(Operaciones y matrices elementales)
Dada una ma-
triz
A,
cada una de las siguientes operaciones es llamada una operacin
elemental en las las (columnas) de
A. A. A
(i) El intercambio de dos las (columnas) de
(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 elemental sobre las las de la matriz idntica
3.
y si
es
la matriz elemental que resulta de efectuar la misma operacin
Im ,
entonces
A = B. Sea A una
matriz
m n.
Si
es una matriz que resulta al
efectuar una operacin elemental sobre las columnas de elemental sobre las columnas de la matriz idntica
y si
es la matriz elemental que resulta de efectuar la misma operacin
In ,
entonces
A E = B.
1.1.9.
De nicin (Forma escalonada reducida).
(i) Si una la de
Se dice que una matriz
tiene la forma escalonada reducida, si satisface las siguientes condiciones:
R
e
es no nula, el primer elemento no nulo de dicha
la, de izquierda a derecha, es
(ii) Si las las
1.
no nulas, el primer elemento no derecha del primer elemento no
nulo nulo
i + 1 de R son de la la i + 1 est a la de la la i.
6
Prerrequisitos
(iii) Si una columna de
1.2. Espacios vectoriales
R
contiene el primer elemento no nulo de
una la de
(iv) Si
R,
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. 1.1.10.
Teorema.
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
escalonada reducida de 1.1.11.
A. A
una matriz cuadrada de orden
Teorema.
A A
Sea
n.
1. 2.
es invertible es invertible
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 [A | In ]. Seguidamente
para calcular su inversa. El mtodo consiste en lo siguiente: Forme la matriz
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
sii R = In . Si A
donde
es la forma escalonada reducida de es invertible entonces
A. A1 = P .
Ahora:
1.2. Espacios vectoriales
El conjunto de matrices
m n, junto con las dos operaciones suma de ma-
trices y multiplicacin de un escalar por una matriz, de nidas 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
1.2. Espacios vectoriales
1.2.1.
Prerrequisitos
V,
cuyos
De nicin.
(+)
Un espacio vectorial (real) es un conjunto
elementos son llamados vectores, junto con dos operaciones: suma de vectores 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. 0V
tal que para todo
(iv) Existe un vector
uV
u+0 = 0+u =
u.
(v) Si
uV,
entonces existe un vector
u V
tal que
u + (u) = (u) + u = 0.
(vi) Si (vii) Si (viii) (ix) (x) 1.2.2. riales: 1.
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.
Los siguientes conjuntos son ejemplos de espacios vecto-
Ejemplo.
V = Rn = {(x1 , x2 , . . . , xn ) : xi R, i = 1, 2, . . . , n}
operaciones de nidas as:
con las
(x1 , x2 , . . . , xn ) + (y1 , y2 , . . . , yn ) = (x1 + y1 , x2 + y2 , . . . , xn + yn )
2. 3.
(x1 , x2 , . . . , xn ) = (x1 , x2 , . . . , xn ) . V = Mmn , el conjunto de matrices m n con las
de nidas usualmente (ver seccin 1.1).
operaciones
V = F,
el conjunto de funciones de
en
con las operaciones
de nidas as:
(f + g)(t) = f (t) + g(t) , (f )(t) = f (t) ,
4. o igual que en (3). 8
t R. t R.
V = Pn , el conjunto de las funciones polinmicas de grado menor n, con coe cientes reales con las operaciones de nidas
Prerrequisitos
1.2. Espacios vectoriales
Como se establece en la de nicin, 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 de nidas en
V,
son por s
mismo espacios vectoriales. Estos son denominados subespacios de forma ms precisa tenemos la siguiente 1.2.3.
V.
En
De nicin.
V.
Sea
un espacio vectorial y
vaco de
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 de nidas en
1.2.4.
V,
es en s mismo un espacio vectorial.
De nicin.
Sean
es un subespacio de
V un espacio vectorial, v0 un elemento V . El subconjunto determinado as:
para
de
L = {v V : v = v0 + w,
es denominado una variedad lineal 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. De nicin. 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 =
i=1
1.2.6.
i vi .
Teorema.
Sea
un subconjunto no vaco de un espacio vectorial
V. W
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. Espacios vectoriales
1.2.7.
Prerrequisitos
W
son subespacios de un espacio vectorial
Teorema.
Si
V,
entonces:
1. La interseccin de
con
W; U W
es un subespacio vectorial
de
V. U
con
2. La suma de
W;
de nida por con
U + W = {v V : v = u + w,
es un subespacio vectorial de
1.2.8.
uU
w W} ,
V.
Teorema.
vectorial de
Sea C un conjunto no vaco de vectores de un espacio V . El conjunto de todas las combinaciones lineales de los vectores
k
C; vV : v=
i=1
W =
i vi ; k N, vi C y i R, i = 1, 2, . . . , k
es un subespacio de
Sea
V. V.
El
un conjunto no vaco de vectores de un espacio vectorial
subespacio de
V,
de todas las combinaciones lineales de los vectores de
mencionado en el teorema anterior, es denominado el espacio gen-
erado por los vectores de Cuando
C o simplemente, espacio generado por C. C = {v1 , v2 , . . . , vn } (es nito), este espacio ser denotado por v1 , v2 , . . . , vn o por gen {v1 , v2 , . . . , vn }. C
de vectores de un espacio vectori-
Cuando consideramos un conjunto los vectores de
al, es a veces importante determinar cundo algn vector o algunos de
se pueden expresar como combinaciones lineales de los
restantes vectores en ella. 1.2.9.
C.
Para ello, necesitamos de la de nicin de de-
pendencia lineal de un conjunto de vectores y algunos resultados sobre
De nicin
C
conjunto
(Independencia lineal) Sea C = {v1 , v2 , . . . , vn } un de vectores (distintos) de un espacio vectorial V . Se dice que
es linealmente dependiente o que los vectores
ealmente dependientes, si existen escalares tales que:
v1 , v2 , . . . , vn son lin1 , 2 , . . . , n no todos nulos
n
0 = 1 v1 + 2 v2 + + n vn =
i=1
i vi , C
en caso contrario, se dice que vectores
es linealmente independiente o que los es
v1 , v2 , . . . , vn
son linealmente independientes. Es decir,
10
Prerrequisitos
linealmente independiente si para los escalares n i=1 i vi , entonces
1.2. Espacios vectoriales
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.
4. Un conjunto de vectores
C = {v1 , v2 , . . . , vn }, n 2, es linealmente dependiente sii uno de los vectores de C es combinacin
lineal de los restantes vectores de
C. V,
en oca-
1.2.1. Bases y dimensin.
Dado un espacio vectorial
siones es til determinar un subconjunto independientes que genere al espacio
de
de vectores linealmente
V.
Esto es, un conjunto de vectores
linealmente independientes mediante los cuales, cada vector de expresar como combinacin lineal de los vectores de esta seccin, tal conjunto
se pueda
se llamar una base
B. de V
Como veremos en y de acuerdo con
el nmero de elementos que contenga, tal base hablaremos de dimensin
nita o in nita del espacio vectorial.
Se dice que un espacio vectorial conjunto nito
de vectores de
V V,
es de dimensin nita, si existe un tal que el espacio generado por
V.
Por el contrario, si no es posible generar un espacio vectorial
C en V con
un ningn subconjunto nito de vectores, diremos que dicho espacio tiene dimensin in nita. Ejemplos de stos ltimos espacios son: el conjunto de funciones continuas de nidas sobre espacios de dimensin nita. 1.2.11. o el conjunto de todos los poli-
R,
nomios con variable real. Nosotros sin embargo slo trataremos aqu con
De nicin
V.
(Base)
Sea
un conjunto de vectores de un espacio
vectorial ciones:
Se dice que
es una base de
si se tienen las dos condi-
(i) El espacio generado por (ii) El conjunto
es
V.
es linealmente independiente.
11
1.2. Espacios vectoriales
Si un espacio vectorial por
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.
1.2.12.
De nicin.
V
y
Sea
un subespacio de un espacio vectorial
V, v0
un vector en
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.
entonces:
Sea
un espacio vectorial de dimensin
n. V,
1. Si
B = {v1 , v2 , . . . , vn }
es un conjunto de
vectores de
2. 3.
4. 5.
6.
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) Si
1.2.14.
Teorema.
son subespacios de un espacio vectorial
entonces
dim(U + W ) = dim U + dim V dim(U W ) .
12
Prerrequisitos
1.2. Espacios vectoriales
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.
W
Si
es un subespacio de un espacio vectorial
V,
en-
tonces existe un subespacio
El subespacio
de
tal que
U W = V.
del teorema anterior no es necesariamente nico y es
llamado complemento de complementarios.
U.
Tambin se dice que
son subespacios
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 de nir primero lo que es una base ordenada de un espacio vectorial
V.
En la de nicin 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 de nicin. (Base ordenada) Si v1 , v2 , . . . , vn es una sucesin nita de vectores linealmente independientes de un espacio vectorial V, 1.2.17.
De nicin
que generan a
base ordenada de
1.2.18.
V , entonces V.
Si
diremos que
B = {v1 , v2 , . . . , vn }
es una
Teorema.
entonces para cada vector tales que
B = {v1 , v2 , . . . , vn } es una base ordenada de V , v V existen escalares 1 , 2 , . . . , n nicos
n
v = 1 v1 + 2 v2 + + n vn =
i=1
1.2.19.
i vi ,
B = {v1 , v2 , . . . , vn } una base ordenada de un v un 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
Sea espacio vectorial
De nicin.
V.
Sea
de ne as:
1 2 [v]B = . . . . n
13
1.2. Espacios vectoriales
Si
Prerrequisitos
y si
u y v son dos vectores de V [u]B + [v]B y [u]B = [u]B .
es un escalar, entonces
[u + v]B =
T
De otro lado, a cada vector le corresponde un nico
n i=1
n1 (matriz n1) c = 1 2 n vector v de V tal que [v]B = c, a saber v =
de
i vi . B V
determina una correspondencia biunvoentre los espacios
As, cada base ordenada ca,
v [v]B ,
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 un conjunto de vectores linealmente independientes de
C = {u1 , u2 , . . . , uk } es V sii el conjunto
C = {[u1 ]B , [u2 ]B , . . . , [ uk ]B } independientes de Mn1 .
En el caso en que con
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), x1 x2 x = (x1 , x2 , . . . , xn ) [x]B = . . . . xn
la mencionada correspondencia est dada por
En algunas situaciones resulta conveniente tener presente esta correspondencia, que utilizaremos identi cando a
con
[x]B .
En este aparta-
1.2.3. Producto interno. Bases ortonormales.
diagonalizacin de matrices simtricas. 1.2.20.
do consideraremos los conceptos de producto interno y de bases ortonormales que nos ser particularmente tiles en el captulo 3 al tratar la
De nicin (Producto interno).
u, v
y
adems
vectores arbitrarios de
ducto interno en propiedades:
(i) (ii) (iii) (iv)
es una funcin
V un espacio vectorial. Sean V y un escalar real. Un pro; : V V R que satisface las
Sea
u; v = v; u . u; u 0 y u; u = 0 si y slo u; v = u; v . u + v; w = u; w + v; w .
14
si
u = 0.
Prerrequisitos
1.2. Espacios vectoriales
Si
es una base ordenada de un espacio vectorial V , T entonces la funcin ; : V V R de nida por u; v = [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
Observacin.
x; y = [x]B [y]B = x1 y1 + x2 y2 + + xn yn ,
donde
x = (x1 , x2 , . . . , xn )
y = (y1 , y2 , . . . , yn ). Rn con este producto interno (producto x y o xT y para indicar a x; y .
En lo que sigue consideraremos a escalar) y a veces escribiremos Si
; v; v
es un producto interno sobre un espacio vectorial . Cuando
longitud de un vector
V , la norma o v de V se denota por v y se de ne as: v = v = 1, se dice que v es un vector unitario.
1.2.21.
Teorema
(Desigualdad de Schwarz)
Sea
un espacio vectori-
al con producto interno satisface la desigualdad
. Para cada par de vectores
de
se
| u; v | u
Sean si
v .
,
u y v vectores de un espacio vectorial V con producto interno ; v no son nulos, la medida del ngulo entre ellos se de ne como | u; v | = arc cos . u v
1.2.22.
De nicin.
Sea
un espacio vectorial con producto interno
1. Se dice que dos vectores
2. Se dice que un conjunto 3.
u y v de V son ortogonales si u; v = 0. C = {v1 , v2 , . . . , vn } de vectores de V es ortogonal si vi ; vj = 0 para i = 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 0 si i = j ; i, j = 1, 2, . . . , n . si i = j
o sea si:
vi ; vj = ij =
4. Se dice que dos conjuntos no vacos,
C1 y C2 de vectores son ortogonales, si para cada par de vectores u C1 y v C2 , u; v = 0.
15
1.3. Transformaciones lineales
1.2.23.
Prerrequisitos
Teorema. Sea V un espacio vectorial con producto interno ; . C = {v1 , v2 , . . . , vn } es un conjunto ortogonal que no contiene al vector 0, entonces C es linealmente independiente.
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 ; 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 w2 ; v1 v1 v1 ; v1 w3 ; v 1 w3 ; v2 = w3 v1 v2 v1 ; v1 v2 ; v2 = w2
. . .
k1
vk vi vi
= wk
i=1
wk ; vi vi , vi ; vi
y donde
1.2.25.
vi =
para
i = 1, 2, . . . , k.
vectorial
Sean v1 , v2 , . . . , vk vectores no nulos de un espacio V de dimensin n > k , con producto interno ; . 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 = v1 , v2 , . . . , vk y si W = w1 , w2 , . . . , wnk entonces V = U W y adems, U y W son ortogonales.
Teorema.
1.3. Transformaciones lineales
En esta seccin consideraremos los aspectos ms importantes sobre las transformaciones lineales. En lo que sigue; vectoriales. 1.3.1.
U, V
denotarn espacios
De nicin.
Una funcin
si para cualquier para de vectores que:
T : U V es una transformacin lineal, u1 , u2 en U y todo escalar , se tiene
16
Prerrequisitos
(i) (ii) 1.3.2.
1.3. Transformaciones lineales
T (u1 + u2 ) = T (u1 ) + T (u2 ) T (u1 ) = T (u1 ).
Algunos ejemplos de transformaciones lineales son:
Ejemplo.
1. Para cada por 1.3.3.
U,
la funcin idntica
2. Para cada matriz
A Mmn ,
la funcin
I : U U, u I(u) = u. A : Rn Rm , de nida
x y = Ax.
Sean
Teorema.
U
una base de queda
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 ).
y
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
que son transformados en el elemento nulo del
V;
el segundo, corresponde a todos los elementos del espacio
que tienen al menos una preimagen en el espacio tenemos 1.3.4.
V U. En forma ms precisa
De nicin.
Sea
T :U V
es una transformacin lineal.
1. El ncleo de
se denota por
N (T )
y se de ne as:
N (T ) = {u U : T (u) = 0} .
2. La imagen de
se denota por
Img(T )
y se de ne as:
Img(T ) = {T (u) : u U } .
1.3.5.
De nicin.
Sea
T :U V
una transformacin lineal.
1. Diremos que
es inyectiva (biunvoca o uno a uno), si dos ele-
mentos distintos y slo si
u1 , u2 U ,
tienen imagen distinta. Esto es si
u1 = u2
implica
T (u1 ) = T (u2 ); V
para todo
u1 , u2 U. U.
2. Diremos que
es sobreyectiva (o simplemente sobre), si cada posee al menos una preimagen en
elemento de del espacio 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. Transformaciones lineales
1.3.6.
Prerrequisitos
un subconjunto de vectores
Teorema.
y sea
1. 2. 3. 4. 5.
Sea
B = {u1 , u2 , . . . , un }
de
T :U V
una transformacin lineal y .
6.
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 . N (T )
se le llama nulidad de
A la dimensin de
y a la dimensin de
Img(T )
se llama rango 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 simpli car 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. 1.3.7.
formacin lineal y sean
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
Sean dada por:
De nicin.
[T ]B1 B2 =
1.3.8.
[T (u1 )]B2
[T (u2 )]B2
[T (un )]B2
Teorema.
Sean
formacin lineal y sean bases ordenadas de que:
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 [T (u)]B2 = [T ]B1 B2 [u]B1 .
Nota.
Por el teorema anterior y por el teorema 1.3.3, la transforma-
cin lineal las bases
T queda completamente determinada B1 y B2 , y de la matriz [T ]B1 B2 .
18
por el conocimiento de
Prerrequisitos
1.3. Transformaciones lineales
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 vectoriales. 1.3.9.
U, V
denotan espacios
Teorema.
Sean
un escalar. Sean adems
T : U V y S : U V transformaciones lineales B1 y B2 bases ordenadas de U y V, respec-
tivamente:
1. La suma de
S ; (T + S) : U V,
de nida por
(T + S)(u) =
T (u) + 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 ; (T ) : U V,
de nida por
(T )(u) = T (u)
es una transformacin lineal. Ms an
[T ]B1 B2 = [T ]B1 B2 .
Nota.
El conjunto de todas las transformaciones lineales de
en
V,
L(U, 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.
De otro lado, de la misma forma como una base
B1 de U determina la correspondencia biunvoca entre los espacios vectoriales V y Mm1 , dada
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 2
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.
U, V
y
Sean
lineales. Entonces, la composicin cin lineal. Si adems, espacios
T : U V y S : V W transformaciones S T : U W es una transformaB1 , B2 y B3 representan bases ordenadas para los
respectivamente, entonces se tiene que:
[S T ]B1 B3 = [S]B2 B3 [T ]B1 B2 .
19
1.4. Espacios fundamentales de matrices
1.3.11.
Prerrequisitos
Teorema.
Si
entonces la funcin inversa de lineal y la matriz
T : U V es una transformacin lineal biyectiva, T , T 1 : V U es una transformacin
es invertible. Adems,
[T ]B1 B2
T 1
B2 B1
= [T ]B1 B2 .
Los conceptos
1.3.3. Matrices semejantes. Cambio de base.
de una transformacin lineal. 1.3.12.
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 nicin (Matrices semejantes).
n,
se dice que
Sean
AyB
matrices cuadradas
de orden vertible
1.3.13.
tal que
B B = P 1 AP.
y
son semejantes, si existe una matriz in-
De nicin
(Matriz cambio de base)
Sean
nadas del espacio vectorial idntica. La matriz la base
U,
y sea
I :U U
B1 y B2 bases ordela transformacin lineal
de cambio de base de por el teorema 1.3.8,
[u]B2
P = [I]B1 B2 se denomina matriz B1 a la base B2 , (sto debido a lo enunciado = [T ]B1 B2 [u]B1 ).
1.3.14.
Teorema.
Sean
T :U U
una transformacin lineal y
B1
B2
bases ordenadas de
U.
1. La matriz de cambio de base de la base
[I]B1 B2 ,
B1 a la base B2 , P = es invertible y su inversa es la matriz de cambio de base B2
a la base B1 . A = [T ]B2 B2
1
de la base
2. Las matrices
B = [T ]B1 B1
son matrices seme-
jantes, adems se tiene
[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 una matriz el de la transformacin lineal
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 A tienen igual dimensin. A y se denota por (A).
A
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
Prerrequisitos
Sea
1.4. Espacios fundamentales de matrices
m n.
El subespacio de
una matriz
Rn
generado por las las de
se denomina espacio la de
y lo denotamos por
F(A);
esto es,
A F(A) =
A1 , A2 , . . . , Am . El subespacio de Rm generado por las columnas de A se denomina espacio columna de A y lo denotamos por C(A); esto 1 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
Rn ;
algn
Img(A)
= {Ax : x Rn } = {y Rm : y = Ax para x Rn } . A. A
se tiene que
se denomina imagen de 1.4.1.
Teorema. Teorema.
1.
Para cualquier matriz
dim F(A) = dim C(A) .
1.4.2.
Sea
una matriz arbitraria entonces: son ortogonales. sto es, sus elementos son or-
F(A)
N (A)
togonales entre si. t 2. C(A) y N (A ) son ortogonales. sto es, sus elementos son ortogonales entre si.
1.4.3.
Teorema.
1.
Sean
matrices de tamao adecuado, tales que las
operaciones siguientes estn de nidas.
2. Si
3. 4.
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). A,
entonces
Nota.
R es F(R).
si
1.4.4.
Segn el inciso 2(b) del teorema anterior y segn el teorema 1.1.10, la forma escalonada reducida de la matriz
F(A) =
Teorema.
lineal
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 } .
1.4. Espacios fundamentales de matrices
Prerrequisitos
Nota.
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)
es decir, los subespacios mismo, los subespacios
Rm = C(A) N (AT ),
As
F(A) y N (A) de Rn son complementarios. C(A) y N (At ) de Rm son complementarios.
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 x=f+n
F (A)
f n
C (A)
Ax=Af y=c+u
c
u
N (A)
Figura 1.1. Transformacin lineal
N (AT)
Nota.
y = Ax
Segn las de niciones, el ncleo de la transformacin lineal es el espacio nulo de
A. A, (A),
como el rango
De otro lado, si de nimos el rango de la matriz de la transformacin lineal
x y = Ax,
entonces tenemos que rango de
es la dimensin del espacio columna de
A.
entonces:
1.4.5.
Teorema.
1. 2.
Sea
una matriz
m n,
(A) (A)
es igual al nmero mximo de las linealmente independi-
entes de entes de
A. A.
22
es el nmero mximo de columnas linealmente independi-
Prerrequisitos
3.
1.4. Espacios fundamentales de matrices
es el nmero de las no nulas de la forma escalonada re-
(A)
ducida de
5. Si 6. 7. 1.4.6.
A.
4. Para cualquier matriz
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).
Sea
Teorema.
una matriz
mn
y sea
un vector
m 1.
1. El sistema de ecuaciones 2. El sistema de ecuaciones
Ax = y tiene solucin sii y C(A). Ax = y tiene solucin sii el rango de
la matriz
A es
igual al rango de la matriz aumentada del sistema
[A | y],
es decir sii
(A) = ([A| y]). Ax = y
se da una y slo
3. Para el sistema de ecuaciones lineales
una de las opciones siguientes: a ) El sistema no tiene solucin, en cuyo caso
y C(A). /
b ) El sistema tiene in nitas soluciones, en cuyo caso su conjunto solucin es una variedad lineal de la forma
S = {xp + xh : xh N (A)} , xp Axp = y,
donde que 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
N (A) = {0 }
El teorema siguiente recoge, tericamente, el mtodo de Gauss-Jordan para resolver sistemas de ecuaciones lineales. 1.4.7.
es una matriz invertible
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.
Sean
1.4.8.
Teorema.
Teorema (Resumen).
1. 2.
Sea
una matriz cuadrada de orden
n.
Las
a rmaciones siguientes son equivalentes:
det(A) = 0. A es invertible. A
en
3. La forma escalonada de
In .
23
1.4. Espacios fundamentales de matrices
4. Los vectores la de 5. El espacio la de
Prerrequisitos
es
son linealmente independientes. Rn , es decir, F(A) = Rn .
6. Los vectores columna de 7. El espacio columna de 8. El rango de la matriz 9.
A son linealmente independientes. A es Rn , es decir, C(A) = Rn . A es n. Ax = 0
tiene la nica solucin
N (A) = {0}. x = 0. y Rn ,
10. El sistema de ecuaciones lineales 11. Para todo
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 consiste en efectuar los pasos siguientes: Paso 1 Paso 2 Forme la matriz
mn arbitraria A. El mtodo
AT | In
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). Erm
conforman una base para
Los vectores la de la matriz
C(A)
y los vectores la de la matriz
P(nr)n
conforman una
base para
N (A). [A | Im ]
se obtienen sendas bases
Al llevar a cabo el paso 2 con la matriz para
C(AT ) = F(A)
N (AT ).
24
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 matriz. Existen razones para querer particionar una matriz son: (i) La particin puede simpli car la escritura de puede puede
A, algunas de ellas A. (ii) La particin exhibir detalles particulares e interesantes de A. (iii) La particin permitir simpli car clculos que involucran la matriz A.
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 de nir el menor correspondiente al elemento
aij
de una matriz
A =
[aij ]mn
2.1.1.
(vase el apartado 1.1.3 del captulo 1).
De nicin. Ejemplo.
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. Las matrices
S1 , S2 2 6 0
S3 dadas 4 8 . 2
a continuacin, sonson
submatrices de la matriz
1 A= 5 9 S1 = 1 9 2 0 4 2
3 7 1 A
(suprimiendo en
la la 2 y la columna 3)
25
2.1. Submatrices
S2 = 1 9 2 6 2 0 3 7 3 7 4 8
(suprimiendo en
Matrices particionadas
A
la la 3)
S3 =
(suprimiendo en
la la 3 y las columnas 1 y 4).
Dada una matriz
A = [aij ]mn ;
mediante un sistema de rectas horizon-
tales o verticales podemos particionarla en submatrices de ilustra en el siguiente ejemplo:
A,
como se
a11 a21 = a31 a41 a51
. . . . . . . . .
a12 a22 a32 a42 a52
a13 a23 a33 a43 a53
. . . . . . . . .
. . . . . .
. . . . . .
a14 a24 a34 a44 a55
Hecho esto, podemos escribir, usando una notacin obvia:
A=
donde
A11 A21
A12 A22
A13 A23
A11
a11 = a21 , a31
A12
a12 = a22 a32
a13 a23 , a33
A13
a14 = a24 , a34
A21 =
a41 a51
A22 =
a42 a52
a43 a53
A23 =
a44 a55
Debe ser claro para el lector, que una matriz puede ser particionada de diferentes maneras, por ejemplo: 26
Matrices particionadas
2.1. Submatrices
A =
1 2 1 1
2 0 2
. . . . . .
3 3 3 2 0 2
4 0 1
1 2 0 2
. . . . . .
3 3 3
4 0 1
. . . . . .
1 = 2 1 1 3 3 3 4 0 1 5 1 1
. . .
. . .
5 1 . 1
A =
2 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
B
.. .
estn particionadas as:
A11 A21 A= . . . Am1
A12 A22
. . .
Am2
A1n B11 B21 A2n y B= . . . . . . Amn Bm1
B12 B22
. . .
.. .
Bm2
B1n B2n . . . Bmn
Aij +Bij estn de nidas 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
2. Si las matrices
B
.. .
estn particionadas as:
A11 A21 A= . . . Am1
A12 A22
. . .
Am2
A1n B11 B21 A2n y B= . . . . . . Amn Bn1
27
B12 B22
. . .
.. .
Bn2
B1s B2s . . . Bns
2.1. Submatrices
Matrices particionadas
Aik es igual al nmero Bkj ; i = 1, 2, . . . , m, k = 1, 2, . . . , n, j = C12 C22
. . .
y si el nmero de columnas de cada bloque de las de cada bloque
1, 2, . . . , s,
entonces
C11 C21 AB = . . . Cm1
n
.. .
Cm2
C1s C2s , . . . Cms
donde
Cij =
Aik Bkj . es un escalar,
k=1 3. Si la matriz A est particionada como en (1) y si
entonces
A11 A21 A = . . . Am1
4. Si la matriz
A12 A22
. . .
.. .
Am2 AT 21 AT 22
. . . AT 2m
A1n A2n . . . . Amn AT n1
est particionada como en (1) , entonces
AT
AT 11
.. .
T A12 = . . . AT 1m
AT n2 . . . . AT nm
Los incisos (1), (3) y (4) del teorema anterior son fciles de veri car. 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
1 A= 2 1
. . . . . .
0 0 2
0 0 1
. . . . . .
0 3 0
28
. . .
. . .
3 A 4 = 11 A21 0
A12 A23
A13 A23
Matrices particionadas
y
2.2. Determinantes
B=
entonces
1 0 1 0 1
2 0 3 1 2
B11 = B21 B31
AB
pues
A11 B11 + A12 B21 + A13 B31 A21 B11 + A22 B21 + A23 B31 1 2 0 0 0 3 [1] 2 0 1 1 0 0 0 3 4 2 1 2 = 1 2 1 0 3 1 2 2 = =
4 = 2 2 2 4 0 0
8 7 5
A11 B11 A12 B21 A13 B31 A21 B11 A22 B21 A23 B31
= = = = = =
2 0 1 0 1 = 0 1 0 1
= 0 3
, 0 0 3 4 , 6 1 ,
1 0
, 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
Matrices particionadas
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
Sean
matrices cuadradas,
M= M=
A 0 A B
B C 0 C
, ,
entonces
|M | = |A||C|. |M | = |A||C|.
2. Si
entonces
Demostracin. Para la demostracin del literal (1) usamos induc-
cin sobre el orden
de la matriz
M.
donde
Si
n=2
tenemos que
|M | = ac = |A| |C| A 0 B C =
M=
a 0
b c
Supongamos ahora que (1) es vlida para vlida para
n=k
y demostremos que es
n = k + 1.
Sea
n = k + 1 particionada como en (1). C = [cij ]ss . Denotemos por B j a la 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.
una matriz cuadrada de orden 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
por los cofactores de la
k+1
obtenemos: 30
Matrices particionadas
2.2. Determinantes
det(M )
cs1 (1)2(k+1)s+1 +cs2 (1)2(k+1)s+2
A 0 A 0
B1 C1 B2 C2 A 0
+ . . . + css (1)2(k+1)s+s
Utilizando la hiptesis de induccin se obtiene:
Bs Cs
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 ma 1.1.6(1)) y del inciso (1). En efecto, se tiene:
|M | = M T
(teore-
det(M )
= = = =
det(M T ) det A 0 B C
det(AT ) det(C T ) det(A) det(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
Matrices particionadas
5 7 , 3 5
7 M = 4 3
0 5 7
0 6 9
1 1 N = 0 0 0 = 6 9
. . . . . . . . . . . . . . .
2 3 0 0
4 6 2 3
las cuales se pueden particionar respectivamente como sigue:
7 M = 4 3
y
. . . . . . . . . . . .
0 5 7
A B
0 C
1 1 N = 0 0
Entonces
4 6 2 3 5 . 3 7 5 1 1 2 3 2 3 3 5
2 3 0 0
|M | = |7|
5 7
6 9
= 21
|N | =
= 1.
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 veri ca de manera anloga y se deja como ejercicio al lector. 32
Matrices particionadas
Sea
2.2. Determinantes
0 I .
Entonces
S =
I D1 C
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 veri caciones se dejan como ejercicio. 2.2.4.
Corolario.
Sean
A, B, C M=
matrices cuadradas de orden
y sea
la matriz dada por
A C
B D
1. Si 2. Si 3. Si 4. Si 2.2.5.
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|.
Utilizando los resultados del corolario anterior encon-
Ejemplo.
tremos los determinantes para las matrices
1 M = 1 1
Particionemos entonces
2 3 1 M
4 5 1
y
M yN 1 2 1 3 N = 4 5 3 3
dadas por:
2 2 0 0
1 3 . 0 0
de adecuadamente. . . . . . .
Para
tomamos
1 1 1
2 3 1
. . .
4 5 = 1 3 4
A C
B D
, siendo
D = [1].
Puesto que
es una matriz invertible entonces,
|M | = |D| A BD1 C = |1|
33
2 2
= 2 .
2.2. Determinantes
1
Similarmente para
Matrices particionadas
2 3 5 3
. . . . . .
2 2 0 0 1 3 = 0 0
N, N =
1 4 3
. . . . . .
A C
B 0
siendo
A=
1 1
2 3
. Dado que
es invertible tenemos que
|M | = (1)2 |B| |C| = 12 .
2.2.6.
Proposicin.
1. La matriz
Sean
matrices cuadradas.
M=
A 0
B C
es invertible sii las matrices
son invertibles. Adems, si
es invertible entonces
M 1 =
2. La matriz
A1 0 A B 0 C
A1 BC 1 C 1
. A
y
M=
es invertible sii las matrices
son invertibles. Adems, si
es invertible entonces
M 1 =
A1 C BA1
1
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.
Veri que que la matriz
1 1 M = 0 0
2 3 0 0
1 1 2 5
1 1 1 3
es invertible y calcule su matriz inversa. 34
Matrices particionadas
Observando la estructura de la matriz
2.2. Determinantes
M
podemos ver que una buena . . . . . .
1 1 particin es: M = 0 0
las matrices
2 3 0 0
1 1 2 5
. . . . . .
1 1 = 1 3 M
A 0
B C
. Puesto que
son invertibles, entonces
tambin lo es y adems,
M 1 =
A1 0
A1 BC 1 C 1
3 1 = 0 0
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=
Sea
una matriz invertible particionada as:
B11 B21
B12 B22
con
B11
B22
matrices invertibles.
Si
B 1
est particionada as:
B 1 =
A11 A21
A12 A22
, Bii
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
est dada por
1
son inver-
tibles.
3. La matriz
B 1
1 B11 B12 B22 B21
1 1 B11 B12 B22 B21 B11 B12 1 1 B22 B21 B11 B12 1
1 1 B22 B21 B11 B12 B22 B21
35
2.2. Determinantes
Demostracin. De la igualdad
Matrices particionadas
BB 1 =
B11 B21
B12 B22
A11 A21
A12 A22 = = = =
I 0
0 I
=I
se obtienen las igualdades
(2.1)
B11 A11 + B12 A21 B21 A11 + B22 A21 B11 A12 + B12 A22 B21 A12 + B22 A22
I 0 0 I
1 B22 , se obtiene
Ahora, premultiplicando ambos miembros de (2.1(b)) por :
1 B22 B21 A11 + A21 = 0,
Sustituyendo
o sea,
1 A21 = B22 B21 A11 .
A21
en (2.1(a)), se obtiene
1 B11 B12 B22 B21 A11 = I .
Esto quiere decir que las matrices y que una es la inversa de la otra. Premultiplicando ambos miembros de (2.1(c)) por
1 B11 B12 B22 B21
A11
son invertibles
1 B11 ,
se obtiene :
1 A12 + B11 B12 A22 = 0,
o sea,
1 A12 = B11 B12 A22 .
Sustituyendo
A12
en (2.1(d)), se obtiene:
1 B22 B21 B11 B12 A22 = I .
Esto quiere decir que las matrices y que una es la inversa de la otra. Por lo anterior,
1 B22 B21 B11 B12
A22
son invertibles
1 A11 = B11 B12 B22 B21
1 1 A12 = B11 B12 B22 B21 B11 B12 1 1 A22 = B22 B21 B11 B12 1
1 1 A21 = B22 B21 B11 B12 B22 B21
A continuacin enunciamos y demostramos un teorema que involucra matrices particionadas y el rango de una matriz. 36
Matrices particionadas
2.2.9.
2.3. Traza de una matriz
matriz in-
Teorema.
r r.
Si
vertible
A11 A12 , donde A11 es una A21 A22 (A) = (A11 ), entonces A22 = A21 A1 A12 . 11
Sea
A=
Demostracin. Puesto que
A11
es una matriz invertible, entonces
(A11 ) = r
(ver teorema 1.4.8).
Ahora, las matrices
I A21 A1 11
y la matriz
0 I
PQ =
I 0
P =
A1 A12 11 I
son invertibles, puesto que teorema 1.4.5, la matriz
|P | = |Q| = 1 = 0. A11 0
En consecuencia, por el
P AQ =
0 A22 A21 A1 A12 11
tienen rango
r.
Puesto que el nmero mximo de las linealmente inde-
pendientes de las matrices tonces necesariamente
P AQ y A11 es r (vase el teorema 1.4.5(2)), enA22 A21 A1 A12 = 0, o sea A22 = A21 A1 A12 . 11 11
2.3. Traza de una matriz
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 normal multivariante (vase el teorema 1.10.1 de [ ]) y el valor esperado de formas cuadrticas (vase el teorema 4.6.1 de [ ]).
3 4
Sea A una matriz cuadrada. La traza Tr(A) y se de ne como la suma de los elementos principal de A. sto es,
2.3.1.
De nicin.
de
se deno-
ta por
de la diagonal
Tr(A) =
s=1
2.3.2.
ss
. A
son
Nota.
Puesto que los elementos de la diagonal principal de
los mismos que los elementos de la diagonal principal de
AT ,
entonces
Tr(A) = Tr(AT ) .
37
2.3. Traza de una matriz
2.3.3.
Matrices particionadas
y
Teorema.
Sean
son matrices cuadradas del mismo orden.
Si
son escalares, entonces
Tr(A + B) = Tr(A) + Tr(B) .
Demostracin. Usando la estructura de espacio vectorial de las ma-
trices, as como la de nicin de traza se tiene:
Tr(A + B)
=
s=1 n
A + B ( A
s=1 n
ss
= = =
ss
+ B
n
ss )
A
s=1
ss + s=1
ss
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 de nicin de traza y la de nicin de pro-
ducto de matrices obtenemos,
Tr(AB)
=
s=1 n
AB
m
ss
=
s=1 k=1 m n
A B
k=1 s=1 m
sk
B A
ks
= =
k=1
ks
sk
BA
kk
= Tr(BA) .
38
Matrices particionadas
2.3.5.
2.4. Ejercicios
cuadrada de orden
Corolario.
matriz invertible
Sea A una matriz n n, entonces
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 ). m n,
n
2.3.6.
Corolario.
Si
es una matriz
entonces
m
Tr(AAT ) = Tr(AT A) =
s=1 k=1
2 sk
Adems,
Tr(AAT ) = 0
sii
A = 0.
Demostracin. Por de nicin de traza y por el teorema 2.3.4,
Tr(AAT )
=
s=1 m
AAT
n
ss m n 2 sk
=
s=1 k=1
Esto es,
sk
AT
ks
=
s=1 k=1
Tr(AAT )
es la suma de los cuadrados de los elementos de
esto se sigue entonces que,
A. De Tr(AAT ) = Tr(AT A) y adems que Tr(AAT ) =
si y slo si
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
1 1 1 1 1 1 4 5
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
2.4. Ejercicios
5. Sean
Matrices particionadas
a, b, c
y
escalares no nulos y sea
n N.
Calcule el deter-
minante y la matriz inversa, cuando exista, de la matriz
M=
6. Sean
aIn cIn
bIn dIn
.
una matriz cuadra-
A una matriz cuadrada de orden n y B k.
Demuestre que si
da de orden
M =
0 B
A C
o si
M =
C B
7. Sean
A 0 A
y
, entonces
|M | = (1)nk |A| |B|. B ).
(Sug.: Utilice induc-
cin sobre el orden de la matriz
matrices cuadradas.
a ) Dar condiciones necesarias y su cientes para que la matriz
M=
sea invertible. Si de las matrices
0 B
A C
exprese
M es invertible, A, B y C . C B A 0
M 1
en trminos
b ) Dar condiciones necesarias y su cientes para que la matriz
M=
sea invertible. Si de las matrices
M es invertible, A, B y C .
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 M2 = 3 2
1 1 1 1 4 5 . 1 0 0 1 0 0
A = [aij ]mn y B = [bij ]nk . Utilice matrices particionadas A B
tiene una la nula, entonces
para demostrar que:
a ) Si b ) Si
AB
tiene una la nula.
(Sug.: Particione la matriz
por las).
tiene una columna nula, entonces
na nula. (Sugerencia: Particione la matriz 40
AB tiene una columB por columnas).
Matrices particionadas
10. Sean
2.4. Ejercicios
Demuestre que si
A11 , A22 y A33 matrices cuadradas. A11 A12 A13 A11 A22 A23 M = A21 M = 0 0 0 A33 A31
entonces tonces
0 A22 A32
0 0 A33
en-
11. Demuestre que si
|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
y
12. Sean
aR
Ann a y
una matriz invertible, entonces
det
x A
= |A| (a xA1 y).
(Sugerencia: Use el teorema 2.2.3) 13. Veri que 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|. I
es la matriz identica y que
15. Suponga que las matrices que abajo aparecen son de tamao apropiado, donde
A11
es una matriz
invertible. Encuentre matrices
tales que el producto que
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
B12 B22 B32
B22 .
16. Demuestre que si 17.
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 ; : V V M de nida por A; B = Tr(AB T ) es un producto interno en V . (Vea el apartado
41
1.2.3 del captulo 1).
2.4. Ejercicios
18. Sean
Matrices particionadas
A
y
matrices cuadradas de orden
n.
Demuestre que
Tr(AB T ) (Tr(AAT ) Tr(BB T ))1/2 .
19. Si 20. Si
A, B Mnn , muestre que ABBA = 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
una matriz
de las matrices) 21. Calcule 22. Sean
a) b)
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) ) = Tr(A B ). A
y
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 } 1 0 =D= . . . 0
de
T : U U. Ahora; si existe una U tal que [T ]BB es una matriz
.. .
diagonal, es decir,
[T ]BB
0 2
. . .
0 0 . , . . n
entonces
T (ui ) = i ui ;
esto es, de
i = 1, 2, . . . , n , ui .
Este hecho da informacin
T (ui )
es un mltiplo escalar de
inmediata acerca de la transformacin lineal
es el espacio generado por los vectores
T. ui
Por ejemplo, la imagen para los cuales
y el ncleo de lineales
es el espacio generado por los restantes vectores
i = 0, ui . En
la seccin 3.2 responderemos las preguntas: Para qu transformaciones
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
3.1. Valores propios y vectores propios
Un problema que se presenta con frecuencia en el lgebra lineal y sus aplicaciones es el siguiente: Dado un espacio vectorial macin lineal existan
U y dada una transforT : U U , encontrar valores de un escalar para los cuales vectores u = 0 tales que T (u) = u. Tal problema se denomina
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. De nicin. 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 = 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 u
u T(u)= u T(u)= u
T(u)= 0 =0
>1
0<<1
<0
Figura 3.1. Interpretacin geomtrica de vector propio
3.1.2.
T : R2 R2 ,
Ejemplo.
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) = 0 de R que
De acuerdo con la de nicin anterior; el escalar existe un vector
u = (x, y) = 0
de
R2
tal que
(x, y),
lo que equivale a que exista un
satisfaga el sistema
2x x + 3y
= x = y .
44
Diagonalizacin de matrices
Ahora, si
3.1. Valores propios y vectores propios
=2
y por lo tanto
x = 0,
entonces se tiene que
y = x.
Esto
quiere decir que todos los vectores de la forma
u = (x, y) = (x, x); x R, x = 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 = 0 entonces = 3. Esto quiere decir que todos u = (x, y) = (0, y); y R, y = 0
los vectores de la forma
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
T (x, y) = (2x, x + 3y)
45
3.1. Valores propios y vectores propios
Diagonalizacin de matrices
T
le cor-
En el ejemplo anterior observamos que a cada vector propio de
responde un nmero in nito 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.
propios de
Sean
un espacio vectorial,
formacin lineal y
-vectores
un valor propio de
T.
El conjunto
junto con el vector
0,
es
T : U U una transS() de todos los un subespacio de U.
Demostracin. De acuerdo con la de nicin 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 ) .
Esto es, 2. Si
u1 + u2 S(). u S() y R entonces T (u) = T (u) = ( u) . u S(). S() es un subespacio vectorial de U. T :U U
una transfor-
Esto es,
De acuerdo con el teorema 1.2.6, 3.1.4.
De nicin.
Sean
un espacio vectorial,
macin lineal y
un valor propio de
T.
1. El subespacio de 2. La dimensin de
U, S(), S()
mencionado en el teorema anterior, se
denomina espacio propio asociado al valor propio valor propio
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 = 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 = 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
Diagonalizacin de matrices
3.1.6.
3.1. Valores propios y vectores propios
n.
De nicin.
1. 2.
Sea
una matriz cuadrada de orden
Se dice que el escalar es un valor propio de A, si existe un vector n 1, x = 0 tal que Ax = x. Si es un valor propio de A y si el vector n 1, x = 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.
A : Rn Rn ; x y =
En el caso especial de la transformacin lineal;
Ax,
esta la de nicin anterior concuerda con la de nicin 3.1.1 (vase la
seccin 1.3). De otro lado, segn la de nicin 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 de nicin, el escalar es un valor propio A sii existe un vector n 1, x = 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 = 0. Ahora por el teorema 1.4.8 del captulo 1, el sistema de ecuaciones lineales (A I)x = 0 tiene una solucin x = 0 sii |A I| = 0. En consecuencia, el escalar es un valor propio de A sii
Sea de
pA () = |A I| =
a11 a21 a31
. . .
a12 a22 a32
. . .
a13 a23 a33
. . .
.. .
a1n a2n a3n
. . .
=0
an1
an2
47
an3
ann
3.1. Valores propios y vectores propios
La expresin
Diagonalizacin de matrices
de grado
pA () = |A I|
es un polinomio en
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.
De nicin.
Sea
una matriz cuadrada caraccarac-
1. El polinomio
2.
pA () = |A I| se denomina polinomio A. La ecuacin pA () = |A I| = 0 se denomina ecuacin terstica de A.
terstico de
El siguiente teorema resume buena parte de la discusin anterior. 3.1.9.
Teorema.
Sea
una matriz cuadrada de orden
n
1
1. El escalar 2. 3.1.10.
es un valor propio de
de la ecuacin caracterstica de
A A.
sii
es una solucin (real)
tiene a lo ms Sea
valores propios (reales) .
De nicin.
A
una matriz cuadrada y
un valor propio de
A.
La multiplicidad algebraica de
es
k,
si
es una raz del polinomio
caracterstico de
de multiplicidad
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 coe cientes complejos, tiene exactamente n races complejas, contadas con sus multiplicidades.
48
Diagonalizacin de matrices
3.1.11. matriz
3.1. Valores propios y vectores propios
Ejemplo.
Determine los valores propios y vectores propios de la
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)
pA ()
= |A I| = (1 )
1 1 1 1
1 3 2 1
1 1 1 1 1 1 1 1 3 2
= = =
terstica de
3 2
(1 )(2 3 + 2) (1 ) ( + 1) (1 )(2 3 + 2) = (1 )2 ( 2).
De aqu se tiene, que
= 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. A. Los 1vectores propios de A son (A 1 I)x = 0.
Determinemos los vectores propios de
las soluciones no nulas del sistema de ecuaciones lineales Jordan (vase el teorema 1.4.7 ).
Resolvamos dicho sistema usando el mtodo de eliminacin de Gauss-
0 A 1 I = 1 1
Donde
1 2 2
1 1 1
1 0 0
0 1 0
1 1 = R 0 A1I
(vase el
es la forma escalonada reducida de la matriz
teorema 1.1.10).
Las soluciones del sistema de la forma:
(A 1 I)x = 0
son, por lo tanto, los vectores
x =
x1 x3 1 x2 = x3 = x3 1 , x3 x3 1
49
x3 R.
3.1. Valores propios y vectores propios
En consecuencia,
Diagonalizacin de matrices
U1
es una base para propio
1 = U1 = 1 1
y la multiplicidad geomtrica del valor
1 = 1
es
S(1 ) = S(1) 1. 2vectores
De otro lado, los
propios de
del sistema de ecuaciones lineales el clculo anterior, se tiene:
A son las soluciones no nulas (A 2 I)x = 0. Procediendo como en 1 0 0 0 1 0 0 1 = R 0
Las
A2I =
Donde
1 1 1
1 1 2
1 1 2
es la forma escalonada reducida de la matriz
soluciones del sistema
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 0 = U2 = 1 1
En consecuencia,
U2
es una base para propio
2 = 2
es
S(2 ) = S(2) 1.
y la multiplicidad geomtrica del valor
En el ejemplo anterior, la multiplicidad geomtrica del valor propio dad geomtrica del valor propio
1 = 1
es menor que su correspondiente multiplicidad algebraica y la multiplici-
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 1
. A, pA () = |A I| .
Para ello calculemos el polinomio caracterstico de
pA ()
= |A I| =
50
= 2 + 1 ,
Diagonalizacin de matrices
3.1. Valores propios y vectores propios
A, pA () = |A I| = 0 sii =i
y resolvemos la ecuacin caracterstica de
pA () = 2 + 1 = ( + i)( i)
entonces
= i.
Puesto que las soluciones de la ecuacin caracterstica de
A no son reales,
no tiene valores propios y por lo tanto no tiene vectores pro-
pios, en el sentido considerado en este texto. 3.1.13.
Ejemplo.
Sea
T : P2 P2
la transformacin lineal de nida por:
T a + bx + cx2 = (a + b c) + (a + 3b c)x + (a + 2b)x2
Determine los valores y los vectores propios de la transformacin. Sea
B = 1, x, x2
la base cannica de
P2 ,
se tiene entonces que:
[T ]BB
1 = A = 1 1
1 1 3 1 . 2 0 A,
los cuales son, segn
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
2 = 2. U1 = {x1 } S(2 ), donde 0 x2 = 1 . 1 B
es una base
De otro lado, del ejemplo 3.1.11 se sabe que de
S(1 )
y que
U2 = {x2 } es una 1 x1 = 1 1
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 .
U1 = {u1 } = 1 + x + x2 es una base del espacio de vectores propios de T correspondientes al valor propio 1 = 1 y U2 = {u2 } = x + x2 es una base del espacio de vectores propios de T correspondientes al valor propio 2 = 2.
En consecuencia; 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. Valores propios y vectores propios
3.1.14.
Diagonalizacin de matrices
Teorema.
y
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
una matriz invertible
tal que
B = P 1 AB.
1
De aqu:
pB ()
= |B I| = P =
AP P 1 P
P 1 (A I)P = |P 1 | |A I| |P |
= |P 1 | |P | |A I| = |A I| = pA ().
3.1.15.
Nota.
El converso del teorema anterior no es cierto; o sea, si
B A
son matrices con el mismo polinomio caracterstico, no necesariamente y
son matrices semejantes. Para mostrar esto, basta considerar el
siguiente ejemplo. 3.1.16.
Ejemplo.
Las matrices
A= ( 1)2 .
1 0 A
y
0 1 B
B=
1 3
0 1 pA () = pB () =
tienen el mismo polinomio caracterstico; explcitamente Sin embargo, cualquier matriz invertible
no son matrices semejantes, pues para
de orden
se tiene que:
P 1 AP = P 1 IP = P 1 P = I = B.
3.1.17.
Proposicin.
x
es un
Si
tonces
vector
B = P 1 AP son matrices semejantes, en1 propio de A sii P X es un vector propio de A
y
B.
Demostracin. Por de nicin se tiene
Ax = x
AIx = x AP P 1 x = x P 1 AP P 1 x = P 1 x
Tomando de
si y
B = P 1 AP tenemos entonces que: x = 0 es un -vector propio 1 slo si P x = 0 es un -vector propio de B = P 1 AP.
52
Diagonalizacin de matrices
3.2. Diagonalizacin
3.2. Diagonalizacin
En esta seccin responderemos las preguntas siguientes: Dado un espacio vectorial
y dada una transformacin lineal
T :U U
Existe una base
de
tal que
[T ]BB
es una matriz diagonal? y si existe cmo encontrar
una tal base? Como se estableci en el teorema 1.3.14(2), si formacin lineal, y
B1
P = [I]B2 B1 , entonces D son semejantes.
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
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.
De nicin.
A
Sea
una matriz cuadrada. Diremos que
es diago-
nalizable si
3.2.2.
es semejante a una matriz diagonal. Sea
Teorema.
una matriz cuadrada de orden
n.
Si existen
vectores propios de
linealmente independientes, entonces A es diago1 nalizable; esto es, existe una matriz invertible P tal que P AP = D es una matriz diagonal. Adems, los vectores columna de propios de
son los vectores
y los elementos de la diagonal de
son los correspondientes
valores propios de
A.
Demostracin. Sean
1 , 2 , . . . ,n ,
los
valores propios de
A,
los cuales no son necesariamente diferentes y sean tores propios de
x1 , x2 , . . . , xn ,
vec-
linealmente independientes, correspondientes respecti-
vamente a cada uno de dichos valores propios. Sea ahora
P la matriz cuya jsima columna es j = 1, 2, . . . , n, la cual particionamos como sigue: P =
Puesto que las columnas de
el vector propio
xj ,
x1 P
x2
xn
son linealmente independientes, entonces
es invertible (teorema 1.4.8). 53
3.2. Diagonalizacin
Ahora,
Diagonalizacin de matrices
AP
= =
x1 Ax1
x2 Ax2
xn Axn = 0 2
. . .
1 x1
.. .
x1
x2
xn
1 0 . . . 0
2 x2 0 0 . . . 3
n xn
=
Donde
PD
D es la matriz diagonal indicada arriba. Por lo tanto, P 1 AP = D,
y el teorema queda demostrado.
El recproco de este resultado tambin es vlido y est dado por el siguiente teorema. La demostracin se deja como ejercicio.
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. Veri quemos 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.
Teorema.
Sea
lizable, es decir, si existe una matriz invertible
propios linealmente independientes. En efecto: El polinomio caracterstico de
A,
est dado por
pA () = |A I| =
4 6 6
1 5 3
2 6 4
= ( 2)2 ( 1).
La ecuacin caracterstica de como solucin a
=2
(de multiplicidad 2) y a
1). Estos escalares son pues,
A, pA () = |A I| = 0 tiene entonces = 1 (de multiplicidad los valores propios de A.
Determinemos ahora los vectores propios asociados:
54
Diagonalizacin de matrices
Los 2-vectores propios de ecuaciones
3.2. Diagonalizacin
son las soluciones no nulas del sistema de
(A 2I)x = 0,
y los 1-vectores propios de
son las soluciones
no nulas del sistema de ecuaciones son respectivamente:
(A 1I)x = 0.
Es decir, debemos re-
solver sistemas homogneos de ecuaciones cuyas matrices de coe cientes
2 A 2I = 6 6
1 3 3
2 6 6
3 A 1I = 6 6
1 4 3
2 6 . 5 (A 2I)x = 0
Es fcil veri car que las soluciones del sistema homogneo 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). (A 1I)x = 0
De otra parte, se encuentra que las soluciones del sistema son los vectores de la forma
1 x1 1 3 x3 1 3 , x3 R. x = x2 = x3 = x3 3 x3 3 x3
En consecuencia,
U2
es una base para
1 = U1 = 3 3
S(2 ) = S(1).
55
3.2. Diagonalizacin
Ahora, los vectores
Diagonalizacin de matrices
1 1 x1 = 2 , x2 = 0 0 1
son vectores propios de
1 x3 = 3 3 2, 2
y
correspondientes a los valores propios
1,
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 = 2 0 0 2 0
1 0 1
1 3 3
es invertible y es tal que:
2 P 1 AP = D = 0 0
3.2.5.
0 0 . 1
Ejemplo.
La matriz del ejemplo 3.1.11,
1 A = 1 1
dos valores propios:
1 3 2
1 1 0 A
tiene
no es diagonalizable, pues vimos en dicho ejemplo, que la matriz
1 = 1 y 2 = 2, y 1 y U1 = 1 1
que
0 U2 = 1 1 A
son bases para los espacios propios asociados, respectivamente. As que slo tiene dos vectores propios linealmente independientes. 3.2.6.
Teorema.
A
y si
Si
una matriz
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 =
es un conjunto linealmente independiente.
{x1 , , x2 , . . . , xk }
Demostracin. Haremos la demostracin utilizando induccin so-
bre el nmero
de vectores del conjunto
C.
56
Diagonalizacin de matrices
Si
3.2. Diagonalizacin
x1 = 0.
C = {x1 },
entonces
es linealmente independiente, pues
El teorema es cierto para cuando (3.1)
k = 2.
En efecto: Si
1 x1 + 2 x2 = 0, 2
se obtiene:
premultiplicando (3.1) por el escalar (3.2)
2 1 x1 + 2 2 x2 = 0. A
se llega a:
De otra parte; premultiplicando (3.1) por la matriz (3.3)
1 1 x1 + 2 2 x2 = 0. (2 1 )1 x1 = 0.
Restando (3.3) de (3.2) se obtiene:
Puesto que que
entonces que
x1 = 0, entonces (2 1 )1 = 0. Dado que 1 = 2 se tiene 1 = 0. Reemplazando este valor de 1 en (3.1) se llega a 2 x2 = 0, pero x2 = 0, entonces 2 = 0. k = j
y de-
Supongamos ahora que el teorema es cierto para cuando mostremos que el teorema es cierto para cuando (3.4)
k = j +1.
Si
1 x1 + 2 x2 + . . . + j xj + j+1 xj+1 = 0, j+1
se obtiene:
premultiplicando (3.4) por el escalar (3.5)
j+1 1 x1 + j+1 2 x2 + . . . + j+1 j xj + j+1 j+1 xj+1 = 0, A
se llega a:
De otra parte; premultiplicando (3.4) por la matriz (3.6)
1 1 x1 + 2 2 x2 + . . . + j j xj + j+1 j+1 xj+1 = 0.
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 .
De otro lado, por hiptesis del teorema los escalares diferentes, entonces se obtiene que do estos valores en 3.4 se llega entonces
1 , . . . , j , j+1 son 1 = 2 = . . . = j = 0. Reemplazana que j+1 xj+1 = 0, pero xj+1 = 0,
j+1 = 0.
El teorema queda entonces demostrado.
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.
Diagonalizacin de matrices
A
una matriz cuadrada de orden
Corolario. Ejemplo.
Sea
n.
Si
posee
valores propios distintos, entonces
3.2.8. La matriz
es diagonalizable.
1 A= 0 0
3
2 4 0
3 5 6 33 A
es:
es diagonalizable. En efecto, la ecuacin caracterstica de
pA () = |A I| = (1) ( 1)( 4)( 6) = 0.
De esto se sigue que
A tiene tres valores propios distintos, a saber: 1 = 1,
2 = 4
3 = 6. A
De acuerdo con los teoremas 3.2.2 y 3.2.3, dada la matriz cuadrada de orden
n;
existe una matriz invertible
tal que
P 1 AP = D
es una
matriz diagonal sii propios de de
Adems, si existe una tal matriz
y los
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
A.
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
B2
de
T : U U U tal que
[T ]B2 B2 = D
ordenada de
es una matriz diagonal sii
ealmente independientes. Adems, si
T tiene n vectores propios linB2 = { u1 , u2 , . . . , un } es un base 0 2
. . .
tal que
[T ]B2 B2
1 0 =D= . . . 0 ui
.. .
0 0 . . . n
propio de T, o sea
es una matriz diagonal, entonces
es un
i -vector
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.
Diagonalizacin de matrices
Sea pues base
3.2. Diagonalizacin
T
referida a dicha
A = [T ]B1 B1 ,
la matriz de la transformacin
B1 , Existe 1 [I]B2 B1 A [I]B2 B1
una base ordenada
B2
de
es una matriz diagonal sii
U tal A es
que
D = [T ]B2 B2 =
semejante a una ma-
triz diagonal. Ahora por los teoremas 3.2.2 y 3.2.3; matriz diagonal sii lo cual equivale a
A es semejante a una A tiene n vectores propios linealmente independientes, que T tenga n vectores propios linealmente independi-
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
; o sea,
de
tal que
es una matriz diagonal, entonces, de acuerdo con la de nicin de la matriz
[T ]B2 B2 , T (ui ) = i ui i = 1, 2, . . . , n .
3.2.10.
ui
es un
i -vector
propio de
T,
Ejemplo.
Consideremos la transformacin lineal
T : P3 P3
de nida por:
T a + bx + cx2 = (4a b + 2c) + (6a + 5b 6c)x + (6a + 3b 4c)x2 .
Encontremos una base ordenada una matriz diagonal. Sea
B2
de
U = P2
tal que
[T ]B2 B2 = D
es
B1 = 1, x, x2
la llamada base cannica de
4 A = [T ]B1 B1 = 6 6 1 1 x1 = 2 , x2 = 0 0 1
respectivamente a los valores propios los vectores de
1 5 3
P2 entonces: 2 6 , 4
que es la matriz del ejemplo 3.2.4. De dicho ejemplo sabemos que
1 x3 = 3 , 3 A,
correspondientes
son vectores propios linealmente independientes de
2, 2
1.
Los vectores
x1 , x2
x3
de
son respectivamente, los vectores de coordenadas respecto a la base
B1
P2 : u2 = 1 + x2
59 y
u1 = 1 + 2x;
u3 = 1 + 3x + 3x2 .
3.2. Diagonalizacin
Ahora, los valores propios de
Diagonalizacin de matrices
T
son los valores propios de
3.1.7), esto es, los diferentes valores propios de vectores propios de valores propios el teorema
De otro lado, por lo establecido en el apartado
A (ver teorema 1 = 2 y 2 = 1. 1.2.2, u1 , u2 y u3 son
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 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 a rmacin.
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
son los valores propios de
P, A.
entonces los elementos de
Demostracin.
lizando induccin sobre el orden implicacin es
(=) 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
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 = 0 tal que Ax1 = x1 . Por el teorema1.2.13(3), existe un vector 21, x2 = 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: P 1 =
entonces se tiene que
y1 y2
y1 , y2 M12 ,
P 1 AP =
y1 y2
x1
x2
y1 Ax2 y2 Ax2
=T
es una matriz triangular superior. 60
Diagonalizacin de matrices
3.2. Diagonalizacin
n = j 1 A una
Supongamos ahora que la implicacin es verdadera para cuando y demostremos que sta es verdadera cuando matriz cuadrada de orden caracterstica son reales. De sto se sigue que
n = j, j 3.
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 = 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
teorema 1.4.8, la matriz
= y1 N
x1
x2
xj
as: y
x1
es invertible. Escribamos la inversa
P 1
y1 M1j , 0
N M(j1)(j1) . 0 B C
Entonces se tiene
P 1 AP =
y1 N
x1
y1 AM N AM
= T1
es una matriz triangular superior por bloques. Ahora, las matrices rema 3.1.14):
T1
tienen el mismo polinomio caracterstico (teo-
pA () = pT1 () = (1 ) |C I| .
De sto se sigue, que todas las soluciones de la ecuacin caracterstica de la matriz cuadrada de orden induccin, existe una matriz invertible matriz triangular superior. Sea ahora:
j 1, C , son reales. Por hiptesis de Q tal que Q1 CQ = T1 es una 1 0 1 0 1 0 0 Q 0 Q1 BQ Q1 CQ , P = P1 P2 1 0 =
es tal que
P2 =
entonces se tiene que la matriz invertible
1 1 P 1 AP = P2 P1 AP1 P2
= =
B C 1 0
1 0 BQ T2
0 Q =T
es una matriz triangular superior. La demostracin de la otra implicacin y de la segunda a rmacin del teorema quedan como ejercicio para el lector. 61
3.2. Diagonalizacin
3.2.12.
Diagonalizacin de matrices
Ejemplo.
Todas las soluciones de la ecuacin caracterstica de la
matriz del ejemplo 3.2.5
1 1 1 3 A= 1 2
son reales, pues:
1 1 0 33 1 = 1
pA () = ( 1)2 ( 2) = 0 sii
diagonalizable, pues
2 = 2 .
De otro lado, como lo establecimos en el ejemplo 3.2.5, la matriz A no es
slo posee dos vectores propios linealmente inde-
pendientes. En particular:
1 x1 = 1 1
valores propios
0 x2 = 1 1
son vectores propios linealmente independientes correspondientes a los
1 = 1
2 = 2,
respectivamente.
Por el teorema anterior, existe una matriz invertible un vector
tal que
es una matriz triangular superior. Para encontrar una tal matriz
P 1 AP = T P , demos
el vector
x3
tal que
B = {x1 , x2 , x3 }
sea una base para
M31 ,
0 x3 = 2 3 1 = 1 1 0 2 0 0 1 1 0 2 3
sirve para tal efecto. Ahora bien, la matriz
P =
es invertible y es tal que
x1
x2
x3
1 P 1 AP = T = 0 0
es una matriz triangular superior.
1 2 1
De acuerdo con el teorema anterior, si matriz invertible
es una matriz cuadrada (real) sea una matriz triangular
cuyos valores propios no son todos reales entonces, no puede existir una
(real) tal que
P 1 AP = T
62
Diagonalizacin de matrices
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, que todo polinomio de grado exactamente
n con coe cientes reales o complejos tiene n races reales o complejas, contadas sus multiplicidades. En
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
una matriz invertible
(real o compleja) tal que
(real o compleja) existe P 1 AP = T es una
matriz triangular superior. Adems, los elementos de la diagonal de son las soluciones de la ecuacin caracterstica de
3.2.14.
A.
Ejemplo.
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 .
De esto se sigue que
slo tiene un valor propio real, a saber,
1 = 1.
(real) tal
En este caso no es posible que exista una matriz invertible que
P 1 AP = T
sea una matriz triangular superior. Sin embargo, en el
contexto de los espacios vectoriales donde los escalares son nmeros complejos, podemos decir que
tiene tres valores propios complejos
1 = 1,
2 = i
3 = i
. Efectuando, en este contexto, los clculos pertinentes,
se encuentra que
1 0 x1 = 0 , x2 = i 0 1
son tres vectores propios complejos de
0 x3 = i 1 1 = 1, 2 = i
y
linealmente independientes cor-
respondientes a los valores propios complejos 63
3 = i
3.3. Matrices simtricas
Diagonalizacin de matrices
respectivamente. As que la matriz compleja:
P =
x1
x2
x3
1 = 0 0
0 i 1
0 i 1 0 1 1 0 0 0 0 i 1
es invertible y es tal que
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 =D
0 0 1
0 i 1
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) de nida (semide nida) o inde nida. 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.
1. El conjugado del nmero complejo por 2. 3.
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 = A ij , i, j = 1, 2, . . . , n. ij z
y se de ne as: 64
Diagonalizacin de matrices
4. Para todo vector complejo
3.3. Matrices simtricas
n 1, x,
se tiene:
x T x = xx T y
xTx = 0
sii
x = 0.
5. Para toda matriz cuadrada
A con componentes complejas; |A| = 0 sii existe un vector x = 0, con componentes complejas, tal que Ax = 0.
Sea
3.3.1.
Teorema.
una matriz (real) cuadrada de orden
n.
Si
es
una matriz simtrica, entonces todas las soluciones de la ecuacin caracterstica de
A: pA () = |A I| = 0, son reales. Esto es, A tiene valores propios (reales) los cuales no son necesariamente diferentes.
Demostracin. Si
pA () = |A I| = 0, Ax = x
entonces por (5), existe
un vector (3.1)
x=0
tal que:
de esto se sigue que, (ver (3) y (2)): (3.2)
Ax = x . xT
y y (3.2) por
Ahora, premultiplicando (3.1) por (3.3) puesto que (3.4) De (4) se tiene que
xT
se tiene
x T Ax = x T x
xT Ax = xT x ,
de (3.3) se sigue que:
x T Ax = (x T Ax)T = xT AT x = xT Ax, x T x = xT x . x T x = xT x,
por lo tanto, de (3.4) se concluye que :
( )x T x = 0.
Ya que
x = 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
3.3. Matrices simtricas
3.3.2.
Diagonalizacin de matrices
una matriz simtrica
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.
Si
Demostracin. Debemos demostrar que
Teorema.
xi ; xj
= xT xj = 0 i
si
i = j,
para
i, j = 1, 2, . . . k
Por la hiptesis se tiene que: (3.5) (3.6)
Axi Axj xT Axi = i xj T xi j
= =
i xi , j xj . xt j
y
Ahora, premultiplicando (3.5) por (3.7) puesto que que: (3.8) Ya que
y a (3.6) por
xi ,
se obtiene
xT Axj = j xT xj , i i
de (3.7) se sigue
xT Axi = (xT Axi )T = xT AT xj = xT Axj , j j i i xT xi = j xT xj . j i
xT xi = xT xj j i
de (3.8) se concluye que :
(i j )xT xj = 0. i
Puesto que por hiptesis, los valores propios son distintos, entonces
xT xj = i P
0,
si
i = j, i, j = 1, 2, . . . k .
3.3.3.
De nicin. Ejemplo.
Se dice que una matriz cuadrada
es ortogonal, si
es invertible y
3.3.4.
P 1 = P T .
La matriz
1 1 P = 2 3 2
es ortogonal, pues:
2 2 1
2 1 2 2 2 1 2 1 = 0 1 2 0 0 1 0 0 0 = I. 1
PPT
3.3.5.
1 1 =P = 2 3 2
2 2 1
2 1 1 1 2 3 2 2
Proposicin.
sii el conjunto
x1 x2 Una matriz P = B = {x1 , x2 , . . . , xn } constituye una
66
xn es ortogonal base ortonormal de
Mn1 .
Diagonalizacin de matrices
La matriz bien,
3.3. Matrices simtricas
xn
es ortogonal sii
P =
x1
x2
P T P = I. xT x2 1 xT x2 2
. . .
Ahora
PTP
xT 1 xT 2 . . . xT n
x1
x2
xn
xT x1 1 xT x1 2 = . . . T xn x1
.. .
xT x2 n
xT xn 1 xT xn 2 . . . xT xn n
Es fcil entonces observar, que
PTP = I i=j ; i=j
si y slo si se cumple que:
xT xj = i
1 0
si si
i, j = 1, 2, . . . , n ,
es una base ortonormal de
lo cual equivale a que
B = {x1 , x2 , . . . , xn }
Mn1 .
3.3.6.
Teorema.
Si
tonces las multiplicidades algebraica y geomtrica de
es un valor propio de una matriz simtrica, en son iguales.
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 .
De esto se sigue que braica
es un valor propio de
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 x1 x2 xr y1 y2
67
De otra parte, si tales que
(teorema 1.2.25). Por la proposicin 3.3.5, la matriz
P =
ynr
3.3. Matrices simtricas
Diagonalizacin de matrices
T = P T AP = P 1 AP, Y
es
es ortogonal. Consideremos ahora la matriz decir, la matriz:
= = =
XT YT I 0 I 0
X T AY Y T AY B C .
o
Puesto que sea
es simtrica,
T T = (P T AP )T = P T AT P = P T AP = T, B C = I 0 I B 0 C 0 CT . ,
I 0 B=0
y
por lo tanto
T =
Puesto que las matrices polinomio caracterstico:
son semejantes, entonces tienen el mismo
pA () = pT () = |T I| = ( )r |C I| .
De sto se sigue, que braica 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 = 0 tal que Cw = w. Consideremos ahora el vector no nulo Es decir,
u Mn1 dado
por
u=P 0 0
. . .
0 w
[x1 x2 xr y1 y2 ynr ]
u=P
0 w
0 w1 w2
. . .
wnr = w1 y1 + w2 y2 + wnr ynr .
Esto es, el vector
u y1 , y2 , . . . , ynr
68
u x1 , x2 , . . . , xr /
Diagonalizacin de matrices
De otro do, el vector
3.3. Matrices simtricas
-vector P tP 0 w 0 w
propio de
u,
es un
A.
En efecto,
Au
= P = = P P
I 0 0 Cw 0 w
0 C =P
=P
I 0
0 C
0 w
= u .
es un conjunto de
Esto indica, que
B = {x1 , x2 , . . . , xr , ur+1 }
r+1
vec-
tores propios linealmente independientes correspondientes al valor propio
,
sea
lo cual contradice el hecho de que la multiplicidad geomtrica de
r.
3.3.7.
Teorema.
n
Si
es una matriz simtrica de orden
n,
entonces
tiene
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. i
es
Por el teorema anterior, la multiplicidad geomtrica de
mi , i =
1, . . . , k.
Sean ahora:
U1 = x1 , . . . , x1 1 , , Uk = xk , . . . , xk k 1 m 1 m
bases ortogonales de teorema 3.3.2, el conjunto de
S(1 ), , S(k ) respectivamente. n vectores propios de A :
Entonces por el
U
es ortogonal.
= U1 U2 Uk = x1 , . . . , x1 1 , x2 , . . . , x2 2 , . . . , xk , . . . , xk k 1 m 1 m 1 m
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. Matrices simtricas
3.3.9.
Diagonalizacin de matrices
A
una matriz cuadrada. Se dice que
De nicin. Teorema.
Sea
nalmente diagonalizable si existe un matriz ortogonal
tal que
es ortogoT
P AP =
es una matriz diagonal. Si
3.3.10.
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
y los elementos de la diagonal de
son
los valores propios de
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.
A
Si una matriz
es ortogonalmente diagonalizable, en-
tonces
es simtrica.
Demostracin. Por hiptesis existe una matriz ortogonal
tal que
P T AP = D
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
Diagonalizacin de matrices
3.3.12.
3.3. Matrices simtricas
Ejemplo.
Para la matriz simtrica:
5 A= 2 2
encontremos una matriz ortogonal diagonal.
2 2 2 4 4 2 33 P
tal que
P t AP = D
sea una matriz
Para ello debemos encontrar tres vectores propios de Determinemos el polinomio caracterstico de
A ortonormales. A, pA () = |A I| . = ( + 3)( 6)2
pA () = |A I| =
5 2 2
2 2 4
2
2 4 2
sii
Resolvamos la ecuacin caracterstica de
A, pA () = |A I| = 0. = 3 A
son
pA () = ( + 3)( 6) = 0
=6
y
de aqu que los diferentes valores propios de Por de nicin, los
1 = 3
2 = 6.
del sistema de ecuaciones lineales
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
propios de Es fcil veri car, que las soluciones del sistema homogneo son los vectores de la forma:
(3)-vectores
(A + 3I)x = 0
1 1 x1 2 x3 1 2 ; x = x2 = x3 = x3 2 2 x3 x3
En consecuencia,
x3 R.
U1 = U3
es una base para
1 = 2 , 2
S(1 ) = S(3). Aplicando el proceso de ortogonalizacin 1 1 2 , = 3 2
71
de Gram-Scmidt a esta base (vea el teorema 1.2.24), se llega a que:
U1 = U3
3.3. Matrices simtricas
es una base ortonormal de
Diagonalizacin de matrices
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:
=
En consecuencia,
x1 2x2 + 2x3 x2 = x2 x3 x3 2 2 x2 1 +x3 0 ; x2 , x3 R. 0 1
U2
es una base para
2 2 = U6 = 1 , 0 , 1 0
Aplicando el proceso de ortogonalizacin
S(2 ) = S(6).
de Gram-Schmidt a esta base se llega a que:
U2
2 2 1 1 4 , = U6 = 1 , 5 3 5 0 5 S(2 ) = S(6).
es una base ortonormal de
Segn la demostracin del teorema 3.3.7,
U = U1 U2
2 2 1 1 1 1 2 , 1 , 4 , = 3 5 0 3 5 2 5 A.
Ahora, segn la
es un conjunto ortonormal de vectores propios de demostracin del teorema 3.3.10, la matriz,
1 3 2 P = 3 2 3
2 5 1 5 0
72
2 3 5 4 3 5 2 3 5
Diagonalizacin de matrices
es ortogonal tal que
3.3. Matrices simtricas
3 P T AP = P 1 AP = D = 0 0
3.3.13.
0 6 0
0 0 . 6 n.
Supongamos
que
entes,
Sea A una matriz simtrica (0 n) valores propios, estrictamente positivos y (0 n) que tiene
Teorema.
de orden
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
0 I 0 Q
0 0 . 0
tal que
I QT AQ = 0 0
entonces
0 I 0
0 0 , 0
=.
Demostracin. Sean
1 , 2 , . . . ,
los valores propios de
tamente positivos (no necesariamente distintos) y sean vectores propios ortonormales de lores propios. Sean adems
A estricx1 , x2 , . . . , x
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
propios organizados adecuadamente, es ortogonal. Es decir, la matriz
M=
x1
x2
y1
y2
z1
z2
es ortogonal. De otro lado, se tiene que
M t AM = D 0 D 0 0 0 0
es una matriz diag-
onal con los valores propios en su diagonal y dispuestos as:
D M t AM = D = 0 0
73
3.3. Matrices simtricas
donde:
Diagonalizacin de matrices
1 0 D = . . . 0
Sea ahora
0 2
. . .
.. .
0 0 . . .
1 0 D = . . . 0 0 0 I 0 0
. . .
0 2
. . .
.. .
0 0 . . . .
la matriz diagonal:
D D = 0 0
donde
0 D 0
.. .
1 1 0 D = . . . 0 D = 1 1 0
. . .
0 1 2
. . .
y.
0 0
.. .
0 0
. . .
1 2
. . .
La matriz
es invertible y es tal que:
D DD
D D D t t 0 = D M AM D = 0 I 0 0 = 0 I 0 . 0 0 0
0 D D D 0
0 0 I 0 I
En consecuencia, la matriz invertible
P = M D es I 0 0 P t AP = 0 I 0 . 0 0 0
74
tal que:
Diagonalizacin de matrices
Supongamos ahora que las matrices invertibles
3.3. Matrices simtricas
P
y
son tales que:
I P t AP = 0 0
y demostremos que
0 I 0 =
0 0 0
y y
I Qt AQ = 0 0
0 I 0
0 0 . 0
=. Q
particionadas por columnas as:
Escribamos las matrices
x1 y1
x2 y2
x y
x+1 y +1
xn yn
Q =
Por hiptesis se tiene que:
T xi Axi = 1 T x Ax = 0 j i T yi Ayi 0 T yi Ayj = 0
si i = 1, 2 . . . , si i = j (i, j = 1, 2 . . . , n) si i = + 1, + 2 . . . , n si i = j (i, j = 1, 2 . . . , n). Mn1 :
Ahora, el conjunto de vectores de
C = {x1 , x2 , . . . , x , y +1 , y +2 , . . . , yn }
es linealmente independiente. En efecto, si
1 x1 + . . . + x + 1 y +1 + . . . + n yn = 0
entonces el vector
U
es tal que:
= =
1 x1 + 2 x2 + . . . + x 1 y +1 2 y +2 . . . n yn (1 x1 + . . . + x )T A(1 x1 + . . . + x )
U T AU
y
= 2 + 2 + . . . + 2 0 1 2 U T AU = =
Por lo tanto consecuencia,
(1 y +1 + . . . + n yn )T A(1 y +1 + . . . + n yn )
2 T 2 T 2 T 1 y +1 Ay +1 + 2 y +2 Ay +2 + . . . + n yn Ayn 0
U T AU = 0.
De esto se sigue que
1 = 2 = . . . = = 0.
En
1 y +1 + 2 y +2 + . . . + n yn = 0 .
75
3.3. Matrices simtricas
Puesto que la matriz
Diagonalizacin de matrices
linealmente independientes, y por lo tanto,
Q es invertible, los vectores y +1 , y +2 , . . . , yn son 1 = 2 = . . . = n = 0. Mn1
es
Ahora bien, como la dimensin del espacio vectorial un conjunto linealmente independiente de entonces por el teorema 1.3.8(2) :
+ (n )
vectores en
C es Mn1 ,
+ (n ) n ,
o sea, de donde
. Argumentando =.
en forma similar se demuestra que
De otro lado, de la hiptesis, se tiene que
(A) = + = +
por lo tanto
=. P T AP
es igual
Nota.
a:
En la parte (1) del teorema anterior se tiene que
(i) (ii)
In , In , I 0
si si
= n. = n. ,
si
(iii)
0 0 0 0 0 I 0 I 0
0<p<n
si
= 0.
y
(iv)
I 0 I 0 I 0 0 0,
sii
, ,
0<<n 0<p<n
si
= 0. 0<<n
y y
(v)
si
+ = n.
y
(vi)
0 0 , 0
0<p<n
0<<n
+ < n.
(vii) 3.3.14.
A = 0.
Para la matriz simtrica
Ejemplo.
1 A = 2 0
encontremos una matriz invertible
2 0 2 P
0 2 1 P t AP
sea una matriz diag-
tal que
onal con las caractersticas que se establecen en el teorema anterior.
76
Diagonalizacin de matrices
3.3. Matrices simtricas
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
Ahora, la matriz diagonal
0 3 0
0 0 . 0
D =
es invertible y es tal que:
1 3 0 0
0 1 3 0
0 1
D DD
Dt M t AM D 1 3 0 0 3 1 0 0 0 3 0 0 1 0 1 0 0 0 1 0 , 0 0 0
0 3 0
0 0
1 3 0 0
0 1 3 0
0 1
o sea, la matriz invertible
P = M D es tal I1 0 P t AP = 0 I1 0 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
3.3. Matrices simtricas
Diagonalizacin de matrices
ende se puede expresar como producto de un nmero nito de matrices elementales (vase teorema 1.1.11(2)); sto es,
P = E1 E2 Ek,
donde
E1 , E2 , , Ek,
la matriz
son matrices elementales. As que una forma de calcular
t t t P t AP = Ek E2 E1 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.
Para la matriz simtrica
1 A= 2 3
encontremos una matriz invertible
2 3 5 4 4 9
tal que
P T AP
sea una matriz diag-
onal con las caractersticas que se establecen en el teorema 3.3.13. Formemos la matriz
A | I
1 = 2 3
2 3 | 1 5 4 | 0 4 9 | 0
0 1 0
0 0 . 1
Efectuemos, en las las de la matriz
A | I , las operaciones elemenT 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 la matriz
= 3 y sumar los resulta-
dos con los correspondientes elementos de la tercera la. As obtenemos
T T E2 E1 A
T T | E2 E1 I
A1
| B1
luego efectuamos las "mismas" operaciones elementales en las columnas de la matriz
A1 ,
para obtener:
T T E2 E1 A
Se tiene:
T T E1 E2 | E2 E1 I
A1
| B1
A1
| B1
1 = 0 0
2 1 2
78
3 | 1 0 0 2 | 2 1 0 0 | 3 0 1
Diagonalizacin de matrices
y
3.3. Matrices simtricas
A1
| B1
1 = 0 0
0 1 2
0 2 0 |
| 1 0 0 | 2 1 0 | 3 0 1 B1
, la operacin elemen-
Efectuemos, en las las de la matriz tal;
A1
T E3 ;
multiplicar los elementos de la segunda la por
= 2
y sumar
los resultados con los correspondientes elementos de la tercera la. As obtenemos la matriz
T T T E3 E2 E1 AE1 E2
T T T | E3 E2 E1 I
A2
| B2
luego efectuamos la "misma" operacin elemental en las columnas de la matriz
A2 ,
para obtener:
T T T T T T E3 E2 E1 AE1 E2 E3 | E3 E2 E1 I
Se tiene:
A2
| B2
A2
y
| B2
1 = 0 0 1 = 0 0
0 1 0 0 1 0
0 | 1 2 | 2 4 | 7
0 1 2
0 0 1
A2
| B2
1 0 0 0 | 0 | 2 1 0 . 3 0 1 4 | A2 | B2
la op-
Finalmente, efectuemos en las las de la matriz eracin elemental;
T E4 ;
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
T T T T | E4 E3 E2 E1 I
A3
| B3
luego efectuamos la "misma" operacin elemental en las columnas de la matriz
A3 ,
para obtener:
T T T T E4 E3 E2 E1 AE1 E2 E3 E4 |
Se tiene:
T T T T E4 E3 E2 E1 I
A3
| B3
A3
| B3
1 = 0 0
0 1 0
79
0 0 2
1 | 2 | 7 | 2
0 1 1
0 0 1 2
3.3. Matrices simtricas
y
Diagonalizacin de matrices
A2
| B2
1 = 0 0
0 1 0
0 0 1
1 | 2 | 7 | 2
0 1 1
0 0 . 1 2 0 0 1 2
As que la matriz invertible
PT
1 0 2 1 T T T T = B3 = E4 E3 E2 E1 = 7 1 2 1 P T AP = D = A3 = 0 0 0 1 0 0 0 . 1
es tal que
Podemos decir entonces, que la matriz
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 = 0, i = j , entonces sumando la la j a la la i y la columna j a la columna i, obtendremos una matriz simtrica A = M T AM con 2aij en el lugar isimo de la diagonal principal de A .
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.
Para la matriz simtrica
A=
encontremos una matriz invertible
0 1 P
1 0
, P T AP
sea una matriz diag-
tal que
onal con las caractersticas que se establecen en el teorema 3.3.13. Formemos la matriz:
| I
0 1
1 0
| 1 | 0
0 1
.
la operacin elemen-
Efectuemos, en las las de la matriz tal
A | I
MT ;
sumar los elementos de la segunda la con los correspondientes
elementos de la primera la. As obtenemos la matriz
MT A
| MT I
80
Diagonalizacin de matrices
M T A,
3.3. Matrices simtricas
luego efectuamos la "misma" operacin elemental en las columnas de la matriz para obtener la matriz:
M T AM
Se tiene:
| MT I
= 1 1 2 1
A 1 0 1 0
| MT | 1 | 0 | 1 | 0 1 1 1 1
MT A A
| MT I | MT
= =
A | M T , la operacin elemen1 T tal; E1 ; multiplicar los elementos de la primera la por = y sumar 2 los resultados con los correspondientes elementos de la segunda la. As
Efectuemos, en las las de la matriz obtenemos la matriz
T E1 A
T | E1 M T
A1
| B1
luego efectuamos la "misma" operacin elemental en las columnas de la matriz
A1 ,
para obtener:
T E1 A E1
Se tiene:
T | E1 M T
= 1 1 2 0 1 2
A1 1
| B1 1 1 2
.
y
A1 | B1 = A1 | B1 =
2 0 2 0
| | | 1 2 1 | | | 1 2 | B1
1 1 2
las operaciones eleA1 1 T mentales; E2 ; multiplicar los elementos de la primera la por = , 2 T y, E3 ; multiplicar los elementos de la segunda la por = 2 . As Efectuemos en las las de la matriz obtenemos la matriz
T T T E3 E2 E1 A E1
T T T | E3 E2 E1 M T
A2
| B2
luego efectuamos las "mismas" operaciones elementales en las columnas de la matriz
A2 ,
para obtener:
T T T E3 E2 E1 A
E1 E2 E3
T T T | E3 E2 E1 M T
81
A2
| B2
3.4. Diagonalizacin simultnea
Se tiene:
Diagonalizacin de matrices
A2
| B2
2 = 0
0 1 2 0 1
1 | 2 | | 1 | 2
A2
| B2
1 = 0
1 | 2 | | 1 | 2 1 2 1 2 0 1
1 2 1 2 1 2 . 1 2 1 2 1 2 .
As que la matriz invertible
T T T P T = B2 = E3 E2 E1 M T =
es tal que
P T AP = D = A3 =
1 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 independencia de dos ciertas formas cuadrticas (ver teorema 4.5.3 de [ ]). 3.4.1.
Teorema
(Diagonalizacin simultnea)
mtricas de orden
n.
Si todos los valores propios de
positivos, entonces existe una matriz invertible
A y B matrices siA son estrictamente Q tal que QT AQ = In y
Sean
QT BQ = D
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.
Diagonalizacin de matrices
3.4. Diagonalizacin simultnea
A
son es-
Demostracin. Puesto que todos los valores propios de
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 la diagonal de de la ecuacin tiene:
M T P T BP M = M T CM = D ;
y
Q = PM
es tal que
QT AQ = In C,
QT BQ = D
es una
matriz diagonal. De otro lado, como lo hemos expresado, los elementos de
son los valores propios de
los cuales segn el teorema
3.3.1 son reales. Esto es, los elementos de la diagonal de
|C I| = 0.
En vista de que la matriz
D son la soluciones P es invertible se
|C I| = =
P T BP P T AP P T |B A| |P | = 0
sii
|B A| = 0,
lo cual termina la demostracin del teorema. 3.4.2.
Ejemplo.
Consideremos las matrices simtricas
1 A= 0 0
pios de
0 4 2
0 2 2
5 B= 4 4 5
y
4 8 4
4 4 . 4 5,
los cuales son
Efectuando los clculos correspondientes se encuentra que los valores pro-
son:
1 = 1, 2 = 3 + 1
3 = 3
estrictamente positivos y que la matriz invertible
P = 0 0
es tal que
0 1 2 0
0 1 2 1
P T AP = I3
5 C = P T BP = 2 2
83
2 2 2 4 . 4 2
3.4. Diagonalizacin simultnea
Por el ejemplo 3.3.12 se sabe que
Diagonalizacin de matrices
M =
es ortogonal y es tal que
1 3 2 3 2 3
2 5 1 5 0
3 5 4 3 5 2 3 5 0 6 0 0 0 . 6 2 3 5 3 3 5 5 3 5 0 6 0 0 0 . 6
Sean
3 M T CM = D = 0 0
En consecuencia, la matriz invertible
Q = PM =
es tal que
1 3 0 2 3
2 5 1
2 5 0
QT AQ = I3
3.4.3.
3 QT BQ = D = 0 0
Teorema (Diagonalizacin ortogonal simultnea).
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.
(=)
En virtud del teorema 3.3.10, existe una ma-
triz ortogonal
tal que:
1 Ik1 0 RT AR = D = . . . 0
0 2 Ik2
. . .
.. .
0 0
. . .
0
84
...
m Ikm
Diagonalizacin de matrices
donde los
3.4. Diagonalizacin simultnea
A y ki es la multiplicidad i , i = 1, 2, . . . , m. AB = BA,
entonces
son los diferentes valores propios de
geomtrica (algebraica) del valor propio Sea ahora
C = RT BR.
Puesto que por hiptesis
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 C21 C22 C2m 2 Ik2 0 = . . . . . . .. .. . . . . . . . . . . . . . . 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 2 Ik2 0 = . . . . . . .. .. . . . . . . . . . . . . . . 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 DC = CD
y
Ya que
i = j ,
si
i = j,
entonces se tiene que
Cij = 0,
si
i=j
y por tanto
C11 0 C= . . . 0
Como la matriz
0 C22
. . .
.. .
0 0
. . .
Cmm
es simtrica, por tanto existe una matriz ortogonal
C es simtrica, cada una de las matrices Cii , i = 1, 2 . . . , m, Qi tal que QT Cii Qi = i
85
Di
es una matriz diagonal. Sea a hora:
3.4. Diagonalizacin simultnea
Diagonalizacin de matrices
0 0 . . . . Qm
Q1 0 Q= . . . 0
La matriz
0 Q2
. . .
.. .
es una matriz diagonal. Tambin se tiene que
Q es ortogonal (vase ejercicio 3.5(14)) y es tal que QT CQ = D QT DQ = D; es decir, QT RT ARQ = D
y
QT RT BRQ = D . P T AP
y
Ya que las matrices matrices diagonales.
son ortogonales, entonces la matriz
es ortogonal (vea el ejercicio 3.5.2(13)) y es tal que
P = RQ P T BP son
(=) 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.
En este ejemplo seguiremos los pasos hechos en la de-
Ejemplo.
mostracin del teorema anterior en el sentido clculos numricos queda a cargo del lector. Las matrices simtricas:
(=). La veri cacin de los
1 1 A= 0 0
son tales que
1 1 0 0
0 0 1 0
0 0 0 1
1 0 B= 0 0
0 1 0 0
0 0 2 2
0 0 2 5
AB = BA.
de
de multiplicidad algebraica
k2 = 2
3 = 2
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 86
Diagonalizacin de matrices
es tal que:
3.4. Diagonalizacin simultnea
0 0 T R AR = D = 0 0
y
. . .
. . . . . .
0 1 0 0
0 0 1 0
. . .
. . . . . .
. . .
. . .
0 1 I 0 = 0 0 0 2
0 2 I 0
0 3 I
1 0 T R BR = C = 0 0
La matriz ortogonal
. . .
. . . . . .
0 2 2 0
0 2 5 0
. . .
. . . . . .
. . .
. . .
0 C11 0 = 0 0 0 1
0 C22 0
0 C33
Q= 1 0 0 0
. . .
. . . . . .
. . .
0 2/ 5 1/ 5 0
0 1/ 5 2/ 5 0
. . .
0 Q 1 0 = 0 0 0 1 0 Q2 0 0
. . . . . .
. . .
0 Q3
es tal que
1 0 QT CQ = 0 0
0 1 0 0
0 0 6 0
0 0 = QT RT BRQ = D 0 1
87
3.4. Diagonalizacin simultnea
y
Diagonalizacin de matrices
0 0 = QT RT ARQ = D . 0 2 0 0 2/ 5 1/ 5 0 0 1/ 5 2/ 5 1/ 2 1/ 2 0 0
1 0 QT DQ = 0 0
0 1 0 0
0 0 1 0
En consecuencia, la matriz ortogonal
1/ 2 1/ 2 P = RQ = 0 0
es tal que 3.4.5.
P T AP = D
P T BP = D
son matrices diagonales.
Sean A1 , A2 , . . . , Ak matrices simtricas de orden n. Una condicin necesaria y su ciente 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
Corolario.
Ai Aj = Aj Ai
para cada
j; i, j = 1, 2, . . . , k .
Demostracin. (Su ciencia:) La demostracin de esta parte del teo-
rema la haremos utilizando induccin sobre el nmero de matrices cuando
k. Para
k=2
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 0 2 Ik2 R T A1 R = D = . . .. . . . . . 0 0 , = 1, 2, . . . , m, son los diferentes
0 0
. . .
, A1
y
m Ikm
valores propios de
es la multiplicidad geomtrica (algebraica) del valor propio
Ahora, para cada Puesto que por
i, i = 2, 3, . . . , s + 1, tomemos la hiptesis A1 Ai = Ai A1 , entonces = = RT A1 RRT Ai R = DCi ,
88
matriz
C i = R T Ai R .
Ci D
RT Ai RRT A1 R = RT Ai A1 R = RT A1 Ai R
Diagonalizacin de matrices
para
3.4. Diagonalizacin simultnea
i = 2, 3, . . . , s + 1. De sto se sigue que: Ci1 0 0 0 Ci2 0 Ci = . , i = 2, 3, . . . , s + 1 . . . .. . . . . . . . 0 0 Cim Ai Aj = Aj Ai
para todo
De otra parte, como
i y todo j; i, j = 2, 3, . . . , s+
1,
entonces:
Ci Cj
= =
RT Ai RRT Aj R = RT Ai Aj R RT Aj Ai R = RT Aj RRT Ai R = Cj Ci . , = 1, 2, . . . , m. Ci Cj = Cj Ci .
De esto se sigue que para cada
De otra parte, como la matriz es simtrica para cada anterior y por la ortogonal
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 QT Ci Qi = D i
tal que
es una matriz diagonal. Sea ahora:
Q1 0 Q= . . . 0
La matriz Tambin
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:
y
QT RT Ai RQ = Di , i = 2, 3 . . . , s + 1,
Puesto que
QT RT A1 RQ = D . P
es tal que
son matrices ortogonales, entonces la matriz
es ortogonal. En consecuencia, la matriz ortogonal es una matriz diagonal para
P = RQ P T Ai P
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
i y todo j; i, j = 1, 2, . . . , k.
89
3.5. Ejercicios
3.4.6.
Diagonalizacin de matrices
Las matrices simtricas
Ejemplo.
A1 =
2 1
1 2
A2 =
3 4
4 3
A3 =
5 6
6 5
son tales que
Ai Aj = Aj Ai , i = 1, 2.
La matriz ortogonal
1 1 R= 2 1
es tal que
1 1 1 0 1 0 1
R T A1 R R T A2 R R T A3 R
es decir, la matriz ortogonal matrices
= = = R
D1 = D2 = D3 =
0 3 0 7 11 ,
diagonaliza de manera simultnea a las
A1 , A 2
A3 .
3.5. Ejercicios
3.5.1 Responda verdadero o falso, justi cando su respuesta:
1. El Polinomio 2.
3. 4. 5.
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 in nitas matrices invertibles P tales que P AP = D es una
matriz diagonal. 90
Diagonalizacin de matrices
6. Sea y
3.5. Ejercicios
n. Si C es una matriz n invertible, entonces las matrices A, C 1 AC
una matriz cuadrada de orden
cuadrada de orden 7. Si 8. 9.
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 ortogoP Si P
es una matriz ortogonal, entonces
nal. 10. Si 11. 12.
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 . P = A 1 1 1 1
es ortogonal.
13. La matriz
14. Si la matriz
satisface la igualdad:
posibles valores propios de 3.5.2 Demuestre que: 1. Si 2. 3. 4. 5.
son
A2 = 3A 2I, 1 = 1, 2 = 2.
entonces los
6. 7.
8.
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 = 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
n
91
3.5. Ejercicios
de la forma
Diagonalizacin de matrices
M=
son 9. Si
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
la forma:
pA () = a0 + a1 + a2 2 + + (1)n n .
(sugerencia: usar induccin sobre 10. Si
11.
12.
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 ) Veri que que P = P. 2 1 b ) Calcule P M P y concluya que det M = det(A + B) det(A B).
c ) Use (b) para mostrar que
pM () = det(M I) = det((A + B) I) det((A B) I) .
13. Si 14. Si
son matrices ortogonales, entonces
PQ
es una matriz
ortogonal.
Q1 , Q2 , . . . , Qm son matrices ortogonales, Q1 0 0 0 Q2 0 Q= . . . . .. . . . . . . . 0 0 Qm
entonces la matriz
es tambin ortogonal . 15. Sea
x un -vector propio de A y sea y un -vector propio de AT , donde = , entonces x, y son vectores ortogonales (sugerencia: A es una matriz idempotente; esto es, tal que A2 = A, entonces los posibles valores propios de A son 1 = 0, 2 = 1.
92
vea la demostracin del teorema 3.3.2). 16. Si
Diagonalizacin de matrices
17. Si
3.5. Ejercicios
nn
entonces:
es una matriz simtrica idempotente
pA () = Tr A =
i=1 i=1
(aij )2 .
(Sugerencia: Utilice el teorema 3.3.13 y el corolario 2.3.5) 18. Sea 19. Si
a Mn1 un
vector no nulo. Entonces
una matriz simtrica de rango 1 y es tal
A = (aT a)1 aaT 2 que A = A.
es
es una matriz simtrica tal que todos los valores propios tal que propios
20.
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 invertible,
son positivos, entonces existe una matriz triangular superior e
T,
tal que
sobre el orden 21. Si
de
A = T T A. la matriz A).
y
(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. (Sugerenes una matriz simtrica de orden pios positivos
(p < n)
cia: utilice el teorema 3.3.13(1)). 22. Si
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
positivos, entonces:
(ABA) = (A) = Tr A
(sugerencia: Utilice (19) y (17)). 23. Sea
una matriz cuadrada
nn
tal que
|aii | >
j=i,j=1
para todo
|aij | ,
entonces
A es invertible. (Sugerencia: T x1 x2 xn suponga que existe un vector x = = 0 tal que Ax = 0 y que |xi | = mx {|x1 | , |x2 | , . . . |xn |}. Despeje aii xi a en la i-sima ecuacin del sistema Ax = 0, tome valor absoluto
y llegue a una contradiccin). 24. Si
i = 1, 2, . . . n,
A = [aij ]nn
es una matriz simtrica tal que
|aii | >
j=i,j=1
93
|aij |
3.5. Ejercicios
para todo
Diagonalizacin de matrices
i = 1, 2, . . . n,
entonces todos los valores propios de
son positivos. (Sugerencia: suponga
es un valor propio de
A
25. Si
y utilice (23) para llegar a una contradiccin).
son dos matrices simtricas invertibles de igual or-
26.
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
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, una matriz invertible
tal que
P 1 M P
sea una matriz diagonal
(i) M =
1 2 1 0
2 1 1 1 3 5 6 1 3 1 4 3 0 0 3 3 4 1 1 1 0 0 1 2 0 0 2 2
(ii) M =
1 2 0 2
0 2 2 0 1 5 6 1 1 2 1 1 2 0 1 4 0 0 1 4
(iii) M =
(iv) M =
1 (v) M = 3 6 3 (vii) M = 1 3 2 5 (ix) M = 0 0
2. Sea
3 (vi) M = 7 6 2 (viii) M = 0 0 0 2 (x) M = 0 0
2 0 1 0 0 1 0 2
T : P2 P2
2
la transformacin lineal de nida 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
Diagonalizacin de matrices
b ) D, si existe, una base ordenada
una matriz diagonal.
3.5. Ejercicios
C
de
P2
tal que
[T ]CC
sea
3. Para cada una de las siguientes matrices encuentre una matriz ortogonal caso
Tr M
P , tal que P T M P y (A).
sea una matriz diagonal. D en cada
(i) M =
1 2
2 5
1 (ii) M = 1 0
1 0 0
0 0 1
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
sea de la forma
I 0 0
0 I 0
0 0 . 0
1 (i) M = 1 0 1 (iii) M = 2 0 2 (v) M = 1 1
a ) Si
1 1 0 2 0 0
0 0 1 0 0 1
0 (ii) M = 1 1 1 (iv) M = 0 1
1 1 2 2 2 1 0 1 2 1 1 1 2 1 4 2 2 8 P,
tal que
1 1 1 1 1 (vi) M = 2 1 5 1
5. Considere las matrices del ejercicio anterior:
QT M Q = I , M = P T P.
encuentre una matriz invertible
95
3.5. Ejercicios
b ) Si
Diagonalizacin de matrices
QT M Q =
6.
7.
I 0 , encuentre una matriz no invertible 0 0 T P, tal que 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 ) Veri que 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 ) Veri que 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 .. Veri que 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 matrices 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 clasi caciones (segn el signo de los elementos del rango) en formas cuadrticas positivamente (negativamente) de nidas, formas cuadrticas positivamente (negativamente) semide nidas y formas cuadrticas inde nidas. 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 clasi car las formas cuadrticas segn el signo de los valores propios.
4.1. Clasi cacin 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 clasi can de acuerdo al signo que tomen sus respectivas imgenes en: positivas, no negativas, negativas, no positivas e inde nidas como veremos ms adelante. 4.1.1.
De nicin.
Una forma cuadrtica en
Rn
es una funcin
q : Rn
de la forma
n n
(4.1)
q [(x1 , x2 , . . . , xn )] =
i=1 j=1
aij xi xj , donde
97
aij R,
i, j = 1, 2, . . . , n.
4.1. Clasi cacin
Formas cuadrticas
En trminos matriciales, dicha forma cuadrtica se puede expresar mediante
(4.2)
q (x) = xT Ax,
siendo
x1 x2 x = . Rn . . . xn S, S =
1 2 (A
Ahora bien, puesto que para la matriz simtrica satisface
+ AT ),
se
xT Sx
= = =
1 1 xT (A + AT )x = (xT Ax + xT AT x) 2 2 1 T 1 T x Ax + (x Ax)T = (xT Ax + xT Ax) 2 2 xT Ax ,
en la de nicin anterior, (4.1) puede darse usando matrices simtricas as: (4.3)
q (x) = xT Sx .
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,
1 S = 2 (A + AT ),
para cada forma cuadrtica
q(x) = xT Ax.
Nota.
Con respecto a las formas cuadrticas podemos anotar que:
1. En la de nicin 4.1.1 slo aparecen trminos cuadrticos (de or-
den
2)
de la forma
aij xi xj .
De aqu el cali cativo 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.
R,
De las siguientes funciones de nidas sobre
R3 y con recor-
rido en
solamente la primera,
q1 ,
representa a una forma cuadrtica
q1 (x1 , x2 ) q2 (x1 , x2 ) q3 (x1 , x2 )
= =
3x1 x1 + 4x1 x2 + 2x2 x1 + 5x2 x2 ,
3x1 x1 + 4x2 x2 + 2x2 x1 + 5x2 x2 , 1 = 3x1 x1 + 4 x1 x2 + 2x2 x1 + 5x2 x2 .
98
Formas cuadrticas
4.1. Clasi cacin
Dicha forma cuadrtica la podemos representar matricialmente como
q1 (x1 , x2 ) = xT Ax =
x1
x2
3 2
4 5
x1 x2 x1 x2 Rn .
o en trminos de matrices simtricas
q1 (x1 , x2 ) = xT Sx =
4.1.3.
x1
x2
3 3
3 5
De nicin.
ImaS = =
Sea
xT Sx
T
una forma cuadrtica en
n
El conjunto
x Sx : x R
r R : r = xT Sx
para algn
x Rn xT Sx. ImaS
se denomina recorrido o conjunto imagen de la forma cuadrtica
Una forma cuadrtica
xT Sx
se puede clasi car segn su recorrido
de acuerdo con la de nicin siguiente. 4.1.4.
De nicin.
2. 3. 4. 5.
Se dice que una forma cuadrtica
xT Sx
es:
1. Positivamente de nida, si
xT Sx > 0 para todo x = 0. T Negativamente de nida, si x Sx < 0 para todo x = 0. T Positivamente semide nida, si x Sx 0 para todo x = 0, y T existe un x = 0 tal que x Sx = 0. T Negativamente semide nida, si x Sx 0 para todo x = 0, y T existe un x = 0 tal que x Sx = 0. T Inde nida, si existen vectores no nulos x1 y x2 tales que x1 Sx1 > T 0 y x2 Sx2 < 0, respectivamente.
da.
6. No negativa, si es positivamente de nida o positivamente semide ni7. No positiva, si es negativamente de nida o negativamente semide ni-
da.
4.1.5.
Observacin. De nicin.
La forma cuadrtica
mente de nida (semide nida) sii la forma es positivamente de nida (semide nida). 4.1.6.
q1 (x) = xT Sx es negativaT cuadrtica q2 (x) = x (S)x S
es positivamente
Se dice que una matriz simtrica
(negativamente) de nida (semide nida), inde nida o no negativa, si la T forma cuadrtica q(x) = x Sx lo es.
99
4.1. Clasi cacin
4.1.7.
Formas cuadrticas
Consideremos las siguientes tres formas cuadrticas en
R3
Ejemplo.
q1 (x1 , x2 , x3 ) q2 (x1 , x2 , x3 ) q3 (x1 , x2 , x3 )
Para la forma cuadrtica
= = =
x2 + 2x2 + 3x2 1 2 3 x2 + 2x1 x2 + x2 + x2 1 2 3 x2 2x2 + 3x2 1 2 3
se tiene:
q1 : R3 R
q1 (x1 , x2 , x3 )
= x2 + 2x2 + 3x2 1 2 3 = x1 x2 x3 1 0 0 0 2 0 0 x1 0 x2 3 x3 q1
es positivamente
= xT S1 x.
Puesto que de nida. Para la forma cuadrtica
xT S1 x > 0
para todo
x = 0,
entonces
q2 : R3 R
se tiene:
q2 (x1 , x2 , x3 )
= = =
x2 + 2x1 x2 + x2 + x2 1 2 3 1 x1 x2 x3 1 0 xt S2 x.
= (x1 + x2 )2 + x2 3 x1 1 0 1 0 x2 x3 0 1
T
Puesto que se tiene
xT S2 x 0 para todo x = 0, y dado que para x = [1 1 0] T que x S2 x = 0, entonces q2 es positivamente semide nida. q3 : R3 R
se tiene:
Para la forma cuadrtica
q3 (x1 , x2 , x3 )
= = =
x2 2x2 + 3x2 1 2 3 x1 xt S3 x.
T
x2
x3
1 0 0
0 2 0
0 x1 0 x2 3 x3
Dado que
4>0
x1 = T y x2 S3 x2
[1 0 1] y x2 = [0 2 1] son vectores tales que xT S3 x1 = 1 = 5 < 0, entonces q3 es una forma cuadrtica inde nida.
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 clasi cacin 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. 4.2.1.
De nicin
(Cambio de variable)
Sea
q : Rn R
una forma
cuadrtica una de nida por
(4.1)
q(x) = xT Sx. P
una matriz invertible
x Rn
y sea
variable para la forma cuadrtica 1
n n. Entenderemos como un cambio de q, a la transformacin x = P y o y = P
es una matriz invertible, enn
x.
Observacin.
se tiene:
(4.2)
En la de nicin anterior,
tonces la transformacin determina un nico
yx=P y x Rn y viceversa.
es biunvoca. Esto es, un
yR
Hecho un tal cambio de variables,
xT Sx = yT P T SP y = yT By
donde
B = P T SP .
invertible) como la
Podemos interpretar el cambio de variable transformacin lineal biyectiva:
x = P y (P
P : Rn y
as que
Rn x = Py .
(q P ) : Rn R
de ne 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 (4.2).
4.2.2.
por medio de las igualdades
Ejemplo.
Sea
q : R3 R
la forma cuadrtica de nida por
q [(x1 , x2 , x3 )] = x2 + 4x1 x2 6x1 x3 + 5x2 8x2 x3 + 8x2 . 1 2 3
101
4.2. Cambios de variable y diagonalizacin
Para esta forma cuadrtica podemos escribir
Formas cuadrticas
q [(x1 , x2 , x3 )] = xT Sx = x1 x2 x3
1 2 3
2 3 x1 5 4 x2 . 4 8 x3 x1 x2 x3
Ahora, si hacemos el cambio de variables:
y1 y = y2 = P 1 x y3
=
encontramos que:
1 2 3 0 1 2 0 0 1 x1 + 2x2 3x3 x2 + 2x3 x3
donde
xT Sx
yT P T SP y = yT By 1 0 2 1 7 2 1 0 0 0 1 0 0 0 5 0 1 0 2 1 3 .
B = P T SP
2 3 1 5 4 0 4 8 0
2 7 1 2 0 1
=
Por lo tanto,
xt Sx = yt By = =
es decir,
y1
y2
y3
1 0 0
y1 0 0 1 0 y2 0 5 y3
2 2 2 y1 + y2 5y3 ,
xT Sx
donde
= x2 + x1 x2 6x1 x3 + 5x2 8x2 x3 + 8x2 1 2 3
2 2 2 = y1 + y2 5y3
y1 = x1 + 2x2 3x3 ,
T
y2 = x2 + 2x3 ,
T
y3 = x3 .
Claramente es ms fcil estudiar la expresin
2 2 2 y By = y1 +y2 5y3 , 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
toma valores tanto positivos como negativos, tomando respectivamente 102
Formas cuadrticas
y1 = 0, y2 = 0, y3 = 0, T la expresin x Sx.
4.2.3. y
4.2. Cambios de variable y diagonalizacin
y1 = 0, y2 = 0, y3 = 0.
Lo que no es claro para
variables
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.
De nicin.
y = P 1 x
4.2.4.
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.
Observacin.
El problema de encontrar un cambio de variables
La demostracin del siguiente resultado, es una consecuencia del teorema 3.3.10.
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.
Teorema.
Para toda forma cuadrtica
xT Sx
yT QT SQy = yT Dy 1 0 . . . 0 0 2
. . .
y1
y2
.. .
yn
0 y1 0 y2 . . . . . . n yn
=
donde los
4.2.6.
2 2 2 1 y1 + 2 y2 + . . . + n yn ,
i , i = 1, 2, . . . , n
Sea
son los valores propios de la matriz
S.
Ejemplo.
q : R3 R
la forma cuadrtica de nida por:
q [(x1 , x2 , x3 )] = X t SX = x1 x2 x3
1 1 1
1 1 1
1 x1 1 x2 1 x3
= x2 + 2x1 x2 + 2x1 x3 + x2 + 2x2 x3 + x2 . 1 2 3
Segn el teorema 3.3.10, existe una matriz ortogonal es una matriz diagonal con los valores propios de de
Q tal que QT SQ = D
S en la diagonal. Despus
de efectuar los clculos pertinentes, se encuentra, que los valores propios
son
0 (con multiplicidad 2) y 3 (con multiplicidad 1), y que la matriz
103
4.2. Cambios de variable y diagonalizacin
ortogonal:
Formas cuadrticas
1/3 1/3 1/ 3 0 0 . 3 Q1 x diagonaliza
1/2 Q = 1/ 2 0
1/5 1/5 2/ 5 0 0 0 =
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 = yT Dy
la forma
= y1 y2 y3
0 0 0
0 0 0
y1 0 2 0 y2 = 3y3 . 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.
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.
Teorema.
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 I 0 0 0 I 0 y1 0 y2 0 . . . 0 yn
y1
y2
yn
=
4.2.8.
2 2 2 2 2 2 y1 + y2 + . . . + y y+1 y+2 . . . y+ .
Sea
Ejemplo.
q (x)
q : R3 R x Sx
T
la forma cuadrtica de nida por:
= =
x1 x2 x3
1 1 1
1 0 2
1 x1 2 x2 0 x3
x2 + 2x1 x2 + 2x1 x3 + 4x2 x3 . 1
104
Formas cuadrticas
Los valores propios de
4.2. Cambios de variable y diagonalizacin
1 = 3, 2 = 2 y 3 = 0. P tal que: 1 0 0 P T SP = D = 0 1 0 . 0 0 0 S
son Por el teorema
3.3.13(1) , existe una matriz invertible
Efectuando los clculos del caso se encuentra que la matriz invertible
1 P = 0 0
naliza la forma cuadrtica
1 2 1 1 0 1 y = P 1 x
diago-
sirve par tal efecto. Por lo tanto, el cambio de variables
x Sx,
obtenindose:
xT Sx
= yT P T SP y = yT Dy = y1 y2 y3 1 0 0 0 1 0 y1 0 2 2 0 y2 = y1 y2 . y3 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).
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.
Teorema.
Sean
q1 (x) = xT S1 x
2 2 2 xT S1 x = yT QT S1 Qy = yT Iy = y1 + y2 + . . . + yn
xT S2 x
= yT QT S2 Qy = yT Dy = y1 y2 yn 1 0 . . . 0 0 2
. . .
.. .
0 y1 0 y2 . . . . . . n yn
2 2 2 = 1 y1 + 2 y2 + . . . + n yn ,
105
4.2. Cambios de variable y diagonalizacin
donde los
Formas cuadrticas
|S2 S1 | =
0,
i , i = 1, 2, . . . , n son las soluciones de la ecuacin las cuales son reales.
Ilustremos dicho resultado con el siguiente ejemplo. 4.2.10.
Ejemplo.
Sean
q 1 : R3 R
q2 : R3 R 1 0 0 5 4 4 0 4 2 4 8 4
las formas cuadrtica
de nidas por:
q1 (x)
= xT S1 x =
x1
x2
x3
0 x1 2 x2 2 x3 x1 4 4 x2 4 x3
= x2 + 4x2 + 4x2 x3 + 2x2 , 1 2 3 q2 (x) = xT S2 x = = 2 = 3 + 5 x1 x2 x3
5x2 + 8x1 x2 + 8x1 x3 + 8x2 8x2 x3 4x2 . 1 2 3 3 = 3 S1
son:
Por el ejemplo 3.4.2 sabemos que los valores propios de y
1 = 1,
5,
los cuales son estrictamente positivos y que
la matriz invertible
Q=
es tal que
1 3 0 2 3
2 5 1 2 5 0
3 5 3 3 5 5 3 5
QT S1 Q = I3
3 QT S2 Q = D = 0 0
t
0 6 0
0 0 . 6
simultnea-
Por lo tanto, el cambio de variables mente las formas cuadrticas
y = Q1 x diagonaliza x S1 x y xt S2 x obtenindose:
2 2 2 xT S1 x = yT QT S1 Qy = yT I3 y = y1 + y2 + y3
106
Formas cuadrticas
y
4.2. Cambios de variable y diagonalizacin
xT S2 x
= yT QT S2 Qy = yT Dy = y1 y2 y3 3 0 0 0 6 0 0 y1 0 y2 6 y3
2 2 2 = 3y1 + 6y2 + 6y3 .
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 su cientes bajo las cuales podemos hablar de diagonalizacin ortogonal simultnea de dos o ms formas cuadrticas. En forma ms precisa tenemos: 4.2.11.
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 1 0 . . . 0 0 2
. . .
Teorema
(Diagonalizacin ortogonal simultnea)
Considere en
.. .
0 y1 0 y2 . . . . . . n yn
2 2 2 = 1 y1 + 2 y2 + . . . + n yn ,
xT S2 x
yT P T S2 P y = yT D2 y 1 0 . . . 0 0 2
. . .
y1
y2
.. .
yn
0 y1 0 y2 . . . . . . n yn
2 2 2 1 y1 + 2 y2 + . . . + n yn ,
107
4.2. Cambios de variable y diagonalizacin
donde los
Formas cuadrticas
S1
y los
i , i = 1, 2, . . . , n
Sean
son los valores propios de
i , i =
1, 2, . . . , n
4.2.12.
son los valores propios de
S2 .
formas cuadrticas
en
Una condicin necesaria y su ciente 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.
R .
Corolario.
xT S1 x, xT S2 x, . . . , xT Sk x
Ejemplo.
Sean
q 1 : R4 R
q2 : R4 R
las formas cuadrtica
de nidas por:
q1 (x)
= xT S1 x = x1 x2 x3 x4 1 1 0 0 1 1 0 0 0 0 1 0 x1 0 0 x2 0 x3 1 x4
= q2 (x) = =
x2 2x1 x2 + x2 + x2 + x2 , 1 2 3 4 xT S2 x x1 x2 x3 x4 1 0 0 0 0 1 0 0 x1 0 0 0 0 x2 2 2 x3 2 5 x4
x2 + x2 + 2x2 4x3 x4 + 5x2 . 1 2 3 4 S1 S2 = S2 S1 0 0 2/ 5 1/ 5 0 0 1/ 5 2/ 5
y que la matriz ortogonal
Del ejemplo 3.4.4 sabemos que,
1/ 2 1/ 2 P = 0 0
es tal que
1/ 2 1/ 2 0 0
0 0 P t S1 P = D1 = 0 0
0 1 0 0
0 0 1 0
0 0 , 0 2
1 0 P t S2 P = D2 = 0 0
0 1 0 0
0 0 6 0
0 0 0 1
108
Formas cuadrticas
4.2. Cambios de variable y diagonalizacin
xT S1 x y = P 1 x diagonaliza T y x S2 x obtenindose:
simultnea-
Por lo tanto, el cambio de variables mente las formas cuadrticas
xT S1 x
= =
yT P T S1 P y = yT D1 y
2 2 2 y2 + y3 + y4 ,
xT S2 x
yT P T S2 P y = yT D2 y R2 :
2 2 2 2 = y1 + y2 + 6y3 + y4 .
4.2.14.
Ejemplo.
= = =
Consideremos las formas cuadrticas en
q1 (x) q2 (x) q3 (x)
xT S1 x = xT S2 x = xT S3 x =
x1 x1 x1
x2 x2 x2
2 1 3 4 5 6
1 2 4 3 6 5
x1 x2 x1 x2 x1 x2
= 2x2 + 2x1 x2 + 2x2 1 2 = 3x2 + 8x1 x2 + 3x2 1 2 = 5x2 + 12x1 x2 + 5x2 . 1 2
y que la matriz
Del ejemplo 3.4.6 sabemos, que ortogonal
Si Sj = Sj Si , i = 1, 2, 3 1 1 1 1
P = 1/ 2
es tal que
P T S1 P = D1 =
1 0
0 3
P T S2 P = D2 = 1 0 0 11
1 0
0 7
P T S3 P = D3 =
Por lo tanto, el cambio de variables mente las formas cuadrticas
y = P 1 x diagonaliza simultneax S1 x, xT S2 x y xT S3 x, obtenindose:
T
xT S1 x xT S2 x xT S3 x
= yT P T S1 P y = yT P T S2 P y = yT P T S3 P y
= = =
y1 y1 y1
y2 y2 y2
109
1 0 1 0 1 0
0 3 0 7 0 11
y1 y2 y1 y2 y1 y2
2 2 = y1 + 3y2 2 2 = y1 + 7y2 2 2 = y1 + 11y2
4.3. Formas positivas de nidas
Formas cuadrticas
4.3. Formas cuadrticas positivas, negativas e inde nidas.
En esta seccin utilizaremos la discusin previa sobre cambios de variables con el objeto de introducir algunos criterios de clasi cacin de formas cuadrticas. Tales criterios estarn dados en trminos de los signos de valores propios de la matriz de la forma cuadrtica. Como se recordar de la seccin anterior, toda matriz invertible
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
es, para dicho cambio de variable se tiene
q(x) = xT Sx = yT By = q (y),
De esto se sigue entonces, que decir,
con y
x = P y,
invertible.
q()
q ()
tienen la misma imagen, es
xT Sx : x Rn = yT By : y Rn .
El siguiente resultado relaciona las clasi caciones de dichas formas cuadrticas. La veri cacin de ste se deja a cargo del lector. 4.3.1.
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. EnSea tonces se tiene:
1. 2. 3.
Teorema.
q(x) = xt Sx es positivamente (negativamente) de nida sii q (y) = yt By es positivamente (negativamente) de nida. q(x) = xT Sx es positivamente (negativamente) semide nida sii q (y) = yT By es positivamente (negativamente) semide nida. q(x) = xT Sx es inde nida sii q (y) = yT By es inde nida.
El siguiente teorema relaciona el signo de las formas cuadrticas con el signo de los valores propios de la matriz simtrica que de ne dicha forma cuadrtica. 4.3.2.
Teorema.
1.
Sea
xT Sx
una forma cuadrtica en
Rn , S = 0.
xT Sx S son
es positivamente de nida sii todos los valores propios de estrictamente positivos.
110
Formas cuadrticas
2.
4.3. Formas positivas de nidas
S
tiene
xT Sx
es positivamente semide nida sii
p (0 < p < n)
valores propios estrictamente positivos y el resto de valores pro3.
pios de S son nulos. xT Sx es inde nida 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 un cambio de variables
y = Q1 x = Qt x,
(4.1) donde los
tal que
2 2 2 xT Sx = yT QT SQy = yT Dy = 1 y1 + 2 y2 + . . . + n yn ,
i , i = 1, 2, . . . , n
T
son los valores propios de la matriz
S,
D = Q SQ = diag
1 ,
2 ,
...,
n
T
Supongamos ahora, que la forma cuadrtica
mente de nida. Entonces por el teorema 4.3.1(1),
q(x) = x Sx es positivaq (y) = yT Dy es tam T bin positivamente de nida, sto es, q (y) = y Dy > 0 para todo y = 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.
De otro lado, si todos los valores propios de tivos, entonces existe un cambio de variables tal que
S son estrictamente posiy = P 1 x (teorema 4.2.7),
2 2 2 xT Sx = yT P T SP y = yT y = y1 + y2 + . . . + yn . T T Puesto que y y > 0 para todo y = 0, entonces x Sx > 0, para todo T x = 0. Esto es, la forma cuadrtica x Sx, es positivamente de nida, lo
que demuestra el inciso (1) de nuestro teorema. Supongamos ahora, que la forma cuadrtica ca
q(x) = xT Sx
es positiva-
mente semide nida. Por el inciso (2) del teorema 4.3.1, la forma cuadrti-
q (y) = yT Dy es tambin positivamente semide nida. Esto es, se tiene T que q (y) = y Dy 0 para todo y Mn1 y existe un y = 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.
Finalmente, supongamos que la matriz tiene
de la forma cuadrtica,
valores propios estrictamente positivos, con 111
0 < < n,
xT Sx, (n )
4.3. Formas positivas de nidas
y = P 1 x
Formas cuadrticas
valores propios nulos. Por el teorema 4.2.7 existe un cambio de variables tal que
2 2 2 xT Sx = yT P T SP y = yT Dy = y1 + y2 + . . . + y .
por hiptesis, ver, que para
yT Dy 0 y Mn1
para todo dado por
y Mn1 . 0
No es difcil sin embargo
. 01 . . 1 0 = = . , 1 . . . 1 . . n1 1 n1
sto quiere decir, que
se tiene
q (y) = yT Dy es positivaT mente semide nida y por consiguiente, q(x) = x Sx tambin lo es, lo que
demuestra el inciso (2) de nuestro teorema.
yT Dy = 0.
El resultado correspondiente a formas inde nidas se plantea como un ejercicio para el lector. 4.3.3.
xT Sx,
Ejemplo.
Ilustremos el teorema 4.3.2 con formas cuadrticas
q(x) =
de nidas en
R3 . q(x) = xT Sx de nida 5x2 + 4x2 + 2 3x2 x3 + 6x2 3 1 2 5 0 0 0 4 3
por:
1. La forma cuadrtica
q(x)
x1
x2
x3
x1 0 3 x2 x3 6
= xT Sx
es positivamente de nida, pues los valores propios de la matriz
son:
1 = 5, 2 = 3
3 = 7,
los cuales son estrictamente
positivos.
112
Formas cuadrticas
2. La forma cuadrtica
4.3. Formas positivas de nidas
q(x) = xT Sx
de nida por:
q(x)
x2 + 2x1 x2 4x1 x3 + 2x2 4x2 x3 + 4x2 1 2 3 1 1 2 1 2 2 2 x1 2 x2 4 x3
= =
triz
x1
x2
x3
xT S x 1 =
7+ 23 , 2
es positivamente semide nida, pues los valores propios de la ma-
son:
2 =
7 23 y 2
3 = 0.
3. La forma cuadrtica
q(x) = xT Sx 2x2 2
de nida por:
q(x)
x2 1
4x1 x2 +
4x2 x3 + 3x2 3 2 2 2 x1 0 2 x2 x3 3 S
son:
x1
x2
x3
1 2 0
= xT Sx
es inde nida, pues los valores propios de y 4.3.4.
1 = 1, 2 = 2
3 = 5.
Sea
Teorema.
1. 2.
xT Sx
una forma cuadrtica en
Rn .
xT Sx es positivamente de nida sii existe una matriz invertible Q tal que S = Qt Q. xT Sx es positivamente semide nida sii existe una matriz no inT vertible Q tal que S = Q Q.
Demostracin. Demostraremos slo el inciso (1), el otro se veri ca
anlogamente y se deja como ejercicio. Supongamos que la forma cuadrtica tonces todos los valores propios de
xt Sx
es positivamente de nida, en-
son estrictamente positivos (teorema
4.3.2(1)), adems, existe una matriz invertible rema 3.3.13(1)). De sto se sigue, que
P tal que P T SP = I (teoS = (P T )1 P 1 = QT Q, donde
Q = P 1 .
Supongamos ahora que existe una matriz invertible 113
tal que
S = QT Q.
4.3. Formas positivas de nidas
Formas cuadrticas
Puesto que Q es invertible, entonces Qx = 0 para todo vector no nulo x. De sto se sigue, que xT Sx = xT QT Qx = (Qx)T (Qx) > 0, para todo x = 0. sto es, la forma cuadrtica xT Sx es positivamente de nida. 4.3.5.
Ejemplo.
1. La forma cuadrtica
q : R3 R
de nida por:
q(x)
= = =
4x2 1
x2 2
x1 xT Sx
4x2 x3 + 5x2 3 4 0 x2 x3 0 1 0 2
x1 0 2 x2 x3 5
es positivamente de nida, 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 1 0
0 2 , 1
es tal
4 que S = 0 0
0 0 1 2 = QT Q. 2 5
2. La forma cuadrtica
q : R3 R
de nida por:
q(x)
= x2 + 2x1 x2 + 2x1 x3 + x2 + 2x2 x3 + x2 1 2 3 1 1 1 x1 x1 x2 x3 1 1 1 x2 = 1 1 1 x3 = xT Sx 1 = 0, 2 = 0
y
es positivamente semide nida, pues los valores propios de la matriz
son
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
1 S= 1 1
1 1 1
1 1 = QT Q. 1
114
Formas cuadrticas
4.3. Formas positivas de nidas
El siguiente teorema nos da un criterio para clasi car matrices simtricas como positivamente de nidas o negativamente te de nidas, en trminos de los determinantes de la propia matriz y de algunas de sus submatrices. Aqu hacemos la salvedad, de que en el caso de matrices de tamao decir escalares), escribiremos con el valor absoluto. 4.3.6.
11(es det() en lugar de || , para evitar la confusin S de s1n s2n . . . . snn
orden
Teorema.
Considere una matriz simtrica
n.
s11 s21 S= . . . sn1
s12 s22
. . .
.. .
sn2
De na ahora la secuencia de matrices
Sn = S, Sn1
s11 s21 = . . . sn1 s11 s21 s12 s22
s12 s22
. . .
.. .
sn2
y
s1(n1) s2(n1) , ... . . . sn(n1)
S2 =
Entonces:
S1 = [s11 ] .
1. La forma cuadrtica 2.
q(x) = xT Sx es positivamente de nida y slo si det(S1 ) > 0, |S2 | > 0, |S3 | > 0, . . .|Sn | > 0. T La forma cuadrtica q(x) = x Sx es negativamente de nida n y slo si det(S1 ) < 0, |S2 | > 0, |S3 | < 0, . . .(1) |Sn | > 0.
si 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 de nida sobre
xT Sj xj j
R ,
para
la forma cuadrtica en efecto, para todo
xj1 = =
2 j n, es positivamente de nida, entonces Rj1 xT Sj1 xj1 es positivamente de nida. En j1 = 0 se tiene que: xT j1 0 Sj1 st s sjj xj1 0
xT Sj xj j
xT Sj1 xj1 > 0. j1
115
4.3. Formas positivas de nidas
En segundo lugar, si la forma cuadrtica
Formas cuadrticas
xT Sj xj , j
de nida sobre
Rj ( 2
j n), es positivamente de nida, entonces existe una matriz invertible 2 Qj tal que Sj = QT Qj , de donde |Sj | = Qt |Qj | = |Qj | > 0 (teorema j j
4.3.4(1)) Estas dos observaciones nos permiten concluir que si la forma cuadrtica
xt Sx es positivamente 0, . . .|Sn | > 0.
de nida entonces
det(S1 ) > 0, |S2 | > 0, |S3 | >
(Condicin su ciente) Haremos una demostracin de esta implicacin usando induccin sobre Cuando sto,
n.
n = 1, S1 = [s11 ]. Ahora, por hiptesis det(S1 ) = s11 > 0. Por xt S1 x = s11 x2 > 0 para todo x = 0; esto es, la forma cuadrtica xt S1 x es positivamente de nida.
Supongamos ahora que la implicacin es vlida para cuando veri quemos que la implicacin es vlida para
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 de nida. Existe ent tonces una matriz invertible Qk tal que Sk = Qk Qk (teorema 4.3.4(1)).
Ahora, por el teorema 2.2.3(2) se tiene que:
|Sk+1 | =
Sk st
s s(k+1)(k+1)
1 = |Sk | det s(k+1)(k+1) st Sk s
= |Sk | det(k ).
Aqu hemos introducido la sustitucin simpli car un poco la escritura, que
1 k = s(k+1)(k+1) st Sk s para adems se tiene que det( k ) > 0, puesto
|Sk+1 | > 0
|Sk | > 0. .
Sea ahora
Qk+1 =
Qk 0
116
(Qt )1 s k k
Formas cuadrticas
La matriz
4.3. Formas positivas de nidas
Qk+1
es invertible y es tal que:
Sk+1
= =
Sk sT
s s(k+1)(k+1) QT k 0 k Qk 0 (QT )1 s k k
sT (Qk )1
=
de nida sobre 4.3.7.
QT Qk+1 . k+1 xT Sk+1 xk+1 , k+1
es positivamente de nida.
Por lo tanto, en virtud del teorema 4.3.4(1), la forma cuadrtica
k+1
Ejemplo.
1. La forma cuadrtica
xT Sx, donde : 4 2 2 S= 2 5 1 2 1 4
es positivamente de nida, pues:
det(S1 ) = det(4) = 4 > 0, |S2 | = 4 2 2 2 5 1 2 1 4
4 2
2 5
= 16 > 0
|S3 | =
2. La forma cuadrtica
= 20 > 0.
xt Sx, donde : 3 2 0 2 S = 2 4 0 2 5
es negativamente de nida, pues:
det(S1 ) = det(3) = 3 < 0, |S2 | = 3 2 0 2 0 4 2 2 5
117
3 2
2 4
=8>0
|S3 | =
= 28 < 0.
4.4. Ejercicios
4.3.8. ciones
Formas cuadrticas
S = [aij ]nn
una matriz simtrica y sean
Nota.
Sea
S1 , S2 , . . . , Sn
las matrices que aparecen en el enunciado del teorema anterior. Las condicuadrtica
det(S1 ) 0, |S2 | 0, |S3 | 0, . . .|Sn | 0 no implican que la forma xt Sx sea positivamente semide nida. Por ejemplo, la matriz 1 1 2 S= 1 1 2 2 2 1 1 1 1 1
es tal que
det(S1 ) = det(1) = 1, |S2 | =
y
=0
|S3 | =
Sin embargo, la forma cuadrtica el vector
1 1 2
1 1 2
2 2 1
= 0.
xT Sx no es positivamente de nida, pues T es tal que x Sx = 3 < 0.
4.4. Ejercicios
4.4.1 Responda verdadero o falso justi cando su respuesta. 1. Sea 2. 3.
M una matriz cuadrada de orden n. Si xT M x = 0 para todo x Rn entonces M = 0. Si la matriz S es inde nida, entonces la matriz S es inde nida. 2 Si S es una matriz simtrica tal que S = S, entonces S es no
negativa.
4. Si 5. Si
S S1
es una matriz simtrica tal que y
S 3 = S,
entonces
es no
negativa.
S2
son matrices positivamente de nidas (semide nidas)
entonces la matriz
S=
S1 0
0 S2
es positivamente de nidas (semide nidas). 6. Si
S1
S2
son matrices positivamente de nidas de igual orden,
entonces la matriz
S = S1 + S2
118
es positivamente de nida.
Formas cuadrticas
7. Si 8.
4.4. Ejercicios
S2 son matrices inde nidas de igual orden, entonces la S = S1 + S2 es inde nida. Si S1 y S2 son matrices positivamente de nidas de igual orden tales que S1 S2 = S2 S1 , entonces la matriz S = S1 S2 es positiy matriz vamente de nida.
S1
9. Sea
S=
a b
b c
. Si
a > 0 y c > 0, entonces S b c
es positivamente
semide nida. 10. La matriz
S =
a b
es negativamente de nida sii
a<0
ac b2 > 0.
4.4.2 Demuestre que:
1. Para cada forma cuadrtica simtrica
q : Rn R xT = A,
existe una nica matriz
de orden
tal que: con
q [(x1 , x2 , . . . , xn )] = xT Sx, S2 = AAT
la matriz la matriz 5. Si la
x1
x2
xn
.
y
2. Para cualquier matriz cuadrada son no negativas. 3. Para cualquier matriz cuadrada
las matrices
S1 = AT A (A) = n
n n, A,
se tiene:
sii
S = AT A
es positivamente de nida.
4. Para cualquier matriz cuadrada
n n, A, se tiene: (A) < n sii S = AT A es positivamente semide nida. 1 matriz S es positivamente de nida entonces la matriz S S
es no negativa, entonces los elementos de la diag-
es positivamente de nida. 6. Si la matriz onal de
son no negativos.
7. Si la matriz
8.
S = [sij ]nn es positivamente semide nida 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: sii >
j=i n j=1
|sij | ,
para
i = 1, 2 . . . , n,
entonces
es positivamente de nida (sugerencia: vea el proble-
ma 3.5.2(23)). 119
4.4. Ejercicios
9. Si
Formas cuadrticas
10.
2 2 S1 y S2 son matrices simtricas de igual orden tales S1 + S2 = 0 entonces S1 = S2 = 0. (sugerencia: considere la expresin 2 2 xT (S1 + S2 )x). Si S es positivamente de nida de orden n, a un vector n 1 y un nmero real tal que > aT Sa, entonces la matriz
S =
S aT
es positivamente de nida (Sugerencia: utilice el teorema 4.3.6(1)). 11. Si
es una matriz positivamente de nida, entonces existe una
12. 13. 14. 15.
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 de nidas de igual orden, entonces Tr(S1 S2 ) > 0 (Sugerencia: utilice el teorema 4.3.4(1)). Si S1 y S2 son matrices positivamente semide nidas de igual orden, entonces Tr(S1 S2 ) > 0 (Sugerencia: utilice el teorema
matriz invertible
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 de nida (semide nida), negativamente de nida (semide nida) o inde nida.
c ) Para aquellas que sean positivamente de nidas, encuentre T
una matriz invertible
tal que
S = Q Q.
d ) Para aquellas que sean positivamente semide nidas, encuenT
tre una matriz no invertible 1) 2) 3) 4) 5) 6)
Q tal que S = Q Q. xT Sx = x2 + 4x1 x2 2x2 1 2 xT Sx = x2 + 2 2x1 x2 + 4x2 + x2 2 3 1 xT Sx = x2 + 4x1 x2 2x1 x3 + 4x2 4x2 x3 + 8x2 1 2 3 xT Sx = x2 + 4x12 + 6x1 x3 2x2 x3 + x2 x 1 3 2 1 2 xT Sx = x2 + 2 x1 x3 + x2 + x2 2 3 1 3 3 3 xT Sx = x2 2x1 x3 + 2x2 + 2x2 x3 + 2x2 1 2 3
120
Formas cuadrticas
2. Considere las formas cuadrticas:
4.4. Ejercicios
xT S1 x x S2 x
T
= =
x2 + 4x1 x2 + 5x2 + 2x2 x3 + 2x2 , 1 2 3 x2 1 + 2x1 x2 2x1 x3 + x2 2
2x2 x3 + 2x2 . 3 y = M 1 x que y = Q1 x, (Q
a ) Encuentre, si existe, un cambio de variables b ) Encuentre, si existe, un cambio de variables
dos formas cuadrticas. 3. Resuelva el problema (2) para cuando:
diagonalice simultneamente las dos formas cuadrticas. una matriz ortogonal), que diagonalice simultneamente las
xT S1 x x S2 x
4. Sea
= x2 2x1 x2 + 2x2 , 1 2 =
.
2x2 1
+ 4x1 x2 .
S=
2 1
1 2
a ) Veri que que la matriz b ) Encuentre un vector
S es positivamente de nida. a21 y un nmero , tales que la matriz S aT a
S =
sea positivamente de nida.
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.
De nicin.
1. 2. 3.
Sea
una matriz simtrica:
S S
xT Sx > 0 para todo x = 0. T es positivamente semide nida, si x Sx 0 para todo x = 0, T y existe un x = 0 tal que x Sx = 0. S es no negativa, si S es positivamente de nida o si S positivaes positivamente de nida, si mente semide nida. Sea
5.1.2.
Teorema.
1.
una matriz simtrica
n n.
Las siguientes a r-
maciones son equivalentes:
es positivamente de nida.
2. Para cada matriz invertible
de orden
n,
la matriz
P T SP
es
positivamente de nida.
3. Todos los valores propios de 4. Existe una matriz invertible 5. Existe una matriz
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.
123
5.1. Matrices no negativas
6. Existe una matriz invertible triangular superior 7. 8.
Anexo 1
n n, T ,
tal que
S = T T T. S es invertible
S 1
es positivamente de nida.
det (s11 ) > 0, det
s11 s21
s12 s22
s11 > 0, det s21 s31 n n.
s12 s22 s32
s13 s23 > s33
0, . . . , det (S) = |S| > 0.
5.1.3.
Teorema.
sii
Sea
una matriz simtrica
n
Si se cumple que
>
j=1, j=i
|sij |,
para
i = 1, 2 . . . , n,
entonces
5.1.4.
es positivamente de nida. Sea
Teorema.
1. 2.
una matriz simtrica
n n.
Si
es positivamente
de nida, entonces,
(S) = n. sii > 0 para i = 1, 2, . . . , n.
5.1.5.
Teorema.
1 , 2
Sean S1 y S2 matrices simtricas de igual orden y sean nmeros reales positivos. Si S1 y S2 son positivamente de nidas,
entonces la matriz
S = 1 S1 + 2 S2
es positivamente de nida.
5.1.6. Sean S1 y S2 matrices simtricas de igual orden. Si S1 es positivamente de nida, 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.
Teorema. Sean S1 y S2 matrices simtricas de igual orden. Si S1 S2 son positivamente de nidas y si S1 S2 = S2 S1 , entonces la matriz S = S1 S2 es positivamente de nida.
5.1.7.
5.1.8. Sean S1 y S2 matrices simtricas de orden n. Si S1 es positivamente de nida, entonces existe un > 0 tal que S = S1 + S2 es
Teorema.
positivamente de nida.
Demostracin. Si
que la matriz tonces que
S2 = 0 entonces para cualquier > 0 se tiene S = S1 + S2 es positivamente de nida. Supongamos enS2 = 0. Por el teorema 5.1.6, existe una matriz invertible Q
124
Anexo 1
tal que
5.1. Matrices no negativas
y
QT S1 Q = In
QT S2 Q = D, 0 d22
. . .
donde
D 0 0
. . .
es una matriz diagonal.
Digamos que
d11 0 D= . . . 0
Puesto que
.. .
. D
dnn
S2 = 0,
entonces al menos un elemento de la diagonal de
es diferente de cero. Sea ahora
un nmero tal que:
0 < < m {1/dii } . n
dii =0
De esto se sigue que:
1 + dii > 0
para
i = 1, 2, . . . , n
y que la matriz
I + D
matriz
es positiva de nida. En consecuencia, por el teorema 5.1.2, la
(Q1 )T [I + D]Q1 = S1 + S2 = S
es positivamente de nida. 5.1.9.
Teorema.
Sea
una matriz simtrica de orden
tivamente de nida, entonces para cada par de vectores tiene
n. Si S es posix, y Mn1 se
(xT y)2 (xT Sx)(yT S 1 y) .
Puesto que
es positivamente de nida, por el teorema 5.1.2, existe una
matriz invertible par de vectores
tal que
S = QT Q.
se tiene
De aqu que
S 1 = Q1 (QT )1 .
Ahora, por la desigualdad de Schwarz (ver el teorema 1.2.21) para cada
x, y Mn1
Qx, (QT )1 y
o sea:
Qx
(QT )1 y
(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.
Teorema.
adems Si
Sean S1 1 2 n ,
y S2 matrices simtricas de orden n. Sean las soluciones de la ecuacin |S2 S1 | = 0.
S1
es positiva de nida, entonces para cada
x=0
se tiene que
x S2 x n . xT S1 x
125
5.1. Matrices no negativas
Demostracin. Puesto que
Anexo 1
triz invertible
Q,
tal que
S1 es positiva de nida, existe una maQT S1 Q = In y QT S2 Q = D es una matriz diagQ
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
donde
0 2
. . .
.. .
2 y1
0 0 . , . . n
entonces:
1 2 n .
T T T
Ahora, si hacemos
y = Q1 x, +
2 y2
x S1 x = y Q S1 Qy = y In y =
y
2 + + yn ,
Por
2 2 2 xT S2 x = yT QT S2 Qy = yT Dy = 1 y1 + 2 y2 + + n yn . lo tanto, para cada x = 0: 2 2 2 xT S2 x 1 y1 + 2 y2 + + n yn = . 2 2 2 xT S1 x y1 + y2 + + yn
De esto se sigue que para cada
x=0: xT S2 x n . xT S1 x
5.1.11.
Teorema.
S
Sea
una matriz simtrica de orden
n.
Las a rma-
ciones siguientes son equivalentes:
1. 3.
2. Para cada matriz
es positivamente semide nida. P , nn, P T SP es positivamente semide nida. valores propios positivos (estrictamente) y nulos.
S tiene (0 < n) n valores propios P T SP =
4. Existe una matriz invertible
P ;
de orden
n,
tal que
In 0 nn
0 0
0 < n. Q,
tal que
5. Existe una matriz 5.1.12.
no invertible
S = QT Q. n.
Si
Sea S = [sij ]nn una matriz simtrica de orden es positivamente semide nida, entonces
1.
Teorema.
(S) < n.
126
Anexo 1
2.
5.1. Matrices no negativas
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.
5.1.13.
S2
Sean S1 y S2 matrices simtricas de igual orden. Si S1 son positivamente semide nidas, S2 es no negativa y S1 S2 = S2 S1 ,
Teorema.
entonces la matriz
5.1.14.
S = S1 S2
es positivamente semide nida.
Sean S1 y S2 matrices simtricas de igual orden y sean nmeros reales positivos. Si S1 y S2 son positivamente semide nidas, entonces la matriz S = 1 S1 + 2 S2 es positivamente semide nida.
Teorema.
1 , 2
5.1.15.
Teorema.
AT A AT A AT A
y
Sea
una matriz
nn
de rango
r,
entonces:
1. 2. 3. 5.1.16.
AAT
son matrices no negativas.
es positivamente de nida sii
es positivamente semide nida sii Sean
r = n. r < n. n.
Teorema.
a)
S1
S2
matrices simtricas de orden
1. Si
2.
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 de nidas, a ) Tr S1 > 0 b ) Tr (S1 S2 ) > 0.
Sean
entonces:
5.1.17.
Teorema.
S1 , S2 , . . . , Sk
matrices simtricas de orden
n.
1. Si
S1 , S2 , . . . , Sk son k a ) Tr i=1 Si =
b ) Tr
k i=1 k
no negativas, entonces: k i=1 Tr (Si ) 0
k i=1 Tr (Si ) k
Si =
= 0 sii S1 = S2 = . . . = Sk =
k
0.
c)
Tr (Si Sj )
j=1 i=1 k k
0,
y
j=1 i=1, i=j
Tr (Si Sj )
0. i = j.
d)
j=1 i=1, i=j
2. Si
Tr (Si Sj )
=0
sii
Si Sj = 0
para todo
S1 , S2 , . . . , Sk
son matrices positivamente de nidas, entonces:
127
5.1. Matrices no negativas
a ) Tr
k k k i=1
Anexo 1
k i=1 Tr (Si ) k k
Si =
0
Tr (Si Sj )
b)
j=1 i=1
5.1.18.
Tr (Si Sj )
>0
y
j=1 i=1, i=j
> 0. S2 = S. n. Si
Sean
Teorema.
Sea
una matriz simtrica
nn
tal que
adems
S1 , S2 , . . . , Sk
son matrices no negativas de orden
k
In = S +
i=1
Si ,
entonces
SSi = Si S = 0
para todo
i = 1, 2, . . . , k . 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 +
i=1
por la matriz
Si ,
S,
se obtiene
S = S2 +
i=1
De esto se sigue que:
SSi = S +
i=1
SSi .
SSi = 0
i=1
En consecuencia, Tr (SSi )
Tr
SSi
i=1
=
i=1
Tr (SSi )
= 0.
=0
y por ende
(ver teorema 5.1.16(1)). Adems se se tiene que
(S Si ) = 0.
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.
S Si = 0, para i = 1, 2, . . . , k. T Si S = Si S T =
Teorema.
no negativa o
Demostracin. Supongamos que
S1
es una matriz no negativa de
rango
n.
Entonces existe una matriz invertible
tal que:
P t S1 P =
I 0
0 0
128
Anexo 1
Sea ahora
5.2. Matrices idempotentes
C = P 1 S2 (P T )1 = C C11 C21 C12 C22 ,
donde
C11
es una matriz
.
reales.
Puesto que
es una matriz simtrica, entonces
simtrica y por lo tanto las soluciones de la ecuacin
C11 es una matriz |C11 I | = 0 son
Ahora;
|S1 S2 I| = 0 P
T
sii
|S1 S2 In | (P T )1 = P T S1 S2 (P T )1 In = 0 . 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 0 C12 0 ,
Puesto que:
entonces
P T S1 S2 (P T )1 In
C11 I = 0
C12 I
son las solu-
= |C11 I | |I | .
De aqu que las soluciones de la ecuacin ciones de la ecuacin
|S1 S2 I| = 0,
|C11 I| |I | = 0,
las cuales son reales .
5.2. Matrices idempotentes
5.2.1.
De nicin. Teorema.
1. Si 2. Si
Una matriz
cuadrada de orden
es idempotente, si
satisface que
5.2.2.
A2 = A.
Sea
una matriz idempotente
nn
de rango
r:
r = n, entonces A = In . A es simtrica y r < n, entonces A
es positiva semide nida.
1. Si
r = n, entonces A es invertible. Premultiplicando por A1 2 dos miembros de la igualdad A = A, se obtiene A = In .
129
los
5.2. Matrices idempotentes
a ) Si
Anexo 1
la matriz 5.2.3.
A es simtrica y r < n, entonces por el teorema 5.1.15(3), A = A2 = AT A es positivamente semide nida.
Sea
Teorema.
A,
propio de
5.2.4.
entonces Si
A una matriz idempotente n n. = 0 = 1.
Si
es un valor
Teorema.
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.
n N,
Si
es una matriz simtrica tal que
S n+1 = S n
para
algn
entonces
es una matriz idempotente.
Demostracin. Sea
una matriz ortogonal tal que
P T SP = D
es
una matriz diagonal con los valores propios de Puesto que
en la diagonal.
S n+1 = S n , D
n+1
entonces:
(P T SP )n+1 = P T S n+1 P D
es
= P T S n P = Dn .
De esto se sigue, que cada elemento de la diagonal de tanto,
0.
Por lo
D2 = D, P
a sea:
D2 = P T S 2 P = P T SP = D,
puesto que 5.2.6. es invertible, se tiene entones que
S 2 = S. n n,
entonces:
n
Teorema.
Si
una matriz simtrica idempotente
n
(S) = Tr S = Tr S T S =
i=1 j=1
5.2.7.
s2 . ij n n.
Si
sii = 0
la
Si S es sii = 1, entonces columna i de S es nulo.
Teorema.
una matriz simtrica idempotente cada elemento de la la
y cada elemento de
Demostracin. Puesto que
es una matriz simtrica idempotente,
entonces:
sii =
k=1
sik ski =
k=1
130
s2 . ik
Anexo 1
Por lo tanto, si
5.2. Matrices idempotentes
sii = 0
o si
sii = 1,
n
se tiene
s2 = 0 , ik
k=1, k=i
es decir, 5.2.8.
si1 = si2 = = si(i1) = si(i+1) = sin = 0.
Sean k
Teorema.
S=
S1 , S2 , . . . , Sk
matrices simtricas de orden
n,
sea adems
Si .
i=1
Entonces dos de las condiciones siguientes impli-
can la tercera:
a) b) c)
S2 = S. 2 Si = Si , i = 1, 2, . . . , k . Si Sj = 0 si i = j; i, j = 1, 2, . . . , k .
Demostracin. Supongamos que las condiciones a) y b) se satis-
facen. Por la condicin a) se tiene:
k 2 Si +
S2 = (
i=1
Si )2
=
i=1
Si Sj
j=1
i=1 i=j
=
i=1
y por la condicin b), se tiene:
Si = S,
k 2 Si = i=1
y por lo tanto:
Si ,
i=1
Si Sj = 0.
j=1
De aqu que Tr
i=1 i=j
Si Sj = 0.
j=1 i=1, i=j
Puesto que cada
Si
es una matriz simtrica idempotente, entonces 131
Si ,
5.2. Matrices idempotentes
para que
Anexo 1
i = 1, 2, . . . , k, es no negativa (teorema 5.2.2), adems se tiene que Si Sj = 0 si i = j; i, j = 1, 2, . . . , k (ver teorema 5.1.17). De manera
que las condiciones a) y b) implican la condicin c).
Supongamos ahora que las condiciones a) y c) se satisfacen. Se tiene entonces que:
S = S2 = (
i=1
o sea,
Si )2
=
i=1
2 Si ,
Si =
i=1 i=1
2 Si .
Premultiplicando cada miembro de la ltima igualdad por se tiene que:
Sj , j = 1, 2, . . . , k,
2 Sj Sj = Sj Sj ,
o sea:
2 3 Sj = Sj ,
pues
cluye que
Si Sj = 0 Sj es
si
i = 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 2 Si +
S2 = (
i=1
Si )2
=
i=1
Si Sj
j=1
i=1 i=j
=
i=1
esto es, la condicin a) se satisface.
Si = S;
Sean S1 , S2 , . . . , Sk matrices simtricas idempotentes de rangos 1 , 2 , . . . , k . Sea Sk+1 una matriz no negativa de k+1 orden n. Si I = i=1 Si , entonces Sk+1 es una matriz simtrica idempok tente de orden n i=1 i , y Si Sj = 0 para i = j; i, j = 1, 2, . . . , k .
5.2.9.
Teorema.
n,
de orden
132
Anexo 1
Demostracin. Puesto que las matrices
5.2. Matrices idempotentes
Si
para
i = 1, 2, . . . , k , son
idempotentes, entonces:
k 2 Sk+1
(I
i=1 k
Si )2
k k 2 Si + i=1 j=1 k
= I 2
i=1
Si +
Si Sj i=1 i=j
= I
i=1
Si +
j=1
Si Sj i=1 i=j Si Sj .
= Sk+1 +
j=1
i=1 i=j
k i=1
De otro lado, como
Sk+1 = I
Si ,
k
entonces:
2 Sk+1 = Sk+1 i=1
En consecuencia:
Si Sk+1 .
Sk+1 +
j=1
Si Sj = Sk+1 i=1 i=j
i=1
Si Sk+1 .
De esto se sigue:
Si Sj +
j=1
Si Sk+1 = 0,
i=1
i=1 i=j
133
5.2. Matrices idempotentes
por lo tanto,
Anexo 1
Tr
Si Sk+1 = 0.
Si Sj +
j=1 i=1, i=j i=1
Puesto que las matrices
S1 , S2 , . . . , Sk
son simtricas idempotentes, en-
tonces por el teorema 5.2.2, las matrices
Por hiptesis se tiene que tambin la matriz
Si Sj = 0
para
S1 , S2 , . . . , Sk son no negativas. Sk+1 es no negativa. As que i = j; i, j = 1, 2, . . . , k, k + 1 (teorema 5.1.17(1)). I 2 = I = i=1 Si , se sigue del teorema anterior 1, 2, . . . , k + 1 y por lo tanto, Tr (Si ) = (Si ) (ver
k k+1
Ahora bien, puesto que
2 que, Si = Si para i = teorema 5.2.6). As:
(Si ) = Tr (Si )
Tr
I
i=1 k
Si
Tr (I )
i=1
Tr (Si )
= n
i=1 k
(Si )
= n
i=1
que es lo que se quera demostrar. 5.2.10.
i .
Teorema.
k i=1
Sean Si
y sea
S=
a) b)
Si .
S1 , S2 , . . . , Sk matrices no negativas de orden n, k 2 S = S y Tr S Tr i=1 Si , entonces:
2
2 Si = Si para i = 1, 2, . . . , k . Si Sj = 0 para i = j; i, j = 1, 2, . . . , k .
Demostracin. Puesto que
S = S2;
k k
S=
i=1
2 Si + j=1
Si Sj . i=1 i=j
134
Anexo 1
De aqu que:
5.2. Matrices idempotentes
Tr
Si Sj = Tr S Tr
k 2 Si i=1
son no negativas, entonces b) se sat-
0.
j=1 i=1, i=j
Ya que las matrices
S1 , S 2 , . . . , S k
isface. Esta condicin, junto con la hiptesis de que
S2 = S n.
Si
implican
entonces la validez de la condicin a), (ver teorema 5.2.8). 5.2.11.
Teorema.
S
Sea
una matriz simtrica de orden
r
(S) = r,
entonces
puede escribirse en la forma:
S=
i=1
i Si , i
son los
t 2 donde: Si = Si , Si = Si , Si Sj = 0 si i = j, (Si ) = 1 y los valores propios no nulos de la matriz S; i, j = 1, 2, . . . , k.
Demostracin. Existe una matriz ortogonal
tal que:
QT SQ =
donde
D 0
0 0 r
,
con los valores propios no
es una matriz diagonal de orden
nulos de la matriz
S 0 0
en su diagonal. De aqu que:
= Q
D 0
QT 0 r
. . .
[Q1 Q2
1 0 . . . Qn ] 0 0 . . . 0
.. .
0 0
. . .
0 0
. . .
.. .
0 0
. . .
. . .
r 0
. . .
0 0
. . .
0 QT 1 0 . . QT . 2 0 . . 0 . QT n 0
=
i=1 r
i Qi QT i i Si ,
i=1
135
5.2. Matrices idempotentes
donde
Anexo 1
As:
Si = Qi QT , i = 1, 2, . . . , r. i
T Si T Si
(Qi QT )T = (QT )T QT = Qi QT = Si i i i i
si
= Qi QT Qi QT = Qi I QT = Qi QT = Si i i i i = Qi QT Qj QT = Qi 0 QT = 0, i j j = (Qi QT ) i = (Qi ) = 1. i = j.
Si Sj (Si )
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 de nicin, propiedades y clculo de la inversa generalizada de una matriz. La tercera seccin trata sobre la de nicin 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 de nicin 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.
Ir 0 Ir 0 Ir Ir
si
Si
es una matriz
existen matrices invertibles
P
y
tales que
m n de rango r > 0, P AQ es igual a:
entonces
1.
0 0
si
si
r<n
r < m.
2. 3. 4.
r = n < m.
si
r=m<n
r = n = m.
137
6.1. G-Inversa y C-inversa
Inversa generalizada e inversa condicional
R es la forma escalonR son nulas
Demostracin. Demostremos nicamente (1). Si
ada reducida de y
A,
entonces
R = P A, P
es un producto de matrices ele-
mentales, (vase el apartado 1.1.9). Las ltimas
mr
las de
tienen la estructura siguiente:
0 0 0
. . .
0 1 0 0 0 0
. . . . . .
a1k 0 0
. . .
0 1 0
. . .
a1k a2k 0
. . .
a1k a2k 0
. . .
0 0 1
. . .
a1k a2k a3k
. . .
0
la matriz
ahora bien, efectuando las operaciones elementales sobre las columnas de podemos obtener
F =
As que
Ir 0
0 0
F = RQ,
donde
columnas). Por lo tanto; invertibles. 6.1.2.
Q es un producto de marices elementales (por F = RQ = P AQ, donde P y Q son matrices
Ejemplo.
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 tercera es un mltiplo escalar de la primera la de mximo de las linealmente independientes de
2.
Por el teorema anterior
P AQ =
A. por lo tanto, el nmero A es 2; o sea, A tiene rango existen matrices invertibles P y Q tales que 1 0 0 0 I2 0 = 0 1 0 0 . 0 0 0 0 0 0 P
y
Procedemos ahora a calcular las matrices invertibles pautas de la demostracin del teorema anterior.
siguiendo las
PASO I: Encontremos una matriz invertible es la forma escalonada reducida de 138
P tal A.
que
P A = R,
donde
Inversa generalizada e inversa condicional
6.1. G-Inversa y C-inversa
A | 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 3 0 2 2 6 3 1 0 2 1 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 = | 2 0 1 Q
tal que
| P
PASO II: Encontremos una matriz invertible
RQ = F,
donde
F =
I2 0
0 0
R | I4 =
2 0 0 0 1 0 0 1 0 0 1 0
0 1 0 2 0 0 0 0 0 0 0 0
2 1 0 2 1 0 0 1 0 0 0 0
Col
Col
Col
0 0 1 0 0 1 0 0 1 0 0 F
| | | | | | | | | | | | | | | |
1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0
0 1 0 0 0 0 1 0
0 0 1 0 0 1 0 0
0 0 0 1 0 0 0 1
2 0 0 1 2 0 1 1
0 2 0 1 1 0 0 0 0 2 0 1 1 0 0 0
| Q
Luego las matrices invertibles 139
6.1. G-Inversa y C-inversa
Inversa generalizada e inversa condicional
1 P = 1 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 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.
Consideremos distintas posibilidades para rango
de la matriz
A, (A) = r.
1. Si 3.
2. Si
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: P AQ = Ir 0 0 0 .
existen
De aqu que:
= P 1 = P 1 = BC,
Ir 0 Ir 0
0 0
Q1 Ir 0 Q1
donde
B Mmr Ir 0
C Mrn
son las matrices de rango
r,
dadas por
B = P 1
C=
Ir
Q1 .
El teorema queda entonces demostrado. 140
Inversa generalizada e inversa condicional
Una forma de calcular las matrices anterior, en el caso en que que:
6.1. G-Inversa y C-inversa
aparecen en el teorema como aparece en la de-
r < n
B y C que r < m, tal
mostracin, es calculando primero las matrices invertibles
tales
P AQ =
despus calcular las matrices
Ir 0
y
0 0
P 1
Q1 ,
y por ltimo obtener:
B = P 1
Ir 0 A
C=
Ir
Q1 .
Para el caso en que la matriz
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.
Otra prueba del teorema 6.1.3 para
r < m.
Suponga que
una matriz de rango
r < m. Sea P
una matriz invertible de orden
A es m tal que
P A = R,
donde
es la forma escalonada reducida de
(vase apartado
1.1.9). Puesto que
r < m, R
tiene la estructura siguiente:
R=
C 0
donde
es una matriz
rn
de rango
r.
Ahora, si escribimos
P 1
parti-
cionada adecuadamente
P 1 =
donde
B r R
es una matriz
mr
de rango
y adems,
= P =
B D
C 0
= BC
Presentamos a continuacin, un mtodo basado en esta demostracin para calcular matrices 6.1.4.
C,
de rango
r,
tales que
A = BC . mn
Algoritmo.
Considere una matriz 141
de tamao
6.1. G-Inversa y C-inversa
PASO I Forme la matriz
Inversa generalizada e inversa condicional
Amn | Im
.
PASO II Efecte operaciones elementales en las las de las siguientes pautas: i) Si se intercambian las las las columnas
hasta obtener
su forma escalonada reducida, y en las columnas de
Im , siguiendo
iyj
de
A, entonces intercambie A
por el nmero
de
Im .
la de
ii) Si se multiplica la
i-sima
0,
entonces se multiplica la
i-sima
columna de
Im
por el
PASO III
1 . iii) Si a la j -sima la de A se le suma veces la i-sima la de A ( = 0), entonces a la i-sima columna de Im se le suma () veces la j -sima columna de Im . R | P 1 Al nal de este paso se obtiene la matriz B = Primeras r columnas de P 1 , C = [Primeras r las de R].
nmero La matriz del ejemplo 6.1.2
6.1.5.
Ejemplo.
1 A = 1 2
tiene rango que
2 2 4
1 3 0 2 2 6
de rango
2. Existen por lo tanto matrices B32 y C24 A = BC. Calculemos matrices B y C siguiendo los 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 R . | 1 | 0 | 0 1 1 2 0 1 0
2 tales
pasos indicados
anteriormente.
| I3
0 1 0
0 0 1
0 0 1
As, tomando las primeras 2 columnas de obtenemos respectivamente las matrices
y las 2 primeras las de
P 1
1 B = 1 2
1 0 2
C=
142
1 0
2 0
0 1
2 1
Inversa generalizada e inversa condicional
las cuales tienen rango 2 y son tales que:
6.1. G-Inversa y C-inversa
BC
1 = 1 2 1 = 1 2
1 0 2 2 2 4 nm
1 0
2 0
0 1
2 1
1 3 0 2 = A . 2 6
Sea
6.1.6.
De nicin (Inversa generalizada o pseudoinversa).
Si
una ma-
triz
m n.
1. 2. 3. 4.
es una matriz
tal que:
AM es una matriz M A es una matriz AM A = A . M AM = M,
simtrica. simtrica.
entonces se dice que
A,
o simplemente que
M es una inversa generalizada M es una g-inversa de A.
(pseudoinversa) de
6.1.7.
Ejemplo.
Veri quemos que la matriz
3 1 2 M = 11 3
7 1 4
es una
g-inversa de la matriz
A= 11 0 0 11
1 1
1 0
2 1
. En efecto,
1.
AM =
1 11
2.
10 1 3 MA = 11 1
= I2 es una matriz simtrica. 3 1 2 3 es una matriz simtrica. 3 10
3.
4.
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
6.1.8.
Observacin.
1. Si
A es invertible, entonces la matriz A1
143
es una g-inversa de
A.
6.1. G-Inversa y C-inversa
2. Si
Inversa generalizada e inversa condicional
es una g-inversa de
A = 0mn , entonces la matriz M = 0nm
A.
6.1.9.
Teorema (Existencia de una g-inversa).
tiene una inversa generalizada.
Toda matriz
de tamao
mn
Demostracin. De acuerdo con la observacin 6.1.8(2), la demostracin
es trivial en el caso en que rango
r > 0.
Por el teorema 6.1.3, existen matrices
de tamao
A = 0. Supongamos ahora que que A = 0 tiene B de tamao m r y r n, ambas de rango r tales que A = BC.
y
Puesto que
tiene rango
r, las matrices B T B
1
CC T
son invertibles
(vase el teorema 1.4.8). Consideremos ahora la matriz
M = C T CC T
y veri quemos que
BT B A.
BT ,
es una g-inversa de
Es decir, veri quemos que
las condiciones de la de nicin 6.1.6 se satisfacen. En efecto: Las matrices
AM
MA
son simtricas puesto que
AM = BCC T CC T
y
BT B
1 T
BT = B BT B
BT C
M A = C T CC T
De otro lado,
1 T
BT B
1 1 1
B T BC = C T CC T
y
AM A = B B B = = C T CC T C T CC T
y
B BC = BC = A, CC T CC T BT B
1 1
M AM
BT B
BT
B T = M. M
es una g-inversa de
Es decir,
AM A = A
M AM = A,
por lo tanto,
A.
6.1.10.
Teorema
(Unicidad de la g-inversa)
Toda matriz
tiene una
nica g-inversa.
Demostracin. Supongamos que
M1
M2
son dos g-inversas de
una matriz
A.
Utilizando la de nicin 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
Inversa generalizada e inversa condicional
De aqu que Por lo tanto
6.1. G-Inversa y C-inversa
AM2 = AM1 . En forma anloga se obtiene que M2 A = M1 A. = M1 AM1 = (M1 A)M1 = (M2 A)M1 = M2 (AM1 ) = M2 (AM2 ) = M2 AM2 = M2 .
M1
6.1.11.
Nota.
En lo sucesivo, la g-inversa de una matriz la denotaremos como exponente. Por ejemplo, por
con el signo
respectivamente las inversas generalizadas de las 6.1.12.
A+ , B + denotarn matrices A y B . A
Teorema (Propiedades de la g-inversa).
(A+ )+ = A. (A)+ = 1 A+ , para (AT )+ = (A+ )T (AAT )+ = (AT )+ A+ (AT A)+ = A+ (AT )+
Para cualquier matriz
tiene que:
a) b) c) d) e)
todo escalar
= 0.
Demostracin. Por el teorema anterior, toda matriz tiene una ni-
ca g-inversa. Slo resta veri car en cada caso, que se satisfacen las condiciones de la de nicin 6.1.6. Haremos la demostracin slo para el inciso (e), para ello, supondremos vlidas las a rmaciones (a)-(d) (las veri caciones ) quedan a cargo del lector) y aplicaremos las propiedades de la de nicin 6.1.6:
1. La matriz
M = A+ (AT )+
satisface la igualdad
AT A M =
es simtrica.
A+ A
y por lo tanto, la matriz
AT A
A+ (AT )+
En efecto:
AT A M
=
(c)
AT A
A+ (AT )+
AT (AA+ )(A+ )T AT (AA+ )T (A+ )T A+ AA+ A+ A+ A
145
def.
=
def.
= A+ A .
6.1. G-Inversa y C-inversa
2. La matriz
Inversa generalizada e inversa condicional
satisface la igualdad
M = A+ (AT )+
M AT A =
es simtrica.
A A
y por lo tanto, la matriz
A (A )
T +
A A
En efecto:
M AT A
=
(c)
A+ (AT )+
AT A
A+ (A+ )T AT A A+ (AA+ )T A A+ AA+ A = A+ A.
def.
def.
= =
def. 3. La matriz
M = A+ (AT )+ satisface la igualdad (AT A)M (AT A) = =
(1)
A A. (AT A)M (AT A) AT A A+ A A+ (AT )+ AT A
AT A = (A+ A)T AT A
T
=
4. La matriz
A(A+ A)
A =
def.
AA+ A
A = AT A. M (AT A)M =
M = A+ (AT )+ =
(2)
satisface la igualdad
M.
En efecto
M (A A)M = M
A+ (AT )+ A+ A
AT A
A+ (AT )+
A+ (AT )+
T
=
def.
A+ AA+
AT
A+ (AT )+ .
6.1.13.
Observacin. Ejemplo.
1 5
Si
No siempre es cierto que
(AB)+ = B + A+ .
Para
mostrar este hecho consideremos el siguiente ejemplo. 6.1.14.
A=
B=
1 2
, entonces AB = [3]. Por A+ =
1 2
lo tanto
(AB)+ = 1/3. 1 2 1 5
De acuerdo con el corolario 6.2.2,
1 1
B+ =
, de donde se tiene que
B + A+ =
1 2
1 1
1 [3] = [3/10] = [3] = (AB)+ . 10
146
Inversa generalizada e inversa condicional
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.
1. Si 2. Si 3. Si 4.
Sea
una matriz
mn
de rango
r > 0.
r = n = m, r = m < n,
entonces entonces
A es invertible y A+ = A1 . 1 A+ = AT AAT .
1
r = n < m, entonces A+ = AT A AT . Si r < n y r < m, entonces existen matrices B Mmr C Mrn de rango r tales que A = B C y A+ = C T CC T
1
BT B
BT .
6.2.2.
Corolario.
1. Si 2. Si
Sea
un vector no nulo de
componentes.
a M1n , a Mn1 ,
entonces
a+ = aaT
1 1
aT .
entonces
a+ = aT a
aT .
6.2.3.
Ejemplo.
Ilustremos el teorema 6.2.1 con alguna matrices sencillas.
1. La matriz
A =
.
1 1
2 3
es invertible, as que
A+ = A1 =
3 1
2 1
2. La matriz
A=
1 1
2 1
1
3 1
tiene rango 2, as que:
A+
= AT AAT 3 1 6 42 9
14 14 14
1 = 2 3
1 1 1 42 1
3 0
0 14
147
6.2. Clculo de la g-inversa
1 A= 3 5
1
Inversa generalizada e inversa condicional
2 4 6 1 24
3. La matriz
tiene rango 2, as que:
A+
= =
AT A 1 24 A
AT =
56 44
44 35
1 2
3 4
5 6
32 8 16 26 8 10
dada por
4. La matriz
1 A = 1 2
Del ejemplo 6.1.5 se sabe
2 2 4
1 3 0 2 2 6
y que las matrices
(A) = 2 C=
1 B = 1 2
son tales que
1 0 2 A = BC. =
1 0
2 0
0 1
2 1
Luego
A+
C T CC T 2 1 4 24 9 5 1 aaT 2
BT B
BT .
20 4 40 8 55 18 15 10 3
que:
5. Para la matriz
A= =
a+
= 0 se tiene 1 1 1 T 2 a = 14 3
se tiene que,
6. La matriz
1 A= 1 =0 1 = aT a
1
a+
6.2.4.
aT =
Teorema.
1. Calcule
1 3
g-inversa de
Sea A Mmn una matriz de rango r > 0. Entonces la A se puede calcular siguiendo los pasos dados a continuacin:
M = AT A.
148
Inversa generalizada e inversa condicional
2. Haga
6.2. Clculo de la g-inversa
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 ) Cr+1 M = 0
y
Adems, se tiene que
Tr (Cr M ) = 0.
Para la demostracin de este teorema, remitimos al lector a [ ] (teorema 6.5.8). Obsrvese adems, que la condicin proceder sin conocer de antemano el rango de 6.2.5.
Cr+1 M = 0 A.
nos permite
Ejemplo.
Consideremos la matriz
1 A = 1 2
del ejemplo 6.2.3(4). Calculemos Para ello calculemos
2 2 4 A+
1 0 2
3 2 6
utilizando el teorema anterior.
M = At A. Esto es, 6 12 12 24 M = 5 10 17 34
5 10 5 15
17 34 15 49
y consideremos
C1 = I4 .
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 4 + T 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. Clculo de la g-inversa
6.2.6.
Inversa generalizada e inversa condicional
r > 0.
La g-inversa
de
Sea A Mmn una matriz de rango se puede calcular mediante los siguientes pasos:
Teorema.
1. Forme la matriz
A | Im
2. Efecte operaciones elementales en las las de la matriz anterior
hasta conseguir la forma escalonada reducida de as:
A.
Al nal de
este paso se obtiene una matriz que podemos describir por bloques
Ern 0mrn
| Prm | Pmrm
si
r<m
Emn
(Si +
| Pmm A
si
r = m. E =I
y
r = m = n,
).
entonces
es invertible,
P = A1 =
3. Forme la matriz:
Ern AT Pmrm
| Ern | 0mrm
si
r<m
Emn AT
| Emn
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
Im
6.2.7.
| (A+ )T . A
del ejemplo 6.2.5
Ejemplo.
Consideremos de nuevo la matriz
1 A = 1 2
Con el objeto de calcular la matriz
2 2 4
1 0 2
3 2 . 6
A+
utilizando el teorema anterior, formemos
| I3
y apliquemos operaciones elementales en las las 150
Inversa generalizada e inversa condicional
6.2. Clculo de la g-inversa
A. 3 | 1 0 2 | 0 1 6 | 0 0 | | | | 0 1 2
hasta encontrar la forma escalonada reducida de
A | I3
1 2 = 1 2 2 4 1 2 0 0 0 0 = E24 014
1 0 2
0 0 1 1 1 0 0 0 1
0 2 1 1 0 0 .
| P23 | P13
Construyamos ahora la matriz de la forma
E24 At P13
| E24 | 014
y aplique-
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
11 4 2 0 1 0 |
9 2 0
1 0 0 =
As que
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 . 22 8 1
2 35 A+ = 9 70 2 35
1 35
2 7 4 7
11 14 3 14
2 35 4 2 35 1 4 = 9 9 70 5 35 1 7
151
20 4 40 8 55 18 15 10
6.3. C-inversa
6.2.8.
Inversa generalizada e inversa condicional
Consideremos la matriz
Ejemplo.
del ejemplo 6.2.3(2)
A=
1 1
2 1
3 1
, A+ .
y sigamos los pasos del ejemplo anterior (teorema 6.2.6) para calcular
A | I2
= =
1 1 1 0
2 1 0 1 5 4
3 1
| 1 | 0 | 1 | 1 .
0 1 2 1
E24 E24 AT
| P23 | E23
Construyamos ahora la matriz
y reduzcmosla
E24 AT
| E23
14 6 | 1 14 3 | 0 1 0 = I2 0 1 | | | 1 3 1 14
0 1
5 4 2 14 3 14 1 3
1 3
| (A+ )T
As que
1 14 2 + A = 14 3 14
1 3 3 1 1 = 42 6 3 9 1 3
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
Inversa generalizada e inversa condicional
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.
De nicin.
Sea
una matriz
m n.
Si
es una matriz
nm
tal que:
AM A = A,
entonces se dice que que
es una inversa condicional de
o simplemente,
es una c-inversa de
A. A A+ .
sta es a su vez por de nicin
6.3.2.
Observacin.
A.
De acuerdo con el teorema 6.1.10, toda matriz
tiene una nica inversa generalizada una c-inversa de Veremos aqu, que una matriz caso
As que, toda matriz
tiene al menos una
c-inversa.
puede tener varias (incluso in nitas)
inversas condicionales, salvo cuando la matriz
es invertible, en cuyo
A1
es la nica c-inversa.
Nota.
6.3.3.
El teorema 6.3.5 caracteriza el conjunto de todas las inversas
condicionales de
A.
Sea
Teorema.
1.
A Mmn
una matriz de rango
r.
Entonces:
2. La dimensin del espacio
W = {N Mnm : AN A = 0} es un subespacio de Mnm . W mencionado en (1) es m n r2 .
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,
es cerrado bajo la suma. se tiene que
De otro lado, para cualquier escalar
R W
A(N1 )A = AN1 A = 0 = 0,
sto implica que,
N1 W.
Es decir,
es cerrado bajo la multiplicacin
por un escalar. El conjunto
es entonces un subespacio vectorial de
Mnm ,
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 < m {m, n}. n
153
Las demostraciones
en los dems casos son similares.
6.3. C-inversa
Sea entonces
Inversa generalizada e inversa condicional
una matriz
mn
de rango
r,
con
0 < r < m {m, n}. n
De acuerdo con el inciso (1) del teorema 6.1.1, existen matrices invertibles
P Mmm
(6.1)
Q Mnn Ir 0
tales que:
P AQ =
0 0
A = P 1
Ir 0
0 0
Q1 .
Consideremos ahora matrices arbitrarias
M(nr)r
W M(nr)(mr)
y la matriz
X Mrr , Y Mr(mr) , Z N Mnm dada por P.
N =Q
Ahora
X Z
Y W X Z
N W
sii
AN A = 0. Ir 0 X 0 0 0 0 0
De (6.1) se sigue que
AN A = =
P 1 P 1
Q1 Q Q1 .
sii
Y W
P P 1
Ir 0
0 0
Q1
De aqu se deduce forma:
AN A = 0
X = 0. 0 Z
Esto es,
N W
sii
es de la
N =Q
aremos el hecho de que
Y W
P.
es
Demostremos ahora que la dimensin de
dim Mkj En efecto, consideremos los espacios de matrices Mr(mr) , M(nr)r y M(nr)(mr) con las bases respectivas B1 = Y1 , Y2 , . . . , Yr(mr) , B1 = Z1 , Z2 , . . . , Zr(nr) y B3 = W1 , W2 , . . . , W(nr)(mr) . Es fcil mostrar entonces que el conjunto B = {N1 , N2 , . . . , Nmnrr } con Ni Nr(mr)+j Nr(m+n2r)+k
es una base de 6.3.4.
W = k j.
m n r2 .
Para ello, us-
= Q = Q = Q
0 0 0 Zj 0 0
Yi 0 0 0 0 Wk
P; P; P;
i = 1, 2, . . . , m r r2 j = 1, 2, . . . , n r r2 k = 1, 2, . . . , (n r) (m r),
W.
Sea
Teorema.
una matriz
m n.
El conjunto
Mc A
de todas las
c-inversas, es una variedad
Mc = {M Mnm : AM A = A} , A 2 lineal de dimensin m n r .
154
Inversa generalizada e inversa condicional
6.3. C-inversa
c Demostracin. Por el teorema 6.2.2 MA es no vaco, sea entonces M0 un elemento de Mc . Veri quemos entonces, que M Mc si y slo A A 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 M = M + M0 M0 = M0 + (M M0 ) = M0 + N ,
escribir
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:
Mc = {M + N, N W } . A
El teorema siguiente establece cmo determinar los elementos de 6.3.5.
Mc . A
Teorema.
Sea
una matriz
mn
de rango
r.
Sean
P Mmm
Q Mnn
1. Si 2. Si 3. Si
matrices invertibles como en el teorema 6.1.1.
A = 0,
entonces
Mc = Mnm . A Mc = {A+ } = A1 A
.
r = n = m, r = m < n, Mc = A
entonces entonces
Ir Y
P : Y M(nr)m .
4. Si
r = n < m,
entonces
Mc = Q A
Ir
P : X Mn(mr) .
155
6.3. C-inversa
5. Si
Inversa generalizada e inversa condicional
y
0<r<n Ir Y X Z
0 < r < m,
entonces el conjunto
las inversas condicionales de la matriz
Mc de todas A est dado por
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
Mc A
Sea
es una variedad lineal de dimensin
otro lado, se puede veri car que si 6.3.6.
Mc , entonces A 1 0 2 3 2 , 6
mn r2 . AM A = A.
De
Ejemplo.
1 A = 1 2
invertibles
2 2 4
la matriz del ejemplo 6.1.2. De dicho ejemplo sabemos que las matrices
0 1 P = 2
son tales que
1 1 0 I2 0 X Z
0 0 1 0 0
1 0 Q= 0 0
0 0 1 0
2 1 0 0
2 0 1 1
P AQ = Q I2 Y
, (A) = r = 2.
En este caso,
Mc = A
P : X M21 , Y M22 , Z M21 Z = 0, se 0 1 0 0 P = 1 1 0 0
y
, A,
En
representar, el conjunto de todas las inversas condicionales de particular, si tomamos de
X = 0, Y = 0 I2 0 0 0
tiene que una c-inversa
es:
M0 = Q
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. 6.3.7. Una matriz cuadrada H = [hij ]nn tiene la forma Hermite superior, si satisface las condiciones siguientes: 156
De nicin.
Inversa generalizada e inversa condicional
1. 2. 3. 4.
6.3. C-inversa
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 = i).
La matriz
6.3.8.
Ejemplo.
1 0 H= 0 0
tiene la forma Hermite superior.
2 0 0 0
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 de nicin y se deja como un ejercicio para el lector. 6.3.9.
Teorema.
tal que
Si
es una matriz que tiene la forma Hermite superior,
entonces
6.3.10.
H 2 = H.
Para toda matriz cuadrada
Teorema.
existe una matriz invert-
ible
BA = H
tiene la forma Hermite superior.
Demostracin. Sea
una matriz invertible tal que
PA = R
es la
forma escalonada reducida de entonces la matriz Si
A.
Si
tiene la forma Hermite superior,
B =P
satisface la condicin de que
no tiene la forma Hermite superior, intercambiamos las las de
BA = R = H . R H
hasta que el primer elemento no nulo (de izquierda a derecha) de cada la no nula de (por las)
R,
sea un elemento de la diagonal. As tenemos una matriz tales que
que tiene la forma Hermite superior. As que existen matrices elementales
E1 , E2 , . . . , Ek
E1 E2 Ek R = H
o sea:
E1 E2 Ek P A = H.
En consecuencia, la matriz invertible
B = E1 E2 Ek P
es tal que
BA =
tiene la forma Hermite superior. 157
6.3. C-inversa
6.3.11.
Inversa generalizada e inversa condicional
Para la matriz cuadrada:
Ejemplo.
1 A= 1 2
la matriz invertible
2 2 4
3 5 , 10 0 0 1 0 1 , 0
Intercambiando las las
5/2 P = 1/2 0
es tal que
3/2 1/2 2 2 0 0
1 PA = R = 0 0
donde y 3 de
R es la forma escalonada resucida de A. R obtemos la matriz: 1 2 0 H= 0 0 0 0 0 1
tiene la forma Hermite superior. Adems,
5/2 0 B= 1/2
es invertible y es tal que 6.3.12.
3/2 2 1/2
0 1 0
BA = H
Teorema.
vertible tal que una c-inversa
Sea A una BA = H tiene de A.
matriz cuadrada. Si
es una matriz in-
la forma Hermite superior, entonces
es
Como As
H tiene la forma Hermite superior, 2 que BABA = H = H = BA, o sea:
por el teorema 6.3.9,
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
Inversa generalizada e inversa condicional
6.3.13.
6.3. C-inversa
ejemplo 6.3.11,
Ejemplo.
Consideremos la matriz
1 A= 1 2 5/2 0 B= 1/2
es tal que teorema anterior,
2 2 4
A del 3 5 . 10
Se sabe de dicho ejemplo, que la matriz invertible
3/2 2 1/2
0 1 , 0
superior. Por lo tanto, por
BA = H tiene la forma Hermite B es una c-inversa de A.
El siguiente corolario presenta una forma de calcular una c-inversa para el caso de matrices rectangulares. 6.3.14.
Corolario.
Sea
una matriz
mn
1. Si
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
entonces particionada as:
B =
B B1
,
entonces
donde
es una matriz
n m,
es una c-inversa de
A.
2. Si
n > m,
sea
A =
A 0
, donde
es la matriz nula
(n m)
m. Sea adems B
particionada as:
una matriz invertible tal que
la forma Hermite superior. Si escribimos la matriz
B A = H tiene B entonces
B =
donde
B1
, B
es una c-inversa de
es una matriz
n m,
entonces
A.
Demostracin. Presentamos aqu la slo la demostracin del inciso
(1). Supongamos matriz cuadrada
A es A =
una matriz
m n,
. 159
con
m>n
y consideremos la
nn
6.4. Mnimos cuadrados
Inversa generalizada e inversa condicional
Segn el teorema 6.3.10, existe una matriz invertible
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 =
De sto se sigue que 6.3.15.
ABA
= B
= A . A.
ABA = A.
Es decir,
es una c-inversa de
Ejemplo.
Encontremos una c-inversa para la matriz:
1 A= 2 0
Sea
1 1 . 1 32
1 A = 2 0
1 1 1
0 0 . 0 33
Efectuando los clculos pertinentes se encuentra que la matriz invertible:
1 2 B = 2
es tal que
1 1 1
0 B 0 = B1 1
B A = H
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
Inversa generalizada e inversa condicional
6.4.1.
6.4. Mnimos cuadrados
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.
Teorema.
Demostracin. Supongamos que el sistema de ecuaciones lineales
Ax = y
que:
es consistente. Esto quiere decir, que existe al menos un
x0
tal
Sea ahora
Ac
una c-inversa de
Ax0 = y . A, entonces: = AAc Ax0 = Ax0 = y.
AAc y
Supongamos ahora, que para cada c-inversa
Ac
y.
Entonces para cada c-inversa
, el vector
A, se tiene que AAc y = x0 = Ac y es una solucin
de
del sistema de ecuaciones lineales consistente. 6.4.2.
Ax = y. mn y Ax = y
Por lo tanto, el sistema es
Teorema.
Sea
una matriz
sea
Ac
una c-inversa de
A.
Si el sistema de ecuaciones lineales solucin general es
(6.1)
es consistente, entonces su
x = Ac y + (I Ac A)h,
h Mn1 .
Demostracin. Puesto que por hiptesis el sistema de ecuaciones
lineales
Ax = y
es consistente, entonces por el teorema anterior,
AAc y =
y.
En consecuencia, para cada
de la forma (6.1):
Ax
= 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
Ac
se obtiene
A Ax0 = A y ,
161
6.4. Mnimos cuadrados
de donde:
Inversa generalizada e inversa condicional
0 = Ac y Ac Ax0 .
Sumando
x0
a los dos lados de la ltima igualdad se llega a:
x0
= Ac y + x0 Ac Ax0 = Ac y + (I Ac A)x0 = Ac y + (I Ac A)h,
donde
h = x0 . A+
sto es,
x0
se puede expresar en la forma 6.1.
Puesto que 6.4.3.
es una c-inversa de
A,
se tiene el siguiente corolario.
Corolario.
Ax = y
Sea
una matriz
m n.
Si el sistema de ecuaciones
lineales
(6.2)
es consistente, entones su solucin general es
x = A+ y + (I A+ A)h,
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 in nitas 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
no es un elemento del espacio columna de
A, (y C(A)) /
(vase gura 6.1). En este caso, nos pregunta-
mos si existe una solucin aproximada del sistema, para una de nicin conveniente de solucin aproximada. Un problema que se presenta con frecuencia en el trabajo experimental es:
m
IR
C (A)
Ax A x0
Ax
Figura 6.1. Problema de los mnimos cuadrados
162
Inversa generalizada e inversa condicional
Dado una serie de puntos
6.4. Mnimos cuadrados
(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): 1. Funciones lineales (rectas): 2. Polinomios de grado dos: 3.
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.
y y
(1) Aproximacion lineal
(2) Aproximacion cuadratica (3) Aproximacion cubica
Figura 6.2. Ajuste por mnimos cuadrados
A. Adaptacin de puntos por mnimos cuadrados a una lnea recta
Considere los puntos ajustar mediante la gr ca de la lnea recta 163
(x1 , y1 ); (x2 , y2 ); . . . ; (xn , yn ), los cuales se pretende y = f (x) = a + bx. Si los
6.4. Mnimos cuadrados
Inversa generalizada e inversa condicional
puntos correspondientes a los datos fuesen colineales, la recta pasara por todos los
puntos y, en consecuencia, los coe cientes desconocidos
satisfaran la ecuacin de la recta. sto es, se tendran las siguientes
igualdades:
y1 y2
. . .
= a + bx1 = a + bx2
. . . . . .
yn
= a + bxn . x1 x2 a = Ax . . . . b xn
Estas igualdades se pueden escribir, utilizando notacin matricial, as:
(6.3)
y1 1 y2 1 y= . = . . . . . yn 1 a
y
Si los puntos que corresponden a los datos no son colineales, es imposible encontrar coe cientes
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
x=
a b
que minimice la longitud del vector
Ax
y,
esto es, que minimice
Ax y ,
lo que es equivalente a minimizar su cuadrado,
Ax y
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
Ax y ,
2 2
Ax y
[(a + b x1 y1 )] + [(a + b x2 y2 )] + + [(a + b xn yn )] a b
son minimizados por el vector
x0 =
. En dicha gura se ve que
|a + b xi yi |
corresponde a la distancia vertical, 164
di ,
tomada desde el
Inversa generalizada e inversa condicional
punto
6.4. Mnimos cuadrados
(xi , yi )
hasta la recta
vertical en el punto
y = a + b x . Si se toma a di como el error (xi , yi ), la recta de ajuste minimiza la cantidad: d2 + d2 + + d2 , 1 2 n
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 d1 d3 ( x3 , y3 ) x
* y=a+b *x
Figura 6.3. Ajuste lineal por mnimos cuadrados
Damos a continuacin dos de niciones motivadas por la discusin anterior. En el ejemplo 6.4.13 veremos cmo se adapta, por mnimos cuadrados, una lnea recta 6.4.4.
y = a + bx
puntos
(x1 , y1 ); (x2 , y2 ); . . . ; (xn , yn ).
De nicin
Ax = y,
(Solucin Mnima Cuadrada)
Se dice que el vector
x0
es una solucin mnima cuadrada (S.M.C.) del sistema de ecuaciones si para todo vector
lineales
se tiene que:
Ax0 y < Ax y .
6.4.5.
De nicin
Ax = y,
(Mejor Solucin Aproximada)
Se dice que el vector
x0
es una mejor solucin aproximada (M.S.A.) del sistema de ecuaciones si:
lineales
1. Para todo vector
se tiene que:
Ax0 y < Ax y .
165
6.4. Mnimos cuadrados
2. Para todo vector
Inversa generalizada e inversa condicional
x = x0
tal que
Ax0 y
<
Ax y
se
tiene que
x0 < x .
Nota.
y
6.4.6.
Observe que una M.S.A de un sistema de ecuaciones lineales
Ax =
es una S.M.C. del mismo.
Teorema.
Sea
es una c-inversa de
m c una matriz m n y sea y un vector R . Si A c tal que AA es simtrica, entonces para todo vector 2
x Rn
se tiene que:
Ax y
Por hiptesis
= Ax AAc y
+ AAc y y x
AAc = (AAc )t . = =
As que para todo vector
se tiene que:
Ax y
(Ax AA y) + (AA y y) Ax AAc y + AAc y y
2 2
+ 2(Ax AAc y)T (AAc y y)
Ax AAc y + AAc y y
2 2
+ 2 (x Ac y)T AT ((AAc )T I)y
Ax AAc y + AAc y y
2 2
+ 2 (x Ac y)T (AT (AAc )T AT )y
Ax AAc y + AAc y y
2 2
+ 2 (x Ac y)T ((AAc A)t At )y
= =
6.4.7.
Ax AAc y Ax AAc y
Sea
2 2
+ 2 (x Ac y)T (0)y + AAc y y + AAc y y
2
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
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:
Ax y
= Ax Ax0
+ Ax0 y
Ax0 y
166
Inversa generalizada e inversa condicional
Para todo vector
6.4. Mnimos cuadrados
x:
x.
De aqu que para todo vector
Ax0 y Ax y ,
esto es, 6.4.8.
x0 = A y
es una S.M.C. para el sistema
Ax = y.
Teorema.
de ecuaciones
A una matriz mn y sea y un vector Rm . El sistema lineales Ax = y tiene una nica M.S.A., a saber
Sea
x0 = A+ y.
Demostracin. Puesto que
A+
es una c-inversa de
tal que
AA+
2
es simtrica, entonces por el teorema 6.4.6 se tiene para todo
que:
Ax y
(6.4) Esto es,
Ax AA+ y x:
+
+ AA+ y y Ax y
AA+ y y
De aqu que para todo vector
AA y y x0 = A y
+
es una S.M.C. para el sistema
Ax = y.
tal que
Mostraremos ahora que para todo vector
x = x0 = A+ y
Ax =
AA y
se tiene que
x0 < x x
Puesto que para todo vector
se tiene que:
A+ y + (I A+ A)x
A+ y
+ 2(A+ y)T (I A+ A)x +
2
(I A+ A)x = A+ y
2
+ 2yt (A+ )T (A+ )T (AA+ )T x +
2
(I A+ A)x = A+ y
2
+ 2yT (A+ )T (A+ AA+ )T x +
2 2
(I A+ A)x = =
temente, tales que
A+ y A+ y
+
2 2
+ 2yt (0)x + (I A+ A)x + (I A+ A)x
2
,
o, equivalen-
entonces para todos los vectores
x tales que Ax = AA+ y A Ax = A y, se tiene que:
+ 2
A+ y + (I A+ A)x
= =
A+ y + x A+ x A+ y A+ y
167
= x
2
2 2
+ (I A+ A)x = x0
2
6.4. Mnimos cuadrados
es decir, 6.4.9.
Inversa generalizada e inversa condicional
si
x > x0
x0 = x .
tiene una nica M.S.A. ,
Observacin.
El teorema anterior establece que todo sistema de
ecuaciones lineales
Ax = y
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 iente teorema. 6.4.10.
Ax = y
es una solucin mnima cuadrada, se tiene el sigu-
Corolario. Ejemplo.
Todo sistema de ecuaciones lineales
Ax = y
tiene al
menos una S.M.C.
6.4.11. Para el sistema de ecuaciones lineales
1 1 Ax = 1
se tiene que Adems:
1 1 1 1 1
x0 = A+ y =
1 6
1 x = 2 = y, y 3 1 1 1 1 2 = 1 1 1 3 2;
es la M.S.A.
Ax0 y =
as que para todo vector
se tiene que:
2 Ax y , Ax y = 2 < x . mn
y si existe un vector que:
tal que
2,
entonces se debe tener
x0 =
6.4.12.
Teorema.
Sea
una matriz
y sea
un vector
Rm .
Si
(A) = n,
entonces el sistema de ecuaciones lineales
Ax = y
tiene una
nica S.M.C. que es justamente la M.S.A. dada por:
x0 = A+ y.
una S.M.C. del sistema de ecuaciones Ax = y. Por de nicin se tiene para todo x Rn , entonces que Ax y Ax y , en particular, para el vector x0 = A+ y se tiene:
Demostracin. Sea
(6.5)
Ax y AA+ y y .
168
Inversa generalizada e inversa condicional
De otra parte, como
6.4. Mnimos cuadrados
A
tal que
A+
es una c-inversa de
AA+
es simtrica,
entonces se tiene (ver teorema 6.4.6)
Ax y
= Ax AA+ y x
+ AA+ y y
2
x Rn .
2
En particular, para el vector (6.6)
se tiene:
Ax y AA+ y y
2
Ax AA+ y
+ AA+ y y
2
.
2
De (6.5) y (6.6) se sigue que:
Ax AA+ y Ax y =0
2
+ AA+ y y
2
AA+ y y
De aqu que
Ax AA+ y
y por lo tanto:
Ax = AA+ y .
Puesto que
(A) = n,
entonces
A+ = AT A
1
AT
(teorema 6.2.1), en
consecuencia:
Ax = A AT A
Premultiplicando esta igualdad por
AT y.
1
AT A
AT ,
se obtiene:
= =
AT A AT A AT A
1 1 1
AT Ax AT A AT A
1
AT y
AT y = A+ y = x0 .
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 x2 1 = x3 1 x4 1 x
0 1 , 2 3 a b
169
y1 1 y2 3 y= y3 = 4 y4 4
y el vector incgnita
est dada por
x=
6.4. Mnimos cuadrados
Puesto que
Inversa generalizada e inversa condicional
el teorema anterior, el sistema dado
tiene una nica
(A) = 2, entonces por S.M.C., a saber: x0
= A+ y = (AT A)1 AT y = 1 10 1,5 1 7 3 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) (1,3) (3,4)
(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 in nita,
x = 1.(ver
gura 6.5(a)) 170
Inversa generalizada e inversa condicional
y x=1 y
6.4. Mnimos cuadrados
y=3/2x (1,2) (1,1) x
a) Ajuste por una recta de pendiente infinita
(1,2) (1,1)
y=3/4+3/4x
x
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
in nita, 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 1 4
x1 x2 = y1 y2 1 1
a b
= = y.
1 1
1 1
a b
Una S.M.C. del sistema dado es:
x0
A+ y =
1 1
1 2
3/4 3/4
a b
As que una recta de ajuste, por mnimos cuadrados, de los puntos dados es:
y = a + b x =
De otra parte, la matriz
3 3 + x. 4 4 0 1/2
Ac =
es una c-inversa de
0 1/2
A, AAc
es simtrica. En efecto, 171
6.4. Mnimos cuadrados
Inversa generalizada e inversa condicional
AAc =
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
a b
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
m,
y = a0 + a1 x + a2 x + . . . + am x
a un conjunto de
m
mediante la
puntos
(x1 , y1 ); (x2 , y2 ); . . . ; (xn , yn ),
tcnica de los mnimos cuadrados. Sustituyendo estos las
n valores de x y y en la ecuacin polinmica se obtienen x1 x2
. . .
ecuaciones siguientes:
y1 1 y2 1 . = . . . . . yn 1
x2 1 x2 2
. . .
.. .
xn
x2 n
xm a0 1 xm a1 2 . . . . . . m xn am
De lo que se trata nuevamente, es de encontrar una S.M.C. del sistema de ecuaciones lineales 6.4.15.
Ax = y.
Encontrar un polinomio de grado dos que mejor se
Ejemplo.
ajuste, por mnimos cuadrados, a los puntos:
(1, 0); (0, 2); (1, 1); (2, 0) .
172
Inversa generalizada e inversa condicional
6.4. Mnimos cuadrados
Debemos encontrar una S.M.C. del sistema de ecuaciones lineales:
Ax =
1 1 1 1
1 0 1 2
1 0 a1 0 a2 = 2 1 1 a3 4 0
= y.
Puesto que dada por:
(A) = 3, el sistema dado tiene una nica S.M.C., la cual est 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
0 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
2
(1,0) (2,0) (1,1) x
(0,2)
Figura 6.6. Ajuste cuadrtico ejemplo 6.4.15
173
6.5. Ejercicios
Inversa generalizada e inversa condicional
6.5. Ejercicios
6.5.1 Responda verdadero o falso justi cando su respuesta.
1. Si las matrices entonces 2. ca. 3. Si 4. 5. 6. 7. 8. 9. 10. 11. 12.
B Mmr y C Mmr tienen el mismo rango, (BC)+ = C + B + . + Si S es una matriz simtrica, entonces S es una matriz simtriS S
es una matriz simtrica tal que
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.
6.5.2 Demuestre que
1. Para cualquier matriz
A se tiene que: (A) = (A+ ) = (AA+ )=
2. Si 3. 4. 5.
(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
174
Inversa generalizada e inversa condicional
6. Si
6.5. Ejercicios
es una matriz simtrica
la matriz la matriz:
CT = 1
1 A=
m m y si C T B = 0, donde C T es 1 1m , entonces la g-inversa de
B CT . D+ =[aij ]nn
es 7. Si
A+ = B + D = [dij ]nn
1/m C
es una matriz diagonal, entonces
es una matriz diagonal, donde
aij = B 0 0 C
1/dii 0
si
dii = 0 . si dii = 0
8. Si 9. 10. 11.
12. 13.
B+ 0 . 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 A ij = 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 A=
entonces
A+ =
matriz no negativa. 14. Para cada matriz
m n, A; AB = AA+
sii
es tal que
ABA =
15. Sea 16. 17. 18.
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,
matriz para cada c-inversa entonces una c-inversa de la matriz
AB es A una
simtrica.
A=
B 0
0 C
es
Ac =
Bc 0
0 Cc
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 n Ax = y, y si 1 , 2 , . . . , n son escalares tales que i=1 i = 1,
175
Ax = y tiene solucin, enA+ A = I, y en este caso c A de A.
6.5. Ejercicios
entonces
Inversa generalizada e inversa condicional
x=
i=1
es una solucin del sistema 21. Sea
i xi
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
teorema 6.4.2 y la regla de Cramer para demostrar que si para algn
y para algn
j , xi = xj ,
entonces existe una nica recta
de ajuste, por mnimos cuadrados, a los puntos dados:
y = a + b x
y que
a =
b =
b ,
n i=1 n i=1
donde:
n
n i=1
xi x2 i
a = det
n i=1 n i=1
yi
n i=1 n i=1
xi x2 i
= det
xi
xi yi
= det
n
n i=1
n i=1 n i=1
yi
xi
xi yi
6.5.3 Clculos
1. Calcule la g-inversa de cada una de las matrices siguientes:
(i) A1 =
(ii) A2 =
1 3
2 5
(iii) A1 =
3
176
1 (iv) A4 = 1 2
Inversa generalizada e inversa condicional
7 (v) A5 = 7 7 1 3 (vii) A7 = 0 0 7 7 7 7 7 7 2 4 0 0 1 (vi) A6 = 0 0
6.5. Ejercicios
0 5 0 2 2 0 0 0 0 0 0 0 3 3 0 0 3 3
1 1 (viii) A8 = 0 0
2.
2 1 1 3 1 2 1 1 1 (ix) A9 = 1 1 1 1 1 1 1 2 3 5 3 ,d dos c-inversa Ac Para la matriz A = 2 1 1 3 0 c c que (A1 ) > (A) y (A2 ) = (A). A1 = 1 1 1 1 , A2 = 1 1 1 1 2 3 2 3 3 3 . ,
Ac 2
tales
3. Determine el conjunto de todas las c-inversas de las matrices
1 A3 = 1 2
2 3 , 5
A4 =
4. D la M.S.A. del sistema de ecuaciones lineales
Ax = y,
donde:
2 2 A= 1 2
2 2 1 2
2 2 0 0
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
Inversa generalizada e inversa condicional
7. D, si las hay, dos S.M.C. diferentes del sistema de ecuaciones lineales:
Ax =
2 2
2 2
x y
1 0
178
CAPTULO 7
Factorizacin de matrices
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 (7.1) donde
A, m n
en la forma
A = LU L
es una matriz triangular inferior (del ingls lower)
mm
es
una matriz escalonada (7.2)
mn
(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
Factorizacin de matrices
y = U x,
En este punto introducimos una nueva variable (por sustitucin) obteniendo as el nuevo sistema (7.4)
Ly = b. y,
mediante sustitu-
Resolvemos entonces dicho sistema para la variable resolver el sistema (7.5)
cin hacia adelante. Como paso nal, usamos sustitucin hacia atrs para
U x = y.
Es de anotar, que los sistemas (7.4) y (7.5) son relativamente fciles de resolver dado que se trata de matrices de coe cientes 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 di eren nicamente en la parte no homognea. El siguiente resultado nos da condiciones su cientes para la existencia de una tal factorizacin
LU
para una matriz cuadrada
A.
Posteriormente lo
extenderemos a matrices rectangulares. 7.1.1.
Teorema
U
(Factorizacin
LU ).
Sea
una matriz cuadrada
n n.
Supongamos que perior,
se puede reducir por las a una matriz triangular su-
aplicando nicamente operaciones elementales de eliminacin
(operaciones del tipo angular inferior tal que
Fi + Fj con i < j ). Entonces existe una matriz trique es invertible y posee unos en su diagonal principal, A = LU.
Si
es invertible, entonces esta descomposicin es nica.
Demostracin. Por hiptesis, existen matrices elementales
E1 , E2 ,
. . . , Ek
del tipo (Fi
+ Fj , i > j )
y una matriz
(triangular superior)
tales que
Ek Ek1 E2 E1 A = U.
De aqu obtenemos
1 1 1 A = E1 E2 Ek U.
Ahora bien, por construccin, cada matriz elemental sus inversas
E1 , E2 , . . . , Ek
es
triangular inferior y tiene unos en su diagonal principal, por consiguiente
1 1 1 E1 , E2 , , Ek
y la matriz
1 1 1 L = E1 E2 Ek
tam-
bin tienen las mismas caractersticas (ver ejercicio 1, de la seccin 7.5.2). 180
Factorizacin de matrices
7.1. Descomposicin LU
Lo que implica que hemos obtenido la factorizacin LU buscada para la matriz
A,
es decir:
A = LU,
Consideremos ahora una matriz invertible para
y demostremos la unicidad
de dicha factorizacin. Supongamos que tenemos dos factorizaciones LU
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
es invertible las
U1 , U2
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 L1 = U2 U1 . 2
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
L1 L1 = I, 2
de esto se sigue
L2 = L1
y por ende,
U1 = U2 .
En el ejemplo 7.1.5 consideramos una matriz no invertible, que posee in nitas 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
1 0 0 1 0 0
4 7 3 6 6 9 4 7 3 6 = U 0 3
181
7.1. Descomposicin LU
Si denotamos entonces con
Factorizacin de matrices
E1 , E2
y
nientes de las operaciones elementales respectivamente, entonces obtenemos
E3 las matrices elementales prove2F1 + F2 , 3F1 + F3 y 2F2 + F3
E3 E2 E1 A = A = =
U (E3 E2 E1 )1 U
1 1 1 E1 E2 E3 U
1 2 0 1 2 3
0 1 0 0 1 2
0 0 1 0 0 1
1 0 3 1 0 0
0 1 0
0 1 0 0 0 0 1 0 U 1 0 2 1 4 7 3 6 = LU . 0 3
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 colocando los opuestos de los multiplicadores tales aplicadas del tipo
en aquellas posiciones donde se obtienen los ceros (0's) de
L se puede almacenar U, simplemente
en las operaciones elemen-
Fi + Fj
con
i < j.
En nuestro ejemplo anterior
1 2 3
4 5 6
7 8 12
2F1 +F2 3F1 +F3
1
2 3
1
2 3
2F2 +F3
4 7 3 6 6 9 4 7 3 6 2 3 4 7 3 6 0 3
de donde obtenemos que
1 L= 2 3
son tales que
0 1 2
0 0 1
1 U = 0 0
A = LU .
182
Factorizacin de matrices
7.1.4.
7.1. Descomposicin LU
Ejemplo.
Considere la matriz
2 4 A= 3 2 A
a una forma escalonada
3 2 4 10 4 0 . 2 5 2 4 4 7
Apliquemos operaciones elementales, sin intercambio, para llevar la matriz
2 4 3 2
3 2 4 10 4 0 2 5 2 4 4 7
(2)F1 +F2 (3/2)F1 +F3
2
2 -3/2 -1
(1)F1 +F4
3 4 5/2 7 3 4
5/8 7/4
2 8 2
4 8 4
6 3 2 4 8 8 3 9 20 11 2 8 3
20/3
(5/8)F2 +F3 (7/4)F2 +F4
2
2 -3/2 -1
2
2 3/2 -1
(20/3)F3 +F4
3 4
5/8 7/4
4 8 9 49
de donde obtenemos que
1 0 2 1 L= 3/2 5/8 1 7/4
son matrices tales que
0 0 0 0 3 0 20/3 1 A = LU,
2 3 0 4 U = 0 0 0 0
2 8 3 0
4 8 , 9 49
siendo esta factorizacin nica.
7.1.5.
Ejemplo.
Considere la matriz
1 A = 1 2
2 3 2 3 . 4 6
Aplique-
mos operaciones elementales, sin intercambio, para llevar la matriz 183
7.1. Descomposicin LU
una forma escalonada
Factorizacin de matrices
1 1 2 1 U = 0 0
En este caso
2 3 2 3 4 6 3 0 0
(1)F1 + F2 (2)F1 + F3 1 L = 1 2 L
no es nica.
1
-1 2
2 3 0 0 0 0
de donde obtenemos que
2 0 0
0 0 1 0 x 1
con
arbitrario.
A = LU,
donde
Consideremos ahora el caso en que se necesitan intercambio de las para poder reducir una matriz. Existe en este caso un procedimiento que permite extender la factorizacin mutacin. Como se recordar, el intercambio de dos las de una matriz expresar como las de de
LU ,
el cual hace uso de matrices per-
se puede
Pi A, siendo Pi
la matriz permutacin correspondiente a las
a una forma escaln necesitamos realizar
A que deseamos intercambiar. Ahora bien. Si durante la reduccin P1 , . . . , Pk permutaciones 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 (triP A = LU .
de las, stas puede hacerse al comienzo de todo el procedimiento y producir as la matriz decir, nosotros aplicar la factorizacin
angular superior) tales que
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 U
es nece-
a una matriz triangular superior
sario primero una o varias operaciones elementales del tipo permutacin de las (tambin es posible usar operaciones del tipo Una de tales operaciones de intercambio puede ser
Fi + Fj con i > j ). F12 . Si llamamos P a
la correspondiente matriz permutacin obtenemos entonces
2 PA = 0 1
4 2 2
7 3 . 5
184
Factorizacin de matrices
7.1. Descomposicin LU
A esta nueva matriz le aplicamos los pasos descritos en los ejemplos anteriores y obtenemos
2 0 1
4 2 2
3 3 5
(1/2)F1 + F3
2 0
1/2
4 2 0
7 3 3/5
de donde obtenemos que
1 L= 0 1/2
son matrices tales que
0 0 1 0 0 1
2 U = 0 0
4 2 0
7 3 3/5
P A = LU .
7.1.7.
Teorema.
Sea
matriz de permutacin
A una matriz P tal que
invertible
n n.
Entonces existe una
P A = LU
donde
es una matriz triangular inferior y
es una matriz triangular
superior. Se tiene adems, que para cada matriz
P, L
son nicas.
El siguiente teorema recoge ahora la formulacin para la descomposicin
LU
para matrices
rectangulares
m n.
7.1.8.
Teorema.
Sea
A una matriz rectangular mn que se puede reducir
a una forma escalonada efectuando nicamente operaciones elementales de eliminacin (operaciones del tipo una matriz y una
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 A = LU.
7.1.9.
Ejemplo.
Encontremos la descomposicin
LU
para la matriz
1 A= 2 3
4 5 6
7 8 12
185
2 1 . 3 34
7.1. Descomposicin LU
Factorizacin de matrices
Apliquemos para ello, operaciones elementales, sin intercambio, para llevar a la matriz
A 4 5 6
a una forma escalonada
1 2 3
7 8 12
2 1 3
(2)F1 + F2 (3)F1 + F3 (2)F1 + F2
1
2 3
1
2 3
4 7 2 3 6 5 6 9 3 4 7 2 3 6 5
2
de donde obtenemos que
1 L= 2 3
son tales que
0 1 2
0 0 1
1 U = 0 0
4 7 2 3 6 5 0 3 7
A = LU. LU
para una matriz que
En general, el esquema para una factorizacin
se puede reducir a una forma escalonada nicamente usando operaciones elementales de eliminacin est dado por la gr ca 7.1.
0 A
U 0
0 A
U 0
0 A
Figura 7.1. Esquema de la factorizacin LU
186
Factorizacin de matrices
7.1. Descomposicin LU
LU
El siguiente ejemplo, nos ilustra cmo hacer uso de la descomposicin 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
cuyo trmino independiente es ejemplo se tiene
= = = 2
1 2 4 A
del ejemplo 7.1.2 y
cuya matriz de coe cientes corresponde a la matriz
bT =
. De acuerdo con dicho
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
Ahora bien planteamos el sistema
Lz = b, esto es z1 =1 2z + z2 =2 , 1 3z1 + 2z2 + z3 = 4
cuya solucin es
1 z = 0 . 1
Con esta solucin planeamos el sistema
U x = z, esto x1 + 4x2 + 7x3 = 1 3x2 6x3 =0 , 3x3 =1
es el sistema
y cuya solucin es
x1 = 4/3;
x2 = 2/3
187
x3 = 1/3.
7.2. Descomposicin QR
Factorizacin de matrices
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)).
n.
Sea
de rango columna completo invertible tales que
Entonces existen matrices
A Mmn una matriz Q Mmn con
triangular superior e
columnas ortogonales (ortonormales) y
R Mnn
A = QR
Demostracin. Consideremos la matriz
A particionada por sus colum-
nas, sto es,
A=
A1
A2
An
, n. De aqu se tiene que C(A) (el espacio colum-
la cual por hiptesis es de rango columna completo el conjunto na de
B = A1 , A2 , . . . , An
es una base de
A).
Aplicando el proceso de ortogonalizacin de Gram-Schmidt 188
Factorizacin de matrices
(teorema 1.2.24) a esta base se obtiene
7.2. Descomposicin QR
v1
= A1 = A2 = A3
. . .
v2
A2 ; v 1 v1 v1 ; v1 A3 ; v 1 A3 ; v2 v1 v2 v1 ; v1 v2 ; v2
v3
n1
vn
= An
i=1
An ; vi vi . vi ; vi
Despejando de aqu cada vector columna
Aj
obtenemos:
A1 A2 A3
v1 A2 ; v 1 v1 v1 ; v1 A3 ; v2 A3 ; v 1 v1 + v2 v1 ; v1 v2 ; v2
= v2 +
=
. . .
v3 +
n1
vn +
i=1
An ; vi vi . vi ; vi
As que podemos escribir: 189
7.2. Descomposicin QR
Factorizacin de matrices
A =
A1
A2
An 1 A2 ; v1 v1 ; v1 1 A3 ; v1 v1 ; v1 A2 ; v2 v2 ; v2 1
. . .
An ; v 1 v1 ; v1 An ; v 2 v2 ; v2 An ; v 3 v3 ; v3
. . .
A =
v1
v2
vn
0
. . .
0
. . .
.. .
0 0
0 0
An ; vn1 vn1 ; vn1 1
A =
Q0 R0 , A.
que corresponde a la descomposicin QR no normalizada de la matriz
Usamos ahora los mdulos de las columnas de la matriz la matriz diagonal invertible forma, podemos reescribir la
Q0 para de nir D = diag( v1 , v2 , . . . , vn ). De esta igualdad A = Q0 R0 como sigue:
A = =
Q0 R0 Q0 D1 DR0 v1 0 . . . 0 v1 A2 ; v 1 v1 ; v1 v2
. . .
.. .
v1 v2
v1 v1
v2 v2
vn vn
An ; v1 v1 ; v1 An ; v2 v2 ; v2
. . .
vn
QR , A.
que corresponde a la descomposicin QR normalizada de la matriz 190
Factorizacin de matrices
7.2.2.
7.2. Descomposicin QR
Ejemplo.
Encontremos la descomposicin QR para la matriz
1 1 A= 1 1
2 1 1 2 = 1 2 1 1
A1
A2
A3
Aplicando el proceso de ortogonalizacin de Gram-Schmidt obtenemos
v1
1 1 = A1 = 1 ; 1 A2 ; v 1 v1 ; v1 2 1 1 1 1 v1 = 1 + 4 1 1 1 A3 ; v2 v2 v2 ; v2 9 2 3 + 3 3 3 9 1 3 = 4 3 ; 3
v2
= A2
v3
= A3 1 2 = 2 1
A3 ; v 1 v1 v1 ; v1 1 1 1 2 1 1
0 1 = 1 . 2
De aqu se tiene que
A1 A
2
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
7.2. Descomposicin QR
Factorizacin de matrices
A =
A1 A2 A3 = [v1 1 1 1 1 9/4 3/4 3/4 3/4 0 1 1 2
1 1/4 1/2 1 2/3 v2 v3 ] 0 0 0 1 1 1/4 1/2 0 1 2/3 0 0 1
no normalizada).
=
podemos escribir
Q0 R0
(Descomposicn
En este caso, la matriz
D est dada por D = diag 2,
3 2
3,
. Entonces
A1 A2 A3 = 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
2 0 0 1/2 3 3/2 0 1 3 6
(Descomposicin normalizada).
Supongamos ahora que la matriz completo, esto es, bin existe una corolario. 7.2.3.
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 (A) = r
con
no normalizada contiene columnas nulas, como lo establece el siguiente
Teorema (Factorizacin QR (Parte II)).
(A) = r
con
Sea la matriz nulas, y una
tal que con
0 < r < n.
Entonces existen una matriz
r columnas ortogonales no nulas y el resto Mnn triangular superior invertible tales que A = Q0 R0
La matriz forma
A Mmn Q0 Mmn matriz R0
(Descomposicin no normalizada) .
tambin se puede descomponer de manera normalizada en la
A = QRr
192
Factorizacin de matrices
donde
7.2. Descomposicin QR
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).
Demostracin. Si seguimos los pasos de la demostracin del teore-
ma 7.2.1 obtenemos la descomposicin QR no normalizada para es,
A.
sto
A = Q0 R0 .
En este caso sin embargo, y
Q0
tendr
columnas ortogonales no nulas
nr
columnas nulas. Ahora, para de nir matriz diagonal
usamos
los mdulos de la columnas no nulas
Q0
respetando sus posiciones y unos
(1's) en el resto de componentes de la diagonal de
D. La matriz Q buscada DR0 ,
las las
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
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
1 1 A= 1 1
2 0 1 1 3 2 = 1 3 2 1 3 1 A,
A1
A2
A3
A4
Procedamos ahora a aplicar los pasos del mtodo de ortogonalizacin de Gram-Schmidt con las columnas de esto es:
v1 = A1 =
1 1 ; 1 1 9 1 1 3 ; v 1 = A2 + v 1 = 4 4 3 3
v2
= A2
A2 ; v 1 v1 ; v1
193
7.2. Descomposicin QR
A3 ; v 2 A3 ; v 1 v1 v1 ; v1 v2 ; v2 v4 = 1 2 A4 v1 + v2 0v3 = 2 3
Factorizacin de matrices
0 0 9 v 2 = A3 v 1 + v 2 = 0 ; 4 0 0 1 . 1 2
v3
A3
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 1/4 1 0 0 9/4 1 1 0 1/2 2/3 0 1
1 1 = 1 1 = Q0 R0 .
1 9/4 0 0 3/4 0 1 0 3/4 0 1 0 0 3/4 0 2
Tomamos ahora la matriz diagonal columnas nulas de tenemos,
D, cuyos elementos D
a los a los mdulos de las i-simas columnas no nulas de
ii corresponden Q0 . TPara las
entonces
Q0
tomamos
D = diag 2, A1 A2 A3
3 2
3,
D = 1. En nuestro ejemplo, ii 6 . Ahora bien, escribimos
A =
A4 0 0 0 0
= Q0 R0 = Q0 D1 DR0 0 2 1/2 3 3/2 0 0 9/2 1
1/2 1/2 1/2 1/2
3/2 3 1/2 3 1/2 3 1/2 3
1/ 6 0 1/ 6 0 0 2/ 6
1 3 . 1 0 0 6
Esto es, 194
Factorizacin de matrices
7.2. Descomposicin QR
= =
1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2
3/2
1/2
9/2
3/6 3/6 3/6 3/2
3/6 3/6 3/6
0 6/6 0 3 3/2 1 3 0 1 0 0 6/6 0 0 0 0 6 0 6/3 0 2 1/2 9/2 1 6/6 0 3 3/2 1 3 6/6 0 0 0 6 6/3
= QR .
La matriz
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 .
En este punto de la discusin, invitamos al lector a recordar los conceptos dados en el captulo 6 sobre inversas condicionales (A ), inversa generalizada (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.
QR
y la inversa generalizada de una matriz
A.
Teorema.
1. Si
Sea
A Mmn
una matriz real.
(A) = n
entonces existe una matriz
ortogonales (ortonormales) y una matriz e invertible
Q, m n, con columnas R triangular superior
nn
tales que
A = QR,
adems se tiene que
A+ = R1 QT .
195
7.2. Descomposicin QR
2. Si
Factorizacin de matrices
(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
primeras
A = QR,
adems se tiene que
A+ = RT (RRT )1 QT .
Demostracin. Supongamos que
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
A = QR.
De otra parte, sabemos que aqu se sigue que:
A+ = (AT A)1 AT (AT A)1 AT
(teorema 6.2.1(1)). De
A+
= =
(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. que:
Nota.
1. Si
Con respecto a los resultados anteriores podemos anotar
A Mmn
es una matriz de rango
r<n
se tiene, usando la
notacin del teorema anterior, que
A+ A = RT RRT
196
R.
Factorizacin de matrices
7.2. Descomposicin QR
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;
Del literal anterior se sigue:
h Rn .
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 .
7.2.7. siendo
Ejemplo.
Considere el sistema de ecuaciones lineales
Ax = y,
1 1 A= 1 1
2 0 1 1 3 2 1 3 2 1 3 1 (A) = 2
1 1 y= 2 . 1
De acuerdo con el ejemplo 7.2.4
y las matrices
Q=
1/2 1/2 1/2 1/2
3/2
3/6 3/6 3/6
6/6 6/6 6/3
1/2 3 3/2 0
9/2 1
R= 0 0
3 6 0
son tales que
A = QR .
197
7.3. Descomposicin de Cholesky
Entonces
Factorizacin de matrices
teorema 7.2.5), es decir,
A+ = Rt (RRt )1 Q, (ver 2 = 9 7 18 1 18 0
1 18 1 18 1 18 1 6
1 18 1 18 1 18 1 6
0 1 6 1 6 1 3
A+
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 h = 1/18,
obtenemos las M.S.A.
h R.
En particular, si
5 1 11 . x = A+ y = 18 1 9
7.3. Descomposicin de Cholesky
A diferencia de las factorizaciones vistas hasta ahora, la factorizacin o descomposicin de Cholesky se aplica slo a matrices simtricas positivas de nidas 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
Factorizacin de matrices
7.3. Descomposicin de Cholesky
7.3.1. (Factorizacin de Cholesky) Si A Mnn es una matriz simtrica positiva de nida, entonces existe una nica matriz real T =
Teorema
[tij ]nn
triangular superior con tii
> 0 (i = 1, . . . , n),
tal que
A = TTT .
Adems,
|A| = |T | = [n tii ] . i=1
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 de nida, 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:
Sea
A=
a2 = ab =
a b
0 c
a b 0 c a=
a2 ab
ab b2 + c2
De sto se tiene que de donde, de donde,
(a > 0) y b= c= 2 (c > 0). 2 = T T T,
b2 + c2 =
sto es,
de donde,
A= =
0 2
adems, se tiene que
|A| = (t11 t22 )2 . n = k,
sto es, sea y que
Supongamos ahora que la a rmacin es cierta para
B Mkk
2
una simtrica positiva de nida. Supongamos que existe una
nica matriz triangular superior
|A| = |U | =
k i=1
uii
U Mkk
199
tal que
A = UT U
(hiptesis de induccin).
7.3. Descomposicin de Cholesky
Factorizacin de matrices
Demostremos ahora que la a rmacin es cierta para emos entonces una matriz Podemos escribir la
n = k + 1. ConsiderA M(k+1)(k+1) simtrica positiva de nida. matriz A por bloques en la forma a ,
con
A=
La matriz
A at
A Mkk , a Mk1 y R
es simtrica positiva de nida (teorema 4.3.6), entonces por
hiptesis de induccin, existe una nica matriz triangular superior
Mkk
tal que
A = UT U
2 A = |U | = k uii i=1
. de tamao
Consideremos ahora la matriz triangular superior
(k + 1)
(k + 1),
con elementos de la diagonal principal positivos y escrita por
bloques en la forma
T =
donde
U 0
y z
,
adecuadamente tales que,
y Mk1 y z R+ deben ser escogidos A = T T ; sto es, tales que: UT 0 A a = A= T yT z a
t
U 0
y z .
UT U yT U
Uy yT y + z 2
Igualando trmino a trmino debemos tener que
U T y = a, yT y + z 2 = ,
Adems se tiene que
lo que implica
y = (U T )1 a z = ( yT y)1/2 .
lo que implica
|A| = =
|T |2 = |U |2 z 2 k uii i=1
2
z 2 = k+1 tii i=1
Veremos a continuacin dos procesos para calcular la factorizacin de Cholesky. El primero se basa en la de nicin propia de la factorizacin de Cholesky, mientras que el segundo usa resultados del captulo sobre diagonalizacin de matrices positivas de nidas. 200
Factorizacin de matrices
7.3. Descomposicin de Cholesky
Proceso A (clculo de la factorizacin de Cholesky):
Sea
una matriz simtrica
nn
positiva de nida. Puesto que
A =
TTT
con
una matriz triangular superior con elementos positivos en su
diagonal principal, se debe tener que:
A = =
a11 a12 a13
. . .
a12 a22 a23
. . .
a13 a23 a33
. . .
.. .
a1n a2n a3n
. . .
t12 t22 0
. . .
a1n t11 t12 t13
. . .
a2n 0 t22 t23
. . .
a3n 0 0 t33
. . .
.. .
t1n
t2n
t3n
ann t11 0 0 0 0 0 . . . . . . 0 tnn
t13 t23 t33
. . .
.. .
t1n t2n t3n
. . .
tnn
Clculos directos muestran entonces que se debe cumplir que: 1. 2.
t11 = t1j =
a11 .
a1j a1j = ; j = 1, . . . , n. t11 a11
i1 k=1
3.
tii = aii tij =
t2 ki
1/2
; i = 2, . . . , n.
4.
1 aij tii
i1
tki tkj ; j > i, i = 2, . . . , n 1.
k=1
5.
tij = 0; j < i, i = 2, . . . , n.
Con respecto a este mtodo y al clculo de los elementos
Observacin.
1.
elementos no nulos tij de la matriz triangular
podemos decir que:
t2 es igual al elemento aii menos la suma de los cuadrados de los ii elementos ya calculados de la i-sima columna de T . Es decir,
i1
t2 = aii ii
k=1
t2 , ki
201
i = 1, . . . , n.
7.3. Descomposicin de Cholesky
2. El producto
Factorizacin de matrices
tii tij es igual a aij menos la suma del producto de los elementos ya calculados de las i-sima y j -sima columnas
de
T.
Es decir,
i1
tij tii = aij
k=1
7.3.2.
tki tkj ;
i, j = 1, . . . , n .
Ejemplo.
Siguiendo el esquema anterior, encuentre la descomposi-
cin de Cholesky para la matriz simtrica positiva de nida
4 2 A= 0 2
Clculos directos muestran que:
2 2 3 2
0 2 3 2 . 18 0 0 4
1. 2.
t11 = t22 = t23 t24
a11 = 2; t12 =
3.
t33
a22 t2 = 2 1 = 1; 12 a23 t12 t13 3 (1) 0 =3 = = t22 1 a24 t12 t14 2 (1) 1 = = 1. = t22 1 = a33 t2 t2 = 18 32 02 = 3; 13 23
a13 a14 a12 = 1; t13 = = 0; t14 = = 1. 2 2 2
t34 =
4.
a33 t13 t14 t23 t24 0 0 1 3(1) = =1 t33 3 a44 t2 t2 t2 = 24 34 14 4 12 (1)2 12 = 1
t44 =
Es decir,
2 0 T = 0 0
1 1 0 0
0 3 3 0
1 1 , 1 1
es la matriz triangular superior tal que 202
A = T T T.
Factorizacin de matrices
7.3.3.
7.3. Descomposicin de Cholesky
Ejemplo.
Siguiendo con el esquema anterior, encuentre la descom-
posicin de Cholesky para la matriz simtrica positiva de nida
4 A= 2 4
Clculos directos muestran que:
2 4 10 4 , 4 9
1.
t11 = t22 = 2.
a11 = 2; t12 = a22 t2 12
2.
a12 a13 = 2. = 1; t13 = t11 2 a23 t12 t13 4 (1)(2) = = 10 1 = 3; t23 = = t22 3 9 (2)2 (2)2 = 1.
3. Es decir,
t33 =
a33 t2 t2 = 13 23
2 T = 0 0
1 3 0
2 2 , 1 A = T T T.
es la matriz triangular superior tal que
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 que
A,
es positiva de nida, si existe una matriz triangular
P,
tal que
P T AP = I
(ver tambin el teorema 5.1.2). De aqu
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 tales en las las y columnas de de las).
| I
y realizando de manera adecuada y simultneamente operaciones elemen-
A y en las las de I
(sin hacer intercambios
Nota.
T
Existe una relacin entre la factorizacin LU para matrices positi-
vas de nidas y la descomposicin de Cholesky. En efecto, si ca positiva de nida entonces principal.
203
se puede expresar mediante
A es simtriA = T T T con
una matriz triangular superior con elementos positivos en la diagonal
7.3. Descomposicin de Cholesky
Ahora bien, sea
Factorizacin de matrices
entonces se tiene que:
D = diag (t11 , t22 , . . . , tnn ) A = = = = TTT T T D1 DT
(T T D1 )(DT ) LU. 4 4 . 9
7.3.4.
Ejemplo.
Consideremos la matriz simtrica positiva de nida
4 A= 2 4
Del ejemplo 7.3.3 se tiene que
2 10 4
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
una matriz simtrica y positiva de nida. Sea
triangular positiva tal que
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
A=
T T T , la solucin del sistema Ax = y
sistema triangular superior
se reduce a encontrar la solucin del
T x = z,
con 204
z = (T T )1 y.
Factorizacin de matrices
7.3.5.
7.4. Descomposicin en valores singulares
Ejemplo.
Consideremos el sistema de ecuaciones lineales
4x1 + 2x2 4x3 2x1 + 10x2 + 4x3 4x1 + 4x2 + 9x3
= =
12 6
= 3 .
Puesto que la matriz de coe cientes 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
4 2 4 4 = 2 10 4 4 9 2 1 2 | 0 3 2 | = 0 0 1 |
T T
(ver ejemplo), para obtener:
| | |
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 rectangular simtricas
A la cual involucra los valores y vectores propios de la matrices AAT y AT A. Como se recordar dichas matrices son positivas
Para toda matriz
semide nidas y por ello sus valores propios son no negativos.
trices ortogonales
A Mmn se tiene que existen maU Mmm y V Mnn y una matriz diagonal Mmn , con elementos ij = 0, si i = j y ii =: i 0, y 1 2 s , en donde s = m {m, n} tales que n
7.4.1.
Teorema.
T Amn = Umm mn Vnn .
Los nmeros
2 2 2 1 , 2 , , s
son los valores propios de
AT A
(quizs agre-
gando algunos ceros) y los vectores propios asociados son las columnas 2 2 v1 v2 vn . Adems, lo nmeros 1 , 2 , de la matriz V =
205
7.4. Descomposicin en valores singulares
Factorizacin de matrices
2 , s son igualmente los valores propios de AAT (quizs agregando algunos ceros) y los vectores propios asociados son las columnas de U =
u1 u2 estos vectores
um
Adems de tiene las siguientes relaciones entre
Avi
i ui i = 1, 2, . . . , s.
T i v i
uT A = i
Demostracin. Supongamos que
r < s.
La matriz simtrica
existe una
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 2 0 2 0 U T AAT U = D2 = . . . .. . . . . . . . 2 0 0 m
2 2 2 1 2 m 0 son los valores propios de S = AAT y las columnas de U = [u1 u2 um ] son vectores propios de S correpondidonde entes a dichos valores propios:
2 AAT ui = Sui = i ui ;
Como
i = 1, 2, . . . , m.
2 2 2 r = (A) = (AAT ), entonces 1 2 r > 0. ParU1 U2 con U1 Mmr . ticionemos ahora la matriz U como U =
Luego
U T AAT U = = =
es decir,
T U1
AAT U1 U2
T U2 T U1 AAT U1
T U1 AAT U2 T U2 AAT U2
T U2 AAT U1 2 Dr 0
206
Factorizacin de matrices
7.4. Descomposicin en valores singulares
U AA U
2 1 0 . . . 0 = 0 . . . 0
0 2 2
. . .
.. .
0 0
. . .
| | | | | | |
0 0
. . .
.. .
0 0
. . .
.. .
2 2 0
. . .
0 0
. . .
.. .
0 . 0 . . . 0
. . .
0 0
Esto implica que
T U2 AAT U2 = (AT U2 )T (AT U2 ) = 0,
de donde o sea:
T U2 A = 0
AT U2 = 0.
Tambin se tiene que
T 2 U1 AAT U1 = Dr ,
1 T 1 1 1 Dr U1 AAT U1 Dr = I = (AT U1 Dr )T (AT U1 Dr ).
sto signi ca que la matriz
1 V1 = AT U1 Dr Mnr
tiene columnas ortogonales matriz
(V1T V1 = I). V1 V2
Sea
V2 Mn(nr)
tal que la
V =
Mnn Dr 0 0 0
es ortogonal. Veamos ahora que
U t AV = =
En efecto, de una parte:
U T AV =
y de otra parte,
T U1 T U2
A V1 V2
T U1 AV1 T U2 AV1
T U1 AV2 T U2 AV2
V TV
T U2 A = 0. As mismo, T V1 V1 V2 = I= V2T
V1T V1 V2T V1
V1T V2 V2T V2
I 0 0 I
,
207
7.4. Descomposicin en valores singulares
lo que implica que
Factorizacin de matrices
de donde
1 V1T V2 = 0 = (AT U1 Dr )T V2 T U1 AV2 = 0.
y nalmente,
T U1 AV1
= =
T 1 U1 AAT U1 Dr 2 1 Dr Dr = Dr 1 0 0 2 . . .. . . . . . 0 0
0 0 . . . . m
En consecuencia,
U T AV = =
Dr 0
0 0
Nota.
Observe que
1 AV1 = AAT U1 Dr
Avi = i ui
i = 1, 2, . . . , r.
igualmente,
AT U1 = V1 Dr
AT ui = i vi
T uT A = vi i 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 3.
S = AAT Mmm .
2. Encuentre los valores propios de
4. 5.
5*.
2 2 2 S : 1 2 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.
208
Factorizacin de matrices
7.4.3.
7.4. Descomposicin en valores singulares
A = 2 4 1 2 4 2 ; (A) = 2,
Ejemplo.
Considere la matriz
calculemos la descomposicin en valores singulares usando el proceso esbozado anteriormente.
Calculando directamente obtenemos la matriz cuyos valores propios son:
S = AAT =
9 0
0 36
2 1 = 36
2 2 2 2 = 9 ( 1 2 ) .
Calculemos ahora los vectores propios asociados a estos valores propios:
Para
2 1 = 36
tenemos el sistema
(S 36 I)X = 0, x1 x2 = 0 0 ,
es decir el sistema
25 0
0 0
cuyo conjunto solucin es de la forma
B=
0 x2
: x2 = 0 . 0 1
Como
2 1 -vector
propio podemos tomar entonces
u1 =
. Anloga-
mente podemos tomar a
u2 =
1 0
como
2 2 -vector
propio. Ahora con-
sideramos las matriz ortogonal
U=
y la matriz diagonal
u1
u2
0 1
1 0
D = diag {1 , 2 } =
6 0
0 3
Puesto que
r = (A) = 2
tenemos que 209
Dr = diag {1 , 2 } =
6 0
0 3
7.4. Descomposicin en valores singulares
Factorizacin de matrices
Con las matrices de nidas hasta ahora se tiene que
V1
1 AT U1 Dr 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
2 1 2
1 2 = 2
V1
V2
1 1 2 . con V2 = 3 2
Nosotros tenemos entonces que:
U T AV =
6 0
0 3
0 0
= . 1 A= 0 1 1 1 0 0 1 ; (A) = 3, 1
7.4.4.
Ejemplo.
Consideremos la matriz
calculemos ahora la descomposicin en valores singulares:
De nuevo calculamos la matriz
S = AAT 2 1 S = AAT = 1 2 1 1
esto es,
1 1 . 2
cuyos valores propios los calculamos de manera usual, es decir, resolviendo la ecuacin
|S I| = 0,
= |S I| 2 1 1 1 2 1 = 1 1 2
210
= ( 4)( 1)2 .
Factorizacin de matrices
Los valores propios de
7.4. Descomposicin en valores singulares
2 2 1 = 4, 2 = 1
y
son entonces
2 3 = 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
2 2 1 , 2
y
como vectores propios ortonormales asociados a mente. Consideramos ahora la matriz ortogonal
2 3
respectiva-
U= u1 u2 u3
1/ 3
2/ 6 1/ 6 1/ 6
= 1/ 3 1/ 3 = 3)
1/ 2 . 1/ 2
y las matrices diagonales ((A)
2 D = diag {1 , 2 , 3 } = 0 0
0 1 0
0 0 = Dr . 1
De nimos ahora la matriz
V1
1 0 = 1 1 0 1 1 0 = 1 1 0 1 1/3 = 1/3 1/ 3
1 V1 = AT U1 Dr , 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
0 0 1 0 0 1
Nosotros tenemos entonces que:
4 U T AV = 0 0
0 1 0
211
0 0 = . 1
7.5. Ejercicios
Factorizacin de matrices
7.5. Ejercicios
7.5.1 Responda falso o verdadero justi cando su respuesta
1. Las operaciones elementales en las las del tipo
Fi + Fj
con
i < j,
con
producen matrices elementales triangulares inferiores.
2. Las operaciones elementales en las columnas del tipo
Ci + Cj i < j , producen matrices elementales triangulares inferiores.
3. El producto de dos matrices elementales del mismo tamao, es una matriz elemental. 4. La descomposicin LU para cualquier matriz 5. Si
A es nica. Q es una matriz rectangular cuyas columnas son orgonormales T entre, entonces Q Q = I.
7.5.2. Demuestre que:
1. Suponga que ferior.
Li , (i = 1, 2), son matrices triangulares inferiores: a ) Muestre que el producto L1 L2 es una matriz triangular inb ) Mueste que si
matemtica)
L1 es
invertible, entonces su inversa
L1 1
es
tambin una matriz triangular inferior (Sug.: use induccin
c ) Muestre que si los elementos de la diagonal principal de
L1 y L2 son tosdo iguales a 1 (uno), entonces las matrices L1 L2 , L1 y L1 tambin tienen unos en su diagonal principal. 1 2
(Sug.: use induccin matemtica)
2. Use el ejercicio anterior para demostrar que las a rmaciones son igualmente vlidas para matrices triangulares superiores. 3. Demuestre que si
A Mmn
tiene columnas ortogonales y con unos en su diagonal
tiene rango n y A = QR, donde Q Res una matriz triangular superior principal, entonces Q y R son nicas.
7.5.5. Calcule 212
Factorizacin de matrices
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 3 7 2 1 2 1 1 . 17 3
b)
1 5
0 1 0 1 3
d)
1 4 7
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 5 18 14
.
Use dicha descomposicin para resolver el sistema 3. Encuentre la matriz triangular de los siguientes casos
Ax = y, yT =
en cada uno
tal que
A = QR
a)
1 1 1
A=
1 , 1
Q=
1 3 1 3 1 3
1 2 0 1 2
b)
1 0 1
1 1 1
A=
1 , Q = 1
4.
4 Considere la matriz simtrica positiva de nida S = 2 0
a ) Calcule su descomposicin LU. b ) Calcule sus descomposicin de Cholesky.
2 9 8
0 8 5
5. Calcule la descomposicin en valores singulares de la matriz
A=
2 1
1 4 0 1 1 0
2 1 0 1 1 1
6. Calcule la descomposicin QR de la matriz
1 0 A= 1 0
213
CAPTULO 8
Rectas e hiperplanos. Conjuntos convexos.
Este captulo consta de dos secciones. En la primera daremos las de niciones 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
Rn
Los conceptos de recta, segmento de recta e hiperplanos en en programacin lineal (vase el captulo 6 de [
10]).
P
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
IR 3 x3 x3
Hiperplanos
P(x1 , x2 , x 3)
p = 0P =(x1 , x2, x 3)
O(0, 0, 0)
x2
O(0, 0, 0)
x2
x1
x1
Figura 8.1. Puntos y vectores en
R3 .
P (x1 , x2 , . . . , xn ) y Q(x1 , x2 , . . . , xn ) 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 (x1 x1 , x2 x2 , . . . , xn xn ). En tal sentido, y dado que OQ OP = (x1 , x2 , . . . , xn ) (x1 , x2 , . . . , xn )
Dados dos puntos
Nota.
=
escribiremos
8.1.1.
(x1 x1 , x2 x2 , . . . , xn xn ),
P Q = (x1 x1 , x2 x2 , . . . , xn xn ).
(Rectas)
De nicin
En
Rn ,
la recta que pasa por el punto
en
la direccin del vector
(8.1)
d=0
se de ne como el conjunto de puntos:
= X Rn : OX = OP + d,
Se dice adems, que el vector
es un vector director de la recta
Segn la de nicin anterior, un punto dada por (8.1) sii existe un
0 R
tal
X0 Rn pertenece a que OX0 = OP + 0 d.
la recta
216
Hiperplanos
y IR
2
8.1. Rectas y planos
OX=OP+ d P d d x
Figura 8.2. Una recta en
R2 .
en la
8.1.2.
Ejemplo.
En
direccin del vector
R3 , la recta que pasa por el punto P (1, 2, 3) d = (1, 0, 5), es el conjunto de puntos:
= X(x1 , x2 , x3 ) R3 : (x1 , x2 , x3 ) = (1, 2, 3) + (1, 0, 5),
El punto
R .
X0 (1, 2, 7)
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 = 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:
= =
X Rn : OX = OP + d,
R R .
X Rn : OX = OP + P Q, 0
217
8.1. Rectas y planos
Rn
Hiperplanos
P
y
En consecuencia, podemos decir que la recta que pasa por los puntos
Q (P = Q)
(8.2)
de
es el conjunto de puntos:
= X Rn : OX = OP + t P Q,
y IR
2
tR .
Q P
OX=OP+t PQ
PQ = 0Q OP t PQ
Figura 8.3. Gr ca de una recta que pasa por los pun-
tos
Q.
8.1.3.
Ejemplo.
de
La recta que pasa por los puntos
P = (1, 2, 3)
Q=
(4, 1, 1)
R3 ,
es el conjunto de puntos:
= X(x1 , x2 , x3 ) R3 : (x1 , x2 , x3 ) = (1, 2, 3) + t(3, 1, 2), t R .
8.1.4.
De nicin (Segmento de recta).
P
y
El segmento de recta que une los de ne as: para
puntos
PQ = =
P Q y se X Rn : OX = OP + t P Q,
de se denota por
Rn ,
0t1 .
para
X Rn : OX = tOP + (1 t) OQ, X0 Rn OX0 = OP + t0 P Q.
0t1 . PQ
sii existe
Segn la de nicin anterior, un punto
pertenece a
0 t0 1
tal que
218
Hiperplanos
y IR 2
8.1. Rectas y planos
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 segmento de recta que un al punto es el conjunto de puntos
el punto
Q(0, 1, 0, 2),
P (1, 2, 3, 4) con X(x1 , x2 , x3 , x4 ) R4 :
PQ =
El punto
X R4 : (x1 , x2 , x3 , x4 ) = (1, 2, 3, 4) + t(1, 1, 3, 2) , 1 X0 ( , 2 1 ( , 2 3 , 2 3 , 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 (1, 0, 3, 0) = =
8.1.6.
(1, 2, 3, 4) + t (1, 1, 3, 2) (1 t , 2 t , 3 3t , 4 2t ) .
De nicin
P
(Hiperplano)
En
punto
y que es normal al vector
Rn , el hiperplano que n = 0, se de ne como el
pasa por el conjunto de
puntos:
H = X Rn : (OX OP ) n = 0 , H = X Rn : OX n = OP n = cte. ,
219
o lo que es lo mismo,
8.1. Rectas y planos
n IR
3
Hiperplanos
H
x3 X P
x2
x1
Figura 8.5. Gr ca de un plano en
R3 .
donde es el producto interno usual en
Rn
(vase apartado 1.2.3 1).
8.1.7.
Observacin.
1. En
En
R2
y en
R3
los hiperplanos tienen una estructura
muy particular. En efecto,
R2 ,
un hiperplano es una recta. As por ejemplo, el hiper-
plano (recta) que pasa por el punto al vector
P (4, 3)
y que es normal
n = (5, 2),
es el conjunto de puntos
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 vector
P (2, 1, 1)
y que es normal al de
X(x1 , x2 , x3 ) R3 que satisfacen la ecuacin: OX n = x1 + x2 + 3x3 = 2 1 + 3 = 0 = OP n,
es el conjunto de puntos
n = (1, 1, 3),
o sea,
x1 + x2 + 3x3 = 0 .
220
Hiperplanos
8.1.8.
8.1. Rectas y planos
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.
puntos de
La recta que pasa por
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).
el conjunto de
R.
El hiperplano (plano) que pasa por conjunto de puntos de la ecuacin:
Q y que es normal al vector n, es el X(x1 , x2 , x3 ) de R3 para los cuales se satisfacen
OX n = x1 + 2x2 + 3x3 = 6 = OQ n . I
al punto de interseccin entre la recta y
Ahora bien, si denotamos por el plano, entonces:
OI = OP + n
y tambin
para algn
R,
OI n = OP n.
De esto se sigue que:
OP + n = OQ n . PQ n n
2
Utilizando las propiedades del producto interno encontramos que:
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
8.1. Rectas y planos
n x3 IR
3
Hiperplanos
P
x Q
x2
x1
Figura 8.6. Gr cas de un plano y una recta en
R3
8.1.9.
De nicin.
Sea
el hiperplano de
Rn
descrito por la ecuacin
OX n = OP n = c
Los conjuntos
S1 = X Rn : OX n c S2 = X Rn : OX n c
se denominan los semiespacios cerrados con frontera Los conjuntos
y , H.
S1 = X Rn : OX n < c S2 = X Rn : OX n > c
se denominan semiespacios abiertos con frontera
y , H.
Nota.
Los semiespacios abiertos no incluyen la frontera
H,
mientras que
los semiespacios cerrados si la incluyen.
222
Hiperplanos
IR
2
8.2. Conjuntos convexos
y
. x. n > c
. x. n = c
. x.n < c
Figura 8.7. Ilustracin de semiespacios abiertos
8.2. Conjuntos convexos
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.
De nicin.
C.
Sea
un subconjunto de
Rn .
Se dice que
es convexo,
si para dos puntos cualesquiera contenido en
de
C,
el segmento de recta
PQ
est
En la gura 8.1 los conjuntos conjuntos
C1
C2
son convexos, mientras que los
C3
C4
no son convexos.
8.2.2.
Teorema.
Todo hiperplano de
Rn
es un conjunto convexo.
Demostracin. Sea
H el hiperplano de Rn OX n = OP n = c H.
Ahora, si
descrito por la ecuacin
y sean
Q1
Q2
puntos de
es un punto de
R3
cuyas
coordenadas satisfacen:
OX = OQ1 + t(Q2 Q1 ),
223
0 t 1,
8.2. Conjuntos convexos
y C 1 P Q P C2 Q P P Q C4 y C3 Q
Hiperplanos
x
(a)
(b)
Figura 8.1. Conjuntos convexos y no convexos
entonces
es un punto del segmento de recta
Q1 Q2
y se tiene que:
OX n = = = = = =
es decir, 8.2.3.
OQ1 + t(Q2 Q1 ) n 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, H
es un conjunto convexo.
X H.
Por lo tanto
Teorema.
Sea
abierto con frontera
H el hiperplano de Rn . Todo H es un conjunto convexo. H el hiperplano de Rn OX n = OP n = c .
semiespacio cerrado o
Demostracin. Sea
descrito por la ecuacin
Demostremos nicamente que el semiespacio abierto con frontera
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
Sean pues
8.2. Conjuntos convexos
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: OX n = OQ1 + t(Q2 Q1 ) n = = = <
esto es, 8.2.4.
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 , S
es un conjunto convexo.
X S.
Por lo tanto
La interseccin de dos conjuntos convexos de n conjunto convexo de R .
Demostracin. Sean
Teorema.
Rn
es un
C1
C2
dos conjuntos convexos de distintos de
C3 = C1 C2 .
Si
C3
tiene solamente un punto, entonces
mente convexo. Sean
Q1
son conjuntos convexos de
OQ1 + t(OQ2 OQ1 ) C1
y
Q2 dos puntos Rn , entonces:
Rn y sea C3 es automticaS3 , ya que C1 y C2 0 t 1.
Para todo
tal que
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.
Rn
vexos de
8.2.6.
es un conjunto conexo de
La interseccin de un nmero nito de conjuntos conn
R .
Rn .
Teorema
(Envolvente convexa)
Sean
X1 , X2 , . . . , Xm
m
puntos de
El conjunto:
C=
X Rn : OX =
i OXi ; i 0, i = 1, . . . , m,
i = 1
i=1
i=1
es un conjunto convexo y es llamado la Envolvente convexa de los puntos
X1 , X2 , . . . , Xm .
225
8.3. Ejercicios
Demostracin. Sean
Hiperplanos
P y Q dos puntos de C; entonces existen 1 , 2 , . . . , m no negativos, tales que:
m
es-
calares
1 , 2 , . . . , m
OP =
y
i OXi ,
i = 1
i=1 m
i=1 m
OQ =
Sea ahora
i OXi ,
i = 1 .
i=1
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
=
i=1 m
i OXi + t
i OXi
i OXi
i=1
i=1
=
i=1
donde
[(1 t)i + ti ] OXi ,
para
(1 t)i + ti 0
m
i = 1, . . . , m, = = (1 t)
[(1 t)i + ti ]
i=1
i + t
i=1 i=1
(1 t) + t = 1 , C
es un conjunto convexo.
entonces
X C.
En consecuencia,
8.3. Ejercicios
8.3.1 Responda verdadero o falso, justi cando su respuesta.
1. El punto 2.
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).
226
punto une a
Hiperplanos
3. Sean
8.3. Ejercicios
Q (1, 2, 3) , P (0, 1, 2)
y
seccin de la recta que pasa por y de hiperplano que pasa por
n = (1, 1, 1). El punto de interP en la direccin del vector n Q y que es normal al vector n, es Rn
es un conjunto con-
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
x = x1 x2 xn Ax = y, tales que xi 0
t
,
i = 1, . . . , n
8.3.2 Calcule 1. Sea
es un conjunto convexo.
H = X Rn : OX n = c
tal que:
un hiperplano de
Rn .
a ) Muestre que si
X = 0 H, entonces existe un vector n = 0 /
H = X Rn : OX n = 1 .
b ) Demuestre que si
b1 , b2 , . . . , bn
dependientes.
de
X = 0 H, entonces existen n puntos / H, que como vectores son linealmente inX = 0 H, /
n
entonces
c ) Demuestre que si
H=
X Rn : X =
i=1
i bi ,
i=1
son puntos de
i = 1 H,
,.
donde 2. Encuentre
b1 , b2 , . . . , bn b1 , b 2
y
que como vectores
son linealmente independientes.
b3
tales que
= =
X R : X (2, 1, 1) = 1
3 3
X R3 : X =
i=1
i bi ,
i=1
i = 1
3. Sean
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 = 0 tal que: = = X R3 : OX =
3 3
i bi ,
i=1 i=1
i = 1
X R3 : OX n = 1
227
8.3. Ejercicios
4. Sea
Hiperplanos
a ) Muestre que si
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
independientes.
c ) Demuestre que si
X = 0 H,
entonces
H=
donde 5. Encuentre
X Rn : OX =
son
n1
i ai
i=1
. H,
que como
a1 , a2 , . . . , an1 a1 = =
y
n1
puntos de
vectores son linealmente independientes.
a2
tales que
X R3 : OX (2, 1, 1) = 0 X R3 : OX = 1 a1 + 2 a2
6. Sean
a1 = (1, 1, 1) y a2 = (1, 0, 1). a ) Muestre que a1 y a2 son linealmente independientes. b ) Encuentre un vector n = 0 tal que: H = = X R3 : OX = 1 a1 + 2 a2 X R3 : v N = 0 Rn .
es una variedad lineal de
7. Demuestre que todo hiperplano de dimensin
n1
(vase el apartado 1.2.1).
8. Demuestre que si 9. Demuestre que si biyectiva,
T : R n Rm
es una transformacin lineal, lineal
entonces enva conjuntos convexos en conjuntos convexos.
T : R2 R2 es una transformacin entonces T enva tringulos en tringulos.
228
ndice alfabtico
Base, 11 cambio de, 20 cannica de Rn , 14 ortogonal, 16, 66 ortonormal, 16 c-inversa de una matriz, 152 Cholesky descomposicin, 198 Conjuntos convexos, 223 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 Eigenvalores, eigenvectores; vea valores (vectores) propios, 44 Espacio columna, matriz, 21 Espacio la, matriz, 21
229
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 Factorizacin de matrices; ver descompisicin de matrices, 179 Forma cuadrtica, 97 cambio de variables, 101 clasi cacin, 99 diagonalizacin de una, 103 inde nida, 99, 110 negaitivamente de nida, 110 negativamente de nida, 99 negativamente semide nida, 110 negitivamente semide nida, 99 no negaitiva, 99 no posiitiva, 99 positivamente de nida, 99, 110 positivamente semide nida, 99, 110 Forma escalonada reducuda, 6 g-inversa de una matriz, 137, 143 Gauss-Jordan, mtodo, 23 Gram-Schmidt, proceso, 191 Gram-Schmidt, proceso de, 16 Hermite
ndice alfabtico
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
230
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 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
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
También podría gustarte
- (Lecture Notes) A. Ibort, M. A. Rodríguez-Notas de Álgebra Lineal (2014)Aún no hay calificaciones(Lecture Notes) A. Ibort, M. A. Rodríguez-Notas de Álgebra Lineal (2014)233 páginas
- Resolución de Ecuaciones Diferenciales con Método de FrobeniusAún no hay calificacionesResolución de Ecuaciones Diferenciales con Método de Frobenius59 páginas
- El Cuerpo de Los Complejos (Por Ing. Mario Raúl Azócar)Aún no hay calificacionesEl Cuerpo de Los Complejos (Por Ing. Mario Raúl Azócar)111 páginas
- Anillos y Sus Categorías de Representaciones - Solotar, Suárez Álvarez y EtcAún no hay calificacionesAnillos y Sus Categorías de Representaciones - Solotar, Suárez Álvarez y Etc312 páginas
- Estadística y Teoría de ProbabilidadesAún no hay calificacionesEstadística y Teoría de Probabilidades141 páginas
- Herramientas Informáticas en MatemáticasAún no hay calificacionesHerramientas Informáticas en Matemáticas14 páginas
- Fundamentos Matemáticos para IngenieríaAún no hay calificacionesFundamentos Matemáticos para Ingeniería468 páginas
- Análisis de Variable Real: Guía CompletaAún no hay calificacionesAnálisis de Variable Real: Guía Completa111 páginas
- Introducción a Estructuras DiscretasAún no hay calificacionesIntroducción a Estructuras Discretas133 páginas
- Ecuaciones Diferenciales y AplicacionesAún no hay calificacionesEcuaciones Diferenciales y Aplicaciones754 páginas
- Análisis Real Y Complejo - Analisis Funcional - Luis Bernal GonzálezAún no hay calificacionesAnálisis Real Y Complejo - Analisis Funcional - Luis Bernal González117 páginas
- Instrucciones PEC Síntesis Álgebra 2021-22Aún no hay calificacionesInstrucciones PEC Síntesis Álgebra 2021-226 páginas
- Introducción a Matrices y DeterminantesAún no hay calificacionesIntroducción a Matrices y Determinantes49 páginas
- Fundamentos de Estadística y ProbabilidadAún no hay calificacionesFundamentos de Estadística y Probabilidad312 páginas
- Aplicaciones Lineales y Valores PropiosAún no hay calificacionesAplicaciones Lineales y Valores Propios6 páginas
- Introducción a la Teoría de GruposAún no hay calificacionesIntroducción a la Teoría de Grupos98 páginas
- Geometría Afín y Euclidiana: FundamentosAún no hay calificacionesGeometría Afín y Euclidiana: Fundamentos175 páginas
- Apuntes de Matemática Discreta 2004Aún no hay calificacionesApuntes de Matemática Discreta 2004117 páginas
- Métodos Algebraicos en Ecuaciones FuncionalesAún no hay calificacionesMétodos Algebraicos en Ecuaciones Funcionales103 páginas
- National Council of Teachers of Mathematics - 10 - El Sistema de Los Numeros RacionalesAún no hay calificacionesNational Council of Teachers of Mathematics - 10 - El Sistema de Los Numeros Racionales119 páginas
- Introducción a Matrices y DeterminantesAún no hay calificacionesIntroducción a Matrices y Determinantes10 páginas
- Matrices y Sistemas de EcuacionesAún no hay calificacionesMatrices y Sistemas de Ecuaciones22 páginas
- Fundamentos de Álgebra Lineal y MatricesAún no hay calificacionesFundamentos de Álgebra Lineal y Matrices11 páginas
- Introducción a las Matrices en Álgebra LinealAún no hay calificacionesIntroducción a las Matrices en Álgebra Lineal21 páginas
- Introducción a Matrices y DeterminantesAún no hay calificacionesIntroducción a Matrices y Determinantes18 páginas
- Algebra II: Matrices y DeterminantesAún no hay calificacionesAlgebra II: Matrices y Determinantes40 páginas
- Introducción a las Matrices en Álgebra LinealAún no hay calificacionesIntroducción a las Matrices en Álgebra Lineal20 páginas
- Teoría de Las Matrices y DeterminantesAún no hay calificacionesTeoría de Las Matrices y Determinantes13 páginas
- Matrices y Determinantes en Álgebra Lineal100% (1)Matrices y Determinantes en Álgebra Lineal12 páginas
- Matrices y Sistemas de EcuacionesAún no hay calificacionesMatrices y Sistemas de Ecuaciones17 páginas
- Matrices y Deter Min Antes Chapter1Aún no hay calificacionesMatrices y Deter Min Antes Chapter114 páginas
- Matrices y Determinantes: Guía BásicaAún no hay calificacionesMatrices y Determinantes: Guía Básica19 páginas
- Guía de Álgebra Lineal: Matrices y DeterminantesAún no hay calificacionesGuía de Álgebra Lineal: Matrices y Determinantes15 páginas
- 10 - Matriz y Determinantes - PracticaAún no hay calificaciones10 - Matriz y Determinantes - Practica4 páginas
- Guía Completa de Matrices y DeterminantesAún no hay calificacionesGuía Completa de Matrices y Determinantes11 páginas
- Álgebra Matricial: Definiciones y OperacionesAún no hay calificacionesÁlgebra Matricial: Definiciones y Operaciones5 páginas
- Matrices y Determinantes: Conceptos ClaveAún no hay calificacionesMatrices y Determinantes: Conceptos Clave7 páginas
- Definiciones y Propiedades de MatricesAún no hay calificacionesDefiniciones y Propiedades de Matrices7 páginas
- Matemática 1 - Matrices y Determinantes Clase 1Aún no hay calificacionesMatemática 1 - Matrices y Determinantes Clase 117 páginas
- Sistemas de Ecuaciones y MatricesAún no hay calificacionesSistemas de Ecuaciones y Matrices23 páginas
- Introducción a los Polinomios en MatemáticasAún no hay calificacionesIntroducción a los Polinomios en Matemáticas21 páginas
- Silabo Resolución de Problemas II - E.primaria II 2022.2100% (2)Silabo Resolución de Problemas II - E.primaria II 2022.28 páginas
- Didáctica del álgebra: competencias y rupturas100% (3)Didáctica del álgebra: competencias y rupturas24 páginas
- Pruebas Hipótesis con R CommanderAún no hay calificacionesPruebas Hipótesis con R Commander22 páginas
- Actividades de Matemáticas 4º ESOAún no hay calificacionesActividades de Matemáticas 4º ESO5 páginas
- Ejercicios de Lógica y MatemáticasAún no hay calificacionesEjercicios de Lógica y Matemáticas2 páginas
- Examen Opcional de Complejidad AlgorítmicaAún no hay calificacionesExamen Opcional de Complejidad Algorítmica1 página
- Análisis de Curvas Paramétricas en Álgebra100% (1)Análisis de Curvas Paramétricas en Álgebra20 páginas
- Lógica Matemática: Proposiciones y Conjuntos100% (3)Lógica Matemática: Proposiciones y Conjuntos14 páginas
- Criterios de Convergencia de Integrales ImpropriasAún no hay calificacionesCriterios de Convergencia de Integrales Improprias1 página
- Solución de Sistemas de EcuacionesAún no hay calificacionesSolución de Sistemas de Ecuaciones11 páginas
- Actividad de Matematicas - 2 - Metodo de ReduccionAún no hay calificacionesActividad de Matematicas - 2 - Metodo de Reduccion14 páginas
- Guía de Aprendizaje: Sistemas 3x3 en ÁlgebraAún no hay calificacionesGuía de Aprendizaje: Sistemas 3x3 en Álgebra21 páginas
- Revista Diatriba: Pedagogía Militante 2015Aún no hay calificacionesRevista Diatriba: Pedagogía Militante 2015124 páginas
- Evaluación Diagnóstica Matemáticas 5º BásicoAún no hay calificacionesEvaluación Diagnóstica Matemáticas 5º Básico4 páginas
- Problemas de Razonamiento Matemático 5° y 6°Aún no hay calificacionesProblemas de Razonamiento Matemático 5° y 6°10 páginas
