Matriz Simetricas y Ortogonales

Enrique R.
Aznar
Dpto. de lgebra
MATRICES SIMTRICAS Y ORTOGONALES.

Cmo diagonalizar eficientemente?
Pgina web personal
1.
2.
3.
Autovalores de matrices reales.

Lema 1
Lema 2
Lema 3
Ejemplo 1
Ejemplo 2
Matrices simtricas reales.
Definicin 1
Lema 4
Lema 5
Ejemplo 3
Teorema 1
Lema 6
Congruencia-semejanza.
Definicin 2
6
7
7
8
9
9
9
9
10
10
11
12
12
13
13
Pgina de Abertura
Contenido
JJ
II
Pgina 1 de 64
Atrs
Pantalla grande/pequea
Cerrar
4.
5.
Corolario 1
Lema 7
Definicin 3
Corolario 2
Ejemplo 4
El grupo ortogonal O(n).
Definicin 4
Corolario 3
Ejemplo 5
Definicin 5
Interpretacin geomtrica de O(2).
Corolario 4
Lema 8
Ejemplo 6
Definicin 6
Definicin 7
Corolario 5
Lema 9
Ejemplo 7
Definicin 8
Corolario 6
Definicin 9
Ejemplo 8
13
14
14
14
15
16
16
18
19
20
20
20
21
21
23
23
23
24
24
26
26
26
26
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 2 de 64
Atrs
Cerrar
6.
7.
8.
Matrices de Givens y de Householder.

Definicin 10
Ejemplo 9
Lema 10
Corolario 7
Definicin 11
Corolario 8
Ejemplo 10
Descomposicin por valores singulares (SVD).
Teorema 2
Ejemplo 11
Definicin 12
Corolario 9
Definicin 13
Corolario 10
Ejemplo 12
Lema 11
Definicin 14
Corolario 11
Lema 12
Seudoinversa de Moore-Penrose.
Definicin 15
Lema 13
27
27
27
28
29
29
29
29
30
30
31
33
33
33
34
34
35
36
37
37
37
37
38
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 3 de 64
Atrs
Cerrar
9.
10.
11.
12.
13.
Definicin 16
Teorema 3
Ejemplo 13
Ejemplo 14
Ejemplo 15
rea de paralelogramos.
Lema 14
Lema 15
Ejemplo 16
Ejemplo 17
Nmero de condicin de una matriz.
Definicin 17
Ejemplo 18
Ejemplo 19
Lema 16
Ejemplo 20
Apndice 1. Valores propios de un producto de matrices.
Ejemplo 21
Teorema 4
Ejemplo 22
Apndice 2. Una aplicacin estadstica de la SVD.
Ejemplo 23
Ejercicios.
38
38
38
39
39
40
41
42
43
43
44
44
44
45
46
47
48
48
53
53
55
57
59
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 4 de 64
Atrs
Cerrar
Ejercicio 1
Ejercicio 2
Ejercicio 3
Ejercicio 4
Ejercicio 5
Ejercicio 6
Ejercicio 7
Ejercicio 8
Ejercicio 9
Ejercicio 10
14. Test de repaso.
59
59
59
60
60
60
60
61
61
61
61
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 5 de 64
Atrs
Cerrar
1. AUTOVALORES DE MATRICES REALES .
Enrique R. Aznar
Dpto. de lgebra
Dada una matriz cuadrada real, A = (ai j ) Mn (R), sus autovalores son las
races de su polinomio caracterstico
a 11
a 12
a 21
a
22
p() = |A I | = ..
.
..
.
a n1
a n2
.. =
..
.
.
. . . a nn
a 1n
a 2n
...
...
Pgina web personal

Pgina de Abertura
= (1)n n + (1)n1 p n1 n1 + + p 0
Contenido
Por desarrollo directo, el coeficiente p n1 = t r (A) = a11 + + ann coincide

con la suma de la diagonal principal de A y se le llama la traza de la matriz.
Haciendo = 0, en ambos lados, se ve que el coeficiente p 0 = det(A) R
coincide con el determinante de la matriz1.
JJ
II
Pgina 6 de 64
Como p() R(), es un polinomio real de grado n , sabemos por el Teorema

Fundamental del lgebra2 que tiene exactamente n races complejas. O sea,
n autovalores (contados con su multiplicidad), 1 , . . . , n C, y se tiene
n n
p() = (1) + (1)
n1
n1
p n1
Atrs
+ + p 0 = (1) ( 1 ) ( n )
1Hay frmulas para los dems coeficientes aunque son mas complicadas.
2Todas sus demostraciones tienen una parte que cae fuera del alcance de estas notas.
Cerrar
Igualando coeficientes, en ambos miembros, se obtiene
Enrique R. Aznar
Dpto. de lgebra
p n1 = t r (A) = a 11 + + a nn = 1 + + n
p 0 = det(A) = 1 n
As, dada una matriz cuadrada real A , hemos demostrado que

Lema 1. La suma de autovalores da la traza y su producto el determinante.
Pgina web personal
Si C es un valor propio de A , el s.l. (A I )X = 0 tiene solucin distinta

de cero y existe un vector, 0 6= v Cn tal que Av = v .
v se dice un autovector asociado a . El par (, v) es una autopareja de A .
As, si (, v) es una autopareja de A , se verifican las siguientes.
Pgina de Abertura
Contenido
JJ
II
Lema 2. [Propiedades de los autovalores y autovectores]

1)
2)
3)
4)
5)
(, v) es una autopareja de A , para todo R.

(, v) es una autopareja de A , para todo R.
(1/, v) es una autopareja de A 1 (si existe).
(k , v) es una autopareja de A k , para todo k N.
es un autovalor de A t .
Demostracin:
1) Av = v implica A(v) = (v).
2) Av = v implica (A)v = ()v .
Pgina 7 de 64
Atrs
Cerrar
Enrique R. Aznar
Dpto. de lgebra
1
v.
3) Av = v implica v = (A v) = A v =
4) Av = v implica, por induccin, A k v = k v .
5) |A I | = |(A I )t | = |A t I |.
1
Aunque, A y su traspuesta A t tienen los mismos autovalores, no tienen los

mismos autovectores. Los de A t se llaman autovectores por la izquierda3.
Si A, B Mn (R) y B es una matriz regular, entonces
Pgina web personal
|AB I | = 0 |B ||AB I | = 0 |B AB B | = 0 |B A I ||B | = 0
Pgina de Abertura
|B A I | = 0
Contenido
O sea, si son cuadradas y A o B es regular, hemos demostrado

Lema 3. AB y B A tienen exactamente los mismos autovalores.
Aunque no sean cuadradas, si existen ambos productos AB y B A . Estas son

matrices cuadradas y coinciden sus autovalores
distintos de cero4.

1
1 1
, AB = (2) y B A =
cuyo
1
1 1
polinomio caracterstico es p() = (1)2 1 = 2 2 = (2) y tiene los
autovalores 0 y 2. Luego coincide el autovalor (2) distinto de cero.
Un caso muy simple es A = (1, 1), B =
3Cuando A es simtrica, si coinciden los autovectores por la izquierda y derecha.

4Si A de dimensin mxn , B de dimensin nxm . La demostracin es diferente.
JJ
II
Pgina 8 de 64
Atrs
Cerrar
1
1
1 1 1
Ejemplo 1. Dadas las matrices A =
y B = 0 1,
0 0 1
0
1
1 1
2
1 1
sus productos son AB =

, y B A = 0 0 1
0 1
0 0
1
Sus polinomios son respectivamente p 1 () = (1 )2 y p 2 () = (1 )2 .
De nuevo, coinciden sus autovalores distintos de cero ( = 1 doble).
1 0
1 2
1
Ejemplo 2. Dadas las matrices A =
y B = 0 1,
0
1 1
1 1
1 2
1
0 1
sus productos son AB =

, y B A = 0 1 1
1
0
1
3 2
2
Sus polinomios son respectivamente p 1 () = + 1 y p 2 () = 3 . De
nuevo, coinciden sus dos autovalores distintos de cero, i , i .
2. M ATRICES SIMTRICAS REALES .
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 9 de 64
Atrs
Dado un esp. vect. eucldeo, (V, ), y una a.l. f : V V , decimos que

Definicin 1. f es autoadjunta5 si f (u) v = u f (v), para todo u, v V .
5Algunos autores lo llaman endomorfismo simtrico.
Cerrar
Dada una base, B = {e 1 , . . . , e n } de V , por definicin, la matriz de un endomorfismo, A = (ai j ), por columnas son las coordenadas de f (e 1 ), . . . , f (e n )
respecto de la propia base.
Enrique R. Aznar
Dpto. de lgebra
Si f (e j ) = a1 j e 1 + + an j e n y B es ortonormal. Los coeficientes de Fourier

son ai j = f (e j ) e i , i , j = 1, . . . , n . Entonces, si f es autoadjunta la matriz
a i j = f (e j ) e i = e j f (e i ) = f (e i ) e j = a j i
Pgina web personal
es simtrica. Recprocamente, si A es simtrica y B ortonormal6

Pgina de Abertura
f (x) y = (AX )t Y = X t A t Y = X t AY = X t f (Y ) = x f (y)

Contenido
y hemos demostrado, que respecto a una base B ortonormal

Lema 4. f es autoadjunta (simtrico) si, y slo si su matriz es simtrica.
En lo que sigue, A = (ai j ) Mn (R), ser una matriz simtrica real.
JJ
II
Pgina 10 de 64
Lema 5. Los autovalores de A son todos nmeros reales.

Atrs
Demostracin: Sea (, v) una autopareja compleja. O sea, un autovector

v = x + yi Cn , dondex, y Rn , y un autovalor = a +bi C, donde a, b R
Ax + i Ay = A(x + yi ) = Av = v = (a + bi )(x + yi ) = (ax b y) + i (bx + a y)
6En este caso, el producto escalar se calcula como el usual, x y = X t Y .
Cerrar
Enrique R. Aznar
Dpto. de lgebra
Igualando, partes reales e imaginarias, se tiene

Ax = ax b y,
Ay = bx + a y
Entonces
Ax y = (ax b y) y = a(x y) bkyk2
x Ay = x (bx + a y) = bkxk2 + a(x y)
Pgina web personal
restando
2
0 = x Ay Ax y = b(kxk + kyk )
finalmente, como kxk2 + kyk2 6= 0, b = 0 y = a R es real.
10 6
Ejemplo 3. Dada la matriz, A =
, su polinomio caracterstico es
6
5
10
6
p() =
= 2 15 + 14 = ( 1)( 14) = 1, 14 R.
6 5
Pgina de Abertura
Contenido
JJ
II
Sean {1 , . . . , r } R, los autovalores distintos de A 7.

Para toda matriz cuadrada, espacios propios, Vi , correspondientes a autovalores distintos dan interseccin cero. O sea, su suma es directa
Pgina 11 de 64
U = V1 Vr V = Rn
Por el teorema espectral, sabemos que A es diagonalizable por semejanza si,

y slo si U = Rn . Pero U 6= Rn U 6= 0.
Cerrar
7El espectro tiene tamao r n . Pero contados con su multiplicidad, en total, dan n .
Atrs
Como, para todo autovector f (u) = Au = u , se tiene f (U ) U .

Si su complemento ortogonal U 6= 0, se tiene para todo u U y v U
Enrique R. Aznar
Dpto. de lgebra
f (v) u = v f (u) = 0
O sea, f (U ) U y f : U U ser un endomorfismo.

Tendr al menos un autovector 0 6= v U y entonces, f (v) = v v U
contradiciendo que U U = {0}. Por tanto,
Pgina web personal
U = V1 Vr = Rn
el endomorfismo ser diagonalizable por semejanza y hemos demostrado el
Pgina de Abertura
Contenido
Teorema 1. [espectral para matrices simtricas]

Toda matriz simtrica real es diagonalizable en R.
JJ
II
O sea, A es diagonalizable por semejanza. Pero se puede decir algo mas.
Lema 6. Si , R son autovalores distintos de f A , entonces V V .
Pgina 12 de 64
Atrs
Demostracin: Para todo u V y u V

f (u) v = (u) v = (u v)
u f (v) = u (v) = (u v)
Cerrar
Como f = f A es simtrico, ambos son iguales, y

( )(u v) = u v = 0
3. C ONGRUENCIA - SEMEJANZA .
Enrique R. Aznar
Dpto. de lgebra
Por lo anterior, dada una matriz simtrica real A , podemos aplicar el mtodo
de Gram-Schmidt, para obtener una base ortonormal para cada V .
Por el lema anterior, su unin ser una base de Rn , formada por autovectores
ortonormales. La matriz por columnas de estos vectores, P , es una matriz
ortogonal, P t = P 1 , tal que diagonaliza A . O sea,
1
..
P AP = D = .
0
...
..
..
.
Pgina web personal
Pgina de Abertura
. . . r
donde cada autovalor i se repite con su multiplicidad.

Asi, dadas matrices cuadradas, A, B, P Mn (R), se dice que
Definicin 2. A y B son congruentes-semejantes si A = P t B P y P t = P 1 .
A P , se le llama una matriz ortogonal o una semejanza-ortogonal.
Por lo anterior, para toda matriz simtrica real A Mn (R)
Corolario 1. A es congruente-semejante con la diagonal de sus autovalores.
Contenido
JJ
II
Pgina 13 de 64
Atrs
Cerrar
As, toda matriz simtrica real es diagonalizable por una semejanza-ortogonal.

Toda semejanza P representa un cambio de base, g : Rn Rn ,
tal que g (u) = Pu . Si adems P t = P 1 , se tiene
Enrique R. Aznar
Dpto. de lgebra
u v = u t v = u t P t P v = (Pu)t (P v) = g (u) g (v) =

= kuk2 = u u = g (u) g (u) = kg (u)k2 =
= cos((u, v)) =
uv
g (u) g (v)
=
= cos((g (u), g (v)))
kukkvk kg (u)kkg (v)k
O sea, hemos demostrado que
Pgina web personal
Lema 7. Toda semejanza-ortogonal preserva productos escalares.

Por tanto, tambin normas y ngulos.
Pgina de Abertura
Contenido
Si una a.l., g , preserva normas tambin preserva productos escalares, ya que
JJ
II
ku + vk2 = kuk2 + 2(u v) + kvk2 =
uv =
ku + vk
kg (u) + g (v)k
=
= g (u) g (v)
2
2
2(kuk + kvk ) 2(kg (u)k2 + kg (v)k2 )
Definicin 3. Decimos que una a.l., g : Rn Rn , es una isometria si

preserva normas. Por tanto, tambin productos escalares y ngulos8.
Corolario 2. Una semejanza es ortogonal si, y slo si es una isometra.
8Si una a.l. preserva ngulos se llama conforme y puede no preservar normas.
Por ejemplo, una homotecia o dilatacin
Pgina 14 de 64
Atrs
Cerrar
Ejemplo 4. Dada la curva de R , C = (x, y) R2 : 10x 2 12x y + 5y 2 = 1 ,

2
Enrique R. Aznar
Dpto. de lgebra
se puede comprobar que
10 6
10x 12x y + 5y = (x, y)
6
5
10 6
con A =
una matriz simtrica real.
6
5
2

x
= X t AX
y
Por el ejemplo 3, sabemos que sus autovalores son 1 y 14.

Resolviendo el s.l., (A 14I )X = 0, se obtiene el autovector v 1 = p113 (3, 2).
Pgina web personal

Pgina de Abertura
Resolviendo el otro s.l., (A I )X = 0, se obtiene el autovector v 2 = p113 (2, 3).

Escribiendolos por columnas, la semejanza-ortogonal es P =
p1
13
Contenido
3 2
.
2 3
JJ
II

x
3 2 x0
1
p
Por tanto, el cambio de base es X =
=
=PX0
13 2 3 y 0
y
As, diagonalizamos
Pgina 15 de 64
0
2
2
t
0 t
0
0t t
0
0 0 14 0 x
10x 12x y+5y = X AX = (P X ) AP X = X P AP X = (x , y )
0 1 y0
O sea, con el cambio de base (sistema de referencia) la curva se ve que es

una elipse
C = (x 0 , y 0 ) R2 : 14x 02 + y 02 = 1
inclinada segn tan( 32 ) y semiejes
p1
14
y 1.
Atrs
Cerrar
4. E L GRUPO ORTOGONAL O(n).
Enrique R. Aznar
Dpto. de lgebra
Dadas matrices, A, B Mn (R), cuadradas reales, si ambas son regulares, se

tiene que el producto AB 1 es de nuevo una matriz regular.
A un subconjunto G Mn (R) tal que, dadas A, B G , se tenga que AB 1 G ,
se le llama un grupo de matrices.
Definicin 4. Al conjunto de las matrices regulares reales se le denota,
GL n (R), y se le llama el grupo general lineal de orden n 9.
Pgina web personal

Pgina de Abertura
GL n (R) tiene 3 subgrupos de matrices interesantes, ya que

Si A, B tienen determinantes uno, |A| = 1 = |B |, tambin
|AB 1 | = |A||B |1 = 1
As, el conjunto de las matrices de determinante uno, denotado SL(n),

se le llama el grupo especial lineal de orden n .
Si A, B son matrices ortogonales, A t = A 1 , B t = B 1 , tambin
(AB 1 )t = B A t = (AB 1 )1
As, el conjunto de la matrices ortogonales, denotado O(n), se le

llama el grupo ortogonal de orden n .
9O simplemente, grupo de las matrices regulares de orden n .
Contenido
JJ
II
Pgina 16 de 64
Atrs
Cerrar
El conjunto de las matrices ortogonales, de determinante uno, es la
Enrique R. Aznar
Dpto. de lgebra
interseccin de los dos anteriores,

SO(n) = SL(n) O(n)
se le llama el grupo especial ortogonal de orden n .

La importancia de estos grupos de matrices, est en que admiten interpretacin
geomtrica y adems permiten procesos algortmicos10.
n
Pgina web personal
A O(n), nos define una isometra, f : R R , tal que f (u) = Au , ya que

u v = u t v = u t A t Av = (Au)t Av = f (u) f (v)
Recprocamente, si una aplicacin verifica que uv = f (u) f (v), u, v Rn .

Para la base cannica, {e 1 , . . . , e n }, se tiene que los coeficientes de Fourier
y i = f (u) f (e i ) = u e i = x i son iguales. O sea, u = x 1 e 1 + + x n e n , y
x1
.
f (u) = y 1 f (e 1 ) + + y n f (e n ) = ( f (e 1 ), . . . , f (e n )) .. = Au
xn
a11 ... a1n
donde A = ( f (e 1 ), . . . , f (e n )) = ... . . . ... es la matriz ortogonal cuyas colum-
Pgina de Abertura
Contenido
JJ
II
Pgina 17 de 64
Atrs
a n1 ... a nn
nas son las coordenadas de f (e j ) = a1 j e 1 + + an j e n 11.

10Computacionalmente buenos o eficientes. Por ejemplo, para diagonalizar.
11Que son vectores ortonormales, por preservar f productos escalares.
Cerrar
Hemos encontrado unas ecu. matriciales. As, f es lineal e isometra.
Enrique R. Aznar
Dpto. de lgebra
Corolario 3. [caracterizacin de isometras]

f : Rn Rn isometra f preserva prod. esc. f (u) = Au , con A O(n).
En lo que sigue, vamos a clasificar el grupo ortogonal
a b
t
1
O(2) = A =
M 2 (R) : A = A
c d
Para eso, primero observamos que

2
Pgina web personal

Pgina de Abertura
|A| = |A ||A| = |A A| = |I | = 1 |A| = 1 O |A| = 1
Por tanto, distinguimos dos casos:

1) Isometra directa: A ortogonal y |A| = 1. O sea, A SL(2).
2) Isometra inversa: A ortogonal y |A| = 1. O sea, A O(2) SL(2).
JJ
II
Pgina 18 de 64
Ahora, si A O(2)
1 0
a b a c
a + b 2 ac + bd
t
= I = AA =
=
0 1
c d b d
ac + bd c 2 + d 2
a 2 + b 2 = 1 = c 2 + d 2 ,
Contenido
ac + bd = 0,
ac = bd
Estas ecuaciones determinan completamente las matrices. As

Caso 1): ad bc = 1 implica a = a 2 d bac = a 2 d + b 2 d = (a 2 + b 2 )d = d .
Anlogamente, b = abd b 2 c = a 2 c b 2 c = (a 2 + b 2 )c = c .
Atrs
Cerrar
a b
O sea, se tiene que A SL(2) si, y slo si a + b = 1 y A =
b a
a b
SO(2) =
M 2 (R) : a 2 + b 2 = 1
b a
2
Enrique R. Aznar
Dpto. de lgebra
Caso 2): ad bc = 1 implica a = a 2 d bac = a 2 d +b 2 d = (a 2 +b 2 )d = d .

Anlogamente, b = abd b 2 c = a 2 c b 2 c = (a 2 + b 2 )c = c b = c .
a
b
O sea, se tiene que A SL(2), A O(2) si, y slo si a +b = 1 y A =
b a
a
b
O(2) SO(2) =
M 2 (R) : a 2 + b 2 = 1
b a
2
En particular, si hay ceros, se obtienen un nmero finito de matrices
0 1
0 1
1 0
1
0
,
,
,
SO(2)
1
0
1 0
0 1
0 1
0 1
0 1
1
0
1 0
,
,
,
O(2) SO(2)
1 0
1
0
0 1
0 1
Ejemplo 5. Para cualquier valor de un ngulo, R, la matriz
cos() sin()
A=
SO(2)
sin()
cos()
claramente es una isometra directa, ya que cos()2 + ( sin())2 = 1.
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 19 de 64
Atrs
Cerrar
Enrique R. Aznar
Dpto. de lgebra
Adems, la primera columna, f (e 1 ) = (cos(), sin()), representa grficamente el vector e 1 (eje x ), girado grados en sentido levgiro12.
Anlogamente, la segunda columna, f (e 2 ) = ( sin(), cos()), representa
grficamente el vector e 2 (eje y ), girado grados en el mismo sentido.
Definicin 5. Una isometra definida por la matriz ortogonal A =
es llamada una rotacin levgira de ngulo .
cos() sin()
sin() cos()
5. I NTERPRETACIN GEOMTRICA DE O(2).

Dados a, b R, tales que a 2 + b 2 = 1, siempre existe un ngulo R tal que
a = cos(), b = sin()13, y A SO(2) determina una rotacin levgira.
a b
SO(2), se puede interpretar tambin como un
b a
giro en sentido dextrgiro. Basta tomar , tal que a = cos() y b = sin()14.
En realidad, A =
Corolario 4. Las isometras directas de R2 son las rotaciones.

La ltima interpretacin permite diagonalizar una matriz arbitraria, B .
12Contrario a las agujas de un reloj.
13Por las propiedades de las funciones trigonomtricas.
14Toda rotacin es levgira y dextrgira, la diferencia est en tomar ngulos opuestos.
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 20 de 64
Atrs
Cerrar
x1 x2
En efecto, si B =
, elegimos el nico ngulo [0, ] tal que
y1 y2
q
y1
x1
cos() = , sin() = , con r = x 12 + y 12 = k(x 1 , y 1 )k
r
r
O sea, tomamos la rotacin R tal que
x 1 /r y 1 /r x 1 x 2
r (x 1 x 2 + y 1 y 2 )/r
RB =
=
y 1 /r x 1 /r y 1 y 2
0 (x 1 y 2 y 1 x 2 )/r
Trasponiendo la matriz resultante, podemos hacer cero fuera de la diagonal.
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Lema 8. Toda matriz 2x2 se puede diagonalizar con rotaciones.

Contenido
1 1
Ejemplo 6. Para, A =
, con la rotacin asociada a su primera columna
1 1
p
p
p
p
1/p2 1/p2 1 1
2 2/ 2
R1 A =
=B
=
0
0
1/ 2 1/ 2 1 1
ahora, si definimos la rotacin, R 2 , asociada a la primera fila de B y multiplicamos a la derecha por su traspuesta, se diagonaliza
p
p p
p
2/2
1/
2
2 0
2 2/ 2
p
p
=D
R 1 AR 2 = B R 2 =
=
0 0
0
0 1/ 2
2/2
JJ
II
Pgina 21 de 64
Atrs
Cerrar
Como R 1 , R 2 O(2), se tiene |A| = |D|, rango( A )=rango(D ). En este caso,

adems, como A t = A R 2 = R 1t , la diagonal obtenida son los autovalores y
la factorizacin es su diagonalizacin por semejanza.
15
Salvo la identidad, la matriz de una rotacin no tiene autovalores reales
Enrique R. Aznar
Dpto. de lgebra
a b
= (a )2 + b 2 = 0 = (a )2 = b 2 = b = 0, a = 1
p() =
b
a
Consideramos ahora
inversa. O sea, A O(2) SL(2).
una isometra
a
b
con a 2 + b 2 = 1, tiene los autovalores
b a
b
= 2 a 2 b 2 = 0 = 2 = a 2 +b 2 = 1 = = 1, 1
p() =
b
a
En este caso, A =
Pgina web personal

Pgina de Abertura
Para hallar sus autovectores, resolvemos los s.l.
Contenido

a 1
b
x
0
=
= x(a 1) = yb = (x, y) = (b, 1 a)
b
a 1 y
0

a +1
b
x
0
=
= x(a + 1) = yb = (x, y) = (b, 1 a)
b
a + 1 y
0
1
(b, 1 a), v = p 1 (b, 1 a), tenemos
Si los normalizamos, u = p22a
2+2a
u v = 0,
Au = u,
Av = v
Entonces, {u, v} es una base ortonormal y para todo vector u R 2 se tiene

u = xu + y v = f (u) = Au = x Au + y Av = xu y v
15Al mover un ngulo los vectores de la base cannica, tambin mueve a cualquier
vector y no tiene direcciones fijas (autovectores).
JJ
II
Pgina 22 de 64
Atrs
Cerrar
Toda a.l., f : R R , que tenga los autovalores 1, 1, acta de la misma

forma. Tiene una direccin fija u y lleva su perpendicular v a su opuesto.
2
Enrique R. Aznar
Dpto. de lgebra
Definicin 6. Llamamos reflexin a una a.l. que tenga los autovalores 1, 1.

Dado v = (a1 , a2 ) R2 , llamamos la recta definida por v al subesp. vect.
v = (x, y) R2 : a 1 x + a 2 y = 0
Si v es unitario, kvk = 1, la correspondencia entre v y su recta es biyectiva.

A ese v , le llamamos su vector director.
Pgina web personal

Pgina de Abertura
Si v es el autovector, correspondiente al autovalor 1, de una reflexin.
Contenido
Definicin 7. La llamamos reflexin respecto de la recta dada por v R2 .

JJ
II
As, toda matriz A O(2) SL(2) (isometra inversa) es una reflexin.

Recprocamente, si f : R2 R2 es una reflexin y v = (a1 , a2 ) R2 es el
autovector unitario correspondiente al autovalor 1. Entonces, la matriz
1 0
a1
1 0
2a 12 2a 1 a 2
t
H = I 2v v =
2
(a 1 , a 2 ) =
=
0 1
a2
0 1
2a 1 a 2 2a 22
1 2a 12 2a 1 a 2
a 2 a 12 2a 1 a 2
=
=
O(2) SL(2)
2a 1 a 2 1 2a 22
2a 1 a 2 a 12 a 22
Atrs
Cerrar
16
Corolario 5. Las isometras inversas del plano eucldeo son sus reflexiones .
16En el plano afn, hay ms pero se reducen a stas.
Pgina 23 de 64
Las reflexiones tambin sirven

para diagonalizar eficientemente.
Enrique R. Aznar
Dpto. de lgebra
q
x1 x2
, con ku 1 k = x 12 + y 12 ,
y1 y2
tomamos q = (x 1 + sg (x 1 )ku 1 k, x 2 ) y lo normalizamos
En efecto, si B = {u 1 , u 2 } =
v=
1
(x 1 + sg (x 1 )kx 1 k, x 2 )
kqk
Pgina web personal
sg (x 1 )ku 1 k
t
Entonces, la reflexin H = I 2v v satisface que Hu 1 =
0
y hace cero por debajo de la diagonal de B .
Pgina de Abertura
Contenido
Trasponiendo la matriz resultante, podemos repetir y diagonalizar.

Lema 9. Toda matriz 2x2 se puede diagonalizar con reflexiones.
p
1 1
, la norma de su primera columna es ku 1 k = 2
1 1
p
p
p
p
Entonces, q = (1 + 2, 1), kqk = 4 + 2 2 = v = p 1 p (1 + 2, 1)
4+2 2

p
1
1
1
1
1+ 2
t 1
H1
= (I 2v v )
=
(1 + 2, 1)
=
p
1
1
1
1
1
2+ 2
p
p
p p

2+ 2 1+ 2
1
1
1+ 2
2
=
=
p
1
1
1
1
0
2+ 2
JJ
II
Pgina 24 de 64
Atrs
Cerrar
p
p
p
p
2 2
Por tanto, H A =
Finalmente, como k( 2, 2)k = 2, existe
0
0
otra reflexin H2 que multiplicada por la derecha diagonaliza A .
p
p
(2) 0
2 0
2 2
H1 AH2 =
H2 =
=
0
0
0 0
0
0
Observamos, en este ejemplo, que la matriz diagonal es la misma17 del ejemplo 6 (donde se diagonaliza por rotaciones).
Si usamos reflexiones, no es necesario calcular explcitamente las matrices
de cambio H para obtener los productos y por tanto la diagonal. Adems,
conocemos de antemano la primera columna o fila del resultado.
As, para toda A M2 (R), existen matrices ortogonales18 U ,V O(2) tales
que
V t AU = D =
d1 0
0 d2
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 25 de 64
Como hemos visto, U y V no son nicas. Pero siempre A = V DU .

Aunque A , no sea simtrica. Siempre lo son sus grammianas, A t A y A A t .
Luego ambas son diagonalizables por congruencia-semejanza. Adems,
t
t t
A A = (V DU ) V DU = U DV V DU = U DDU = U D U
17
Atrs
Son los valores propios de A , que ya era diagonalizable por semejanza-ortogonal.

18Pueden ser ambas reflexiones o rotaciones si se preserva el signo del determinante.
En caso contrario, hay que mezclar rotacin y reflexin.
Cerrar
Como en esta descomposicin, los valores propios aparecen en la diagonal y

son nicos. Hemos demostrado que d12 y d22 son los valores propios de A t A .
Enrique R. Aznar
Dpto. de lgebra
Tambin se demuestra que d 12 y d22 son los valores propios de A A t .

Por tanto, los elementos d1 y d 2 que nicos salvo su signo y su orden.
Definicin 8. Si 0 d 1 d 2 , los llamamos los valores singulares de A .
Como siempre se pueden hacer positivos y/o reordenar multiplicando por
matrices ortogonales especiales. Tenemos
Pgina web personal

Pgina de Abertura
Corolario 6. Toda matriz A M2 (R) tiene valores singulares nicos.
Contenido
Como A t A = U D 2U t , la matriz ortogonal U O(2), tiene por columnas una

base ortonormal de autovectores de A t A . Anlogamente, A A t = V D 2V t y
tambin V O(2) es una base de autovectores de A A t .
JJ
II
Como V t AU = D AU = V D , hay correspondencia entre autovectores.

Si u es autovector de A t A , v de A A t y d es un valor singular de A .
Pgina 26 de 64
Definicin 9. u y v se corresponden por valor singular si Au = d v .
1 1
5 3
2 3
t
t
, sus grammianas A A =
, A A=
3 2
3 5
2 1
tienen los autovalores positivos {6.8541, 0.145898}. Sus races cuadradas
{2.61803, 0.381966} son los valores singulares de la matriz.
Atrs
Cerrar
6. M ATRICES DE G IVENS Y DE H OUSEHOLDER .
a b
Las rotaciones del plano eucldeo, A =
SO(2), se pueden generb a
alizar a cualquier dimensin n . As, si a 2 + b 2 = 1, una matriz
1 ...
0 ... 0 ... 0
.. . .
..
..
..
.
.
.
.
.
0 . . .
a . . . b . . . 0
..
.
.
.
.
.
.
.
.
A= .
SO(n)
. .
.
.
0 . . . b . . . a . . . 0
..
..
.. . . ..
.
.
.
.
.
0 ...
0 ... 0 ... 1
Enrique R. Aznar
Dpto. de lgebra
representa una rotacin, tanto levgira como dextrgira, de dos de los ejes,
manteniendo iguales los n 2 restantes.
Definicin 10. Una matriz del tipo anterior es llamada una matriz de Givens.
Se dice que es una rotacin de los ejes i , j , respecto a los n 2 restantes.
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 27 de 64
Atrs
Ejemplo 9. En R3 , existen tres tipos de rotaciones o matrices de Givens,

Cerrar
1 0 0
a 0 b
a b 0
0 a b , 0 1 0 , b a 0
0 0 1
0 b a
b 0 a
Enrique R. Aznar
Dpto. de lgebra
llamadas rotaciones respecto a los ejes x , y , z respectivamente

Ahora, toda matriz de orden nxn se puede diagonalizar con rotaciones.
O sea, multiplicando a derecha e izquierda por matrices de Givens.
Anlogamente al caso bidimensional, podemos definir reflexiones.
Si u = (a1 , . . . , an ) Rn , es un vector unitario, kuk = 1.
Definimos H = I 2uu t y la llamamos una matriz de Householder.

1 ... 0
2a 12
.
.
. .
. .
H = .. . . . .. 2 .. (a 1 , . . . , a n ) = .. . . . .. ..
0 ... 1
an
0 ... 1
2a 1 a n
1 ... 0
a1
Pgina web personal
. . . 2a 1 a n
..
...
..
.
2a n2
Lema 10. La matriz H = I 2uu t , tiene las siguientes propiedades:
Hu = u .
H v = v para todo v Rn tal que uv .
H = Ht.
H t = H 1 .
Demostracin:
Como u t u = kuk2 = 1, se tiene Hu = (I 2uu t )u = u 2u = u .

Si u t v = 0, se tiene H v = (I 2uu t )v = v 0v = v .
H t = (I 2uu t )t = I t 2(uu t )t = I 2uu t = H .
H 2 = (I 2uu t )(I 2uu t ) = I 4uu t +4(uu t )2 = I 4uu t +4uu t = I .
Pgina de Abertura
Contenido
JJ
II
Pgina 28 de 64
Atrs
Cerrar
La frmula de las dimensiones, d i m(u ) + d i m(L(u)) = n , implica
Enrique R. Aznar
Dpto. de lgebra
d i m(u ) = n 1
al subesp. vect.
u = v Rn : u v = 0 = v = (x 1 , . . . , x n ) Rn : a 1 x 1 + + a n x n = 0
lo llamamos el hiperplano definido por u . Por tanto,

Corolario 7. La a.l. f : Rn Rn , definida por una matriz de Householder,
f (x) = H x , tiene los autovalores 1 y 1, de multiplicidad geomtrica n 1.
Pgina web personal

Pgina de Abertura
Definicin 11. Llamamos reflexin respecto de un hiperplano a un endomorfismo que tenga los autovalores 1, y 1, de multiplicidad geom. n 1.
Como dos endomorfismos coinciden si lo hacen sobre una base. Y por definicin, toda reflexin determina una base de autovectores de Rn . Entonces
Contenido
JJ
II
Corolario 8. Toda reflexin viene definida por una matriz de Householder.

Pgina 29 de 64
En la prctica, no es necesario calcular la matriz de Householder. Por ej.

Ejemplo 10. Si queremos calcular el vector reflejado de e 1 = (1, 0, 0) respecto al plano x+ y + z = 0, basta calcular el producto escalar e 1 u =
1
u t e 1 = (1, 1, 1) 0 = 1. Entonces, el reflejado es e 1 2u = (1, 1, 1)
0
He 1 = (I 2uu t )e 1 = e 1 2(u t e 1 )u = e 1 2u
Atrs
Cerrar
7. D ESCOMPOSICIN POR VALORES SINGULARES (SVD).
Enrique R. Aznar
Dpto. de lgebra
Anlogamente al caso bidimensional, multiplicando por matrices de Householder y/o Givens, se puede diagonalizar cualquier matriz19.
O sea, se puede diagonalizar con reflexiones y/o rotaciones cualquier matriz.
Una demostracin general es la siguiente.
Teorema 2. [de existencia de valores singulares (SVD)] Para toda A
M mxn (R), existen matrices U O(m), V O(n) tal que
Pgina web personal

Pgina de Abertura
V t AU = D
Contenido
es diagonal mxn con entradas d1 d p 0 con p = min{m, n}.

Demostracin: Podemos suponer n = min{m, n}. En caso contrario, descomponemos A t y trasponiendo su SVD, obtenemos la de A .
Su grammiana B = A t A es una matriz simtrica real y sus autovalores son no
negativos.As, podemos escribirlos en orden decreciente, como cuadrados
d 12
d n2
II
Pgina 30 de 64
Atrs
Por Gram-Schimdt, podemos elegir, u 1 , . . . , u n Rn , autovectores ortonormales. As, Bu k = dk2 u k y por columnas U = (u 1 , . . . , u n ) es ortogonal nxn .
19
JJ
Si A es mxn hay que multiplicar a izquierda por matrices de orden m y a derecha de

orden n . Hay algoritmos eficientes para rdenes grandes.
Cerrar
Ahora, suponemos d r 6= 0 y dr +1 = = dn = 0 y definimos vectores de R ,

v j = d1 Au j 20 para j = 1, . . . , r . Estos son ortonormales, ya que
j
v tj v k
d k2 t
1
1
t t
t
=
u A Au k =
u Bu k =
u uk =
d j dk j
d j dk j
d j dk j
0, Si j =
6 k
1, Si j = k
Podemos ampliar hasta una base ortonormal v 1 , . . . , v r , v r +1 , . . . , v m de Rm .

As, la matriz por columnas V = (v 1 , . . . , v m ) tambin es ortogonal. Ahora,
para todo k > r , como Au k = 0 tambin v tj Au k = 0. Y si k r , se tiene
v tj Au k
= d k v tj v k
Enrique R. Aznar
Dpto. de lgebra
Pgina de Abertura
0,
Si j =
6 k
d k , Si j = k
Por tanto, la descomposicin pedida es V t AU = D A = V DU t
Pgina web personal
Contenido
JJ
II
La demostracin anterior es constructiva y se aplica a cada matriz para hallar

su descomposicin por valores singulares. Como en el siguiente
1 1
1 2 1 1
5 3
t
, su grammiana A A =
=
,
2 1
1 1 2 1
3 2
tiene por ecuacin caracterstica p() = |A I | = (5 )(2 ) 32 =
2 7 + 1 = 0 cuyas races son los autovalores positivos
(
p )
p
7+3 5 73 5
,
= {6.8541, 0.145898}
2
2
20sta es la condicin. para la correspondencia entre autovectores izquierda y derecha.
Pgina 31 de 64
Atrs
Cerrar
Si para cada valor propio, se resuelven los s.l. y se normalizan sus soluciones se obtienen los vectores propios u 1 , u 2 que escritos por columnas dan
la matriz U tal que = U t A t AU es diagonal21. O sea,
Enrique R. Aznar
Dpto. de lgebra
0.850651 0.525731 5 3 0.850651

0.525731
6.8541
0
=
0.525731 0.850651 3 2 0.525731 0.850651
0
0.145898
1.37638 0.32492
Entonces, B = AU =
y se tiene B t B = U t A t AU = .
2.22703 0.200811
Por tanto, las columnas de B son vectores ortogonales pero en general no
unitarios (su norma son las races cuadradas de los valores propios de A t A ).
Estas races
p cuadradas
p positivas son los llamados valores singulares de A
{d 1 , d 2 } = { 6.8541, 0.145898} = {2.61803, 0.381966}
Si normalizamos las columnas

de B = AU , dividiendo
por d 1 y d 2 , obtenemos
0.525731 0.850651
cuyas columnas son los
0.850651
0.525731
vectores unitarios v 1 , v 2 de la demostracin. Adems, por la definicin de V
la matriz ortogonal V =
0.525731 0.850651 2.61803

0
B = A U =
=V D
0.850651
0.525731
0
0.381966
21U diagonaliza por congruencia-semejanza a la grammiana A t A .
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 32 de 64
Atrs
Cerrar
Finalmente, despejando A = V D U encontramos su SVD. Explcitamente
Enrique R. Aznar
Dpto. de lgebra
1 1
0.525731 0.850651 2.61803
0 0.850651 0.525731
=
2 1
0.850651
0.525731
0 0.381966
0.525731 0.850651
U y V en una SVD no son nicas, los d 1 d p 0 si lo son. En efecto,
A t A = (V DU t )t V DU t = U DV t V DU t = U DDU t = U D 2U t
Pgina web personal
A A t = V DU t (V DU t )t = V DDV t = V D 2V t
Pgina de Abertura
As, necesariamente los cuadrados d i2 son valores propios de A t A y A A t . Y

los di son nicos salvo su signo y su orden.
Contenido
Definicin 12. Si 0 d i , i , los llamamos los valores singulares de A .
JJ
II
Corolario 9. Toda matriz A tiene valores singulares nicos.
Como A t A = U D 2U t , la matriz ortogonal U O(2), tiene por columnas una

base ortonormal de autovectores de A t A . Anlogamente, A A t = V D 2V t y
tambin V O(2) es una base de autovectores de A A t .
Como V t AU = D AU = V D , hay correspondencia entre autovectores.
Si u es autovector de A t A , v de A A t y d es un valor singular de A .
Definicin 13. u y v se corresponden por valor singular si Au = d v .
A v se le llama vector singular izquierda y a u vector singular derecha.
Pgina 33 de 64
Atrs
Cerrar
Como las matrices ortogonales U = (u 1 , . . . , u n ) y V = (v 1 , . . . , v m ) representan cambios de base ortonormales, desde la cannica.
Enrique R. Aznar
Dpto. de lgebra
Para toda a.l. f : Rn Rm , definida por f (u) = Au , con A Mmxn (R)

Corolario 10. Existen bases ortonormales en Rn y Rm tales que la matriz de
f , respecto de estas nuevas bases, es diagonal con entradas no negativas.
Pgina web personal
Como una a.l., f , definida por una matriz diagonal, con entradas no negativas, es una dilatacin/contraccin de ejes coordenados.
El corolario nos dice que toda f es esencialmente una dilatacin/contraccin.
2 3
58 57
t
7
6
Ejemplo 12. Para, A = 2 0 , su grammiana A A =
tiene los auto57 126
1 9
valores positivos {158.37, 25.6298} y sus races cuadradas {12.5845, 5.06259}
son los valores singulares de A .
0.869563
Los autovectores de A t A son las columnas de U = 0.493823
0.869563 0.493823 .
Ahora, para hallar la matriz
V , lo que hacemos es calcular el producto
AU =
3.59633 0.257657
8.67413 3.124
0.987645 1.73913
8.31989 3.57484
y normalizar sus columnas de forma que se obtiene
la igualdad A U = V D de donde se despeja A = V D U t

0.285774
2 3
7 6
2 0
1 9
0.0508943
0.68927 0.617076
0.078481 0.343525
0.661121 0.706129
12.5845
0
0
5.06259
0.493823 0.869563
0.869563 0.493823
Pgina de Abertura
Contenido
JJ
II
Pgina 34 de 64
Atrs
Cerrar
A es la matriz de una a.l. de R en R y la hemos descompuesto en una

rotacin en R 2 definida por U 22, despus una dilatacin en R 2 definida por
la matriz diagonal D y despus una a.l. de R 2 en R 4 definida por V .
Enrique R. Aznar
Dpto. de lgebra
Si ampliamos las 2 columnas de V hasta una base ortonormal de R4 , tenemos

0.285774
2 3
A=
7 6
2 0
1 9
0.0508943
0.68927 0.617076
0.078481 0.343525
0.661121 0.706129
12.5845
0
0
0
0
5.06259
0
0
0.493823 0.869563
0.869563 0.493823
= V1 D 1 U t
y las nuevas V1 ,D 1 diagonalizan A!A t = (V1 D 1U t )(U D 1t V1t ) = V1 D 1 D 1t V1t

ya que
D 1 D 1t
12.58452
0
0 0
0
5.062592 0 0
0
0
0 0
0
0
0 0
158.37
0
0
0
0
25.6298
0
0
0
0
0
0
0
0
0
0
es diagonal
Cuando una matriz cuadrada A tiene determinante positivo se puede conseguir que las matrices U y V sean de rotaciones. Si A tiene determinante
negativo, son una rotacin y una reflexin. Adems, siempre se tiene que
Lema 11. Si r n es tal que d r 6= 0 y d r +1 = 0. Entonces,
1)
2)
3)
4)
rango(A) = r .
A = (v 1 , . . . , v r )diag{d 1 , . . . , d r }(u 1 , . . . , u r )t .
N (A) = L(u r +1 , . . . , u n ) es el esp. nulo de A .
C (A) = L(v 1 , . . . , v r ) es el esp. de columnas de A .
Demostracin:
22Porque U es una matriz ortogonal de determinante 1.
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 35 de 64
Atrs
Cerrar
Enrique R. Aznar
Dpto. de lgebra
1) La multiplicacin por matrices invertibles no cambia el rango.

2) Calculando el producto, se tiene
A = V DU t = (d 1 v 1 , . . . , d r v r , 0, . . . , 0)(u 1 , . . . , u r )t =
=
r
X
k=1
d k v k u kt = (v 1 , . . . , v r )diag{d 1 , . . . , d r }(u 1 , . . . , u r )t
3) N (A) = L(u r +1 , . . . , u n ) ya que Au kt = 0 para todo k = r + 1, . . . , n y su

dimensin es n r por ser rango(A) = r .
4) C (A) = L(v 1 , . . . , v r ) es inmediato por 2).
Pgina web personal

Pgina de Abertura
Definicin 14. La descomposicin 2) del anterior corolario se le dice una

descomposicin SVD compacta de A .
Contenido
JJ
II
De esta descomposicin compacta, A = (v 1 , . . . , v r )diag{d 1 , . . . , d r }(u 1 , . . . , u r )

intercambiando los papeles de U , V y tomando inversos de las entradas, se
define fcilmente otra matriz
Pgina 36 de 64
B = (u 1 , . . . , u r )diag{1/d 1 , . . . , 1/d r }(v 1 , . . . , v r )t
Atrs
que es casi una inversa de A , ya que

AB y B A son matrices cuadradas muy
P
Pn
t
cercanas a sus identidades. Ya que, m
v
v
=
I
,
u u t = In y
m
k
k=1
k=1 k k
k
t
AB = (v 1 , . . . , v r )diag{1, . . . , 1}(v 1 , . . . , v r ) = v 1 v 1t + + v r v rt M m (R)

B A = (u 1 , . . . , u r )diag{1, . . . , 1}(u 1 , . . . , u r )t = u 1 u 1t + + u r u rt M n (R)
Cerrar
En particular, AB y B A son matrices simtricas por ser suma de simtricas.

Adems, se deduce otra demostracin para la existencia de inversas laterales.
Enrique R. Aznar
Dpto. de lgebra
Corolario 11. Si A es de rango pleno. Entonces, B es inversa lateral de A .

En general, la matriz B anterior verifica las siguientes igualdades.
A = (v 1 , . . . , v r )diag{d 1 , . . . , d r }(u 1 , . . . , u r )t =
= (v 1 , . . . , v r )diag{d 1 , . . . , d r }diag{1/d 1 , . . . , 1/d r }diag{d 1 , . . . , d r }(v 1 , . . . , v r )t =
= AB A
Pgina web personal

Pgina de Abertura
B = (u 1 , . . . , u r )diag{1/d 1 , . . . , 1/d r }(v 1 , . . . , v r )t =

= (u 1 , . . . , u r )diag{1/d 1 , . . . , 1/d r }diag{d 1 , . . . , d r }diag{1/d 1 , . . . , 1/d r }(v 1 , . . . , v r )t =
= B AB
Contenido
JJ
II
O sea, dada un matriz A Mmxn (R) y su B asociada. Entonces, se tiene que

Pgina 37 de 64
Lema 12. AB A = A,
B AB = B .
Atrs
8. S EUDOINVERSA DE M OORE -P ENROSE .

Ahora, dada un matriz A Mmxn (R), estamos en condiciones de definir
Definicin 15. Decimos que B Mnxm (R) es una inversa generalizada de
Moore-Penrose de A si AB y B A son simtricas y AB A = A, B AB = B .
Cerrar
Por lo anterior, toda matriz tiene una inversa de Moore-Penrose. Pero, adems
Enrique R. Aznar
Dpto. de lgebra
Lema 13. La inversa de Moore-Penrose de una matriz es nica.

Demostracin: Supongamos que B y C son ambas inversas de MoorePenrose de A . As, por definicin, AB , B A , AC , C A son matrices simtricas.
B = B AB = A t B t B = A t C t A t B t B = C A A t B t B = C AB AB = C AB
C = C AC = CC t A t = CC t A t B t A t = CC t A t AB = C AC AB = C AB
Pgina web personal
Esta unicidad de la inversa de Moore-Penrose de una matriz A permite darle

nombre propio.
Pgina de Abertura
Contenido
Definicin 16. Llamamos A , a la inversa de Moore-Penrose de A .

JJ
II
Aunque no lo demostramos aqu, dado un s.l. de ecuaciones AX = b , compatible o incompatible, siempre se tiene que
Teorema 3. A b es una solucin mnimo cuadrtica de norma mnima.
Pgina 38 de 64
1 1
Ejemplo 13. A =
, es simtrica real. Por tanto, diagonalizable por
1 1
congruencia-semejanza.
1 1
0.707107 0.707107 2 0
0.707107 0.707107
=
1 1
0.707107
0.707107 0 0 0.707107 0.707107
Atrs
Como sus autovalores 2, 0 son no negativos, la matriz es semidefinida positiva y su SVD coincide con la descomposicin anterior.
Cerrar
Para hallar su inversa de Moore-Penrose, calculamos el producto
0.707107 0.707107 1/2 0

0.707107 0.707107
0.25 0.25
A =
=
0.707107
0.707107
0 0 0.707107 0.707107
0.25 0.25
x+y = 1
Ejemplo 14. El s.l.
es incompatible porque el rango de la
x + y = 1
1 1
matriz A =
es uno y el de su matriz ampliada es dos.
1 1
Enrique R. Aznar
Dpto. de lgebra
Sin embargo, tiene una solucin mnimo cuadrtica que es el vector
0.25 0.25
A b=
0.25 0.25

1
0
=
1
0
As, el origen de coordenadas es el punto de la recta, imagen por la matriz

A (= la bisectriz del primer cuadrante), ms cercano al punto (1, 1).
O sea, es la solucin mnimo cuadrtica del s.l.
Ejemplo 15. El s.l.
x+y = 1
x+y = 1
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 39 de 64
es compatible indeterminado porque el
rango de su matriz y el de su ampliada es uno (menor que dos incgnitas).

0.25 0.25 1
0.5
La solucin de norma mnima es el producto A b =

=
.
0.25 0.25 1
0.5
As, (0.5, 0.5) es el punto de la recta, x + y = 1 de norma mnima.
O sea, el ms cercano al origen de coordenadas.
Atrs
Cerrar
Enrique R. Aznar
Dpto. de lgebra
9. REA DE PARALELOGRAMOS .
2
Empezaremos
reas de paralelogramos
calculando

en R .
Sean u =
a c
a
c
,v=
R2 y A = (u, v) =
la matriz que definen. El
b
d
b d
valor absoluto de su determinante es el rea del paralelogramo que forman

y
y
Pgina web personal
Pgina de Abertura
Contenido
T3
T2
d
T
T1
a
T3
T2
T
T1
x
II
d
Pgina 40 de 64
El rea del rectngulo, R = ad , es la suma de las reas de 4 tringulos.

ab cd (a c)(d b)
=
2
2
2
ab + cd + (ad + bc ab cd )
ad + bc ad bc
= ad
= ad
=
=T
2
2
2
R = ad = T + T1 + T2 + T3 T = ad
JJ
Atrs
Cerrar
Como el rea del paralelogramo, S , es dos veces el rea de T, se tiene
Enrique R. Aznar
Dpto. de lgebra
S = 2T = ad bc = |A|
El dibujo de la izquierda se ha hecho suponiendo ad > bc . Si fuera al

contrario, estamos en el dibujo de la derecha, y los mismos clculos dan
S = bc ad = | det(A)| que es el valor absoluto del determinante.
Otra forma (vectorial) de hallar el rea del mismo paralelogramo es

a c
a
|A| =
= v u = kv kkukcos() = kvkkhk
= ad bc = (d , c)
b d
b
p
donde kv k = c 2 + d 2 = kvk es la longitud de la base
khk = kuk cos() es la longitud de la proyeccin de u = (a, b) sobre v .
O sea, khk es la altura del paralelogramo.
Finalmente, el signo depende de cos() y es el signo del determinante.
Los razonamientos anteriores sirven para todo u, v R2 . As
Lema 14. S = | det(A)| es el rea del paralelogramo formado por u , v .
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 41 de 64
Atrs
Pero en R tambin dos vectores u y v forman un paralelogramo.

Su rea tambin se puede calcular como base por altura23.
Como u es un vector cualquiera de la recta definida por u . Para que el vector u v sea la altura del paralelogramo, basta suponer perpendicularidad
23En Rn , existen normas y la altura se calcula por perpendicularidad.
Cerrar
Enrique R. Aznar
Dpto. de lgebra
con u . O sea,
(u v) u = 0 (u u) = v u = u v
El valor de la altura es h = ku vk para el anterior. Pero, entonces

h 2 = ku vk2 = (u v)(u v) = (u v) v (u v)+h 2 = v v
Las igualdades anteriores forman un s.l. con dos incgnitas y h 2 .

(u u) + 0h 2 = u v
(u v) + h 2 = v v
Pgina web personal

Pgina de Abertura
Contenido
Ahora, por la regla de Cramer para la resolucin de sistemas, se tiene

u u u v u u u v u

u v v v u v v v v (u, v) |A t A|
=
=
=
=
h2 =
u u 0
u u
kuk2
kuk2
u v 1
p
= |A t A| = h 2 kuk2 = S = hkuk = |A t A|
p
Lema 15. S = |A t A| es el rea del paralelogramo formado por u , v .
JJ
II
Pgina 42 de 64
Atrs
Cerrar
En el caso bidimensional, se reencuentra la frmula anterior

S=
|A t A| =
|A t | |A| =
|A| |A| = | det(A)|
|A t A|,
Aunque, no lo demostramos aqu diremos que la frmula anterior, S =

cuando A Mmxn (R) es de rango pleno por columnas, calcula el volumen n dimensional del paraleleppedo formado por sus n columnas.
2
Ejemplo 16. Dada la matriz A = 1
1
mado por sus columnas, u = (2, 1, 1) y
2
0 el rea del paralelogramo for1
v = (2, 0, 1), se calcula como la raz
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal
cuadrada del determinante de su grammiana. Por tanto,

Pgina de Abertura
p
p
u u u v 6 5
t
= 30 25 = 5 = S = |A t A| = 5 = 2.23607
|A A| =
=
uv v v
5 5
Si calculamos el determinante de la otra grammiana sale cero.

Lo que indica que las tres filas de A son l.d. y forman un paraleleppedo
degenerado de volumen cero.
Contenido
JJ
II
Pgina 43 de 64
2
1
Ejemplo 17. Dada la matriz A =
0
1
2
0
el rea del paralelogramo formado
1
1
por sus columnas es
p
p
u u u v 6 5
t
= 3625 = 11 = S = |A t A| = 11 = 3.31662
|A A| =
=
u v v v 5 6
Atrs
Cerrar
Enrique R. Aznar
Dpto. de lgebra
10. N MERO DE CONDICIN DE UNA MATRIZ .

Sabemos por el teorema 2, que dada A Mmxn (R), existen matrices U
O(m), V O(n) tal que
V t AU = D
es diagonal mxn con entradas d1 d p 0 con p = min{m, n}.
Si rango(A) = r entonces d r 6= 0 y dr +1 = 0 y podemos definir el

Definicin 17. [Nmero de condicin (espectral) de una matriz]
Es el cociente entre el mayor y el menor valor singular de A , y lo denotamos
k(A) =
Pgina de Abertura
Contenido
d1
1
dr
Si k(A) >> 1, es mucho mayor que 1, decimos que A est mal condicionada.
Si por el contrario, k(A) 124 decimos que A est bien condicionada.
a b
Ejemplo 18. Dada la matriz de una rotacin arbitraria A =
, con
b
a
a 2 + b 2 = 1, sabemos que tiene autovalores complejos conjugados, ya que
a b
= (a )2 + b 2 = 0 = (a )2 = b 2 =
p() =
b
a
p
= = a b 2 = a bi
24Prximo a uno.
Pgina web personal
JJ
II
Pgina 44 de 64
Atrs
Cerrar
los
p dos autovalores son nmeros complejos de norma uno, k1 k = k2 k =
a 2 + b 2 = 1. O sea, pertenecen a la circunferencia unidad.
Enrique R. Aznar
Dpto. de lgebra
Adems, como su grammiana asociada es la identidad
a b
A A=
b a
t
a b
1 0
=
b
a
0 1
tiene autovalores 1 (doble) y los valores singulares de A son 1, 1.

Por tanto, k(A) = 1 y toda rotacin est bien condicionada.
a
b
Ejemplo 19. Dada la matriz de una reflexin arbitraria A =
, con
b a
a 2 + b 2 = 1, sabemos que tiene los autovalores 1 y 1.
Pgina web personal

Pgina de Abertura
Contenido
Adems, tambin su grammiana asociada es la identidad
JJ
II
At A =
a
b
b a
a
b
1 0
=
b a
0 1
tiene autovalores 1 (doble) y de nuevo, los valores singulares de A son 1, 1.

Por tanto, k(A) = 1 y toda reflexin est bien condicionada.
En general, toda matriz ortogonal, A , tiene grammiana asociada la identidad,
A t A = I . Tiene todos sus valores singulares 1 y nmero de condicin 1.
Pgina 45 de 64
Atrs
Cerrar
Cualquier isometra, en cualquier dimensin, tiene nmero de condicin 1.

Conforme el nmero de condicin de una matriz se hace mayor, ms se aleja
A de ser una isometra y ms se deformarn las figuras.
Por definicin, el n de condicin de una matriz es siempre k(A) 1. Adems
Enrique R. Aznar
Dpto. de lgebra
Lema 16. [Propiedades del n de condicin de una matriz]

1)
2)
3)
4)
k(A) = k(A t ) = k(A 1 ).

k(A) = k(A) para 0 6= R.
k(A t A) = k(A)2 k(A).
k(A) = k(B ), si A y B son semejantes.
Demostracin:
Pgina web personal

Pgina de Abertura
1) Ya que las 2 matrices, A A y A A tienen los mismos autovalores,

distintos de cero. Mientras que (A 1 )t A 1 = (A t A)1 tiene por autovalores los correspondientes inversos de los anteriores.
2) Ya que las 2 matrices, A y A tienen los mismos autovalores.
3) Ya que los autovalores de la matriz A son las races cuadradas positivas de los autovalores de A t A .
4) Si A y B son semejantes, tambin los son A t A y B t B .
Estas tienen los mismos autovalores reales positivos.
Por tanto, A y B tienen los mismos valores singulares.
Contenido
JJ
II
Pgina 46 de 64
Atrs
En R , la interpretacin geomtrica de la descomposicin por valor singular

(SVD) de una matriz es interesante por el impacto visual de f (X ) = AX .
2
El crculo unidad se transforma en una elipse, cuya deformacin se mide por

k(A), que coincide con el cociente de sus semiejes.
Cerrar
3 1
Ejemplo 20. La matriz A =
, es simtrica real y definida positiva.
1 1
Tiene dos autovalores reales positivos, que son 1 = 3.41421 y 2 = 0.585786.
Enrique R. Aznar
Dpto. de lgebra
Por tanto, coinciden con sus valores singulares. As, el nmero de condicin
de esta matriz es
kA =
3.41421
= 5.82843
0.585787
Pgina web personal
Su descomposicin SVD coincide con la de congruencia/semejanza
Pgina de Abertura
3 1
0.92388 0.382683 3.41421
0 0.92388 0.382683
=
1 1
0.382683 0.525731
0 0.525731 0.382683 0.850651
As la a.l, f (X ) = AX , es un automorfismo ( A es regular) del plano, que

0.92388 0.382683
consiste primero en aplicar la rotacin definida por
0.382683 0.850651
25
Contenido
JJ
II
Pgina 47 de 64
despus una dilatacin/contraccin y despus la rotacin inversa.

Ambas rotaciones no se anulan porque la dilatacin/contraccin central deforma los ngulos. El resultado final es una rotacin de ejes que se calcula
diagonalizando por congruencia/semejanza la matriz B = (A 1 )t A 1 que es
la que transforma el crculo unidad en la elipse 0.5s 2 2s t + 2.5t 2 = 1.
25de los dos ejes, segn los valores singulares.
Atrs
Cerrar
11. A PNDICE 1. VALORES PROPIOS DE UN PRODUCTO DE MATRICES .
Enrique R. Aznar
Dpto. de lgebra
Por definicin, para que una matriz tenga valores propios tiene que ser la
matriz de un endomorfismo. O sea, tiene que ser una matriz cuadrada26.
Por tanto, para que el producto, AB , de dos matrices tenga autovalores, hace
falta que tengan dimensiones simtricas m n y n m .
De forma que ambos productos, A B de dimensin m m y B A de dimensin n n son matrices cuadradas y se pueden comparar sus autovalores.
a 11 . . . a 1n
b 11 . . .
..
.
.
..
.. ... . . .
A B = .
a m1 . . . a mn
b n1 . . .
n m

m n
b 11 . . . b 1m
a 11 . . .
.
.. ..
...
...
B A = ..
. .
b n1 . . . b nm
a m1 . . .
n m
m n
b 1m
c 11
.. = ..
.
.
...
..
c 1m
Pgina web personal

Pgina de Abertura
.. = C
1
.
b nm
c m1 . . . c mm
0 m m 0
a 1n
c 11 . . . c 1n
.. = .. . .
.
.
. .. = C 2
.
0
0
a mn
c n1
. . . c nn
n n
Contenido
JJ
II
Pgina 48 de 64
Atrs
Pero puede suceder que uno de los productos tenga una dimensin ms pequea y sea ms fcil calcular su ecuacin caracterstica y autovalores.
26De nmeros reales o complejos.
Cerrar
1
1
1
1
Ejemplo 21. Para las matrices A =
y B = ( 1 2 1 2 ), se tiene
1
A B =
1
1
1
1
(1
41
B A = (1
2 1 2 )
1 4
1
1 2 ) 1
1
= C1
44
= (2) = C 2
14
2 1 2
1 2 1 2
1 2 1 2
1 2 1 2
Enrique R. Aznar
Dpto. de lgebra
41
Pgina web personal
11
Pgina de Abertura
Aqu, C 2 es una matriz mucho ms sencilla ya que, C 2 = (2), es esencialmente un escalar y es inmediato que = 2 es el nico autovalor que tiene.
Contenido
En cambio, la matriz C 1 como es 4 4 tiene 4 (contando multiplicidades)

autovalores complejos que aparentemente son difciles de hallar ya que la
ecuacin caracterstica, |C 1 I | = 0, es un determinante de orden 4 4.
JJ
II
Pero podemos aplicar la propiedad de que dos matrices semejantes tienen

los mismos autovalores. Por tanto, si aplicamos una trasformacin elemental de filas a C 1 que equivale a multiplicar E C 1 y luego la correspondiente
(a E 1 ) transformacin elemental de columnas. Entonces, la nueva matriz
E C 1 E 1 tiene los mismos autovalores. As, si restamos a la segunda fila la
primera y despus sumamos la segunda columna a la primera
Pgina 49 de 64
1
C1 =
2 1 2
1 2 1 2
1 2 1 2
1 2 1 2
2 1 2
0 0 0 0
1 2 1 2
1 2 1 2
2 1 2
0 0 0 0
1 2 1 2
1 2 1 2
= E 1 C 1 E 11
Atrs
Cerrar
Enrique R. Aznar
Dpto. de lgebra
Si restamos a la 3 fila la primera y sumamos la 3 columna a la primera

2 1 2
0 0 0 0
1 2 1 2
1 2 1 2
2
0 0
0 0
1 2
1 2
0 0
0 0
1 2
2
0 0
0 0
0 2
1 2
0 0
0 0
1 2
Finalmente, restamos a la 4 fila la 1 y sumamos la 4 columna a la 1

0
2
0 0
0 0
0 2
1 2
0 0
0 0
1 2
0
0
0
2
0
0
0
1 2
0 0
0 0
0 0
0
0
0
2
0
0
0
1 2
0 0
0 0
0 0
Pgina web personal
Ahora, esta ltima matriz tiene de ecuacin caracterstica

2
0
0
0
2 1 2
0 0
0 0
0 0
Pgina de Abertura
= ()3 (2 ) = 0
Contenido
y por tanto los valores propios de C 1 son = 0 triple y = 2 simple.

En el ejemplo, el producto B A tiene de ecuacin caracterstica =
veces la de A B y por tanto comparten el mismo autovalor distinto de cero
(-2). Veremos que siempre se puede repetir el mismo proceso.
41
JJ
II
Pgina 50 de 64
Como, A B tiene los mismos autovalores que P (A B ) P = (P A) (B P )

si demostramos que ste producto tiene los mismos distintos de cero que
(B P ) (P 1 A) = B A , habremos demostrado que A B y B A tienen los
mismos autovalores no nulos.
Atrs
Cerrar
Esto nos permite, cambiar una de las matrices por su forma normal de Hermite (de filas o columnas segn nos interese) para hacer la demostracin de
que tienen la misma ecuacin caracterstica salvo una potencia de .
Por ejemplo si r (B ) = 1 podemos aplicar el algoritmo de transformaciones

elementales de columnas para transformarla en su forma normal de Hermite,
Enrique R. Aznar
Dpto. de lgebra
0 ... 0 !
0 ... 0
B P = .. .. . . ..
. . ..
0 ... 0
Como el otro producto P A es una matriz arbitraria m n , basta demostrar

que tienen los mismos autovalores no nulos cuando B es de esa forma. O sea
a 11
.
A B = ..
a m1
1
. . . a 1n
b
21
..
..
.
.
.
..
. . . a mn
b n1
m n
0 ... 0
c 11 0 . . . 0
0 . . . 0
.
.. . . .. = C
= ..
.. . . ..
. .
1
.
. .
.
c m1 0 . . . 0
0 ... 0
n m
m m
Donde |C 1 I | = ()m1 (c 11 ) = 0 es la ecuacin caracterstica de C 1 =

A B con c 11 = a 11 + a 12 b 21 + + a 1n b n1 el nico autovalor distinto de cero.
Ahora, para calcular los autovalores del otro producto
1 0 ... 0
b 21 0 . . . 0 a 11 . . . a 1n
..
.. = C
..
B A = ..
.
.. . . ..
.
2
.
.
.
.
.
a m1 . . . a mn
b n1 0 . . . 0
n m
m n
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 51 de 64
Atrs
Cerrar
n n
Pero podemos aplicar la propiedad de que dos matrices semejantes tienen los
mismos autovalores. Por tanto, si aplicamos una trasformacin elemental de
filas a B que equivale a multiplicar E C 2 y luego la correspondiente (a E 1 )
transformacin elemental de columnas a A .
Entonces, la nueva matriz E C 2 E 1 tiene la misma ecuacin caracterstica.
As, si restamos en B a la segunda fila la primera multiplicada por b21 y
despus en A sumamos la segunda columna por b21 a la primera
1 0 ...
b 21 0 ... 0
a11
... a 1n
.. . . ..
. . .
B A = .. .. . . ..
. . ..
a m1 ... a mn
b n1 0 ... 0
1 0 ... 0
0 0 ... 0
b31 0 ... 0
a 11 +a 12 b 21 a 12 ... a 1n
. . . .
.. .. . . ..
b n1 0 ... 0
..
.
.. . . ..
. . .
BA
0 ... 0 !
0 0 ... 0
P
a 11 + ni=2 a 1i b i 1 a 12 ... a 1n
.. .. . . ..
.. ..
a
0 0 ... 0
..
.. . .
.. =
. . .
Pn.
m1 + i =2 a mi b i 1 a m2 ... a mn
Pn
11 +
= a 11 +
Pgina de Abertura
Contenido
a b a
... a 1n
i =2 1i i 1 12
0
0 ... 0
..
.
JJ
II
.. . . ..
. . .
...
y esta ltima tiene un nico autovalor no nulo que es el mismo de A B 27

n
X
Pgina web personal
a m1 +a m2 b 21 a m2 ... a mn
Si aplicamos sucesivamente las trasformaciones de fila y columna para hacer

cero por debajo del 1 en la primera columna de B llegamos al producto
1
Enrique R. Aznar
Dpto. de lgebra
a 1i b i 1 = a 11 + a 12 b 21 + + a 1n b n1 = c 11
i =2
27Y la ecuacin caracterstica de B A es la misma de A B salvo una potencia de .
Pgina 52 de 64
Atrs
Cerrar
Cuando el menor de los rangos de A y B es mayor que 1, la demostracin

es ms compleja pero sigue los mismos pasos ya que el proceso anterior es
algortmico y fcil de generalizar.
Enrique R. Aznar
Dpto. de lgebra
Empezamos con A B , con B la que tenga menor rango o menor nmero de

columnas, si no conocemos su rango, y transformamos B en su forma normal
de Hermite por columnas H y el otro factor A de forma dual en A 1 .
Despus seguimos transformando en el producto H A 1 haciendo ceros por
debajo de los unos hasta llegar a la forma normal de Hermite por filas H1 y
de forma dual A 1 en A 2 y finalmente calculamos H1 A 2 y comprobamos que
su ecuacin caracterstica es la misma de A 1 H salvo un mltiplo de . As
Teorema 4. Si existen A B y B A tienen la misma ecuacin caracterstica
salvo nm y por tanto los mismos autovalores no nulos.
2
2
1 7
1 2
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Ejemplo 22. Dadas las matrices A = 1 73 6 y B =

para comprobar
que coinciden los autovalores no nulos de AB y B A . Transformamos primero
B , multiplicando la 1 columna por -2 y sumando a la 2, dualmente transformamos A , multiplicando la 2 fila por 2 y sumando a la 1. Despus,
dividimos por 5 la 2 de B y dualmente multiplicamos por 5 la 2 fila de A
Pgina 53 de 64
Atrs
Cerrar
1 2
1 0
1 0
2 7 2
4 13 14
4 13 14
A B =
1 7
1 5
1 1
1 3 6
1 3 6
5 15 30
1 2
1 0
1 0
Seguimos, multiplicando la 2 columna de B por -1 y sumando a la 1, dualmente la 1 fila de A y sumando a la 2
Enrique R. Aznar
Dpto. de lgebra
1 0
1 0
18 13
4 13 14
4 13 14
0 1 =
A B
1 1
53 28
9 28 44
5 15 30
1 0
1 0
Hemos llegado a la forma de Hermite por columnas de B y concluimos que

el producto AB tiene la misma ecuacin caracterstica que el producto final.
Ahora, le damos la vuelta al producto y seguimos calculando la forma de
Hermite por filas de B que se consigue multiplicando la 1 fila de A por -1 y
sumando a la 3, dualmente en B sumamos la 3 a la 1 columna
1 0
1 0
18 13 14
4 13 14
18 13 14
B A 0 1
0 1
= 53 28 44
9 28 44
53 28 44
1 0
0 0
0 0 0
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 54 de 64
Finalmente, se comprueba que la ecuacin caracterstica de B A es
18
13
14
18
13
53
28 44 =
=0
53
28
0
0
O sea, la misma de A B multiplicada por = 32 .

Por tanto, tiene los mismos autovalores como queramos demostrar.
Atrs
Cerrar
12. A PNDICE 2. U NA APLICACIN ESTADSTICA DE LA SVD.
Enrique R. Aznar
Dpto. de lgebra
Si tenemos n medidas de varias variables x i = {ai 1 , . . . , ani }, i {1, . . . , r }

se pueden cambiar los valores a otras nuevas variables, z 1 , . . . , z r , que sean
independientes y sucesivamente de varianza mxima pero que recojan toda
la informacin de las anteriores.
Las nuevas variables son c.l. de las x 1 , . . . , x r y se obtienen usando la descomposicin por valor singular de la matriz de sus desviaciones de las medias.
Para eso, se pasa de la matriz de las observaciones X a la matriz A = X X .
a11
a 1r
X=
.. . . ..
. . .
donde mi = x i =
a i 1 ++a ni
n
7 A = X X =
11 m 1 a 1r m r
..
.
..
.
...
Contenido
son las medias aritmticas de las variables.
Ahora, si diagonalizamos la grammiana A t A por congruencia-semejanza. O

sea, usando sus autovalores reales y sus autovectores normalizados tenemos
A 1t A 1
= (A U ) (A U ) = U A A U = = ... . . . ...
t
Pgina de Abertura
a n1 m 1 a nr mr
a n1 a nr
Pgina web personal
0 r
donde A 1 = A U es una nueva matriz n r , donde sus columnas son c.l. de

las columnas de A . O sea, de las desviaciones de las variables originales.
Ahora, si llamamos z 1 , . . . , z r a las columnas de A 1 , las igualdades anteriores
se traducen en que z i z i = i , z i z j = 0 para cada i , j {1, . . . , r }.
JJ
II
Pgina 55 de 64
Atrs
Cerrar
Por tanto, son perpendiculares dos a dos y cada vector z i tiene de norma la
raz cuadrada del valor propio i (es positivo porque A t A es simtrica real).
kz i k =
2
2
=
+ + b ni
b 1i
zi zi =
i = d i
Adems, como las columnas de A = X X tienen media cero, tambin las

columnas z i de A 1 tienen media aritmtica cero ya que
1
1
(1, . . . , 1) A 1 = (1, . . . , 1) A U = (0, . . . , 0) U = (0, . . . , 0)
n
n
b !
1i
Como cada z i =
p
p i
n1
..
.
tiene media cero,
2
2
b 1i
++b ni
n1
i
n1
es su varianza y
b ni
di
n1
=p
Enrique R. Aznar
Dpto. de lgebra
su desviacin tpica.
Como los valores propios de una matriz simtrica real 1 2 r 0

dan los mximos sucesivos de las normas que representan, se tiene que las
nuevas variables z i son sucesivamente de varianza mxima28. Como adems,
z i z j = 0, estas variables tienen covarianza cero o sea son independientes.
Finalmente, los di son los valores singulares de A y la matriz A 1 nos sirve
para encontrar su SVD ya que si normalizamos cada una de sus columnas,
28Con la condicin de que sean c.l. por un vector unitario de las originales.
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 56 de 64
Atrs
Cerrar
vi =
1
di
z i obtenemos una matriz V formada por columnas unitarias y or-
Enrique R. Aznar
Dpto. de lgebra
togonales tal que podemos despejar la descomposicin por valor singular

d
A 1 = A U = V
.. . . ..
. . .
.. . . .. U t = V D U t
. . .
= A = V
0 d r
0 d r
Ejemplo 23. Consideramos 4 medidas de dos variables x = {2, 7, 2, 1},

y = {3, 6, 0, 1}, queremos hallar mediante c.l. de ellas otras dos nuevas
variables que sean independientes y sucesivamente de varianza mxima.
Pgina de Abertura
2 3
Ptrimero, escribimos la matriz de las observaciones, X =
7 6
2 0
1 9
, calculamos
= 3, y = 18
= 4.5, sus desviaciones,
las medias de sus columnas, x = 12
4
4
23
A = X X =
34.5
73 64.5
23 04.5
13 94.5
1.5
4 1.5
1 4.5
2 4.5
su grammiana, su polinomio caracterstico que tiene por races los

At A =
1 4 1 2
1.5 1.5 4.5 4.5
1.5
4 1.5
1 4.5
2 4.5
22
3
3 45
22
3
=
= 2 67+981
3
45
autovalores 1 = 45.3849 y 2 = 21.6151 y sus races cuadradas que son los

valores singulares de A
p
45.3849 = 6.73683,
p
21.6151 = 4.64921
0.991871
Los autovectores de A t A son las columnas de U = 0.127245
0.991871 0.127245 .
d1 =
d2 =
Pgina web personal
Contenido
JJ
II
Pgina 57 de 64
Atrs
Cerrar
Ahora, para hallar la matriz V , lo que hacemos es calcular el producto A U

y normalizar sus columnas de forma que se obtiene la igualdad A U = V D
1
Z = A U =
1.5
4 1.5
1 4.5
2 4.5
0.127245
0.991871
0.991871 0.127245
0.801003
1.99679 3.77662
4.59067 0.419267
4.20893 2.55635
1.61505
=
Enrique R. Aznar
Dpto. de lgebra
ya que las normas de las columnas de Z son los valores singulares di = i

porque Z t Z = U t A t AU = U t (A t A)U = y por tanto kz i k2 = z i z i = i
p
0.801003
1.99679 3.77662
4.59067 0.419267
4.20893 2.55635
1.61505
Z = A U =
0.172288
0.296399 0.812314
0.681428 0.0901804
0.624764 0.549846
0.239735
6.73683
0
0
4.64921
=V D
Pgina web personal

Pgina de Abertura
de donde despejamos la SVD, A = V D U t

1
4 1.5
1 4.5
2 4.5
0.172288
0.296399 0.812314
0.681428 0.0901804
0.624764 0.549846
0.239735
1.5
=
6.73683
0
Contenido
0
4.64921
0.127245 0.991871
0.991871 0.127245
0.801003
1.99679 3.77662
4.59067 0.419267
4.20893 2.55635
1.61505
Pero lo que nos interesa aqu es la matriz Z =
que est
JJ
II
Pgina 58 de 64
formada por dos variables llamadas componentes principales
Atrs
z 1 = {1.61505, 1.99679, 4.59067, 4.20893}

z 2 = {0.801003, 3.77662, 0.419267, 2.55635}
que son independientes porque tienen covarianza cero z 1 z 2 = 0 y tienen

varianzas mltiplos de 1 y 1 y por tanto son las mximas posibles29.
29Con la condicin de que sean c.l. por un vector unitario de las originales.
Cerrar
Sus medias son cero ya que (z 1 , z 2 ) =
1
n (1, . . . , 1) Z
y entonces
Enrique R. Aznar
Dpto. de lgebra
Z = A U = X X U = X U X U
= (z 1 , z 2 ) = n1 (1, . . . , 1) Z = n1 (1, . . . , 1) X U n1 (1, . . . , 1) X U

= (z 1 , z 2 ) = (x, y) U (x, y) U = (0, 0)
En particular, hay otras dos variables independientes trasformadas tambin

por la matriz U de los vectores singulares derecha, que son las dos columnas
del producto X U cuyas medias calculadas son, (x, y) U , una c.l. de las
medias originales y cuyas varianzas son las mismas de z 1 y z 2 .
13. E JERCICIOS .
3
6
2 1 7
Ejercicio 1. Dadas las matrices A =
y B = 0 1 comprueba
2 0 1
0
9
que coinciden los autovalores de AB y B A .
2 1 7
3 6 2
Ejercicio 2. Dadas las matrices A = 2 0 1 y B = 1 0 7 comprueba
1 1 3
0 9 2
que coinciden los autovalores de AB y B A .
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 59 de 64
Atrs
Cerrar
10 10
Ejercicio 3. Dada la matriz A =
. Se puede diagonalizar por
10 10
Enrique R. Aznar
Dpto. de lgebra
congruencia-semejanza? Y por semejanza?
10 10
Ejercicio 4. Dada la matriz A =
. Se puede diagonalizar por
10
10
congruencia-semejanza? Y por semejanza?

Ejercicio 5. Dada la curva de R 2 , C = (x, y) R2 : 10x 2 10x y + 10y 2 = 1 ,
comprueba que existe una matriz, A , simtrica real 2x2, tal que
a b
10x 10x y + 10y = X AX = (x, y)
b c
2

x
y
Pgina web personal

Pgina de Abertura
Contenido
Calcula los autovalores de A . Qu puedes decir de la curva?

JJ
II

a b x
2
2
t
10x 40x y + 10y = X AX = (x, y)
b c y
Pgina 60 de 64
Atrs

a b
10x 20x y + 10y = X AX = (x, y)
b c
2

x
y
Cerrar

1 1 0
Ejercicio 8. Dada la matriz A = 1 2 1 Comprueba si se diagonaliza
0 1 1
Enrique R. Aznar
Dpto. de lgebra
por congruencia-semejanza. Halla su descomposicin de valor singular.
1 1 2
Ejercicio 9. Dada la matriz A = 1 1 2 Se puede diagonalizar por
0 1 1
congruencia-semejanza ? Y por semejanza ?. Halla su SVD.
1 1 1
Ejercicio 10. Dada la matriz A = 1 1 2 Se puede diagonalizar por
0 1 1
congruencia-semejanza ? Y por semejanza ?. Halla su SVD. Compara las

distintas factorizaciones o descomposiciones de A.
14. T EST DE REPASO .
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 61 de 64
Para comenzar el cuestionario pulsa el botn de inicio.

Cuando termines pulsa el botn de finalizar.
Para marcar una respuesta coloca el ratn en la letra correspondiente y pulsa
el botn de la izquierda (del ratn).
1. Dada una matriz cuadrada, A Mn (R).
Atrs
Cerrar
(a) La traza de A es un invariante por semejanza pero no su det(A).

(b) El determinante de A es un invariante por semejanza pero no su traza.
(c) La traza de A y su |A|, se calculan con sus autovalores.
(d) Ni su traza, ni su determinante, son invariantes por semejanza.
2. Dada una matriz cuadrada regular, A Mn (R).
(a) Los autovalores de A son los mismos de A 1 .
(b) Los autovalores de A son los inversos de A t .
(c) Los autovalores de A son los mismos de A 2 .
(d) Los autovalores de A son los mismos de A t .
3. Si A es de dimensin mxn y B de dimensin nxm .
(a) AB y B A tienen exactamente los mismos autovalores.
(b) AB y B A tienen exactamente los mismos autovectores.
(c) A A t y A t A tienen exactamente los mismos autovalores.
(d) A A t y A t A tienen exactamente los mismos autovectores.
4. Cul de las siguientes afirmaciones es verdadera?.
(a) Matrices congruentes tienen los mismos autovalores.
(b) Matrices congruentes tienen los mismos autovectores.
(c) Dos matrices semejantes son tambin congruentes.
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 62 de 64
Atrs
Cerrar
(d) Matrices semejantes tienen los mismos autovalores.

5. Dada una matriz simtrica, A Mn (R).
(a) A es diagonalizable, en R, por semejanza pero no por congruencia.
(b) A es diagonalizable, en R, por congruencia pero no por semejanza.
(c) A no es diagonalizable en R.
(d) A es diagonalizable, en R, por una congruencia-semejanza.
(a) Toda semejanza preserva productos escalares, normas y ngulos.
(b) Si un endomorfismo preserva ngulos tambin preserva normas.
(c) Ninguna semejanza preserva productos escalares, normas y ngulos.
(d) Si un endomorfismo preserva normas tambin preserva ngulos.
7. Dado un endomorfismo f : Rn Rn , tal que f (u) = Au .
(a) f es isometra si preserva ngulos.
(b) f es isometra si A GL(n).
(c) f es isometra si A O(n).
(d) f es isometra si A SL(n).
8. Dado un homomorfismo f : R2 R2 , tal que f (u) = Au .
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 63 de 64
Atrs
Cerrar
(a) A O(2) si, y slo si es una reflexin.

(b) A O(2) SL(2) si, y slo si es una rotacin.
(c) A O(2) si, y slo si es una rotacin.
(d) Si A O(2) puede ser una rotacin o una reflexin.
(a) Una rotacin levgira no puede ser dextrgira.
(b) Slo hay una rotacin que es levgira y dextrgira a la vez.
(c) Existen reflexiones levgiras pero no dextrgiras.
(d) No existen reflexiones levgiras ni dextrgiras.
(a) Toda matriz se puede diagonalizar con rotaciones pero no con reflexiones.
(b) Toda matriz se puede diagonalizar con reflexiones pero no con rotaciones.
(c) Toda matriz se puede diagonalizar con reflexiones y/o con rotaciones.
(d) Para diagonalizar ortogonalmete, hay que hacerlo con rotaciones a la
izquierda y reflexiones a la derecha.
Enrique R. Aznar
Dpto. de lgebra
Pgina web personal

Pgina de Abertura
Contenido
JJ
II
Pgina 64 de 64
Atrs
Cerrar

Matriz Simetricas y Ortogonales

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Matriz Simetricas y Ortogonales

Uploaded by

Copyright:

Available Formats

Enrique R.

MATRICES SIMTRICAS Y ORTOGONALES.

Autovalores de matrices reales.

Pgina web personal

Matrices de Givens y de Householder.

Pgina web personal

Pgina web personal

Pgina web personal

1. AUTOVALORES DE MATRICES REALES .

Pgina web personal

Por desarrollo directo, el coeficiente p n1 = t r (A) = a11 + + ann coincide

Como p() R(), es un polinomio real de grado n , sabemos por el Teorema

p() = (1) + (1)

Igualando coeficientes, en ambos miembros, se obtiene

As, dada una matriz cuadrada real A , hemos demostrado que

Si C es un valor propio de A , el s.l. (A I )X = 0 tiene solucin distinta

Lema 2. [Propiedades de los autovalores y autovectores]

(, v) es una autopareja de A , para todo R.

Aunque, A y su traspuesta A t tienen los mismos autovalores, no tienen los

Pgina web personal

|AB I | = 0 |B ||AB I | = 0 |B AB B | = 0 |B A I ||B | = 0

O sea, si son cuadradas y A o B es regular, hemos demostrado

Aunque no sean cuadradas, si existen ambos productos AB y B A . Estas son

Un caso muy simple es A = (1, 1), B =

3Cuando A es simtrica, si coinciden los autovectores por la izquierda y derecha.

sus productos son AB =

sus productos son AB =

2. M ATRICES SIMTRICAS REALES .

Pgina web personal

Dado un esp. vect. eucldeo, (V, ), y una a.l. f : V V , decimos que

Si f (e j ) = a1 j e 1 + + an j e n y B es ortonormal. Los coeficientes de Fourier

Pgina web personal

es simtrica. Recprocamente, si A es simtrica y B ortonormal6

f (x) y = (AX )t Y = X t A t Y = X t AY = X t f (Y ) = x f (y)

y hemos demostrado, que respecto a una base B ortonormal

Lema 5. Los autovalores de A son todos nmeros reales.

Demostracin: Sea (, v) una autopareja compleja. O sea, un autovector

Igualando, partes reales e imaginarias, se tiene

Sean {1 , . . . , r } R, los autovalores distintos de A 7.

Por el teorema espectral, sabemos que A es diagonalizable por semejanza si,

Como, para todo autovector f (u) = Au = u , se tiene f (U ) U .

O sea, f (U ) U y f : U U ser un endomorfismo.

el endomorfismo ser diagonalizable por semejanza y hemos demostrado el

Teorema 1. [espectral para matrices simtricas]

O sea, A es diagonalizable por semejanza. Pero se puede decir algo mas.

Lema 6. Si , R son autovalores distintos de f A , entonces V V .

Demostracin: Para todo u V y u V

Como f = f A es simtrico, ambos son iguales, y

Pgina web personal

donde cada autovalor i se repite con su multiplicidad.

As, toda matriz simtrica real es diagonalizable por una semejanza-ortogonal.

u v = u t v = u t P t P v = (Pu)t (P v) = g (u) g (v) =

O sea, hemos demostrado que

Pgina web personal

Lema 7. Toda semejanza-ortogonal preserva productos escalares.

Si una a.l., g , preserva normas tambin preserva productos escalares, ya que

ku + vk2 = kuk2 + 2(u v) + kvk2 =

Definicin 3. Decimos que una a.l., g : Rn Rn , es una isometria si

Por ejemplo, una homotecia o dilatacin

Ejemplo 4. Dada la curva de R , C = (x, y) R2 : 10x 2 12x y + 5y 2 = 1 ,

se puede comprobar que

Por el ejemplo 3, sabemos que sus autovalores son 1 y 14.

Pgina web personal

Resolviendo el otro s.l., (A I )X = 0, se obtiene el autovector v 2 = p113 (2, 3).