GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

I. MATRICES PARTICIONADAS

Particionar una matriz es dividirla o segmentarla en submatrices de orden inferior

mediante el trazo de líneas imaginarias.

Ejemplo:

 
9 2 | 7
4
 
A3x4 = 5 1- | 8- 5- 
- - 
 
 4 2 | 0 1

Se le podría particionar en una matriz cuadrada por particiones:

 A11 A12 
 2x2 2x2 
A3x4 =  
 A21 A22 
 1x2 1x2 

También podría particionarse en un vector por particiones:

 A11
 2x4 
A3x4 =  
 A21
 1x4 

Operaciones con Matrices Particionadas

Igualdad.- Para que dos matrices A y B sean iguales, deben estar particionadas
de la misma manera y además sus elementos correspondientes deberán ser
iguales.

 A11 A12   B11 B12 

A=   B=  
 A21 A22   B 21 B 22 

A = B si:
A11 = B11
A12 = B12
A21 = B21
A22 = B22

Trasposición.- Se traspone la matriz particionada y luego se traspone cada

submatriz.

Sea la matriz Amxn:

 A11 A12 A13 

 px(n - q-r) pxq pxr 
Amxn =  
 A21 A 22 A23 
(m- p)x(n - q-r) (m- p)xq (m- p)xr 

Su traspuesta será:

1
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

 
 A11 A21 
(n-q -r)xp (n- q - r)x(m - p)

 
Anxm =  A12 A22 
 qxp qx(m - p)

 
 Arxp13 A23 
 rx(m - p) 

Suma.- Para que dos matrices A y B puedan ser sumadas deberán estar
igualmente particionadas.

Sean las matrices:

 A11  B11  A11 + B11

A=   y B =    A+ B =  
 A21  B 21  A21 + B 21

Producto.- Para que dos matrices particionadas A y B puedan ser multiplicadas

será necesario que:

a) Sean conformes respecto a la multiplicación de matrices.

b) Estén particionadas de manera tal que la partición por columnas de la matriz
que pre-multiplica debe coincidir con el número de filas de la matriz que post-
multiplica.

Amxn Bnxq = Cmxq

 A11 A   B11  A11 B11 + A12 B 21

12
 rxs   sxq  
rx(n - s) rxq 
   
= 
 A21 A22   B 21   A21 B11 + A22 B 21
(m- r)xs (m- r)x(n - s) (n- s)xq   (m- r)xq 

Inversa.- Para poder invertir una matriz particionada, esta debe ser cuadrada por
particiones, y la matriz original debe ser también cuadrada con determinante
distinto de cero.

Sea la matriz:
 A11 A 12
 pxp 
px(n - p)
A mxn =   Donde A11 y A22 deben ser matrices cuadradas.
(nA-p)xp
21 A 22 
qxq 

La condición necesaria es que p + q = n

Debemos hallar una matriz X tal que:

AX = XA = I  AX = I  X = A-1

La matriz X ( A-1) la expresaremos también por particiones y nuestro objetivo será

hallar las submatrices en que la dividiremos: X11, X21, X12 y X22.

2
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

 A11 A12 
 pxp pxq   X 11 X 12   I p 
Amxn =   =  
 A21 A22   X 21 X 22    I q 
(n- p)xp qxq 

Entonces:

A11X11 + A12X21 = Ip (1)

A21X11 + A22X21 =  (2)

De (2): A22X21 = -A21X11  X21 = -A22-1A21X11

En (1): A11X11 + A12(-A22-1A21X11) = Ip

(A11 - A12A22-1A21)X11 = Ip

De donde:
X11 = (A11 - A12A22-1A21)-1

por lo tanto:

X21 = -A22-1A21(A11 - A12A22-1A21)-1

Además:

A11X12 + A12X22 = φ (3)

A21X12 + A22X22 = Iq (4)

De (3): A11X12 = -A12X22  X12 = -A11-1A12X22

En (4): A21(-A11-1A12X22) + A22X22 = Iq

(-A21A11-1A12 + A22)X22 = Iq

X22 = (A22 - A21A11-1A12)-1

Por lo tanto:

X12 = -A11-1A12(A22 - A21A11-1A12)-1

Ejemplo:

Hallar la inversa de: M

3
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

1 0 0 0 0 0 a 1
 
0 1 0 0 0 0 a 2
 
0 0 1 0 0 0 a 3
 
M = 0 0 0 1 0 0 a4
 
0 0 0 0 1 0 a5
 
0 0 0 0 0 1 a6 
0 0 0 0 0 0 17x7

Solución:
Particionamos M de modo que:
 a 1
 
a 2
 M 11 M 12   
 6x6 6x1   a 3
A7x7 =   Donde M11 = I6, M12 =   11, M22 = I1 y M21 = 
 M 21 M 22  a4
 1x6 1x1   
a5
 
a 6 

 X11 = (M11 - M12M22-1M21) = I6-1  X11 = I6

 X21 = - M22-1M21M11  X21 = 

 X22 = (M22 - M21M11-1M12)-1 = M22-1  X22 = 1

 X12 = - M11-1M12X22 = -I6[a1 a2 a3 a4 a5 a6]'

 X12 = [-a1 -a2 -a3 -a4 -a5 -a6]'

Luego:
1 0 0 0 0 0 - a1 
 
0 1 0 0 0 0 - a2 
 
0 0 1 0 0 0 - a3 
-1  
M =0 0 0 1 0 0 - a4 
 
0 0 0 0 1 0 - a5 
 
0 0 0 0 0 1 - a6 
 0 0 0 0 0 0 1 7x7

Determinantes.-

Caso general: Vamos a trabajar con la siguiente matriz:

A11 A12
pxp pxq
| Amxn | =
A21 A22
qxp qxq

4
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

Vamos a multiplicar la matriz A por una matriz auxiliar C tal que │C│ = 1 de modo
que:

AC = B  │A││C│ = │B│ y dado que │C│ = 1

entonces: │A│ = │B│

Esto nos va a servir en la medida de que el determinante de B sea más fácil de

calcular que el de A.

 A11 A12   I X   A11  

  =  
 A21 A22    I   A21 Y 

Donde las submatrices X e Y son desconocidas en este momento, pero:

A11X + A12I =   X = -A11-1A12

Y = A21(-A11-1A12) + A22I  Y = A22 - A21A11-1A12

Luego, una vez halladas las submatrices desconocidas:

 A11 A12   I A11 A12   A11

-1 
  =  
 A21 A22    I   A21 A22 - A21 A11 A12 
-1

Podemos ahora obtener el determinante de B que es igual al de A:

│B│ = │A│ = │A11││A22 - A21A11-1A12│  │A11│  0

Si al hallar la matriz auxiliar colocamos la matriz nula en la esquina superior

derecha de C, tendremos una fórmula alternativa.

│A│ = │A22││A11 - A12A22-1A21│  │A22│  0

Ejemplo:

Calcular:

1 2 1 | 7 8
1 1 2 | 3 6

| A |= 2 1 0 | 5 11
- - - - -
-

0 0 0 | 1 2
0 0 0 | 3 7
Solución.- Se ha particionado buscando que la matriz nula aparezca en una de las
submatrices. Aplicando la fórmula deducida se tiene:

5
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

1 2 1
1 2
| A |= 1 1 2 = (5)(1) = 5
3 7
2 1 0

Casos Particulares

A11 A12
1) │A│ = = │A11││φ - A21A11-1A12│  │A11│  0
A21 

 A12
2) │A│ = = │A22││φ - A12A22-1A21│  │A22│  0
A21 A22

A11 
3) │A│ = = │A11││A22│
A21 A22

A11 
4) │A│ = = │A11││A22│
 A22

Ejercicios:

1) ¿Cuál sería el determinante de A?

 A12
| A |=
A21 

 3A 4A
2) Invertir: C= 
 2A 2A

3) Calcular:
3A 4A 2A
| D |= 2A 2A A Si │A│ = 2 y A3x3
 A A

2.7 Producto Kronecker

Se define el producto Kronecker de dos matrices cualesquiera Amxn y Bpxq, a la

matriz que resulta de multiplicar cada uno de los elementos de la matriz A por la
matriz B.

6
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

Amxn  B pxq = C mpxnq

 a11 B a12 B ... a1n B 

 
 a 21 B a 22 B ... a 2n B 
 
C= . . .
 . . . 

 a m 1B a m 2B ... a m n B  mp x nq
Ejemplo:

18 12
 
3 2 6   9 6
    =
5 4  2x2  3 2x1 30 24 
 
15 124x2
Propiedades

1) (A  B) (C  D) = AC  BD

Para que se cumpla, A y C deben ser conformes con respecto al producto de

matrices; también B y D deben serlo.

2) (A  B)-1 = A-1  B-1

Obviamente A  B debe ser una matriz cuadrada. La condición necesaria es que A y

B sean matrices cuadradas y posean inversas.

3) (A  B)' = A  B

4) A  (B  C) = (A  B)  C
5) A  (B + C) = (A  B) + (A  C)

6) Tr(A  B) = Tr(A) . Tr(B)

Para que exista traza, A y B tienen que ser matrices cuadradas o A  B debe ser
cuadrada.

7) | A  B |= | A |n | B |m , si Amxm y B nxn

Demostraciones

1) Sean Amxn ; B pxq ; C nxr y Dqxs

7
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

Luego: (A  B )mpxnq (C  D )nqxrs = AC  BD

mxr pxs

Desarrollando el producto:

 a11 B a12 B . . . a1n B   c11 D c12 D . . . c1r D 

  
 a 21 B a 22 B . . . a 2n B   c 21 D c 22 D . . . c 2r D 
  
K = (A  B)(C  D) =  . . .  . . .
mp x nq nq x rs
 . . .   . . . 

 a m 1B a m 2B . . . a mn B   cn 1D cn 2D . . . cnr D 

El primer elemento de la matriz resultante de la multiplicación, será igual a:

k11 = a11Bc11D + a12Bc21D + ... + a1nBcn1D

= a11c11BD + a12c21BD + ... + a1ncn1BD

= (a11c11 + a12c21 + ... + a1ncn1)BD

 n 
=   a1i ci1  BD
 i=1 

El último elemento de la matriz estará conformado así:

kmpxrs = am1Bc1rD + am2Bc2rD + ... + amnBcnrD

= (am1c1r + am2c2r + ... + amncnr)BD

 n 
=   a mi cir  BD
 i=1 

De tal forma que la matriz resultante tenga la siguiente estructura:

 n . . . .
  a1i BD
 i=1 
 
K= . . . . .
 
 
 
n
. . . .  a mi cir BD 

 i=1 

Por otro lado, recordamos que el elemento (1,1) de AC, está dado por:

= a11c11 + a12c21 + ... + a1ncn1

n

= a
i=1
1i c1r

Luego tenemos que:

8
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

 n . . . .
  a1i BD
 i=1 
 
AC  BD =  . . . . .
 
 
 
n
. . . .  a mi cir BD 

 i=1 

Con lo cual queda demostrada la propiedad.

6) Sean las matrices cuadradas Amxm y B nxn

Luego: Tr(A  B) = Tr(A) . Tr(B)

Desarrollamos A B:
 a11 B a12 B . . . a1m B 
 
 a 21 B a 22 B . . . a 2m B 
 
A B=  . . .
 . . . 

 a m 1B a m 2B . . . a mm B 

Tr(A  B) = Tr( a11 B) + Tr( a22 B) + ...+ Tr( amm B)

Para un término cualquiera ajjB de la diagonal de este producto se cumple:

 a jj b11 a jj b12 . . . a jj b1n 

 
 a jj b21 a jj b22 . . . a jj b2n 
 
a jj B =  . . .
 
 . . . 
 
 a jj bn 1 a jj bn 2 . . . a jj bnn 

Tr(ajjB) = ajj(b11 + b22 + ... + bnn) = ajj(Tr(B))  1jm

Por lo tanto:

Tr(A  B) = a11(Tr(B)) + a22(Tr(B)) + ... + amm(Tr(B))

= (a11 + a22 + ... + amm)(Tr(B))

= (Tr(A)) (Tr(B))

Con lo cual queda demostrada la propiedad.

9
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

Ejercicios:

1) Dados: Amxm ; B pxp y Cqxq . Hallar: | A  B  C |

Sol: Según las propiedades dadas:

| A  B  C |= | (A  B)  C |= | A  B |q | C | mxp = | A | pxq | B | mxp | C | mxq

2) Analizar la verdad o falsedad de la siguiente proposición:

Si C = A  B , entonces si A y B son ortogonales, luego C es ortogonal.

Sol: Si C fuese ortogonal, entonces C C = I

Sobre la base de la proposición y utilizando las propiedades:

C = A  B _ C  = (A  B) = A  B

(A  B)(A  B) = A A  B B

II=I

Dado que A es ortogonal, luego su traspuesta es igual a su inversa y

multiplicando ambas obtenemos la matriz identidad; concluimos que la
proposición es verdadera.

3) Siendo: B = PP', hallar la matriz P.

 2 - 2
B=  
- 2 1

Tenemos que:

D = Q BQ
(Q  )-1 D = BQ
B = (Q  )-1 DQ -1

Es válido dado que Q es una matriz ortogonal y tiene inversa; de modo que
podemos obtener B = PP'.

Como Q es ortogonal, entonces Q-1 = Q'. Por lo que:

10
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

B = Q DQ

 0   1 0
0   1
0 . . 0 . .
 1 0 . .  
 
 0 2 . . .   0 2 . . 0 0
 2 . . 0

 
D=  . . .=  . .

.  . .

.

 . 
. 
 . . . .  . . .
  
 0 . . .  n   0  
 0 . . n   0 0 . . n 

D = D1/2 D1/2

Por otro lado:

( QD1/2 ) = D1/2 Q 

1/2
D = D1/2

Concluimos que se va a poder expresar B = PP' si λ>0 y B es simétrica.

Finalmente:

P = QD1/2

Problemas Resueltos:

1.- Sea A una matriz de valores conocidos que puede descomponerse como A=PP'
donde P es una matriz no singular. Hallar la matriz R tal que RR = A-1  A

Solución. Si A se puede expresar como PP', entonces A es asimétrica.

A = PP
RR = A-1  A
RR = (PP )-1  (PP)
RR = [(P )-1 P-1 ]  [PP]
RR = [(P )-1  P] [ P-1  P]

Entonces: RR = [(P )  P] [ P  P] (según la primera propiedad). Donde el

-1 -1

primer factor debe ser R y el otro R'.

2.- Sean las matrices: Anxn ; Bmxm y C = A  B . Además, si la matriz A es

idempotente, es decir, A=A2, de raíces 0 y 1; y la matriz B es involutiva, es decir,
B2=I, Halle :C.
11
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

Entonces:
C= A B
C = (A  B) (A  B)
2

C =A B
2 2 2

Reemplazando:

C = A I
2

| C 2 |= | A  I |
| C 2 | = | A|m | I |n
Siendo In=1.
Luego:

| C 2 | = | A|m
| C |2 = | A|m
m
| C | = | A|2

Por lo tanto, si λ = 0  C = 0

λ = 1  C = 1

3.- Verificar que si A o B son singulares, entonces C es singular.

C = A B
2

| A |= 0
| C |= | A  B |
| C |= | A|m | B |n

Para que C = 0, bastará que Am o Bn sea igual a cero.

 5B 3B 
4. Hallar el determinante de R=   siendo B de orden 3 y B=2.
 2B B 
Solución. Se desarrolla por aplicación directa de la forma conocida. Así:

| R | = | 5B || B - (2B)(5B )-1 (3B) |


 1 B -1 
| R | = | 5B | B - 2B  5
 3B


|R| = 5 3|B| B - 65 B
3
|R| = 5 3|B|  - 51 


|B|

|R| = -|B|2

|R| = - 4
12
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

Otro modo de resolverlo es a través del producto Kronecker.

 5 3
Sea R= A B y A=  
 2 1
| R |= | A  B |
| R | = | A|3 | B |2
3
| R | = (-1 ) 4
| R |= - 4
5.- Prueba de Propiedad 7.

Comprobación: | A  B |= | A |m | B |n

Siendo Anxn y Bmxm

Por inducción matemática:
Para n=1:

| A  B |= | a11 B |= a11
m
| B |= | A |m | B |1

Para n=2:

a11 B a12 B
| A  B |= = | a11 B || a 22 B - ( a 21 B)( a11 B )-1 ( a12 B) |
a 21 B a 22 B
m
= a11 | B | a 22 B - ( a 21 B) a111 B -1 ( a12 B)

Así sucesivamente se comprueba la propiedad.

PROBLEMAS PROPUESTOS

1. Sea la matriz :

 2B 3B 
C= 
 3B 5B 

Donde B es de orden 3 y determinante 5.

Analice la verdad o falsedad de las siguientes proposiciones:

a) El determinante de C es 25.
b) Si B es ortogonal entonces C es ortogonal.
c) Las raíces de C son iguales a las de B.
d) Si B es Definida Negativa entonces C tiene al menos una raíz negativa.

2. Dadas las matrices:

1 2  1 3 -1
A=   B=   A
1 4   2 1

Hallar:
a) Tr [(A-1  B-1)-1(B'  A')]
b) [A  (B+C)] - [((A-1)'  A-1)-1]'
13
GRUPO DE ESTUDIOS “DELTA” MATE 3 PROF: MILE LEÓN M.

3. Sea A una matriz de valores conocidos que puede ser descompuesta como
A=PP', donde P es una matriz no singular. Hallar la matriz R, tal que RR' = A-1  A.

4. Si C = A  B donde Anxn y Bmxm. Analizar la verdad o falsedad de las siguientes

afirmaciones:

a) Si A y B son ortogonales, entonces C es ortogonal.

b) Si A o B son singulares, entonces C es singular.
c) Si A2=A y B2=I, entonces el determinante de C es 1.
d) Los valores propios de C son iguales al producto de los valores propios de A por
los valores propios de B.

5. a) Usando particiones, invertir la matriz:

1 0 a
 
A =  1 1 b
0 0 c 
 

b) Demuestre que: (A  B)-1 = A-1  B-1

6. Sea A una matriz nilpotente de grado 7.

 A11 A12 
A=  
 A21 A22 

Demuestre que A11 y A22 no pueden ser (ambas) no singulares.

7. Halle el determinante de una matriz T de orden 11, si T12 y T21 son distintos de
nulo, T11 y T22 son iguales a la matriz nula, y T12 es una matriz cuadrada de orden
5. Además se sabe que el determinante de T21 es "a" y el determinante de T12 es
"b".

8. Halle el determinante de la matriz :

 5B 3B 
R=  
 2B B 

Si B es una matriz cuadrada de orden "n".

9. Sean A y B dos matrices cuadradas tales que:

A   A C
P=   y Q= 
  B   B

Calcule Pn y Qn.

10. Calcule la inversa y el determinante de las matrices:

1 2 3 0 0 1 2 1 7 8
    1 2 1 5
2 5 7 0 0 1 1 2 3 6  
2 3 7 2 1
7 11 0 0 0 1 3 5 11 0
    0 1 3
0 0 0 3 2 0 0 0 1 2  
    0 0 1 4 
0 0 0 7 5 0 0 0 3 7
14
II. ÁLGEBRA LINEAL COMPLEMENTARIA
1. VALORES Y VECTORES PROPIOS

Definición: El escalar λ es un valor propio de la matriz A de orden n x n, si

existe un vector v ≠ ϕ tal que: Av = λv.

Además, en tal caso se dirá que v es un vector propio de A asociado a λ.

Si ∃ v ≠ ϕ / Av = λv entonces λ es un valor propio y v es un vector propio

asociado a λ de la matriz A.

Obtención de λ : Por definición: Av = λv, Av −λv = ϕ

entonces, post-factorizando v,(A−λI)v = φ.

Llegando aquí se pueden dar dos casos según exista o no la inversa de la

matriz (A − λI):

i) Existe (A − λI)-1, en cuyo caso es posible pre-multiplicar la expresión

obtenida por dicha inversa obteniéndose lo siguiente:

(A − λI)-1(A − λI)v = (A − λI)-1ϕ → Iv = ϕ → v=ϕ

Pero según la definición, v ≠ ϕ, lo cual es una contradicción, por lo tanto

(A - λI)-1 no debe existir.

ii) No existe (A − λI)-1, de lo que se deduce que │A − λI│ = 0.

|A – λ.I| = [ ]= 0

Al efectuar el cálculo del determinante se obtendrá una ecuación de grado n

P(λ) = 0 , P(λ) : Polinomio característico

Dicha ecuación recibe el nombre ecuación característica.

Al resolver P(λ) = 0 ; se hallan λ1, λ2, ... , λn que satisfacen esa ecuación.

Obtención de los Vectores Propios: Tenemos que λ1 es conocido entonces

se debe cumplir que: Av1 = λ1v1

Debemos hallar v1 usando como datos a λ1 y a la matriz A.

Al analizar la ecuación lo que se aprecia es un sistema de n ecuaciones con n

incógnitas (donde los componentes del vector v1 son dichas incógnitas):

Av1 = λ1v1

(A−λ1I)v1 = ϕ

15
 Para saber si el sistema tiene solución única o infinitas soluciones, se tiene que
analizar el determinante de (A−λ1I) que está formado por los coeficientes de
las incógnitas. Luego, el determinante está formado por coeficientes de v1 que
es (A−λ1I).

Además, sabemos que si │A − λ1I│ = 0, entonces se tendrán infinitas

soluciones; y si se cumple eso,implica que el rango de (A−λ1I) es menor que
su orden n, al indicar una dependencia lineal entre sus columnas. Se tiene
pues, un sistema de n incógnitas y n ecuaciones de las cuales al menos una
es redundante.

(A−λ1I)v1 = ϕ ó [ ].[ ]=0

El sistema formado será homogéneo y con alguna(s) ecuación(es)

redundante(s). Por lo tanto habrá infinitas soluciones (que estarán en función
de parámetros) para v1 y en general para cada vi. Todas las soluciones para v1
estarían dadas por vectores propios paralelos o colineales.

PROPIEDADES DE LOS VALORES PROPIOS:

1. Los valores propios de A son iguales a los valores propios de A`.

2. Los valores propios de A-1 son las inversas de los valores propios de A.

3. Los valores propios de una matriz ortogonal(A’=A-1) sólo pueden ser 1 ó -1.

4. Los valores propios de una matriz idempotente (A2=A) sólo pueden ser 0 ó 1

5. La suma de los valores propios de una matriz es igual a la traza de la Matriz.

6. El determinante de una matriz es igual al producto de sus valores propios.

7. Los valores propios de An son iguales a los (valores propios de A)n

8. Si A es singular, por lo menos un valor propio es igual a cero.

9. Si A es no singular, ningún valor propio es igual a cero.

10. Si Anxn es de rango=p< n, entonces existen (n-p) valores propios nulos.

11. Los vectores propios de An son los mismos que los vectores propios de A.

2. DIAGONALIZACIÓN DE MATRICES

Consiste en expresar una matriz representativa de una transformación lineal

en otra matriz diagonal representativa de la misma transformación lineal pero
escrita en otra base. El objetivo de esta diagonalización es que la nueva matriz
será fácil de manipular y sus propiedades podrán ser observadas directamente.

Así, si se tiene una matriz como: 16

 A=[ ] D=[ ]

DEFINICIONES PREVIAS :

Matrices Semejantes: Dos matrices A y D son semejantes si representan la

misma transformación lineal en dos bases diferentes.

T : Mn → Mn / T (A) = D → D = P-1AP

Donde la matriz P es no singular (│P│ ≠ 0) de modo que su inversa exista.

Además recordemos que P-1 es una matriz de cambio de base en Rn.

Condiciones de Diagonalización:

Una matriz A de orden n es diagonalizable si y sólo si es semejante a una

matriz diagonal. A es diagonalizable ↔ ∃ P no singular tal que D = P-1AP
donde D es una matriz diagonal.

Teorema. Si A es una matriz de orden n diagonalizable, entonces su forma

diagonal es D.

Pero, ¿cómo se halla P?

P es de orden n y demostraremos en seguida que las columnas de P están

formadas por los vectores propios de A.

[1] P es una matriz que diagonaliza a A: entonces D = P-1AP

[2] Pre-multiplico por P: PD = P(P-1AP) → PD = IAP → PD = AP

[3] Particiono P en columnas, de modo que: P = [x1, x2, ... ,xn]

[4] Multiplico P por D:

PD = [x1, x2, ... ,xn]. [ ]

[5] Multiplico A por P:

AP = Anxn .[x1, x2, ... , xn]nxn

Al hacer esta multiplicación se debe considerar que la partición por

columnas de la matriz que pre-multiplica debe ser igual a la partición
por filas de la matriz que post-multiplica. Luego, si A es bien particionada:

AP = [Anxn x1, Anxn x2, ... , Anxn xn]nxn

[6] Como AP = PD:

[Anxn x1, Anxn x2, ... , Anxn xn]nxn = [λ1x1, λ2x2, ... , λnxn]1xn

De modo que: 17
 Ax1 = λ1x1 → x1 es un vector propio asociado a λ1

Ax2 = λ2x2 → x2 es un vector propio asociado a λ2

: : : : : :

Axn = λnxn → xn es un vector propio asociado a λn

[7] Finalmente, las columnas de P son los vectores propios de A:

Caso de valores propios repetidos :

La matriz A será diagonalizable si la dimensión del sub-espacio vectorial

asociado al valor propio repetido es igual a la multiplicidad de dicho valor
propio.

Definiremos: Eλ = {v ∈ Rn / Av = λv} como el sub-espacio vectorial generado

por los vectores propios de A repetidos. La idea es hallar la dimensión de Eλ.

Una vez hallada dicha dimensión hay que compararla con r que la definiremos
como multiplicidad del valor propio repetido. Diremos luego que si:

Dim Eλ = r → la matriz A será diagonalizable.

Dim Eλ < r → la matriz A no será diagonalizable.

Ejercicio 1 : Diagonalizar A=[ ]

Ejercicio 2 : Diagonalizar A=[ ]

2.1 Caso de Matrices Simétricas

Propiedades:

1) Si A es una matriz simétrica y de raíces características todas diferentes, entonces sus

vectores característicos serán ortogonales.

2) Una matriz simétrica no puede tener raíces imaginarias.

3) Si una matriz simétrica tiene raíces repetidas, es posible encontrar vectores propios
ortogonales.

4) La matriz Q formada por los vectores ortonormales de la matriz simétrica es una matriz
ortogonal que verifica |D| = Q'AQ.

Observaciones:

1) No todas las matrices tienen forma diagonal.

2) Si una matriz tiene todos sus n valores propios distintos tiene n vectores propios LI y por lo
tanto tiene forma diagonal.

3) Si una matriz tiene valores propios repetidos puede y no tener forma diagonal.

4) Toda matriz tiene una forma diagonal por bloques llamada Forma de Jordan. 18
 5) Una matriz simétrica tiene valores propios reales y vectores propios ortogonales que 19
siempre se pueden convertir en ortonormales para formar una matriz diagonalizante P
tal que P-1 = P’ .. (Una matriz que cumple esta propiedad se llama matriz ortogonal)

6) De acuerdo a lo anterior, una matriz simétrica A se puede diagonalizar mediante la

transformación: D = P’AP

3. FORMAS CUADRÁTICAS

Se llama así a cualquier función polinómica de n variables que es homogénea de grado 2.

Ejemplo: Q : R3 → R , ( )

Analizando la homogeneidad de Q

( ) ( ) ( )

El caso general puede ser expresado en forma de sumatoria doble:

Q(x) = ∑ ∑

o expresado en forma matricial:

Q(x) = [x1 x2 … xn].[ ]

[ ]
Así tenemos : Q(x) = x’Ax

donde, x es un vector de variables existentes o incógnitas y A es la matriz de

coeficientes.

Ejemplo 1. Qx1, x 2 , x 3 , x 4   3x12  2x 22  3x 23  2x1x 2  3x1x 4  5x 3 x1  6 x 2 x 4

 x1  3  2 5  3
   
x 0  2 0  6
x   2 N
x3  0 0 3 0  Q( x1 , x2 , x3 , x 4 )  x N x
t

   
x 4  0 0 0 0 

Teorema: toda forma cuadrática representada por una matriz B no simétrica, admite
una única representación mediante una matriz simétrica A.

3.1 Clasificación de La Forma Cuadrática

1. Formas cuadráticas definidas Negativas:

Se dice que una forma cuadrática Q es definida negativa (DN), si:

∀x ∈ Rn, x≠ → Q(x) < 0

Q será DN, si la matriz simétrica A de la expresión : x’Ax cumple con:

 a 11 a 12 a 13 20
a 11 a 12
a 11  0,  0, a 21 a 22 a 23  0  , A  0
a 21 a 22
a 31 a 32 a 33

2. Formas cuadráticas definidas positivas:

Se dice que una forma cuadrática Q es definida positiva (DP), si:

∀x ∈ Rn, x≠ → Q(x) > 0

Q será DP, si la matriz simétrica A de la expresión Q=x’Ax cumple con:

a 11 a 12 a 13
a 11 a 12
a 11  0,  0, a 21 a 22 a 23  0  , A  0
a 21 a 22
a 31 a 32 a 33
3. Formas cuadráticas Semi-definidas Positivas:

Se dice que una forma cuadrática Q es definida positiva (DP), si:

∀x ∈ Rn, x≠ → Q(x) ≥ 0

Q será SDP, si la matriz simétrica A de la expresión Q=x’Ax cumple con:

a 11 a 12 a 13
a 11 a 12
a 11  0,  0, a 21 a 22 a 23  0  , |A|=0
a 21 a 22
a 31 a 32 a 33
4. Formas cuadráticas Semi-definidas Positivas:

Se dice que una forma cuadrática Q es definida positiva (DP), si:

∀x ∈ Rn, x≠ → Q(x) ≤ 0

Q será SDN, si la matriz simétrica A de la expresión Q=x’Ax cumple con:

a 11 a 12 a 13
a 11 a 12
a 11  0,  0, a 21 a 22 a 23  0  , |A|=0
a 21 a 22
a 31 a 32 a 33

5. Forma cuadrática Indefinida:

Si no cumple alguna de las 4 formas mencionadas.

Ejm: Estúdiese, según los valores de a,el signo de las formas cuadráticas siguientes:

a. ( )
b. ( )
 3.2 Diagonalización de Formas cuadráticas : 21

A partir de : Q(x) = x’Ax

Mediante un Cambio de Base: y = P’.x

Se obtiene : Q(y) = y’Dy

Donde: D es una matriz diagonal formada por los valores propios de A.

P es la matriz cuyas columnas son los vectores propios normalizados.

Desarrollando : Q(y) = λ1. + λ2. +………+ λn

CUADRO RESUMEN DE FORMAS CUADRÁTICAS:

Si se cumple DP DN SDP SDN

Entonces

Singularidad NO NO SÍ SÍ

|A|=0

Inversa (A-1) SÍ SÍ NO NO

Valores Propios >0 <0 Todos ≥ 0 Todos ≤ 0

Determinante >0 > 0 (par) ( Por lo menos ( Por lo menos

|A| < 0 (impar) Uno = 0 ) Uno = 0 )

PROBLEMAS SELECTOS PARA LA PC 2

VALORES PROPIOS

1) Escoja sólo 2 de las siguientes preguntas (2.5 ptos. c/u):

a) Sea Anxn una matriz con valores propios λ1 λ2... λn y Bpxp una matriz con valores
propios µ1,µ2,…,µp. Demuestre que los valores propios de la matriz : C = A⊗B es
igual a λi.µj para todo i = 1,2,3,.......,n y j = 1,2,3,..........,p.

b) Demuestre que los vectores propios asociados a valores propios distintos son
linealmente independientes (Sugerencia: Hágalo por el método del absurdo).

c) Sean A y B matrices reales de nxn con valores propios distintos. Demuestre que
AB = BA si y sólo si A y B tienen los mismos vectores propios.
2) Hallar los valores y vectores propios de la matriz A si se sabe que los tres valores
propios son diferentes.

A=[ ] (3.5 p)

FORMAS CUADRÁTICAS
1. Comente o demuestre según sea el caso:

Sean las matrices A y B Є Mnxn

i) Si A es MDP entonces A-1 es MDP

ii) Si A y B son MDP entonces ⨂ es MDP
iii) Si A y B son MDP entonces la matriz αA+βB es MDP  α, β ε R
iv) Si A y B son MDN entonces A-B es MSDN
v) Si A es MDN entonces A2 es MDP
vi) Si A es MDP y C es simétrica e idempotente entonces C’AC es MDP
vii) Si A es MDP y B es MSDP entonces A+B es necesariamente MDP
viii) Si A es MDP y B es MSDP entonces se puede afirmar que :

x'  A  B x  x' A x y x'  A  B x  0

ix) Dada la matriz A de dimensión m x n, que tiene sus columnas linealmente
independientes entre sí (lo que exige que m  n puesto que las columnas
son vectores de dimensión “m”, y si m < n, entonces no podríamos tener
“n” vectores independientes). Demostrar que el producto A’A es una matriz
definida positiva.
x) Toda forma cuadrática se puede expresar como un polinomio de grado 2;
sin embargo, no todo polinomio de grado 2 se puede expresar como una
forma cuadrática.

2. Si se define una matriz C = [ ] donde B es de orden 3 entonces

a) Las raíces de C deben ser iguales a las de B

b) Si B es MDN entonces C tiene al menos una raíz negativa

3. Sea Q una matriz simétrica y definida positiva. Sobre la base de las propiedades
de la diagonalización de matrices simétricas, demuestre que la siguiente
generalización de la desigualdad de Schwartz se cumple:

( ) ( )( ) 22
4. Halle las matrices asociadas a las siguientes formas cuadráticas y clasifíquelas: 23

a) Q(x,y,z) = x2+5y2+6z2+4xy-2xz-6yz
b) Q(x,y,z) = x2+2y2+2z2-2xy-2xz+4yz
c) Q(x,y,z) = xy+xz+yz

5. El nivel de contaminación que produce una empresa viene dado por:

C  X 2  3Y 2  2Z 2  2 XY

donde X, Y, Z son cantidades de materias primas utilizadas en proceso y c es el nivel

de contaminación. Además, en su proceso de producción se utiliza la misma cantidad
de la materia prima X que la suma de las cantidades de Y y Z. El gobierno no
autoriza procesos productivos que generen niveles de contaminación positivos. Si
usted es el gerente de esta empresa ¿pediría la autorización? ¿Por qué?.

FORMAS CUADRÁTICAS RESTRINGIDAS

5. Dada la forma cuadrática

 1  1  2 0   x1 
  1 3  3 7  x 
Q  x 1 x 2 x 3 x 4     2
  2  3 5  5  x 3 
  
 0 7  5  1  x 4 

que está sujeta a las siguientes restricciones:

x1 - x2 = 0

x3 – 3x4 =0

Determine cómo está definida Q.

6. Sea la forma cuadrática Q(x,y) y A la matriz asociada a esta:

  2
A
3  

Halle (de ser posible) los valores de  y β para que la forma cuadrática sea:

a) Definida positiva
b) Definida negativa
c) Semidefinida positiva
d) Semidefinida negativa
e) Indefinida

EJERCICIOS
La siguiente matriz cuadrada ha sido particionada por columnas:

A   A1 A2 A3 ... A n 1 An 

Además, se sabe que existe una matriz P que post multiplica a A, tal que:

AP   A n A1 A2 A3 ... A n 1 

i. Halle la matriz P (de orden n x n)

5n
ii. Si el determinante de A es 0.2, calcule el determinante de  AP
i 1
i

1. En econometría, el Modelo Lineal General se plantea de la forma: y  x   u

La variable “u” representa un término aleatorio, “y” es un vector de orden “T” que
contiene todas las observaciones de la variable dependiente, y “x” es una matriz
de orden “TxK”, donde “K” representa el número de variables explicativas
presentes en el modelo. La técnica de mínimos cuadros ordinarios (MCO) busca
hallar los valor del vector  (el vector es de orden “Kx1”) que hacen mínimo “u”.

El resultado es el estimador mínimo cuadrático definido como: ˆ   x' x  x' y

MCO 1

El resultado anterior es válido en un contexto uniecuacional (una ecuación). Sin

embargo, en un contexto multiecuacional (más de una ecuación), se puede
representar el modelo de la siguiente forma:

 y1   x1 0  0 1   1 
y  0    
 2 x2  0   2 
  2
             
       
 y m  ( mT 1)  0 0  xm  ( mT mk )   m  ( mk 1)   m  ( mT 1)

y se tendrá un vector con tantos estimadores  como ecuaciones tenga el

sistema. El resultado final es el siguiente:
 x1 0  0
0 x  0 
ˆ
 SISTEMA  ( X '  X ) ( X '  Y ) . Además se sabe que: X  
1 1 1 2

   
 
0 0  xm  ( mT mk )
  12 I T  12 I T   1m I T    12 I T  12 I T   1m I T 
   
 I  22 I T   2m I T   I  22 I T   2m I T 
   21 T   12 T
           
   
 m1 I T  m2 I T  I T  ( mT mT )  1m I T  2m I T  I T  ( mT mT )
2 2
 m  m

 ˆ MCO 
 1MCO 
ˆ 
Se le pide que demuestre que ˆSISTEMA   2 
  
 ˆ MCO 
 m  ( mk 1)
PARA x1  x2    xm  x 24
SEMINARIO PRE-PRÁCTICA 2 25

1. Sea A una matriz cuadrada de orden n, si A es simétrica y ortogonal,

entonces siempre será diagonalizable. (1,5 ptos)

0 1  0 0 
2. Sean las matrices : A  y
B . Se cumple que cada
0 0  0 1 

vector propio de A B se puede escribir como: vw , donde v es un

vector propio de A y w es un vector propio de B . (1,5 ptos)

3. Si M es una matriz idempotente de orden n, se puede afirmar que In  M

corresponde a la representación matricial de una forma cuadrática semi
definida positiva. (2,0 ptos)

Demostración (2,5 puntos)

 A B C
  Z  D E A  BD 1 B'CE 1C ' ,
4. El determinante de la matriz Z   B ' D   es
C '  E 

donde D y E son matrices no singulares y  es una matriz nula. (2,5 ptos)

Ejercicios (12,5 puntos)

5. Sea A una matriz no singular de orden n  n , a un vector y  no nulo.

 A
B ,
 a '
a. Encuentre la matriz inversa de :

donde  es una matriz nula. (2,0 ptos)

b. Utilice el resultado de a. para encontrar la matriz inversa de:

0 3 0 0
0 0 3 0
B (1,5 pto)
0 0 0 3
 
7 3 6 9
6. Considere la matriz A , donde  y  son números reales positivos: 26

 0 0
A     0
 0 0 0
a. Encuentre los valores y vectores propios de A . (2,0 ptos)
b. ¿Es A diagonalizable? (1,0 pto)

7. Clasifique la forma cuadrática definida por la matriz:

0 0 0 
0 1 2 

0 2  1

sujeta a la restricción : x  ay  z  0 ,

en términos del parámetro real a. (2,0 ptos)

8. Si A es una matriz ortogonal, B es una matriz simétrica y C es la inversa de A,

donde A, B y C son de orden n, calcule:

B A   ABC  AB   A

1 T 1 T
BC 
1

9. Si C  A.B , donde:
a 1 1 0 0 0 1 0 0 x 0 0
0 0 0
 b 1 0 0 0   1 0 0 y
0 0 c 0 0 0 0 0 1 0 0 z
A  B 
0 0 0 d 0 0 0 0 0 1 0 0
0 0 0 1 e 0 0 0 0 0 1 0
   
 0 0 0 1 1 f  0 0 0 0 0 1 

a) Halle C (1,5 ptos.)

b) Obtenga los valores propios de C. (1,5 ptos.)

2 0 0
10. Dada la matriz: A  0  1 0
1 0 1
 a) Calcule los valores y vectores propios de A. (0,75 pto.)
b) Halle P y P-1 tales que: P-1AP = D (0,75 pto.)
c) Calcule A 99 (1,0 pto.)
d) Calcule los valores y vectores propios de A 99 (1,0 pto.)

11. Encuentre todos los valores (reales) de k para los cuales A es

diagonalizable.

1 1 k 
A  1 1 k  (2,0 ptos.)
1 1 k 

12. Suponga que 1 es un valor propio de Ann , que se repite p veces

(multiplicidad p); específicamente, el espacio vectorial de vectores propios

asociados a dicho valor repetido tiene base B1  v1 , v 2 ,...,v p  .

Sea Q cualquier matriz invertible de orden nxn, que tenga a los vectores

de B1 como sus primeras p columnas:

 
Q  v1 v 2 ... v p v p 1 ... v n  U V 

1 C 
Sea Q    , donde C pn
D
Demuestre que Det Q 1 AQ  I   1    Det DAV  I 
p

Recuerde que: Q 1Q  I (3,0 ptos.)

Producto Kronecker – Valores y vectores propios

13. Comente las siguientes afirmaciones:

a. Dadas dos matrices A y B , se cumple que A  B  B  A .

b. Se dice que dos matrices A y B conmutan si AB  BA . Dadas dos matrices
A, B e I en Mn×n, siendo I la matriz identidad, se cumple que las

matrices IA y BI conmutan.

0 1  0 0
A   0 1 
c. Sean las matrices : y B . Se cumple que cada
0 0  
vector propio de A  B se puede escribir como v  w , 27
 donde v es un vector propio de A y w es un vector propio de B .

d. Si v es un vector propio de A y de B , entonces v también será un vector

propio de A  B , donde  ,    .

14. Se definen las matrices:

1 2  1 3
A , B 
1 4  2 1

a. Calcule Tr A 1
 B 1  B  A .
1

b. Calcule  
Det A  B  A 1  A 1  A 1  
1
.

15. El teorema de Cayley-Hamilton afirma que toda matriz es raíz de su

polinomio característico.

a. Compruebe el teorema para las matrices cuadradas de orden 2.

b. Utilizando el teorema, halle la matriz inversa de:

2 1 0
A  0 1  1
0 2 4 

16. Se sabe que dos matrices, A y D , son semejantes si: D  P 1 AP , donde P

es la matriz que contiene los vectores propios de A y P  0. Con este

concepto, demuestre lo siguiente:

a. Dos matrices semejantes tienen el mismo polinomio característico.

b. Dos matrices semejantes tienen el mismo determinante.

17. Se dice que una matriz simétrica H de orden n es una matriz de Hadamard
si sus elementos son iguales a 1 ó 1 de manera que H H  HH   nI n , donde

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

que
28
  1 1 1 1 1 1 1 1
 1 1 1 1  1  1 1  1
1 1     
 1  1 1 1 1 1   1 1  1  1
 
   
1 1 1  1 1  1  1 1 

son matrices de Hadamard de orden 2, 4 y 4 respectivamente. Con esta

información, determine los valores propios de una matriz Hadamard de orden
n.

18. Sea la matriz H n , definida de la siguiente manera:

H  (1   ) I n    '

Donde I n es una matriz identidad de orden n ,  es un vector suma, y   R y

se encuentra en el intervalo: 0    1.

a. Halle los valores y vectores propios de H n para n =2.

b. A partir de los valores propios indique si la matriz es definida negativa o

definida positiva.

19. Sea la matriz

1 0 0 0
a 1 0 0
A
1

a 2 a3 2 0
 
a 4 a5 a6 2

¿Qué condición deben cumplir los coeficientes ai para que la matriz A sea

diagonalizable?

Formas cuadráticas

20. Demuestre. Si A es una matriz definida positiva, entonces existe una

matriz no singular P , tal que P P  A .
21. Demuestre. Si la matriz Q de cambio de base diagonaliza

simultáneamente a dos formas cuadráticas x Ax y x Bx , entonces AB  BA

22. Dada la siguiente forma cuadrática:
29
 Qx1 , x2 , x3   x12  2 x22  3x32  2 3x1 x3

Si efectuamos un cambio de base, de manera tal que las variables x son

reemplazadas por las variables y , según:

 x1  a11 y1  a12 y 2  a13 y 3


 x 2  a 21 y1  a 22 y 2  a 23 y 3
x  a y  a y  a y
 3 31 1 32 2 33 3

Halle los valores de los coeficientes a ij , a fin de representar la forma

cuadrática como:
3
Q  y    i y i2
i 1

1 n
23. Si  x   xi , represente la forma cuadrática:
n i 1
n
n  1S 2
x    xi   x 
2

i 1

en la forma x A x , donde x   n y A es una matriz simétrica de orden n .

24. Si Anxn es definida positiva (DP), y Bnxn es semidefinida positiva (SDP),

analice la verdad o falsedad de las siguientes afirmaciones:

i. X’(A+B)X > X’AX

ii. X’(A-B)X>0

25. En la teoría del portafolio en finanzas, es importante conocer cuál es la

estructura de la varianza de una cartera de acciones, indicador que mide la
volatilidad de dicha cartera. Esta se define de la siguiente manera:
n n
 2
cartera ( x1 , x 2 ,...,x n )
 
i 1 j 1
i, j
i jx i x j

30
 Además:

  i , j  1
i  j 


  i , j   1,1
i  j 

 ,x  0  K
 K K

a) Demuestre que para una cartera de “n” activos, la varianza anterior es una

forma cuadrática
 2
cartera x1 , x2  
 R .
b) Si n=2
 2
cartera x1 , x2  
 R  ¿son los valores propios de la matriz A (Q=X’AX)
reales?

c) ¿Cuál es la naturaleza de la forma cuadrática?

RESPUESTAS:

PREG 1 : Falsa PREG 2 : Falsa PREG 3 : Falsa PREG4 : DELTA

 1 1 1  1 2 3 1 
  a '.A   7 7 7 7
PREG 5 : a) B 1   b)
B 1
 1
 3
0 0 0

  1
 A 1   0 3
0 0
   1 
 0 0
3
0


0  0 
PREG 6 : a) 1  0 es  0  . λ3 =  2   es  k  .
  b) la matriz no es diagonalizable.
 k   0 

PREG 7 : la forma cuadrática no está definida.

PREG 8 : | | |[ ]| [(| |) ] [| | ]

PREG 9 : a) | | b)

PREG 10 : a) [ ] [ ] [ ] d) los de A

b) [ ] [ ] c) [ ]

31
PREG 11: K ≠ -2

PREG 12 : DELTA

PREG 13 : a) F b) V c) F d) V

PREG 14 : a) 169 b) 72

PREG 15 : DELTA

PREG 16 : DELTA

PREG 17 : λ = + √

PREG 18 : λ1 = 1- ρ λ2 = 1+ ρ

PREG 19 : DELTA

PREG 20 : DELTA

PREG 21 : DELTA

 3 / 2 0 1 / 2   a11 a12 a13 

 
PREG 22 : C   0 1 0   a 21 a 22 a 23 
 1/ 2 0 3 / 2  a 31 a32 a33 


 1 
PREG 23 : x I n  11  x Note que: 11  n
 n 

PREG 24 : a) Falso b) Incierto

PREG 25 :

a) DELTA

b) Para saber si sus valores propios son reales bastará con analizar el
discriminante de la ecuación cuadrática anterior. Si Δ≥0 entonces
dichos valores propios serán reales:

[ ( )] ( )( ) ( ) [ ( ) ]
( ) [ ]
( )

Esta última expresión es claramente no negativa por lo que se concluye

que, efectivamente, los valores propios de A serán reales.
c) Definida Positiva

32
EJERCICIOS RESUELTOS PARA LA PC 2

COMENTES:

1. Si A y B son dos matrices idempotentes, entonces AB es idempotente.

2. Si A y B son dos matrices ortogonales, entonces AB es ortogonal.

3. Los valores propios de la inversa de la matriz A son las inversas de sus valores
propios.

4. Si A es matriz ortogonal, entonces los valores propios son ±1.

5. Si A es matriz idempotente, entonces los valores propios son: 0, 1.

6. Los vectores propios correspondientes a distintos valores propios de una matriz

simétrica siempre son ortogonales entre sí.

7. Si λ≠0 es un valor propio de la matriz A, entonces |A|*1/λ es un valor propio

de la adjunta de A.

33
8. Los valores propios de la matriz “A1/2” (A1/2A1/2=A) son iguales a la raíz
cuadrada de los valores propios de la matriz A.

9. Si la matriz A de orden “n x n” tiene valores propios iguales a , entonces se

cumple:

10. Los valores propios de la matriz A+kI son iguales a los valores propios
de la matriz A sumados en k.

Partimos de la obtención de valores y vectores propios de la matriz A

Es decir: Av = λv
Si sumamos a ambos lados de la ecuación el término kvI, entonces
podemos determinar que los valores propios de la matriz (A+kvI) son
iguales a los valores propios de A (es decir, λ) sumados mas k.

Av +kvI =λv+kvI → (A+kI)v = (λ+ k)v

34
11. Si A es una matriz definida como el producto de una matriz ortogonal y
una matriz involutiva, entonces tiene valores propios iguales a 1 ó -1.

SOLUCIÓN
Si los valores propios de A son 1 ó –1, esta descripción corresponde a
una matriz ortogonal.
A = BC B es ortogonal: B' =B-1
C es involutiva: C2 =I→ CC = I → C=C−1
Si A es ortogonal, entonces AA'= BCC'B'= I . Para que esto ocurra,
CC ' = I . Esto ocurrirá únicamente si C es simétrica, condición que no
se establece en el problema. Por lo tanto la afirmación es incierta.

12. Demostrar que si D es la matriz que resulta de diagonalizar A, es decir

si: D  P 1 AP , entonces para todo n > 0 se cumple A n  P 1 D n P .

13. Sea A una matriz de orden n, y sea DA la matriz que resulta de

diagonalizar A. Entonces, el polinomio característico de A es idéntico al
polinomio característico de DA.

35
EJERCICIOS:

1. La siguiente matriz cuadrada ha sido particionada por columnas:

A   A1 A2 A3 ... A n 1 An 
Además, se sabe que existe una matriz P que post multiplica a A, tal que:
AP   A n A1 A2 A3 ... A n 1 

i. Halle la matriz P (de orden n x n)

Podemos observar que lo que hace la matriz P es mover la última
columna a la primera posición. Esto quiere decir que:
0 1 0 0 ... 0
0 0 1 0 ... 0
 
Pn  n  0 0 0 1 ... 0  e n e1 e 2 ...e n 1 
 
. . . . ... . 

1 0 0 0 ... 0

5n
ii. Si el determinante de A es 0.2, calcule el determinante de  AP
i 1
i

5n

 AP
i 1
i
 5 A  5 AP  5 AP 2  ...  5 AP n 1  5 A  I  P  P 2  ...  P n 1

1 1 1 ... 1

5n
1 1 1 ... 1
 AP
i 1
i
 5 A 1 1 1 ... 1
n

...................
1 1 1 ... 1 nn

1 1 1 ... 1
1 1 1 ... 1
Dado que 1 1 1 ... 1
...................
1 1 1 ... 1

forma un conjunto linealmente dependiente la determinante debe ser

igual a 0

5n
Por lo tanto:  AP
i 1
i
0

Pongo 5ª pues P n  I . Entonces AP n  A y al multiplicar nuevamente por

P encontramos que se comenzaría a sumar nuevamente los mismos
valores. Como la sumatoria es hasta 5n, la suma de
A  AP  AP 2  ...  AP n1 se repetiría 5 veces.

2. Dada la matriz: 36
 Si se conoce que un vector propio de esta matriz es (2,-1,-2); se pide
determinar:

a) Los valores de α y β.

b) Los valores propios de A y los otros vectores propios.

3. Halle los valores y vectores propios de la matriz H2x2 = (1-ρ)I2 + ργγ’ donde γ
es vector suma, ρ Є R y ρ<1.

4. Toda matriz puede ser descompuesta como el producto de dos matrices LU (es
decir A= L por U), donde U es triangular superior (upper); y L es una matriz
inferior (lower), cuya diagonal (diagonal de L) tiene todos sus elementos
iguales a uno (descomposición LU a la Crout)

a) Llevar a cabo la descomposición LU (A = LU) a la Crout de la matriz A.

37
 De donde se pueden obtener los valores que son fácilmente identificados para
luego hallar el resto de valores:

b) Mostrar que la multiplicidad algebraica de los valores propios de L es igual

a su traza.

5. En econometría, el Modelo Lineal General se plantea de la siguiente forma:

y  x  u
La variable “u” representa un término aleatorio, “y” es un vector de orden “T”
que contiene todas las observaciones de la variable dependiente, y “x” es una
matriz de orden “TxK”, donde “K” representa el número de variables
explicativas presentes en el modelo.
38
La técnica de mínimos cuadros ordinarios (MCO) busca hallar los valor del
vector  (el vector es de orden “Kx1”) que hacen mínimo “u”. El resultado es
el estimador mínimo cuadrático definido como

ˆ   x' x  x' y
MCO 1

El resultado anterior es válido en un contexto uniecuacional (una ecuación).

Sin embargo, en un contexto multiecuacional (más de una ecuación), se
puede representar el modelo de la siguiente forma

 y1   x1 0  0 1   1 
y  0    
 2 x2  0  
 2
  2
             
       
 y m  ( mT 1)  0 0  xm  ( mT mk )   m  ( mk 1)   m  ( mT 1)

y se tendrá un vector con tantos estimadores  como ecuaciones tenga el

sistema. El resultado final es el siguiente:

ˆ SISTEMA  ( X '  1 X ) 1 ( X '  1Y )

 x1 0  0
0 x  0 
X 
2
Además se sabe que:     y que :
 
0 0  xm  ( mT mk )

  12 I T  12 I T   1m I T    12 I T  12 I T   1m I T 
   
  21 I T  22 I T   2m I T    12 I T  22 I T   2m I T 
 
           
   
 m1 I T  m 2 I T   m2 I T  ( mT mT )  1m I T  2 m I T   m2 I T  ( mT mT )

Se le pide que demuestre que cuando x1  x2    xm  x se cumple que:

 ˆ MCO 
 1MCO 
ˆ 
ˆSISTEMA   2 
  
 ˆ MCO 
 m  ( mk 1)

39
 SOLUCIÓN:

La matriz  se puede definir como sigue:

  12 I T  12 I T   1m I T    12 I T  12 I T   1m I T 
   
 I  22 I T   2m I T   I  22 I T   2m I T 
   21 T   12 T   ( mm )  I T
           
   
 m1 I T  m2 IT   m2 I T  ( mT mT )  1m I T  2m I T   m2 I T  ( mT mT )

  12  12   1m 
 
  22   2m 
    12
     
 
 1m  2 m   m2  ( mm )

Lo que se plantea es que cada una de las submatrices “xi” son

iguales, por lo tanto, se tendría que: x1  x2    xm  x . Por lo

tanto, se puede concluir que X ( mT mk )  I m  x(T k )

 x1 0  0  x 0  0
0 x2  0  0 x  0 
X   
       
   
0 0  xm  ( mT mk ) 0 0  x  ( mT mk )
 X ( mT mk )  I m  x(T k )

Reemplazando esta relación en la fórmula que se nos da, tenemos

que:

ˆ SISTEMA  ( X '  1 X ) 1 ( X '  1Y )

ˆ SISTEMA  ( I m  x(T k ) )' ( ( mm )  I T ) 1 ( I m  x(T k ) ) ( I m  x(T k ) )' ( ( mm )  I T ) 1 Y( mT 1) 
1

ˆ SISTEMA  ( I m  x(' k T ) )( (m1 m )  I T )( I m  x(T k ) ) ( I m  x(' k T ) )( (m1 m )  I T )Y( mT 1) 
1

ˆ SISTEMA  ( (m1 m )  x(' k T ) )( I m  x(T k ) ) ( (m1 m )  x(' k T ) )Y( mT 1) 
1

ˆ SISTEMA   (m1 m )  ( x' x) ( k k )  ( (m1 m )  x(' k T ) )Y( mT 1) 

1

ˆ SISTEMA   ( mm )  ( x' x) (k1k ) ( (m1 m )  x(' k T ) )Y( mT 1) 

ˆ SISTEMA  I m  ( x' x) 1 x'( k T ) Y( mT 1)

Lo anterior puede representarse de la siguiente manera:

40
 ( x ' x ) 1 x ' 0  0   y1   ( x ' x ) 1 x ' y 
  y   1
1

0 ( x ' x ) 1 x '  0  2  ( x ' x ) x ' y 2 
ˆ SISTEMA   
           
     1 
 0 0  ( x ' x ) 1 x ' ( mk mT )  y m  ( mT 1) ( x ' x ) x ' y m  ( mk 1)

 ( x ' x ) 1 x ' y   ˆ MCO 

 1
1
  1MCO 
ˆ 
  2 
( x' x) x' y 2 
ˆSISTEMA 
  
    
( x ' x ) x ' y m  ( mk 1)  ˆ m 
1 MCO

( mk 1)

6. Se dice que una matriz simétrica H de orden n es una matriz de Hadamard si

sus elementos son iguales a 1 ó −1 de manera que H′H = HH′ = nIn donde In
es una matriz identidad de orden n. Por ejemplo, se puede comprobar que

son matrices de Hadamard de orden 2, 4 y 4 respectivamente2. Con esta

información, determine los valores propios de una matriz Hadamard de orden
n.

SOLUCIÓN
Partimos de la relación fundamental de valores y vectores propios para la
matriz H. Es decir, en genera si v es un vector propio de H asociado al valor
propio λ, entonces:

Hv = λv → [H− λI]v= ∅

Si pre-multiplicamos por H’ para utilizar las propiedades de la matriz de

Hadamard llegaremos a que:
H'[H −λI]v=∅ → [H'H − λH']v = ∅
[nI−λH ']v=∅ → nv − λ (H 'v ) = ∅

Por propiedades de valores y vectores propios, los valores propios de la

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

41
7. Sobre la base de sus conceptos de diagonalización, verifique que –1 y –2 son
valores propios de la matriz A, si se sabe que es de orden 2, y que cumple la
siguiente ecuación matricial:

donde I2 es una matriz identidad de orden 2.

PROF MILE LEÓN 42