SISTEMAS LINEALES DE

MULTIPLES VARIABLES
Complementos Bases
Matemticas
Alain Gauthier
agauthie@uniandes.edu.co

DEFINICIONES DE MATRCICES
Matriz Simtrica

A A
T

Matriz Antisimtrica

A A
T

Para cualquier matriz:

A A Simtrica
T
A A Antisimtr ica
T

Si A es rectangular:

A A B Simtrica
T

Matriz Ortogonal
Si A es real y no singular:

A A AA I
det A 1
1
T
A A
T

Matriz Hermitiana

A A

A B jC B B

y C C

1
3

Matriz Hermitiana
Toda matriz A se puede escribir como:

A G jH
Donde G y H son matrices hermitianas.
Entonces:

G
A A G
2
1

H
A A H
2j

Si A A Antihermit iana
4

Matriz Unidad

A A AA I
1

A A
det A 1
Matriz Normal

AA A A

Si A Compleja

AA A A

Si A Real

Lema de Inversin
Ann , Bnm , Dmm , C mn

A BDC

A A BD

CA B

CA

Si A-1 y D-1 existen.

Si D = 1 =>

A BC

A BCA
A
1
1 CA B
1

Producto Interno
Cualquier regla que asigna un escalar a cada par de
vectores x y y del espacio vectorial se llama producto
interno, se simboliza x,y, y debe satisfacer los siguientes
cuatro axiomas:

1.

y , x x, y

2.

cx, y c x, y x, c y

3.

x y , z w x, z y, z x, w y , w

4.

x, x 0

para x 0

Se definir el producto interno como:

x, y x y
7

Transformacin Unitaria
Si A es unitaria (A-1=A*), entonces:
x,x es invariante bajo la transformacin lineal x=Ay

Transformacin Ortogonal
Si A es ortogonal (A-1=AT), entonces:
x,x es invariante bajo la transformacin lineal x=Ay

Vectores Ortogonales
Si x,y = 0 entonces los vectores x y y son ortogonales
entre s.
8

Normas de Vectores
Generalizacin de la longitud o magnitud de un vector.
Cualquier funcin puede ser definida como una norma si
esta cumple con las siguientes propiedades

x 0, para cada x y x 0 si y solo si x 0

x x , para cualquier
x1 x 2 x1 x 2 , para cada x1 y x 2 (Desigualdad Triangular)

Normas de Vectores
n

x 1 : xi

norma-1

i 1

x 2 : x ' x xi
i 1

x : max xi

norma-2 norma Euclideana

norma-infinito
1/ p

p
x p : xi
i 1

2 1/ 2

norma-p

10

Normas de Matrices
Sea A una matriz mxn. Su norma puede definirse como:
Ax
A sup
sup Ax
x
x0
x 1

Donde se denota sup como el supremo o limite superior.

Esta norma se conoce como norma inducida.

11

Normas de Matrices
m

A 1 max aij mayor suma por columnas

j
i 1

A 2 valor singular mas grande de A

norma 1
norma 2

valor propio mas grande de A ' A

1/2

max aij mayor suma por filas

i
j 1

norma

12

Ortonormalizacin
Un vector x se dice est normalizado si su norma
Euclideana es igual a 1

x 1 xT x 1
Dos vectores x1 y x2 son ortogonales si

x1T x2 x2T x1 0
Un conjunto de vectores xi i=1, 2, .. m es ortonormal si

0 si i j
xi x j
1 si i j
T

13

Ortonormalizacin
Dado un conjunto de m vectores Linealmente Independientes

e e1 , e2 ,..., em

Procedimiento
Schmidt

de

Ortonormalizacin

u1 : e1

u 2 : e 2 q1T e 2 q1

de

q1 : u1 / u1
q 2 : u 2 / u 2

Proyeccin de e2 sobre q1

m 1

u m : e m q k T e m q k
k 1

q m : u m / u m
14

Ortonormalizacin
Los vectores q van a formar el conjunto ortonormal de l conjunto de
vectores original

Si B es una mtriz nxm con m n. Si las columnas de B son ortonormales

entonces

BT B I m
generalmente se tiene que

BBT I m

15

Operaciones Matriciales
Derivadas

Diferenciacin de una Matriz

16

Derivadas de una funcin escalar respecto a

un vector
Si J(x) es una funcin escalar de un vector x se tiene

Hessiana
17

Derivadas de una funcin escalar respecto a

un vector

Asimismo, para una funcin escalar V(x(t))

18

JACOBIANO
Sea f(x) un vector m x 1 de funcin de un vector x de
dimensin n x 1

19

Se tiene que

Si A es simtrica

20

Formas Cuadrticas
Sea A una matriz simtrica, se denomina forma cuadrtica a:
n

x Ax aij xi x j
T

i 1 j 1

Observe que xTAx es una cantidad escalar real.

Sea A una matriz hermitiana, se denomina forma cuadrtica

compleja o forma Hermtica a:
n

x Ax aij xi x j
i 1 j 1

Observe que x*Ax es una cantidad escalar real.

21

Formas Bilineales
Sea A una matriz real de nxm, un vector x de dimensin n y
un vector y de dimensin m, se denomina forma bilineal a:
n

x Ay aij xi y j
T

i 1 j 1

Observe que xTAy es una cantidad escalar real.

Sea A una matriz compleja de nxm, vectores complejos x y y
de dimensin n y m, respectivamente, se denomina forma
bilineal compleja a:
n

x Ay aij xi y j
i 1 j 1

Observe que x*Ay es una cantidad escalar complejo.

22

Definida Positiva
xT Ax 0 (x Ax 0) para x 0

Semidefinida Positiva
xT Ax 0 (x Ax 0) para x 0

Definida Negativa
xT Ax 0 (x Ax 0) para x 0

Semidefinida Negativa
xT Ax 0 (x Ax 0) para x 0

Si no se dice Indefinida
Lo mismo se dice de A

23

Criterio de Sylvester para la definicin positiva

a12
a11 0,
a 21

a11 a12 a13

a12
0, a 21 a 22 a 23 0, , A 0
a 22
a31 a32 a33

Menores principales sucesivos mayores a cero y det(A) mayor a cero

Criterio de Sylvester para la definicin negativa

a12
a11 0,
a 21

a11 a12 a13

a12
0, a 21 a 22 a 23 0, ,
a 22
a31 a32 a33

A 0 (n par)
A 0 (n impar)
Menores principales sucesivos de orden par mayores a cero, de orden
impar menores a cero y det(A) mayor a cero
24

Criterio de Sylvester para la semidefinicin

positiva o negativa
Los criterios son iguales a los de Definicin pero

las relaciones son de mayor o igual que () o

menor o igual que (), segn el caso. Y el
determinante de A debe ser cero, es decir A es
singular.
Adems las desigualdades se verifican para todos

los menores principales y no slo para los

sucesivos.
25

Singular Value Decomposition (SVD)

Nos permite determinar el Rango de una Matriz (diferente al
mtodo de Reduccin de Gauss) con mejor fiabilidad de los
resultados cuando la precisin numrica juega un papel
importante.

Para una matriz A mxn , con rango A n existe

V mxm , U nxn y mxn que son ortogonales y
cumplen con VT V I m

UT U I n

A UV

tal que:

Las columnas de U son los vectores propios ortonormales de AAT

y las columnas de V son los vectores propios ortonormales de ATA
26

Singular Value Decomposition (SVD)

0R x(n R )
n

0
0
( m R ) xn ( m R ) x ( n R )
1

1 2

n
n 0

donde i son los valores singulares de A.

El rango de la matriz A es igual al nmero de valores singulares
diferentes de cero
27

Singular Value Decomposition (SVD)

V V1 V2
V1 nxR base ortonormal para R ( AT )
V2 n ( n R ) base ortonormal para N( A)
U
U1 nxR base ortonormal para R ( AT )
U 2 n nxR base ortonormal para N( A)
Si A nxn entonces los valores singulares i pueden ser obtenidos de la forma

i i ( AT A)
en donde i son los valores propios de ( AT A)
28

Pseudoinversas
Son tiles para encontrar una solucin a un conjunto de
ecuaciones algebraicas en el cual el nmero de incgnitas y

el nmero de ecuaciones lineales independientes no es

igual.

Ax b
Anm , x m1 ,

b n1

nm
Las pseudoinversas permiten determinar soluciones que
minimizan alguna norma.

29

Pseudoinversa Derecha
Ax b
Anm , x m1 ,

b n1

mn

x A RM b
donde A

RM

A AA
T

T 1

A RM es m n

A RM minimiza la norma x ,
x es la solucin con norma mnima x .
30

Pseudoinversa Izquierda
Ax b
Anm , x m1 ,

b n1

nm

Puede no existir solucin

x A LM b
donde A

LM

A A A T
T

A LM es m n

A LM minimiza la norma Ax b ,
x es la solucin con norma mnima

Ax b .
31