Factorizaci

on PA=LU
Prof. I. Huerta
Facultad de Matematicas
UC
[email protected]
Septiembre 2008

Factorizacion P A = LU

Factorizaciones
Al final del semestre habremos visto las factorizaciones
1.2.3.4.5.6.7.8.-

A es el producto de matrices elementales para A invertible.

P A = LU ( Factorizaci
on PALU para matrices generales)
A = LDLT (Cholesky sin raz cuadrada para sim
etrica positiva definida)
A = RT R (Cholesky con raz cuadrada para sim
etrica positiva definida)
A = QR (Factorizaci
on QR para matrices generales)
A = V DV 1 (Diagonalizaci
on)
A = V DV T (diagonalizaci
on ortogonal para A sim
etrica)
A = V U (descomposici
on de valores singulares para A matriz general
de m n)

La factorizaci
on P A = LU se utiliza en la pr
actica s
olo para matrices
cuadradas invertibles.
1

Factorizacion A=LU

Tabulaci
on de Datos

Para matrices generales no cuadradas o matrices cuadradas no invertibles

se utiliza la descomposici
on de valores singulares.
La factorizaci
on QR es la base de los m
etodos num
ericos para determinar
las factorizaciones en 6), 7) y 8). Estos m
etodos se estudian en cursos de
An
alisis Num
erico.

Factorizacion A=LU

Tabulaci
on de Datos

Factorizaci
on A=LU
Sea A de m n. La factorizaci
on A = LU
se obtiene al llevar la matriz A a la forma escalonada U

usando exclusivamente la operaci

on elemental fila: sumar un m
ultiplo
de una fila a otra.
la matriz escalonada U de m n obtenida no tiene los pivotes iguales a
1 en general.
La factorizaci
on A = LU expresa a cada fila de A como combinaci
on
lineal de las filas de U .
3

Factorizacion A=LU

Tabulaci
on de Datos

la matriz L de m m es triangular inferior con 1s en la diagonal

0
1

0
0
1

l2,1

L=
l3.,1 l3,2
.
lm,1 lm,2 lm,3

...

0
0
0

A = LU no siempre puede realizarse pues en ciertos casos hay

intercambios de filas forzados, en cuyo caso se obtiene la factorizaci
on
P A = LU .
La ecuaci
on A = LU expresa a la fila i de A como combinaci
on lineal de
las filas de U con coeficientes en la fila i de L.

Factorizacion A=LU

Tabulaci
on de Datos

Hay dos maneras de ver la factorizaci

on P A = LU .
i) Matricial: interpretando a la eliminaci
on de gauss como multiplicaciones
por matrices elementales
ii) Vectorial: interpretando las filas de A como combinaciones lineales de las
filas de U .

Factorizacion A=LU

Tabulaci
on de Datos

Ejemplo 1.

? ? ? ? E (l )
? ? ? ? 2,12,1

? ? ? ?

E3,1 (l3,1 )

?
0
0

?
0
?

? ? ? E (l )
3,2 3,2
? ? ?
? ? ?

? ? ?

? ? ?
? ? ?
?

?
=U
?

Matricialmente
E3,2(l3,2) E3,1(l3,1) E2,1(l2,1) A = U

1
0
0
1
0 0
1
0 0
0
1
0 0
1 0 l2,1 1 0 A = U
0 l3,2 1
l3,1 0 1
0
0 1
6

Factorizacion A=LU

Tabulaci
on de Datos

Entonces
A = (E2,1(l2,1))1 (E3,1(l3,1))1(E3,2(l3,2))1 U
1

1
0 0
A = l2,1 1 0
0
0 1

1
0 0
0
1 0
l3,1 0 1

1
0
0
0
1
0
0 l3,2 1

Por lo tanto
A = E2,1(l2,1) E3,1(l3,1) E3,2(l3,2) U
|
{z
}
L

A = l2,1
0

= LU

0 0
1 0 0
1 0 0
1 0 0 1 0 0 1 0 U = LU
0 1
l3,1 0 1
0 l3,2 1
7

Factorizacion A=LU

Tabulaci
on de Datos

Pero

l2,1
0

1
l2,1
0

1
l2,1
l3,1

0
0
1

0 0
1 0
0 1

0
0
1
0
l3,2 1
0
1
0

1
0

0
1
0

l3,1
1
0

0
1

l3,1

l3,2

0
1
0 0
1
0

0
0
1

0
1
l3,2

0
0
1

Es decir,

0
1

0
0 U
A = l2,1
l3,1 l3,2 1
La matriz L tiene los multiplicadores usados en la eliminaci
on de
guass. La matriz U es la escalonada sin 1s en la diagonal.
8

Factorizacion A=LU

Ejemplo 2.

Tabulaci
on de Datos

Llevamos la matriz

1
1
1
1 1

1 2 0
A = 1 1
2
2 2
2 1
a una forma escalonada U usando s
olamente
sumar un m
ultiplo de una fila a otra.

1
1
1
1 1

l2,1=1,l3,1=2,
1 2 0

A = 1 1
2
2 2
2 1
l3,2 =2,

la operaci
on elemental de

1 1
1

2
0 0
0 0 4

1 1

U = 0 0
0 0

1
1

1
1
0 1

1
1 1

2 1 1
0 2 1
9

Factorizacion A=LU

Tabulaci
on de Datos

La relaci
on entre las filas Ai de A y las filas Uj de U es la siguiente
U1 = A1
= A1
U2 = A2 l2,1U1
= A2 +U1
U3 = A3 l3,1U1 l3,2U2 = A3 2U1 +2U2
Despejando cada una de las filas Ai en t
erminos de la filas Uj obtenemos
A1 = U1
= U1
A2 = l2,1U1 +U2
= U1 +U2
A3 = l3,1U1 +l3,2U2 +U3 = 2U1 2U2 +U3
Estas relaciones de combinaciones lineales se escriben convenientemente en
formamatricial

A1
U1
1
0 0
U1
= l2,1 1 0 U2
A2 =
l2,1U 1 + U2
A3
l3,1U1 + l3,2U2 + U3
l3,1 l3,2 1
U3
10

Factorizacion A=LU

Es decir

Tabulaci
on de Datos

A1
1
0 0
U1
A2
1
1 0 U2
=
2 2 1
A3
U3
|
{z
} | {z }
| {z }
A
L
U
o equivalentemente

1
1
1
1 1
1 1 1
1 1
1
0 0

1
1
1
2
0
1
1
0
0
0
2
1
1

=
2 2 1
2
2 2
2 1
|
{z
} | 0 0 0{z 2 1 }
|
{z
}
L
A
U

11

Factorizacion A=LU

Tabulaci
on de Datos

Generalizaci
on
Note que
Para obtener la fila Uj se le resta a la fila Aj m
ultiplos de las filas Ui con
i<j
El multiplicador li,j dice por cuanto hay que multiplicar la fila j de modo
que al restarla a la fila i se hace un cero bajo el pivote j.
En general se tiene entonces que
U1
U2
U3
Um

= A1
= A2 l2,1U1
= A3 l3,1U1 l3,2U2
..
= Am lm,1U1 lm,2U2

lm,m1Um1
12

Factorizacion A=LU

Tabulaci
on de Datos

Expresando las filas Ai de A como combinaci

on lineal de las filas Uj de U
se tiene
A1
A2
A3
Am

=
U1
= l2,1U1 +
U2
= l3,1U1 + l3,2U2 + U3
..
= lm,1U1 + lm,2U2 +

+ lm,m1Un1 + Um

Estas relaciones de combinaciones lineales se escriben convenientemente

mediante la factorizaci
on

1
0
0

0
0
U1
A1

l2,1

A2
1
0

0
0
U2

A3
1

0
0
U. 3
. = l3,1 l3,2
...
.

.
U
A
l
l
l
lm,m1 1
| {zm }
| m,1 m,2 m,3{z
} | {zm }
A
L
U
13

Factorizacion A=LU

Tabulaci
on de Datos

Tabulaci
on de datos
Para efectos de mantener en forma organizada los resultados intermedios
y multiplicadores en el proceso de eliminaci
on gaussiana hacemos lo siguiente
Trabajamos con una s
ola matriz de trabajo de m n.
Esta matriz inicialmente tiene el valor de A.
Se procede con la eliminaci
on tal como siempre pero se guarda el valor
del multiplicador li,k en el elemento que se anula al restar li,k veces la
fila k a la fila i
Es decir, se guarda implcitamente el valor cero de U y explcitamente el
multiplicador li,k que hace el cero.
Las posiciones en la matriz de trabajo que corresponden a multiplicadores
se marcan (en estas notas los multiplicadores van en negrita)
14

Factorizacion A=LU

Tabulaci
on de Datos

La tabla final que se obtiene al terminar el proceso tiene los multiplicadores

li,k que definen a L y a la escalonada U .
Los ceros que se realizan en el proceso de eliminaci
on est
an implcitos en la
tabla y est
an ubicados en los lugares donde se guardan los multiplicadores.
Los unos de la diagonal de L se suponen implcitos

15

Factorizacion A=LU

Tabulaci
on de Datos

Ejemplo 3. Donde se hace un

multiplicador correspondiente.

cero

anotamos

en

negrita

el

El valor del multiplicador li,j es

li,j =

Elemento que se anula

Pivote
16

Factorizacion A=LU

Tabulaci
on de Datos

2
1
2
3
4

2 1 5 4 3

4
2
7
9
9

4
2 2 2 10

l2,1 =2/2=1
l3,1 =4/2=2
l4,1 =4/2=2

l3,2 =3/(3)=1
l4,2 =(6)/(3)=2

l4,3 =(2)/2=1

1 2
3
-1 0 3 1

2 0 3
3
2 0 6 4

4
1

1
2

1 2
3
-1 0 3 1

2 0 -1 2
2 0 2 2

2 1 2
3
-1 0 3 1

2 0 -1 2
2 0 2 -1

4
1

2
0

4
1

2
2
17

Factorizacion A=LU

Tabulaci
on de Datos

L. Si reemplazamos los multiplicadores por ceros obtenemos U .

Los multiplicadores en negrita definen la parte
triangular inferiorde

2 1
2
3 4
1
0
0 0

0
0
3
1
1
1
0 0

A = LU, L =
U =

2 1
1 0
0
2 2
0 0

2
2 1 1
0 0
0
0 2
Ejemplo 4. Calculamos una factorizaci
on A = LU para

A=

2 1
1 3 2

4 2 1 3 1

2 1 1
1
1

6 3 5
1
2

18

Factorizacion A=LU

Tabulaci
on de Datos

l2,1 =(4)/(2)=2,
l3,1 =2/(2)=1
l4,1 =6/(2)=3

l3,2 =2/(3)=2/3
l4,2 =8/3

l4,3 =4/1=4

-2

2
-1
-3
-2

2
-1
-3
-2

2
-1
-3

1
0
0
0
1

1
3
2
8

3
2
8

1
4

-3

0
0

-2/3
-8/3

0
0

1
4

-3

-2/3
-8/3

19

Factorizacion A=LU

Tabulaci
on de Datos

A = LU,

1
0 0
2
1 0

L=
1 2/3 1
3 8/3 4

0
0

0
1

U =

2
0
0
0

1
1 3 2

0 3
3
3

0
0
0
1

0
0
0
0

20

Factorizacion PA=LU

Tabulaci
on de Datos

2 4
2

7
Ejemplo 5. Calculamos A = LU para A = 4 6

l2,1 =2
6 10 12
2 4
2
2 4 2
l
=3
3,1

2
2
3
7

4 6
-3 2 6
6 10 12

2 4 2
l3,2 =1
2
2
3

-3 -1 3
Por lo tanto A = LU con

1
0 0

1 0
L= 2
3 1 1

2 4 2

3
U = 0 2
0 0 3

21

Factorizacion PA=LU

Tabulaci
on de Datos

Factorizaci
on PA=LU
La factorizaci
on P A = LU es la que se obtiene al llevar la matriz A a su
forma escalonada U realizando exclusivamente las operaciones elementales
fila:
i) Restar un m
ultiplo de un fila a otra
ii) intercambiar dos filas
La operaci
on elemental fila de reemplazar la fila i por un m
utiplo de si
misma no se puede realizar.
La matriz P A es la matriz A con las filas intercambias
La matriz P es una matriz de permutaci
on y es la matriz identidad con
sus filas intercambiadas
22

Factorizacion PA=LU

Tabulaci
on de Datos

Por ejemplo

0
0
PA =
1
0

0
0
0
1

0
1
0
0

A1
1
A4

0
A 2 = A3
A1
0 A3
0
A2
A4

Al intercambiar filas a medida que se realiza la eliminaci

on de Gauss se
calcula la factorizaci
on LU a la matriz A con su filas intercambiadas. Es
decir P A = LU .
Ejemplo 6. En este ejemplo calculamos la

2 2 1

3 3 1
A=
2 2 1

1
1
1

factorizaci
on P A = LU de

1
23

Factorizacion PA=LU

Tabulaci
on de Datos

y mostramos lo que pasa cuando se intercambian filas.

Como siempre guardamos (en negrita) el multiplicador li,k en el

elemento que se anula al realizar la operaci
on elemental fila

Cuando se intercambias filas

? anotamos el intercambio y
? se intercambian las filas, incluyendo los multiplicadores ya
calculados.
24

Factorizacion PA=LU

Tabulaci
on de Datos

2 2 1 1
3 3 1 1
2 2 1 1
1
1
1 1

2
2
1
1

3/2 0 1/2 1/2

-1
0
0
2

1/2 2 1/2 1/2

2
1/2 2
P4,2

-1
0
2

1
1
1/2
1/2

0
2
3/2 0 1/2 1/2

2
2
1
1
1/2 2
P4,3
1/2
1/2

3/2 0 1/2 1/2
-1 0
0
2

25

Factorizacion PA=LU

Tabulaci
on de Datos

Note que
La matriz que factorizamos es realmente

0
0
0
1

0
1
0
0

A1
1 0
A4
0 0

PA =
=

0 1
A2
A3
0 0

0
A1

1
A2
0 A3
0
A4

Entonces,

0
P =
0

1
, L = 1/2
3/2
0

1
0

0
0
1
0

0
0

,
U
=
0

1
0

1/2

1/2

1/2

2
1/2

26

Factorizacion PA=LU

Tabulaci
on de Datos

La matriz P se obtiene de la matriz identidad intercambiando

primero las filas 2 y 4 y luego las filas 3 y 4,
P = P4,3P4,2I4 = P4,3P4,2
.

27

Factorizacion PA=LU

Tabulaci
on de Datos

Generalizaci
on
Suponga que
en la eliminaci
on se intercambian las filas 1 con ii, 2 con i2, etc....
Se define k = ik en caso que la fila k no se intercambie con ninguna fila.
Entonces,
Si A es la matriz que se obtiene de A intercambiando las filas
de modo que
estas queden en el orden final que se obtiene
en la eliminaci
on de Gauss, entonces al realizar el proceso de
eliminaci
on de gauss en A no se requiere intercambiar filas
28

Factorizacion PA=LU

Tabulaci
on de Datos

Si P = Pm,im1 P2,i2 P1,i1 entonces A = P A es la matriz que

se obtiene de A intercambiando las filas 1 con i1, fila 2 con
i2 etc... en ese mismo orden.
Por lo tanto
para la matriz A = P A se puede realizar la eliminaci
on de Gauss
sin intercambio de filas
es decir A = P A = LU .

29

Factorizacion PA=LU

Teorema 1.

Tabulaci
on de Datos

Sea A matriz de m n. Entonces existen:

P matriz m m de permutaci
on.
L matriz de m m triangular inferior con 1s en la diagonal
U matriz de m n escalonada (sin 1s en los pivotes)
tal que
P A = LU
Adem
as se tiene que
P = Pm1,im1 P2,i2 P1,i1 es el producto de las matrices de
permutaci
on elementales que se realizan en la eliminaci
on de
gauss. Puesto que P = P Im, P es la matriz identidad con las
filas intercambiadas con los mismos intercambio de filas que se
realizan en el proceso de eliminaci
on de gauss de A.

30

Factorizacion PA=LU

Tabulaci
on de Datos

Tabulaci
on de datos en P A = LU

La tabulaci
on de c
alculos es una extensi
on del m
etodo para A = LU que
considera el intercambio de filas.

Se procede con la eliminaci

on tal como siempre.

Se anotan los multiplicadores li,k en el lugar donde se hace el cero al

restar li,k veces la fila k a la fila i.
En caso que se intercambie la fila la fila k con la ik en alg
un punto
de la eliminaci
on, se intercambian las filas completas, incluyendo los
multiplicadores.
31

Factorizacion PA=LU

Tabulaci
on de Datos

Ejemplo 7. Calculamos la factorizaci

on P A = LU de

A=

2 1 3 1
4 2 1 0
3 1 1 1
1 3 0 1

32

Factorizacion PA=LU

Tenemos

2 1 3 1
4 2 1 0
3 1 1 1
1 3 0 1

Tabulaci
on de Datos

1
3
1
0
5
2

5/2 7/2 1/2

1/2 5/2 3/2 3/2

3/2

1
3
1
3/2 5/2 7/2 1/2
P3,2

2
0
5
2
1/2 5/2 3/2 3/2

2
1
3
1
3/2 5/2 7/2 1/2

2
0
5
2
1/2 -1 5
2

2
1
3
1
3/2 5/2 7/2 1/2

2
0
5
2
1/2 -1
1
0
2

33

Factorizacion PA=LU

Aplicaciones

Por lo tanto P A = LU con

P = P3,2

1
0
0
0

0
0
1
0

U =

0
1
0
0

0
0
0
1

1
0
3/2
1
L=

2
0
1/2 1

0
0
1
1

0
0

0
1

2 1
3
1

0 5/2 7/2 1/2

0
0
5
2

0
0
0
0

34

Factorizacion PA=LU

Aplicaciones

N
umero de Operaciones
Sean A, B, C, L, U, P Mnn, ~x, ~y , ~b Rn, donde L es triangular inferior
con 1s en su diagonal, U es triangular superior y P matriz de permutaci
on.
Pn
T
~x ~y
N ops = 2n
i=1 xi yi
~y = A~x
yi = Ai ~x, i = 1, 2, . . . , n
N ops = 2n2
C = AB
ci = Abi, i = 1, 2, . . . , n
N ops = 2n3
Pi1
yi bi j=1 li,j yj
Res. L~y = ~b
N ops = (n 1)n
i = 1, 2, . . . , n
Res. U~x = ~y
Calc. P A = LU

Pn
xi (yi j=i+1 ui,j xj )/ui,i
i = n, n 1, . . . , 2, 1
Pn1
2
k=1 (2(n k) + (n k)) =
2/3 n3 1/2 n2 1/6 n

N ops = n2
N ops = O( 32 n3)

35

Factorizacion PA=LU

Aplicaciones

Aplicaciones PA=LU
I Soluci
on de Ax = b
Note que
Ax = b = (P A)x = P b = (LU )x = P b
=

L |{z}
Ux = Pb
Ly = P b
=
Ux = y
y

i) Se calcula la factorizaci
on P A = LU
ii) Se resuelve Ly = P b
iii) Se resuelve U x = y

36

Factorizacion PA=LU

Aplicaciones

II Calcular A1b
Para calcular A1b se resuelve Ax = b por el m
etodo anterior.
NUNCA se calcula A1, a menos que se quiera ver los elementos de ella
Note que
? el n
umero de operaciones que toma resolver Ly = P b, U x = y es 2n2,
que es el mismo n
umero de operaciones que toma calcular el producto
A1b.
? el c
alculo de A1 es mucho mas caro que calcular la factorizaci
on
P A = LU (adem
as de realizar las operaciones sobre A, hay que realizar
las operaciones sobre la matriz identidad)

37

Factorizacion PA=LU

Aplicaciones

III Resolver AX = B
Para resolver AX = B hay que resolver A~xi = ~bi, i = 1, 2, . . . , n
i) Calcula la factorizaci
on P A = LU
ii) Para k = 1, 2, ..., n se resuelven
Ly = P bk
U xk = y
iii) X = [x1x2 xn]
Un caso especial importante es el c
alculo de X = A1, que es la soluci
on
de AX = I. El algoritmo se puede optimizar evitando las operaciones por
cero al resolver los sistemas Ly = P ek , k = 1, 2, . . . , n.

38

Factorizacion PA=LU

Aplicaciones

IV Resolver AT x = b
Note que P A = LU implica que AT P T = U T LT .
Pero,
PT P

T
T
= (P1,i

P
) (Pn1,in1 P1,i1 )
n1,i
1
n1

= (P1,i1 Pn1,in1 ) (Pn1,in1 P1,i1 )

= (P1,i1 Pn2,in2 ) (Pn2,in2 P1,i1 )
..
= P1,i1 P1,i1
= I
(Aqu ocupamos que Pi,j Pi,j = I)
Por lo tanto P 1 = P T .
39

Factorizacion PA=LU

Aplicaciones

Entonces AT = U T LT P implica que

AT x = b = U T LT P x = b
= U T y = b,

LT P x = y

= U T y = b,

LT z = yP x = z

= U T y = b,

LT z = y,

x = PTz

El m
etodo para resolver AT x = b es entonces
i)
ii)
iii)
iv)

Calcular la factorizaci
on P A = LU .
Resolver U T y = b (sistema triangular inferior)
Resolver LT z = y (sistema triangular superior)
Calcular x = P T z
40

Factorizacion PA=LU

Aplicaciones

Ejemplo 8. Para la matriz

2
1
1

A = 2 2 0
4
3 2
determine
a) La soluci
on de Ax = b donde b = [1, 1, 1]T
b) La soluci
on de AT x = b donde b = [1, 1, 1]T
c) S
olo la tercera columna de A1
d) S
olo la segunda fila de A1
e) S
olo el elemento (1,1) de A1.
41

Factorizacion PA=LU

Aplicaciones

Soluci
on:

2
1
1
2
1
1
2
1
1

2 2 0 -1 1 1 -1 1 1
4
3 2
2 1 4
2 -1 3
Entonces A = LU

P = I,

1
0 0

L = 1 1 0
2 1 1

2 1
1

U = 0 1 1
0 0 3

42

Factorizacion PA=LU

Aplicaciones

a) La soluci
on de Ly = P b es y = [1, 0, 1]T .La soluci
on de U x = y es
x = [1/6, 1/3, 1/3]T .Entonces la soluci
on de Ax = b es x = [1/6, 1/3, 1/3]T
b) La soluci
on de U T y = b es y = [1/2, 3/2, 1/3]T .La soluci
on de LT z = y
es z = [5/3, 11/6, 1/3]T .Entonces la soluci
on de AT b = b es x = P T z =
[5/3, 11/6, 1/3]T .
c) La tercera columna de A1 es la soluci
on de Ax = e3 = [0, 0, 1]T .
Como la soluci
on de Ly = P e3 es y = [0, 0, 1]T y la soluci
on de U x = y
es x = [1/3, 1/3, 1/3]T tenemos que la tercera columna de A1 es
x = x = [1/3, 1/3, 1/3]T

43

Factorizacion PA=LU

Aplicaciones

d) Como (AT )1 = (A1)T tenemos que la segunda fila de A1 es .... la

transpuesta de la segunda columna de (AT )1,que es igual a .... la
transpuesta de la soluci
on de AT x = e2 = [0, 1, 0]T
La soluci
on de U T y = e2 es y = [0, 1, 1/3]T .
La soluci
on de LT z = y es z = [2/3, 4/3, 1/3]T .
Entonces la segunda fila de A1 es [2/3, 4/3, 1/3].

44

Matrices Especiales

Matrices

e) Primero observamos que A1,1 = eT1 Ae1 por lo tanto el elemento (1,1) de
B = A1 es ...
b1,1 = eT1 A1e1.
Pero A = P T LU y entonces A1 = U 1L1P .En este caso P = I,
por lo que A1 = U 1L1. Entonces debemos evaluar la expresi
on
b1,1 = eT1 U 1L1e1Pero
b1,1 = eT1 U 1L1e1
= ((U 1)T e1)T (L1e1)
= xT y,

donde U T x = e1, Ly = e1

La soluci
on de U T x = e1 es x = [1/2, 1/2, 1/3]T .La soluci
on de Ly = e1
es y = [1, 1, 1]T .El elemento (1,1) de A1 es entonces el producto xT y,
que es igual a b1,1 = 2/3.

45

Matrices Diagonales

Matrices

Matrices Diagonales
Las siguientes matrices son diagonales:

1
0
A = diag (1, 2, 3, 4) =
0
0

0
2
0
0

0
0
3
0

0
0

0
4

1
B = diag (1, 2, 0) =
0
0

0
2
0

0
0
0

Definici
on 1. La matriz A de n n se dice diagonal si Ai,j = 0 para
i 6= j, es decir, los elementos fuera de la diagonal son iguales a cero.
La matriz D = diag(d1, d2, . . . , dn) denota a la matriz diagonal con
Di,i = di.
Las matriz identidad y la matriz nula de n n son matrices diagonales.
Las siguientes propiedades son muy sencillas de verificar y su
demostraci
on queda propuesto como ejercicio.
46

Matrices Diagonales

Matrices

Propiedades
Proposici
on 1. Sean D = diag(d1, d2, . . . , dn), F = diag(f1, f2, . . . , fn) y
escalar entonces:
1.- D + F , F son diagonales.
2.- DA es la matriz que se obtiene multiplicando la fila i de A por di,
i = 1, . . . , n. (1)
3.- AD es la matriz que se obtiene multiplicando la columna i de A por
di, i = 1, . . . , n.(2)
4.- DF = F D = diag(d1f1, d2f2, . . . , dmfn)
5.- D tiene inversa sii di 6= 0 para todo i y D1 = diag(1/d1, 1/d2, . . . , 1/dn)
47

Matrices Diagonales

Matrices

DA es la matriz que se obtiene multiplicando la fila i de A por di

d1 0
0 d2
..
..
0 0
..
..
0 0

...

..

0
0
..
di
..
0

..

...

0
0
..
0
..
dn

~1
A
~2
A
..
~i
A
..
~n
A

~1
d1 A
~2
d2 A
..
~i
diA
..
~n
dnA

(1)

48

Matrices Diagonales

Matrices

AD es la matriz que se obtiene multiplicando la columna i de A por di

~
a1 ~
a2 ~
ai ~
an

d1
0
...
0
...
0

0
d2
...
0
...
0

...

...

0
0
...
di
...
0

...

...

0
0
...
0
...
dn

a1 d2~
a2 di~
ai dn~
an
= d1~

(2)

49

Matrices Triangulares superiores

Matrices

Matrices Triangulares superiores

Las siguientes matrices son triangulares superiores

4
4 2
A = 0 1 4
0
0 2

2 1
2 1
0 2 4
4

B=
0
0 2 1
0
0
0 3

Definici
on 2. La matriz A de nn se dice triangular superior si Ai,j = 0
para i > j.
Toda matriz diagonal es tambi
en triangular superior

50

Matrices Triangulares superiores

Matrices

Propiedades
Proposici
on 2. Sean U , V son matrices triangulares superiores de nn
y escalar, entonces:
1.- U + V , U son triangulares superiores
2.- U V es triangular superior. Si U y V tienen unos en la diagonal
entonces U V tambi
en tiene unos en la diagonal.
3.- U tiene inversa si y s
olo si Ui,i 6= 0, i = 1, . . . , n.
4.- U 1 es triangular superior (cuando existe). Si U tiene unos en la
diagonal entonces U 1 tambi
en tiene unos en la diagonal.

51

Matrices Triangulares superiores

Matrices

Demostraci
on:
1.- La demostraci
on es trivial.
2.- Si U , V son triangulares superiores entonces (U V )i,j es el producto de
la fila i de U con la columna j de V :

(U V )i,j

= (0, . . . , 0, ui,i, ui,i+1, . . . , ui,n)

v1,j
v2,j
..
vj,j
0
..
0

= 0 si i > j

y por lo tanto U V es triangular superior.

52

Matrices Triangulares superiores

Matrices

Si U , V tienen unos en la diagonal entonces

(U V )i,j

= (0, . . . , 0, 1, ui,i+1, . . . , ui,n)

v1,j
v2,j
..
1
0
..
0

= 1 si i = j

y por lo tanto U V tiene unos en la diagonal.

3.- Usamos la siguiente propiedad: A tiene inversa sii la escalonada de A
tiene n pivotes distintos de cero.
Si ui,i 6= 0 i = 1, . . . , n entonces U ya est
a en forma escalonada y tiene
sus n pivotes distintos de cero, que son los elementos de la diagonal de
U , y por lo tanto U tiene inversa.
53

Matrices Triangulares superiores

Matrices

Si ui,i = 0 para alg

un i, entonces la escalonada de U tendra por lo menos
una fila nula y por lo tanto no habran n pivotes distintos de cero y por
lo tanto U no tendra inversa.

4.- Si U es triangular superior y la diagonal de U tiene todos sus elementos

no nulos
entonces la matriz ampliada [U |I] se puede llevar a la forma [I|X]
multiplicando la fila i por 1/ui,i, i = 1, . . . , n y luego sumando m
ultiplos
de filas i a filas j con i > j
por lo tanto la matriz X = U 1 resulta triangular superior.
Si U tiene unos en la diagonal entonces s
olo es necesario restar m
ultiplos
de filas i a filas j con i > j y por lo tanto X tiene tambi
en unos en la
diagonal.
54

Matrices Triangulares superiores

Matrices

Por ejemplo,

1
4 2 1 0 0
1
0 1 4 0 1 0 0
0
0
1 0 0 1
0

1
0
0

4 0 1 0 2
1 0 0 1 4
0 1 0 0 1

4 18
0 0 1
1 0 0 1 4
0 1 0
0
1

por lo tanto

1
4 2
0 1 4
0
0
1

1
4 18
= 0 1 4 .
0
0
1
55

Matrices Triangulares superiores

Matrices

Tambi
en,

1
0

0
0

1
0

0
0

1
1
0
0

2
4
1
0

1
4
1
1

1
1
0
0

2
4
1
0

0
0
0
1

1
0
0
0
1
0
0
0

0
1
0
0
0
1
0
0

0
0
1
0
0
0
1
0

0
0

0
1

1
4

1
1

1
0

0
0

1
0

0
0

1
0

0
0

1
1
0
0

2
4
1
0

1
1
0
0

0
0
1
0

0
1
0
0

0
0
1
0

1
4
1
1

1
0
0
0

0
1
0
0

1
0
0
0

0
1
0
0

2
4
1
0

0
0
0
1
0
0
0
1

1
0
0
0

1
1
0
0

2
4
1
0

0
0
1
0

0
0

0
1

1
0

1
1

1
0
.
1
1
56

Matrices Triangulares inferiores

Matrices

Por lo tanto

1
0

0
0

1
1
0
0

2
4
1
0

1
1

4
= 0
0
1
1
0

1
1
0
0

2
4
1
0

1
0
.
1
1

Contrariamente a lo que muchos alumnos creen, la inversa de una

triangular con unos en la diagonal NO se obtiene cambi
andole el signo a
los elementos fuera de la diagonal.

57

Matrices Triangulares superiores

Matrices

Triangulares inferiores
Las siguientes matrices son triangulares inferiores:

2
0
A=
2
0

0
0 0
2
0 0

1 4 0
3
4 1

5
0 0
B = 2 2 0
4 2 3

Definici
on 3. La matriz A de n n se dice triangular inferior si Ai,j = 0
para i < j, es decir, cuando AT es triangular superior.
Toda matriz diagonal es triangular inferior y triangular superior.
A es triangular superior (inferior)

AT es triangular inferior (superior)

58

Matrices Triangulares superiores

Matrices

Propiedades
Proposici
on 3. Sean L, M son matrices triangulares inferior de n n,
entonces:
1.- L + M , L son triangulares inferiores
2.- LM es triangular inferior. Si L y M tienen unos en la diagonal
entonces LM tambi
en tiene unos en la diagonal.
3.- L tiene inversa si y s
olo si li,i 6= 0, i = 1, . . . , n.
4.- L1 es triangular inferior (cuando existe). Si L tiene unos en la
diagonal entonces L1 tambi
en tiene unos en la diagonal.

59

Propiedades A = LU

Matrices

Demostraci
on:
Las propiedades para matrices triangulares inferiores se pueden deducir de
las propiedades de matrices triangulares superiores ocupando las propiedades
de transpuestas, inversas y productos de matrices.
Por ejemplo, L = (LT )T
y entonces L1 = ((LT )T )1 = ((LT )1)T .
Por lo tanto, L triangular inferior implica U = LT triangular superior y
por lo tanto (LT )1 es triangular superior
y entonces L1 = ((LT )1)T es triangular inferior.
Las demostraciones restantes quedan propuestas como ejercicio.

60

Propiedades A = LU

Matrices

Submatrices Principales
Las submatrices principales principales de 1 1, 2 2, 3 3 de

3
A=

0
1

son

A1 =

2
1
1
0


A2 =

3
1
2
0

1
3

2
0
de 4 4
3
1


1 2
2
A3 =
3 1
1
0 1

3
1
2

Definici
on 4. La submatriz principal Ak de una matriz A de n n es
la matriz k k, k = 1, 2, . . . , n con
(Ak)i,j = Ai,j

1 i k, 1 j k

Ak se obtiene de A eliminando las filas y columnas k + 1, k + 2, . . . , n.

61

Propiedades A = LU

Matrices

Note
que en la factorizaci
on
2
1
0
1

2 2 2 2
=
A=
4
3 1 2

4
3 4 2

1
0
0
1 1
0
2 1 1
2 1 2

0
0
0
1

2 1 0 1
0 1 2 1
0 0 1 1
0 0 0 3

=L

A1 = [2] = [1][2] = L1U1,

#
"
#"
#
2
1
1 0
2 1
A2 =
=
= L2U2
2 2
1 1
0 1

2 1 0
1
0 0
2
1
0

A3 = 2 2 2 = 1 1 0 0 1 2 = L3U3
0 0 1
2 1 1
4
3 1
En el producto L U , multiplicando por bloques se obtiene que Ak = Lk Uk .
"

62

Propiedades A = LU

Matrices

Otra manera de ver:

Al hacer ceros bajo el pivote k 1 se factoriza en el camino a la submatriz

principal Ak y se tiene Ak = Lk Uk .
63

Propiedades A = LU

Matrices

Proposici
on 4. Si A = LU entonces Ak = Lk Uk , donde Ak , Lk , Uk son
las submatrices principales de A, L y U respectivamente
Demostraci
on: Es consecuencia de las observaciones anteriores
Proposici
on 5. Sea A matriz invertible de n n. Si cada submatriz
principal Ak , k = 1, 2, . . . , n es invertible entonces A se puede factorizar
A = LU (sin intercambio de filas)
Si A1 tiene inversa entonces a1,1 6= 0 y entonces se puede hacer ceros
bajo el elemento 1, 1 sin intercambio de filas.
Como A2 es invertible la matriz resultante del primer pivoteo debe tener
un elemento no nulo en la posici
on 2,2.
Entonces se puede pivotear en 2,2 sin intercambio de filas y hacer ceros
bajo 2,2 en la segunda columna.
etc...
64

Propiedades A = LU

Matrices

Por inducci
on se demuestra que se puede proceder con la eliminaci
on de
gauss sin intercambio de filas quedando el pivote k-
esimo en el elemento
k, k.

65

Propiedades A = LU

Matrices

Ejemplo 9. Construya una matriz A de 4 4 tal en la factorizaci

on
P A = LU se requiera un intercambio de filas forzado para el tercer
pivote.

Soluci
on: Construimos una matriz A de 4 4 invertible que tenga
submatrices principales A1, A2 invertibles, pero A3 no invertible:

1
1
1
2
A =
2
3
1 1

1
1
1
1

1 2
2
1

2
2
4
0

2
1
1
2
2

2
1
0
0
1

5
1
0
1
0
1 2 2 2

1
1
2
2
2
2

1
1
0
0
0
0

2 2
1 2 2 2
0
1
2
1
0
1

1
1
2
2
1
1
0
0

2
1
0
1
1 2 2 2

66

Propiedades A = LU

Matrices

Entonces P A = LU , donde P = P3,4

1
0 0
1
1 0
L=
1 2 1
2
1 0

0
0

0
1

U =

1
0
0
0

1
2
2

1
0
0

0 2 2

0
0
1

67

Operaciones Matriciales

Matrices

Teorema 2. Si A es invertible entonces la factorizaci

on A = LU es
u
nica (cuando existe con P = I). Es decir, si es A invertible, A =
L1U1 = L2U2 donde Li son triangulares inferiores con 1s en la diagonal
y Ui triangulares superiores, entonces L1 = L2, U1 = U2.
Demostraci
on: Si A es invertible entonces U1, U2 tienen inversas (son
triangulares con elementos en la diagonal no nulos).
1
Entonces, de A = L1U1 = L2U2 obtenemos L1
2 L1 = U2 U1 .

Como L1, L2 son triangulares inferiores con 1s en la diagonal, L1

2 L1 es
triangular inferior con 1s en la diagonal
Como U1, U2 son triangulares superiores y U1 es invertible se tiene que
U2U11 es triangular superior.
1
Entonces C = L1
es a la vez triangular inferior con 1s en
2 L1 = U2 U1
la diagonal y triangular superior.
68

Operaciones Matriciales

Matrices

1
Por lo tanto C = I, es decir L1
L
=
U
U
= I, de donde L1 = L2,
1
2
2
1
U1 = U2.

69

Operaciones Matriciales

Matrices

Matrices Sim
etricas
Definici
on 5. Una matriz A real se dice sim
etrica si AT = A

AT = A sii Ai,j = Aj,i

Si A = AT entonces necesariamente A es cuadrada.
En las matrices sim
etricas la fila i es la transpuesta de la columna i.

70

Operaciones Matriciales

Matrices

Ejemplo 10.

no es sim
etrica, pues B1,2

1 2 3
B= 1 4 2
3 5 6
6= B2,1

Proposici
on 6. Sean A, B matrices sim
etricas de n n, entonces
i) A + B es sim
etrica
ii) A es sim
etrica
iii) Si adem
as A tiene inversa entonces A1 es sim
etrica
iv) AB NO es sim
etrica en general: AB es sim
etrica sii AB = BA

71

Operaciones Matriciales

Matrices

Demostraci
on:
Para i) tenemos (A + B)T = AT + B T = A + B y entonces A + B es
sim
etrica
Para ii) tenemos (A)T = AT = A, y entonces A es sim
etrica
Para iii) tenemos AT = A y A invertible implica (AT )1 = A1. Pero
(AT )1 = (A1)T . Por lo tanto (A1)T = A1 y entonces A1 es sim
etrica.
Para iv) tenemos (A B)T = B T AT = B A 6= AB en general.
Para que el producto AB de matrices sim
etricas sea sim
etrica, las
matrices deben conmutar, es decir AB = BA.
Ejemplo 11. Demuestre que si A es de m m entonces AT A es
sim
etrica.
72

Operaciones Matriciales

Soluci
on:

Matrices

Hay que demostrar que (AT A)T = AT A

(AT A)T = AT (AT )T = AT A

73

Matrices Simetricas y Antisimetricas

Matrices

Matrices Antisim
etricas
Definici
on 6. Una matriz A real se dice antisim
etrica si AT = A
AT = A sii Ai,j = Aj,i
Si A = AT entonces necesariamente A es cuadrada.
En las matrices antisim
etricas la diagonal principal es nula (Ai,i = Ai,i
implica Ai,i = 0)

74

Matrices Simetricas y Antisimetricas

Matrices

Ejemplo 12.

0 2 3
2
B= 2 0
3 2 0

0
1 2
C = 1 0 3
2 3 0

B no es antisim
etrica, pues B1,2 6= B2,1 y C es antisim
etrica.
Proposici
on 7. Sean A, B matrices antisim
etricas de n n, entonces
i) A + B es antisim
etrica
ii) A es antisim
etrica
iii) Si adem
as A tiene inversa, entonces A1 es antisim
etrica
iv) AB NO es antisim
etrica en general: AB es sim
etrica sii AB = BA
75

Matrices Simetricas y Antisimetricas

Matrices

Demostraci
on:
Las demostraciones son similares a las realizadas para las matrices
sim
etricas y las dejamos al lector.
Ejemplo 13. Demuestre que la u
nica matriz sim
etrica y antisim
etrica a la
vez es la matriz nula.
Demostraci
on:
Si AT = A y AT = A entonces A = A y por lo tanto 2A = 0 y entonces
A=0
Teorema 3. Cada matriz A de n n se puede expresar en forma u
nica
como la suma de una matriz sim
etrica y de otra antisim
etrica. Es
decir, existen u
nicas matrices B sim
etrica y C antisim
etrica tales que
A = B + C y B = (A + AT )/2, C = (A AT )/2
Demostraci
on:
76

Matrices Simetricas y Antisimetricas

Matrices

A + AT A AT
A AT A AT
B+C =
+
= +
+
=A
2
2
2
2
2
2
BT =

C =

T

1
1
= (AT + (AT )T ) = (AT + A) = B
2
2

T

1 T
1 T
T T
= (A (A ) ) = (A A) = C
2
2

A+A
2
AA
2

Si A = B1 + C1 = B2 + C2, donde las Bi son sim

etricas y las Ci son
antisim
etricas, entonces F = B1 B2 = C2 C1. Pero la resta de
matrices sim
etricas es sim
etrica y la resta de matrices antisim
etricas es
antisim
etrica, por lo tanto F = B1 B2 es sim
etrica y antisim
etrica a
la vez y entonces F = B1 B2 = C2 C1 = 0. Por lo tanto B1 = B2 y
C1 = C2 .

77

A = LU

Matrices

Factorizaci
on A = LDLT para A sim
etrica
En el siguiente ejemplo se calcula A = LU , donde A es sim
etrica.

78

A = LU

Matrices

Para esta matriz tenemos entonces

2
L=
3

0
D=
0

0
U =
0

Note que U = DLT , D = diag(U )

U =

2 0 0 0
2 4 6 2

0 1 0 0
0 1 1 3
=
0 0 3 0
0 0 3 6

0 0 0 2
0 0 0 2

1 2 3 1

0 1 1 3
= DLT
0 0
1
2

0 0
0
1

79

A = LU

Matrices

Proposici
on 8. Factorizaci
on A = LDLT , A sim
etrica ... Si cada
submatriz principal de A es invertible entonces A = LU y si adem
as
A es sim
etrica entonces U = DLT , donde D = diag(U ). Es decir
A = LDLT .

Demostraci
on: Si cada submatriz principal de A es invertible, entonces A,
que es la submatriz de mayor tama
no es invertible.
Si A = LU , entonces los elementos de la diagonal principal de U son
distintos de cero, y por lo tanto D = diag(U ) es una matriz diagonal
invertible.

80

Formas Cuadraticas

Matrices

Por otra parte,

AT

= U T LT
= (DD1U )T LT
= (D1U )T DLT

pues DT = D

= L1U1,
donde L1 = (D1U )T , es triangular inferior con 1s en la diagonal y U1 = DLT
es triangular superior.
Como A es sim
etrica, AT = A y por lo tanto A = LU = L1U1. Puesto
que la factorizaci
on A = LU es u
nica para matrices invertibles se tiene
U = U1 = DLT .2

81

Formas Cuadraticas

Matrices

Formas Cuadr
aticas
Definici
on 7. Sea A de n n sim
etrica y ~x = (x1, x2, . . . , xn)T Rn.
Decimos que
F (~
x) = ~
xT A ~
x
es una forma cuadr
atica en las variables x1, x2, . . . , xn.
Note que
F (~x) es escalar, es decir F : Rn R.
~
xT |{z}
A |{z}
~
x
= F (~
x)
|{z}
1n

nn

n1

11

F (~0) = ~0T A ~0 = ~0T ~0 = 0

82

Formas Cuadraticas

Matrices

Formas Cuadr
aticas: A de 2 2

a
Sea A = b
2

b
2

c
T

~
x A~
x


~
x=

sim
etrica y


=

=
=
=

x1
x2

T

a
b
2


x1
. Entonces
x2

b


x

1
2
x2
c

b

 a x 1 + x2
2
x1 x2 b

x1 + c x 2
2
b
b
x1(a x1 + x2) + x2( x1 + c x2)
2
2
b
b
2
2
a x 1 + x1 x2 + x2 x1 + c x 2
2
2
2

a x 1 + b x 1 x2 + c x 2

83

Formas Cuadraticas

Matrices

Toda expresi
on de la forma
2

F (x, y) = ax1 + bx1x2 + cx2

es una forma cuadr
atica en las variables x1, x2
Poe ejemplo,

F (x1, x2) = 3x21 + 2x1x2 + 2x22 =

x1
x2

cuadr
atica en las variables x1, x2.


T
x
1
1
2
2
F (x, y) = x + 3xy 2y =
3
x2
2
en las variables x, y

T 

3
1

1
2



x1
x2


es una forma

3


x

1
2
es una forma cuadr
atica
x
2
2

84

Formas Cuadraticas

Matrices

Note que F (x1, x2) = ax21 +bx1x+cx22 corresponde a una forma cuadr
atica F (x1, x2) =
T
~
x A~
x , donde la matriz A = (Ai,j ), sim
etrica asociada que se obtiene de la siguiente
manera:

b
A1,2 = A2,1 = , que es igual a la mitad del coeficiente de x1x2 en la forma cuadr
atica
2
Ai,i es el coeficiente de x2i en la forma cuadr
atica

85

Formas Cuadraticas

Matrices

Formas Cuadr
aticas: A de 3 3

Sea

a
A = b/2
c/2

b/2
d
e/2

~
x A~
x

T
x
1
c/2
e/2 sim
etrica de 3 3 y ~
x = x2 R3. Entonces
f
x3

c
b
a
x1
x
1
b 2 2e

=
x2
x2
d

2
2
c
e
x3
x3
f
2
2

c
b

a x1 +

x2

x3

a x1 + x2 + x3
2
2
b x +dx + e x
2
2 1
2 3
c
e
x + x2 + f x3
2 1
2

b
c
x1 x2 + x1 x3 +
2
2
e
2
x2 x1 + d x 2 + x2 x3
2
e
2
x3 x1 + x3 x2 + f x 3
2
2

b
2
c
2
=

x1

ax1 + bx1x2 + cx1xx3 + dx2 + ex2x3 + f x3

86

Formas Cuadraticas

Matrices

Toda expresi
on de la forma F (x1, x2, x3) = ax21 + bx1x2 + cx1xx3 + dx22 + ex2x3 + f x23
es una forma cuadr
atica en las variables x1, x2, x3
Por ejemplo,

F (x1, x2, x3) = x21+2x1x2++x1x3+2x22+4x2x32x23 =

es una forma cuadr

atica en las variables x1, x2, x3

x1
x2
x3

T 

1
1
2

1
2
2

1/2
2
2



x1
x2
x3

F (x, y, z) = x2 + 4xy 2y 2 + yz + z 2 es una forma cuadr

atica en las variables x, y, z
 x T  1
 x 
2
0
y
2
2
1/2
y
(el coeficiente de xz es igual a cero) y F (x1, x2, x3) =
z

1/2

Note si F (~
x) = ~
xT A~
x, con A = (Ai,j ) sim
etrica, entonces

Ai,j = Aj,i es igual a la mitad del coeficiente de xixj en la forma cuadr

atica
Ai,i es el coeficiente de x2i en la forma cuadr
atica

87

Formas Cuadraticas

Matrices

Formas Cuadr
aticas: A de n n
n, entonces
T A = A
Sea A sim
etrica de n
i,j A j,i
x1
A1,1
1,2
x A
2 2,1 A2,2
T
~
x A~
x = .. ..
. .
xn
An,1 An,2

n
X

xi (

n
X

i=1

...

A1,n
A2,n
...
An,n

x1
x
2
..
.
xn

Ai,j xj )

j=1

n X
n
X

Ai,j xixj

i=1 j=1

n
X

2
Ai,ixi

i=1

n
X
i=1

n X
X
+
(Ai,j + Aj,i)xixj
i=1 j>i

2
Ai,ixi

n X
X
+
(2Ai,j )xixj
i=1 j>i

88

Formas Cuadraticas

Matrices

Por lo tanto, si F (~
x) = ~
xT A~
x, con A = (Ai,j ) sim
etrica, entonces

Ai,j = Aj,i es igual a la mitad del coeficiente de xixj en la forma cuadr

atica
Ai,i es el coeficiente de x2i en la forma cuadr
atica
Por ejemplo para la forma cuadr
atica en x1, x2, x3, x4, x5,
2

F (x1, x2, x3, x4, x5) = x1 + 3x1x2 + x2 x2x3 + 3x2x5 + x5+

los coeficientes de x1x3, , x1x4, x1x5, x2x4, x23, x3x4, x3x5 x25, x5x6 son iguales a cero
y
T

x
1
x1
3/2
0
0
0
1
x2
x2
3/2
1
1/2
0
3/2

x
1/2
0
0
0 x3
F (x1, x2, x3, x4, x5) = x3 0
4
x4
0
0
0
0
0
x5

3/2

x5

89

Formas Cuadraticas

Matrices

Clasificaci
on de Formas Cuadr
aticas
Sea A sim
etrica. La forma cuadr
atica F (~
x) = ~
xT A~
x si dice
1.2.3.4.5.-

definida positiva si ~
xT A~
x > 0 para ~
x 6= ~
0.
semi definida positiva si ~
xT A~
x 0 para ~
x Rn .
definida negativa si ~
xT A~
x < 0 para ~
x 6= ~
0.
semi definida negativa si ~
xT A~
x 0 para ~
x Rn .
indefinida si existen ~
x, ~
y Rn tales que ~
xT A~
x < 0, ~
y T A~
y > 0.

La siguiente proposici
on muestra que para determinar si una matriz A sim
etrica es definida
negativa o semi negativa definida basta con clasificar a A.
Proposici
on 9. Sea A sim
etrica.
A es negativa definida sii A es positiva definida
A es semi negativa definida sii A es semi positiva definida
Demostraci
on:
identidad

La proposici
on es el resultado inmediato de las definiciones y de la
T

~
x (A)~
x = ~
x A~
x
90

Formas Cuadraticas

Matrices

Formas Cuadr
aticas Diagonales
Sea D = diag(d1, d2, . . . , dn) es una matriz diagonal entonces

~
x D~
x

x1
x
2
..
.
xn

n
X

d1
0
...
0

0
d2
0

...

0
0
...
dn

x1
x
2
..
.
xn

di xi

i=1

La clasificaci
on de formas cuadr
aticas diagonales es muy sencilla. Por ejemplo, si di > 0,
i = 1, 2, . . . , n entonces
T

~
x D~
x=

n
X

di xi > 0

si ~
x 6= ~
0

i=1

y la matriz D sera positiva definida. Adem

as, si ~
xT D~
x > 0 para todo ~
x Rn, se tendra
91

Formas Cuadraticas

Matrices

eligiendo ~
x = ei, el vector can
onico i-esimo (columna i-
esima de la matriz identidad) que
T

0<~
x D~
x=

T
i D e
i
e

n
X

di xi = di

i=1

Entonces D es positiva definida sii di > 0, i = 1, 2, . . . , n El mismo argumento demuestra

la siguiente proposici
on

Proposici
on 10.

Sea D = diag(d1, d2, . . . , dn) matriz diagonal. Entonces

1.- D es definida positiva sii di > 0, i = 1, 2, . . . , n

2.- D es semi definida positiva sii di 0, i = 1, 2, . . . , n
3.- D es definida negativa sii di < 0, i = 1, 2, . . . , n
4.- D es semi definida negativa sii di 0, i = 1, 2, . . . , n
5.- D es indefinida sii existen i, j tales que di < 0 y dj > 0
92

Formas Cuadraticas

Matrices

2
D= 0
0

Ejemplo 14.

T
x1
2
x2 0
x3
0

Similarmente,

2
0
0 4
0
0

2
0
0

0
4
0

0
3
0

0
3
0

0
etrica) positiva definida pues
0 es (sim
1

0
x1
2
2
2
x = (x1, x2, x3)T 6= ~
0
0 x2 = 2x1 + 3x2 + x3 > 0 si ~
1
x3

0
0 es definida negativa,
3

0
0 es indefinida
0

93

Formas Cuadraticas

Matrices

Proposici
on 11. Sea A sim
etrica tal que A = LDLT , donde L es triangular inferior
con 1s en la diagonal, y D es una matriz diagonal, entonces A y D tienen la misma
signatura. Es decir, A es positiva definida sii D es positiva definida, y an
alogamente
para los otros casos.
Demostraci
on:
T

~
x A~
x=~
x (LDL ) ~
x = (L ~
x) D(L ~
x) = ~
y D~
y,

donde ~
y = LT ~
x

De esta identidad y de hecho de que ~

y 6= ~
0 si y s
olo si ~
x 6= ~
0 ( pues L tine inversa) se
concluye la proposici
on

94

Formas Cuadraticas

Matrices

Criterio para Positivas Definidas

La siguiente proposici
on demuestra ciertas propiedades b
asicas que tienen las matrices
sim
etricas definidas positivas.
Proposici
on 12.

Sea A sim
etrica definida positiva, entonces

1.- A tiene inversa

2.- Cada submatriz principal Ak de k k de A es sim
etrica definida positiva
3.- Cada submatriz de A que se obtiene eliminando las mismas filas y columnas de
A es sim
etrica definida positiva.
4.- Cada submatriz principal Ak de A tiene inversa
Demostraci
on:
1.- Si A no tuviera inversa, existira ~
x 6= ~
0 tal que A~
x =~
0, por lo que ~
xT A~
x = 0 con
~
x 6== 0, y entonces A no sera definida positiva. Por lo tanto A definida positiva
implica A tiene inversa.
95

Formas Cuadraticas

Matrices

2.- Es obvio que A sim

etrica implica Ak sim
etrica. Sea ~
xk Rk 6= ~
0, debemos demostrar
que ~
xTk Ak ~
x > 0. Sea ~
x = [~
xTk , 0, . . . , 0]T Rn (completamos ~
xk con ceros para
obtener un vector ~
x en Rn. Entonces ~
x 6= ~
0 , pero xk+1 = xk+2 = = xn = 0. Por
lo tanto
T

0<~
x A~
x=

n X
n
X

ai,j xixj =

i=1 j =1

k X
k
X

ai,j xixj = ~
xk Ak ~
xk

i=1 j =1

Por lo tanto Ak es sim

etrica definida positiva
3.- Al poner un vector ~
x con algunas componentes iguales a cero se obtiene que la submatriz
C que se obtiene de A eliminando las mismas columnas y filas donde las componentes
de vx son cero cumple
T

~
xk C~
xk = ~
xA~
x > 0 si vxk 6= ~
0
Entonces C es positiva definida. La simetra de C es inmediata de la simetra de A.
4.- Como la submatriz Ak es sim
etrica positiva definida , por la parte 1) de esta proposici
on
Ak tiene inversa

96

Formas Cuadraticas

Matrices

El siguiente teorema caracteriza a las matrices positivas definidas y entrega un algoritmo

para decidir si una matriz sim
etrica A es o no definida positica.
Teorema 4.

Sea A de n n. Son equivalentes

1.- A es sim
etrica definida positiva
2.- (factorizaci
on de Cholesky sin raz cuadrada) Existen
L triangular inferior con 1s en la diagonal,
D = diag(d1, d2, . . . , dn) matriz diagonal con di > 0, i = 1, 2, . . . , n tal que

A = LDL

3.- (factorizaci
on de Cholesky con raz cuadrada) Existe R triangular superior
invertible tal que
T
A=R R

97

Formas Cuadraticas

Matrices

Demostraci
on: 1) implica 2) Si A es sim
etrica positiva definida, entonces cada submatriz
principal Ak de A es invertible y por lo tanto se puede realizar eliminaci
on de gauss sin
intercambio forzado de filas y A = LU . Como A es sim
etrica, se tiene U = DLT , y
entonces A = LDLT . Por la proposici
on (11), puesto que A es definida positiva, se tiene
que D tiene su diagonal principal con elementos positivos. Entonces la diagonal de D es
positiva, y por lo tanto 1) implica 2)

98

Formas Cuadraticas

Matrices

2) implica
que A=
LDL con di > 0.
Definimos
D =

3) Supongamos

diag( d1, d2, . . . , dn), Entonces D D = D , y podemos escribir

T

LDL

T
L D DL

T T
(L D)((L( D) )

T
(L D)((L( D))

R R

=
=

T
D) . Como L es triangular inferior y D es diagonal y ellas tienen
donde R = (L(
inversas, R = (L( D)T es triangular superior y tiene inversa.

99

Formas Cuadraticas

Matrices

3) implica 1) Si A = RT R, donde R es triangular superior invertible, entonces AT =

(RT R)T = RT (RT )T = RT R = A, por lo que A es sim
etrica. Adem
as, si ~
x 6= ~
0
T

~
x A~
x

~
x R R~
x

(R~
x) (R~
x)

~
y ~
y = ||~
y || > 0 si ~
y = R~
x 6= ~
0.

Pero R invertible, ~
x 6= ~
0 implican ~
y = R~
x 6= 0. Entonces 3) implica 1)

100

Formas Cuadraticas

Matrices

La equivalencia entre 1) y 2) nos dice que

Para A es sim
etrica:
A es positiva definida sii al realizar eliminaci
on de gauss en A
sin intercambios de filas se obtienen pivotes positivos
Como A es negativa definida sii A es positiva definida obtenemos tambi
en
Para A es sim
etrica:
A es negativa definida sii al realizar eliminaci
on de gauss en A
sin intercambios de filas se obtienen pivotes negativos

101

Formas Cuadraticas

Ejemplo 15. Sea

F (x1, x2, x3, x4)

Matrices

2 x1 8 x1 x2 + 8 x1 x3 4 x1 x4 + 10 x2
2

20 x2 x3 + 16 x2 x4 + 11 x3 12 x3 x4 + 17 x4

Clasifique a la forma cuadr

atica F (~
x).
Si es factible, determine las factorizaciones de cholesky con y sin raz cuadrada
de la matriz sim
etrica que la representa.
Escriba la forma cuadr
atica como la suma ponderada de cuadrados e indique el
cambio de variables que diagonaliza esta forma cuadr
atica.
Soluci
on:

La forma cuadr
atica puede escribirse como F (~
x) = ~
xT B~
x, B sim
etrica:

4
B =

10

10

10

11

17
102

Formas Cuadraticas

Matrices

Procedemos con la eliminaci

on de gauss sin intercambio de filas.

10

10

10

11

17

-2
2
-1

4
2
2
4
4
2

-2
2 -1
-1 2

4
2
3
2
4
2
1

2
4
2
15

2
4
2
3

4
2

-2
2 -1
-1 2

4
2
1
2

2
4
2
7

Como B es sim
etrica y al realizar eliminaci
on de gauss sin intercambio de filas y
escalamientos de filas se obtienen pivotes positivos, B es positiva definida. La factorizaci
on
103

Formas Cuadraticas

Matrices

de Cholesky sin raz cuadrada es A = LDLT donde

0
D=
0

2
L=

0
,
0

104

Formas Cuadraticas

Matrices

La factorizaci
on de Cholesky con raz cuadrada de B es A = RT R donde

DL

2

0

2

2 2

0
0

0
3

2 2 2

2 2 2
0

105

Formas Cuadraticas

Matrices

El cambio de variables que diagonaliza la forma cuadr

atica, es ~
y = LT ~
x

1
y1

y2
0

=
0
y3

y4
0

x1

x2

=
x3

x4

x1 2 x2 + 2 x3 x4

x2 x3 + 2 x4

x3 + 2 x4
x4

106

Formas Cuadraticas

Matrices

Con la substituci
on ~
y = LT ~
x obtenemos
T

~
x B~
x

~
x LDL ~
x = (L ~
x) D(L ~
x)

~
y D~
y

2 y1 + 2 y2 + y3 + 3 y4

2 (x1 2 x2 + 2 x3 x4) + 2 (x2 x3 + 2 x4) + (x3 + 2 x4) + 3 x4

2
2

107

Formas Cuadraticas

Ejemplo 16.

Matrices

Sea

F (x1, x2, x3) = x1 2x1x2 + 3x1x3 + 3x2 x2x3 + 2x3

Si es factible, determine las factorizaciones de cholesky con y sin raz cuadrada

de la matriz sim
etrica que representa a la forma cuadr
atica.
Escriba la forma cuadr
atica como la suma ponderada de cuadrados e indique el
cambio de variables que diagonaliza esta forma cuadr
atica.
Clasifique a la forma cuadr
atica F (~
x).

Soluci
on:

F (~
x) = ~
x B~
x

donde

1
B = 1
3/2

1
3
1/2

3/2
1/2
2
108

Formas Cuadraticas

Matrices

Procedemos a realizar eliminaci

on de gauss sin intercambio de filas.

1
1
3/2
1
1
3/2

2
1
B = 1
3 1/2 -1

3/2 1/2
2
3/2 1 1/4

1
1
3/2

2
1
-1

3/2 1/2 3/4

Entonces la factorizaci
on de Cholesky de B es B = LDLT , donde

1
D= 0
0

0
2
0

0
0
3/4

1
L = 1
3/2

0
1
1/2

0
0
1

109

Formas Cuadraticas

Matrices

Por lo tanto
T

~
x B~
x

~
x LDL ~
x = (L ~
x) D(L ~
x)

~
y D~
y

3 2
2
2
y1 + 2y2 y3
4

donde ~
y = LT ~
x.
Es decir,

y1
1
y2 = 0
y3
0

1
1
0

3/2
x1
y1 = x1 x2 + 3/2 x3
1/2 x2 y2 = x2 + 1/2 x3
1
x3
y3 = x3

110

Formas Cuadraticas

Matrices

Entonces
T

~
x B~
x

=
=

3 2
y
4 3
3
1
3 2
2
2
(x1 x2 + x3) + 2 (x2 + x3) x3
2
2
4
2

y1 + 2 y2

Como la diagonal de D = diag(1, 2, 3/4) tiene elementos de distinto signo, la forma

cuadr
atica es indefinida.
Por ejemplo, con y3 = 1, y2 = 0, y1 = 0, o equivalentemente, x3 = 1, x2 = 1/2,
x1 = 2 tenemos F (2, 1/2, 1) = 3/4 < 0. En cambio, con con y3 = 0, y2 = 1,
y1 = 0, o equivalentemente, x3 = 0, x2 = 1, x1 = 1 tenemos F (1, 1, 0) = 2 > 0. La
matriz B no tiene factorizaci
on real de cholesky con raz cuadrada pues los elementos de
la diagonal de D no son positivos.

111

Formas Cuadraticas

Matrices

Note que la t
ecnica que hemos utilizado para clasificar una forma cuadr
atica ha sido
realizar un cambio de variables o substituci
on y reducir el problema a la clasificaci
on de
una forma cuadr
atica diagonal. Este proceso recibe el nombre de diagonalizaci
on de una
forma cuadr
atica.
El siguiente teorema aclara la t
ecnica de reducci
on de la clasificaci
on de una forma
cuadr
atica a la de otra, posiblemente m
as sencilla de determinar.

112

Formas Cuadraticas

Teorema 5.

Matrices

Sean B , C matrices tales que

T

C = V BV

donde V tiene inversa

Entonces las matrices B y C definen formas cuadr

aticas con la misma signatura.
Es decir B es sim
etrica definida positiva sii C es sim
etrica definida positiva (
an
alogamente para los otros casos).
Para clasificar a una matriz sim
etrica B se busca una matriz V invertible tal que clasificar
T
a V BV sea m
as simple de realizar.
Demostraci
on: Simetra:
Sea B sim
etrica y C = V T BV , entonces
T

C = (V BV )
y por lo tanto C es sim
etrica.

= V B V = V BV = C

Si V es invertible, entonces B = (V 1)T CV 1 = W T CW , y por el lo ya demostrado,

113

Formas Cuadraticas

Matrices

intercambiando los roles de B ,C , tenemos que C sim

etrica implica B sim
etrica. Entonces
T
etrica.
B es sim
etrica sii C = V BV es sim
Misma Clasificaci
on: Es el resultado inmediato de aplicar la substituci
on ~
y = V~
x:
T

~
x C~
x=~
x (V BV )~
x = (V ~
x) B (V ~
x) = y
~ B~
y
Note que V invertible implica que ~
x 6= ~
0 sii ~
y = V~
x 6= 0. 2.

114

Formas Cuadraticas

Matrices

Ejemplo 17. Demuestre que A es sim

etrica definida positiva sii A1 es sim
etrica
positiva definida
Soluci
on: Sea A sim
etrica definida positiva. Como (A1)T = (AT )1 = A1 tenemos
que A1 es sim
etrica. Adem
as para ~
x 6= ~
0 tenemos
T

~
x A

~
x=~
x A

AA

~
x = (A

~
x) A(A

~
x) = y
~ A~
y

donde ~
y = A10~
x = V~
x, con V = A1 es invertible.
Entonces A y A1 tienen la misma clasificaci
on, es decir A es sim
etrica definida
positiva sii A1 es sim
etrica definida positiva.

115

Formas Cuadraticas

Ejemplo 18.

Matrices

Demuestre que

AT A es sim
etrica semi definida positiva
AT A es sim
etrica definida positiva sii Ker(A) = {~
0} (sii las columnas de A son
li.)
Soluci
on:
Sea B = AT A. Entonces, B T = (AT A)T ) = AT (AT )T ) = AT A = B , por lo que
AT A es sim
etrica.
Adem
as
T

(?) ~
x A A~
x = (A~
x) (A~
x) = ||Ax|| 0
Por lo tanto AT A es sim
etrica semi positiva definida.
Ahora si Ker(A) = {~
0} entonces A~
x 6= ~
0 para ~
x 6= ~
0. Entonces por (?) tenemos que
~
xT AT A ~
x > 0 cuando ~
x 6= ~
0. Hemos demostrado que Ker(A) = {~
0} implica que AT A
es sim
etrica definida positiva.
Ahora, si AT A es definida positiva, entonces 0 < ~
xT AT A ~
x = ||A~
x||2 y por lo tanto
A~
x 6= ~
0 cuando ~
x 6= ~
0. Es decir, Ker(A) = {~
0}.
116

Formas Cuadraticas

Matrices

Hemos demostrado que AT A es definida positiva sii Ker(A) = {~

0}.

117

Formas Cuadraticas

Matrices

Ejemplo 19. Demuestre que toda matriz sim

etrica definida positiva tiene diagonal
principal positiva, pero existen matrices sim
etricas con diagonal positiva que no
son definidas positivas.
Soluci
on:
Si A es definida positiva entonces ~
xT A~
x > 0 para ~
x 6= ~
0.
Tomando ~
x = ei obtenemos que ai,i = eTi A
ei > 0 .
Entonces la diagonal principal de A es positiva.
Construimos una matriz de 2 2 sim
etrica con A = LU , con la diagonal de U no es
positiva, pero la diagonal de A es positiva. Esto es f
acil:


A=

1
2

2
1

1
0

2
3

Entonces los pivotes no son todos positivos y A es indefinida, pero la diagonal de A es

positiva.

118

Formas Cuadraticas

Matrices

Note que NO toda matriz sim

etrica A se puede factorizar como A = LDLT . Ejemplo:


A=

0
1

1
0

Esto sucede cuando A tiene submatrices principales no invertibles.

En este ejemplo A1 = (a1,1) no es invertible, por lo que es necesario un intercambio
forzado de filas.
La matriz A de este ejemplo es indefinida.
Las matrices semi positivas o negativas definidas tienen submatrices principales no
invertibles.
El m
etodo visto, tal como est
a no se puede usar para clasificar matrices sim
etricas que
tengan submatrices principales no invertibles

119