Blanco Guillén, María Montaña TFG

APLICACIONES DE LAS INVERSAS
GENERALIZADAS
Mª Montaña Blanco Guillén

APLICACIONES DE LAS INVERSAS
GENERALIZADAS
Mª Montaña Blanco Guillén
Memoria presentada como parte de los requisitos

para la obtención del título de Grado en Matemá-
ticas por la Universidad de Sevilla.
Prof. Tutor D. Manuel Jesús Gago Vargas

"Ahora tendrás que pasar un infierno, peor
que cualquiera de tus pesadillas, pero al final,
sé que serás tú el que quede en pie."
Duke en Rocky IV.
Agradecimientos
A mi esposo, que en todo momento, desde el primer día de esta andadura, com-
prendió mi pasión y nunca reclamó el tiempo que no pudimos compartir. Gracias por
tu amor y paciencia, y, por creer en mi, por creer en esto.
A mi tutor, que me ha apoyado y guiado para realizar este trabajo, y sin el cual nada
de esto hubiera sido posible. Gracias por su confianza, por todos los conocimientos
que me ha transmitido, por su entera disposición y su infinita paciencia.
A mi familia, que aunque al principio les supuso un reto entender este nuevo
camino que decidí tomar, me han hecho más fuerte aún y más incansable.
A mi otra familia, mi Antonia, por estar siempre ahí inquebrantable, dando lo

mejor.
A mis compañeros, y a todos y cada uno de los han aportado su granito de arena
para que este sueño vaya tomando cuerpo.
A mis amigas, que casi sin darse cuenta, me renuevan cada día, indispensables en
este camino.
Índice general
English Abstract 1
Introducción 3
1. Preliminares 7
1.1. Escalares y vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Producto escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3. Norma vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6. Imagen, contraimagen y espacio nulo . . . . . . . . . . . . . . . . . . 16
1.7. Autovalores y autovectores . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8. Matriz definida positiva . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.9. Descomposición en valores singulares . . . . . . . . . . . . . . . . . . 24
1.10. Factorización de rango pleno . . . . . . . . . . . . . . . . . . . . . . . 27
1.11. Forma canónica de Jordan . . . . . . . . . . . . . . . . . . . . . . . . 30
2. Inversas Generalizadas 33
ii aplicaciones de las inversas generalizadas
2.1. Inversa de Moore-Penrose . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2. {1}-inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3. {1, 2}-inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.4. {1, 2, 3}-, {1, 2, 4}-, {1, 2, 3, 4}-inversas . . . . . . . . . . . . . . . . . 44
2.5. {2}-inversa de rango prescrito . . . . . . . . . . . . . . . . . . . . . . 52
2.6. Caracterización de A{1} . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.7. Caracterización de A{1, 3} . . . . . . . . . . . . . . . . . . . . . . . . 58
2.9. Caracterización de A{2}s . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.11. Caracterización de A{2, 3}s . . . . . . . . . . . . . . . . . . . . . . . 62
2.12. Caracterización de A{2, 4}s . . . . . . . . . . . . . . . . . . . . . . . 62
3. Inversa de Bott-Duffin 65
3.1. Matrices idempotentes y proyectores . . . . . . . . . . . . . . . . . . 66
3.2. Inversa de Bott-Duffin . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3. Aplicación de la inversa de Bott-Duffin a redes eléctricas . . . . . . . 77
3.4. Propiedad extrema de la inversa de Bott-Duffin con aplicación a redes

eléctricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.5. Recorrido bibliográfico . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4. Inversa de Drazin 97
4.1. Índice de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.2. Inversa espectral de una matriz diagonal . . . . . . . . . . . . . . . . 104
4.3. Inversa de Drazin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

ÍNDICE GENERAL iii
4.4. Aplicaciones de la inversa de Drazin a sistemas de ecuaciones diferen-

ciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.4.1. Ecuación x0 + Ax = f . . . . . . . . . . . . . . . . . . . . . . 122
4.4.2. Ecuación Ax0 + Bx = f cuando AB = BA . . . . . . . . . . 125
4.4.3. Ecuación Ax0 + Bx = f . . . . . . . . . . . . . . . . . . . . . 137
4.5. Impacto del artículo de ecuaciones diferenciales . . . . . . . . . . . . 156
4.5.1. Ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . . . 156
4.5.2. Inversa de Drazin W -Ponderada (WDI) . . . . . . . . . . . . . 157
4.5.3. Cálculo simbólico . . . . . . . . . . . . . . . . . . . . . . . . . 158

English Abstract
In this paper we start out the study of the generalized inverse of a matrix and
some of its applications. These applications appear in different areas where it is nec-
essary the computation of an analogous object to the inverse of a matrix. Mainly, we
set out two problems. The first one is to solve problems of system of linear equations
with constraints, where it is used the Bott-Duffin inverse of a matrix. The second
one is to give a closed formula for the solution of a system of linear differential equa-
tions, and the Drazin inverse is defined to express the solution. Some examples and
bibliographical references are given for each problem.
Introducción
Las aplicaciones de la inversa de una matriz son múltiples, entre ellas, la más co-
nocida sin duda, es su aplicación para el cálculo de las soluciones de un sistema de
ecuaciones lineales.
Con el paso de los años, numerosas áreas han necesitado algún tipo de matriz
inversa de una matriz rectangular o bien de una matriz cuadrada singular, como es,
por ejemplo, en el sector de la estadística, ingeniería, programación lineal, análisis
numérico o ecuaciones diferenciales.
Fue en 1935 cuando E. H. Moore introdujo el concepto de inversa generalizada,

definiéndola a partir de ciertos proyectores. En el año 1955, R. Penrose, quien aparen-
temente desconocía el trabajo de Moore, dio una nueva definición de la misma inversa
generalizada, pero cambiando el enfoque. En esta ocasión se definía el concepto a par-
tir de cuatro ecuaciones matriciales, una forma más sencilla de clasificar ese tipo de
matrices. A partir de ese momento la inversa generalizada comenzó a conocerse con el
nombre de inversa de Moore-Penrose. Esta inversa, que denotaremos A+ , siempre exis-
te y es única. Su aplicación más notable es la de dar solución al problema de mínimos
cuadrados. A partir de las ecuaciones que debe cumplir la inversa de Moore-Penrose,
podemos definir otros conjuntos de matrices que cumplen alguna, o algunas, de las
cuatro ecuaciones matriciales. Es el caso de las {1}- inversas, que se caracterizan por
su uso en el cálculo de soluciones de sistemas de ecuaciones lineales.
Un caso particular de {1, 2}-inversas es la llamada inversa de Bott-Duffin, que de-

{−1}
notaremos por A(L) , y definiremos a partir de proyectores. La inversa de Bott-Duffin
surgió en el año 1953 como aplicación a la teoría de redes eléctricas, [BD53], con el
propósito de resolver sistemas de ecuaciones en los que quedaba restringido el subes-
pacio de soluciones. Al contrario que en el caso de la inversa de Moore-Penrose, su
existencia está condicionada a la existencia de la inversa de otra matriz. Para hacer
frente a este inconveniente, en el año 1990, Chen Younglin, [Che90], introdujo el con-
4 aplicaciones de las inversas generalizadas
cepto de inversa generalizada de Bott-Duffin.
Se han utilizado parte de las ecuaciones matriciales que debía satisfacer la inversa
de Moore-Penrose para definir otro tipo de inversas generalizadas, incorporando ade-
más alguna condición adicional. En 1958 M. P. Drazin, [Dra58], introdujo el concepto
de inverso de Drazin en anillos y semigrupos. Posteriormente, se desarrolló el estudio
de la inversa de Drazin para matrices cuadradas. Esta inversa generalizada, que noso-
tros denotaremos AD , posee algunas de las propiedades espectrales de la inversa de
una matriz no singular, ese es el motivo por el que su utilización se reduce solamente
a matrices cuadradas. Tal y como ocurre con la inversa de Moore-Penrose, la inver-
sa de Drazin es única, pudiendo asegurar siempre su existencia. Para poder definirla
tendremos que tener claro el concepto de índice de una matriz. Como aplicación más
notable de la inversa de Drazin sobresale su empleo en el cálculo de soluciones de
sistemas singulares de ecuaciones diferenciales. No nos debe suponer una desventaja
que su uso se restrinja exclusivamente a matrices cuadradas, ya que, en 1980, Cline
y Greville, [CG80], introdujeron el concepto de inversa de Drazin W -Ponderada, ya
extensible a matrices rectangulares.
Este trabajo está organizado como sigue. En el capítulo 1, se darán algunos con-
ceptos básicos y notaciones que serán de utilidad a lo largo de todo el trabajo, como
por ejemplo la descomposición en valores singulares, la factorización de rango pleno
o la forma canónica de Jordan. En el capítulo 2, se introducirá el concepto de inver-
sa generalizada, probaremos algunas de sus propiedades, y estudiaremos algunos de
sus tipos, como es el caso de las {1}-inversas o las {1, 2}-inversas. En el capítulo 3,
se introduciá, a partir del uso de proyectores ortogonales, el concepto de inversa de
Bott-Duffin, se estudiarán algunas de sus propiedades y veremos su utilidad en la reso-
lución de sistemas de ecuaciones con espacio de soluciones restringido. Se establecerá
una relación entre la inversa de Bott-Duffin y un conjunto de {1, 2}-inversas de cier-
tas matrices. Finalmente se dará paso al estudio de su aplicación en redes eléctricas,
viendo, además, algunos resultados relacionados con el cálculo de valores estaciona-
rios. En el capítulo 4, se introducirá, a partir del concepto de índice de una matriz, la
inversa de Drazin. La obtendremos como resultado de una forma canónica de Jordan.
Para concluir, estudiaremos su aplicación más destacada en el cálculo de soluciones de
sistemas singulares de ecuaciones diferenciales. Se hallarán ejemplos constructivos a
lo largo de todos los capítulos.
En este trabajo el lector no solamente encontrará el seguimiento de algunas re-

ferencias que habrán servido de guía para su creación. Se ha realizado una búsqueda
lo más exhaustiva posible dentro de la bibliografía actual sobre algunas de las inver-
introducción 5
sas generalizadas que se definen y sobre sus aplicaciones. El estudio de este impacto
no ha sido realizado exclusivamente a través de “Mathematical Reviews”. La razón
es clara, el propósito de esta investigación no podía estar centrado en una base de
datos exclusivamente matemática, debido a que algunas de las aplicaciones que han
formado parte de esa búsqueda se salen fuera del ámbito de indexado de esa base de
datos; artículos que por ejemplo se centraban en el campo de la física, la química o la
biología, hubieran sido imposibles de encontrar. Por ese motivo se ha complementado
con las aplicaciones "Web of Knowledge" y “Google Académico”.
1 Preliminares
En este capítulo se darán una serie de conceptos y enunciados básicos que serán
utilizados en capítulos posteriores. Para su realización se ha tomado como referencia
[BIG03, capítulos 0,6], [MS09], [Mey00].
1.1 Escalares y vectores
Nota 1.1. Un cuerpo genérico será denotado por F. Usualmente utilizaremos el

cuerpo complejo C, y en casos especiales el cuerpo real R.
Nota 1.2. Los escalares en F se denotarán con letras minúsculas: x, y, λ, . . .
Nota 1.3. El espacio n-dimensional sobre un cuerpo F se denotará Fn . En particu-
lar, Cn [Rn ] denota el espacio vectorial complejo [real] n-dimensional.
Nota 1.4. Usaremos 1, n para denotar al conjunto de índices {1, 2, . . . , n}.
Nota 1.5. Los vectores vendrán denotados por letras en negrita: x, y, λ, . . . Un vector
x ∈ Fn lo escribiremos en forma de columna
 
x1
x =  ...  , o x = (xi ), i ∈ 1, n, xi ∈ F.
 
xn
Definición 1.1. Llamaremos vector unitario ith de Fn al vector n-dimensional ei

con componentes
1, si i = j
δij =
0, en otro caso
Definición 1.2. Denominaremos base estándar de Fn al conjunto εn de vectores
unitarios {e1 , e2 , . . . , en }.
Definición 1.3. Se define la suma de dos subespacios L, M de Fn , denotada L+M ,

como
L + M = {y + z : y ∈ L, z ∈ M }.
El conjunto L + M también es un subespacio vectorial de Fn .
Definición 1.4. Sean L y M dos subespacios de Fn . Se dirá que L + M es la suma
directa de L y M , y se denotará por L ⊕ M , si L ∩ M = {0}, es decir, si el único vector
en común de L y M es el vector cero.
Definición 1.5. Dado un subespacio vectorial L de Fn , llamaremos subespacio
complementario de L a cualquier subespacio M verificando L ⊕ M = Fn . En este
caso, cada vector x ∈ Fn puede ser expresado de forma única como una suma
x = y + z, donde y ∈ L, z ∈ M.
Denominaremos a y la proyección de x en L a lo largo de M .
1.2 Producto escalar
Definición 1.6. Sea V un C-espacio vectorial. Un producto escalar en V es una

aplicación
< , >: V × V −→ C
que verifica las siguientes propiedades:
1. < u, v >= < v, u >; ∀ u, v ∈ V .

2. < u + v, w >=< u, w > + < v, w >; ∀ u, v, w ∈ V .
3. < u, αv >= α < u, v >; ∀ α ∈ C, ∀u, v, ∈ V .
4. ∀ u ∈ V, < u, v > ≥ 0 y < u, u >= 0 ⇔ u = 0.
El producto escalar canónico en Cn se define como:

n
X
< u, v >= ui vi ; ∀ u = (ui ), v = (vi ).
i=1
1. preliminares 9
Ejemplo 1.2.1.- Consideremos la aplicación
< , >: Rn × Rn −→ R, tal que

< (x1 , x2 , . . . , xn ), (y1 , y2 , . . . , yn ) > = x1 y1 + x2 y2 + · · · + xn yn .
Se verifican fácilmente las propiedades del producto escalar.
Definición 1.7. Sea L un subespacio de Cn . Definimos el complemento ortogonal

de L, y lo denotamos por L⊥ , como
L⊥ := {x ∈ Cn : x es ortogonal a todo vector de L},
o lo que es lo mismo,
L⊥ := {x ∈ Cn :< y, x >= 0, ∀y ∈ L},
L⊥ es un subespacio vectorial de Cn , y además, se tiene que
Cn = L ⊕ L⊥ ,
es decir, L⊥ es un subespacio complementario a L.
1.3 Norma vectorial
Definición 1.8. Sea V un C-espacio vectorial. Se define una norma (o módulo) de

un vector u ∈ V como una aplicación
k k : V −→ R,
que satisface:
kuk ≥ 0, kuk = 0 ⇔ u = 0, ∀u ∈ V. (1.1)

kαuk = |α|kuk; ∀α ∈ C, u ∈ V. (1.2)
ku + vk ≤ kuk + kvk; ∀u, v ∈ V. (1.3)
Observación 1.1. kuk es interpretado como la longitud del vector u. Por tanto, la
desigualdad (1.3), en R2 , establece que la longitud de cualquier lado de un triángulo
no es mayor que la suma de los otros dos lados del triángulo.
Proposición 1.1 (Desigualdad de Cauchy-Schwartz). Sea (V, < , >) un espacio vec-
torial con producto escalar, y x, y ∈ V . Entonces
| < x, y > | ≤ kxkkyk
La igualdad se da si y solamente si un vector es múltiplo del otro.

Demostración. Véase [BIG03, página 7, ejercicio 2]
Definición 1.9. Sea V un C-espacio vectorial. Se definen las siguientes aplicaciones:
n
X
k k1 : V −→ R, tal que kxk1 = |xj | (1.4)
j=1
Xn
k k2 : V −→ R, tal que kxk2 = ( |xj |2 )1/2 (1.5)
j=1
k k∞ : V −→ R, tal que kxk∞ = máx{|xj | : j ∈ 1, n} (1.6)
Proposición 1.2. Las aplicaciones definidas anteriormente, (1.4), (1.5), (1.6), cumplen
las propiedades (1.1), (1.2), (1.3), y por tanto, podemos afirmar que cada una de ellas
es una norma vectorial. Son denominadas l1 -norma, l2 -norma o norma Euclídea, l∞ -
norma o norma de Tchebycheff, respectivamente.
Definición 1.10. Dado un producto escalar < x, y > y la correspondiente norma
kxk =< x, x >1/2 , el ángulo entre dos vectores x, y ∈ Rn , denotado por ∠{x, y}, está
definido como
< x, y >
cos ∠{x, y} =
kxkkyk
1.4 Matrices
Nota 1.6. Dado un cuerpo F, una matriz de orden m × n con coeficientes en F es

de la forma:  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =  ..
 
.. . .. .
.. 
 . . 
am1 am2 · · · amn
1. preliminares 11
constituida por mn elementos de F distribuidos en m filas y n columnas, de forma

que aij denotará al elemento situado en la fila i, columna j. De forma reducida:
A = (aij )
Nota 1.7. Denotaremos Fm×n al conjunto de matrices m × n con elementos en F.

En particular,
Cm×n [Rm×n ] denota la clase de m × n matrices complejas [reales].
Cm×n
r [Rm×n ] denota la clase de m × n matrices complejas [reales] de rango r.
Definición 1.11. Se dice que A ∈ Fm×n es una matriz cuadrada si m = n, es decir,
si tiene igual número de filas que de columnas; en otro caso se dirá que A es rectangular.
Definición 1.12. Dada una matriz A ∈ Fm×n , los elementos aii , i = 1, . . . , p; donde
p = mı́n{m, n}, constituyen su diagonal principal.
Definición 1.13. La matriz A ∈ Fm×n será:
Diagonal si todos sus elementos fuera de su diagonal principal son cero, es decir,
si aij = 0, ∀i 6= j.
Triangular superior si todos los elementos por debajo de su diagonal principal
son cero, es decir, si aij = 0, ∀i > j.
Triangular inferior si todos los elementos por encima de su diagonal principal
son cero, es decir, si aij = 0, ∀i < j.
Definición 1.14. Llamaremos matriz identidad de orden n a la matriz cuadrada
In que tiene 1 en los elementos de su diagonal principal y 0 en las restantes posiciones,
es decir,  
1 0 ... 0
 0 1 ... 0 
1, si i = j
δij = , In =  .. .. . . ..  .
 
0, en otro caso  . . . . 
0 0 ... 1
Definición 1.15. Dada una matriz A ∈ Fm×n , llamaremos matriz traspuesta de
A a la matriz B = At ∈ Fn×m , donde bij = aji , ∀i, j. Esto es, si A es la matriz de orden
m×n  
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A =;  .. ,
 
.. . .. .
.. 
 . . 
am1 am2 · · · amn
entonces B = At es la matriz de orden n × m

 
a11 a21 · · · an1
 a12 a22 · · · an2 
B =;  .. .
 
.. ... ..
 . . . 
a1m a2m · · · anm
Proposición 1.3. La trasposición de matrices verifica las siguientes propiedades:
1. (A + B)t = At + B t ; ∀A, B ∈ Fm×n .

2. (AB)t = B t At ; ∀A ∈ Fm×p , ∀B ∈ Fp×n .
3. (αA)t = αAt ; ∀α ∈ F, ∀A ∈ Fm×n .
Demostración. Véase [MS09, página 32].

Definición 1.16. Dada una matriz A ∈ Fm×n , llamaremos matriz conjugada
traspuesta de A a la matriz B = A∗ ∈ Fn×m , donde bij = aji , ∀i, j
Definición 1.17. Dada un matriz cuadrada A ∈ Fn×n , se dice que A es simétrica,
si A = At , es decir, si aij = aji .
Definición 1.18. Dada un matriz cuadrada A ∈ Fn×n , se dice que A es antisimé-
trica, si A = −At , es decir, si aij = −aji .
Definición 1.19. Dada un matriz cuadrada A ∈ Fn×n , se dice que A es hermitiana,
si A = A∗ , es decir, si aij = aji .
Definición 1.20. Dada un matriz cuadrada A ∈ Fn×n , se dice que A es antiher-
mitiana, si A = −A∗ , es decir, si aij = −aji .
Ejemplo 1.4.1.-
Sean
     
1 4 7 1 4 7 1 4 7 + 2i
A=  4 5 8  , B=  2 5 8  , C=  4 5 8 − i .
7 8 9 3 6 9 7 − 2i 8 + i 9
Se tiene que la matriz A es simétrica, B no es simétrica y C es hermitiana.

1. preliminares 13
Definición 1.21. Dada un matriz cuadrada A ∈ Fn×n , se dice que A es normal, si

AA∗ = A∗ A.
Ejemplo 1.4.2.-
Sean las matrices

   
1 0 2 1 2 3
A =  0 3 4  , B =  4 5 6 .
2 4 5 7 8 9
La matriz A es normal, ya que

 
5 8 12
AA∗ =  8 25 32  = A∗ A.
12 32 45
Sin embargo, B no es una matriz normal, ya que

   
14 32 50 66 78 90
BB ∗ =  32 77 122  6=  78 93 108  = B ∗ B.
50 122 194 90 108 126
Observación 1.2. En general, toda matriz simétrica real, hermitiana o unitaria, es una
matriz normal.
Definición 1.22. Dada un matriz cuadrada A ∈ Fn×n , se dice que A es idempo-
tente, si A = A2 .
Ejemplo 1.4.3.-
La matriz  
2 −3 −5
A =  −1 4 5 
1 −3 −4
es idempotente, ya que A = A2 .
Definición 1.23. Dada una matriz cuadrada A ∈ Fn×n , se dice que A es nilpotente,
si existe un número entero positivo p tal que Ap = O.
Definición 1.24. Sea A ∈ Fn×n una matriz nilpotente. Denominaremos índice de
nilpotencia de A al menor entero positivo k tal que Ak = O.
Ejemplo 1.4.4.-
Consideremos la matriz
 
5 −9 −4
A =  6 −11 −5  .
−7 13 6
Se tiene que:  
−1 2 1
A2 =  −1 2 1 
1 −2 −1
y  
0 0 0
A3 =  0 0 0  .
0 0 0
Luego la matriz A es una matriz nilpotente, con índice de nilpotencia igual a 3.
1. preliminares 15
Definición 1.25. Dadas A y B ∈ Fn×n , se dice que B es la matriz inversa de A si
AB = BA = In .
Diremos entonces que la matriz A es invertible, o no singular, si existe una matriz

inversa de A. Denotaremos A−1 a la matriz inversa de A.
Definición 1.26. Dada una matriz cuadrada A ∈ Fn×n , se dice que A es unitaria,
si A∗ = A−1 (si A es real, At = A−1 , en este caso se dirá que A es ortogonal).
Definición 1.27. Llamaremos submatriz de una matriz A a cada matriz que se
obtenga de ella suprimiendo algunas de sus filas y columnas.
Ejemplo 1.4.5.-
Sea  
1 2 3
A =  4 5 6 .
7 8 9
Una submatriz de A es la matriz

1 2
B= ,
4 5
que se obtiene suprimiendo la última fila y la última columna de A.
1.5 Transformaciones lineales
Definición 1.28. Dados dos espacios vectoriales U , V sobre un cuerpo F, y una

aplicación T : U −→ V ; se dice que T es lineal, o una transformación lineal, si
verifica:
T (αx + y) = αT x + T y, ∀α ∈ F, x, y ∈ U.
El conjunto de transformaciones lineales de U a V , denotado L(U, V ), es un espacio

vectorial con las operaciones T1 + T2 y αT definidas por
(T1 + T2 )u = T1 u + T2 u, (αT )u = α(T u), ∀u ∈ U.
1.6 Imagen, contraimagen y espacio nulo
Definición 1.29. Sea T ∈ L(U, V ). Llamaremos imagen de T , denotada por im(T ),

al conjunto
im(T ) = {v ∈ V : v = T u, u ∈ U }.
Definición 1.30. Sea T ∈ L(U, V ). Para cualquier v ∈ im(T ), la imagen inversa
T −1 (v) es el conjunto
T −1 (v) = {u ∈ U : T u = v}.
Definición 1.31. Sea T ∈ L(U, V ). Llamaremos espacio nulo (o núcleo) de T ,
denotado por null(T ), a la imagen inversa del vector cero 0 ∈ V , es decir,
null(T ) = {u ∈ U : T u = 0}.
Definición 1.32. Consideremos una transformación lineal A ∈ L(Fn , Fm ) y dos

bases {u1 , . . . , um } y {v1 , . . . , vn } de Fn y Fm , respectivamente. La matriz repre-
sentación de A con respecto a las bases U y V es la matriz m × n A{U,V } = [aij ]
determinada (únicamente) por
m
X
Avj = aij ui , j ∈ 1, n.
i=1
Nota 1.8. En la práctica habitual se utilizará el mismo símbolo A para denotar a la

transformación lineal y a la matriz representación.
Nota 1.9. Al igual que para las transformaciones lineales, para cualquier matriz A ∈
Fm×n denotaremos:
Espacio de columnas de A al conjunto
C(A) = {y ∈ Fm : y = Ax, para algún x ∈ Fn }. (1.7)
Espacio nulo de A al conjunto
null(A) = {x ∈ Fn : Ax = 0}. (1.8)

1. preliminares 17
Teorema 1.1. Para cualquier A ∈ Cm×n ,
1. null(A) = C(A∗ )⊥ ,
2. null(A∗ ) = C(A)⊥ .
Demostración. Veamos la demostración de cada apartado:
1. Haremos la demostración por doble contención.

⊂ Sea x ∈ null(A). Entonces
< Ax, y >=< 0, y >= 0, ∀y ∈ Cm .
Como
< Ax, y > = x∗ A∗ y

=< x, A∗ y >,
se tiene que
< x, A∗ y >= 0 ⇒ x⊥A∗ y, ∀y ∈ Cm .
Por tanto,
x⊥C(A∗ ) ⇒ x ∈ C(A∗ )⊥ .
⊃ Sea x ∈ C(A∗ )⊥ . Entonces
< x, A∗ y >= 0, ∀y ∈ Cm ,
luego
< Ax, y >= 0 ⇒ Ax⊥y, ∀y ∈ Cm ,
Por lo tanto
Ax = 0 ⇒ x ∈ null(A).
2. La demostración de este apartado es análoga a la del apartado anterior, tomando

en este caso A = A∗ .
1.7 Autovalores y autovectores
Definición 1.33. Sean A ∈ Fn×n , 0 6= x ∈ Fn y λ ∈ C. Se dice que λ es un

autovalor de A asociado al autovector x si
Ax = λx.
Definición 1.34. Sea A ∈ Fn×n . Llamaremos espectro, denotado por λ(A), al con-
junto de los autovalores de A.
Definición 1.35. Sean A ∈ Fn×n y λ ∈ C un autovalor de A. Denotaremos por
subespacio propio al conjunto
Vλ = {x ∈ Fn : Ax = λx}
Denominaremos multiplicidad geométrica a la dimensión de este subespacio.

Definición 1.36. Sea A ∈ Fn×n . Llamaremos polinomio característico de A, y lo
denotaremos p(λ), al determinante de la matriz (A − λI).
Observación 1.3. Los autovalores de la matriz A son las soluciones de la ecuación
p(λ) = 0, es decir, las raíces del polinomio característico.
Definición 1.37. Sea A ∈ Fn×n y sean λ1 , . . . , λr los distintos autovalores de A.
Llamaremos multiplicidad algebraica del autovalor λj a la multiplicidad de λj como
raíz del polinomio característico.
Ejemplo 1.7.1.- Consideremos la matriz

 
−3 1 −3
A =  20 3 10  .
2 −2 4
Su polinomio característico es p(λ) = λ3 − 4λ2 − 3λ + 18 = (λ − 3)2 (λ + 2),

y por tanto, el espectro de A es λ(A) = {3, −2}, en el que el autovalor λ1 = 3
tiene una multiplicidad algebraica igual a 2, y el autovalor λ2 = −2 tiene una
multiplicidad algebraica igual a 1.
1. preliminares 19
Obtenemos los subespacios propios de la siguiente manera:

• Para λ1 = 3,
V1 (λ1 ) = null(A − λ1 I),
 
−6 1 −3
(A − 3I) =  20 0 10  .
2 −2 1
Aplicando Gauss-Jordan a la matriz (A − 3I),
    
−6 1 −3 1 0 1/2  x1 = −1/2 x3
(A−3I) = 20 0 10 G−J 0 1 0 ⇒ x = 0
 2
   
−−−→
2 −2 1 0 0 0 x3 = x3
Por tanto  
−1
V1 (λ1 ) =< v11 =  0 >.
2
Luego la multiplicidad geométrica asociada al autovalor λ1 = 3 es 1.
• Para λ2 = 2,
V1 (λ2 ) = null(A − λ2 I),
 
−1 1 −3
(A + 2I) =  20 5 10  .
2 −2 6
Aplicando Gauss-Jordan a la matriz (A + 2I),
    
−1 1 −3 1 0 1  x1 = −x3
(A+2I) = 20 5 10 G−J 0 1 −2 ⇒ x = 2 x3
 2
   
−−−→
2 −2 6 0 0 0 x3 = x3
Por tanto  
−1
V1 (λ2 ) =< v21 =  2 >.
1
Luego la multiplicidad geométrica asociada al autovalor λ2 = 2 es 1.
Proposición 1.4. Sea A ∈ Fn×n . Entonces A es invertible si y solo si 0 no es un

autovalor de A.
Demostración. ⇐ Supongamos que A es invertible.
En el caso de que A no tuviera autovalores, entonces, evidentemente, 0 no sería au-
tovalor de A.
Supongamos que para un vector x 6= 0, existe λ ∈ C tal que
Ax = λx
Como A es invertible
Ax = λx ⇒ x = λx (x 6= 0)
⇒ λ 6= 0.
⇒ Supongamos que 0 no es un autovalor de A.

Por reducción al absurdo, supongamos que A no es invertible. Entonces
det(A) = 0 = det(A − 0I),
por tanto, 0 sería un autovalor de A, lo que nos lleva a una contradicción, ya que por
hipótesis 0 no es autovalor de A.
Por consiguiente, A es no singular.
Proposición 1.5. Sean A ∈ Fn×n una matriz no singular, λ ∈ C un autovalor de

A y x ∈ Fn un autovector de A asociado al autovalor λ. Entonces x es también un
autovector de A−1 asociado al autovalor λ−1 .
Demostración. Por definición,
Ax = λx.
Como A es invertible, podemos multiplicar a izquierda por A−1 ,
A−1 Ax = A−1 λx ⇒ x = λA−1 x ⇒ λ−1 x = A−1 x.
Por tanto, x es un autovector de A−1 asociado al autovalor λ−1 .
Teorema 1.2. Sea A ∈ Fn×n una matriz normal. Si Ax = λx entonces A∗ x = λx.

1. preliminares 21
Demostración. Supongamos que Ax = λx. Como A es una matriz normal, se tiene

que:
(A − λI)(A − λI)∗ = (A − λI)(A∗ − λI) = AA∗ − λA∗ − λA + λλI,
(A−λI)∗ (A−λI) = (A∗ −λI)(A−λI) = A∗ A−λA−λA∗ +λλI = AA∗ −λA∗ −λA+λλI,
por tanto (A − λI) también es normal. Entonces,
Ax = λx ⇒ (A − λI)x = 0
⇒ k(A − λI)xk = 0 ((A − λI) normal)
∗
⇒ k(A − λI) xk = 0
⇒ k(A∗ − λI)xk = 0
⇒ kA∗ x − λxk = 0
⇒ A∗ x − λx = 0
⇒ A∗ x = λx.
Proposición 1.6. Sea A ∈ Fn×n . Entonces A es invertible si y solo si 0 no es un

autovalor de A.
Demostración. ⇐ Supongamos que A es invertible.
En el caso de que A no tuviera autovalores, entonces, evidentemente, 0 no sería au-
tovalor de A.
Supongamos que para un vector x 6= 0, existe λ ∈ C tal que
Ax = λx
Como A es invertible
Ax = λx ⇒ x = λx (x 6= 0)
⇒ λ 6= 0.
⇒ Supongamos que 0 no es un autovalor de A.

Por reducción al absurdo, supongamos que A no es invertible. Entonces
det(A) = 0 = det(A − 0I),

por tanto, 0 sería un autovalor de A, lo que nos lleva a una contradicción, ya que por
hipótesis 0 no es autovalor de A.
Por consiguiente, A es no singular.
1.8 Matriz definida positiva
Definición 1.38. Sea A ∈ Fn×n una matriz hermitiana. Decimos que A es definida
positiva si v ∗ Av > 0 para todo vector v no nulo perteneciente a Fn .
Teorema 1.3 (Caracterización de matrices definidas positivas). Sea A ∈ Fn×n ,
una matriz hermitiana. Las siguientes afirmaciones son equivalentes:
1. A es definida positiva.
2. Todos los autovalores de A son positivos.
3. La matriz A puede ser expresada como A = B ∗ B, para alguna matriz B no
singular.
Demostración. Véase [Mey00, capítulo 7, sección 6, páginas 558, 559]

Definición 1.39. Sea A ∈ Fn×n , una matriz hermitiana, decimos que A es semide-
finida positiva si v ∗ Av ≥ 0, para todo vector v no nulo perteneciente a Fn .
Teorema 1.4 (Caracterización de matrices semidefinidas positivas). Sea A ∈
Fn×n , una matriz hermitiana. Las siguientes afirmaciones son equivalentes:
1. A es semidefinida positiva.
2. Todos los autovalores de A son no negativos.
3. La matriz A puede ser expresada como A = B ∗ B, para alguna matriz B con
rango(B) = rango(A).
Demostración. Véase [Mey00, capítulo 7, sección 6, páginas 566, 567]

Definición 1.40. Sea A ∈ Fn×n , una matriz hermitiana, decimos que A es definida
negativa si v ∗ Av < 0, para todo vector v no nulo perteneciente a Fn .
Teorema 1.5 (Caracterización de matrices definidas negativas). Sea A ∈ Fn×n ,
una matriz hermitiana. Las siguientes afirmaciones son equivalentes:
1. preliminares 23
1. A es definida negativa.
2. Todos los autovalores de A son negativos.
Demostración. Partiendo de la demostración del teorema (1.3) y tomando −A en

lugar de A, obtendremos el resultado deseado.
Definición 1.41. Sea A ∈ Fn×n , una matriz hermitiana, decimos que A es semide-
finida negativa si v ∗ Av ≤ 0, para todo vector v no nulo perteneciente a Fn .
Teorema 1.6 (Caracterización de matrices semidefinidas negativas). Sea A ∈
n×n
F , una matriz hermitiana. Las siguientes afirmaciones son equivalentes:
1. A es semidefinida negativa.
2. Todos los autovalores de A son no positivos.
Demostración. Partiendo de la demostración del teorema (1.4)[página 22] y tomando

−A en lugar de A, obtendremos el resultado deseado.
Observación 1.4. Si A ∈ Fn×n no es ninguno de los tipos anteriores, (definiciones
(1.38)[página 22], (1.39)[página 22], (1.40)[página 22], (1.41)[página 23]), entonces se
dice que A es indefinida.
Ejemplo 1.8.1.-
1. Sea la matriz
 
3 2 0
A =  2 2 2 .
0 2 1
El espectro de la matriz A es λ(A) = {5, 2, −1}. Por tanto, A es indefinida.
2. La matriz identidad es definida positiva.
1.9 Descomposición en valores singulares
Lema 1.1. Sea A ∈ Cm×n , entonces
rango(AA∗ ) = rango(A) = rango(A∗ A).
Demostración. Véase [BIG03, página 46].
Observación 1.5. Como consecuencia del lema anterior, tenemos que
C(AA∗ ) = C(A) = C(A∗ A).

Definición 1.42. Sea A ∈ Cm×n r , y sean λ1 , . . . , λr los autovalores no nulos de la
matriz semidefinida positiva A∗ A. Se definen los valores singulares de A, denotados
por σj (A), j ∈ 1, r, como
q
σj (A) = + λj (A∗ A), j ∈ 1, r.
Habitualmente, los valores singulares son ordenados en forma decreciente, es decir,
σ1 ≥ σ2 ≥ · · · ≥ σr > 0.
Teorema 1.7 (Descomposición en valores singulares (SVD)). Sean A ∈ Cm×n

r
y
σ1 ≥ σ2 ≥ · · · ≥ σr > 0
los valores singulares de A.
Entonces existen matrices unitarias U ∈ Cm×m y V ∈ Cn×n tales que la matriz
 
σ1

 σ2 

 .. 
 . 
∗
 
Σm×n = U AV =   σr



 0 

 . . 
 . 
0
es diagonal.
Demostración. Véase [BIG03, página 206]
1. preliminares 25

4 11 14
A= .
8 7 −2
Calculemos la descomposición en valores singulares de A.
Calculamos At A:  
80 100 40
At A =  100 170 140  .
40 140 200
Los autovalores de la matriz At A son: λ1 = 360, λ2 = 90, λ3 = 0.
Determinamos los autovalores de At A no nulos, y ordenamos. En nuestro caso,
r = 2.
Los espacios de autovectores de At A correspondientes a cada autovalor son:
Para λ1 = 360,
V1 (λ1 ) = null(At A − λ1 I),
 
−280 100 40
(At A − 360I) =  100 −190 140 
40 140 −160
Aplicando Gauss-Jordan a la matriz (At A − 360I),
  
1 0 −1/2  x1 = 1/2x3
t
(A A − 360I) G − J 0 −1 1 ⇒ x = x3
 2
 
−−−→
0 0 0 x3 = x3
Por tanto    
1/2 1/3
1
w1 =  1  , v1 = w1 =  2/3  .
kw1 k
1 2/3
Para λ2 = 90,
V1 (λ2 ) = null(At A − λ2 I),
 
−10 100 40
(At A − 90I) =  100 80 140 
40 140 110

    
−10 100 40 1 0 1  x1 = −x3
(At A−90I) =  100 80 140  G − J  0 2 1  ⇒ x = 1/2 x3
−−−→  2
40 140 110 0 0 0 x3 = x3
Por tanto
   
−1 −2/3
1
w2 =  1/2  , v2 = w2 =  −1/3  .
kw2 k
1 2/3
Para λ3 = 0,
V1 (λ3 ) = null(At A − λ3 I),
 
80 100 40
(At A − 0I) =  100 170 140 
40 140 200
    
80 100 40 1 0 −2  x1 = 2 x3
(At A−0I) =  100 170 140  G − J  0 1 2  ⇒ x2 = −2 x3
−−−→
40 140 200 0 0 0 x3 = x3

Por tanto
   
2 2/3
1
w3 =  −2  , v3 = w3 =  −2/3  .
kw3 k
1 1/3
Una base ortonormal de autovectores de At A es:

     
1/3 −2/3 2/3
v1 =  2/3  , v2 =  −1/3  , v3 =  −2/3  ,
2/3 2/3 1/3
con vi asociado a λi .
Los valores singulares de A son:
√ √
σ1 = √360 = 6√ 10,
σ2 = 90 = 3 10.
1. preliminares 27
La matriz de valores singulares es:

√
6 10 √0 0
Σ= .
0 3 10 0
Vamos a calcular U , para ello definimos:
√
 
1/3
1 1 4 11 14 3/√10
u1 = Av1 = √  2/3  = .
σ1 6 10 8 7 −2 1/ 10
2/3
√
 
−2/3
1 1 4 11 14 1/ 10
u2 = Av2 = √  −1/3  = √ .
σ2 3 10 8 7 −2 −3/ 10
2/3
Donde {u1 , u2 } forman una base de R2 , y por tanto
√ √
3/√10 1/ √10
U= .
1/ 10 −3/ 10
La descomposición en valores singulares de A es:
√ √ √
 
1/3 2/3 2/3
3/√10 1/ √10 6 10 √0 0
A = U ΣV t =  −2/3 −1/3 2/3  .
1/ 10 −3/ 10 0 3 10 0
2/3 −2/3 1/3
1.10 Factorización de rango pleno
Definición 1.43. Sea la matriz A ∈ Cm×n . Llamaremos pivote (o término líder) de

una fila (o columna) de A, al primer elemento no nulo de dicha fila (o columna), si es
que existe alguno.
Definición 1.44. Sea la matriz A ∈ Cm×n . Se dice que A está en forma escalonada
reducida por filas si verifica:
Si A tiene una fila compuesta enteramente de ceros (fila nula), entonces todas las
filas por debajo de ella son también nulas.
Los elementos que aparecen en la misma columna que el pivote de una fila y debajo
de él son todos nulos.
El pivote de cada fila es 1.
Todas las entradas por encima del pivote son cero.
Nota 1.10. De forma análoga a la definición (1.44)[página 27] se define el concepto

de matriz en forma escalonada reducida por columnas.
Ejemplo 1.10.1.-
Consideremos las siguientes matrices:

   
1 0 0 1 1 0 0 1
A=  0 5 0 2 , B=
  0 1 1 2 ,
0 0 1 3 0 0 1 3
 
1 0 0 1
C =  0 1 0 2 ,
0 0 1 3
La matriz A no es escalonada reducida por filas, ya que el pivote de la segunda fila

no es 1. La matriz B tampoco es escalonada reducida por filas, ya que en la tercera
columna deberían ser cero todos los elementos salvo el pivote de la tercera fila. La
matriz C sí es una matriz escalonada reducida por filas.
Definición 1.45. Sea la matriz A ∈ Cm×n . Se dice que A es de rango pleno por
filas si rango(A) = m, o equivalentemente, si C(A) = Cm .
Análogamente, diremos que A es de rango pleno por columnas si rango(A) = n.

Observación 1.6. Si A ∈ Cn×n , es decir, A es una matriz cuadrada, entonces es equi-
valente ser de rango pleno por filas que ser de rango pleno por columnas.
1. preliminares 29
Definición 1.46. Sea la matriz A ∈ Cm×n . Llamaremos factorización de rango

pleno de A a una descomposición de A en el producto de una matriz de rango pleno por
columnas y una matriz de rango pleno por filas.
Lema 1.2. Sea A ∈ Cm×n
r , r > 0. Entonces, existen matrices F ∈ Cm×r
r y G ∈ Cr×n
r
tales que
A = F G.
Demostración. Véase [BIG03, página 26]
Ejemplo 1.10.2.-
 
1 2 1 2
A=  2 1 3 1 
−1 3 2 3
Calculamos una forma escalonada reducida por filas de A. Aplicamos Gauss-Jordan:

   
1 2 1 2 1 0 0 0
A =  2 1 3 1  G − J  0 1 0 1 ,
−−−→
−1 3 2 3 0 0 1 0
y, en consecuencia, rango(A) = 3. Por tanto, la matriz G es una matriz de rango pleno
por filas. Y la matriz F sería la matriz formada por las columnas básicas de A, es decir
 
1 2 1
F =  2 1 3 ,
−1 3 2
donde rango(F ) = 3, y por consiguiente, F es una matriz de rango pleno por colum-
nas. Luego, obtenemos que, una factorización de rango pleno de A es:
   
1 2 1 1 0 0 0
A = FG =  2 1 3   0 1 0 1 .
−1 3 2 0 0 1 0
1.11 Forma canónica de Jordan
Definición 1.47. Un bloque de Jordan de orden k es una matriz cuadrada con k

filas y k columnas que tiene todos los elementos de la diagonal idénticos, la línea por
encima de la diagonal está formada por unos y los restantes elementos son cero. Es decir,
B(λ) = (bij ) es un bloque de Jordan de orden k si
 
 λ 1
 λ, si i = j 
 .. ..
. .


bij = 1, si i + 1 = j , B(λ) =  ..
.
.
 

0, en otro caso  1 
λ
Ejemplo 1.11.1.-
Un bloque de Jordan de orden 1 es un número.
Un bloque de Jordan de orden 2 tiene la forma:

λ 1
.
0 λ
Y uno de orden 3:  
λ 1 0
 0 λ 1 .
0 0 λ
Definición 1.48. Un segmento de Jordan, J(λ1 ), es una matriz diagonal por blo-
ques  
J1 (λ1 ) 0 ... 0
 0 J2 (λ1 ) . . . 0 
J(λ1 ) = 
 
.. .. . .. .
.. 
 . . 
0 0 . . . Jt1 (λ1 )
1. preliminares 31
donde cada caja Jk (λ1 ) es un bloque de Jordan de un cierto orden.

Definición 1.49. Una matriz de Jordan es una matriz diagonal por bloques de
manera que cada bloque es un segmento de Jordan, es decir, una matriz J es de Jordan
si  
J(λ1 ) O ... O
 O J(λ2 ) . . . O 
J =  ..
 
.. .. .. 
 . . . . 
O O . . . J(λs )
donde cada J(λi ) es un segmento de Jordan. Dicho de otro modo, una matriz de Jordan
es una matriz diagonal por bloques, donde cada bloque es un bloque de Jordan.
Una matriz de Jordan sería, por ejemplo

 
1 1 0 0 0 0 0

 0 1 0 0 0 0 0 


 0 0 2 1 0 0 0 

0 0 0 2 0 0 0
 
 
 
 0 0 0 0 2 1 0 
 
 0 0 0 0 0 2 0 
0 0 0 0 0 0 3
Teorema 1.8 (Forma canónica de Jordan). Sean la matriz A ∈ Cn×n y {λ1 , λ2 , . . . , λs }

el conjunto de los autovalores distintos de A. Entonces, A es semejante a una matriz de
Jordan, es decir, existe una matriz P no singular tal que
 
J(λ1 ) O ... O
 O J(λ2 ) ... O 
P −1 AP = J = 
 
.. .. .. .. 
 . . . . 
O O . . . J(λs )
donde J tiene un segmento de Jordan por cada autovalor λj , j ∈ 1, s

Demostración. Véase [MS09, capítulo IV, sección 2.6]
Ejemplo 1.11.2.-
 
10 4 13
A=  5 3 7 
−9 −4 −12
cuyos autovalores son λ1 = −1 y λ2 = 1, con multiplicidades algebraicas m1 = 1 y
m2 = 2, respectivamente.
Siguiendo el proceso constructivo de la demostración del teorema, una matriz de

Jordan asociada a la matriz A sería:

−1 0 0

J=  0 1 1 
0 0 1
con matriz de paso:  
−1 1 1
P =  −1/2 1 −2  .
1 −1 0
Definición 1.50. Llamaremos índice del autovalor λi , y lo denotaremos por νλi a

la dimensión del bloque de Jordan más grande en el segmento de Jordan J(λj ).
Ejemplo 1.11.3.-
Sea la matriz J del ejemplo anterior (1.11.2, página 32)


−1 0 0

J=  0 1 1 
0 0 1
En ella, el índice del autovalor λ1 = −1 es 1, y el índice del autovalor λ2 = 1 es 2.
2 Inversas Generalizadas
En el capítulo anterior se introdujo el concepto de matriz inversa respecto de una

matriz dada, (véase definición (1.25)[página 15]). Para ello era necesario disponer de
una matriz cuadrada. Sin embargo, para numerosas aplicaciones matemáticas se ha-
ce necesario el cálculo de la inversa de matrices singulares o incluso rectangulares,
por ejemplo, para la resolución de ecuaciones matriciales lineales. Es aquí donde nace
el concepto de inversa generalizada de una matriz. En este capítulo introduciremos
dicho concepto como la única solución de un cierto conjunto de ecuaciones, estu-
diaremos algunos de los conjuntos de matrices derivados de la misma, varias de sus
propiedades más importantes y sus métodos de construcción. Será necesario para el
seguimiento de este capítulo los conceptos, resultados y notaciones del capítulo an-
terior. Las publicaciones [BIG03] y [CM09] han servido de guía para su realización.
2.1 Inversa de Moore-Penrose
Definición 2.1. Sea A ∈ Cm×n una matriz. Se llamará inversa de Moore-Penrose

de A, y la denotaremos como A+ , a toda matriz X que satisfaga las siguientes ecuaciones:
AXA = A, (1)
XAX = X, (2)
∗
(AX) = AX, (3)
(XA)∗ = XA. (4)
Observación 2.1. Sea A ∈ Cn×n una matriz. Si A es no singular, entonces X = A−1 ,

satisfaciendo las cuatro ecuaciones anteriores.
Nota 2.1. Sea A ∈ Cm×n una matriz. El conjunto A{i, j, . . . , k} denotará al conjunto
de matrices X ∈ Fn×m que satisfacen las ecuaciones (i), (j), . . . , (k). Una matrix
X ∈ A{i, j, . . . , k} es llamada { i, j,. . . , k }-inversa de A, y también A{i,j,...,k} .
Proposición 2.1. Sea A ∈ Cm×n una matriz. Si el conjunto A{1, 2, 3, 4} es no vacío,

entonces dicho conjunto está formado por un único elemento.
Demostración. Sean X, Y ∈ A{1, 2, 3, 4}. Entonces
X = XAX (por ecuación (3))

∗
= X(AX)
= XX ∗ A∗ (por ecuación (1))
∗ ∗ ∗ ∗
= XX A Y A
= X(AX)∗ (AY )∗ (por ecuación (3))
= XAXAY (por ecuación (2))
= XAY (por ecuación (1))
= XAY AY (por ecuación (4))
∗ ∗
= (XA) (Y A) Y
= A∗ X ∗ A∗ Y ∗ Y (por ecuación (1))
∗ ∗
=A Y Y
= (Y A)∗ Y (por ecuación (4))
= Y AY (por ecuación (2))
= Y.
Dada una matriz A ∈ Cm×n , sabemos ya del carácter único de la {1, 2, 3, 4}-
inversa de A. En las secciones siguientes comprobaremos que otros conjuntos A{i, j, . . . , k}
no constarán de un único elemento.
Ejemplo 2.1.1.-
Consideremos la matriz m × n
2. inversas generalizadas 35
 
σ1

 σ2 

 .. 
 . 
 
Σ= 
 σr 


 0 

 .. 
 . 
0
con σi 6= 0, i ∈ 1, r.
Entonces Σ+ es una matriz n × m de la forma:
 
1/σ1

 1/σ2 


 ... 

 
Σ+ = 
 1/σr 


 0 


 ... 

0
Se comprueba de manera muy sencilla que la matriz Σ+ es la inversa de Moore-

Penrose de la matriz Σ, mediante la multiplicación por bloques:
1. ΣΣ+ Σ = Σ,
2. Σ+ ΣΣ+ = Σ +
,
I O
3. (ΣΣ+ )∗ = = ΣΣ+ ,
O O

I O
4. (Σ+ Σ)∗ = = Σ+ Σ.
O O
Observación 2.2. Veremos en una sección posterior (sección 2.4[página 44]) algorit-
mos para el cálculo de la inversa de Moore-Penrose de una matriz dada.
Proposición 2.2. Sea H una matriz hermitiana e idempotente, entonces
H + = H.
Demostración. Comprobemos que H + = H. Para ello veamos que H satisface las

ecuaciones (1)[página 33], (2)[página 33], (3)[página 33] y (4)[página 33]:
1. HH + H = HHH = H 2 H = HH = H 2 = H,
2. H + HH + = HHH = H 2 H = HH = H 2 = H,
3. (HH + )∗ = (HH)∗ = H ∗ H ∗ = HH,
4. (H + H)∗ = (HH)∗ = H ∗ H ∗ = HH.
Luego,
H + = H.
2.2 {1}-inversas
Teorema 2.1. Sea A ∈ Cm×n

r una matriz y sean E ∈ Cm×m
m y P ∈ Cn×n
n dos
matrices tales que
Ir K
EAP = . (2.1)
O O
Entonces, para cualquier matriz L ∈ C(n−r)×(m−r) , la matriz

Ir O
X= P E (2.2)
O L
es una {1}-inversa de A.
Demostración. Reescribiendo la ecuación (2.1) como

−1 Ir K
A= E P −1 ,
O O
verificamos que

−1 Ir K −1 Ir K −1 Ir K
AXA = E P P EE P −1 =
O O O L O O

−1 Ir K
=E P −1 = A.
O O
Observación 2.3. Al ser P y E matrices no singulares, teniendo en cuenta la expre-

sión (2.2)[página 36], el rango de X será igual al rango de

Ir K
P E
O L
Luego,
rango(X) = rango(A) + rango(L) (2.3)

= r + rango(L), (2.4)
donde la matriz L es arbitraria.

Observación 2.4. Dada una matriz A ∈ Cm×n r . Sea EA = EA la forma escalonada
reducida por filas de A, donde E son las transformaciones elementales por filas de A.
Entonces, haciendo una permutación de las columnas de EA obtenemos una matriz
de la forma
Ir K
.
O O

 
−2 −4 2 2
A=  3 6 −3 −3  ,
1 2 0 1
con rango(A) = 2.
Sean  
  1 0 0 0
0 0 1  0 0 1 0 
E =  1/2 0 1  y P = 
 0
,
1 0 0 
1/2 1/3 0
0 0 0 1
que verifican
 
1 0 2 1
EAP =  0 1 0 2 
0 0 0 0
Tomemos ahora,
α
L= ,
β
donde α, β ∈ C.
Por tanto, una {1}-inversa de A es, por el teorema (2.1)[página 36]:

I2 O
X= P E=
O L
   
1 0 0 0 1 0 0  
 0 0 1 0   0 1 0  0 0 1
=   
 0 1 0 0   0 0 α 
  1/2 0 1  =
1/2 1/3 0
0 0 0 1 0 0 β
 
0 0 1
 α/2 α/3 0 
= 1/2 0 1  .

β/2 β/3 0
En este punto observamos que el conjunto A{1} no consta de un único elemento,

y que además, está formado por matrices de distinto rango. A continuación, veamos
un ejemplo:
Sean    
0 0 1 0 0 1
 1/2 1/3 0 
 y X2 =  0 0 0  .
 
X1 =   1/2 0 1   1/2 0 1 
3 2 0 0 0 0
Ambas matrices, X1 y X2 , son {1}-inversas de A; siendo
rango(X1 ) = 3 6= 2 = rango(X2 ).
Definición 2.2. Dado λ ∈ C, denotaremos por λ+ a

−1
+ λ , si λ 6= 0
λ =
0, si λ = 0

r y sea λ ∈ C. Entonces:
1. (A{1} )∗ ∈ A∗ {1}.
2. Si la matriz A es no singular, entonces A{1} = A−1 .
3. λ+ A{1} ∈ (λA){1}.
4. rango(A{1} ) ≥ rango(A).
5. Si las matrices S y T son no singulares, entonces T −1 A{1} S −1 ∈ SAT {1}.
6. AA{1} y A{1} A son idempotentes y tienen el mismo rango que A.
Demostración. Sea la matriz X ∈ A{1},
1. A∗ X ∗ A∗ = (AXA)∗ = A∗ .
2. Sea ahora A una matriz no singular, es decir, existe A−1 tal que
AA−1 = I = A−1 A.
Entonces
AA−1 A = A.
3. Sea λ ∈ C. Entonces
λAλ+ XλA = λλ+ λAXA = λA.
4. Basta tener en cuenta que el rango de un producto de matrices no es superior
al rango de cualquiera de los factores,
rango(A) = rango(AXA) ≤ rango(X)
5. Sean la matrices S y T no singulares. Entonces
SAT T −1 XS −1 SAT = SAXAT = SAT.
6. Recordemos que una matriz A se dice que es idempotente si A = A2 .
(AX)2 = AXAX = AX,
(XA)2 = XAXA = XA.
Por otro lado,
rango(XA) ≤ rango(A) = rango(AXA) ≤ rango(XA),
rango(AX) ≤ rango(A) = rango(AXA) ≤ rango(AX).
Por tanto, rango(AX) = rango(XA) = rango(A).

r . Entonces:
1. A{1} A = In si y solo si r = n. En este caso se dice que A{1} es una {1}-inversa

a izquierda de A.
2. AA{1} = Im si y solo si r = m. En este caso se dice que A{1} es una {1}-inversa
a derecha de A.
Demostración. Veamos la demostración de cada uno de los apartados del lema.
1. ⇐ Si r = n, entonces A{1} A ∈ Cn×n , y por el lema (2.1)[apartado 6, página
39], A{1} A es idempotente.
Luego,
(A{1} A)2 = A{1} A ⇒ A{1} AA{1} A(A{1} A)−1 = A{1} A(A{1} A)−1
⇒ A{1} A = In .
⇒ Supongamos que A{1} A = In , entonces rango(A{1} A) = n, y por el lema

(2.1)[apartado 6, página 39], rango(A) = n ⇒ r = n.
De manera similar probamos el punto 2 del lema.
Proposición 2.3. Sean las matrices A ∈ Cm×n y A{1} ∈ A{1}. Entonces,
C(AA{1} ) = C(A), null(A{1} A) = null(A) y C((A{1} A)∗ ) = C(A∗ ).
Demostración. Tenemos que
C(A) ⊃ C(AA{1} ) ⊃ C(AA{1} A) = C(A),
luego todos las contenciones son igualdades, y tendríamos que
C(AA{1} ) = C(A).
Análogamente,
null(A) ⊂ null(A{1} A) ⊂ null(AA{1} A) = null(A),
y por tanto
null(AA{1} ) = null(A).
Finalmente, por el lema (2.1)[apartado 1, página 39],

C(A∗ ) ⊃ C(A∗ (A{1} )∗ ) = C((A{1} A)∗ ) ⊃ C(A∗ (A{1} )∗ A∗ ) = C(A∗ ),
luego
C((A{1} A)∗ ) = C(A∗ ).
De forma más general:

Proposición 2.4. Para cualesquiera dos matrices A ∈ Cm×n y B ∈ Cn×s , se tiene
que:
1. C(AB) = C(A) si y solo si rango(AB) = rango(A), y

2. null(AB) = null(B) si y solo si rango(AB) = rango(B).
Demostración. Veamos la demostración de cada apartado
1. En primer lugar, sabemos que C(AB) ⊂ C(A).

Sea ahora x ∈ C(AB). Entonces
x = ABu = A(Bu) = Au0 ,
por tanto, x ∈ C(A).
Luego dim(C(AB)) = dim(C(A)), y en consecuencia, rango(AB) = rango(A).
2. Primeramente, sabemos que null(B) ⊂ null(AB).
Por otro lado, tenemos que la dimensión del espacio de columnas de cualquier
matriz es el número de columnas menos su rango. Entonces, como las matrices
AB y B tienen el mismo número de columnas, deben tener el mismo rango para
que null(AB) = null(B).
2.3 {1, 2}-inversas
Lema 2.3. Sea la matriz A ∈ Cm×n , y sean las matrices Y , Z ∈ A{1}, tales que
X = Y AZ.
Entonces X ∈ A{1, 2}.
Demostración. Vamos a comprobar que X ∈ A{1, 2}. Para ello, primero veremos
que cumple la propiedad (1) de la definición (2.1, página 33):
AXA = AY AZA = AZA = A.
Veamos que cumple la propiedad (2) de la definición (2.1)[página 33]:
XAX = Y AZAY AZ = Y AY AZ = Y AZ = X.
Por tanto X ∈ A{1, 2}.
Teorema 2.2 (Bjerhammar). Sean las matrices A ∈ Cm×n y X ∈ A{1}. Entonces

X ∈ A{1, 2} si y solo si rango(X) = rango(A).
Demostración. Sean A ∈ Cm×n y X ∈ Cn×m , tal que X ∈ A{1}.
⇐ Supongamos que rango(X) = rango(A).

Primeramente tenemos que C(XA) ⊂ C(A). Y sabemos por el lema (2.1)[apartado
6, página 39], que rango(XA) = rango(A). Por tanto, las dimensiones de C(XA) y
C(A) coinciden, es decir, C(XA) = C(A). Entonces, para alguna matriz Y , se cumple
que
XAY = X.
Luego
AX = AXAY = AY,
y de ahí
XAX = X.
⇒ Supongamos ahora que X ∈ A{1, 2}.

Como, en particular, X ∈ A{1}, por el lema (2.1)[apartados 6 y 4, página 39]:
rango(X) ≥ rango(A), y rango(XA) = rango(A).
Luego,
rango(X) = rango(XAX) ≤ mı́n{rango(XA), rango(X)} =

= mı́n{rango(A), rango(X)} =
= rango(A).
Por tanto, rango(X) = rango(A).
Observación 2.5. A partir del teorema (2.2)[página 42] y de la ecuación (2.3)[página

37], llegamos a que una {1}-inversa es una {1, 2}-inversa si tomamos la matriz L del
teorema (2.1)[página 36], igual a la matriz nula. Es decir,

Ir O
X= P E,
O O
donde las matrices P y E satisfacen las condiciones del teorema (2.1)[página 36].
Ejemplo 2.3.1.- Sea la matriz

 
−2 −4 2 2
A=  3 6 −3 −3 
1 2 0 1
Como comprobamos en el ejemplo (2.2.1)[página 37], la matriz

 
0 0 1
 0 0 0 
X2 =  1/2 0 1  ,

0 0 0
es una {1}-inversa de A, con rango(X2 ) = 2 = rango(A), luego, por el teorema

(2.2)[página 42], X2 es una {1, 2}-inversa de A. Cumpliéndose
   
0 0 1   0 0 1
 0 −2 −4 2 2
0 0  
  0 0 0 
X2 AX2 = 
 1/2 3 6 −3 −3    = X2 .
0 1   1/2 0 1 
1 2 0 1
0 0 0 0 0 0
2.4 {1, 2, 3}-, {1, 2, 4}-, {1, 2, 3, 4}-inversas
Bjerhammar, véase teorema (2.2)[página 42], prueba que la existencia de una {1}-
inversa de un matriz implica la existencia de una {1, 2}-inversa de dicha matriz. Sin
embargo, para la existencia de una {1, 2, 3}-inversa y una {1, 2, 4}-inversa de una
matriz dada, deberemos utilizar la {1}-inversa de una matriz relacionada con ella.
Teorema 2.3. Sea la matriz A ∈ Cm×n , entonces
Y = (A∗ A){1} A∗ ∈ A{1, 2, 3}, y
Z = A∗ (AA∗ ){1} ∈ A{1, 2, 4}.
Demostración. Probemos que Y = (A∗ A){1} A∗ ∈ A{1, 2, 3}: Sabemos que
C(A∗ A) = C(A∗ ),
y por tanto, para alguna matriz U tenemos que
A∗ = A∗ AU.
Si tomamos la traspuesta conjugada
(A∗ )∗ = (A∗ AU )∗ ; A = U ∗ A∗ A.
Luego, tomando Y = (A∗ A){1} A∗ ,
AY A = U ∗ A∗ A(A∗ A){1} A∗ U ∗ A∗ A = U ∗ A∗ A = A.
En consecuencia Y ∈ A{1}.
Por otra parte, tenemos que por el lemma (2.1)[apartado 4, página 39]
rango(Y ) ≥ rango(A).
Pero, por definición de la matriz Y , rango(Y ) ≤ rango(A∗ ) = rango(A). Lo
que nos lleva a que
rango(Y ) = rango(A),
y por el teorema (2.2)[página 42],Y ∈ A{1, 2}.
Veamos ahora que Y ∈ A{3}:
AY = U ∗ A∗ A(A∗ A){1} A∗ A = U ∗ A∗ AU, y
(AY )∗ = (U ∗ A∗ A(A∗ A){1} A∗ )∗ = U ∗ A∗ AU.
Luego
Y = (A∗ A){1} A∗ ∈ A{1, 2, 3}.
Comprobaremos a continuación que la matriz Z = A∗ (AA∗ ){1} ∈ A{1, 2, 4}:

Sabemos que
C(AA∗ ) = C(A),
y por tanto, para alguna matriz U tenemos que
A = AA∗ U.
Si tomamos la traspuesta conjugada
A = AA∗ U ; A∗ = (AA∗ U )∗ ; A∗ = U ∗ AA∗ .
Luego, tomando Z = A∗ (AA∗ ){1} ,
AZA = AA∗ (AA∗ ){1} AA∗ U = AA∗ U = A.
En consecuencia Z ∈ A{1}.
Por otra parte, tenemos que por el lemma (2.1)[apartado 4, página 39]
rango(Z) ≥ rango(A).
Pero, por definición de la matriz Z, rango(Z) ≤ rango(A∗ ) = rango(A). Lo

que nos lleva a que
rango(Z) = rango(A),
y por el teorema (2.2)[página 42], Z ∈ A{1, 2}.
Veamos ahora que Z ∈ A{4}:
ZA = A∗ (AA∗ ){1} AA∗ U = U ∗ AA∗ (AA∗ ){1} AA∗ U = U ∗ AA∗ U, y
(ZA)∗ = (A∗ (AA∗ ){1} AA∗ U )∗ = U ∗ AA∗ ((AA∗ ){1} )∗ A =

= U ∗ AA∗ ((AA∗ ){1} )∗ AA∗ U = U ∗ AA∗ U.
Luego
Z = A∗ (AA∗ ){1} ∈ A{1, 2, 4}.

−2 3 1
 
 
−2 −4 2 2  −4 6 2 
A=  3 6 −3 −3  , con A∗ = 
 2 −3 0  .

1 2 0 1
2 −3 1
Entonces
28 −13 −12
 
14  
28 −42 −8
 28 56 −26 −24 
A∗ A = 
 −13 −26 13
 , y AA∗ =  −42 63 12  ,
13 
−8 12 6
−12 −24 13 14
donde rango(A∗ A) = 2 = rango(AA∗ ).
Calculemos una {1}-inversa de (A∗ A):

Sean
   
0 1/2 1 0 1 0 0 0
 0 1/2 14/13 0   0 0 1 0 
E=   1 −1/2
 y P =  ,
0 0   0 1 0 0 
0 −1/2 −2 1 0 0 0 1
tales que
 
1 0 2 1
E(A∗ A)P =  0 1 0 2  .
0 0 0 0
Tomemos ahora,

1 0
L= .
0 1
Por tanto, una {1}-inversa de (A∗ A) es, por el teorema (2.1)[página 36]:
 
0 1/2 1 0

I2 0  1 −1/2 0 0 
X= P E=   0 1/2 14/13 0  .

0 L
0 −1/2 −2 1
Cumpliendo
(A∗ A)X(A∗ A) = A∗ A.
Calculemos ahora una {1}-inversa de (AA∗ ):

Sean
   
3/52 0 1/13 1 0 0
E 0 =  1/13 0 7/26  y P 0 =  0 0 1  ,
1/2 1/3 0 0 1 0
tales que

1 −3/2 0

E 0 (AA∗ )P 0 =  0 0 1 .
0 0 0
Tomemos ahora,

0 1
L = .
0
Por tanto, una {1}-inversa de (AA∗ ) es, por el teorema (2.1)[página 36]:
 
29/52 1/3 1/13
I2 0
X0 = P 0 E0 =  0 0 0 .
0 L0
1/13 0 7/26
Cumpliendo
(AA∗ )X 0 (AA∗ ) = AA∗ .
Por consiguiente, según el teorema (2.3)[página 44], una {1, 2, 3}-inversa de A
vendría dada por:
 
0 0 1
 0 0 0 
Y = (A∗ A){1} A∗ =   2/13 −3/13 1  .

0 0 0
Por último, una {1, 2, 4}-inversa de A sería:
−27/26 −2/3 3/26

 
−27/13 −4/3 3/13
Z = A∗ (AA∗ ){1} = 
 
.
 29/26 2/3 2/13 
31/26 2/3 11/26
Claramente, una {1, 2}-inversa de una matriz dada, A, es una {2}-inversa de

A; de forma similar, una {1, 2, 3}-inversa de A, es una {1, 3}-inversa de A y una
{2, 3}-inversa de A. De este modo, si conseguimos demostrar la existencia de una
{1, 2, 3, 4}-inversa de A, tendremos demostrada la existencia de todas las posibles
combinaciones de uno, dos o tres enteros del conjunto {1, 2, 3, 4}.
Teorema 2.4. Sea la matriz A ∈ Cm×n , entonces
A{1,4} AA{1,3} = A+ .
Demostración. Sea X = A{1,4} AA{1,3} . Por el lema (2.3)[página 41], tenemos que
X ∈ A{1, 2}.
Además, tenemos que:
AX = AA{1,4} AA{1,3} = AA{1,3} , y

XA = A{1,4} AA{1,3} A = A{1,4} A.
Pero, por definición, AA{1,3} y A{1,4} A son hermitianas. Luego
X ∈ A{1, 2, 3, 4}.

 
−2 −4 2 2
A=  3 6 −3 −3  .
1 2 0 1
En el ejemplo (2.4.1)[página 46], construimos las matrices
−27/26 −2/3 3/26

   
0 0 1
 −27/13 −4/3 3/13
 0 0 0 
  
Y = 
 2/13 −3/13 1  y Z =  29/26
,
2/3 2/13 
0 0 0 31/26 2/3 11/26
tales que Y ∈ A{1, 3} y Z ∈ A{1, 4}.
Sea ahora la matriz
−2/169 3/169
 
3/26
 −4/169 6/169 3/13 
B = ZAY = 
 6/169 −9/169 2/13  ,

10/169 −15/169 11/26
que cumple:
ABA = A,
BAB = B,
(AB)∗ = AB,
(BA)∗ = BA.
Por consiguiente, B es una {1, 2, 3, 4}-inversa de A.
Teorema 2.5 (MacDuffee). Sea A ∈ Cm×n r , con r > 0. Si A tiene una factorización
de rango pleno (véase lema (1.2)[página 29]), tal que
A = F G,
entonces
A+ = G∗ (F ∗ AG∗ )−1 F ∗ .
Demostración. En primer lugar, veamos que la matriz F ∗ AG∗ es no singular:
F ∗ AG∗ = F ∗ F GG∗ .
Por el lema (1.1)[página 24], tenemos que las matrices r×r, (F ∗ F ) y (GG∗ ), son
de rango r. Por tanto, F ∗ AG∗ es igual a producto de dos matrices no singulares
y, en consecuencia, F ∗ AG∗ es no singular. Es más
(F ∗ AG∗ )−1 = (F ∗ F GG∗ )−1 = (GG∗ )−1 (F ∗ F )−1 .
Comprobemos ahora, que la matriz X = G∗ (GG∗ )−1 (F ∗ F )−1 F ∗ ∈ A{1, 2, 3, 4}:

1.
AXA = F GG∗ (GG∗ )−1 (F ∗ F )−1 F ∗ F G = F G = A.
Luego X ∈ A{1}.
2.
XAX = G∗ (GG∗ )−1 (F ∗ F )−1 F ∗ F GG∗ (GG∗ )−1 (F ∗ F )−1 F ∗ =
= G∗ (GG∗ )−1 (F ∗ F )−1 F ∗ = X.
Luego X ∈ A{1, 2}.
3.
AX = F GG∗ (GG∗ )−1 (F ∗ F )−1 F ∗ = (AX)∗ .
Luego X ∈ A{1, 2, 3}
4.
XA = G∗ (GG∗ )−1 (F ∗ F )−1 F ∗ F G = (XA)∗ .
Por tanto, X ∈ A{1, 2, 3, 4}, siendo única según la proposición (2.1)[página 34].

 
1 2 1 2
A =  2 1 3 1 .
−1 3 2 3
En el ejemplo (1.10.2)[página 29], calculamos las matrices F y G tales que A =

F G:    
1 2 1 1 0 0 0
F =  2 1 3 , G=
  0 1 0 1 .
−1 3 2 0 0 1 0
Con lo que
1/14 −5/14
 
1/2
 1/4 −3/28 1/28 
A+ = G∗ (F ∗ AG∗ )−1 F ∗ = 
 −1/2 5/14
.
3/14 
1/4 −3/28 1/28
Teorema 2.6. Sea A ∈ Cm×n . Si A = U ΣV ∗ es una descomposición en valores

singulares de A, por el teorema (1.7)[página 24], entonces
A+ = V Σ+ U ∗ .
Demostración. Comprobaremos que A+ = V Σ+ U ∗ es la {1, 2, 3, 4}-inversa de A

viendo que satisface las ecuaciones de Moore-Penrose (definición 2.1)[página 33].
1.
AA+ A = U ΣV ∗ V Σ+ U ∗ U ΣV ∗ = U ΣΣ+ ΣV ∗ = U ΣV ∗ = A.
2.
A+ AA+ = V Σ+ U ∗ U ΣV ∗ V Σ+ U ∗ = V Σ+ ΣΣ+ U ∗ = V Σ+ U ∗ = A+ .
3.
(AA+ )∗ = (U ΣV ∗ V Σ+ U ∗ )∗ = (U ΣΣ+ U ∗ )∗ = U (Σ+ )∗ Σ∗ U ∗ =

= U ΣΣ+ U ∗ = U ΣV ∗ V Σ+ U ∗ = AA+ .
4.
(A+ A)∗ = (V Σ+ U ∗ U ΣV ∗ )∗ = (V Σ+ ΣV ∗ )∗ = V Σ∗ (Σ+ )∗ V ∗ =

= V Σ+ ΣV ∗ = V Σ+ U ∗ U ΣV ∗ = A+ A.
Por tanto A+ = V Σ+ U ∗ es la {1, 2, 3, 4}-inversa de A.
Ejemplo 2.4.4.-

4 11 14
A= .
8 7 −2
Como vimos en el ejemplo (1.9.1)[página 25], la descomposición en valores singu-

lares de A es:
√ √ √
 
1/3 2/3 2/3
3/√10 1/ √10 6 10 √0 0
A = U ΣV t =  −2/3 −1/3 2/3  .
1/ 10 −3/ 10 0 3 10 0
2/3 −2/3 1/3
Luego
√
√ √
   
1/3 −2/3 2/3 1/6 10 0√
+ + t 3/√10 1/ √10
A = V Σ U =  2/3 −1/3 −2/3   0 1/3 10  =
1/ 10 −3/ 10
2/3 2/3 1/3 0 0
 
−1/180 13/180
=  1/45 2/45  .
1/18 −1/18
2.5 {2}-inversa de rango prescrito
A partir del teorema (2.1)[página 36] sabemos cómo construir una {1}-inversa de
una matriz A ∈ Cm×n r dada, teniendo ésta un rango entre r y mı́n{m, n}, ambos in-
clusive.
También el lema (2.3)[página 41), nos da un método para construir una {1, 2}-inversa
de una matriz A ∈ Cm×n r dada, que claramente, tendría un rango ≤ r.
Destaquemos que una matriz nula m×n es una {2}-inversa de rango 0, y recordemos
que cualquier A{1,2} es una {2}-inversa de rango r, según el teorema (2.2)[página 42].
Luego, ¿sería posible encontrar una forma de construir una {2}-inversa de rango s,
arbitrario, entre 0 y r? La respuesta es afirmativa, y para ello haremos uso de la fac-
torización de rango pleno.
Dada una matriz X ∈ A{1, 2}, podemos calcular una factorización de rango pleno
de X, tal que
X = Y Z,
donde Y ∈ Cm×r
r y Z ∈ Cr×n
r , y además, como X ∈ A{2}
Y ZAY Z = Y Z.
Si multiplicamos por Y {1} a la izquierda, y por Z {1} a la derecha; y teniendo en cuenta

el lema (2.2)[página 40]
ZAY = Ir .
Notemos como Ys a la submatriz de Y consistente en sus primeras s columnas, y como
Zs a la submatriz de Z consistente en sus primeras s filas. Entonces, Ys y Zs son de
rango s, y por tanto
Zs AYs = Is .
Tomemos ahora
Xs = Ys Zs ,
donde el rango de Xs es s, y tendríamos
Xs AXs = Xs .
Nota 2.2. El conjunto A{i, . . . , j}s denotará el conjunto de todas las {i, . . . , j}-inversas
de A de rango prescrito s.
Ejemplo 2.5.1.-
Sea la matriz  
1 0 0 1
 1 1 0 0 
A= 
 0
.
1 1 0 
0 0 1 1
Calcularemos una {1}-inversa de A, (véase teorema (2.1)[página 36]), y pos-

teriormente procederemos al cálculo de una {1, 2}-inversa de A, (véase lema
(2.3)[página 41]). Del mismo modo, también podríamos emplear los procedi-
mientos descritos anteriormente para la construcción de {1, 2, 3}-inversas, {1, 2, 4}-
inversas, y {1, 2, 3, 4}-inversas (véase sección (2.4)[página 44]), ya que, en par-
ticular, todas ellas son {1, 2}-inversas.
• Cálculo de una {1}-inversa de A:

Tomemos las matrices
   
1 0 0 0 1 0 0 0
 0 1 0 0   −1 1 0 0 
P =  0 0 1 0  y E =  1 −1 1
  ,
0 
0 0 0 1 1 1 −1 1
tales que
 
1 0 0 1
 0 1 0 −1 
EAP = 
 0
.
0 1 1 
0 0 0 0
Entonces la matriz
 
1 0 0 0

I3 0  −1 1 0 0 
X=P E=  ,
0 0  1 −1 1 0 
0 0 0 0
es una {1}-inversa de A.
• Cálculo de una {1, 2}-inversa de A:
Tenemos que rango(X) = 3 = rango(A), luego por el teorema (2.2)[pá-
gina 42], la matriz X es una {1, 2}-inversa de A.
Ya tendríamos, por tanto, una {1, 2}-inversa de A de rango 3. Veamos ahora
como proceder para obtener una {1, 2}-inversa de A de rango 2.
Calculando una factorización de rango pleno de la matriz X (veáse lema (1.2)[pá-
gina 29]), obtenemos las matrices:
 
1 0 0  
 −1 1 0  1 0 0 0
Y =  1 −1 1  y Z =
  0 1 0 0 ,
0 0 1 0
0 0 0
tales que X = Y Z.
Construyamos una {1, 2}-inversa de A de rango 2:
Tomando las 2 primeras columnas de la matriz Y , y las dos primeras filas de la
matriz Z, definimos las matrices
 
1 0

 −1 1  1 0 0 0
Y2 =  1 −1  , y Z2 =
 ,
0 1 0 0
0 0
donde la matriz  
1 0 0 0
 −1 1 0 0 
X2 = Y2 Z2 = 
 1 −1 0
,
0 
0 0 0 0
es una {1, 2}-inversa de A de rango 2.
Se tiene que
X2 AX2 = X2 .
2.6 Caracterización de A{1}
La principal aplicación de {1}-inversas es su utilización para el cálculo de la solu-

ción de sistemas lineales, en los que, habitualmente, son usadas del mismo modo que
las inversas de matrices no singulares.
Teorema 2.7. Sean las matrices A ∈ Cm×n , B ∈ Cp×q y D ∈ Cm×q . Entonces, la
ecuación matricial
AXB = D, (2.5)
es compatible si y solo si para alguna A{1} , B {1} ,
AA{1} DB {1} B = D;
en cuyo caso la solución general a la ecuación (2.5) es:
X = A{1} DB {1} + Y − A{1} AY BB {1} ,
para cualquier Y ∈ Cn×p .

Demostración. ⇐ Supongamos que AA{1} DB {1} B = D. Si X = A{1} DB {1} , se
tiene que
AXB = AA{1} DB {1} B,
de donde X es solución de AXB = D.
⇒ Sea X una solución del sistema AXB = D. Entonces
D = AXB (X = A{1} DB {1} )

= AA{1} AXBB {1} B (AXB = D)
{1} {1}
= AA DB B.
Además, de D = AA{1} DB {1} B y de la definición de A{1} y B {1} , se deduce que

la matriz X de la forma:
X = A{1} DB {1} + Y − A{1} AY BB {1} ,
satisface AXB = D.
Por otro lado, sea X cualquier solución de AXB = D. Entonces, claramente,
X = A{1} DB {1} + X − A{1} AXBB {1} .
Proposición 2.5. Sean las matrices A ∈ Cm×n , B ∈ Cm×p , D ∈ Cp×q y E ∈ Cn×q .

Entonces las ecuaciones matriciales
AX = B, y XD = E, (2.6)
tienen una solución común si y solo si cada ecuación tiene una solución por separado
y
AE = BD.
Demostración. ⇐ Supongamos que cada ecuación (2.6) tiene una solución por sí
misma. Entonces, para el caso en el que AE = BD y
AA{1} B = B, y ED{1} D = E.
se tiene que, para cualesquiera A{1} , D{1}
X = A{1} B + ED{1} − A{1} AED{1} ,
es una solución común de ambas.
Por el teorema (2.7)[página 55], las dos últimas ecuaciones son equivalentes a la
consistencia de las ecuaciones (2.6) consideradas separadamente.
⇒ Supongamos que AX = B y XD = E tienen una solución en común. En-

tonces, cada ecuación tiene por si misma al menos una solución (la común) y, además
AE = AXD = BD.
Corolario 2.1. Sean las matrices A ∈ Cm×n , A{1} ∈ A{1}. Entonces
A{1} = {A{1} + Z − A{1} AZAA{1} | Z ∈ Cn×m }.
Demostración. Si aplicamos el teorema (2.7)[página 55] a la ecuación matricial AXA = A,

y sustituimos la matriz Y por A{1} + Z, obtendremos el conjunto descrito como el
conjunto de soluciones de la ecuación AXA = A.
Corolario 2.2. Sea la matriz A ∈ Cm×n y el vector b ∈ Cm . Entonces la ecuación
Ax = b, (2.7)
es compatible si y solo si, para alguna A{1} ,
AA{1} b = b,
en cuyo caso la solución general de la ecuación (2.7) es
x = A{1} b + (I − A{1} A)y,
para algún y ∈ Cn arbitrario.

Demostración. ⇐ Supongamos que AA{1} b = b. Entonces se tiene que
Ax = AA{1} b,
luego
A{1} b, es una solución de Ax = b.
⇒ Sea x una solución de la ecuación Ax = b. Entonces
b = Ax = AA{1} Ax = AA{1} b.
Además, de b = AA{1} b y de la definición de A{1} , se deduce que el vector x de la

forma:
x = A{1} b + (I − A{1} A)y,
satisface Ax = b.
Por otro lado, sea x cualquier solución de Ax = b. Entonces,
A{1} b + (I − A{1} A)x = A{1} b + x − A{1} Ax

= A{1} (b − Ax) + x (Ax − b = 0)
= x.
Teorema 2.8. Sean las matrices A ∈ Cm×n y X ∈ Cn×m . Entonces X ∈ A{1} si

y solo si, para todo b tal que Ax = b es compatible, x = Xb es una solución.
Demostración. ⇐ Denotemos por aj a la columna j-ésima de A.
Tenemos que el sistema
Ax = aj
es compatible, y Xaj , es una solución del mismo:
AXaj = aj , j ∈ 1, n.
Por tanto,
AXA = A.
Y, como consecuencia, X ∈ A{1}.
⇒ Sea X ∈ A{1}. Aplicando el corolario (2.2)[página 57], tenemos que:
AXb = b.
Luego x = Xb es una solución de la ecuación Ax = b.
2.7 Caracterización de A{1, 3}
Teorema 2.9. Sea la matriz A ∈ Cm×n . El conjunto A{1, 3} consta de todas las
soluciones X de
AX = AA{1,3} ,
donde A{1,3} es un elemento arbitrario de A{1, 3}.
Demostración. Si la matriz X satisface AX = AA{1,3} , entonces, claramente
AXA = AA{1,3} A = A,
y, además, AX es hermitiana, ya que AA{1,3} lo es por definición. Por tanto, X ∈

A{1, 3}.
Por otro lado, si X ∈ A{1, 3}, entonces
AA{1,3} = AXAA{1,3}
= (AX)∗ AA{1,3}
= X ∗ A∗ (A{1,3} )∗ A∗
= X ∗ A∗
= AX,
donde hemos usado el lema (2.1)[apartado 1, página 39].
Corolario 2.3. Sean las matrices A ∈ Cm×n y A{1,3} ∈ A{1, 3}. Entonces
A{1, 3} = {A{1,3} + (I − A{1,3} A)Z | Z ∈ Cn×m }.
Demostración. Aplicando el teorema (2.7)[página 55] a la ecuación AX = AA{1,3} y

sustituyendo Y por Z + A{1,3} , obtenemos el resultado buscado.
Teorema 2.10. Sea la matriz A ∈ Cm×n . El conjunto A{1, 4} consta de todas las
soluciones X de:
XA = A{1,4} A.
Demostración. Si la matriz X satisface XA = A{1,4} A, entonces, claramente
AXA = AA{1,4} A = A,
y, además, por definición, (A{1,4} A)∗ = A{1,4} A, luego XA = (XA)∗ .

Por tanto X ∈ A{1, 4}.
Por otro lado, si X ∈ A{1, 4}
A{1,4} A = A{1,4} AXA = A{1,4} A(XA)∗ = A∗ (A{1,4} )∗ A∗ X ∗ = A∗ X ∗ = XA,
donde hemos usado el lema (2.1)[apartado 1, página 39].
Corolario 2.4. Sean las matrices A ∈ Cm×n y A{1,4} ∈ A{1, 4}. Entonces
A{1, 4} = {A{1,4} + Y (I − AA{1,4} ) | Y ∈ Cn×m }.
Demostración. Si aplicamos el teorema (2.10)[página 59] a la ecuación XA = A{1,4} A

sustituyendo Y por Y + A{1,4} , obtenemos el resultado deseado.
2.9 Caracterización de A{2}s
Haremos notar primeramente, que siendo A ∈ Cm×n , los conjuntos A{2}0 , A{2, 3}0
y A{2, 3, 4}0 (véase nota (2.2)[página 53]) están formados por un único elemento, que
es la matriz n × m de ceros. Conociendo ya este hecho, para el resto de las secciones
consideraremos s > 0.
Teorema 2.11. Sea la matriz A ∈ Cm×n
r y 0 < s ≤ r. Entonces
A{2}s = {Y Z | Y ∈ Cn×s , Z ∈ Cs×m , ZAY = Is }.
Demostración. Sea X = Y Z, donde se satisface que Y ∈ Cn×s , Z ∈ Cs×m y

ZAY = Is . Entonces Y y Z tienen rango s y X es de rango s. Además
XAX = Y ZAY Z = Y Z = X.
Por otro lado, sea X ∈ A{2} y sea X = Y Z una factorización de rango pleno de
X. Entonces Y ∈ Cn×ss , Z ∈ Cs×m
s y
Y ZAY Z = Y Z.
Además, si Y {1} y Z {1} son {1}-inversas de A, entonces, por el lema (2.2)[página

40]
Y {1} Y = ZZ {1} = Is .
Por tanto, de Y ZAY Z = Y Z obtenemos, multiplicando a izquierda por Y {1} y a

derecha por Z {1}
Y {1} Y ZAY ZZ {1} = Y {1} Y ZZ {1} ⇒ ZAY = Is .
Proposición 2.6. Sean las ecuaciones matriciales

AX = B,
XA = D,
XAX = X.
Entonces existe a lo sumo una matriz X que satisface las 3 ecuaciones.
Demostración. Tenemos ya, por el enunciado de la proposición, que XAX = X
luego A ∈ X{1}. Por tanto, por el lema (2.1)[apartado 6, página 39]
rango(XA) = rango(X), y rango(AX) = rango(X).
En consecuencia,
rango(B) = rango(X) = rango(D).
Corolario 2.5. Sea la matriz A ∈ Cm×n

r . Entonces
A{1, 2} = {Y Z | Y ∈ Cn×r , Z ∈ Cr×m , ZAY = Ir }.
Demostración. Por el teorema (2.2)[página 42]:
A{1, 2} = A{2}r .
2.11 Caracterización de A{2, 3}s
Teorema 2.12. Sean A ∈ Cm×n

A{2, 3}s = {Y (AY )+ | AY ∈ Cm×s
s }.
Demostración. Sea X = Y (AY )+ , donde AY ∈ Cm×s
s . Tenemos que
AX = AY (AY )+ . (2.8)
(AY (AY + ))∗ = AY (AY + ), y, por tanto, AX = (AX)∗ .
Además
XAX = Y (AY )+ AY (AY )+ = Y (AY )+ = X.
Luego X ∈ A{2, 3}.
Finalmente, como X ∈ A{2} y A ∈ X{1}, de la ecuación (2.8), y del lema

(2.1)[apartado 6, página 39], obtenemos que
s = rango(AY ) = rango(AX) = rango(X).
Por otro lado, sea X ∈ A{2, 3}s . Entonces AX es hermitiana, y por el lema
(2.1)[apartado 6, página 39] AX es idempotente y de rango s, siendo A ∈ X{1}.
Asimismo, por la proposición (2.2)[página 35]
(AX)+ = AX.
De manera que
X(AX)+ = XAX = X.
En consecuencia, la matriz X es de la forma descrita en el teorema.
2.12 Caracterización de A{2, 4}s
Teorema 2.13. Sean A ∈ Cm×n

A{2, 4}s = {(AY )+ Y | Y A ∈ Cs×m
s }.
Demostración. Sea X = (Y A)+ Y , donde Y A ∈ Cs×m

s . Tenemos que
XA = (Y A)+ Y A. (2.9)
((Y A)+ Y A)∗ = (Y A)+ Y A, y, por tanto, XA = (XA)∗ .
Además
XAX = (Y A)+ Y A(Y A)+ Y = (Y A)+ Y = X.
Luego X ∈ A{2, 3}.
Finalmente, como X ∈ A{2} y A ∈ X{1}, de la ecuación (2.9), y del lema

(2.1)[apartado 6, página 39], obtenemos que
s = rango(Y A) = rango(XA) = rango(X).
Por otro lado, sea X ∈ A{2, 3}s . Entonces AX es hermitiana, y por el lema
(2.1)[apartado 6, página 39] AX es idempotente y de rango s, siendo A ∈ X{1}.
Asimismo, por la proposición (2.2)[página 35]
(XA)+ = XA.
De manera que
(XA)+ X = XAX = X.
En consecuencia, la matriz X es de la forma descrita en el teorema.

3 Inversa de Bott-Duffin
En este punto del trabajo estaríamos en disposición de hacer frente a un problema

en el que se nos planteara el cálculo de la solución general de una ecuación matricial
del tipo AXB = D, a partir de determinadas {1}-inversas que cumplieran ciertas
condiciones (véase teorema (2.7)[página 55]). Sabríamos actuar, y de manera similar,
si se nos planteara el cálculo de la solución general de una ecuación de tipo Ax = b
(véase corolario (2.2)[página 57]). Para ninguno de estos casos hemos impuesto que
nuestra solución tuviera que pertenecer a algún subespacio en especial. ¿Y si trope-
záramos con un problema de esta naturaleza, donde la solución debiera pertenecer a
un subespacio determinado? ¿Vale la pena plantearnos esta cuestión?
Fue en 1953 cuando Bott y Duffin, [BD53], introdujeron un nuevo concepto de inversa
a partir del cual resolver sistemas de ecuaciones del tipo
Ax + y = b
en los que a las incógnitas x e y se les impone la pertenencia a determinados subes-

pacios complementarios entre sí. Este concepto, que definiremos más adelante en el
capítulo como la inversa de Bott-Duffin de una matriz dada con respecto a un subes-
pacio concreto, vendrá determinado por lo que denominaremos proyector ortogonal
sobre dicho subespacio. La razón principal por la que apareció esta inversa fue para
ser aplicada a estudios de sistemas eléctricos y mecánicos. Veremos más ampliamente,
durante el desarrollo de este capítulo, cómo se generan este tipo de sistemas restrin-
gidos en la teoría de redes eléctricas y, de este modo, la aplicación de la inversa de
Bott-Duffin a esta rama.
Nos ha servido de guía, en la realización de este capítulo, la publicación [BIG03].

3.1 Matrices idempotentes y proyectores
Lema 3.1. Sea E ∈ Cn×n una matriz idempotente. Entonces:
1. Las matrices E ∗ e (I − E) son matrices idempotentes.

2. Ex = x si y solo si x ∈ C(E).
3. null(E) = C(I − E).
4. null(I − E) = C(E).
Demostración. Sea E ∈ Cn×n idempotente.
1. (E ∗ )2 = E ∗ E ∗ = (EE)∗ = E ∗ .
(I − E)2 = I 2 − 2E + E 2 = I − 2E + E = I − E.
2. ⇒ Supongamos que Ex = x. Entonces, por definición,
x ∈ C(E).
⇐ Supongamos ahora que x ∈ C(E). Entonces, por definición,
x = Ey.
En consecuencia,
Ex = E 2 y (E idempotente)
= Ey
= x.
3. Si x ∈ null(E), entonces Ex = 0 y
x = x − Ex
= (I − E)x,
de donde x ∈ C(I − E).

Recíprocamente, si existe y ∈ Cn tal que x = (I − E)y, entonces
Ex = Ey − E 2 y (E idempotente)
= Ey − Ey
= 0.
3. inversa de bott-duffin 67
4. Si x ∈ null(I − E), entonces (I − E)x = 0 y
x = x − (I − E)x
= x − x + Ex
= Ex,
de donde x ∈ C(E).
Recíprocamente, si existe y ∈ Cn tal que x = Ey, entonces
(I − E)x = (I − E)Ey
= Ey − E 2 y (E idempotente)
= Ey − Ey
= 0.
Lema 3.2. Sea E ∈ Cn×n idempotente con
E = F G, (3.1)
una factorización de rango pleno de E.

Entonces E es idempotente si y solo si GF = I.
Demostración. ⇐ Supongamos que GF = I, entonces, claramente
(F G)2 = F GF G (GF = I)
= F G.
⇒ Supongamos ahora que E es idempotente y que E = F G es una factorización

de rango pleno de E. Entonces F es de rango pleno por columnas y G es de rango
pleno por filas, luego, por el lema (2.2)[página 40],
F {1} F = GG{1} = I. (3.2)
Multiplicando la ecuación F GF G = F G por F {1} a la izquierda y por G{1} a la

derecha, y obtenemos que
F GF G = F G ⇔ F {1} F GF GG{1} = F {1} F GG{1} (F {1} F = GG{1} = I)

⇔ GF = I.
Definición 3.1. Dado un vector x ∈ Cn y un subespacio L de Cn . Llamaremos

proyección ortogonal de x sobre L, y lo denotaremos proyL (x), al vector u tal que
x = u + u0 , u ∈ L, u0 ∈ L⊥ .
Definición 3.2. Sea un vector x ∈ Cn y un subespacio L de Cn . Llamaremos pro-

yector ortogonal sobre L, y lo denotaremos PL , a la transformación lineal que a cada
vector x le asigna su proyección ortogonal sobre L.
Proposición 3.1. Sea L un subespacio de Cn y sea PL el proyector ortogonal sobre L.
Entonces la matriz representación de PL es una matriz idempotente.
Demostración. Si u ∈ L, entonces
PL u = u.
Sea x ∈ Cn , de la forma x = u + u0 , con u ∈ L, u0 ∈ L⊥ . Entonces
PL x = u.
Luego,
PL2 x = PL u = u = PL x, ∀x ∈ Cn .
Por tanto, PL2 = PL .
Proposición 3.2. Sea L un subespacio de Cn , y sea {u1 , u2 , . . . , ul } una base orto-

normal de L. Entonces
l
X
PL = ui u∗i .
i=1
Pl
Demostración. Sea M = i=1 ui u∗i .
Si w ∈ L, entonces
l
X
Mw = ui u∗i w ({u1 , u2 , . . . , ul }base ortonormal de L y w ∈ L)
i=1
= w.
Si z ∈ L⊥ , entonces
l
X
Mz = ui u∗i z ({u1 , u2 , . . . , ul }base ortonormal de L y z ∈ L⊥ )
i=1
= 0.
Sea x ∈ Cn , que escribimos como x = w + z, w ∈ L, z ∈ L⊥ . Entonces
PL x = PL w + PL z = w = M x.
Luego M es el proyector ortogonal sobre L.
Ejemplo 3.1.1.-
Sea el subespacio L definido de la siguiente manera:

   
1 1/3
L = < x1 , x2 > = <  1  ,  1/3  >
1 −2/3
Entonces, mediante Gram-Schmidt, una base ortonormal de L es:

  √   √ 
 1/√3 1/√6 
u1 =  1/√3  , u2 =  1/√6  .
−2/ 6

1/ 3

Y
     
2
X 1/3 1/3 1/3 1/6 1/6 −1/3 1/2 1/2 0
PL = ui u∗i =  1/3 1/3 1/3 +  1/6 1/6 −1/3  =  1/2 1/2 0  .
i=1 1/3 1/3 1/3 −1/3 −1/3 2/3 0 0 1
Lema 3.3. Sean A ∈ Cm×n , b ∈ Cm , y sea S un subespacio de Cn . El sistema

Ax = b, x ∈ S, (3.3)
es compatible si y solo si el sistema
APS z = b (3.4)
es compatible. En tal caso, x es una solución de (3.3) si y solo si
x = PS z,
donde z es una solución de (3.4).
Demostración. ⇐ Supongamos que APS z = b tiene solución. Entonces
Ax = b,
con x = PS z, y z cualquier solución de APS z = b.
⇒ Supongamos que la ecuación Ax = b, con x ∈ S, tiene solución. Considere-

mos z = x + y, donde x ∈ S e y ∈ S ⊥ . Entonces el proyector PS verifica
PS z = x.
Por tanto, el sistema APS z = b es compatible.
3.2 Inversa de Bott-Duffin
Teorema 3.1. Sean A ∈ Cn×n , b ∈ Cn y L un subespacio de Cn . El sistema

restringido:
Ax + y = b, x ∈ L, y ∈ L⊥ , (3.5)
es compatible si y solo si el sistema
(APL + PL⊥ )z = b (3.6)
es compatible.

x
En tal caso, es una solución de (3.5) si y solo si
y
x = PL z,
y = PL⊥ z,
donde z es una solución de (3.6).
Demostración. ⇐ Supongamos que la ecuación (APL + PL⊥ )z = b tiene solu-

ción. Entonces Ax + y = b, con x = PL z, y = PL⊥ z y z cualquier solución de
(APL + PL⊥ )z = b.
⇐ Supongamos que la ecuación Ax+y = b, con x ∈ L, y ∈ L⊥ tiene solución.

Consideremos z = x + y. Entonces los proyectores PL y PL⊥ verifican
PL z = x, PL⊥ z = y,
Luego el sistema (APL + PL⊥ )z = b es compatible.
Proposición 3.3. Si la matriz (APL + PL⊥ ) es no singular, entonces el sistema (3.5) es

compatible para todo b ∈ Cm , y la solución
x = PL (APL + PL⊥ )−1 b, y = b − Ax,
es única.
Demostración. Supongamos que (APL +PL⊥ ) es no singular. Entonces, z = (APL +
PL⊥ )−1 b, sería la solución del sistema (3.6).
Por tanto, el sistema (3.5) tendría solución
x = PL z = PL (APL + PL⊥ )−1 b,

y = b − APL z = b − Ax.
Supongamos ahora que x1 , y1 y x2 , y2 , son soluciones de (3.5). Entonces
x1 = PL (APL + PL⊥ )−1 b

= x2 ,
y1 = b − Ax1 (x1 = x2 )
= b − Ax2
= y2 .
Definición 3.3. Sea A ∈ Cn×n y sea L un subespacio de Cn . Si (APL + PL⊥ ) es no

{−1}
singular, la inversa de Bott-Duffin de A con respecto a L, denotada A(L) , es definida
como
{−1}
A(L) = PL (APL + PL⊥ )−1 .
Ejemplo 3.2.1.-
Consideremos los vectores

   
1/2 1/2
 1/2   
   1/2 
u1 =  1/2  , u2 =  ,
   
   −1/2 
   
1/2 −1/2
que son ortogonales y unitarios.
Si L = hu1 , u2 i, entonces una base ortonormal de L⊥ está formada por los vecto-
res  √   
−1/2 2 0
 √   
 1/2 2   0 
u3 =   , u4 =  √ .
   
 0   −1/2 2 
√
   
0 1/2 2
Definimos los proyectores

 
1/2 1/2 0 0
 
 1/2 1/2 0 0 
PL = u1 ut1 + u2 ut2 =  ,
 
 0 0 1/2 1/2 
 
0 0 1/2 1/2
 
1/2 −1/2 0 0
 
 −1/2 1/2 0  0
t t
PL⊥ = u3 u3 + u4 u4 =  .
 
 0
 0 1/2 −1/2 

0 0 −1/2 1/2
Si tomamos  
−1 −2 5 5
 
 0 −2 5 −5 
A= ,
 
 −5 1 −2 1 
 
−2 −1 −3 1
entonces la matriz APL + PL⊥ es no singular y la inversa de Bott-Duffin de la matriz
A es
3 3 2 2
 
 − 85 − 85 − 17 − 17 
 
 −3 −3 −2 −2 
 
A−1 −1  85 85 17 17 

(L) = P L (APL + P L⊥) =  7
.
7 1 1 

 85 − − 
 85 17 17 
 7 7 1 1 
− −
85 85 17 17
Observemos que la matriz A es no singular y su inversa de Bott-Duffin no coincide

con A−1 .
{−1}
El siguiente teorema nos muestra alguna de las propiedades de A(L) .
Teorema 3.2. Sea A ∈ Cn×n y sea L un subespacio de Cn . Si (APL + PL⊥ ) es no
singular, entonces
1. La ecuación
Ax + y = b, x ∈ L, y ∈ L⊥ , (3.7)
tiene para cada b, la única solución
{−1}
x = A(L) b, (3.8)
{−1}
y = (I − AA(L) )b. (3.9)
{−1}
2. A, PL , y A(L) satisfacen:
{−1} {−1}
PL = A(L) APL = PL AA(L) , (3.10)
{−1} {−1} {−1}
A(L) = PL A(L) = A(L) PL . (3.11)
{−1}
1. Del resultado de la proposición (3.3)[página 71], tomando PL (APL + PL⊥ )−1 = A(L) ,
se tiene que la única solución de la ecuación (3.7) es:
{−1}
x = A(L) b,
{−1} {−1}
y = b − AA(L) b = (I − AA(L) )b.
2.
{−1}
PL A(L) = PL PL (APL + PL⊥ )−1 (PL idempotente)
= PL (APL + PL⊥ )−1
{−1}
= A(L) .
{−1}
A(L) (APL + PL⊥ ) = PL (APL + PL⊥ )−1 (APL + PL⊥ ) = PL .
Si multiplicamos a derecha por PL , nos queda
{−1} {−1} {−1}
A(L) (APL + PL⊥ )PL = A(L) (APL + PL⊥ )PL = A(L) APL = PL .
{−1} {−1}
Por tanto, como A(L) (APL + PL⊥ ) = PL y A(L) APL = PL
{−1} {−1} {−1}

A(L) PL⊥ = O, y A(L) PL = A(L) .
Por otro lado, si multiplicamos (3.9) a izquierda por PL
{−1} {−1}
PL y = (PL − PL AA(L) )b =⇒ 0 = (PL − PL AA(L) )b, ∀b.
Luego,
{−1} {−1}
(PL − PL AA(L) ) = O =⇒ PL = PL AA(L) .
Proposición 3.4. Sea L un subespacio de Cn , y sea A ∈ Cn×n una matriz tal que
{−1}
< Ax, x >6= 0, ∀x ∈ L, con x 6= 0. Entonces, podemos afirmar que la matriz A(L)
existe, es decir, la matriz (APL + PL⊥ ) es no singular.
Demostración. Por reducción al absurdo, supongamos que la matriz (APL + PL⊥ ) es
singular. Entonces, el sistema
Ax + y = 0,
tiene solución no trivial para algún x ∈ L e y ∈ L⊥ . En consecuencia, Ax ∈ L⊥ y
< Ax, x >= 0.
{−1}
Luego la matriz (APL + PL⊥ ) es no singular, y por consiguiente, A(L) existe.
Hasta el momento, no hemos dado ningún resultado que relacione de manera di-
recta la inversa de Bott-Duffin con alguno de los conjuntos de {i, j, . . . , k}-inversas
de cierta matriz. Esto se debe, en mayor medida, a que no parece que exista una rela-
ción que pueda aportarnos nuevas ideas en el estudio de las redes eléctricas. Lo cierto
es que algunos autores, [CM09], analizan las redes eléctricas a partir de inversas ge-
neralizadas sin hacer uso de la inversa de Bott-Duffin.
Al principio de este capítulo se nombró [BIG03] como referencia a seguir. Aunque en
esta publicación se trabaja durante algunas secciones con la inversa de Bott-Duffin,
no se presta realmente una atención importante a su uso práctico como inversa gene-
ralizada.
{−1}
Nuestro próximo resultado establece que cuando la inversa de Bott-Duffin A(L) exis-
te, es la {1, 2}-inversa de ciertas matrices con espacio de columnas L y espacio nulo
L⊥ .
Corolario 3.1. Sea A ∈ Cn×n y sea L un subespacio de Cn . Si (APL + PL⊥ ) no
singular, entonces:
{−1} {1,2} {1,2} {1,2}
A(L) = (APL )L,L⊥ = (PL A)L,L⊥ = (PL APL )L,L⊥ .
{−1} {−1}
Demostración. Veamos que C(A(L) ) = L y null(A(L) ) = L⊥ :
Por el teorema (3.2)[página 73], tenemos que
{−1} {−1}
PL = A(L) APL = PL AA(L) ,
luego,
{−1}
dim(L) = rango(PL ) ≤ rango(A(L) ).
Del mismo modo, por el teorema (3.2)[página 73], tenemos que
{−1} {−1} {−1}
A(L) = PL A(L) = A(L) PL ,
luego,
{−1}
rango(A(L) ) ≤ rango(PL ) = dim(L).
Dado que
{−1} {−1}
C(A(L) ) ⊂ C(PL ) = L, y null(A(L) ) ⊃ null(PL ) = L⊥ ,
obtenemos que
{−1}
rango(A(L) ) = dim(L) = rango(PL ).
{−1}
Luego, por la proposición (2.4)[página 41)], teniendo en cuenta que rango(A(L) ) = rango(PL )
{−1} {−1} {−1}
y que A(L) = PL A(L) = A(L) PL , se tiene que
{−1} {−1}
C(A(L) ) = L, null((A(L) )) = L⊥ .
{−1}
Comprobemos que la matriz A(L) es una {1, 2}-inversa de APL :
{−1} {−1}
PL = A(L) APL = PL AA(L)
y
{−1} {−1} {−1}
A(L) = PL A(L) = A(L) PL .
Luego,
{−1}
APL A(L) PL = APL PL (PL idempotente)
= APL .
{−1} {−1} {−1}

A(L) APL A(L) = PL A(L)
= PL .
{−1}
Por tanto, A(L) es una {1, 2}-inversa de APL .
{−1}
Comprobemos que la matriz A(L) es una {1, 2}-inversa de PL A:
{−1} {−1}
y
{−1} {−1} {−1}
A(L) = PL A(L) = A(L) PL .
Luego,
{−1}
PL AA(L) PL A = PL PL A (PL idempotente)
= PL A.
{−1} {−1} {−1}

A(L) PL AA(L) = A(L) PL
{−1}
= A(L)
{−1}
Por tanto, A(L) es una {1, 2}-inversa de PL A.
{−1}
Comprobemos que la matriz A(L) es una {1, 2}-inversa de PL APL :
{−1} {−1}
y
{−1} {−1} {−1}
A(L) = PL A(L) = A(L) PL .
Luego,
{−1} {−1}
PL APL A(L) PL APL = PL AA(L) PL APL
{−1}
= PL AA(L) APL
= PL APL .
{−1} {−1} {−1} {−1}

A(L) PL APL A(L) = A(L) PL AA(L)
{−1}
= A(L) PL
{−1}
= A(L) .
{−1}
Por tanto, A(L) es una {1, 2}-inversa de PL APL .
3.3 Aplicación de la inversa de Bott-Duffin a redes

eléctricas
En la introducción a este capítulo nos planteamos si valía la pena, desde un punto

de vista práctico, analizar sistemas de ecuaciones en los que se restringen los subespa-
cios a los que deben pertenecer sus soluciones. Una vez que hemos estudiado este tipo
de sistemas de ecuaciones, daremos respuesta a esta pregunta. Nos introduciremos de

manera sutil en el mundo de las redes eléctricas y observaremos cómo durante ese re-
corrido van surgiendo sistemas que asociaremos rápidamente con el sistema que nos
plantearon Bott y Duffin, y que seremos capaces de resolver a partir de los resultados
que ya conocemos sobre la inversa de Bott-Duffin. Nuestro propósito final será, una
vez conectada la red correctamente, poder calcular el voltaje y la corriente de cada
elemento del sistema.
Una red eléctrica se describe, topológicamente, en terminos de su grafo consisten-

te en nodos y aristas; y, eléctricamente, en términos de sus corrientes y sus voltajes.
Definición 3.4. Un grafo queda definido por m elementos llamados nodos, que
denotaremos ni , i ∈ 1, m (gráficamente los representaremos por puntos), y n pares de
nodos no ordenados llamados aristas, que denotaremos aj , j ∈ 1, n (gráficamente los
representaremos por segmentos uniendo nodos dos a dos).
Definición 3.5. Un grafo con m nodos y n aristas, puede ser representado por una
matriz m × n llamada matriz de incidencia, que denotaremos por M = [mij ], y
definiremos de la siguiente manera:
1. La i-ésima fila de M corresponde al nodo ni , i ∈ 1, m,

2. La j-ésima columna de M corresponde a la arista aj , j ∈ 1, n,
3. Si aj = {nk , nl }, entonces

 1, si i = k
mij = −1, si i = l
0, si i 6= k, l.

Definición 3.6. Sean nk , nl , dos nodos de un mismo grafo. Se dirá que están direc-
tamente conectados si {nk , nl } o {nl , nk } es una arista, es decir, si existe una columna
de M con sus entradas distintas de cero en las filas k y l.
Definición 3.7. Sean nk , nl , dos nodos de un mismo grafo. Se dirá que están conec-
tados, si existe una sucesión de nodos, {nk , np , . . . , nq , nl }, en la que cada dos nodos
adyacentes están directamente conectados.
Nota 3.1. En el contexto de cadenas de Markov, a este tipo de grafos se los denomi-
nará grafos fuertemente conexos.
Definición 3.8. Se dirá que un grafo es conexo si cada dos nodos están conectados.
Ejemplo 3.3.1.-
Sea el grafo
representado por 4 nodos, V = {n1 , n2 , n3 , n4 }, y 6 aristas, a1 = {n1 , n2 }, a2 =

{n2 , n3 }, a3 = {n2 , n4 }, a4 = {n3 , n1 }, a5 = {n3 , n4 }, a6 = {n4 , n1 }.
Su matriz de incidencia es:

0 −1 0 −1
 
1 0
 −1 1 1 0 0 0 
M= 
 0 −1 0
.
1 1 0 
0 0 −1 0 −1 1
donde, por ejemplo, la primera columna corresponde a la arista a1 , y la primera fila

al nodo n1 .
En el grafo, todos sus nodos, dos a dos, están directamente conectados, ya que existe
una arista que une cada par de nodos, y por tanto, el grafo es conexo.
En esta sección consideraremos únicamente las redes de corriente continua. Éstas

son descritas en términos de dos variables reales, la corriente eléctrica y el poten-
cial eléctrico. Cada una de ellas será definida, dentro de nuestra representación en
el grafo, como los conjuntos de aristas y nodos, respectivamente.
Definición 3.9. Llamaremos intensidad de corriente que circula por aj , j ∈ 1, n,

y la denotaremos por yj , a la corriente eléctrica correspondiente a la arista aj . Mediremos
la intensidad de corriente en amperios. Su signo será positivo si circula en la dirección de
aj y negativo si circula en dirección contraria.
Definición 3.10. Llamaremos diferencia de tensión entre el nodo ni , i ∈ 1, m,
y algún punto de referencia, el cual puede ser otro de los nodos, y lo denotaremos pi , al
potencial correspondiente al nodo ni . Mediremos la diferencia de tensión en voltios.
Definición 3.11. Llamaremos tensión a través de la arista aj = {nk , nl }, con j ∈
1, n, k, l ∈ 1, m, y lo denotaremos por xj , j ∈ 1, n, a la diferencia de potencial
xk = p k − p l
Proposición 3.5. Sean el grafo G que define una red eléctrica y M la matriz de in-
cidencia que lo representa. Podemos establecer una relación entre el vector de ten-
siones de las aristas, x = [xj ], j ∈ 1, n, y el vector de potenciales de los nodos,
p = [pi ], i ∈ 1, m, de la siguiente forma:
x = M t p. (3.12)
Ejemplo 3.3.2.-
Consideremos la matriz de incidencia del ejemplo anterior (véase ejemplo (3.3.1)[pá-

gina 79])
0 −1 0 −1
 
1 0
 −1 1 1 0 0 0 
M=   0 −1 0
.
1 1 0 
0 0 −1 0 −1 1
El vector de tensiones x queda definido en función de las diferencias de potencial

pi , i ∈ 1, 4 de la siguiente manera
 
1 −1 0 0
1 −1 0 
 0  
  p1
 0 1 0 −1   p2 
 
x = M tp =    .
 −1 0 1 0   p3 
1 −1 
 
 0 0 p4
−1 0 0 1
Luego,


 x1 = p 1 − p 2




 x2 = p 2 − p 3
x3 = p 2 − p 4

,

 x4 = −p1 + p3
x5 = p 3 − p 4





 x = −p + p
6 1 4
donde, recordemos, xj , j ∈ 1, 6 es la tensión a través de la arista aj .
Las corrientes eléctricas y las tensiones satisfacen las leyes de Kirchhoff ([TM10a,
capítulo 25]).
Lema 3.4 (Primera ley de Kirchhoff). La suma algebraica de las variaciones de po-
tencial a lo largo de cualquier bucle o malla del circuito debe ser igual a cero.
Lema 3.5 (Segunda ley de Kirchhoff). En un punto o nudo de ramificación de un
circuito en donde puede dividirse la corriente, la suma de las corrientes que entran en
el nudo debe ser igual a la suma de las corrientes que salen del mismo.
Observación 3.1. Sean el grafo G que define una red eléctrica y M la matriz de inci-
dencia que lo representa. Sea y = [yj ], j ∈ 1, n, el vector de intensidades de corriente
que circula por las aristas del grafo. Entonces, la segunda ley de Kirchhoff puede ser
escrita de la siguiente manera:
M y = 0. (3.13)
Ejemplo 3.3.3.-
Consideremos la matriz de incidencia del ejemplo (3.3.1)[página 79]
0 −1 0 −1
 
1 0
 −1 1 1 0 0 0 
M=   0 −1 0
.
1 1 0 
0 0 −1 0 −1 1
Aplicando la segunda la segunda ley de Kirchhoff, el vector y de intensidades de

corrientes debe satisfacer la ecuación M y = 0, es decir,
 
y1
0 −1 0 −1
    
1 0  y2 
 0
 −1 1 1 0 0 0 

y3 
  0 

 0 −1 0
  = 
 0 .

1 1 0  y4 
 
0 −1 0 −1 1
 
0  y5  0
y6
Luego,


 y1 − y4 − y6 =0
−y1 + y2 + y3 =0

,

 −y2 + y4 + y5 =0
−y3 − y5 + y6

=0
donde, recordemos, yj , j ∈ 1, 6 es la intensidad de corriente que circula por la arista

aj .
Definición 3.12. A partir de la proposición (3.5)[página 80] y la observación (3.1)[pá-

gina 81], podemos definir los subespacios:
C(M t ) y null(M ).
Ambos subespacios son ortogonales y complementarios.

Observación 3.2. A partir de las ecuaciones (3.12)[página 80] y (3.13)[página 81], se

tiene que, por definición (véanse definiciones (1.7)[página 16] y (1.8)[página 16]), el
vector de tensiones x ∈ C(M t ) y el vector de intensidades de corriente y ∈ null(M ).
Por razones teóricas, algunas veces es conveniente introducir en el estudio de las

redes eléctricas algunas restricciones más a parte de las originadas por las leyes de
Kirchhoff. Siendo así, consideraremos que cada arista de nuestra red tiene un gene-
rador de voltaje en serie de vj voltios, y, un generador de corriente en paralelo de
wj amperios. De esta manera, y a partir del siguiente resultado, estableceremos una
relación entre la corriente que circula por las aristas y la tensión ([TM10a, capítulo
25]).
Lema 3.6 (Ley de Ohm). La corriente en un circuito eléctrico es directamente propor-
cional a la diferencia de potencial aplicada, e inversamente proporcional la resistencia
del mismo (medida en ohmios). Podemos expresarlo de la siguiente manera:
V
I= ,
R
donde
I = Intensidad de corriente, medida en amperios,
V = Diferencia de potencial, medida en voltios,
R = Resistencia, medida en ohmios.
Observación 3.3. Sea el grafo G que define una red eléctrica, y sean yj , xj , vj y wj ,
correspondientes a la arista aj , j ∈ 1, n. A partir de la ley de Ohm podemos establecer
la siguiente relación:
kj (xj − vj ) + (yj − wj ) = 0, j ∈ 1, n,
donde kj > 0 es la conductividad, medida en mhos (inversa de la resistencia), de la
arista aj .
Observación 3.4. Sean el grafo G que define una red eléctrica y M la matriz de inci-
dencia que lo representa. Sean v el vector de tensiones generadas y w el vector de
corrientes generadas.
Definimos la matriz A tal que

 
k1
 k2 
A= 
 
 ... 

kn
donde kj > 0 es la conductividad de la arista aj , j ∈ 1, n.
Entonces, a partir del resultado anterior, podemos establecer el siguiente sistema

restringido:
Ax + y = Av + w, x ∈ C(M t ), y ∈ null(M ).
Nota 3.2. A partir de ahora, y para lo que resta de esta sección, cuando nos refiramos
a la matriz A que representa las conductividades de las aristas, ésta será de la forma
 
k1
 k2 
A= 
 
.. 
 . 
kn
donde kj > 0 es la conductividad de la arista aj , j ∈ 1, n.
Con el siguiente resultado habremos logrado el objetivo que nos propusimos al

comenzar esta sección. Estaremos capacitados para calcular el voltaje y la corriente
de cada elemento de la red eléctrica con la que estemos trabajando.
Teorema 3.3. Sean el grafo G que define una red eléctrica, M la matriz de incidencia
que lo representa, A la matriz que representa las conductividades de las aristas y v, w,
los vectores de tensiones y corrientes generadas en cada arista, respectivamente. Sea el
sistema
Ax + y = Av + w, x ∈ C(M t ), y ∈ null(M ). (3.14)
Entonces, la inversa de Bott-Duffin de A con respecto a C(M t ) existe, es decir, la

matriz (APC(M t ) + Pnull(M ) ) es no singular; y además, la única solución del sistema
(3.14) es
{−1}
x = A(C(M t )) (Av + w),
{−1}
y = (I − AA(C(M t )) )(Av + w).
Demostración. La matriz A es una matriz definida positiva, al ser todas las conduc-
tividades mayores que cero. Por tanto, aplicando la proposición (3.4)[página 74], te-
nemos la existencia de la inversa de Bott-Duffin de A.
Como (APC(M t ) +Pnull(M ) ) es no singular, por el teorema (3.2)[página 73], tenemos

que la única solución para el sistema (3.14) es
{−1}
x = A(C(M t )) (Av + w),
{−1}
y = (I − AA(C(M t )) )(Av + w).
{−1}
Definición 3.13. Llamaremos a la matriz A(C(M t )) matriz transferencia de la
{−1}
red, donde la entrada (i, j)-ésima de A(C(M t )) es la tensión que atraviesa la arista ai , i ∈ 1, n
como resultado de introducir una fuente de corriente de 1 amperio en la arista aj , j ∈ 1, n.
Proposición 3.6. Sea A la matriz que representa las conductividades de las aristas.
Entonces, el sistema (3.14)[página 84], puede ser reescrito de la siguiente manera:
A−1 y + x = A−1 w + v, y ∈ null(M ), x ∈ C(M t ). (3.15)
En tal caso la única solución del sistema (3.15):

{−1}
y = (A−1 )(null(M )) (A−1 w + v),
{−1}
x = (I − A−1 (A−1 )(null(M )) )(A−1 w + v).
Demostración. Tenemos que la matriz A es una matriz con determinante distinto de

0, al ser una matriz diagonal con sus elementos diagonales distintos de 0. Por tanto,
A es invertible.
Sea el sistema
Ax + y = Av + w, x ∈ C(M t ), y ∈ null(M ).
Multiplicando por A−1 a izquierda tenemos que
A−1 Ax + A−1 y = A−1 Av + A−1 w, x ∈ C(M t ), y ∈ null(M ).
Es decir,
x + A−1 y = v + A−1 w, x ∈ C(M t ), y ∈ null(M ).
Luego, por el teorema (3.2)[página 73], tenemos que la única solución del sistema es
{−1}
y = (A−1 )(null(M )) (A−1 w + v),
{−1}
x = (I − A−1 (A−1 )(null(M )) )(A−1 w + v).
{−1}
Definición 3.14. Llamaremos a la matriz (A−1 )(null(M )) matriz de transferencia
dual, donde su entrada (i, j)-ésima es la intensidad de corriente en la arista ai como
resultado de introducir un generador en paralelo de 1 voltio en la arista aj .
Llegado este punto, parece adecuado que realicemos un pequeño resumen de lo

que hasta ahora hemos conseguido. Dado el grafo que define una red eléctrica, su
matriz de incidencia, las conductividades de las aristas, que definen la matriz A, el
vector v con los voltajes generados en cada arista y el vector w con las intensidades
generadas en cada arista, calculamos las soluciones
x : vector de tensiones de las aristas,
y : vector de intensidades de corriente.
3.4 Propiedad extrema de la inversa de Bott-Duffin

con aplicación a redes eléctricas
En el estudio de las redes eléctricas es importante conocer cuando el sistema con el

que estamos trabajando alcanza el régimen estacionario, es decir, el momento a partir
del cual se mantienen constantes las tensiones y corrientes.
Al finalizar esta sección tendremos los conocimientos suficientes para conocer los
valores de tensión y corriente con los que el sistema se encuentra en estado estacio-
nario.
Definición 3.15. Sea A ∈ Rn×n una matriz simétrica, y sea L un subespacio de Rn .
Sean v, w dos vectores cualesquiera de Rn . Definimos la forma cuadrática
1
q(x) = (x − v)t A(x − v) − wt x. (3.16)
2
Diremos que x es un punto estacionario de q en L si

∂
∇q(x) = q(x) , j ∈ 1, n
∂xj
es ortogonal a L, es decir,
∇q(x) ∈ L⊥ ,
donde ∇q(x) denota el gradiente de q en x.
El valor de q en un punto estacionario es llamado valor estacionario de q.
Teorema 3.4. Sea A ∈ Rn×n una matriz simétrica, y sea L un subespacio de Rn
{−1}
tal que A(L) existe. Entonces, para cualesquiera dos vectores v, w ∈ Rn , la forma
cuadrática
1
q(x) = (x − v)t A(x − v) − wt x, (3.17)
2
tiene un único valor estacionario en el subespacio L cuando

{−1}
x = A(L) (Av + w). (3.18)
De forma recíproca, si la matriz simétrica A ∈ Rn×n y el subespacio L de Rn son

tales que para cualesquiera vectores v, w ∈ Rn , la forma cuadrática (3.17) tiene un
{−1}
valor estacionario en L, entonces la matriz A(L) existe y el punto estacionario es único
para cualesquiera dos vectores v, w ∈ Rn dando (3.18).
Demostración. Sea
1
q(x) = (x − v)t A(x − v) − wt x.
2
Mediante la diferenciación de matrices, se tiene que (véase [Har08, página 299])

1
∇q(x) = (A + At )(x − v) − w
2
= A(x − v) − w.
Por la definición (3.15), para que x sea un punto estacionario en L, ∇q(x) ∈ L⊥ .
Tomando
y = −∇q(x) = −A(x − v) + w = −Ax + Av + w.
Concluimos que x es un punto estacionario de q en L si y solo si x es una solución de
Ax + y = Av + w, x ∈ L, y ∈ L⊥ . (3.19)
Por tanto, la existencia de un valor estacionario de q para cualesquiera dos vecto-

res v, w, es equivalente a que el sistema (3.19) sea compatible, es decir, a la existencia
{−1}
de A(L) , en cuyo caso,
{−1}
x = A(L) (Av + w)
es el único punto estacionario en L.
Corolario 3.2. Sea A ∈ Rn×n simétrica y definida positiva, y sea L un subespacio de

Rn . Entonces, para cualesquiera dos vectores v, w ∈ Rn , la función
1
q(x) = (x − v)t A(x − v) − wt x,
2
tiene un único mínimo en L cuando

{−1}
x = A(L) (Av + w).
Demostración. Tenemos que la matriz A es definida positiva, por tanto, por la pro-
{−1}
posición (3.4)[página 74], existe A(L) . Aplicando ahora el teorema (3.4)[página 86],
podemos afirmar que existe un único valor estacionario de q en L, que, por ser nue-
vamente A una matriz definida positiva, es un mínimo en L.
Debemos recordar, para el siguiente resultado, que representamos las redes eléc-
tricas mediante grafos consistentes en m nodos y n aristas, con
M, matriz de incidencia;
xj , tensión que atraviesa la arista aj , j ∈ 1, n;
x vector de tensiones de las aristas;
yj , intensidad de corriente en la arista aj , j ∈ 1, n;
y vector de intensidades de corriente;
kj > 0, conductancia de la arista aj , j ∈ 1, n;
A, matriz diagonal cuyos elementos distintos de 0 son las conductancias kj , j ∈ 1, n;
vj , voltaje generado por la fuente de tensión en serie con la arista aj , j ∈ 1, n;
v vector de tensiones generadas;
wj , corriente generada por la fuente en paralelo con la arista aj , j ∈ 1, n; y
w vector de corrientes generadas.
Corolario 3.3. Sean las matrices A, M , y los vectores x, y, v, w definidos arriba.
Entonces:
1. El vector x0 de tensiones en las aristas es el único que minimiza

1
q(x) = (x − v)t A(x − v) − wt x
2
t
en C(M ), y el vector y0 de intensidades de corriente en las aristas es
y0 = −∇q(x0 ) = −A(x0 − v) + w ∈ C(M t )⊥ = null(M ).
2. El vector y0 es el único que minimiza
1
p(y) = (y − w)t A−1 (y − w) − v t y
2
en null(M ), y el vector x0 es
x0 = −∇p(y0 ) = −A−1 (y0 − w) + v ∈ null(M )⊥ = C(M t ).
1. Recordemos que la matriz A de conductancias es una matriz diagonal, cuyos ele-

mentos diagonales son mayores que cero, y por tanto, por el teorema (1.3)[pá-
gina 22], A es definida positiva.
Utilizando el corolario (3.2)[página 87], tenemos, por el teorema (3.3)[página
84], que el vector x0 es el único que minimiza la función cuadrática q(x) en
C(M t ). Y, por el argumento realizado en la demostración del teorema (3.4)[pá-
gina 86],
y0 = −∇q(x0 ).
2. Sigue de la proposición (3.6)[página 85]
3.5 Recorrido bibliográfico
En esta sección se pretende hacer una breve incursión en la bibliografía actual con
el propósito de investigar cuáles han podido ser los diferentes recorridos de la inversa
de Bott-Duffin.
En secciones anteriores hemos visto como Bott-Duffin plantea, dados un subespacio
L de Cn , y una matriz A ∈ Cn×n , una solución al sistema restringido
Ax + y = b, x ∈ L, y ∈ L⊥ ,
siempre y cuando la matriz (APL + PL⊥ ) sea singular.

Pero, ¿qué ocurre con este sistema en el caso de que la matriz (APL +PL ) sea singular?.
Las siguientes definiciones y resultados nos dan una visión más general de la inversa
de Bott-Duffin:
Definición 3.16. ([Che90])
Sean la matriz A ∈ Cn×n y un subespacio L de Cn . Llamaremos inversa generali-

zada de Bott-Duffin de A con respecto a L, a la matriz
{+}
A(L) = PL (APL + PL⊥ )+ .
{+}
Observación 3.5. La matriz A(L) siempre existe, y, además, cuando (APL + PL ) es
no singular,
{+} {−1}
A(L) = A(L) .
Definición 3.17. ([LWW09])
Sean la matriz A ∈ Cn×n , y L y K dos subespacios de Cn tales que dim(L) = dim(K).

Sean PL y PK los proyectores ortogonales sobre L y K, respectivamente. Entonces, se
define la inversa generalizada de Bott-Duffin de A con respecto a L y K, como
A+
(L,K) = (PK APL )
+
{−1}
Observación 3.6. Si L = K y (APL + PL⊥ ) es no singular, entonces A+
(L,K) = A(L)
Podemos establecer una relación entre ambas inversas generalizadas de Bott-Duffin,

pero antes de ello, debemos tener en cuenta la siguiente definición
Definición 3.18. ([Che90])
Sean la matriz A ∈ Cn×n y L un subespacio de Cn . Si A∗ = A, y satisface
1. x∗ Ax ≥ 0, ∀x ∈ L,
2. x∗ Ax = 0, y x ∈ L, implica que Ax = 0,
entonces, diremos que A es una matriz L-semidefinida positiva.

Lema 3.7. ([LWW09])
Sean la matriz A ∈ Cn×n y L y K dos subespacios de Cn . Si A es una matriz

L-semidefinida positiva, entonces
{+}
A+
(L,K) = A(L) .
Veamos ahora algunas aplicaciones de la matriz A+

(L,K) .
Lema 3.8. ([LWW09]) Consideremos el sistema

Ax + y = b, x ∈ L, y ∈ L⊥ , (3.20)
siendo A ∈ Cn×n y L un subespacio de Cn .
Si el sistema (3.20) es compatible y la matriz (APL + PL⊥ ) es singular, entonces, la
solución mínimo cuadrática del mismo es
x = A+
(L,L) b
Lema 3.9. ([LWW09])
Sean ahora L y K dos subespacios de Cn tales que dim(L) = dim(K), y L ⊕

K ⊥ = Cn . Consideremos el sistema
Ax + y = b, x ∈ L, y ∈ K ⊥ . (3.21)
Entonces, el sistema (3.21) tiene solución si y solo si
(APL + PK ⊥ )u = b
tiene una solución.

Y, si el sistema (3.21) tiene una solución y la matriz (APL + PL⊥ ) es singular, entonces
la solución mínimo cuadrática del mismo es:
x = A+ +
(L,K) b, y = b − AA(L,K) b.
Hemos estudiado la inversa de Bott-Duffin, la hemos generalizado definiendo la

inversa generalizada de Bott-Duffin, y hemos visto cómo pueden estar relacionadas
entre ellas. Todo este estudio comenzó definiendo una inversa muy especial, la inversa
de Moore-Penrose (véase definición (2.1)[página 33]) ¿Nos hemos olvidado ya de ella?
El siguiente resultado nos puede ayudar a responder esta pregunta ([LWW09]). Sea
L un subespacio de Cn , y sea B una matriz tal que L = C(B)⊥ . Entonces, el sistema
Ax + y = b, x ∈ L, y ∈ L⊥ ,
es equivalente al siguiente sistema

A B x0 b
∗ =
B O y0 0
y = By0
Este tipo de sistemas son conocidos como sistemas KKT (Karush-Kuhn-Tucker).

Consideremos ahora, un sistema más general ([LW07], [WZ04], [XW07], [XWD06]).

A B x b
=
C O y 0
y = By0
donde L = C(C ∗ )⊥ , K = C(B), e y0 = By. Este sistema sería equivalente al sistema
Ax + y0 = b, x ∈ L, y0 ∈ K ⊥ ,
By = y0 .
Lema 3.10. ([LWW09])
Sea la matriz A ∈ Cn×n , y sean L y K dos subespacios de Cn . Si AL∩K ⊥ = {0},

entonces
+ !
A+ − + +

A B (L,K) (I A (L,K) A)C
= .
C O B + (I − AA+ (L,K) ) B +
(AA +
(L,K) A − A)C
+
Se han realizado muchas investigaciones sobre sistemas KKT como en [KGW00].

Pero, aunque en [KGW00] se da la condición suficiente y necesaria sobre la compati-
bilidad de un sistema KKT, el resultado no es fácil de usar. El siguiente resultado nos
da otra condición para determinar si un sistema KKT tiene solución.
Teorema 3.5. ([LWW09])
Sea el sistema KKT

A B x b
= , (3.22)
B∗ O y d
y sean G1 , G2 tales que:

A B
G1 = , G2 = (I − PG1 ) ,
B∗ O
donde PG1 = G1 G+
1 . Entonces, el sistema (3.22) tiene una solución si y solo si

b b
PG2 (I − PG1 ) = (I − PG1 ) .
d d
Cualquier solución del sistema (3.22) puede ser expresada como

+ b
y = G2 (I − PG1 ) + (I − G+ 2 G2 )z1 , ∀z1 ,
d

+ b B
x = G1 − y + (I − G+ 1 G1 )z2 , ∀z2 .
d O
Teorema 3.6. ([LWW09])
Si el sistema KKT
A B x b
= ,
B∗ O y d
tiene una solución, su solución mínimo cuadrática es:

+ b B + b
x = (I − G3 G3 ) G1 − G2 (I − PG1 ) .
d O d
Hemos visto como la inversa de Bott-Duffin nos da resultados aplicados a la exis-

tencia y el cálculo de puntos estacionarios (sección (3.4)[página 86]) y para ello siem-
pre es necesario que la matriz (APL + APL⊥ ) sea invertible. Con respecto a esto,
[Che90] añade un nuevo concepto para el que no importa si dicha matriz es singular
o no, denominado inversa generalizada de Bott-Duffin, que, como vimos anteriormen-
te, juega un papel principal en la resolución de problemas tipo
Ax + y0 = b, x ∈ L, y0 ∈ K ⊥ ,
By = y0 ,
en encontrar su conjunto de soluciones, y en su caso, la solución de norma mínima.

[LACCG14] amplía estos resultados. Nos muestra cómo varios problemas de puntos
estacionarios tienen solución en presencia de una propiedad, llamada compatibilidad,
entre un operador lineal semidefinido positivo y un subespacio cerrado contenido en
un espacio de Hilbert, y lo mismo sucede con ciertos problemas de splines abstractos.
La teoría de semigrupos también se vincula a la inversa de Bott-Duffin. [Dra14]

establece un paralelismo entre el concepto de (b, c)-pseudo-inversa de un elemento de
un anillo cualquiera, (definido en dicho artículo), y la inversa de Bott-Duffin. Además,
[Dra12] generaliza la inversa de Bott-Duffin usando las operaciones de la suma y la
diferencia en anillos, introduciendo conceptos como, por ejemplo, la (e, f )-inversa de
Bott-Duffin de un elemento a perteneciente a un semigrupo.
Incluso en el campo de la física y de la química encontramos referencia a la in-

versa de Bott-Duffin. [Kne08] y [Kne07] consideran un sistema de n partículas, con
posiciones xn y masas mn , las cuales se encuentran sujetas a s restricciones de la
forma
hj (x, t) = 0, o gj (x, ẋ) = 0, j ∈ 1, s,
donde x son todas las posiciones xn , y ẋ son las correspondientes velocidades ẋn .
Si derivamos dos veces hj (x, t) = 0 y una vez gj (x, ẋ) = 0 con respecto al tiempo,
obtenemos un conjunto de s restricciones lineales para la aceleración de las partículas,
de la forma
Aẍ = b, (3.23)
donde A es una matriz s × 3n, y b es un vector columna s-dimensional. En general,

A y b, dependen de la posición y de la velocidad de las partículas.
Una solución a la ecuación (3.23), puede ser dada a partir de la inversa de Moore-
Penrose
ẍ = A+ b + y, y ∈ null(A), A+ b ∈ PL⊥ ,
donde L es un subespacio de dimensión s de R3n .
Esta relación presenta la descomposición del vector aceleración ẍ en dos componen-
tes, una ortogonal a L, que denotaremos ẍ⊥ , la cual es conocida (ẍ⊥ = A+ b); y otra
desconocida sobre L, que denotaremos ẍk . Esta última puede ser determinada por la
segunda ley de Newton ([TM10b, página 97])
M ẍ = f + z,
donde f y z son las fuerzas que actúan sobre las partículas. En particular, f consti-
tuyen las fuerzas externas (las cuales están aplicadas a partículas del sistema debidas
a partículas o agentes que no pertenecen al sistema, como el peso y la normal), y z las
fuerzas internas o de contacto (las cuales están aplicadas a las partículas del sistema
debidas a las interacciones con otras partículas del mismo sistema, como la fuerza de
rozamiento); y M es una matriz diagonal 3n × 3n, cuyos elementos distintos de cero
son las masas de cada partícula.
Descomponiendo ẍ como ẍ = ẍ⊥ + ẍk , obtenemos que
M (ẍ⊥ + ẍk ) = f + z. (3.24)
Sustituyendo ẍ⊥ por A+ b, el sistema (3.24) quedaría:
M ẍk = M A+ b + z + f . (3.25)
Este sistema, (3.25), conocido de Bott-Duffin, constituye un sistema de 3n ecuaciones

lineales con ẍk y z como incógnitas, el cual tendrá solución siempre que
z ⊥ ẍk .
Se hace necesario el uso de la inversa de Bott-Duffin para el cálculo de la solución de

este sistema de ecuaciones cuyas incógnitas son dos vectores ortogonales.
Un planteamiento parecido se realiza en [Kne06] donde el objetivo fundamental es
el de demostrar que la mecánica Hamiltoniana puede desarrollarse sobre la base de
proyectores y matrices inversas generalizadas, usando, en particular, la inversa de
Bott-Duffin.
De una manera similar, [HK09] muestra cómo la inversa de Bott-Duffin puede ser
aplicada a las ecuaciones de movimiento que describen la evolución temporal de po-
blaciones biológicas o reacciones químicas.
Llama la atención el hecho de que todos los artículos mencionados relacionados

con la física y la química, están redactados por el mismo autor.
A modo de curiosidad, [AS03], introduce el uso de la inversa de Bott-Duffin para

el análisis de contactos dinámicos y estáticos que presentan las estructuras de mam-
postería.
Conocidas ya las referencias más actuales a la inversa de Bott-Duffin, aunque todas

ellas sean interesantes, resulta corto el recorrido de la misma. No se ha encontrado
apenas una evolución del concepto en sí, y esto es un poco decepcionante. En el año
1990 Chen ([Che90]) introdujo el concepto de inversa generalizada de Bott-Duffin,
dando un impulso a los sistemas de ecuaciones restringidos en los que no era posible
el cálculo de la inversa de Bott-Duffin. Desde entonces hasta hoy, es todo lo que se
puede contar. Sí que es cierto, que en la actualidad, el abanico de áreas en las que
se requiere el uso de la inversa de Bott-Duffin, no solamente se encuentra limitado
al análisis de sistemas eléctricos y mecánicos, que realmente fue para lo que Bott y
Duffin la destinaron ([BD53]). Sin embargo, la finalidad siempre es la misma: llegar a
un sistema de ecuaciones restringido a un subespacio de soluciones y aplicar la inversa
de Bott-Duffin para su cálculo.
4 Inversa de Drazin
Dominamos ya los conceptos, propiedades y aplicaciones de la inversa de Moore-

Penrose y la inversa de Bott-Duffin de una matriz dada. En este capítulo, introdu-
ciremos nuevas inversas generalizadas. Esta vez poseerán algunas propiedades es-
pectrales de la inversa de una matriz no singular, es decir, relativas a autovalores y
autovectores (véase sección (1.7)[página 18]). Por tanto, solo consideraremos, en este
caso, matrices cuadradas, ya que solamente ellas poseen autovalores y autovectores.
Para el desarrollo de este capítulo hemos tomado como referencia [BIG03, capítulo 4],
y [CMR76].
No está de más que recordemos las ecuaciones que debía satisfacer la inversa de
Moore-Penrose de una matriz A,
AXA = A, (1)
XAX = X, (2)
∗
(AX) = AX, (3)
(XA)∗ = XA. (4)
Son propiedades que podíamos aplicar a matrices rectangulares.

En el trascurso de este capítulo iremos poco a poco aumentando el número de estas
ecuaciones, ahora, todas ellas, solamente aplicables a matrices cuadradas,
Ak XA = Ak , (1k )
AX = XA, (5)
k k
A X = XA , (5k )
AX k = X k A. (6k )
4.1 Índice de una matriz
Definición 4.1. Sea la matriz A ∈ Cn×n . Llamaremos índice de A, y lo denotare-

mos por Ind(A), al menor entero positivo k para el cual se cumple que
rango(Ak ) = rango(Ak+1 ) (4.1)
Nota 4.1. Consideraremos que dada una matriz A ∈ Cn×n , A0 = In .
Observación 4.1. Si A ∈ Cn×n es una matriz no singular, entonces Ind(A) = 0.
Ejemplo 4.1.1.-
 
5 −9 −4
A =  6 −11 −5  ,
−7 13 6
donde rango(A) = 2.
Sea  
−1 2 1
A2 =  −1 2 1 ,
1 −2 −1
con rango(A2 ) = 1.
Sea  
0 0 0
A3 =  0 0 0  ,
0 0 0
con rango(A3 ) = 0.
Es evidente, que las potencias mayores o iguales a 3 de A serán igual a la matriz

nula, y que por tanto, el rango de todas ellas será igual a 0. En consecuencia, el menor
entero positivo k para el cual se cumple
rango(Ak+1 ) = rango(Ak ),
es 3, y, por consiguiente, el índice de A es 3.
4. inversa de drazin 99
Observación 4.2. Si A es una matriz nilpotente, entonces, el índice de A coincide con

su índice de nilpotencia. (Véanse ejemplos (4.1.1) y (1.4.4)[página 14]).
Proposición 4.1. Sea A ∈ Cn×n , y sea J una forma canónica de Jordan asociada a la
matriz A. Entonces, el índice de A coincide con el tamaño del mayor bloque de Jordan
de J asociado al autovalor 0 de A.
Demostración. Sea P una matriz invertible tal que

−1 J1 O
A = P JP = P P −1 ,
O J0
donde J0 y J1 son las partes de la matriz J correspondientes a los autovalores 0

y distintos de cero de A, respectivamente. De este modo J1 es una matriz no singular
y J0 es una matriz nilpotente.
Sea k el tamaño del mayor bloque de J0 . Entonces
J0k = O y J0k−1 6= O.
De este modo,
J1k O J1k O

−1
A =P k
P =P P −1
O J0k O O
y
J1k+1 O J1k+1 O

−1
A k+1
=P P =P P −1 .
O J0k+1 O O
Por tanto,
rango(Ak ) = rango(Ak+1 ).
Por otro lado,
J1k−1 O

A k−1
=P P −1 , donde J0k−1 6= O.
O J0k−1
Luego,
rango(Ak−1 ) > rango(Ak ).
En consecuencia, Ind(A) = k.
Ejemplo 4.1.2.-
5 −9 −4
A =  6 −11 −5  .
−7 13 6
El autovalor de A es λ1 = 0, con multiplicidad algebraica 3.
Una matriz de Jordan asociada a la matriz A es:

 
0 1 0
J =  0 0 1 ,
0 0 0
con matriz de paso:  
−1 5 1
P =  −1 6 0  .
1 −7 0
Luego el tamaño del mayor bloque de Jordan de J asociado al autovalor 0 es 3,

que coincide con el índice de A calculado en el ejemplo (4.1.1)[página 98].
Proposición 4.2. Sea A ∈ Cn×n . Si existe una matriz X ∈ Cn×n tal que se cumple
Ak+1 X = Ak , (7)
para algún entero positivo k, entonces
rango(Ak+1 ) = rango(Ak ). (4.1)
Demostración. Tenemos que
Ak+1 = Ak A ⇒ rango(Ak+1 ) ≤ rango(Ak ).
Por otro lado,
Ak = Ak+1 X ⇒ rango(Ak ) ≤ rango(Ak+1 ).
Como consecuencia, rango(Ak ) = rango(Ak+1 ).

Proposición 4.3. Sea A ∈ Cn×n . Si existe una matriz X ∈ Cn×n tal que se cumple
Ak+1 X = Ak , (7)
para algún entero positivo k, entonces se cumple para todo entero l > k.
Demostración. Supongamos que se cumple la igualdad (7) para un entero positivo k.
Sea l = k + 1,
Al+1 X = Ak+1+1 X
= AAk+1 X (por (7))
k
= AA
= Ak+1
= Al .
Teorema 4.1. Sea A ∈ Cn×n . Los siguientes enunciados son equivalentes:
a) Ind(A) = k.
b) El exponente positivo más pequeño para el cual se cumple
Ak+1 X = Ak , (7)
es k.
Demostración. Veamos la demostración de cada una de las implicaciones:

a) ⇒ b) Supongamos que el índice de A es k. Entonces, por definición, k es el menor
entero positivo para el cual se cumple
rango(Ak+1 ) = rango(Ak ).
Es decir, existe una matriz X tal que
Ak+1 X = Ak ,
ya que C(Ak+1 ) ⊂ C(Ak ) y la condición rango(Ak+1 ) = rango(Ak ) implica la igual-

dad.
Hay que probar que k es el menor que cumple que Ak+1 X = Ak .

Supongamos que s es el menor entero positivo tal que
As+1 X = As ,
luego
C(As+1 ) = C(As ),
y por tanto
rango(As+1 ) = rango(As ),
pero k es el menor entero que cumple esto. En consecuencia s = k.
b) ⇒ a) Supongamos ahora que s es el entero positivo más pequeño para el cual

se cumple
As+1 X = As ,
para cierta matriz X.
Lo que nos lleva a que

C(As+1 ) = C(As ),
y por tanto
rango(As+1 ) = rango(As ),
En consecuencia, como Ind(A) es el menor entero tal que rango(Ak+1 ) = rango(Ak ),
s = Ind(A) = k.
Lema 4.1. Sea A ∈ Cn×n y sea Ind(A) = k. Entonces:
1. Todas las matrices {Al : l ≥ k} tienen el mismo rango, el mismo espacio de

columnas y el mismo espacio nulo.
2. Sus traspuestas {(Al )t : l ≥ k} tienen todas el mismo rango, el mismo espacio
de columnas y el mismo espacio nulo.
3. Sus conjugadas traspuestas {(Al )∗ : l ≥ k} tienen todas el mismo rango, el
mismo espacio de columnas y el mismo espacio nulo.
4. Además, no existe ningún entero l menor que k tal que Al y una potencia mayor
de A (o sus traspuestas o sus conjugadas traspuestas) tengan el mismo espacio
de columnas o el mismo espacio nulo.

1. Por ser k el índice de A,
rango(Ak ) = rango(Ak+1 ).
Como consecuencia, por la proposición (2.4)[página 41],
C(Ak+1 ) = C(Ak ) y null(Ak+1 ) = null(Ak ).
Por otro lado, por la proposición (4.2)[página 100], como rango(Ak ) = rango(Ak+1 ),
Ak = Ak+1 X.
Multiplicando a izquierda por Al−k ,
Al−k Ak = Al−k Ak+1 X (l ≥ k),
o lo que es lo mismo:
Al = Al+1 X (l ≥ k).
Por tanto, todas las matrices del conjunto {Al : l ≥ k} tienen el mismo rango,
espacio de columnas y espacio nulo.
2. Partiendo de que (At )l = (Al )t , y, aplicando el apartado a) a At , obtenemos el
resultado buscado.
3. Al igual que en el apartado b), teniendo en cuenta que (A∗ )l = (Al )∗ , ahora
aplicando el apartado a) a A∗ , obtenemos el resultado deseado.
4. Supongamos que, para l < k, se cumple que
C(Al ) = C(Al+1 ).
Luego, por la proposición (2.4)[página 41],
rango(Al ) = rango(Al+1 ),
y por lo tanto,
Al+1 X = Al .
Lo que es una contradicción, ya que por hipótesis, el índice de A es k, es decir,
k es el menor entero positivo tal que
Ak+1 X = Ak .
Por consiguiente, no existe l < k tal que
C(Al ) = C(Al+1 ).
Supongamos ahora que, para l < k, se tiene que
null(Al ) = null(Al+1 ).
Luego, por la proposición (2.4)[página 41],
rango(Al ) = rango(Al+1 ).
Por lo tanto,
Al+1 X = Al .
Lo que es una contradicción, ya que por hipótesis, el índice de A es k, es decir,
k es el menor entero positivo tal que
Ak+1 X = Ak .
Por consiguiente, no existe l < k tal que
null(Al ) = null(Al+1 ).
4.2 Inversa espectral de una matriz diagonal
Al principio de este capítulo ya mencionamos que ahora nuestro propósito iba a

ser el de encontrar una inversa generalizada con ciertas propiedades espectrales de
una matriz no singular. Consideremos una matriz A ∈ Cn×n diagonalizable, siendo
{λ1 , λ2 , . . . , λn } el conjunto de sus autovalores. El objetivo es encontrar una matriz
X tal que cada autovector de A asociado a un autovalor λi ∈ λ(A), i ∈ 1, n, sea
también autovector de X asociado al autovalor λ+ (véase definición (2.2)[página 38]).
El teorema de la forma canónica de Jordan (véase teorema (1.8)[página 31]) afirma
que dada una matriz A existe una matriz P no singular tal que
AP = P J,
siendo J una matriz de Jordan, de tal forma que
J = diag(λ1 , λ2 , . . . , λn ).
Luego necesitaremos encontrar J para reemplazar los elementos de su diagonal,

λi , i ∈ 1, n, por los elementos λ+
i , i ∈ 1, n, y así obtener la matriz X. Es fácil com-
probar (véase ejemplo (2.1.1)[página 34]) que la inversa de Moore-Penrose de J es la
matriz diagonal
J + = diag(λ+ + +
1 , λ2 , . . . , λn ).
Por tanto, X debe cumplir que

XP = P J + .
Teorema 4.2. Sea A ∈ Cn×n una matriz diagonalizable, tal que λ(A) = {λ1 , λ2 , . . . , λn },
y sea X ∈ Cn×n otra matriz diagonalizable, tal que λ(X) = {λ+ + +
1 , λ2 , . . . , λn }. Enton-
ces X ∈ A{1, 2, 5}.
Demostración. A partir del teorema de la forma canónica de Jordan, teorema (1.8)[pá-
gina 31], podemos expresar las matrices A y X de la siguiente manera:
A = P JP −1 , X = P J + P −1 ,
donde P es una matriz no singular, J = diag(λ1 , λ2 , . . . , λn ) y J + = diag(λ+ + +

1 , λ2 , . . . , λn ).
Comprobemos que la matriz X es una {1, 2, 5}-inversa de A:
Satisface X la igualdad AXA = A:
AXA = P JP −1 P J + P −1 P JP −1 = P JJ + JP −1 = P JP −1 = A.
Satisface X la igualdad XAX = X:
XAX = P J + P −1 P JP −1 P J + P −1 = P J + JJ + P −1 = P J + P −1 = X.
Satisface X la igualdad AX = XA:
AX = P JP −1 P J + P −1
= P JJ + P −1 (J y J + conmutan por ser ambas diagonales)
= P J + JP −1
= P J + P −1 P JP −1
= XA.
En consecuencia, X ∈ A{1, 2, 5}.

4.3 Inversa de Drazin
Estamos ya preparados para definir la inversa de Drazin de una matriz dada, y

demostrar su existencia y unicidad.
Definición 4.2. Sea A ∈ Cn×n . Llamaremos inversa de Drazin de A o {1k , 2, 5}-
inversa de A, y la denotaremos por AD , a la matriz X ∈ Cn×n que cumple las siguientes
ecuaciones:
Ak XA = Ak , (1k )
XAX = X, (2)
AX = XA. (5)
donde k es el índice de la matriz A.

Observación 4.3. Si A ∈ Cn×n es una matriz invertible, entonces la inversa de Drazin
de A coincide con la matriz A−1 .
Ejemplo 4.3.1.-
2 0 0
A =  0 0 1 ,
0 0 0
con Ind(A) = 2.
Entonces,  
1/2 0 0
AD =  0 0 0  .
0 0 0
Se comprueban fácilmente las propiedades (1k ), (2) y (5).

Proposición 4.4. Sean las matrices A ∈ Cn×n y X ∈ Cn×n . Entonces, las ecuaciones
Ak XA = Ak , k = Ind(A), (1k )
XAX = X, (2)
AX = XA, (5)
son equivalentes al conjunto de ecuaciones
AX = XA, (5)
Ak+1 X = Ak , k = Ind(A), (7)
2
AX = X. (8)
Demostración. Veamos que de las igualdades (1k ), (2) y (5), podemos obtener (7) y
(8):
Ak+1 X = Ak AX (por (5))
= Ak XA (por (1k ))
= Ak .
AX 2 = AXX (por (5))

= XAX (por (2))
= X.
Veamos ahora, que si se cumplen las igualdades (5),(7) y (8), entonces, también se
cumplen (1k ) y (2):
XAX = AXX (por (5))

= AX 2 (por (8))
= X.
Ak XA = Ak AX (por (5))
k+1
=A A (por (7))
k
=A .
Observación 4.4. Si C ∈ Cn×n es una matriz con Ind(C) = 1 entonces,
C 2C D = C y C D C 2 = C.
Demostración. Sea C una matriz de índice 1. De la propiedad (7) se tiene que
C 2 C D = C.
Además,
C = C 2C D
= CCC D (usando dos veces la propiedad (5))
D
= C CC
= C D C 2.
Luego
C D C 2 = C.
Teorema 4.3. Sea A ∈ Cn×n , y sea Ind(A) = k. Si existe una matriz X tal que
X ∈ A{1k , 2, 5}, entonces X es la única {1k , 2, 5}-inversa de A.
Demostración. Sean X e Y ∈ A{1k , 2, 5}, y consideremos las matrices
E = AX (por propiedad (5)

= XA
F = AY (por propiedad (5)

= Y A,
Evidentemente, E y F son matrices idempotentes,
E 2 = (AX)(AX) (X ∈ A{2})
= AX
= E,
2
F = (AY )(AY ) (Y ∈ A{2})
= AY
= F.
En primer lugar veamos que E = F :
E = AX (E idempotente)
k k
=A X (Y ∈ A{1k })
= Ak Y AX k
= Al−k AY AX k (Y ∈ A{5})
k−1 k
=A Y AAX
= ... (realizando el mismo proceso)
k k
= AY A X
= F Ak X k
= F AX
= F E.
F =YA (F idempotente)
k k
=Y A (X ∈ A{1k })
= Y k Ak XA
= ... (realizando el mismo proceso)
= Y AE
= F E.
Luego E = F .
Por tanto,
X = XAX (X ∈ A{2})
= EX
= FX
= Y AX
=YE
=YF
= Y AY (Y ∈ A{2})
= Y.
Teorema 4.4. Sea A ∈ Cn×n , y sea la forma de Jordan de A

−1 J1 O
A = P JP =P P −1 ,
O J0
donde J0 y J1 son las partes de la matriz J correspondientes a los autovalores 0 y dis-

tintos de cero de A, respectivamente.
Entonces
J1−1 O

D
A =P P −1 .
O O
Demostración. Sean las matrices
−1
J1 O −1 J1 O
A=P P y X=P P −1 ,
O J0 O O
y sea k el índice de la matriz A. Recordemos que, por la proposición (4.1)[página 99],

J0k = O.
Comprobemos que Ak XA = Ak :
k
J1−1 O

J1 O −1 −1 J1 O
k
A XA = P P P P P P −1
O J0 O O O J0
k
J1k O

=P P −1
O J0k
k
J1k O

=P P −1
O O
= Ak .
Veamos que XAX = X:
J1−1 O J1−1 O

−1 J1 O −1
XAX = P P P P P P −1
O O O J0 O O
J1−1 O

=P P −1
O O
= X.
Por último, verifiquemos que AX = XA:
J1−1 O

J1 O −1
AX = P P P P −1 = I
O J0 O O
J1−1

O −1 J1 O
XA = P P P −1 = I.
O O O J0
En consecuencia, X ∈ A{1k , 2, 5}.
Ejemplo 4.3.2.-
2 −3 −5
A =  −1 4 5 .
1 −3 −4
El índice de A es igual a 1, ya que
rango(A) = rango(A2 ).
Los autovalores de A son λ1 = 0, con multiplicidad algebraica 1, y λ2 = 1, con

multiplicidad algebraica 2.
Una matriz de Jordan asociada a la matriz A sería:

 
1 0 0
J =  0 1 0 ,
0 0 0
con matriz de paso:

 
0 −1 1
P =  5/3 −1/3 −1  ,
−1 0 1
siendo  
−1 3 4
P −1 =  −2 3 5  .
−1 3 5
Por tanto, la inversa de Drazin de la matriz A sería:

   
1 0 0 2 −3 −5
AD = P  0 1 0  P −1 =  −1 4 5  = A.
0 0 0 1 −3 −4
Observación 4.5. Los teoremas (4.3) y (4.4) garantizan la existencia y unicidad de la

inversa de Drazin para una matriz dada.
Teorema 4.5. Sea la matriz A ∈ Cn×n , con Ind(A) = k ≥ 1. Entonces A puede
expresarse como
A = C + N,
donde C es una matriz de índice 1, N es una matriz nilpotente de índice k, de manera
que
C = A2 AD y N = A(I − AD A),
y además
CN = N C = O.
Esta descomposición se denomina descomposición corenilpotente de A.

Demostración. Supongamos que el índice de A es mayor o igual que 1.
Sea P una matriz no singular tal que

−1 J1 O
A = P JP = P P −1 ,
O J0
donde J es la forma canónica de Jordan asociada a la matriz A, J0 y J1 son las
partes de la matriz J correspondientes a los autovalores 0 y distintos de cero de
A, respectivamente. De este modo J1 es una matriz no singular y J0 es una matriz
nilpotente.
Sean
J1 O −1 O O
C=P P , yN =P P −1 ,
O O O J0
que verifican
A = C + N.
Es claro que el índice de la matriz C es 1, ya que es el tamaño del mayor bloque

asociado al autovalor 0 de C (todos los bloques son de tamaño 1).
N es una matriz nilpotente de índice k, ya que el tamaño de su mayor bloque de Jordan
asociado al autovalor 0 coincide con el de A.
Además, se tiene que

J1 O −1 O O
CN = P P P P −1 = O,
O O O J0
y
O O −1 J1 O
NC = P P P P −1 = O.
O J0 O O
Por último,
J12 O J1−1 O

−1 −1 J1 O
2 D
A A =P P P P =P P −1 = C.
O J02 O O O O
N = A − C = A − A2 AD = A(I − AAD ).
Observación 4.6. En las condiciones del teorema (4.5), si

J1 O
A=P P −1 ,
O J0
donde A = C + N , es la descomposición corenilpotente de A, entonces se tiene que

2 −1
J1 O −1 J1 O −1 J1 O
2 D
C=A A =P P P P =P P −1 ,
O J02 O O O O

J1 O −1 J1 O −1 O O
D
N = A(I−AA ) = A−A A = P 2 D
P −P P =P P −1 .
O J0 O O O J0
Proposición 4.5. En las condiciones del teorema anterior (4.5), se tiene que:
1. C D N = N C D = O.
2. C D = AD .
3. C D (I − AD A) = O.
Demostración. Sean las matrices

J1 O −1 J1 O −1 O O
A=P P , C=P P yN =P P −1 ,
O J0 O O O J0
tales que A = C + N .
Veamos la demostración de cada uno de los apartados:
1.
J1−1 O

−1 O O
D
C N =P P P P −1 = O
O O O J0
−1
O O J1 O
N CD = P P −1 P P −1 = O,
O J0 O O
luego, C D N = N C D = O.
2. Por el teorema (4.4)[página 110], la expresión para la inversa de Drazin de la
matriz C es: −1
J1 O
D
C =P P −1 ,
O O
que coincide con AD .
3.
C(I − AD A) = C − CAD A (AD = C D )
= C − CC D A (C D C = CC D )
= C − C D CA (A = C + N )
= C − C D C(C + N )
= C − C D CC + C D CN (CN = O, C D C 2 = C)
= C − C = O.
Lema 4.2. Sean las matrices A, B ∈ Cn×n , con Ind(A) = k, tal que A = C + N es
la descomposición corenilpotente de A. Si AB = BA, entonces la matriz B es de la
forma
B1 O
B=P P −1 ,
O B4
cumpliéndose las igualdades:
1. AD B = BAD ,
2. AB D = B D A,
3. AD B D = B D AD = (AB)D ,
4. C D CB = BCC D , y
5. N s B = BN s , ∀s ≥ 0.
Si además, null(A) ∩ null(B) = {0}, entonces B4 es no singular y
(I − AAD )BB D = (I − AAD ).
Demostración. Sean las matrices:

J1 O −1 J1 O
A=P P , C =P P −1 , y
O J0 O O

O O
N =P P −1 ,
O J0
donde P es una matriz no singular, J es la forma canónica de Jordan asociada a la

matriz A, J0 y J1 son las partes de la matriz J correspondientes a los autovalores 0
y distintos de cero de A, respectivamente. De este modo J1 es una matriz no singular
y J0 es una matriz nilpotente.
Podemos escribir la matriz B de la forma

B1 B2
B=P P −1 ,
B3 B4
para ciertas matrices Bi , i ∈ 1, 4.
Como AB = BA, se tiene:

J1 O −1 B1 B2 −1 J1 B1 J1 B2
AB = P P P P =P P −1
O J0 B3 B4 J0 B3 J0 B4
y

B1 B2 −1 J1 O −1 B1 J1 B2 J0
BA = P P P P =P P −1 .
B3 B4 O J0 B3 J1 B4 J0
Luego debe cumplirse que:
J1 B1 = B1 J1 , J1 B2 = B2 J0 , J0 B3 = B3 J1 , J0 B4 = B4 J0 . (4.1)
Si J1 B2 = B2 J0 , entonces por inducción, se tiene que
J1s B2 = J1 (J1s−1 B2 )
= J1 B2 J0s−1
= B2 J0 J0s−1
= B2 J0s .
En particular, para k se tiene que J1k B2 = B2 J0k .
Como J0 es una matriz nilpotente de índice k, es decir, J0k = O, entonces B2 J0k =

O. Luego J1k B2 = O, y como la matriz J1k es invertible, se tiene que B2 = O. De
forma similar obtenemos que B3 = O. Luego, la matriz B es de forma:

B1 O
B=P P −1 .
O B4
Probemos ahora las igualdades:
1. AD B = BAD :
−1 −1
J1 O −1 B1 O −1 J1 B1 O
D
A B=P P P P = P P −1
O O O B4 O O
y
J1−1 O B1 J1−1 O

B1 O −1 −1
D
BA = P P P P = P P −1
O B4 O O O O
Queda comprobar, por tanto, que J1−1 B1 = B1 J1−1 .
J1−1 B1 = J1−1 B1 J1 J1−1 (por la ecuación (4.1))

= J1−1 J1 B1 J1−1
= B1 J1−1 .
Se tiene, por tanto, que AD B = BAD .
2. AB D = B D A:
Tomemos ahora
J1 O
B=P P −1 ,
O J0
y
A1 O
A=P P −1 .
O A4
Entonces
J1−1 O J1−1 A1 O

−1 A1 O −1
D
B A=P P P P = P P −1
O O O A4 O O
y
J1−1 O A1 J1−1 O

A1 O −1 −1
AB = P D
P P P = P P −1
O A4 O O O O
Queda comprobar, por tanto, que J1−1 A1 = A1 J1−1 .
J1−1 A1 = J1−1 A1 J1 J1−1 (por la ecuación (4.1))

= J1−1 J1 A1 J1−1
= A1 J1−1 .
Llegando así a que AB D = B D A.
3. AD B D = B D AD = (AB)D :
Tenemos que
−1 D −1 D
J1 O −1 B1 O −1 J1 B1 O
D D
A B =P P P P =P P −1 ,
O O O B4D O O
y
B1D O J1−1 O B1D J1−1 O

−1 −1
D
B A =P D
P P P =P P −1 .
O B4D O O O O
Veamos que J1−1 B1D = B1D J1−1 . Hemos comprobado en la demostración de

la igualdad (1) que J1−1 B1 = B1 J1−1 . Además, por el apartado (2) tenemos
que si dos matrices A y B conmutan, entonces AB D = B D A. Como J1−1
y B1D conmutan, entonces, tenemos que J1−1 B1D = B1D J1−1 . Obteniendo así
que AD B D = B D AD .
Para finalizar este apartado nos queda probar que AD B D = B D AD = (AB)D .
Para ello verificaremos que la matriz (AD B D ) es la inversa de Drazin de (AB).
Sea l el índice de la matriz (AB).
(AB)l (AD B D )(AB) = (AB)l AD AB D B( por apartado (2) )

Quedando
(J1 B1 )l
D
O B1 B1 O
l D D
(AB) (A B )(AB) = P P −1 (Ind(AB) = l)
O (J0 B4 )l O B4D B4
(J1 B1 )l O
D
B1 B1 O
=P D P −1
O O O B4 B4
l D

(J1 B1 ) B1 B1 O
=P P −1
O O
Por la proposición (4.3)[página 101], como l ≥ k, tenemos que B1l B1D B1 = B1l .
Por tanto,
(J1 B1 )l O

l D D
(AB) (A B )(AB) = P P −1
O O
= (AB)l
(AD B D )AB(AD B D ) = AD AB D BAD B D (por apartado (2))

= AD AB D AD BB D (por apartado (1))
D D D D
= A AA B BB (por apartado (3))
D D
=A B
Finalmente,
AD B D AB = AD AB D B (por apartado (2))

= AAD BB D (por propiedad (5) de la inversa de Drazin)
D D
= ABA B (por apartado (1)).
Por consiguiente, la matriz AD B D es la inversa de Drazin de (AB), o lo que es

lo mismo, AD B D = (AB)D .
4. C D CB = BCC D :
−1
J1 O −1 J1 O −1 B1 O
D
C CB = P P P P P P −1
O O O O O B4

B1 O
=P P −1
O O
y
−1
B1 O −1 J1 O −1 J1 O
BC C = P D
P P P P P −1
O B4 O O O O

B1 0
=P P −1 .
O 0
En consecuencia,
C D CB = BCC D .
5. N s B = BN s , ∀s ≥ 0:

O O −1 B1 O −1 O O
s
N B=P P P P =P P −1 ,
O J0s O B4 O J0s B4
y

B1 O −1 O O −1 O O
s
BN = P P P P =P P −1 .
O B4 O J0s O B4 J0s
Para obtener la igualdad buscada nos quedaría demostrar que J0s B4 = B4 J0s .
J0s B4 = J0s−1 J0 B4 (por la ecuación (4.1))

= J0s−1 B4 J0 (usando de nuevo la ecuación (4.1) s − 1 veces)
= B4 J0s .
Obteniendo finalmente que N s B = BN s , ∀s ≥ 0.
Supongamos ahora que AB = BA y null(A) ∩ null(B) = {0}. Entonces

−1
J1 O −1 J1 O −1 I O
D
I − AA = I − P P P P =I −P P −1
O J0 O O O O

O O
=P P −1 ,
O I
y
B1D O B1 B1D

B1 O −1 −1 O
D
BB = P P P P =P P −1 .
O B4 O B4D O B4 B4D
Luego
B1 B1D

O O −1 O −1 O O
D
(I − AA )BB = P D
P P P =P P −1 .
O I O B4 B4D O B4 B4D
Si la matriz B4 fuera invertible, entonces B4D = B4−1 , y en consecuencia, B4 B4D = I.

Por tanto, nos queda demostrar, para obtener la igualdad buscada, que B4 es no sin-
gular.
Por un cambio de base asociado a la matriz P , podemos suponer:

J1 O B1 O
A= , yB= .
O O O B4
Si J0 = O, se tiene que

J1 O B1 O
A= , yB= .
O O O B4
Supongamos que J1 y B1 son matrices pertenecientes a Cr×r , por tanto, B4 ∈ C(n−r)×(n−r) .

Entonces
null(A) =< er+1 , er+2 , . . . , en >⊂ Cn .
Como null(A) ∩ null(B) = {0}, todo vector de la forma

0
, con v ∈ Cn−r , v 6= 0,
v
no puede pertenecer a null(B). Entonces

0 n 0
B 6= 0 ∈ C =⇒ 6= 0, ∀v 6= 0.
v B4 v
En consecuencia, null(B4 ) = {0} ∈ Cn−r , y, por tanto, la matriz B4 es invertible.
Consideremos ahora el caso en el que J0 6= O. Supongamos que existe un vector

v ∈ Cn , v 6= 0, tal que
v ∈ null(B4 ).
Como AB = BA se tiene, por la ecuación (4.1), que J0 B4 = B4 J0 , y con ello se llega
a que
J0p B4 = B4 J0p , ∀p ≥ 0.
En consecuencia,
J0p B4 v = B4 J0p v = 0,
y, por tanto,
J0p v ∈ null(B4 ).
Como J0 es una matriz nilpotente de índice k, se tiene que:
J0k−1 v 6= 0, pero J0k v = 0.
Construimos un vector w ∈ Cn tal que

0
w= , con w 6= 0.
J0k−1 v
De donde

J1 O 0 0
Aw = = = 0 ∈ Cn .
O J0 J0k−1 v J0k v

B1 O 0 0
Bw = = = 0 ∈ Cn .
O B4 J0k−1 v B4 J0k−1 v
Y, como consecuencia, w ∈ null(A) ∩ null(B), w 6= 0, lo que es una contradicción,
ya que, por hipótesis, null(A) ∩ null(B) = {0}. Por tanto, null(B4 ) = {0}, y, por
consiguiente, B4 es invertible.
4.4 Aplicaciones de la inversa de Drazin a sistemas

de ecuaciones diferenciales
Durante todo el desarrollo de esta sección consideraremos A, B y G matrices

pertenecientes a Cn×n , y x, y y f funciones diferenciables de valor vectorial de la
variable real t.
Estudiado el concepto de inversa de Drazin para matrices cuadradas nos aden-

traremos ahora en una de sus aplicaciones más importantes. Llegaremos a resolver
sistemas lineales de ecuaciones diferenciales de la forma
Ax0 + Bx = f .
El lector quizás estará pensando que este resultado ya es estudiado por la teoría clá-
sica de ecuaciones diferenciales, sin embargo, y aquí es donde entra en juego nuestra
inversa de Drazin, para poder aplicar estos resultados es necesario que las matrices
A y B sean no singulares. La inversa de Drazin nos hará llegar más allá, resolviendo
estos sistemas incluso cuando las matrices A y B sean singulares.
Llegaremos a conocer una forma cerrada para todas las soluciones de un sistema lineal
de ecuaciones diferenciales.
4.4.1 Ecuación x0 + Ax = f
La teoría clásica de ecuaciones diferenciales estudia ecuaciones del tipo

x0 + Ax = f . (4.2)
Ésta establece que la solución general del problema homogéneo asociado a (4.2) viene
dada por
x = e−At q, q ∈ Cn . (4.3)
Y que la expresión para la solución general del problema no homogéneo (4.2) es
Z t
−At −At
x=e q+e eAs f (s) ds, q ∈ Cn , a ∈ R.
a
Una primera aplicación de la inversa de Drazin sería, por ejemplo, el cálculo de

R At
e dt, como muestra el siguiente resultado.
Teorema 4.6. Sea la matriz A ∈ Cn×n , con Ind(A) = k. Entonces
A2 2 Ak−1 k−1
Z
At D At D A
e dt = A e + (I − AA )t I + t + t + ··· + t + G. (4.4)
2 3! k!
Demostración. Derivando el lado derecho de (4.4)
" k−1
# k−1
i i
d D At D
X A t D At D
X (i + 1)Ai ti
A e + (I − AA )t + G = A Ae + (I − AA )
dt i=0
(i + 1)! i=0
(i + 1)!
k−1
X (tA)i
= AD AeAt + (I − AAD ) .
i=0
i!
At
Usando la serie de expansión para e obtenemos
" k−1
#
d D At D
X Ai ti
A e + (I − AA )t + G = AAD eAt + (I − AAD )eAt
dt i=0
(i + 1)!
= eAt .
Observación 4.7. En el caso particular en el que f fuera una constante b, la solución

para la ecuación (4.2) vendría dada por un polinomio en t, siendo ésta
A2 2 k−1

D D A k−1 A k−1
x = A + (I − AA )t I − t + t − · · · + (−1) t b.
2 3! k!
Podemos verificar esto de manera sencilla sustituyendo x en la ecuación (4.2).
Ejemplo 4.4.1.-
Consideremos la siguiente ecuación diferencial no homogénea:
x0 + Ax = f ,
donde

t 1 1
x = (x1 x2 ) , A = y f = (1 1)t .
−1 −1
Quedando:
x01

1 1 x1 1
+ = .
x02 −1 −1 x2 1
Se ha procedido, primeramente, a resolver este problema a partir del software

matemático Maple 2015.1, dándonos la solución general del sistema. El procedimiento
ha sido el siguiente:
sistema := diff(x1(t), t) = -x1(t)-x2(t)+1, diff(x2(t), t) = x1(t)+x2(t)+1;

dsolve(sistema);
{x1(t) = _C1*t-t^2+_C2,
x2(t) = -_C1*t+t^2-_C1-_C2+2*t+1}
Determinemos nuestra solución particular del sistema haciendo uso de la inversa

de Drazin:
Calculemos AD :
Una matriz de Jordan asociada a la matriz A sería:

0 1
J= ,
0 0
con matriz de paso:
1 1
P = ,
−1 0
siendo
−1 0 −1
P = .
1 1
Por tanto, la inversa de Drazin de la matriz A sería:

D 0 0 −1 0 0
A =P P = .
0 0 0 0
Calculemos el índice de A:
rango(A) = 1
rango(A2 ) = 0
rango(A3 ) = 0,
luego Ind(A) = 2.
Estamos en disposición ya de resolver el sistema:

x1 t 0 1 0 t/2 t/2 1
= − =
x2 0 t 0 1 −t/2 −t/2 1
−t2 /2

(1 − t/2)t 1
= 2 .
t /2 (1 + t/2)t 1
Por tanto,
x1 = (1 − t/2)t − t2 /2 = t − t2
x2 = t2 /2 + (1 + t/2)t = t + t2 .
Observamos que nuestra solución particular corresponde a la solución general

devuelta por Maple para C1 = 1 y C2 = 0
4.4.2 Ecuación Ax0 + Bx = f cuando AB = BA
Daremos un paso más y estudiaremos ahora ecuaciones direnciales de la forma
Ax0 + Bx = f . (4.5)
Si la matriz A fuera no singular, entonces, (4.5) podría escribirse en la forma de (4.2).

Sin embargo, en nuestro estudio permitiremos que las matrices A y B sean singulares.
Existen diferentes métodos para resolver (4.5) cuando A y B son singulares (véase
[Gan64]), pero en nuestro caso, y como queremos llegar a una forma cerrada, haremos
uso de la inversa de Drazin.
Asociada a la ecuación (4.5) se encuentra la ecuación homogénea
Ax0 + Bx = 0. (4.6)
Asumiremos en este apartado que las matrices A y B conmutan, es decir
AB = BA.
¿Qué ocurre si las matrices A y B no conmutan? En el siguiente apartado veremos

que si las condiciones iniciales consistentes determinan soluciones únicas, entonces
(4.6) puede reducirse al caso cuando A y B conmutan.
Teorema 4.7. Sean las matrices A, B ∈ Cn×n , tales que AB = BA, y sea A = C + N
la descomposición corenilpotente de A. Entonces, el sistema lineal de ecuaciones diferen-
ciales
Ax0 + Bx = f .
es equivalente a
Cx01 + Bx1 = f1 (4.7)
y
N x02 + Bx2 = f2 , (4.8)
donde x = x1 + x2 , f1 = C D Cf y f2 = (I − C D C)f .
Demostración. Sea el sistema
Ax0 + Bx = f .
Observemos que si existe una solución de las ecuaciones (4.7) y (4.8), entonces, su-
mando ambas, se tiene que existe una solución de Ax0 + Bx = f .
Consideremos x1 = AD Ax y x2 = (I − AD A)x, que verifican x1 + x2 = x.

Tomando la descomposición corenilpotente de A, A = C + N , y x = x1 + x2 , se
tiene que Ax0 + Bx = f es equivalente a:
(C + N )(x01 + x02 ) + B(x1 + x2 ) = f .
a) Veamos primeramente que Cx01 + Bx1 = f1 :

Multiplicando la ecuación
(C + N )(x01 + x02 ) + B(x1 + x2 ) = f
por (C D C) a izquierda, se obtiene:
C D C(C + N )(x01 + x02 ) + C D CB(x1 + x2 ) = C D Cf .
Operando
(C D CC + C D CN )(x01 + x02 ) + C D CBx1 + C D CBx2 = C D Cf .
Por otro lado, como C D C 2 = C, por la observación (4.4)[página 108], y CN = O,
por el teorema (4.5)[página 112], se llega a
Cx01 + Cx02 + C D CBx1 + C D CBx2 = C D Cf .
Comprobemos que Cx02 = 0, C D CBx2 = 0 y C D CBx1 = Bx1 :
Cx02 = C(I − AD A)x0
= (C − CAD A)x0 (AD = C D )
= (C − CC D A)x0 (A = C + N )
= (C − CC D C − CC D N )x0 .
Por proposición (4.5)[página 113], y observación (4.4)[página 108]:
Cx02 = (C − C)x0 = 0.
Para lo que viene a continuación, cuando hagamos referencia a la propiedad
(5), estaremos haciendo alusión a la propiedad (5) de la definición de inversa de
Drazin.
C D CBx2 = C D CB(I − AD A)x
= (C D CB − C D CBAD A)x (por el lema (4.2, página 114))
D D D
= (C CB − BCC A A)x (AD = C D , y la propiedad (5))
= (C D CB − BC D CC D A)x (A = C + N )
= (C D CB − BC D C − BC D N )x.
Por el lema (4.2)[página 114], y la proposición (4.5)[página 113]:

C D CBx2 = (C D CB − C D CB)x = 0.
C D CBx1 = C D CBAD Ax (por el lema (4.2)[página 114])

D D
= BCC A Ax (AD = C D , y propiedad (5))
= BC D CC D Ax
= BC D Ax (C D = AD )
= BAD Ax
= Bx1 .
En consecuencia,
Cx01 + Bx1 = C D Cf .
b) Verifiquemos, por último, que N x02 + Bx2 = f2 .
Multiplicando la ecuación
(C + N )(x01 + x02 ) + B(x1 + x2 ) = f
por (I − C D C) a izquierda, obtenemos:
(I − C D C)(C + N )(x01 + x02 ) + (I − C D C)B(x1 + x2 ) = (I − C D C)f .
Operando:
Cx01 + Cx02 − C D CCx01 − C D CCx02 + N x01 + N x02 − C D CN x01 − C D CN x02 +
+ Bx1 + Bx2 − C D CBx1 − C D CBx2 = (I − C D C)f .
Usando la proposición (4.5)[página 113], el teorema (4.5)[página 112] y el desa-
rrollo del apartado anterior, resulta:
Cx01 + Cx02 − Cx01 − Cx02 + N x01 + N x02 + Bx1 + Bx2 − Bx1 = (I − C D C)f .
o lo que es lo mismo
N x01 + N x02 + Bx2 = (I − C D C)f .
Nos queda comprobar que N x01 = 0:
N x01 = N AD Ax0 (AD = C D )
= N C D Ax0 (por la proposición (4.5)[página 113])
= 0.
Por consiguiente,
N x02 + Bx2 = (I − C D C)f .
Corolario 4.1. En las condiciones del teorema anterior, la ecuación
Cx01 + Bx1 = C D Cf
es equivalente a la ecuación
x01 + C D Bx1 = C D f . (4.9)
Demostración. Multiplicando la ecuación Cx01 + Bx1 = C D Cf por C D a izquierda

se obtiene:
C D Cx01 + C D Bx1 = C D C D Cf .
Por la propiedad (5) de la definición de inversa de Drazin tenemos que C D C D Cf = C D CC D f ,

y aplicando la propiedad (2) de la misma definición se sigue que C D CC D f = C D f .
Nos quedaría probar que C D Cx01 = x01 . Sea x1 = AD Ax,
C D Cx01 = C D CAD Ax0 (AD = C D )

= C D CC D Ax0 (por la propiedad (2) de la definición de inversa de Drazin)
= C D Ax0 (C D = AD )
= AD Ax0
= x01 .
En consecuencia,
x01 + C D Bx1 = C D f .
De manera recíproca, si multiplicamos la ecuación x01 + C D Bx1 = C D f por C a

izquierda obtenemos
Cx01 + CC D Bx1 = CC D f .
Por la propiedad (5) de la definición de la inversa de Drazin tenemos que CC D f = C D Cf .
Nos queda probar que CC D Bx1 = Bx1 . Sea x1 = AD Ax (para lo que viene a
continuación, cuando hagamos referencia a las propiedades (2) y (5), estaremos ha-
ciendo alusión a las propiedades (2) y (5) de la definición de inversa de Drazin),
CC D Bx1 = CC D BAD Ax (BAD = AD B)

= CC D AD BAx (AB = BA)
= CC D AD ABx (AD = C D )
= CC D C D ABx (por las propiedades (2) y (5))
D
= C ABx (C D = AD )
= AD ABx (AB = BA y AD B = BAD )
= BAD Ax
= Bx1 .
En consecuencia,
Cx01 + Bx1 = C D Cf .
Teorema 4.8. Sea el sistema lineal de ecuaciones diferenciales
Ax0 + Bx = 0. (4.4)
D Bt
Supongamos que las matrices A y B ∈ Cn×n conmutan. Entonces y = e−A AAD q
es una solución del sistema para todo vector columna q ∈ Cn .
D Bt
Demostración. Sea y = e−A AAD q. Entonces
D Bt
Ay 0 = −AAD Be−A AAD q
D Bt
= −Be−A AAD AAD q
D Bt
= −Be−A AAD q
= −By.
Ejemplo 4.4.2.-
Consideremos la siguiente ecuación diferencial homogénea:
Ax0 + Bx = 0,
donde

t −3 −2 1 1
x = (x1 x2 ) , A = y B= ,
2 1 −1 −1
y, además, se tiene que:

−1 −1
AB = = BA.
1 1
Nos queda, por tanto, el sistema:
0
−3 −2 x1 1 1 x1 0
+ = .
2 1 x02 −1 −1 x2 0
Se ha procedido, al igual que en el ejemplo anterior, a resolver este problema a par-

tir del software matemático Maple 2015.1, dándonos la solución general del sistema.
El procedimiento ha sido el siguiente:
A := Matrix([[-3, -2], [2, 1]]);

B := Matrix([[1, 1], [-1, -1]]);
xx := Vector([x1(t), x2(t)]);
sistema := A.map(diff, xx, t)) + B.xx;
sistemaH := [sistema[1] = 0, sistema[2] = 0];
dsolve(sistemaH);
{x1(t) = _C1*t+_C2,
x2(t) = -_C1*t+_C1-_C2}
Para calcular una solución haciendo uso de la inversa de Drazin, aplicaremos el

teorema (4.8)[página 129].
Calculemos primeramente la inversa de Drazin de A:

Como la matriz A es invertible, AD = A−1 , por tanto,

D 1 2
A = .
−2 −3
D Bt
Calculamos la matriz exponencial e−A :

D 1 2 1 1 1 1
−A B = − = .
−2 −3 −1 −1 −1 −1
El autovalor de la matriz −AD B es λ1 = 0 con multiplicidad algebraica 2.
Una matriz de Jordan asociada a −AD B es:

0 1
J= ,
0 0
con matriz de paso

−1 −1
P = .
1 0
Por tanto,
−AD Bt Jt −1 −t 1
e = Pe P = .
t − 1 −1
Luego una solución del sistema es, para cualquier vector q ∈ C2 :

−AD Bt D −t 1
y=e AA q = q.
t − 1 −1
Tomando
y1 q1
y= y q= , con q1 , q2 ∈ C,
y2 q2
se tiene que:
y1 = −tq1 + q2
y2 = tq1 − q1 − q2 ,
con q1 , q2 ∈ C.
El siguiente teorema será fundamental para los resultados que veremos más ade-
lante. Conseguiremos dar una forma cerrada para la solución general del problema
Ax0 + Bx = f añadiendo la condición de que los espacios nulos de A y B tengan
intersección trivial.
Teorema 4.9. Sean las matrices A, B ∈ Cn×n . Supongamos que A y B conmutan

y null(A) ∩ null(B) = {0}. Entonces
D Bt
x = e−A AAD q, q ∈ Cn , (4.10)
es la solución general de Ax0 + Bx = 0.

D
Demostración. Por el teorema (4.8)[página 129], se tiene que e−A Bt AAD q es una
D
solución para todo q ∈ Cn . Para probar que x = e−A Bt AAD q es la solución general,
necesitamos probar que para toda solución x, existe un vector q tal que (4.10) se
cumpla.
Sea k el índice de la matriz A. Si x es una solución de Ax0 + Bx = f , entonces las
ecuaciones (4.8)[página 125] y (4.9)[página 128] se cumplen para f = 0. Es decir,
N x02 + Bx2 = 0 (4.11)
y
x01 + C D Bx1 = 0. (4.12)
Multiplicando la ecuación (4.11) por N k−1 a izquierda, se obtiene que:
N k−1 N x02 + N k−1 Bx2 = 0,
o lo que es lo mismo,
N k x02 + N k−1 Bx2 = 0,
Como N es una matriz nilpotente de índice k, es decir, N k = O, entonces
N k−1 Bx2 = 0,
que por el lema (4.2)[página 114], es equivalente a
BN k−1 x2 = 0.
Como AB = BA y null(A) ∩ null(B) = {0}, tenemos, por el lema (4.2)[página 114],

que B4 es invertible, y por tanto
N k−1 x2 = 0.
Del mismo modo, si multiplicamos ahora por k − 2, llegamos a que:
N k−2 x2 = 0.
Siguiendo este proceso, obtenemos que:

N x2 = 0.
Por lo tanto, de la ecuación inicial
N x02 + Bx2 = 0, (4.10)
obtenemos que:
Bx2 = 0.
En consecuencia, x2 ∈ null(B).
Por otro lado, sea x2 = (I − AAD )x, se tiene:

(I − AAD )x2 = (I − AAD )(I − AAD )x

O O −1 O O
=P P P P −1 x
O I O I

O O
=P P −1 x
O I
= x2 .
Por consiguiente,
Ax2 = A(I − AAD )x2 = N x2 = 0.
Por tanto, x2 ∈ null(A). Pero, x2 también pertenece a null(B), luego, como
null(A) ∩ null(B) = {0}, tenemos que x2 = {0}. Y, como x = x1 + x2 , entonces
x = x1 .
Finalmente, de
x01 + C D Bx1 = 0, (4.11)
obtenemos, por la expresión (4.3)[página 122] dada para la solución general de un
problema homogéneo del tipo x0 + Ax = 0, que
D Bt
x1 = e−C q (C D = AD )
D Bt
= e−A q, q ∈ Cn .
Luego
D Bt
x = x1 = AAD x = AAD x1 = AAD e−A q, q ∈ Cn
Teorema 4.10. Sean las matrices A, B ∈ Cn×n . Supongamos que A y B conmutan,

y null(A) ∩ null(B) = {0}. Sea Ind(A) = k. Si f es una función vectorial k-veces
continuamente diferenciable, entonces
Ax0 + Bx = f . (4.3)
tiene solución, y una solución particular está dada por

Z t k−1
D −AD Bt AD Bs
X
D
x=A e e f ds + (I − AA ) (−1)n (AB D )n B D f (n) , (4.3)
a n=0
donde a ∈ R es arbitrario.
Demostración. Supongamos que AB = BA y null(A) ∩ null(B) = {0}. Sean
Z t
D −AD Bt D
x1 = A e eA Bs f ds, a ∈ R
a
y
k−1
X
x2 = (I − AAD ) (−1)n (AB D )n B D f (n) .
n=0
Probaremos que
Ax01 + Bx1 = AAD f (4.13)
y
Ax02 + Bx2 = (I − AAD )f . (4.14)
con lo que x = x1 + x2 es una solución de Ax0 + Bx = f .
Verificaremos primero (4.13):
D Bt D Bt
Ax01 = A(−AD Bx1 + AD e−A eA f)
D D
= −AA Bx1 + AA f
= −Bx1 + AAD f .
Ahora probaremos (4.14):

k−1
X
Ax02 = A(I − AA ) D
(−1)n (AB D )n B D f (n+1) (AAD = AD A)
n=0
k−1
X
= (I − AAD ) (−1)n (AB D )n+1 f (n+1) .
n=0
Del desarrollo de la demostración del lema (4.2)[página 114], se tiene, para el término
(k − 1) que:
k
O O −1 J1 O
D k D k
(I − AA )A (B ) = P P P P −1 (B D )k = O,
O I O O
quedando:
k−2
X
Ax02 = (I − AA ) D
(−1)n (AB D )n+1 f (n+1)
n=0
k−1
X
D
= −(I − AA ) (−1)n (AB D )n f (n) .
n=1
Por el lema (4.2)[página 114] sabemos que (I − AAD ) = (I − AAD )BB D , luego
k−1
X
Ax02 D
= −(I − AA )BB D
(−1)n (AB D )n f (n) (AB D = B D A)
n=1
k−1
X
= −(I − AAD )B (−1)n (AB D )n B D f (n)
n=1
k−1
!
X
= −(I − AAD )B (−1)n (AB D )n B D f (n) − B D f
n=0
k−1
X
= −(I − AAD )B (−1)n (AB D )n B D f (n) + (I − AAD )BB D f .
n=0
Dado que
−(I − AAD )B = −B + AAD B (AB = BA y AD B = BAD )

= −(B − BAAD )
= −B(I − AAD ),
obtenemos
k−1
X
Ax02 = −B(I − AAD ) (−1)n (AB D )n B D f (n) + (I − AAD )BB D f .
n=0
Como
k−1
X
D
x2 = (I − AA ) (−1)n (AB D )n B D f (n) ,
n=0
se tiene que
Ax02 = −Bx2 + (I − AAD )BB D f .
Volviendo a usar el lema (4.2)[página 114] tenemos que (I −AAD ) = (I −AAD )BB D ,
se sigue finalmente que
Ax02 = −Bx2 + (I − AAD )f .
Por lo tanto, (4.13) y (4.14) se cumplen.
Si combinamos los resultados de los teoremas (4.9)[página 132], que nos da la

forma de la solución general para el problema homogéneo, y (4.10)[página 134], que
nos da la forma de la solución particular del problema no homogéneo, obtendremos
el siguiente resultado.
Teorema 4.11. Sean las matrices A, B ∈ Cn×n . Supongamos que A y B conmutan,
y null(A) ∩ null(B) = {0}. Entonces la solución general de Ax0 + Bx = f viene dada
por
Z t k−1
−AD Bt D −AD Bt D Bs
X
D
x=e AA q+A e eA f ds+(I−AAD ) (−1)n (AB D )n B D f (n) ,
a n=0
donde q ∈ Cn es un vector constante arbitrario, k es el índice de A, y a ∈ R es arbitrario.
Un resultado inmediato del teorema anterior (4.11) es una caracterización de las

condiciones iniciales consistentes cuando AB = BA y null(A) ∩ null(B) = {0}.
Corolario 4.2. Sean las matrices A, B ∈ Cn×n . Supongamos que A y B conmutan,
y null(A) ∩ null(B) = {0}. Entonces existe una solución para Ax0 + Bx = f ,
x(0) = x0 , si y solo si x0 es de la forma
k−1
X
x0 = AD Aq + (I − AAD ) (−1)n (AB D )n B D f (n) (0),
n=0
para algún vector q. Además, la solución es única.
En particular, si f es idénticamente cero, entonces x0 = AD Ax0 caracteriza las

condiciones iniciales consistentes.
Se observa que si B fuera una matriz invertible en Ax0 + Bx = f , entonces el

teorema (4.11)[página 136] puede aplicarse a B −1 Ax0 + x = B −1 f , con lo que las
técnicas que contaremos seguidamente no serían necesarias.
4.4.3 Ecuación Ax0 + Bx = f
En este apartado daremos solución a la ecuación diferencial
Ax0 + Bx = f ,
sin ser necesario imponer, como en el apartado anterior, que las matrices A y B
conmuten. Para ello haremos uso de las matrices Âc y B̂c , tales que
Âc = (cA + B)−1 A, B̂c = (cA + B)−1 B,
donde c ∈ C es tal que la matriz (cA + B) es invertible; y el siguiente lema nos

mostrará el porqué.
Lema 4.3. Sean las matrices A, B ∈ Cn×n . Supongamos que existe c ∈ C tal que la
matriz (cA + B) es invertible. Entonces (cA + B)−1 A y (cA + B)−1 B conmutan.
Demostración. Supongamos que existe c ∈ C tal que (cA + B) es invertible. Deno-
temos Âc = (cA + B)−1 A y B̂c = (cA + B)−1 B. Entonces
cÂc + B̂c = c(cA + B)−1 A + (cA + B)−1 B

= (cA + B)−1 (cA + B)
= I.
Por tanto,
B̂c Âc = (I − cÂc )Âc

= Âc − c(Âc )2
= Âc − Âc cÂc
= Âc (I − cÂc )
= Âc B̂c .
Teorema 4.12. Sean las matrices A, B ∈ Cn×n . La ecuación diferencial homogénea
Ax0 + Bx = 0
tiene solución única para condiciones iniciales compatibles si y solo si existe c ∈ C tal
que la matriz (cA + B) es invertible.
Demostración. ⇐ Supongamos que existe c ∈ C tal que la matriz (cA + B) es
invertible. Entonces null(cA + B) = {0}.
Sea el vector u ∈ Cn tal que
Au = 0 y Bu = 0.
Entonces
cAu + Bu = 0 y (cA + B)u = 0,
de lo que deducimos que u = 0. Por tanto,
null(A) ∩ null(B) = {0}.
Pero
null(A) = null((cA + B)−1 A) y null(B) = null((cA + B)−1 B).
Por consiguiente,
null((cA + B)−1 A) ∩ null((cA + B)−1 B) = {0}.
Además, por el lema (4.3)[página 137], tenemos que (cA + B)−1 A y (cA + B)−1 B
conmutan. Como consecuencia, por el teorema (4.9)[página 132],
(cA + B)−1 Ax0 + (cA + B)−1 Bx = 0.
tiene solución única para una condición inicial compatible. Y, claramente, el sistema
(cA + B)−1 Ax0 + (cA + B)−1 Bx = 0
es equivalente al sistema
Ax0 + Bx = 0.
⇒ Supongamos ahora que el sistema
Ax0 + Bx = 0
tiene solución única para una condición inicial compatible. Tenemos que probar que
existe un c ∈ C tal que (cA + B) es invertible. Supongamos que no existe ningún
c ∈ C tal que (cA + B) es invertible. Entonces, para todo c ∈ C existe un vector
φc ∈ Cn distinto de 0 tal que
(cA + B)φc = 0.
Pero, entonces, xc = etc φc es una solución de
Ax0 + Bx = 0,
ya que
Ax0c = Acetc φc
= etc cAφc ((cA + B)φc = 0)
tc
= −e Bφc
= −Bxc .
Como no pueden existir mas de n vectores φc linealmente independientes, tomaremos
un conjunto finito de vectores φc
{φci }li=1 , ci 6= 0,
los cuales son linealmente dependientes, es decir, existen escalares α1 , α2 , . . . , αl ∈ C
tales que
Xl
αi φci = 0,
i=1
donde no todos los αi = 0, con i = 1, l.

Definimos
X l
z= αi etci φci 6= 0.
i=1
Observamos que z es una solución de Ax0 + Bx = 0, ya que
l
X l
X
0 tci
Az + Bz = A αi ci e φci + B αi etci φci
i=1 i=1
l
X
= αi (ci A + B)etci φci
i=1
Xl
= αi etci (ci A + B)φci
i=1
= 0.
Además
l
X
z(0) = αi e0ci φci
i=1
Xl
= αi φci
i=1
= 0.
En consecuencia existen dos soluciones que satisfacen Ax0 + Bx = 0, x(0) = 0,

z y 0, siendo z 6= 0. Por lo tanto, la ecuación Ax0 + Bx = 0 no tiene soluciones
únicas para condiciones iniciales consistentes, lo cual, contradice nuestra hipótesis, y
por consiguiente, existe c ∈ C tal que (cA + B) es invertible.
A partir de los teoremas (4.9)[página 132], (4.10)[página 134], (4.11)[página 136],

(4.12)[página 138] y del lema (4.3)[página 137], teniendo que cuenta que las matri-
ces Âc y B̂c conmutan y que null(Âc ) ∩ null(B̂c ) = {0}, obtenemos el siguiente
resultado.
Teorema 4.13. Supongamos que Ax0 + Bx = 0 tiene soluciones únicas para con-
diciones iniciales consistentes. Sea c ∈ C tal que la matriz (cA + B) es invertible. Sean
Âc = (cA + B)−1 A, B̂c = (cA + B)−1 B y fˆc = (cA + B)−1 f . Sea k = Ind(Âc ).
Entonces
Ax0 + Bx = f

x(0) = x0
tiene una solución si y solo si x0 es de la forma
k−1
X (n)
x0 = Âc ÂD
c q + (I − Âc ÂD
c ) (Âc B̂cD )n fˆc (0), (4.15)
n=0
para cualquier vector q ∈ Cn .

Una solución particular de Ax0 + Bx = f es:
Z t k−1
−ÂD ÂD
X (n)
x= ÂD
c e
c B̂c t e c B̂c s fˆc (s)ds+(I − Âc ÂD
c ) (−1)n (Âc B̂cD )n B̂cD fˆc , (4.16)
a n=0
donde a ∈ R es arbitrario.
La solución general de Ax0 + Bx = f es:

Z t
−ÂD −ÂD D
x=e c B̂c t Âc ÂD
c q + ÂD
c e
c B̂c t eÂc B̂c s fˆc (s)ds
a
(4.17)
k−1
X (n)
+ (I − Âc ÂD
c ) (−1)n (Âc B̂cD )n B̂cD fˆc ,
n=0
para cualquier vector q ∈ Cn y a ∈ R arbitrario.

La solución que satisface x(0) = x0 la encontramos tomando q = x0 y a = 0 en la
ecuación (4.17).
Demostración. Supongamos que existe c ∈ C tal que la matriz (cA + B)−1 existe.
Entonces se tiene que el sistema
Ax0 + Bx = f
es equivalente al sistema
Âc x0 + B̂c x = fˆc ,
donde Âc = (cA + B)−1 A, B̂c = (cA + B)−1 B y fˆc = (cA + B)−1 f .
Aplicando los teoremas citados anteriormente se llega al resultado deseado.
En este punto de la sección hemos conseguido ya resolver ecuaciones diferencia-

les de primer orden del tipo Ax0 + Bx = f , aún cuando la matriz de coeficientes que
acompaña a la derivada es una matriz singular. Se han distinguido dos casos. El primer
caso que hemos considerado ha sido cuando las matrices A y B conmutan, obtenien-
do una expresión de la solución para el problema homogéneo asociado. Si además, la
intersección de los espacios nulos de A y B es la trivial, se ha dado una expresión de
la solución general del problema no homogéneo. El segundo caso que se ha planteado
ha sido cuando las matrices A y B no conmutan. En esta ocasión se ha llegado una
ecuación equivalente a la del problema que se planteaba, ecuación que cumplía las
condiciones del primer caso.
El siguiente resultado es meramente una cuestión técnica. Se trata de destacar que

las ecuaciones (4.15), (4.16), (4.17) son independientes del escalar c que se utilice.
Teorema 4.14. Sean las matrices A, B ∈ Cn×n . Supongamos que existe c ∈ C tal
que la matriz (cA + B) es invertible. Entonces, para todo α, β ∈ C para los cuales las
matrices (αA + B)−1 y (βA + B)−1 existen, se cumplen las siguientes igualdades:
D D
Aˆα Aˆα = Aˆβ Aˆβ
D D
Aˆα Bˆα = Aˆβ Bˆβ
D D
Aˆα Bˆα = Aˆβ Bˆβ
D D
Aˆα (αA + B)−1 = Aˆβ (βA + B)−1
D D
Bˆα (αA + B)−1 = Bˆβ (βA + B)−1
Ind(Aˆα ) = Ind(Aˆβ )
Demostración. Probaremos cada una de las igualdades.
D
Aˆα Aˆα = [(αA + B)−1 A]D Aˆα
= [(αA + B)−1 (βA + B)(βA + B)−1 A]D Aˆα
= [((βA + B)−1 (αA + B))−1 Aˆβ ]D Aˆα
= [(α(βA + B)−1 A + (βA + B)−1 B)−1 Aˆβ ]D Aˆα
= [(αAˆβ + Bˆβ )−1 Aˆβ ]D Aˆα
Se tiene que las matrices (αAˆβ + Bˆβ )−1 y Aˆβ conmutan, ya que:
(αAˆβ + Bˆβ )−1 Aˆβ = Aˆβ (αAˆβ + Bˆβ )−1 ⇔ Aˆβ = (αAˆβ + Bˆβ )Aˆβ (αAˆβ + Bˆβ )−1
⇔ Aˆβ (αAˆβ + Bˆβ ) = (αAˆβ + Bˆβ )Aˆβ
⇔ αAˆβ Aˆβ + Aˆβ Bˆβ = αAˆβ Aˆβ + Bˆβ Aˆβ (Aˆβ Bˆβ = Bˆβ Aˆβ )
⇔ αAˆβ Aˆβ + Aˆβ Bˆβ = αAˆβ Aˆβ + Aˆβ Bˆβ .
Por tanto, aplicando el lema (4.2)[página 114], se tiene que:
D D
Aˆα Aˆα = Aˆβ [(αAˆβ + Bˆβ )−1 ]D Aˆα
Como (αAˆβ + Bˆβ ) es invertible, sabemos que (αAˆβ + Bˆβ )−1 = (αAˆβ + Bˆβ )D , luego
D D
Aˆα Aˆα = Aˆβ (αAˆβ + Bˆβ )Aˆα
D
= Aˆβ (α(βA + B)−1 A + (βA + B)−1 B)Aˆα
D
= Aˆβ (βA + B)−1 (αA + B)Aˆα
D
= Aˆβ (βA + B)−1 (αA + B)(αA + B)−1 A
D
= Aˆβ (βA + B)−1 A
D
= Aˆβ Aˆβ .
D
Aˆα Bˆα = [(αA + B)−1 A]D Bˆα
= [(αA + B)−1 (βA + B)(βA + B)−1 A]D Bˆα
= [((βA + B)−1 (αA + B))−1 Aˆβ ]D Bˆα
= [(α(βA + B)−1 A + (βA + B)−1 B)−1 Aˆβ ]D Bˆα
= [(αAˆβ + Bˆβ )−1 Aˆβ ]D Bˆα
Las matrices (αAˆβ + Bˆβ )−1 y Aˆβ conmutan, y por el lema (4.2)[página 114] se tiene
que:
D D
Aˆα Bˆα = Aˆβ [(αAˆβ + Bˆβ )−1 ]D Bˆα
D D
Aˆα Bˆα = Aˆβ (αAˆβ + Bˆβ )Bˆα
D
= Aˆβ (α(βA + B)−1 A + (βA + B)−1 B)Bˆα
D
= Aˆβ (βA + B)−1 (αA + B)Bˆα
D
= Aˆβ (βA + B)−1 (αA + B)(αA + B)−1 B
D
= Aˆβ (βA + B)−1 B
D
= Aˆβ Bˆβ .
Aplicando los lemas (4.3)[página 137] y (4.2)[página 114], tenemos que

D D
Aˆα Bˆα = Bˆα Aˆα .
Luego,
D D
Aˆα Bˆα = Bˆα Aˆα
= [(αA + B)−1 B]D Aˆα
= [(αA + B)−1 (βA + B)(βA + B)−1 B]D Aˆα
= [((βA + B)−1 (αA + B))−1 Bˆβ ]D Aˆα
= [(α(βA + B)−1 A + (βA + B)−1 B)−1 Bˆβ ]D Aˆα
= [(αAˆβ + Bˆβ )−1 Bˆβ ]D Aˆα
Las matrices (αAˆβ + Bˆβ )−1 y Aˆβ conmutan, y por el lema (4.2)[página 114], se
tiene que:
D D
Aˆα Bˆα = Bˆβ [(αAˆβ + Bˆβ )−1 ]D Aˆα
D D
Aˆα Bˆα = Bˆβ (αAˆβ + Bˆβ )Aˆα
D
= Bˆβ (α(βA + B)−1 A + (βA + B)−1 B)Aˆα
D
= Bˆβ (βA + B)−1 (αA + B)Aˆα
D
= Bˆβ (βA + B)−1 (αA + B)(αA + B)−1 A
D
= Bˆβ (βA + B)−1 A
D
= Bˆβ Aˆβ .
Volviendo a utilizar los lemas (4.3)[página 137] y (4.2)[página 114],
D D
Aˆα Bˆα = Aˆβ Bˆβ .
D
Aˆα (αA + B)−1 == [(αA + B)−1 A]D (αA + B)−1
= [(αA + B)−1 (βA + B)(βA + B)−1 A]D (αA + B)−1
= [((βA + B)−1 (αA + B))−1 Aˆβ ]D (αA + B)−1
= [(α(βA + B)−1 A + (βA + B)−1 B)−1 Aˆβ ]D (αA + B)−1
= [(αAˆβ + Bˆβ )−1 Aˆβ ]D (αA + B)−1
Las matrices (αAˆβ + Bˆβ )−1 y Aˆβ conmutan, y por el lema (4.2)[página 114], se tiene
que:
D D
Aˆα (αA + B)−1 = Aˆβ [(αAˆβ + Bˆβ )−1 ]D (αA + B)−1
D D
Aˆα (αA + B)−1 = Aˆβ (αAˆβ + Bˆβ )(αA + B)−1
D
= Aˆβ (α(βA + B)−1 A + (βA + B)−1 B)(αA + B)−1
D
= Aˆβ (βA + B)−1 (αA + B)(αA + B)−1
D
= Aˆβ (βA + B)−1 (αA + B)(αA + B)−1
D
= Aˆβ (βA + B)−1 .
D
Bˆα (αA + B)−1 == [(αA + B)−1 B]D (αA + B)−1
= [(αA + B)−1 (βA + B)(βA + B)−1 B]D (αA + B)−1
= [((βA + B)−1 (αA + B))−1 Bˆβ ]D (αA + B)−1
= [(α(βA + B)−1 A + (βA + B)−1 B)−1 Bˆβ ]D (αA + B)−1
= [(αAˆβ + Bˆβ )−1 Bˆβ ]D (αA + B)−1
Las matrices (αAˆβ + Bˆβ )−1 y Aˆβ conmutan, y por el lema (4.2)[página 114], se tiene
que:
D D
Bˆα (αA + B)−1 = Bˆβ [(αAˆβ + Bˆβ )−1 ]D (αA + B)−1
D D
Bˆα (αA + B)−1 = Bˆβ (αAˆβ + Bˆβ )(αA + B)−1
D
= Bˆβ (α(βA + B)−1 A + (βA + B)−1 B)(αA + B)−1
D
= Bˆβ (βA + B)−1 (αA + B)(αA + B)−1
D
= Bˆβ (βA + B)−1 (αA + B)(αA + B)−1
D
= Bˆβ (βA + B)−1 .
Por último, probemos que Ind(Aˆα ) = Ind(Aˆβ ):

k
rango(Aˆα ) = rango(((αA + B)−1 A)k ) (siguiendo el desarrollo de las igualdades anteriores)
= rango(((αAˆβ + Bˆβ )−1 Aˆβ )k ) ((αAˆβ + Bˆβ )−1 Aˆβ = Aˆβ (αAˆβ + Bˆβ )−1 )
k
= rango((αAˆβ + Bˆβ )−k Aˆβ ),
luego
k k
rango(Aˆα ) ≤ rango(Aˆβ ).
Por otro lado,
k
rango(Aˆβ ) = rango(((βA + B)−1 A)k ) (siguiendo el desarrollo de las igualdades anteriores)
= rango(((β Aˆα + Bˆα ) Aˆα ) )
−1 k
((αAˆβ + Bˆβ )−1 Aˆβ = Aˆβ (αAˆβ + Bˆβ )−1 )
k
= rango((β Aˆα + Bˆα )−k Aˆα ),
luego
k k
rango(Aˆα ) ≥ rango(Aˆβ ).
Por tanto,
k k
rango(Aˆα ) = rango(Aˆβ ).
Y por consiguiente, Ind(Aˆα ) = Ind(Aˆβ ).
Ejemplo 4.4.3.-
Sea la ecuación diferencial homogénea
Ax0 + Bx = 0, (4.18)
donde    
2 −3 −5 1 0 1
A =  −1 4 5  y B =  2 1 3 .
1 −3 −4 3 1 4
Observamos que las matrices A y B son no invertibles, y además no conmutan, ya
que    
−19 −8 −2 3 −6 −9
AB =  22 9 31  =6  6 −11 −17  = BA.
−17 −7 −24 9 −17 −26
Tomando c = 1, tenemos que la matriz (cA + B) es invertible. Siendo

 
2/5 1/5 −1/10
(cA + B)−1 = (A + B)−1  4/5 2/5 −7/10  .
−11/20 −3/20 9/20
Multiplicamos la ecuación (4.18) por (A + B)−1 a izquierda, obteniendo
(A + B)−1 Ax0 + (A + B)−1 Bx = 0,
utilizando la notación habitual,
Âx0 + B̂x = 0,
donde
   
1/2 −1/10 −3/5 1/2 1/10 3/5
Â =  1/2 13/10 4/5  y B̂ =  −1/2 −3/10 −4/5  .
−1/2 −3/10 1/5 1/2 3/10 4/5
La solución general para (4.18) viene dada por (teorema (4.13)[página 140]):
D B̂t
x(t) = e−Â ÂÂD q, q ∈ C3 .
Tomando q = x(0), x(0) vector inicial, tenemos que

D B̂t
x(t) = e−Â ÂÂD x(0).
Por el teorema (4.13)[página 140], la ecuación diferencial (4.18) tendrá una única so-
lución si y solo si el vector inicial x(0) satisface:
x(0) = ÂÂD q, q ∈ C3 .
Tomando q = x(0)
x(0) = ÂÂD x(0),
o lo que es lo mismo
(I − ÂÂD )x(0) = 0.
Calculamos ÂD a partir del resultado del teorema (4.4)[página 110]:
El índice de A es igual a 1, ya que:
rango(Â) = 2 = rango(Â2 ).
Los autovalores de la matriz Â son λ1 = 1, con multiplicidad algebraica 2, y

λ2 = 0, con multiplicidad algebraica 1.
Una matriz de Jordan asociada a la matriz Â sería:
 
1 1 0
JÂ =  0 1 0  ,
0 0 0
con matriz de paso  
−1 3 1
PÂ =  −1 −11 −1  .
1 1 1
Por tanto,
   
1 −1 0 1/2 −3/10 −4/5
ÂD = PÂ  0 1 0  P −1 =  1/2 11/10 3/5  .
Â
0 0 0 −1/2 −1/10 2/5
Calculamos B̂ D a partir del mismo resultado:
El índice de B es igual a 2, ya que:
rango(B̂) = 2 6= 1 = rango(B̂ 2 )
rango(B̂ 2 ) = 1 = rango(B̂ 3 ).
Los autovalores de la matriz B̂ son λ1 = 1, con multiplicidad algebraica 1, y

λ2 = 0, con multiplicidad algebraica 2.
Una matriz de Jordan asociada a la matriz B̂ sería:
 
1 0 0
JB̂ =  0 0 1  ,
0 0 0
con matriz de paso

 
1 −1 −5
PB̂ =  −1 −1 9  .
1 1 1
Por tanto,
   
1 0 0 1/2 1/5 7/10
B̂ D = PB̂  0 0 0  P −1 =  −1/2 −1/5 −7/10  .
B̂
0 0 0 1/2 1/5 7/10
D B̂t
Calculamos la matriz exponencial e−Â :
 
0 1/10 1/10
−ÂD B̂ =  0 1/10 1/10  .
0 −1/10 −1/10
Los autovalores de la matriz −ÂD B̂ son λ1 = 0, con multiplicidad algebraica 3.

Una matriz de Jordan asociada a −ÂD B̂ sería:

 
0 0 0
J−ÂD B̂ =  0 0 1  ,
0 0 0
con matriz de paso
 
0 1/10 0
P−ÂD B̂ =  1 1/10 0  .
−1 −1/10 1
Por tanto,
 t t 
1
 10 10 
t t
 
D B̂t
e−Â = P−ÂD B̂ eJ−ÂD B̂ t P−−1ÂD B̂ =  0 1+ .
 
 10 10 
t t
 
0 − 1−
10 10
Calculamos la matriz ÂÂD :
   
1/2 −1/10 −3/5 1/2 −3/10 −4/5
D
ÂÂ =  1/2 13/10 4/5   1/2 11/10 3/5 
−1/2 −3/10 1/5 −1/2 −1/10 2/5
 
1/2 −1/5 −7/10
=  1/2 6/5 7/10  .
−1/2 −1/5 3/10
Luego, la solución de la ecuación (4.18) viene dada por:

 
1 t 1 t 7
 2 − −
 10 5 10 10  
 x1 (0)

D 1 t 6 t 7
x(t) = e−Â B̂t ÂÂD x(0) = 
 
+ +   x2 (0)  ,
 2 10 5 10 10 

 1
 x3 (0)
t 1 t 3 
− − − − +
2 10 5 10 10
y debe satisfacer la condición inicial x(0):
     
1/2 1/5 7/10 x1 (0) 0
D
(I − ÂÂ )x(0) =  −1/2 −1/5 −7/10   x2 (0)  =  0 .
1/2 1/5 7/10 x3 (0) 0
Queda una sola ecuación como condición:

1 1 7
x1 (0) + x2 (0) + x3 (0) = 0.
2 5 10
Despejamos una de las xi (0), i = 1, 2, 3, por ejemplo, x3 (0):

−10 1 1
x3 (0) = x1 (0) + x2 (0) , x1 (0), x2 (0) ∈ C.
7 2 5
Simplificando:
5 2
x3 (0) = − x1 (0) − x2 (0), x1 (0), x2 (0) ∈ C.
7 7
Por consiguiente, la solución de la ecuación diferencial homogénea (4.18), es:

 
1 t 1 t 7
− −
2 10 5 10 10   

  x1 (0)
 1 t 6 t 7  
x2 (0)
x(t) =  + +   
5 2

 2 10 5 10 10 
  − x1 (0) − x2 (0)
 1 t 1 t 3  7 7
− − − − +
2 10 5 10 10
 t t 
x1 (0) − x1 (0) + x2 (0)
 14 14 
t t
 
= − x1 (0) + x2 (0) + x2 (0)  , x1 (0), x2 (0) ∈ C.
 
 14 14 
5 t 2 t
 
− x1 (0) + x1 (0) − x2 (0) − x2 (0)
7 14 7 14
Ha parecido interesante, comprobar si, como en los ejemplos anteriores de ecua-

ciones diferenciales, el software matemático Maple 2015.1 es capaz de darnos una
solución general a este problema. El proceso y el resultado es el siguiente:
A := Matrix([[2, -3, -5], [-1, 4, 5], [1, -3, -4]]);

B := Matrix([[1, 0, 1], [2, 1, 3], [3, 1, 4]]);
xx := Vector([x1(t), x2(t), x3(t)]);
sistemaH := [sistema[1] = 0, sistema[2] = 0, sistema[3] = 0];

dsolve(sistemaH);
{x1(t) = _C1*t+_C2,
x2(t) = _C1*t+14*_C1+_C2,
x3(t) = -_C1*t-4*_C1-_C2}
Ejemplo 4.4.4.-
Sea la ecuación diferencial no homogénea
Ax0 + Bx = b, (4.19)
donde
     
2 −3 −5 1 0 1 1
A =  −1 4 5 , B =  2 1 3  y b =  0 .
1 −3 −4 3 1 4 2
Observamos, al igual que el ejemplo anterior, que las matrices A y B son no in-
vertibles, y además no conmutan. Tomaremos también, como en el anterior ejemplo,
c = 1, y la matriz (cA + B) es invertible. Nos queda
 
2/5 1/5 −1/10
(cA + B)−1 = (A + B)−1 =  4/5 2/5 −7/10  .
−11/20 −3/20 9/20
Multiplicamos la ecuación (4.19) por (A + B)−1 a izquierda, obteniendo
(A + B)−1 Ax0 + (A + B)−1 Bx = (A + B)−1 b,
utilizando la notación habitual, podemos reescribirla de la siguiente manera:
Âx0 + B̂x = b̂,

donde
     
1/2 −1/10 −3/5 1/2 1/10 3/5 1/5
Â =  1/2 13/10 4/5  , B̂ =  −1/2 −3/10 −4/5  y b̂ =  −3/5  .
−1/2 −3/10 1/5 1/2 3/10 4/5 7/20
La solución general para la ecuación diferencial (4.19) viene dada por (teorema
(4.13)[página 140]:
Z t
−ÂD B̂t D D −ÂD B̂t D
x(t) = e ÂÂ q + Â e eÂ B̂s b̂ ds
a
k−1
X
+ (I − ÂÂD ) (−1)n (ÂB̂ D )n B̂ D b̂(n) ,
n=0
para cualquier vector q ∈ C3 y a ∈ R arbitrario.

Como Ind(Â) = k = 1, tomando q = x(0), con x(0) condición inicial, y a = 0,
resulta:
D B̂t
x(t) = e−Â ÂÂD x(0)
| {z }
S1
Z t
D −ÂD B̂t D B̂s
+ Â e eÂ b̂ ds
0
| {z }
S2
+ (I − ÂÂ )B̂ D b̂ .
D
| {z }
S3
Vamos a calcular cada una de las expresiones S1 , S2 , S3 anteriores.
Del ejemplo anterior conocemos el valor de S1 . En concreto,

   
1/2 −3/10 −4/5 1/2 1/5 7/10
ÂD =  1/2 11/10 3/5  , B̂ D =  −1/2 −1/5 −7/10  ,
−1/2 −1/10 2/5 1/2 1/5 7/10
 t t 
1
10 10 
 
1/2 −1/5 −7/10 
t t
 
−ÂD B̂t
ÂÂD =  1/2 6/5 7/10  , e =  0 1+ .
  
10 10

−1/2 −1/5 3/10  
t t
 
0 − 1−
10 10
Por tanto,
D
S1 = e−Â B̂t ÂÂD x(0)
  
1 1 1 1 7
 1 t t  − −
 10 10  2 5 10 
 1 1  1 6 7 
= 0 1 + 10 t t    x(0)
 10  2
  5 10  
 1 1  1 1 3 
0 − t 1− t − −
 10 10 2  5 10
1 1 1 7 1
 2 − + t − + t 
 5 10 10 10   x1 (0)

 1 6 1 7 1 
= 2 + t + t   x2 (0) .
 
 5 10 10 10  x (0)
 1 3
1 1 3 1 
− − − t − t
2 5 10 10 10
Para obtener el valor de

Z t
D −ÂD B̂t D B̂s
S2 = Â e eÂ b̂ ds,
0
Rt D B̂s
comenzamos por la integral 0
eÂ b̂ ds. Dado que
 
1 1
 1 − 10 s − s
10 
 
D B̂s  1 1 
eÂ =
 0 1 − 10 s − 10 s
,

 
 1 1 
0 s 1+ s
10 10
se tiene que
 
1 1 2
t+ t
 5 80 
t
Z  
ÂD B̂s
 3 1 2 
e b̂ ds =  − t+ t .
0

 5 80 

 7 1 2 
t− t
20 80
Finalmente,
 
1
− t2

 80 

 7 1 2 
S2 =  − t− t .

 20 80 

 1 1 2 
t+ t
10 80
Para S3 ,
 
9

 40 

D D
 9 
S3 = (I − ÂÂ )B̂ b̂ =  − .

 40 

 9 
40
Unimos todo lo anterior para obtener la solución general
   
1 1 1 7 1 1 9
 2 − 5 + 10 t − 10 + 10 t  − t2 +
 

 80 40 

 1 6 1 7 1   7 1 9 
x(t) = 
 2 + t + t  x(0) +  − t− t2 − .
 5 10 10 10  
 20
 80 40 

 1 1 1 3 1   1 1 2 9 
− − − t − t t+ t +
2 5 10 10 10 10 80 40
Por el teorema (4.13)[página 140], para que la ecuación diferencial (4.19) tenga una
única solución, la condición inicial x(0) debe satisfacer
x(0) = ÂÂD q + (I − ÂÂD )B̂ D b̂, q ∈ C3 .
Si q = x(0), resulta
(I − ÂÂD )(x(0) − B̂ D b̂) = 0,
de donde
 
1 1 7 9
x1 (0) + x2 (0) + x3 (0) −

 2 5 10 40 

 
0
D D
 1 1 7 9 
(I−ÂÂ )(x(0)−B̂ b̂) =  − x1 (0) − x2 (0) − x3 (0) +  =  0 .
 2 5 10 40 
  0
 1 1 7 9 
x1 (0) + x2 (0) + x3 (0) −
2 5 10 40
Nos queda una única ecuación como condición:

1 1 7 9
x1 (0) + x2 (0) + x3 (0) − = 0.
2 5 10 40
Despejamos una de las xi (0), i = 1, 2, 3, por ejemplo, x3 (0):

10 1 1 9
x3 (0) = − x1 (0) − x2 (0) + , x1 (0), x2 (0) ∈ C.
7 2 5 40
Simplificando:
5 2 9
x3 (0) = − x1 (0) − x2 (0) + , x1 (0), x2 (0) ∈ C.
7 7 28
Como consecuencia, la solución general de la ecuación diferencial (4.19) es

 1 1 9 1 2

x1 (0) + 14 x2 (0) t − 14 tx1 (0) + 280 t − 80 t
 1 1 89 1 2

x(t) =  x 2 (0) + x 2 (0) t − tx1 (0) − t − t  , x1 (0), x2 (0) ∈ C.
 14 14 280 80 
5 2 1 9 1 19 1 2
− 7 x1 (0) − 7 x2 (0) − 14 x2 (0) t + 28 + 14 tx1 (0) + 280 t + 80 t
Al igual que hicimos en el ejemplo anterior, comprobamos si el software matemá-

tico Maple 2015.1 es capaz de darnos una solución general a este problema. El proceso
y el resultado ha sido el siguiente:
A := Matrix([[2, -3, -5], [-1, 4, 5], [1, -3, -4]]);

B := Matrix([[1, 0, 1], [2, 1, 3], [3, 1, 4]]);
b := Vector([1, 0, 2]);
xx := Vector([x1(t), x2(t), x3(t)]);
sistemaNH := [sistema[1] = b[1], sistema[2] = b[2], sistema[3] = b[3]];
dsolve(sistemaNH);
{x1(t) = -(1/80)*t^2+_C1*t+_C2,
x2(t) = -(7/20)*t+14*_C1-(1/80)*t^2+_C1*t+_C2-9/20,
x3(t) = (1/80)*t^2-_C1*t-_C2+9/20+(1/10)*t-4*_C1}
4.5 Impacto del artículo de ecuaciones diferenciales
Comentamos, nada más comenzar este capítulo, que una parte del desarrollo del
mismo, en particular la referente a la aplicación de la inversa de Drazin para el cálcu-
lo de soluciones de sistemas de ecuaciones diferenciales, se iba a fundamentar en
[CMR76]. Se ha tratado de realizar un estudio de las referencias encontradas en la
aplicación "web of knowledge", disponible en https://fama.us.es//, a partir de la
búsqueda de dicho artículo. De las 134 referencias que se han obtenido, se ha consi-
derado comentar los siguientes temas.
4.5.1 Ecuaciones diferenciales
El lector podría preguntarse por qué, habiendo visto ya toda una sección referente
a la aplicación de la inversa de Drazin como medio para la resolución de sistemas de
ecuaciones diferenciales, volvemos a referirnos a ello. Pues bien, no es excesivo decir
que ésta es la aplicación más relevante de la inversa de Drazin. Sistemas lineales de
ecuaciones diferenciales son utilizados en una gran variedad de ámbitos en la vida
real, modelizando problemas de física, biología, ingeniería o, inclusive, problemas de
ciencias sociales. Pero no todos son capaces de ser resueltos mediante la teoría clási-
ca de ecuaciones diferenciales. Es el caso de los sistemas diferenciales singulares, en
los que la matriz constituida por los coeficientes que acompañan a las derivadas no
posee inversa, y por ello, no pueden ser resueltos por los métodos convencionales.
La inversa de Drazin nos ayuda en la obtención de resultados con los que vamos a
ser capaces de encontrar soluciones para tales sistemas. Parte de estos resultados es
lo que hemos visto hasta ahora, el cálculo de soluciones de sistemas de ecuaciones
diferenciales singulares de primer orden a partir del uso de la inversa de Drazin.
Técnicas numéricas fundamentadas en la formulación basada en la inversa de Drazin
para la solución de sistemas singulares diferenciales son propuestas por [CGST12]
para aproximar la solución de problemas de valor inicial asociados a un sistema sin-
gular.
La incorporación de la inversa de Drazin a la solución de sistemas homogéneos de
ecuaciones diferenciales singulares de segundo de orden tiene su origen en [Cam83],
el cual nos propone, mediante un cambio de variable, reducir el sistema diferencial
singular de segundo orden a un sistema diferencial singular de primer orden, que ya
estaríamos en condiciones de resolver a partir de los resultados conocidos. El mayor
inconveniente que se presenta es el cálculo de la inversa de Drazin de este último sis-
tema. [XSL15] trata de obtener, a partir del sistema diferencial de segundo orden que
poseíamos inicialmente, una ecuación matricial cuadrática que simplifique el cálculo
de dicha inversa de Drazin. Como aplicación, [XSL15], nos describe una solución par-
ticular de un sistema basado en el modelo físico de una varilla uniforme de 2 unidades
de longitud.
No solo vamos a encontrarnos referencias relacionadas con la resolución de sistemas
diferenciales singulares; [FWC13] se basa en el uso de la inversa de Drazin para esta-
blecer condiciones necesarias y suficientes en el estudio de la estabilidad de sistemas
singulares multiagentes de orden superior e invariantes en el tiempo (LTI). Nos en-
contramos aquí con un nuevo concepto que hasta ahora no habíamos introducido, el
de sistemas multiagentes. Se trata de sistemas que están compuestos a nivel indivi-
dual por entidades (agentes) que tienen un comportamiento autónomo y proactivo e
interactúan con el medio ambiente. Como resultado de todas estas actuaciones se ob-
tiene un comportamiento global del sistema. Estos sistemas han sido considerados por
biólogos, físicos e ingenieros; un ejemplo son los llamados MASS (multi-agent suppor-
ting systems), como se muestran en [Ben94] y [Dif12], sistemas desarrollados para
configuraciones formadas por muchos agentes que deben mantenerse incluso cuando
existen alteraciones desconocidas. Es el caso de la prevención de daños producidos
por terremotos en edificios, control de la estabilidad de plantas flotantes, control de
antenas parabólicas de gran diámetro o telescopios.
Por último, cabe destacar una de las referencias más recientes, [Muh16], que incorpo-
ra la inversa de Drazin con la finalidad de realizar una primera toma de contacto en
la detección de la existencia de una realimentación a un sistema lineal de ecuaciones
algebraicas diferenciales tal que el sistema resultante sea positivo y estable.
4.5.2 Inversa de Drazin W -Ponderada (WDI)
El origen de un nuevo concepto es introducido por [CG80], el cual define, da-

das dos matrices cualesquiera B ∈ Cm×n y W ∈ Cn×m , la inversa de Drazin W -
Ponderada de B, y la denota por X = Bd,W , como la matriz X = B[(W B)D ]2 . A
partir de este momento, ampliamos el concepto de inversa de Drazin que conocíamos
hasta ahora, y, exclusivamente aplicable a matrices cuadradas, al concepto de inversa
de Drazin W -Ponderada, aplicable incluso a matrices rectangulares. [SKM17], una de
las referencias más actuales, nos muestra diversos métodos de cálculo de la inversa
de Drazin W -Ponderada.
La mayoría de los artículos encontrados referidos a la (WDI), tienen como única fina-
lidad la de presentar diferentes métodos para el cálculo de la misma, sin aparecer el
desarrollo de ninguna aplicación que emplee la inversa de Drazin W -Ponderada para

algún propósito. Aunque, varios de ellos, como [Son13], [Wei02] y [WS04], desarrollan
una regla de Cramer con el fin de resolver ciertos sistemas de ecuaciones mediante la
(WDI), apareciendo también una expresión para la (WDI) a partir de determinantes.
Esta representación de la (WDI) es utilizada además, en [Kyr13], con el objetivo de
obtener una fórmula para la solución parcial de ciertas ecuaciones matriciales dife-
renciales del tipo X 0 + AX = B o X 0 + XA = B, donde la matriz A es singular.
4.5.3 Cálculo simbólico
El cálculo simbólico es aplicado en [SS16] para reducir el cálculo de la inversa

de Drazin sobre ciertos cuerpos al cálculo de la inversa de Drazin de matrices cuyos
coeficientes son funciones racionales. La pregunta que tocaría hacerse ahora sería:
¿conocido ya un método para el cálculo de la inversa de Drazin de una matriz, qué
utilidad nos aporta este nuevo método? El peso de la respuesta recae sobre el concepto
propiamente dicho del cálculo simbólico. Se definen, en nuestro caso, las variables
de entrada de la matriz como objetos simbólicos; objetos, que permanecerán en el
resultado obtenido por el método, pudiendo ser así sustituidos por las variables que
disponíamos, y obteniendo la inversa de Drazin de la matriz inicial; o sustituidos por
nuevas variables, y obteniendo la inversa de Drazin de una nueva matriz. Esto es una
ventaja importante sobre el cálculo numérico descrito en el método desarrollado en
el capítulo, que es único para cada matriz.
Un algoritmo disponible para ello se muestra en [SRS15], aplicando bases de Gröbner,
tan importantes en la resolución de sistemas de ecuaciones algebraicas. Lo deficiente
del método es la complejidad del cálculo de las bases de Gröbner, que en general, es
doble exponencial; aunque, en el caso que se trata, como el ideal es cero dimensional,
la complejidad del cálculo es exponencial. En dicho artículo, se extiende además este
método a la (WDI) comentada anteriormente. Y se demuestra, mediante la realización
de tres experimentos (en cada uno de ellos la matriz a calcular la inversa de Drazin
presenta diferente orden, y en cada uno de ellos se fijan diferente número de variables)
realizados con el software matemático Maple 18, que el método tiene un buen tiempo
de ejecución.
Bibliografía
[AS03] T Aoki and T Sato, Application of Bott-Duffin inverse to static and dynamic
analysis of masonry structures, Structural studies, repairs and maintenan-
ce of heritage architecture VIII (Brebbia, CA, ed.), Advances in architec-
ture series, vol. 16, 2003, pp. 277–286.
[BD53] R. Bott and R. J. Duffin, On the algebra of networks, Trans. Amer. Math.
Soc. 74 (1953), 99–109.
[Ben94] Shugen Ma; S. Hackwood; G. Beni, Multi-agent supporting systems

(mass): control with centralized estimator of disturbance, IEEE Conferen-
ce Publications: International Conference on Intelligent Robots and Sys-
tems 1 (1994).
[BIG03] Adi Ben-Israel and Thomas N. E. Greville, Generalized inverses, second

ed., CMS Books in Mathematics/Ouvrages de Mathématiques de la SMC,
vol. 15, Springer-Verlag, New York, 2003, Theory and applications.
[Cam83] S.L. Campbell, The drazin inverse and systems of second order linear dif-
ferential equations, Linear and Multilinear Algebra 14 (1983), 195–198.
[CG80] Randall E. Cline and T. N. E. Greville, A Drazin inverse for rectangular

matrices, Linear Algebra Appl. 29 (1980), 53–62.
[CGST12] C. Coll, D. Ginestar, E. Sanchez, and N. Thome, Drazin inverse based nu-
merical methods for singular linear differential systems, Advances in En-
gineering Software 50 (2012), 37–43.
[Che90] Yong Lin Chen, The generalized Bott-Duffin inverse and its applications,
Linear Algebra Appl. 134 (1990), 71–91.
[CM09] Stephen L. Campbell and Carl D. Meyer, Generalized inverses of linear

transformations, Classics in Applied Mathematics, vol. 56, Society for In-
dustrial and Applied Mathematics (SIAM), Philadelphia, PA, 2009.
[CMR76] S.L. Campbell, C.D. Meyer, and N.J. Rose, Applications of drazin inverse to
linear-systems of differential equations with singular constant coefficients,
SIAM Journal on Applied Mathematics 31 (1976), no. 3, 411–425.
[Dif12] Admissible consensus and consensualization of high-order linear time-

invariant singular swarm systems, Physica A: Statistical Mechanics and
its Applications 391 (2012), no. 23, 5839 – 5849.
[Dra58] M. P. Drazin, Pseudo-inverses in associative rings and semigroups, The

American Mathematical Monthly 65 (1958), no. 7, 506–514.
[Dra12] Michael P. Drazin, A class of outer generalized inverses, Linear Algebra

and its Applications 436 (2012), no. 7, 1909–1923.
[Dra14] , Generalized inverses: Uniqueness proofs and three new classes,

Linear Algebra and its Applications 449 (2014), 402–416.
[FWC13] Mingyu Fu, Shimin Wang, and Yirui Cong, Swarm stability analysis of
high-order linear time-invariant singular multiagent systems, Math. Probl.
Eng. (2013), Art. ID 469747, 11.
[Gan64] F.R. Gantmacher, The theory of matrices, vol. Two, Chelsea Publishing
Company, 1964.
[Har08] D.A. Harville, Matrix algebra from a statisticianś perspective, Springer,

2008.
[HK09] Denis Horvath and Gerald R. Kneller, A least-constraint principle for po-
pulation dynamics and reaction kinetics: Modeling entropy-controlled che-
mical hypercycles, Journal of Chemical Physics 131 (2009), no. 17.
[KGW00] C Keller, NIM Gould, and AJ Wathen, Constraint preconditioning for inde-
finite linear systems, SIAM Journal on Matrix Analysis and Applications
21 (2000), no. 4, 1300–1317.
[Kne06] G. R. Kneller, Hamiltonian formalism for semiflexible molecules in Carte-

sian coordinates, Journal of Chemical Physics 125 (2006), no. 11.
BIBLIOGRAFÍA 161
[Kne07] Gerald R. Kneller, Projection formalism for constrained dynamical systems:

From Newtonian to Hamiltonian mechanics, Journal of Chemical Physics
127 (2007), no. 16.
[Kne08] , Eckart axis conditions, Gauss’ principle of least constraint, and the
optimal superposition of molecular structures, Journal of Chemical Physics
128 (2008), no. 19.
[Kyr13] Ivan Kyrchei, Explicit formulas for determinantal representations of the

Drazin inverse solutions of some matrix and differential matrix equations,
Appl. Math. Comput. 219 (2013), no. 14, 7632–7644.
[LACCG14] M. Laura Arias, Gustavo Corach, and M. Celeste Gonzalez, Saddle point
problems, Bott-Duffin inverses, abstract splines and oblique projections, Li-
near Algebra and its Applications 457 (2014), 61–75.
[LW07] Yiqin Lin and Yimin Wei, A note on constraint preconditioners for nonsym-
metric saddle point problems, Numerical Linear Algebra with Applica-
tions 14 (2007), no. 8, 659–664.
[LWW09] Xin-Guo Liu, Wei-Guo Wang, and Yi-Min Wei, A generalization of the
Bott-Duffin inverse and its applications, Numer. Linear Algebra Appl. 16
(2009), no. 3, 173–196.
[Mey00] Carl Meyer, Matrix analysis and applied linear algebra, Society for Indus-
trial and Applied Mathematics (SIAM), Philadelphia, PA, 2000.
[MS09] Luis Merino and Evangelina Santos, Álgebra lineal con métodos elemen-
tales, Paraninfo, 2009.
[Muh16] Muhafzan, Positive Stabilization of Linear Differential Algebraic Equation

System, International Journal of Differential Equations (2016).
[SKM17] Predrag S. Stanimirovic, Vasilios N. Katsikis, and Haifeng Ma, Represen-

tations and properties of the W-Weighted Drazin inverse, Linear Multili-
near Algebra 65 (2017), no. 6, 1080–1096.
[Son13] Guang Jing Song, Characterization of the W-weighted Drazin inverse over
the quaternion skew field with applications, Electron. J. Linear Algebra 26
(2013), 1–14.
[SRS15] Juana Sendra and J. Rafael Sendra, Gröbner basis computation of Drazin
inverses with multivariate rational function entries, Appl. Math. Comput.
259 (2015), 450–459.
[SS16] J. Rafael Sendra and Juana Sendra, Symbolic computation of Drazin in-
verses by specializations, J. Comput. Appl. Math. 301 (2016), 201–212.
[TM10a] Paul A. Tipler and Gene Mosca, Física para la ciencia y la tecnología, vol.
2A: electricidad y magnetismo, Editorial Reverté, 2010.
[TM10b] , Física para la ciencia y la tecnología, vol. 1A: mecánica, Editorial

Reverté, 2010.
[Wei02] Yimin Wei, A characterization for the W -weighted Drazin inverse and
a Cramer rule for the W -weighted Drazin inverse solution, Appl. Math.
Comput. 125 (2002), no. 2-3, 303–310.
[WS04] Guo-rong Wang and Jie Sun, A Cramer rule for solution of the general
restricted matrix equation, Appl. Math. Comput. 154 (2004), no. 2, 415–
422.
[WZ04] YM Wei and NM Zhang, Further note on constraint preconditioning for

nonsymmetric indefinite matrices, Applied Mathematics and Compu-
tation 152 (2004), no. 1, 43–46.
[XSL15] Qingxiang Xu, Chuanning Song, and Xiaofang Liu, General exact solu-
tions of the second-order homogeneous algebraic differential equations, Li-
near Multilinear Algebra 63 (2015), no. 2, 244–263.
[XW07] Hua Xiang and Yimin Wei, On normwise structured backward errors for,
SIAM Journal on Matrix Analysis and Applications 29 (2007), no. 3, 838–
849.
[XWD06] Hua Xiang, Yimin Wei, and Huaian Diao, Perturbation analysis of genera-
lized saddle point systems, Linear Algebra and its Applications 419 (2006),
no. 1, 8–23.

Blanco Guillén, María Montaña TFG

Cargado por

Copyright:

Formatos disponibles

Blanco Guillén, María Montaña TFG

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Blanco Guillén, María Montaña TFG

Cargado por

Copyright:

Formatos disponibles

APLICACIONES DE LAS INVERSAS

Mª Montaña Blanco Guillén

Mª Montaña Blanco Guillén

Memoria presentada como parte de los requisitos

Prof. Tutor D. Manuel Jesús Gago Vargas

A mi otra familia, mi Antonia, por estar siempre ahí inquebrantable, dando lo

1.1. Escalares y vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

1.2. Producto escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.3. Norma vectorial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.5. Transformaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . 15

1.6. Imagen, contraimagen y espacio nulo . . . . . . . . . . . . . . . . . . 16

1.7. Autovalores y autovectores . . . . . . . . . . . . . . . . . . . . . . . . 18

1.8. Matriz definida positiva . . . . . . . . . . . . . . . . . . . . . . . . . . 22

1.9. Descomposición en valores singulares . . . . . . . . . . . . . . . . . . 24

1.10. Factorización de rango pleno . . . . . . . . . . . . . . . . . . . . . . . 27

1.11. Forma canónica de Jordan . . . . . . . . . . . . . . . . . . . . . . . . 30

2.1. Inversa de Moore-Penrose . . . . . . . . . . . . . . . . . . . . . . . . 33

2.3. {1, 2}-inversas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.4. {1, 2, 3}-, {1, 2, 4}-, {1, 2, 3, 4}-inversas . . . . . . . . . . . . . . . . . 44

2.5. {2}-inversa de rango prescrito . . . . . . . . . . . . . . . . . . . . . . 52

2.6. Caracterización de A{1} . . . . . . . . . . . . . . . . . . . . . . . . . 55

2.7. Caracterización de A{1, 3} . . . . . . . . . . . . . . . . . . . . . . . . 58

2.8. Caracterización de A{1, 4} . . . . . . . . . . . . . . . . . . . . . . . . 59

2.9. Caracterización de A{2}s . . . . . . . . . . . . . . . . . . . . . . . . . 60

2.10. Caracterización de A{1, 2} . . . . . . . . . . . . . . . . . . . . . . . . 61

2.11. Caracterización de A{2, 3}s . . . . . . . . . . . . . . . . . . . . . . . 62

2.12. Caracterización de A{2, 4}s . . . . . . . . . . . . . . . . . . . . . . . 62

3.1. Matrices idempotentes y proyectores . . . . . . . . . . . . . . . . . . 66

3.2. Inversa de Bott-Duffin . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

3.3. Aplicación de la inversa de Bott-Duffin a redes eléctricas . . . . . . . 77

3.4. Propiedad extrema de la inversa de Bott-Duffin con aplicación a redes

3.5. Recorrido bibliográfico . . . . . . . . . . . . . . . . . . . . . . . . . . 89

4.1. Índice de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

4.2. Inversa espectral de una matriz diagonal . . . . . . . . . . . . . . . . 104

4.3. Inversa de Drazin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

4.4. Aplicaciones de la inversa de Drazin a sistemas de ecuaciones diferen-

4.4.1. Ecuación x0 + Ax = f . . . . . . . . . . . . . . . . . . . . . . 122

4.4.2. Ecuación Ax0 + Bx = f cuando AB = BA . . . . . . . . . . 125

4.4.3. Ecuación Ax0 + Bx = f . . . . . . . . . . . . . . . . . . . . . 137

4.5. Impacto del artículo de ecuaciones diferenciales . . . . . . . . . . . . 156

4.5.1. Ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . . . 156

4.5.2. Inversa de Drazin W -Ponderada (WDI) . . . . . . . . . . . . . 157

4.5.3. Cálculo simbólico . . . . . . . . . . . . . . . . . . . . . . . . . 158

Fue en 1935 cuando E. H. Moore introdujo el concepto de inversa generalizada,

Un caso particular de {1, 2}-inversas es la llamada inversa de Bott-Duffin, que de-

cepto de inversa generalizada de Bott-Duffin.

En este trabajo el lector no solamente encontrará el seguimiento de algunas re-

1.1 Escalares y vectores

Nota 1.1. Un cuerpo genérico será denotado por F. Usualmente utilizaremos el

Definición 1.1. Llamaremos vector unitario ith de Fn al vector n-dimensional ei

Definición 1.3. Se define la suma de dos subespacios L, M de Fn , denotada L+M ,

Denominaremos a y la proyección de x en L a lo largo de M .

1.2 Producto escalar

Definición 1.6. Sea V un C-espacio vectorial. Un producto escalar en V es una

1. < u, v >= < v, u >; ∀ u, v ∈ V .

El producto escalar canónico en Cn se define como:

Ejemplo 1.2.1.- Consideremos la aplicación

< , >: Rn × Rn −→ R, tal que