PUCP

ESCUELA DE POSGRADO
MAESTRÍA EN ECONOMÍA

Curso : ECONOMÍA MATEMÁTICA INTERMEDIA

Semestre : 2016 - I
Prof. Abelardo Jordán L.

FORMAS CUADRÁTICAS Y ASPECTOS ESPECTRALES

0.1. Valores propios y vectores propios

Definición 1. Dada una matriz cuadrada A = [aij ] de orden n, se dice que un vec-
tor(columna) no nulo v de n componentes es un vector propio de A, si existe un número
(real o complejo) λ tal que
Av = λv (1)

En tal caso se dice que v es un vector propio asociado al valor propio λ.

De la ecuación (1) se tiene
(A − λI)v = 0 (2)
Claramente, dado que v 6= 0, el sitema homogéneo (2) admite soluciones no nulas, por lo
que debe cumplirse:
|A − λI| = 0 (3)
La ecuación (3) se llama ecuación caracterı́stica asociada a A, donde el determinante
del lado izquierdo resulta un polinomio de grado n en la variable λ. Cada uno de estos
valores λ que resuelvan (3) se llama un valor propio de A.
El espectro de A se define como el conjunto de los valores propios de A. Se denota por
spec(A).
Al resolver la ecuación (3), obtenemos n valores propios de A, que pueden ser reales o
complejos, tal vez repetidos. Teniendo como información los valores propios λ, se acude a
(1) para determinar v, el vector propio correspondiente.
Note que si v es un vector propio asociado a λ entonces todo vector w = αv es también
vector propio asociado a λ, para cualquier número real α no nulo. Por lo que, para un
valor propio habrán infinitos vectores propios asociados.
En vista de los resultados previos, se define el subespacio vectorial propio asociado al
valor propio λ, por
Sλ = {v ∈ Rn : Av = λv}
este aspecto lo vamos a considerar cuando λ ∈ R.

1
2

Ejemplos.
Hallar los valores propios y los correspondientes vectores propios asociados para cada
matriz.

" # !
1 5 1
i) A = tiene spec(A) = { 2, −4} con vectores propios respectivos
1 −3 0,2
!
1
y .
−1

" # !
2 4 1
ii) A = tiene spec(A) = {0, 3} con vectores propios respectivos
1/2 1 −0, 5
!
1
y
0, 5

" # !
1 3 1
iii) A = , λ1 = λ2 = 1 y S1 = {t : t ∈ R}
0 1 0

" # ! !
1 0 1 0
iv) A = , λ1 = λ2 = 1 y S1 = {v1 + v2 : v1 , v2 ∈ R.}
0 1 0 1

 
4 1 −6
v) A =  2 1 6  Tenemos los valores propios λ1 = 2, λ2 = 2 y λ3 = 6, con
 

2 −1 8
     
1 0 1
vectores propios asociados  2 ,  6  y  1 , por lo que
     

0 1 1
     
1 0 1
S2 = {v1  2  + v2  6  : v1 , v2 ∈ R} y S6 = {t  1  : t ∈ R.}
     

0 1 1

" # !
3 4 1
vi) A = Se tiene: λ = 3 + 4i con vector propio y λ = 3 − 4i con vector
−4 3 i
!
1
propio .
−i

NOTA: Los valores propios de una matriz triangular coinciden con los elementos de la
matriz ubicados en la diagonal principal.

Proposición 1. Si A es una matriz simétrica, entonces sus valores propios son números
reales.
0.1. VALORES PROPIOS Y VECTORES PROPIOS 3

0.1.1. Diagonalización de una matriz

Dada A una matriz de orden n, si existe una matriz invertible P y una matriz diagonal D
ambas de orden n, tales que
A = P DP −1 (4)

se dice que A es diagonalizable. En tal caso, se dice que A es equivalente a la matriz

diagonal D.

Observación 1.
Si v 1 , · · · , v r son vectores propios correspondientes a autovalores distintos λ1 , · · · , λr de
A, entonces {v 1 , · · · , v r } es una colección de vectores linealmente independientes.

Observación 2.
Si A es simétrica de orden n y si λ1 , λ2 son valores propios diferentes, con vectores pro-
pios asociados v 1 y v 2 respectivamente; entonces estos vectores son ortogonales, es decir
(v 1 )t v 2 = 0.
La justificación1 se basa en el hecho que (v 2 )t Av 1 = (At v 2 )t v 1 = (Av 2 )t v 1 = λ2 (v 2 )t v 1 .
Del mismo modo, (v 2 )t Av 1 = λ1 (v 2 )t v 1 . Por tanto

(λ1 − λ2 )(v 2 )t v 1 = 0

y en consecuencia (v 2 )t v 1 = 0.

Observación 3. Toda colección de vectores no nulos y ortogonales, es linealmente inde-

pendiente.

Teorema 1. [Teorema espectral] Sea A una matriz de orden n, entonces A = P DP −1 ,

con D diagonal, si y solo si, las columnas de P son n vectores propios de A linealmen-
te independientes, y la diagonal principal de D está constituı́da por los correspondientes
valores propios de A.

En particular esto se consigue si los valores propios de la matriz simétrica A son distintos
entre si.

Corolario 1. Si A es una matriz diagonalizable, entonces

|A| = λ1 λ2 · · · λn

siendo λi los valores propios de A. En tal caso, A es invertible si sus valores propios son
no nulos.
1
Los vectores v 1 y v 2 son columnas.
4

0.2. Formas cuadráticas

Definición 2. Dada una matriz A de orden n, una forma cuadrática en Rn es una función
de valor real, del tipo
Q(x) = xt Ax ∀x ∈ Rn . (5)
h it Xn
Si A = [aij ] de orden n y x = x1 · · · xn entonces xt Ax = aij xi xj .
i,j=1
h it
Ejemplos. i) En R2 , para x = x1 x2
" #" #
1 3 x1
Q(x) = [x1 x2 ] = x21 + 4x1 x2 + 5x22 .
1 5 x2
h i0
ii) Si A = diag(a, b, c) y x = x1 x2 x3 entonces x0 Ax = ax21 + bx22 + cx23 .
 
a d/2 e/2
iii) Si A =  d/2 b f /2  entonces xt Ax = ax21 + dx1 x2 + ...
 

e/2 f /2 c

Observación 4.
 
0 r s
Considere la matriz antisimétrica C =  −r 0 t  se tiene
 

−s −t 0
0 2
x Cx = 0x1 + 0x1 x2 + ... = 0.
En general para una matriz antisimétrica C, se cumple x0 Cx = 0.
Recuerde que dada una matriz cualquiera A, esta se puede expresar como A = S + C con
S simétrica y C antisimétrica, por lo que

x0 Ax = x0 Sx + x0 Cx = x0 Sx

es decir en la forma cuadrática solamente tiene efecto la parte simétrica de la matriz

asociada A.

0.2.1. Clasificación de las formas cuadráticas

Asumiendo que A es una matriz simétrica de orden n, se dice que la forma cuadrática
Q(x) = xt Ax para x ∈ Rn , es:

i) Definida positiva, si Q(x) > 0, para todo x 6= 0.

ii) Semidefinida positiva, si Q(x) ≥ 0, para todo x ∈ Rn .

iii) Definida negativa, si Q(x) < 0, para todo x 6= 0.

0.2. FORMAS CUADRÁTICAS 5

iv) Semidefinida negativa, si Q(x) ≤ 0, para todo x ∈ Rn .

v) Indefinida, si existen vectores x

b y x tales que Q(b
x) > 0 y Q(x) < 0.
" #
a 0
Observación 5. Si considera la matriz diagonal A = , según los valores de a y
0 b
b, clasifique la forma cuadrática asociada con esta matriz.

Se expone un criterio que teniendo como información el espectro de A, podemos clasificar

la forma cuadrática.

Proposición 2. Dada la forma cuadrática Q(x) = x0 Ax, con A simétrica que posee valores
propios λ1 , · · · , λn , entonces Q es:

i) Definida positiva, si y solo si, todos los λi son positivos.

ii) Semidefinida positiva, si y solo si, λi ≥ 0, para i = 1, · · · , n.

iii) Definida negativa, si y solo si, todos los λi son negativos.

iv) Semidefinida negativa, si y solo si, λi ≤ 0, para i = 1, · · · , n.

v) Indefinida, si y solo si, · · · · · · .

La denominación de las formas cuadráticas, es heredada por la matriz simétrica que la

define.
" #
2 1
Ejemplos. i) A = tiene valores propios 1, 38 y 3, 61. Por tanto A es definida
1 3
positiva.
 
1 0 0
ii) A =  0 0 0  tiene espectro {1, 0, 2}, por tanto A es semidefinida positiva.
 

0 0 2
 
2 1 −1 √ √
iii) A =  1 −1 0  tiene espectro {−1; −1+2 17 ; −1−2 17 }, por tanto A es indefi-
 

−1 0 −1
nida.
6

0.3. Matrices particionadas

Dada una matriz A de orden p × q, manteniendo el orden de las filas y las columnas,
se pueden generar submatrices de A, de modo que A sea un arreglo de sus submatrices.
Ası́ por
 ejemplo, si 
1 2 3 7 " # " #
1 2 3 7 h i
A =  0 4 6 1 , asignamos A11 = , A12 = , A21 = 2 1 3
 
0 4 6 1
2 1 0 3
" #
h i A11 A12
y A22 = 3 , entonces podemos escribir A =
A21 A22

0.3.1. Operaciones entre matrices particionadas

ADICIÓN:
Si A y B son matrices particionadas como A = [Aij ]m×n y B = [Bij ]m×n , tales que cada
Aij + Bij esté bien definida, entonces

A + B = [Aij + Bij ]

MULTIPLICACIÓN POR ESCALAR:

Si A = [Aij ] y α ∈ R, entonces αA = [αAij ].

MULTIPLICACIÓN ENTRE MATRICES:

Dadas las matrices particonadas A = [Aij ]m×n y B = [Bij ]n×p , entendiéndose que A tiene
n bloques en cada fila y B tiene n bloques en cada columna, entonces

Xn
AB = [ Aik Bkj ]
k=1

siempre que los productos Aik Bkj y las sumas estén bien definidas.

0.3.2. Casos especiales

1) Si A = [aij ] de orden m × n y B = [bij ] hde orden n × p,i podemos escribir A como un

arreglo de sus columnas mediante A = a1 · · · an del mismo modo B como un
 
b1
arreglo de sus filas B =  b2 , entonces
 

bn

AB = a1 b1 + · · · + an bn.
0.3. MATRICES PARTICIONADAS 7
" #
A B
2) Suponga que M = donde A es cuadrada de orden m y D es cuadrada de
C D
ordenn, entonces A es de "orden m #+ n.
A B
Particularmente, si M =
O D
con A y D cuadradas, entonces |M | = |A||D|. Si adicionalmente, A y D tienen
inversa, se sigue que M tiene inversa y
" #
A −1 −A−1 BD −1
M −1 =
O D−1

0.3.3. Complemento de Schur

Sea M una matriz de orden n + m, particionada de la siguiente forma

" #
A B
M=
C D

con A de orden n y B de orden m.

1) Si A es regular, el complemento de Schur de M respecto a A se define por

M/A := D − CA−1 B

2) Si D es regular, el complemento de Schur respecto a D se define por

M/D := A − BD−1 C

Diagonalización

1) Si A es regular, entonces
" # " #" #" #
A B I O A O I A−1 B
=
C D CA−1 I O M/A O I

2) Si D es regular, entonces
" # " #" #" #
A B I BD−1 M/D O I O
=
C D O I O D D−1 C I

3) De 1) y 2), se sigue que:

rank(M ) = rank(A) + rank(M/A) y rank(M ) = rank(D) + rank(M/D)

8

0.3.4. Solución de sistema lineal particionado

Dado el sistema
AX + BY =p
CX + DY =q
Si D es regular, eliminando Y y resolviendo para X se tiene

X = (A − BD−1 C)−1 (p − BD−1 q) = (M/D)−1 (p − BD−1 q)

" # " #
A11 A12 A 0 A 0
11 12
Ejercicios. Si A = , probar que A0 = .
A21 A22 A021 A022

Si A1 , A2 , A3 tienen inversa, y A = diag(A1 , A2 , A3 ), probar que A−1 = diag(A−1 −1 −1

1 , A2 , A3 ).
" # " #
O B −1 −A−1 CB −1 A−1
Si T = con A y B invertibles, probar que T = .
A C B −1 O
" # " #
I O I O
Si P = , probar que P 2 = .
C B C + BC B 2

Lima, Marzo del 2016.