You are on page 1of 14

CAPÍTULO 8: FORMAS CUADRÁTICAS

⎡1 −2 0⎤
Capítulo 8 ⎢
B = ⎢0
⎢⎣0
2
0
2⎥

1 ⎥⎦
FORMAS CUADRÁTICAS
es una matriz asociada a la forma cuadrática f.

Pero f también puede escribirse de la siguiente forma:


8.1. INTRODUCCIÓN.
f (X1 , X 2 , X 3 ) = X12 + 2X 22 + X 32 − X1X 2 − X 2 X1 + 2X 2 X 3
En este capítulo se presenta un concepto fundamental para la teoría de la
probabilidad, específicamente para el estudio de la distribución normal En ese caso, B11 = 1, B12 = -1, B13 = 0, B21 = -1, B22 = 2, B23 = 2, B31 = 0,
multivariante, como lo es el concepto de Forma Cuadrática. Se exponen sus B32 = 0 y B33 = 1 y la matriz:
principales temas asociados como lo son las Representaciones Normal y
Canónica, la Clasificación y la Derivada de Formas Cuadráticas.
⎡ 1 −1 0⎤
⎢ ⎥
8.2. DEFINICIONES, PROPIEDADES Y EJEMPLOS. B = ⎢−1 2 2⎥
⎢⎣ 0 0 1 ⎥⎦
Definición 8.1.
es también una matriz asociada a la forma cuadrática f.
Sean B∈Mnxn(ℜ) y f: ℜn→ℜ. Se dice que f es una forma cuadrática con matriz
asociada B si y sólo si:
Observación:
f(X) = XtBX
El ejemplo anterior evidenció que una forma cuadrática puede tener más de
una matriz asociada. Para identificar a una forma cuadrática con una única
Observación:
matriz, se obtiene una matriz B asociada a la función y luego se calcula la
siguiente matriz:
Desarrollando se obtiene que:
1
⎡ B11 B12 L B1n ⎤ ⎡ X1 ⎤ A= (B + B t )
⎢ ⎥⎢ ⎥ 2
B B22 L B2 n ⎥ ⎢ X 2 ⎥
f(X) = f(X1, X2, …, Xn) = [X1 X2 L X n ]⎢ 21
⎢ M M M ⎥⎢ M ⎥ La matriz A es simétrica y de hecho es la única matriz simétrica asociada a la
⎢ ⎥⎢ ⎥ forma cuadrática f. Con dicha matriz es que se identifica de forma única una
⎣⎢Bn1 Bn 2 L Bnn ⎦⎥ ⎣⎢X n ⎦⎥
forma cuadrática.
n n
= ∑∑ B X X
i =1 j=1
ij i j
Ejemplo 8.2.

La única matriz simétrica asociada a la forma cuadrática del ejemplo 8.1., es:
Ejemplo 8.1.

Sea f: ℜ3→ℜ definida por: ⎡1 −2 0⎤ ⎡ 1 0 0⎤ ⎡ 1 −1 0⎤


1 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
A= ( ⎢0 2 2⎥ + ⎢ − 2 2 0⎥ ) = ⎢ − 1 2 1⎥
2
f (X1 , X 2 , X 3 ) = X12 + 2X 22 + X 32 − 2X1X 2 + 2X 2 X 3 ⎢⎣0 0 1 ⎥⎦ ⎢⎣ 0 2 1⎥⎦ ⎢⎣ 0 1 1⎥⎦

Esta función es una forma cuadrática, ya que su regla de correspondencia es de Definición 8.2.
3 3
la forma ∑∑ B X X
i =1 j=1
ij i j . Luego, B11 = 1, B12 = -2, B13 = 0, B21 = 0, B22 = 2, Sean A, B∈Mnxn(ℜ). Se dice que A es congruente con B si y sólo si:

B23 = 2, B31 = 0, B32 = 0 y B33 = 1 y la matriz: ∃ P∈Mnxn(ℜ) (P no singular): PtAP = B

287
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

Si además A y B son las matrices simétricas asociadas a las formas cuadráticas Apliquemos operaciones elementales de fila sobre A para obtener una matriz
f: ℜn→ℜ y g: ℜn→ℜ, respectivamente, entonces se dice que las formas triangular superior equivalente por filas a A. Dichas operaciones serán
cuadráticas f y g son congruentes. Si además P es ortogonal entonces se dice aplicadas simultáneamente sobre la matriz I3 para obtener a la vez la matriz Pt:
que tanto A y B como f y g son ortogonalmente congruentes.
⎡ 1 −1 0 1 0 0⎤
Observaciones: ⎢ ⎥ 2 → r2 + r1
[A| I3] = ⎢ − 1 2 1 0 1 0⎥ ⎯r⎯ ⎯ ⎯→
Si A es congruente con B entonces: ⎢ 0 1 1 0 0 1⎥⎦

1. t
Rango(B) = Rango(P AP) = Rango(A). ⎡ 1 −1 0 1 0 0⎤ ⎡ 1 −1 0 1 0 0⎤
⎢ ⎥ 3 → r3 − r2 ⎢ ⎥
⎢ 0 1 1 1 1 0⎥ ⎯r⎯ ⎯ ⎯→ ⎢ 0 1 1 1 1 0⎥ = [T | Pt]
2. Como P es no singular entonces P se puede escribir como un ⎢ 0 1
⎣ 1 0 0 1⎥⎦ ⎢ 0 0
⎣ 0 −1 −1 1⎥⎦
producto de matrices elementales, en este caso como P aparece
postmultiplicando a A dichas matrices elementales son obtenidas
con operaciones elementales de columnas, es decir, P = FsFs-1…F1. Por lo tanto,
Luego, Pt = (FsFs-1…F1)t = (F1)t(F2)t…(Fs)t = E1E2…Es. Luego,
⎡ 1 −1 0⎤
E1E2…EsAFsFs-1…F1 = B ⎢ ⎥
T = PtA = ⎢ 0 1 1⎥
3. Las matrices elementales E1, E2, …, Es se pueden elegir de forma ⎢⎣ 0 0 0⎥⎦
tal que E1E2…EsA sea una matriz triangular, digamos triangular
superior. Luego, ⎡ 1 0 0⎤ ⎡1 1 −1⎤
⎢ ⎥ ⎢ ⎥
P = (Pt)t = ( ⎢ 1 1 0⎥ )t = ⎢0 1 − 1⎥
E1E2…EsA = T; siendo Pt = E1E2…Es ⎢⎣ − 1 − 1 1⎥⎦ ⎢⎣0 0 1⎥⎦
Tomando transpuesta a ambos lados se obtiene que:
Luego,
(E1E2…EsA)t = Tt
At(E1E2…Es)t = Tt ⎡ 1 −1 0⎤ ⎡1 1 −1⎤ ⎡1 0 0⎤
AtFsFs-1…F1 = Tt ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
D = PtAP = ⎢ 0 1 1⎥ ⎢0 1 − 1⎥ = ⎢0 1 0⎥
⎢⎣ 0 0 0⎥⎦ ⎢⎣0 0 1⎥⎦ ⎢⎣0 0 0⎥⎦
Si A es simétrica entonces se tiene que:

AFsFs-1…F1 = Tt Por consiguiente, A es congruente con la matriz diagonal D.


⇒ E1E2…EsAFsFs-1…F1 = E1E2…EsTt
Teorema 8.1.
Es decir, A es congruente con la matriz E1E2…EsTt. Pero T es
triangular superior, en consecuencia, Tt es triangular inferior y Sean A∈Mnxn(ℜ). A es simétrica si y sólo si A es ortogonalmente congruente
como E1E2…Es logran una matriz triangular superior entonces la con su matriz de autovalores Dλ(A).
matriz E1E2…EsTt es una matriz diagonal. Por lo tanto, si A es
simétrica entonces A es congruente con una matriz diagonal, no Demostración
necesariamente igual a la matriz de autovalores de A.
CN (⇒): Si A es simétrica entonces A es ortogonalmente congruente con su
Ejemplo 8.3. matriz de autovalores Dλ(A).
Consideremos la forma cuadrática del ejemplo 8.1. La matriz simétrica Si A es simétrica entonces por el teorema 7.17. A es diagonalizable
asociada es: ortogonalmente, es decir:

⎡ 1 −1 0⎤ ∃P∈Mnxn(ℜ) (P ortogonal): PtAP = Dλ(A)


⎢ ⎥
A = ⎢ −1 2 1⎥
Luego, A es congruente con Dλ(A).
⎣⎢ 0 1 1⎦⎥

288 289
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

CS (⇐): Si A es ortogonalmente congruente con su matriz de autovalores n

Dλ(A) entonces A es simétrica. ⇒ nS2 = ∑ (X


i =1
i − X) 2

Si A es ortogonalmente congruente con su matriz de autovalores Dλ(A)


entonces: Veamos que nS2 es una forma cuadrática. Se puede demostrar que:

n n
∃P∈Mnxn(ℜ) (P ortogonal): PtAP = Dλ(A)
∑ (X ∑X
2
i − X) 2 = 2
i − nX
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): PPtAPPt = PDλ(A)Pt i =1 i =1
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): A = PDλ(A)Pt
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): At = (PDλ(A)Pt)t Luego,
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): At = (Pt)t(Dλ(A))tPt
⇒ ∃P∈Mnxn(ℜ) (P ortogonal): At = P(Dλ(A))tPt n n

n n n ∑X ∑X i i

∑X ∑X ∑X
2
2 i =1 i =1
Como Dλ(A) es una matriz diagonal entonces es simétrica, luego: i − nX = 2
i − n XX = 2
i −n
i =1 i =1 i =1 n n
∃P∈Mnxn(ℜ) (P ortogonal): At = PDλ(A)Pt n
1 n n
1 t
t

= X i2 −
i =1 n
∑X ∑X
i =1
i
i =1
i = XtX −
n
X (1n )(1n ) t X
Por lo tanto, A = A , es decir, A es simétrica.
1
= X (I n − (1n )(1n ) t )X
t
Definición 8.3. n

Sea A∈Mnxn(ℜ) una matriz simétrica. Se define como índice de A y se denota


⎡ X1 ⎤
por Indice(A) al número de autovalores positivos de A. ⎢ ⎥
X
= X PX; con X = ⎢ 2 ⎥
t
Ejemplo 8.4. ⎢ M ⎥
⎢ ⎥
Consideremos la forma cuadrática del ejemplo 8.1. La matriz simétrica ⎣⎢X n ⎦⎥
asociada es:
Por lo tanto, nS2 es una forma cuadrática con matriz simétrica asociada la
−1 matriz de centraje. Por el ejemplo 7.19., dicha matriz tiene como autovalores
⎡ 1 0⎤
⎢ ⎥ λ1 = 0 con r1 = 1 y λ2 = 1 con r2 = n – 1. En consecuencia, Indice(P) = n – 1.
A = ⎢ −1 2 1⎥
⎢⎣ 0 1 1⎥⎦ Teorema 8.2.

Hallemos sus autovalores. Se puede demostrar que su autopolinomio es: Sea A∈Mnxn(ℜ) una matriz simétrica. Si Rango(A) = r e Indice(A) = p
entonces A es congruente con la matriz diagonal D´(A) definida por:
PA (λ ) = −λ3 + 4λ2 − 3λ
⎡ Ip θ px ( r − p ) θ px ( n − r ) ⎤
⎢ ⎥
Los autovalores de A son λ1 = 1, λ2 = 3 y λ3 = 0. D′(A) = ⎢θ ( r − p ) xp − I r −p θ( r −p) x ( n −r ) ⎥
⎢θ θ( n −r ) x ( r −p) θ ( n − r ) x ( n − r ) ⎥⎦
⎣ ( n − r ) xp
Por lo tanto, Indice(A) = 2.

Ejemplo 8.5. Demostración

Consideremos la Varianza de un grupo de n datos cuantitativos X1, X2, …, Xn: Como A es simétrica entonces por el teorema 8.1., A es ortogonalmente
congruente con su matriz de autovalores o forma canónica de Jordan de A, es
n decir,

2
∑ (X i − X) 2
∃P∈Mnxn(ℜ) (P ortogonal): PtAP = Dλ(A) (1)
S = i =1
n

290 291
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

Supongamos, sin pérdida de generalidad, que en la matriz Dλ(A) los primeros p ⎧ λi


autovalores son los positivos de A, los siguientes r – p autovalores son los ⎪+λ si i = j; i = 1, 2, ..., p
negativos de A y los últimos n – r autovalores son los nulos de A. ⎪ i
⎪ λ si i = j; i = p + 1, ..., r
=⎨ i
Sea C∈Mnxn(ℜ) la matriz definida por: ⎪ − λi
⎪ 0 si i = j; i = r + 1, ..., n
⎪ 0 si i ≠ j
⎧ 1 ⎩
⎪ si i = j; i = 1, 2, ..., r
λi ⎧ 1 si i = j; i = 1, 2, ..., p
⎪ ⎪
⎪ ⎪− 1 si i = j; i = p + 1, ..., r
Cij = ⎨ c si i = j; i = r + 1, ..., n ; c∈ℜ *
=⎨
⎪ 0 si i ≠ j ⎪ 0 si i = j; i = r + 1, ..., n

⎪ ⎩⎪ 0 si i ≠ j

Es claro que C es una matriz diagonal y no singular. Es decir, CtDλ(A)C = D´(A). Se concluye que A es congruente con la matriz
D´(A).
Premultiplicando y postmultiplicando a ambos lados de (1) por Ct y C,
respectivamente se tiene que: Ejemplo 8.6.

Consideremos la forma cuadrática del ejemplo 8.1. La matriz simétrica


CtPtAPC = CtDλ(A)C
asociada es:
(PC)tA(PC) = CtDλ(A)C

Como P y C son no singulares entonces la matriz Q∈Mnxn(ℜ); Q = PC es ⎡ 1 −1 0⎤


⎢ ⎥
también no singular. Luego, A = ⎢ −1 2 1⎥
⎢⎣ 0 1 1⎥⎦
∃Q∈Mnxn(ℜ) (Q no singular): QtAQ = CtDλ(A)C

Por lo tanto, A es congruente con la matriz CtDλ(A)C, cuyo elemento genérico Sus autovalores son λ1 = 1, λ2 = 3 y λ3 = 0. La matriz Dλ(A) es:
es:
⎡1 0 0⎤
⎢ ⎥
⎧⎛ ⎞
2 D λ ( A ) = ⎢0 3 0 ⎥
⎪⎜ 1 ⎟ ⎢⎣0 0 0⎥⎦
⎪⎜ ⎟ λi si i = j; i = 1, 2, ..., p
⎪⎜⎝ λ i ⎟⎠
⎪ 2 Se puede verificar que los autoespacios asociados a dichos autovalores son:

(C t D λ (A)C)ij = ⎨⎛⎜ 1 ⎞⎟
⎪⎜ ⎟ λi si i = j; i = p + 1, ..., r
⎪⎜⎝ λ i ⎟⎠ ⎧ ⎡ 2 ⎤ ⎫
⎪ 2 ⎪ ⎢ 2⎥ ⎪
si i = j; i = r + 1, ..., n ⎪ ⎪
⎪ c .0 V1 (A) = ⎨X ∈ ℜ3 : X = a ⎢ 0 ⎥; a ∈ ℜ* ⎬
⎪ 0 si i ≠ j ⎪ ⎢ ⎥ ⎪
⎩ ⎢ 2 ⎥
⎪ ⎣ 2⎦ ⎪
⎧ λi ⎩ ⎭
⎪λ si i = j; i = 1, 2, ..., p
⎧ ⎡ 6 ⎤ ⎫
⎪ i ⎪ ⎢− ⎪
⎪λ 6 ⎥
=⎨ i si i = j; i = p + 1, ..., r ⎪ ⎢ ⎥ ⎪
⎪ 6 *⎪
⎪ λi V3 (A) = ⎨X ∈ ℜ : X = b ⎢
3
⎥; b ∈ ℜ ⎬
⎢ 3 ⎥
⎪ 0 si i = j; i = r + 1, ..., n ⎪ ⎪
⎪ ⎪ ⎢ 6 ⎥ ⎪
⎩ 0 si i ≠ j ⎪⎩ ⎢⎣ 6⎥ ⎪⎭

292 293
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

⎧ ⎡ 3 ⎤ ⎫ 8.3. REPRESENTACIONES NORMAL Y CANÓNICA DE UNA


⎪ ⎢− 3 ⎥ ⎪ FORMA CUADRÁTICA.
⎪ ⎢ ⎥ ⎪
⎪ 3 *⎪
V0 (A) = ⎨X ∈ ℜ : X = c ⎢ −
3
⎥; c ∈ ℜ ⎬ Teorema 8.3. (Representación Normal de una Forma Cuadrática)
⎢ 3 ⎥
⎪ ⎪
⎪ ⎢ 3 ⎥ ⎪
3 Sean A∈Mnxn(ℜ) una matriz simétrica de rango r y f: ℜn→ℜ una forma
⎪⎩ ⎣⎢ ⎦⎥ ⎪⎭
cuadrática con matriz simétrica asociada A. Si λi∈ℜ*, ∀ i = 1, 2, …, r, tal que
λi es autovalor no nulo de A entonces existe una forma cuadrática Nf: ℜn→ℜ
La matriz P ortogonal que hace a A ortogonalmente congruente con Dλ(A) es: r
definida por Nf(Y1, Y2, …, Yn) = ∑λ Y i i
2
ortogonalmente congruente con f y
⎡ 2 ⎤ i =1
⎢ 2 − 6 − 3
6 3⎥ tal que f = Nf (la forma cuadrática Nf se dice que es la representación normal
⎢ ⎥ de la forma cuadrática f).
P=⎢ 0 6 − 3 ⎥
⎢ 3 3⎥
⎢ 2 6 3 ⎥ Demostración
⎢⎣ 2 6 3 ⎥⎦
Como A es simétrica, por el teorema 8.1., es ortogonalmente congruente con
Se sabe que Indice(A) = 2 y Rango(A) = 2. Luego, la matriz C es: su matriz de autovalores Dλ(A), es decir:

⎡1 ∃P∈Mnxn(ℜ) (P ortogonal): PtAP = Dλ(A)


0 0⎤
⎢ ⎥
C = ⎢0 1 0⎥ ; c∈ℜ* En consecuencia, la forma cuadrática f es ortogonalmente congruente con la
⎢ 3 ⎥ forma cuadrática Nf cuya matriz simétrica asociada es Dλ(A), es decir,
⎣⎢0 0 c ⎦⎥
Nf(Y) = YtDλ(A)Y. Desarrollando se obtiene que:

La matriz Q es: r
Nf(Y1, Y2, …, Yn) = ∑λ Y i i
2

⎡ 2 ⎤ i =1

⎢ 2 − 6 − 3 ⎥ ⎡1
6 3 0 0⎤
⎢ ⎥ ⎢ ⎥ Por otro lado, si X = PY entonces:
Q= ⎢ 0 6 − 3 ⎥ ⎢0 1 0⎥
⎢ 3 3 ⎥ ⎢ 3 ⎥
⎢ 2 6 3 ⎥ f(X) = XtAX = (PY)tA(PY) = YtPtAPY = YtDλ(A)Y = Nf(Y)
⎣⎢0 0 c ⎦⎥
⎣⎢ 2 6 3 ⎦⎥
Ejemplo 8.7.
⎡ 2 ⎤
⎢ 2 − 2 − 3c
6 3 ⎥ La representación normal de la forma cuadrática f del ejemplo 8.1., es:
⎢ ⎥
= ⎢ 0 2 − 3c ⎥
⎢ 3 3 ⎥
Nf (Y1 , Y2 , Y3 ) = Y12 + 3Y22
⎢ 2 2 3c ⎥
⎣⎢ 2 6 3 ⎦⎥
Teorema 8.4. (Representación Canónica de una Forma Cuadrática)
La matriz D´(A) es:
Sean A∈Mnxn(ℜ) una matriz simétrica y f: ℜn→ℜ una forma cuadrática con
matriz simétrica asociada A. Si Indice(A) = p y Rango(A) = r
⎡1 0 0⎤
⎢ ⎥ entonces existe una forma cuadrática Cf: ℜn→ℜ definida por
D′(A) = ⎢0 1 0⎥ p r
⎢⎣0 0 0⎥⎦ Cf(Y1, Y2, …, Yn) = ∑Y
i =1
i
2
− ∑Y
i = p +1
i
2
congruente con f y tal que f = Cf

(la forma cuadrática Cf se dice que es la representación canónica de la forma


A es congruente con D´(A) y se verifica que QtAQ = D´(A). cuadrática f).

294 295
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

Demostración Luego, A es congruente con D´(B) y en consecuencia la forma cuadrática f es


congruente con la forma cuadrática Cg. Análogamente se demuestra que la
Como A es simétrica, Indice(A) = p y Rango(A) = r por el teorema 8.2., es forma cuadrática g es congruente con la forma cuadrática Cf. Por lo tanto, la
congruente con la matriz D´(A), es decir: representación canónica de f es Cg y la representación canónica de g es Cf. En
consecuencia, Cf = Cg.
∃P∈Mnxn(ℜ) (P no singular): PtAP = D´(A)
CS(⇐): Si f y g tienen la misma representación canónica entonces f es
En consecuencia, la forma cuadrática f es congruente con la forma cuadrática congruente con g.
Cf cuya matriz simétrica asociada es D´(A), es decir, Cf(Y) = YtD´(A)Y.
Desarrollando se obtiene que: Si f y g tienen la misma representación canónica entonces A y B son
congruentes con una común matriz D´, es decir:
p r
Cf(Y1, Y2, …, Yn) = ∑Y
i =1
i
2
− ∑Y
i = p +1
i
2
∃P, Q∈Mnxn(ℜ) (P, Q no singulares): PtAP = D´ y QtBQ = D´
⇒ ∃P, Q∈Mnxn(ℜ) (P, Q no singulares): PtAP = QtBQ
⇒ ∃P, Q∈Mnxn(ℜ) (P, Q no singulares): (Qt)-1PtAPQ-1 = B
Por otro lado, si X = PY entonces: ⇒ ∃P, Q∈Mnxn(ℜ) (P, Q no singulares): (Q-1)tPtAPQ-1 = B
⇒ ∃P, Q∈Mnxn(ℜ) (P, Q no singulares): (PQ-1)tA(PQ-1) = B
f(X) = XtAX = (PY)tA(PY) = YtPtAPY = YtD´(A)Y = Cf(Y)
⇒ ∃R∈Mnxn(ℜ) (R no singular) (R = PQ-1): RtAR = B
Ejemplo 8.8.
Luego, A es congruente con B y por lo tanto f es congruente con g.
La representación canónica de la forma cuadrática f del ejemplo 8.1., es:
8.4. CLASIFICACIÓN DE LAS FORMAS CUADRÁTICAS.

Cf (Y1 , Y2 , Y3 ) = Y12 + Y22 Definición 8.4.

Teorema 8.5. Sean A∈Mnxn(ℜ) una matriz simétrica y f: ℜn→ℜ una forma cuadrática con
matriz simétrica asociada A. Se dice que f es:
Sean A, B∈Mnxn(ℜ) matrices simétricas y f, g: ℜn→ℜ formas cuadráticas con
matrices simétricas asociadas A y B, respectivamente. La forma cuadrática f es 1. Definida Positiva si y sólo si ∀ X∈ℜn (X ≠ θnx1): f(X) > 0.
congruente con g si y sólo si f y g tienen la misma representación canónica. 2. Semidefinida Positiva si y sólo si ∀ X∈ℜn: f(X) ≥ 0 y
∃ X∈ℜn(X ≠ θnx1): f(X) = 0.
Demostración 3. Definida Negativa si y sólo si ∀ X∈ℜn (X ≠ θnx1): f(X) < 0.
4. Semidefinida Negativa si y sólo si ∀ X∈ℜn: f(X) ≤ 0 y
CN(⇒): Si f es congruente con g entonces f y g tienen la misma representación ∃ X∈ℜn(X ≠ θnx1): f(X) = 0.
canónica. 5. Indefinida si y sólo si ∃ X1, X2∈ℜn (X1 ≠ θnx1, X2 ≠ θnx1):
f(X1) > 0 y f(X2) < 0.
Si f es congruente con g entonces A es congruente con B. Luego:
Igualmente se dice que la matriz simétrica A adopta la clasificación de su
∃P∈Mnxn(ℜ) (P no singular): PtAP = B (2) forma cuadrática f.

Como B es simétrica entonces por el teorema 8.2., es congruente con la matriz Ejemplo 8.9.
D´(B), es decir:
Sean f1, f2, f3, f4, f5: ℜ3→ℜ definidas por:
∃Q∈Mnxn(ℜ) (Q no singular): QtBQ = D´(B)
∃Q∈Mnxn(ℜ) (Q no singular): B = (Qt)-1D´(B)Q-1 (3) f1 (X1 , X 2 , X 3 ) = 2X12 + 2X1X 2 + 2X 22 − 2X 2 X 3 + 2X 32 − 2X1X 3
Sustituyendo (3) en (2) se tiene que: f 2 (X1 , X 2 , X 3 ) = X12 + 4X1X 2 + 4X 22 + 3X 32

∃P, Q∈Mnxn(ℜ) (P, Q no singulares): PtAP = (Qt)-1D´(B)Q-1 f 3 (X1 , X 2 , X 3 ) = −2X12 − 2X1X 2 − 2X 22 + 2X 2 X 3 − 2X 32 + 2X1X 3
∃P, Q∈Mnxn(ℜ) (P, Q no singulares): QtPtAPQ = D´(B) f 4 (X1 , X 2 , X 3 ) = −X12 − 4X1X 2 − 4X 22 − 3X 32
∃P, Q∈Mnxn(ℜ) (P, Q no singulares): (PQ)tA(PQ) = D´(B)
∃R∈Mnxn(ℜ) (R no singular) (R = PQ): RtAR = D´(B) f 5 (X1 , X 2 , X 3 ) = X12 + X 22 − X 32

296 297
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

1. f1 es definida positiva ya que: Como ∀ X∈ℜ3: f2(X) ≥ 0 y ∃ X∈ℜ3(X ≠ θ3x1): f2(X) = 0 entonces
∀ X∈ℜ3: –f2(X) ≤ 0 y ∃ X∈ℜ3(X ≠ θ3x1): –f2(X) = 0, es decir,
f1 (X1 , X 2 , X 3 ) = 2X12 + 2X1X 2 + 2X 22 − 2X 2 X 3 + 2X 32 − 2X1X 3 ∀ X∈ℜ3: f4(X) ≤ 0 y ∃ X∈ℜ3(X ≠ θ3x1): f4(X) = 0.
= X12 + X12 + 2X1X 2 + X 22 + X 22 − 2X 2 X 3 + X 32 + X 32 − 2X1X 3 5. f5 es indefinida ya que:
= (X12 + 2X1X 2 + X 22 ) + (X 22 − 2X 2 X 3 + X 32 ) + (X12 − 2X1X 3 + X 32 )
Para X1 = 1, X2 = 1 y X3 = 1, f 5 (X1 , X 2 , X 3 ) = 1 > 0 y para X1 = 0,
= (X1 + X 2 ) 2 + (X 2 − X 3 ) 2 + (X1 − X 3 ) 2
X2 = 0 y X3 = 1, f 5 (X1 , X 2 , X 3 ) = −1 < 0.
A su vez, f1(X1, X2, X3) = 0 si y sólo si X1+X2= X2–X3 = X1–X3 = 0,
es decir, si y sólo si: Así, ∃ X1, X2∈ℜ3 (X1 ≠ θ3x1, X2 ≠ θ3x1): f5(X1) > 0 y f5(X2) < 0.

X1 = –X2, X2 = X3 y X1 = X3 Teorema 8.6.


⇒ X1 = –X3 y X1 = X3
⇒ –X3 = X3 Sean A∈Mnxn(ℜ) una matriz simétrica y f: ℜn→ℜ una forma cuadrática con
⇒ 2X3 = 0 matriz simétrica asociada A. f es:
⇒ X3 = 0
1. Definida Positiva si y sólo si A tiene todos sus autovalores
⇒ X1 = 0
positivos, es decir, Indice(A) = Rango(A) = n.
⇒ X2 = 0
2. Semidefinida Positiva si y sólo si A tiene al menos un autovalor
nulo, al menos un autovalor positivo y ningún autovalor negativo,
Luego, f1(X1, X2, X3) = 0 si y sólo si X1 = X2 = X3 = 0. Por lo tanto,
es decir, Indice(A) = Rango(A) < n.
∀ X∈ℜ3 (X ≠ θ3x1): f1(X) > 0. 3. Definida Negativa si y sólo si A tiene todos sus autovalores
negativos, es decir, Indice (A) = 0 y Rango(A) = n.
2. f2 es semidefinida positiva ya que: 4. Semidefinida Negativa si y sólo si A tiene al menos un autovalor
nulo, al menos un autovalor negativo y ningún autovalor positivo,
f 2 (X1 , X 2 , X 3 ) = X12 + 4X1X 2 + 4X 22 + 3X 32 es decir, Indice(A) = 0 y Rango(A) < n.
5. Indefinida si y sólo si A tiene al menos un autovalor positivo y al
= (X1 + 2X 2 ) 2 + 3X 32 > 0.
menos un autovalor negativo, es decir,
0 < Indice(A) < Rango(A) ≤ n.
A su vez, f3(X1, X2, X3) = 0 si y sólo si X1 + 2X2 = 0 y X3 = 0, es
decir, X1 = –2X2 y X3 = 0. Luego, existen X1 = –2, X2 = 1 y X3 = 0 Demostración
para los cuales f2(X1, X2, X3) = 0. En consecuencia, ∀ X∈ℜ3:
f2(X) ≥ 0 y ∃ X∈ℜ3(X ≠ θ3x1): f2(X) = 0. 1. CN(⇒): Si A es definida positiva entonces A tiene todos sus
autovalores positivos, es decir, Indice(A) = Rango(A) = n.
3. f3 es definida negativa ya que:
Sea λ autovalor de A con autovector asociado X. Luego,
f 3 (X1 , X 2 , X 3 ) = −2X12 − 2X1X 2 − 2X 22 + 2X 2 X 3 − 2X 32 + 2X1X 3
AX = λX
= −(2X12 + 2X1X 2 + 2X 22 − 2X 2 X 3 + 2X 32 − 2X1X 3 ) ⇒ XtAX = Xt(λX)
⇒ XtAX = λXtX
= −f1 (X1 , X 2 , X 3 )
Ahora bien, X es autovector de A, es decir, X ≠ θnx1. Por lo tanto,
n
Como ∀ X∈ℜ3 (X ≠ θ3x1): f1(X) > 0 entonces ∀ X∈ℜ3 (X ≠ θ3x1):
–f1(X) < 0, es decir, ∀ X∈ℜ3 (X ≠ θ3x1): f3(X) < 0.
XtX = ∑X
i =1
2
i > 0.

4. f4 es semidefinida negativa ya que: X t AX


⇒ λ=
XtX
f 4 (X1 , X 2 , X 3 ) = −X12 − 4X1X 2 − 4X 22 − 3X 32
Por hipótesis, A es definida positiva, es decir, ∀ X∈ℜn (X ≠ θnx1):
= −(X12 + 4X1X 2 + 4X 22 + 3X 32 ) f(X) = XtAX > 0. En consecuencia.
= −f 2 (X1 , X 2 , X 3 )
λ>0

298 299
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

Luego, A tiene todos sus autovalores positivos, es decir, Luego, A tiene A tiene al menos un autovalor nulo, al menos un
Indice(A) = Rango(A) = n. autovalor positivo y ningún autovalor negativo, es decir,
Indice(A) = Rango(A) < n.
CS(⇐): Si A tiene todos sus autovalores positivos, es decir,
Indice(A) = Rango(A) = n, entonces A es definida positiva. CS(⇐): Si A tiene al menos un autovalor nulo, al menos un
autovalor positivo y ningún autovalor negativo, es decir,
Consideremos la representación normal de la forma cuadrática f, es Indice(A) = Rango(A) < n, entonces A es semidefinida positiva.
decir,
Consideremos la representación normal de la forma cuadrática f, es
r decir,
Nf(Y1, Y2, …, Yn) = ∑λ Y
i =1
i i
2
: siendo r = Rango(A)
r
Nf(Y1, Y2, …, Yn) = ∑λ Y i i
2
; siendo r = Rango(A)
Como A tiene todos sus autovalores positivos, es decir, i =1
Indice(A) = Rango(A) = n, entonces:
Como Indice(A) = Rango(A), es decir, los r primeros autovalores de
n A son positivos entonces Nf(Y1, Y2, …, Yn) ≥ 0, ∀ Y1, Y2, …,
Nf(Y1, Y2, …, Yn) = ∑λ Y
i =1
i i
2
>0y Yr∈ℜ, mientras que Nf(Y1, Y2, …, Yn) = 0 si y sólo si Yi = 0,
∀ i = 1, 2, …, r y Yi ≠ 0, para algún i = r+1, r+2, …, n. Por lo tanto,
n
∀ Y∈ℜn: Nf(Y) ≥ 0 y ∃ Y∈ℜn(Y ≠ θnx1): Nf(Y) = 0. Además, por
Nf(Y1, Y2, …, Yn) = ∑λ Y
i =1
i i
2
= 0 si y sólo si Y1 =Y2 = … = Yn = 0.
el teorema 8.3., Nf(Y) = f(X) para X = PY, es decir, Y = P-1X.
Luego, ∀ P-1X∈ℜn: f(X) ≥ 0 y ∃ P-1X∈ℜn(P-1X ≠ θnx1): f(X) = 0 y
Por lo tanto, ∀ Y∈ℜn (Y ≠ θnx1): Nf(Y) > 0. Además, por el en virtud de que P es no singular entonces ∀ X∈ℜn: f(X) ≥ 0 y ∃
teorema 8.3., Nf(Y) = f(X) para X = PY, es decir, Y = P-1X. Luego, X∈ℜn(X ≠ θnx1): f(X) = 0, es decir, A es semidefinida positiva.
∀ P-1X ∈ℜn (P-1X ≠ θnx1): f(X) > 0 y en virtud de que P es no
singular entonces ∀ X ∈ℜn (X ≠ θnx1): f(X) > 0, es decir, A es 3. CN(⇒): Si A es definida negativa entonces A tiene todos sus
definida positiva. autovalores negativos, es decir, Indice(A) = 0 y Rango(A) = n.

2. CN(⇒): Si A es semidefinida positiva entonces A tiene al menos Sea λ autovalor de A con autovector asociado X. Luego,
un autovalor nulo, al menos un autovalor positivo y ningún
autovalor negativo, es decir, Indice(A) = Rango(A) < n. AX = λX
⇒ XtAX = Xt(λX)
Sea λ autovalor de A con autovector asociado X. Luego, ⇒ XtAX = λXtX

AX = λX Ahora bien, X es autovector de A, es decir, X ≠ θnx1. Por lo tanto,


⇒ XtAX = Xt(λX) n

⇒ XtAX = λXtX
XtX = ∑X
i =1
2
i > 0.

Ahora bien, X es autovector de A, es decir, X ≠ θnx1. Por lo tanto,


X t AX
n
⇒ λ=
t
XX = ∑
i =1
X i2 > 0. XtX

X t AX Por hipótesis, A es definida negativa, es decir, ∀ X∈ℜn (X ≠ θnx1):


⇒ λ=
XtX f(X) = XtAX < 0. En consecuencia.

Por hipótesis, A es semidefinida positiva, es decir, ∀ X∈ℜn: λ<0


f(X) = XtAX ≥ 0 y ∃ X∈ℜn(X ≠ θnx1): f(X) = XtAX = 0. En
consecuencia. Luego, A tiene todos sus autovalores negativos, es decir,
Indice(A) = 0 y Rango(A) = n.
λ=0óλ>0
CS(⇐): Si A tiene todos sus autovalores negativos, es decir,
Indice(A) = 0 y Rango(A) = n, entonces A es definida negativa.

300 301
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

Consideremos la representación normal de la forma cuadrática f, es Consideremos la representación normal de la forma cuadrática f, es
decir, decir,

r r
Nf(Y1, Y2, …, Yn) = ∑λ Y
i =1
i i
2
: siendo r = Rango(A) Nf(Y1, Y2, …, Yn) = ∑λ Y
i =1
i i
2
; siendo r = Rango(A)

Como A tiene todos sus autovalores negativos, es decir, Como Indice(A) = 0 y Rango(A) < n, es decir, los r primeros
Indice(A) = 0 y Rango(A) = n, entonces: autovalores de A son negativos entonces Nf(Y1, Y2, …, Yn) ≤ 0,
∀ Y1, Y2, …, Yr∈ℜ, mientras que Nf(Y1, Y2, …, Yn) = 0 si y sólo si
n
Yi = 0, ∀ i = 1, 2, …, r y Yi ≠ 0, para algún i = r+1, r+2, …, n. Por
Nf(Y1, Y2, …, Yn) = ∑λ Y
i =1
i i
2
<0y
lo tanto, ∀ Y∈ℜn: Nf(Y) ≤ 0 y ∃ Y∈ℜn(Y ≠ θnx1): Nf(Y) = 0.
Además, por el teorema 8.3., Nf(Y) = f(X) para X = PY, es decir,
n Y = P-1X. Luego, ∀ P-1X∈ℜn: f(X) ≤ 0 y ∃ P-1X∈ℜn(P-1X ≠ θnx1):
Nf(Y1, Y2, …, Yn) = ∑λ Y
i =1
i i
2
= 0 si y sólo si Y1= Y2 = … = Yn = 0. f(X) = 0 y en virtud de que P es no singular entonces ∀ X∈ℜn:
f(X) ≤ 0 y ∃ X∈ℜn(X ≠ θnx1): f(X) = 0, es decir, A es semidefinida
negativa.
Por lo tanto, ∀ Y∈ℜn (Y ≠ θnx1): Nf(Y) < 0. Además, por el
teorema 8.3., Nf(Y) = f(X) para X = PY, es decir, Y = P-1X. Luego,
5. CN(⇒): Si A es indefinida entonces A tiene al menos un autovalor
∀ P-1X ∈ℜn (P-1X ≠ θnx1): f(X) < 0 y en virtud de que P es no
positivo y al menos un autovalor negativo, es decir,
singular entonces ∀ X ∈ℜn (X ≠ θnx1): f(X) < 0, es decir, A es
0 < Indice(A) < Rango(A) ≤ n.
definida negativa.

4. CN(⇒): Si A es semidefinida negativa entonces A tiene al menos Sea λ autovalor de A con autovector asociado X. Luego,
un autovalor nulo, al menos un autovalor negativo y ningún
autovalor positivo, es decir, Indice(A) = 0 y Rango(A) < n. AX = λX
⇒ XtAX = Xt(λX)
Sea λ autovalor de A con autovector asociado X. Luego, ⇒ XtAX = λXtX
AX = λX Ahora bien, X es autovector de A, es decir, X ≠ θnx1. Por lo tanto,
⇒ XtAX = Xt(λX) n
⇒ XtAX = λXtX XtX = ∑X
i =1
2
i > 0.
Ahora bien, X es autovector de A, es decir, X ≠ θnx1. Por lo tanto,
n X t AX
⇒ λ=
t
XX = ∑
i =1
X i2 > 0. XtX
Por hipótesis, A es indefinida, es decir, ∃ X1, X2∈ℜn (X1 ≠ θnx1,
X t AX
⇒ λ= X2 ≠ θnx1): f(X1) = (X1)tAX1 > 0 y f(X2) = (X2)tAX2 < 0. En
XtX consecuencia, existen λ1 y λ2 tales que:
Por hipótesis, A es semidefinida negativa, es decir, ∀ X∈ℜn: λ1 > 0 y λ2 < 0
f(X) = XtAX ≤ 0 y ∃ X∈ℜn(X ≠ θnx1): f(X) = XtAX = 0. En
Luego, A tiene A tiene al menos un autovalor positivo y al menos
consecuencia.
un autovalor negativo, es decir, 0 < Indice(A) < Rango(A) ≤ n.
λ=0óλ<0
CS(⇐): Si A tiene al menos un autovalor positivo y al menos un
Luego, A tiene A tiene al menos un autovalor nulo, al menos un autovalor negativo, es decir, 0 < Indice(A) < Rango(A) ≤ n,
autovalor negativo y ningún autovalor positivo, es decir, entonces A es indefinida.
Indice(A) =0 y Rango(A) < n.
Consideremos la representación normal de la forma cuadrática f, es
CS(⇐): Si A tiene al menos un autovalor nulo, al menos un decir,
autovalor negativo y ningún autovalor positivo, es decir, r
Indice(A) = 0 y Rango(A) < n, entonces A es semidefinida
negativa.
Nf(Y1, Y2, …, Yn) = ∑λ Y
i =1
i i
2
; siendo r = Rango(A)

302 303
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

Supongamos que Indice(A) = p. Como 0 <Indice(A)<Rango(A) ≤ n, 2. Si A es definida negativa entonces A tiene todos sus autovalores
es decir, los p primeros autovalores de A son positivos, los r – p negativos. Por otra parte, por el teorema 7.13. (lema de Issai Schur),
subsiguientes son negativos y los n – r restantes son nulos entonces si λ1, λ2, …, λn son los autovalores de A entonces
Nf(Y1, Y2, …, Yn) > 0 si y sólo si Yi = 0, ∀ i = p+1, p+2, …, r y n

Yi ≠ 0, para algún i = 1, 2, …, p, mientras que Nf(Y1, Y2, …, Yn)< 0 Traza(A) = ∑λ


i =1
i . Como λi < 0, ∀ i = 1, 2, …, n entonces
si y sólo si Yi = 0, ∀ i = 1, 2, …, p y Yi ≠ 0, para algún
Traza(A) < 0.
i = p+1, p+2, …, r. Por lo tanto, ∃ Y1, Y2∈ℜn (Y1 ≠ θnx1, Y2 ≠ θnx1):
Nf(Y1) > 0 y Nf(Y2) < 0. Además, por el teorema 8.3., Nf(Y) = f(X) 3. Si A es semidefinida positiva entonces A tiene al menos un
autovalor nulo, al menos un autovalor positivo y ningún autovalor
para X = PY, es decir, Y = P-1X. Luego, ∃ P-1X1, P-1X2∈ℜn
negativo. Por otra parte, por el teorema 7.13. (lema de Issai Schur),
(P-1X1 ≠ θnx1, P-2X2 ≠ θnx1): f(X1) > 0 y f(X2) < 0 y en virtud de que n
P es no singular entonces ∃ X1, X2∈ℜn (X1 ≠ θnx1, X2 ≠ θnx1):
f(X1) > 0 y f(X2) < 0, es decir, A es indefinida.
si λ1, λ2, …, λn son los autovalores de A entonces Det(A) = ∏λ
i =1
i .

Como λi = 0 para algún i = 1, 2, …, n y λi > 0 para el resto de los


Observación: autovalores entonces Det(A) = 0 y Traza(A) > 0.
4. Si A es semidefinida negativa entonces A tiene al menos un
Sean A, B∈Mnxn(ℜ) matrices simétricas y f, g: ℜn→ℜ formas cuadráticas con autovalor nulo, al menos un autovalor negativo y ningún autovalor
matrices simétricas asociadas A y B, respectivamente. La forma cuadrática f es positivo. Por otra parte, por el teorema 7.13. (lema de Issai Schur),
congruente con g si y sólo si f y g tienen la misma clasificación. n
si λ1, λ2, …, λn son los autovalores de A entonces Det(A) = ∏λ
i =1
i .
Ejemplo 8.10.
Como λi = 0 para algún i = 1, 2, …, n y λi < 0 para el resto de los
Los autovalores de la matriz A del ejemplo 8.1., son λ1 = 1, λ2 = 3 y λ3 = 0. autovalores entonces Det(A) = 0 y Traza(A) < 0.
Luego, A es semidefinida positiva.
Teorema 8.8.
Ejemplo 8.11.
Sean A∈Mnxn(ℜ) una matriz simétrica y f: ℜn→ℜ una forma cuadrática con
En relación al ejemplo 8.5., la matriz de centraje P es la matriz simétrica matriz simétrica asociada A. f es:
asociada a la forma cuadrática nS2. Dicha matriz tiene como autovalores λ1 = 0
con r1 = 1 y λ2 = 1 con r2 = n – 1. En consecuencia, P es semidefinida positiva. 1. Definida Positiva si y sólo si A es congruente con In.
2. Definida Negativa si y sólo si A es congruente con –In.
Teorema 8.7.
Demostración
Sean A∈Mnxn(ℜ) una matriz simétrica y f: ℜn→ℜ una forma cuadrática con
matriz simétrica asociada A. Si A es: 1. CN(⇒): Si f es definida positiva entonces A es congruente con In.

1. Definida Positiva entonces Det(A) > 0 y Traza(A) > 0. Si f es definida positiva entonces A tiene todos sus autovalores
2. Definida Negativa entonces Traza(A) < 0. positivos, es decir, Indice(A) = Rango(A) = n. En consecuencia, por
3. Semidefinida Positiva entonces Det(A) = 0 y Traza(A) > 0. el teorema 8.2., A es congruente con In.
4. Semidefinida Negativa entonces Det(A) = 0 y Traza(A) < 0.
CS(⇐): Si A es congruente con In entonces A es definida positiva.
Demostración
Si A es congruente con In entonces por el teorema 8.5., las formas
1. Si A es definida positiva entonces A tiene todos sus autovalores cuadráticas asociadas a A y In, respectivamente tienen la misma
positivos. Por otra parte, por el teorema 7.13. (lema de Issai Schur), representación canónica. Es claro que la representación canónica de
n la forma cuadrática asociada a In, digamos g(Y) = YtY es Cg(Y1,
si λ1, λ2, …, λn son los autovalores de A entonces Det(A) = ∏λ i n

n
i =1 Y2, …, Yn) = ∑Y
i =1
i
2
. Por lo tanto, esta función es también la

y Traza(A) = ∑λ
i =1
i . Como λi > 0, ∀ i = 1, 2, …, n entonces representación canónica de A. En consecuencia, A tiene todos sus
autovalores positivos, es decir, A es definida positiva.
Det(A) > 0 y Traza(A) > 0. 2. CN(⇒): Si f es definida negativa entonces A es congruente con –In.

304 305
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

Si f es definida negativa entonces A tiene todos sus autovalores


negativos, es decir, Indice(A) = 0 y Rango(A) = n. En Demostración
consecuencia, por el teorema 8.2., A es congruente con –In.
CS(⇐): Si A es congruente con –In entonces A es definida negativa. Es claro que Rango(A) ≤ min{m, n}, es decir, n ≤ min{m, n}. Luego, n < m.

Si A es congruente con –In entonces por el teorema 8.5., las formas 1. Sea f: ℜm→ℜ la forma cuadrática cuya matriz simétrica asociada es
cuadráticas asociadas a A y –In, respectivamente tienen la misma AtA. Luego,
representación canónica. Es claro que la representación canónica de
la forma cuadrática asociada a –In, digamos g(Y) = –YtY es n
n f(X) = XtAtAX = (AX)t(AX) = YtY = ∑Y i
2
; con Y = AX
Cg(Y1, Y2, …, Yn) = ∑
i =1
i
2
(−1)Y . Por lo tanto, esta función es i =1

también la representación canónica de A. En consecuencia, A tiene Por lo tanto, f(X) ≥ 0 y es tal que f(X) = 0 si y sólo si Y = θmx1.
todos sus autovalores negativos, es decir, A es definida negativa. Pero, Y = θmx1 implica que AX = θmx1, lo cual es un SEL
homogéneo y por la Eliminación de Gauss-Jordan, como
Teorema 8.9. Rango(A) = n entonces el SEL AX = θmx1 tiene una única solución,
la cual es la solución trivial X = θnx1. Luego, f(X) = θmx1 si y sólo si
Sean A∈Mnxn(ℜ) una matriz simétrica y f: ℜn→ℜ una forma cuadrática con X = θnx1. Por consiguiente, ∀ X∈ℜn (X ≠ θnx1): f(X) > 0, es decir, f
matriz simétrica asociada A. A es definida positiva si y sólo si existe una es definida positiva y en consecuencia AtA es definida positiva.
matriz B∈Mnxn(ℜ) no singular tal que A es una matriz Grammian de la forma
A = BtB. 2. Sea f: ℜn→ℜ la forma cuadrática cuya matriz simétrica asociada es
AAt. Luego,
Demostración
n
CN(⇒): Si A es definida positiva entonces existe una matriz B∈Mnxn(ℜ) no
singular tal que A es una matriz Grammian de la forma A = BtB.
f(X) = XtAAtX = (AtX)t(AtX) = YtY = ∑Y
i =1
i
2
; con Y = AtX

Como A es definida positiva entonces por el teorema 8.8., A es congruente con Por lo tanto, f(X) ≥ 0 y es tal que f(X) = 0 si y sólo si Y = θnx1.
la matriz In, es decir: Pero, Y = θnx1 implica que AtX = θnx1, lo cual es un SEL
homogéneo y por la Eliminación de Gauss-Jordan, como
∃ P∈Mnxn(ℜ) (P no singular): PtAP = In Rango(At) = Rango(A) = n < m entonces el SEL AtX = θnx1 no tiene
⇒ ∃ P∈Mnxn(ℜ) (P no singular): A = (Pt)-1InP-1 una única solución, es decir, existen soluciones distintas de la
⇒ ∃ P∈Mnxn(ℜ) (P no singular): A = (P-1)tP-1 solución trivial X = θmx1. Luego, f(X) ≥ 0 y ∃ X∈ℜn (X ≠ θmx1):
⇒ ∃ P, B∈Mnxn(ℜ) (P, B no singulares) (B = P-1): A = BtB f(X) = 0. Por consiguiente, ∀ X∈ℜn: f(X) ≥ 0 y ∃ X∈ℜn (X ≠ θmx1):
f(X) = 0, es decir, f es semidefinida positiva y en consecuencia AAt
CS(⇐): Si existe una matriz B∈Mnxn(ℜ) no singular tal que A es una matriz es semidefinida positiva.
Grammian de la forma A = BtB entonces A es definida positiva.
8.5. VECTOR DERIVADA O GRADIENTE DE UNA FORMA
Por hipótesis: CUADRÁTICA.

∃ B∈Mnxn(ℜ) (B no singular): A = BtB Definición 8.5.


⇒ ∃ B∈Mnxn(ℜ) (B no singular): (Bt)-1AB-1 = In
⇒ ∃ B∈Mnxn(ℜ) (P no singular): (B-1)tAB-1 = In Sea f: ℜn→ℜ. Se define como vector derivada o vector gradiente de f respecto
⇒ ∃ P, B∈Mnxn(ℜ) (P, B no singulares) (P = B-1): PtAP = In de X y se denota por ∇f (X) al vector ∇f (X ) ∈ ℜ n cuyo elemento genérico es

Luego, A es congruente con In y por el teorema 8.8., A es definida positiva. ∂f


(∇f (X))i = .
∂X i
Teorema 8.10.
Ejemplo 8.12.
Sean A∈Mmxn(ℜ). Si Rango(A) = n entonces:
Sea f: ℜ3→ℜ definida por f(X1, X2, X3) = 2X12 + 3X1X 22 − 5X1X 3 + 3X 22 − 5X 32 .
1. AtA es definida positiva.
2. AAt es semidefinida positiva. Luego,

306 307
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

n n
∂f
⎡4X1 + 3X − 5X 3 ⎤
2
2
(∇f (X1 , X 2 ,..., X n ))i =
∂X i
= 2A ii X i + 2 ∑
j=1 ( i ≠ j)

A ijX j = 2 A ijX j
j=1
⎢ ⎥
∇f (X1 , X 2 , X 3 ) = ⎢ 6X1X 2 + 6X 22 ⎥
⎢ − 5X − 10X ⎥ En consecuencia,
⎣ 1 3 ⎦

⎡ n ⎤
Teorema 8.11. (Gradiente de una Función Lineal)

⎢ 2 A1 jX j ⎥
⎢ j=1 ⎥ ⎡ A11 A12 L A1n ⎤ ⎡ X1 ⎤
Sea f: ℜ →ℜ definida por f (X ) = X Y = Y X ; Y∈ℜ . Entonces se cumple
n t t n ⎢ n ⎥ ⎢ ⎥⎢ ⎥
que:

∇f ( X ) = ⎢ ∑
2 A 2 jX j ⎥ ⎢A 21 A 22 L A 2 n ⎥ ⎢ X 2 ⎥ = 2AX
⎥ = 2⎢ M
j=1 M M ⎥⎢ M ⎥
⎢ M ⎥ ⎢ ⎥⎢ ⎥
∇f ( X ) = Y ⎢ n ⎥ ⎣⎢A n1 A n 2 L A nn ⎦⎥ ⎣⎢X n ⎦⎥

⎢ 2 A njX j ⎥
⎣⎢ j=1 ⎦⎥
Demostración
Ejemplo 8.13.
Por hipótesis, f (X) = X t Y = Y t X , es decir:
La derivada de la forma cuadrática del ejemplo 8.1., es:
n
f(X1, X2, …, Xn) = ∑ Yi Xi ⎡ 2X1 − 2X 2 ⎤ ⎡ X1 − X 2 ⎤ ⎡ 1 −1 0⎤ ⎡ X1 ⎤
i =1 ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥
∇f (X1 , X 2 , X 3 ) = ⎢4X 2 − 2X1 + 2X 3 ⎥ = 2⎢− X1 + 2X 2 + X 3 ⎥ = 2 ⎢ − 1 2 1⎥ ⎢X 2 ⎥ = 2AX
⎢⎣ 2X 3 + 2X 2 ⎥⎦ ⎢⎣ X 2 + X3 ⎥
⎦ ⎢⎣ 0 1 1⎥⎦ ⎢⎣ X 3 ⎥⎦
Luego,
Ejemplo 8.14.
∂f
(∇f (X1 , X 2 ,..., X n ))i = = Yi En relación al ejemplo 8.5., el vector gradiente de la forma cuadrática nS2 =
∂X i
f(X) = XtPX es:

Por consiguiente,
∇f (X) = 2PX = 2X̂
∇f ( X ) = Y

Teorema 8.12. (Gradiente de una Forma Cuadrática)

Sean A∈Mnxn(ℜ) una matriz simétrica y f: ℜn→ℜ una forma cuadrática con
matriz simétrica asociada A. Entonces se cumple que:

∇f (X) = 2AX

Demostración

Por hipótesis:

n n
f(X) = XtAX, es decir, f(X1, X2, …, Xn) = ∑∑ A X X
i =1 j=1
ij i j

n n n
Como A es simétrica entonces f(X1, X2, …, Xn) = ∑A X
i =1
ii
2
i +2 ∑ ∑A X X
i =1 j=1 (i < j)
ij i j
.

Luego,

308 309
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

EJERCICIOS PROPUESTOS. 7. La ecuación aY2+bY+a = 0, con a, b ∈ ℜ* puede tener dos raíces


reales iguales, dos raíces reales distintas o dos raíces imaginarias.
1. Sean f1, f2, f3, f4 funciones fi: ℜ3→ℜ; i = 1, 2, 3, 4 y f5, f6 funciones Clasifique en cada caso la forma cuadrática f: ℜ2→ℜ definida por:
fi: ℜ4→ℜ; i = 5, 6 definidas por:
f(X1, X2) = bX12 + 4aX1X2 + bX22
1.1. f1(X1, X2, X3)= X12 + X22 + 4X32 –2X1X2 + 2X1X3 – 2X2X3.
1.2. f2(X1, X2, X3)= X12 + 3X22 + 4X32 + 4X1X3. 8. Sean f: ℜn→ℜ y g: ℜn→ℜ formas cuadráticas con matrices simétricas
1.3. f3(X1, X2, X3)= (X1 + X2)2 + (2X1 – X3)2 – X12 – 2X22 + 6X2X3. asociadas A y B, respectivamente. Determine si las siguientes
1.4. f4(X1, X2, X3)= 2X12 + 9X22 – X32 – 4X1X3. proposiciones son verdaderas o falsas, justificando con una
1.5. f5(X1, X2, X3, X4)= X12+2X22+X32+2X42–2X1X3+2X1X4+ demostración en el caso que las considere verdaderas y con un
4X2X3 –2X2X4. contraejemplo en el caso que las considere falsas:
1.6. f6(X1, X2, X3, X4)= 2X12+2X22+3X32+X42+2X1X2–2X1X3+
2X2X3+2X3X4. 8.1. Si Traza(A) > 0 entonces A es definida positiva.
8.2. Si Traza(A) < 0 entonces A es definida negativa.
Demuestre que cada una de estas funciones son formas cuadráticas y 8.3. Si A es definida negativa entonces Traza(A)Det(A) > 0.
determine en cada caso la respectiva matriz simétrica asociada. 8.4. Si A tiene n autovectores linealmente independientes
entonces A es definida negativa.
2. En el conjunto Mnxn(ℜ) se define la relación R por 8.5. Si A es indefinida y n = 2 entonces A tiene n autovectores
(∀ A, B ∈ Mnxn(ℜ)) A R B si y sólo si A es congruente a B. L.I.
Demuestre que R es una relación de equivalencia en Mnxn(ℜ). 8.6. Si A es definida positiva y B es indefinida entonces
Rango(AB) = Rango(A).
3. Demuestre que la forma cuadrática f1 del ejercicio 1 es congruente con
las formas cuadráticas gi: ℜ3→ℜ; i = 1, 2 definidas por 9. Sea la forma cuadrática f: ℜ2→ℜ definida por:
g1(X1, X2, X3) = X12 + 3X32 y g2(X1, X2, X3) = X12 + X32.
f(X1, X2) = aX12 + 2bX1X2 + cX22; a, b, c∈ℜ
4. Demuestre que la forma cuadrática f4 del ejercicio 1 es
ortogonalmente congruente con la forma cuadrática g1: ℜ3→ℜ y tal que f es definida negativa. Demuestre que:
congruente con la forma cuadrática g2: ℜ3→ℜ definidas por
1 9.1. a < 0.
g1(X1, X2, X3)= –2X12+3X22+9X22 y g2(X1, X2, X3)= X12+9X22 9.2. ac > 0.
2 9.3. a + c < 0.
1 2 9.4. ac – b2 > 0.
– X3 .
3
10. Sea X∈Mnxp(ℜ) una matriz de rango columna completo. Demuestre
5. Clasifique cada una de las formas cuadráticas del ejercicio 1 y que:
determine además representación normal y canónica de cada una de
ellas. 10.1. La matriz XtX es no singular.
10.2. La matriz A = k2(In – X(XtX)-1Xt) es semidefinida positiva,
con k ≠ 0.
6. Sean X1, X2, …, Xn un conjunto de datos cuantitativos con media X y
desviación estándar S. Sean f1, f2, f3 funciones fi: ℜn→ℜ; i = 1, 2, 3
11. Sea la forma cuadrática f: ℜn→ℜ con matriz simétrica asociada A de
definidas por:
rango q, q < n. Demuestre que:

6.1. ()
f1(X1, X2, …, Xn) = X .
2
11.1. Si f es semidefinida positiva entonces existe una matriz

f (X , X , …, X ) = n (X ) .
2 P∈Mqxn(ℜ) de rango q tal que A = PtP.
6.2. 2 1 2 n 11.2. Si f es semidefinida negativa entonces existe una matriz
6.3. f3(X1, X2, …, Xn) = S2. Q∈Mqxn(ℜ) de rango q tal que A = –QtQ.

Demuestre que cada una de estas funciones son formas cuadráticas. 12. Sean A∈Mnxn(ℜ) y B∈Mnxp(ℜ) tales que A es definida positiva y
Clasifíquelas y determine además representación normal y canónica en Rango(B) = p. Demuestre que la forma cuadrática f: ℜp→ℜ con
cada caso. matriz simétrica asociada BtA-1B es definida positiva.

310 311
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS CAPÍTULO 8: FORMAS CUADRÁTICAS

13. Sea la forma cuadrática f: ℜn→ℜ, tal que f(X) = XtA1X + XtA2X, ⎡S12 S12 L S1n ⎤
donde A2A1 = θnxn para i = 1,2 Ai es idempotente y rango(Ai) = ki. ⎢ 2 ⎥
S S2 L S2 n ⎥
Clasifique la forma cuadrática f si se sabe que: V = ⎢⎢ 12
M M M ⎥
⎢ ⎥
13.1. k1 + k2 < n. ⎢⎣S1n
2
S2 n L Sn ⎥⎦
13.2. k1 + k2 = n.
Es definida positiva.
14. Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ), tales que Rango(A) = n, ABA = A y
BA es simétrica. Demuestre que si P∈Mnxn(ℜ) es no singular entonces 20. Determine el vector gradiente de todas las formas cuadráticas del
la matriz Pt(BA)P es definida positiva. ejercicio 1.
15. Sean A∈Mpxq(ℜ) y B∈Mqxq(ℜ) tales que Rango(A) = q, B es simétrica 21. Sean X∈Mnxp(ℜ) una matriz de rango columna completo, Y∈ℜn y
y B – AtA es definida positiva. Demuestre que la matriz B es definida
h: ℜp→ℜ definida por h(Z) = (Y–XZ)t(Y–XZ). Determine el vector Z
positiva.
tal que ∇h ( Z) = θ px1 .
16. Sea f la forma cuadrática f: ℜn→ℜ con matriz simétrica asociada A.
Demuestre que:

16.1. A es definida positiva si y sólo si los determinantes de todos


sus menores principales son positivos.
16.2. A es definida negativa si y sólo si los determinantes de todos
sus menores principales de orden par son positivos y los
determinantes de todos sus menores principales de orden
impar son negativos.

17. Sea f la forma cuadrática f: ℜ2→ℜ definida por:

1 ⎡ X1 2rX1X 2 X 2 ⎤
2 2
f(X1, X2) = 2 ⎢ 2
− + 2⎥
(1 − r ) ⎣⎢ S1 S1S2 S2 ⎦⎥

con |r| < 1 y S1S2 > 0.

Demuestre que f es definida positiva.

18. Sean X1 y X2 variables aleatorias con varianzas S12 y S22,


respectivamente y S12 la covarianza entre X1 y X2. Demuestre que si ∀
Y1, Y2 ∈ℜ no nulos simultáneamente, VAR(Y1X1 + Y2X2) > 0
entonces la matriz V definida por:

⎡S 2
S12 ⎤
V=⎢ 1 2⎥
⎣⎢S12 S2 ⎦⎥

Es definida positiva.

19. Sean X1, X2, …, Xn variables aleatorias con varianzas S12, S22, …, Sn2,
respectivamente y Sij la covarianza entre Xi y Xj,i = 1, 2, .., n;
j = 1, 2, …, n. Demuestre que si ∀ Y1, Y2, …, Yn∈ℜ no nulos
simultáneamente, VAR(Y1X1 + Y2X2 + … + YnXn) > 0 entonces la
matriz V definida por:

312 313

You might also like