Post on 27-Nov-2014
transcript
Capítulo 10
PSEUDOS INVERSAS 10.1. INTRODUCCIÓN. En este capítulo se presenta el concepto de las Pseudos Inversas, el cual permite disponer de una matriz que tiene propiedades muy similares a la de la matriz inversa pero en el caso de una matriz cuadrada que no es invertible o de una matriz rectangular. Se exponen las 3 pseudos inversas; Inversa Generalizada, Inversa Condicional y Inversa Mínimo Cuadrática, así como también sus aplicaciones para la resolución de Sistemas de Ecuaciones Lineales Consistentes. 10.2. INVERSA GENERALIZADA. DEFINICIÓN, PROPIEDADES Y EJEMPLOS. Definición 10.1. Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Se dice que B es inversa generalizada de A si:
1. AB es simétrica. 2. BA es simétrica. 3. ABA = A. 4. BAB = B.
Es claro que si m = n y A es no singular entonces A-1 es inversa generalizada de A. Teorema 10.1. Sean A∈Mmxn(ℜ). Siempre existe una inversa generalizada de A y además es única. Se denota por Ag. Demostración Supongamos que Rango(A) = r. Por el teorema 1.30.:
∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares):
PAQ = R(A) = ⎥⎥⎦
⎤
⎢⎢⎣
⎡θθθ
−−−
−
)rn(x)rm(xr)rm(
)rn(rxrI
⇒ ∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares):
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
354
A = 1
)rn(x)rm(xr)rm(
)rn(rxr1 QI
P −
−−−
−−
⎥⎥⎦
⎤
⎢⎢⎣
⎡θθθ
⇒ ∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares):
A = [ ] 1)rn(rxr
xr)rm(
r1 QII
P −−
−
− θ⎥⎥⎦
⎤
⎢⎢⎣
⎡θ
⇒ ∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares): A = BC, siendo:
B∈Mmxr(ℜ) y Q∈Mrxn(ℜ) definidas por:
[ ] 1)rn(rxr
xr)rm(
r1 QIC y I
PB −−
−
− θ=⎥⎥⎦
⎤
⎢⎢⎣
⎡θ
=
Por el teorema 1.28., Rango(B)= Rango(⎥⎥⎦
⎤
⎢⎢⎣
⎡θ −
−
xr)rm(
r1 IP )= Rango(
⎥⎥⎦
⎤
⎢⎢⎣
⎡θ − xr)rm(
rI)= r
y [ ] )QI(Rango 1)rn(rxr
−−θ = [ ]) I(Rango )rn(rxr −θ = r. Por lo tanto, por el
teorema 8.10., las matrices BtB y CCt son definidas positivas y no singulares. Sea Ag definida de la siguiente manera:
Ag = Ct(CCt)-1(BtB)-1Bt
Veamos que Ag es inversa generalizada de A:
1. AAg = BCCt(CCt)-1(BtB)-1Bt = B(BtB)-1Bt. Luego, AAg es una matriz de proyección, la cual es simétrica.
2. AgA = Ct(CCt)-1(BtB)-1BtBC = Ct(CCt)-1C = D(DtD)-1Dt, con D = Ct. Luego, AgA es una matriz de proyección, la cual es simétrica.
3. AAgA = B(BtB)-1BtBC = BC = A. 4. AgAAg = Ct(CCt)-1CCt(CCt)-1(BtB)-1Bt = Ct(CCt)-1(BtB)-1Bt = Ag.
En consecuencia, Ag es inversa generalizada de A. Veamos ahora que es única. Supongamos que B∈Mnxm(ℜ) es también inversa generalizada de A. Luego, AB y BA son simétricas, ABA = A y BAB = B. Por lo tanto,
1. AAg = ABAAg = (AB)t(AAg)t = (AAgAB)t = (AB)t = AB. 2. AgA = AgABA = (AgA)t(BA)t = (BAAgA)t = (BA)t = BA. 3. Ag = AgAAg = BAAg = BAB = B.
Por consiguiente, la inversa generalizada Ag de A es única. Ejemplo 10.1. Para la matriz A del ejemplo 1.37., se obtuvo que:
CAPÍTULO 10: PSEUDOS INVERSAS
355
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
624511233201
A , ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
010000100001
)A(R ;
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−−−
=
21 12
1 4
5 241
12 0 P ,
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
−
−=
10002
71004
190104001
Q
Se puede verificar que:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=−
245123201
P 1 ,
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡ −
=−
1 0 0 02
7 1 0 04
19 0 1 040 0 1
Q 1
Asimismo,
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡= −
245123201
100010001
PB 1 ,
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡ −=
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡= −
27100
419010
4001Q
010000100001
C 1
Luego,
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
91015102026152635
BBt ,
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−−−
=
453 8
133 148
133 16377 19
141917 CCt
Se puede verificar que:
( )⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−
−−
=−
23 2
5 25
25 8
45 421
25
4215
BB1t ,
( )⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−=−
829633 829
266829
224829
266829
468 829304
829224 829
304 829573
CC1t
Por lo tanto,
Ag = Ct(CCt)-1(BtB)-1Bt
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
356
=
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
− 27
4194
100 010 001
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−
829633 829
266829
224829
266829
468 829304
829224 829
304 829573
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−
−−
23 2
5 25
25 8
45 421
25
4215
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
212420531
=
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
−
−
−−
−
829187 829
336829
9 829
240829
347 829
383 829
148 82962
829250
82981
829314
82936
Teorema 10.2. Sea A∈Mmxn(ℜ).
1. (At)g = (Ag)t. 2. (Ag)g = A. 3. Rango(A) = Rango(Ag) = Rango(AAg) = Rango(AgA). 4. (AtA)g = Ag(At)g. 5. Si m = n y A es simétrica entonces Ag es simétrica. 6. Si m = n y A es simétrica entonces AAg = AgA. 7. Si m = n y A es simétrica e idempotente entonces Ag = A. 8. AAg, AgA, Im – AAg y In – AgA son simétricas e idempotentes. 9. Si Rango(A) = r entonces Rango(Im – AAg) = m – r y
Rango(In – AgA) = n – r. 10. (AAg)g = AAg. 11. (AgA)g = AgA. 12. Si P∈Mmxm(ℜ) y Q∈Mnxn(ℜ) son ortogonales entonces
(PAQ)g = QtAgPt. 13. Si Rango(A) = n entonces Ag = (AtA)-1At. 14. Si Rango(A) = m entonces Ag = At(AAt)-1. 15. Si B∈Mmxr(ℜ) y C∈Mrxn(ℜ), con Rango(B) = Rango(C) = r
entonces (BC)g = CgBg. Demostración
1. Sean B = At y Bg = (Ag)t. Verifiquemos que Bg cumple las 4 propiedades:
1.1. BBg = At(Ag)t = (AgA)t = AgA. Como AgA es simétrica
entonces BBg es simétrica. 1.2. BgB = (Ag)tAt = (AAg)t = AAg. Como AAg es simétrica
entonces BgB es simétrica. 1.3. BBgB = AgAAt = (AgA)tAt = (AAgA)t = At = B. 1.4. BgBBg = AAg(Ag)t = (AAg)t(Ag)t = (AgAAg)t = (Ag)t =
Bg. Por lo tanto, (Ag)t es la inversa generalizada de At.
2. Sean B = Ag y Bg = A. Verifiquemos que Bg cumple las 4
propiedades:
CAPÍTULO 10: PSEUDOS INVERSAS
357
2.1. BBg = AgA. Como AgA es simétrica entonces BBg es simétrica.
2.2. BgB = AAg. Como AAg es simétrica entonces BgB es simétrica.
2.3. BBgB = AgAAg = Ag = B. 2.4. BgBBg = AAgA = A = Bg. Por consiguiente, A es la inversa generalizada de Ag.
3. AAgA = A y AgAAg = Ag. Luego:
3.1. Rango(A) = Rango(AAgA) ≤ Rango(AAg) ≤ Rango(A).
Luego, Rango(AAg) = Rango(A). 3.2. Rango(A) = Rango(AAgA) ≤ Rango(AgA) ≤ Rango(A).
Luego, Rango(AgA) = Rango(A). 3.3. Rango(Ag)=Rango(AgAAg) ≤ Rango(AAg) ≤ Rango(Ag).
Luego, Rango(AAg) = Rango(Ag). 3.4. Rango(Ag)=Rango(AgAAg) ≤ Rango(AgA) ≤ Rango(Ag).
Luego, Rango(AgA) = Rango(Ag). Por lo tanto, Rango(A) = Rango(Ag) = Rango(AAg) = Rango(AgA).
4. Sean B = AtA y Bg = Ag(At)g. Verifiquemos que Bg cumple las 4 propiedades:
4.1. BBg = (AtA)(Ag(At)g) = At(AAg)(At)g = At(AAg)t(At)g.
Por la propiedad 1, (At)g = (Ag)t. Luego, BBg = At(AAg)t(Ag)t = (AAgA)t(Ag)t = At(Ag)t = (AgA)t = AgA. Como AgA es simétrica entonces BBg es simétrica.
4.2. BgB = (Ag(At)g)(AtA). Por la propiedad 1, (At)g = (Ag)t. Luego, BgB = (Ag(Ag)t)(AtA) = Ag(Ag)tAtA = Ag(AAg)tA = AgAAgA = AgA. Como AgA es simétrica entonces BgB es simétrica.
4.3. BBgB = AgA(AtA) = (AgA)tAtA = (AAgA)tA = AtA = B. 4.4. BgBBg = (AgA)(Ag(At)g) = AgAAg(At)g = Ag(At)g = Bg. Por consiguiente, Ag(At)g es la inversa generalizada de AtA.
5. Por la propiedad 1, se tiene que (Ag)t = (At)g. Como A es
simétrica entonces (Ag)t = Ag, es decir, Ag es simétrica. 6. AAg = (AAg)t = (Ag)tAt. Por la propiedad 1, se tiene que
AAg = (At)gAt y como A es simétrica entonces AAg = AgA.
7. Como A es simétrica, entonces por la propiedad 6 se tiene que AAg = AgA. Luego,
(A)(AAg) = (A)(AgA) y (AgA)(AAg) = (AgA)(AgA)
⇒ AAAg = AAgA y AgAAAg = AgAAgA ⇒ A2Ag = A y AgA2Ag = AgA
Como A es idempotente, entonces:
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
358
AAg = A y AgAAg = AgA ⇒ AAg = A y Ag = AgA
Como AAg = AgA entonces Ag = A.
8. Es evidente que AAg, AgA, Im – AAg y In – AgA son simétricas.
Veamos ahora que son idempotentes.
8.1. (AAg)2 = AAgAAg = (AAgA)Ag = AAg. 8.2. (AgA)2 = AgAAgA = (AgAAg)A = AgA. 8.3. (Im – AAg)2 = (Im – AAg)(Im – AAg) = Im – AAg – AAg +
(AAg)2. Como AAg es idempotente entonces (Im – AAg)2 = Im – 2AAg + (AAg) = Im – AAg.
8.4. (In – AgA)2 = (In – AgA)(In – AgA) = In – AgA – AgA + (AgA)2. Como AgA es idempotente entonces (In – AgA)2 = In – 2AgA + (AgA) = In – AgA.
En consecuencia, AAg, AgA, Im – AAg y In – AgA son idempotentes.
9. Por la propiedad 8, AAg, AgA, Im – AAg y In – AgA son
simétricas e idempotentes. Luego, por el teorema 7.18., Rango(Im – AAg) = Traza(Im – AAg), Rango(In – AgA) = Traza(In – AgA), Rango(AgA) = Traza(AgA) y Rango(AAg) = Traza(AAg). En consecuencia:
1. Rango(Im – AAg) = Traza(Im – AAg)
⇒ Rango(Im – AAg) = Traza(Im) – Traza(AAg) ⇒ Rango(Im – AAg) = m – Rango(AAg) ⇒ Rango(Im – AAg) = m – Rango(A) ⇒ Rango(Im – AAg) = m – r
2. Rango(In – AgA) = Traza(In – AgA)
⇒ Rango(In – AgA) = Traza(In) – Traza(AgA) ⇒ Rango(In – AgA) = n – Rango(AgA) ⇒ Rango(In – AgA) = n – Rango(A) ⇒ Rango(In – AgA) = n – r
10. Es claro que (AAg)∈Mmxm(ℜ). Por la propiedad 8, se tiene que
AAg es simétrica e idempotente. Luego, por la propiedad 7, (AAg)g = AAg.
11. Es claro que (AgA)∈Mnxn(ℜ). Por la propiedad 8, se tiene que
AgA es simétrica e idempotente. Luego, por la propiedad 7, (AgA)g = AgA.
12. Sean B = PAQ y Bg = QtAgPt. Verifiquemos que Bg cumple las 4
propiedades:
12.1. BBg = (PAQ)(QtAgPt) = PAQQtAgPt = PAAgPt. Luego, (BBg)t = (PAAgPt)t = (Pt)t(AAg)tPt = PAAgPt = BBg. Por lo tanto, BBg es simétrica.
CAPÍTULO 10: PSEUDOS INVERSAS
359
12.2. BgB = (QtAgPt)(PAQ) = QtAgPtPAQ = QtAgAQ. Luego, (BgB)t = (QtAgAQ)t = Qt(AgA)t(Qt)t = QtAgAQ = BgB. Por lo tanto, BgB es simétrica.
12.3. BBgB = (PAAgPt)(PAQ) = PAAgPtPAQ = PAAgAQ = PAQ = B.
12.4. BgBBg = (QtAgAQ)(QtAgPt) = QtAgAQQtAgPt = QtAgAAgPt = QtAgPt = Bg.
Por consiguiente, QtAgPt es la inversa generalizada de PAQ.
13. Por el teorema 1.30.:
∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares):
PAQ = ⎥⎥⎦
⎤
⎢⎢⎣
⎡θθθ
−−−
−
)rn(x)rm(xr)rm(
)rn(rxrI
Como Rango(A) = r = n entonces no es necesario aplicar operaciones elementales de columnas sobre A para obtener su matriz normal R(A), es decir, Q = In. Además,
R(A) = ⎥⎥⎦
⎤
⎢⎢⎣
⎡θ − xn)nm(
nI
Por consiguiente,
A = P-1
⎥⎥⎦
⎤
⎢⎢⎣
⎡θ − xn)nm(
nI
Es decir, A = BC, siendo B = A y C = In. En consecuencia,
Ag = Ct(CCt)-1(BtB)-1Bt = (In)t(In(In)t)-1(AtA)-1At = (AtA)-1At
14. Por el teorema 1.30.:
∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares):
PAQ = ⎥⎥⎦
⎤
⎢⎢⎣
⎡θθθ
−−−
−
)rn(x)rm(xr)rm(
)rn(rxrI
Como Rango(A) = r = m entonces no es necesario aplicar operaciones elementales de filas sobre A para obtener su matriz normal R(A), es decir, P = Im. Además,
R(A) = [ )mn(mxmI −θ ]
Por consiguiente,
A = [ )mn(mxmI −θ ]Q-1
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
360
Es decir, A = BC, siendo B = Im y C = A. En consecuencia,
Ag = Ct(CCt)-1(BtB)-1Bt = At(AAt)-1((Im)tIm)-1(Im)t = At(AAt)-1 15. Se sabe que la matriz A se puede expresar de la forma A = BC,
con B∈Mmxr(ℜ), C∈Mrxn(ℜ) y Rango(B) = Rango(C) = r. Por lo tanto,
Ag = (BC)g = Ct(CCt)-1(BtB)-1Bt
Como B∈Mmxr(ℜ) y Rango(B) = r entonces por la propiedad 13 se tiene que Bg = (BtB)-1Bt. Asimismo, como C∈Mrxn(ℜ) y Rango(C) = r entonces por la propiedad 14 se tiene que Cg = Ct(CCt)-1. En consecuencia,
(BC)g = CgBg Observaciones:
1. Toda matriz de proyección H = X(XtX)-1Xt puede ser escrita de la forma H = XXg, ya que X es de rango columna completo.
2. =YPn
poyPr HY = XXgY.
10.3. INVERSA CONDICIONAL. DEFINICIÓN, PROPIEDADES Y EJEMPLOS. Definición 10.2. Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Se dice que B es inversa condicional de A si ABA = A. Es claro que Ag es también inversa condicional de A. Esto garantiza que siempre existe al menos una inversa condicional de A. Teorema 10.3. Sea A∈Mmxn(ℜ). No siempre existe una única inversa condicional de A. Demostración Supongamos que Rango(A) = r. Por el teorema 1.31.:
∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares):
PAQ = Δ(A) = ⎥⎥⎦
⎤
⎢⎢⎣
⎡θθθ
−−−
−
)rn(x)rm(xr)rm(
)rn(rxrD
Siendo Dr∈Mrxr(ℜ) una matriz diagonal y no singular.
⇒ ∃ P∈Mmxm(ℜ), Q∈Mnxn(ℜ) (P, Q no singulares): A = P-1Δ(A)Q-1
CAPÍTULO 10: PSEUDOS INVERSAS
361
Es claro que Rango(Δ(A)) = r. Además:
[ ] [ ])rn(rxrrxr)rm(
r)rn(rxr
xr)rm(
r
)rn(x)rm(xr)rm(
)rn(rxr IDI
DID
)A( −−
−−−−−
− θ⎥⎥⎦
⎤
⎢⎢⎣
⎡θ
=θ⎥⎥⎦
⎤
⎢⎢⎣
⎡θ
=⎥⎥⎦
⎤
⎢⎢⎣
⎡θθθ
=Δ
Luego,
Δ(A) = BC, siendo B∈Mmxr(ℜ), C∈Mrxn(ℜ) definidas por B = ⎥⎥⎦
⎤
⎢⎢⎣
⎡θ − xr)rm(
rI y
C = Dr[ )rn(rxrI −θ ] con Rango(B) = Rango(C) = r. En consecuencia,
(Δ(A))g = Ct(CCt)-1(BtB)-1Bt
Ahora bien, CCt = Dr[ )rn(rxrI −θ ](Dr[ )rn(rxrI −θ ])t
= Dr[ )rn(rxrI −θ ]⎥⎥⎦
⎤
⎢⎢⎣
⎡θ − xr)rn(
rI(Dr)t = DrIrDr = (Dr)2
BtB = [ ]⎥⎥⎦
⎤
⎢⎢⎣
⎡θ
θ−
−)rm(rx
rxr)rm(r
II = Ir.
Por consiguiente,
(Δ(A))g = ⎥⎥⎦
⎤
⎢⎢⎣
⎡θ − xr)rn(
rI(Dr)t((Dr)2)-1(Ir)-1[ xr)rm(rI −θ ]
= ⎥⎥⎦
⎤
⎢⎢⎣
⎡θ − xr)rn(
rIDr(DrDr)-1[ xr)rm(rI −θ ]
= ⎥⎥⎦
⎤
⎢⎢⎣
⎡θ − xr)rn(
rIDr(Dr)-1(Dr)-1[ xr)rm(rI −θ ]
= ⎥⎥⎦
⎤
⎢⎢⎣
⎡θ − r)rn(
rI(Dr)-1[ xr)rm(rI −θ ]
= ( )
⎥⎥⎦
⎤
⎢⎢⎣
⎡
θ −
−
xr)rn(
1rD
[ xr)rm(rI −θ ]
= ( )
⎥⎥⎦
⎤
⎢⎢⎣
⎡
θ −
−
xr)rn(
1rD
[ xr)rm(rI −θ ]
= ( )
⎥⎥⎦
⎤
⎢⎢⎣
⎡
θθθ
−−−
−−
)rm(x)rn(xr)rn(
)rm(rx1
rD
Ahora bien,
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
362
Δ(A)(Δ(A))gΔ(A) = Δ(A) Sea B = Q(Δ(A))gP Es claro que A = P-1Δ(A)Q-1. En consecuencia,
ABA = (P-1Δ(A)Q-1)(Q(Δ(A))gP)(P-1Δ(A)Q-1) ⇒ ABA = P-1Δ(A)Q-1Q(Δ(A))gPP-1Δ(A)Q-1
⇒ ABA = P-1Δ(A)(Δ(A))gΔ(A)Q-1 ⇒ ABA = P-1Δ(A)Q-1
⇒ ABA = A Por lo tanto, B = Q(Δ(A))gP es inversa condicional de A. Como las matrices P y Q no son únicas para generar a Δ(A) entonces la inversa condicional no es única. Observación: El cálculo de una inversa condicional de A depende de la matriz Δ(A) que se elija. Sin embargo, un algoritmo sencillo para el cálculo de una inversa condicional de A es el siguiente:
1. Calcular Rango(A) = r. 2. Elegir una submatriz M de A de orden rxr. 3. Hallar (M-1)t. 4. Reemplazar en A la submatriz M por (M-1)t y los restantes
elementos por ceros. Denotar esta matriz por N. 5. Nt es una inversa condicional de A.
Ejemplo 10.2. En relación a la matriz A del ejemplo 10.1.:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
624511233201
A
1. Rango(A) = 3
2. Sea M = ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
245123201
.
3. Se puede verificar que
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−
−−−
=−
21 12
1 4
5 241
12 0 M 1 . Por lo tanto,
( )⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−−−
−=−
21 4
5 1122 2
1 41 0
Mt1 .
CAPÍTULO 10: PSEUDOS INVERSAS
363
4.
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−−−
−=
0 0 0
21 4
5 1122 2
1 41 0
N .
5. Una inversa condicional de A es B = Nt =
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
−
−−−
0 0 0 2
1 121
45 24
112 0
.
Teorema 10.4. Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Si B es inversa condicional de A entonces:
Rango(A) = Rango(AB) = Rango(BA) ≤ Rango(B). Demostración Por hipótesis, ABA = A. Luego:
1. Rango(A) = Rango(ABA) ≤ Rango(AB) ≤ Rango(A). Luego, Rango(AB) = Rango(A).
2. Rango(A) = Rango(ABA) ≤ Rango(BA) ≤ Rango(A). Luego, Rango(BA) = Rango(A).
3. Rango(A) = Rango(ABA) ≤ Rango(BA) ≤ Rango(B). Luego, Rango(BA) ≤ Rango(B).
Por lo tanto, Rango(A) = Rango(AB) = Rango(BA) ≤ Rango(B). 10.4. INVERSA MÍNIMO CUADRÁTICA. DEFINICIÓN, PROPIEDADES Y EJEMPLOS. Definición 10.3. Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Se dice que B es inversa mínimo cuadrática de A si:
1. ABA = A. 2. AB es simétrica.
Es claro que Ag es también inversa mínimo cuadrática de A y que toda inversa mínimo cuadrática es también inversa condicional. Esto garantiza que siempre existe al menos una inversa mínimo cuadrática de A. Teorema 10.5. Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Si (AtA)c es una inversa condicional de AtA entonces la matriz B definida por:
B = (AtA)cAt
Es inversa mínimo cuadrática de A.
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
364
Demostración Sea (AtA)c una inversa condicional de AtA. Por lo tanto:
(AtA)(AtA)c(AtA) = AtA Premultiplicando a ambos lados de la igualdad anterior por (Ag)t se tiene que:
(Ag)t(AtA)(AtA)c(AtA) = (Ag)tAtA ⇒ (Ag)tAtA(AtA)cAtA = (Ag)tAtA ⇒ (AAg)tA(AtA)cAtA = (AAg)tA ⇒ AAgA(AtA)cAtA = AAgA
⇒ A(AtA)cAtA = A (ABA = A) Postmultiplicando a ambos lados de la igualdad anterior por Ag se tiene que:
A(AtA)cAtAAg = AAg ⇒ A(AtA)cAt(AAg)t = AAg ⇒ A(AtA)c(AAgA)t = AAg
⇒ A(AtA)cAt = AAg (AB = AAg) Como AAg es simétrica entonces AB es simétrica. Luego, como ABA = A y AB es simétrica entonces B es inversa mínimo cuadrática de A. Observación: Por el teorema anterior, como toda inversa mínimo cuadrática depende de una inversa condicional de AtA entonces la inversa mínimo cuadrática no siempre es única. Ejemplo 10.3. En relación a la matriz A del ejemplo 10.1.:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
624511233201
A
Se puede verificar que:
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
=
4619263619910152610202636152635
AAt
Seguimos los pasos para hallar una inversa condicional de AtA:
1. Rango(A) = 3 ⇒ Rango(AtA) = 3.
CAPÍTULO 10: PSEUDOS INVERSAS
365
2. Sea ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡=
46192619910261020
M .
3. Se puede verificar que
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−−
−
−
=−
25680 256
120256
44256
120256
244 25634
25644
25634 256
53
M 1 y
( )⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−−
−
−
=−
25680 256
120256
44256
120256
244 25634
25644
25634 256
53
Mt1 .
4.
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
−−
−
−=
25680 256
120256
440256
120256
244 25634 0
25644
25634 256
53 00000
N .
5. Una inversa condicional de AtA es
( )⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
−−
−
−=
25680 256
120256
440256
120256
244 25634 0
25644
25634 256
53 00000
AAct .
Luego, una inversa mínimo cuadrática de A es la siguiente matriz B:
B = (AtA)cAt =
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
−−
−
−
25680 256
120256
440256
120256
244 25634 0
25644
25634 256
53 00000
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
613212420531
=
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
−
−
−
41 2
10 8
34
3 21
161 8
3 41
0 0 0
Teorema 10.6. Sea A∈Mmxn(ℜ). Si Rango(A) = n entonces existe una única inversa mínimo cuadrática de A. Demostración Por el teorema 10.5., si (AtA)c es una inversa condicional de AtA entonces la siguiente matriz:
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
366
Amc = (AtA)cAt
Es inversa mínimo cuadrática de A. Es claro que (AtA)∈Mnxn(ℜ). Como Rango(A) = n entonces Rango(AtA) = n. Por consiguiente, AtA es invertible y en consecuencia Amc = (AtA)-1At. Como (AtA)-1 es única entonces Amc es única. Teorema 10.7. Sean A∈Mmxn(ℜ) y Ac, Amc∈Mnxm(ℜ) tales que Ac y Amc son una inversa condicional y una inversa mínimo cuadrática de A, respectivamente.
1. AcA = In si y sólo si AgA = In. 2. AmcA = In si y sólo si AgA = In. 3. AcA = In si y sólo si AmcA = In.
Demostración
1. CN (⇒): Si AcA = In entonces AgA = In. Por definición de inversa generalizada:
AAgA = A ⇒ Ac(AAgA) = Ac(A) ⇒ (AcA)(AgA) = AcA ⇒ (In)(AgA) = In ⇒ AgA = In
CS (⇒): Si AgA = In entonces AcA = In. Por definición de inversa condicional:
AAcA = A ⇒ Ag(AAcA) = Ag(A) ⇒ (AgA)(AcA) = AgA
⇒ (In)(AcA) = In ⇒ AcA = In
2. La demostración es análoga a la demostración del apartado 1.
3. La demostración es análoga a la demostración del apartado 1.
Teorema 10.8. Sean A∈Mmxn(ℜ), B, C, D∈Mnxm(ℜ) e Y∈ℜm. La expresión:
ABY = Y
Es invariante para cualquier inversa condicional B de A.
CAPÍTULO 10: PSEUDOS INVERSAS
367
Demostración Sean C, D∈Mnxm(ℜ) inversas condicionales de A tales que ACY = Y. Luego, ACA = A y ADA = A. Por lo tanto,
ACY = Y ⇒ AD(ACY) = (AD)Y ⇒ (ADA)CY = ADY ⇒ ACY = ADY ⇒ ADY = ACY ⇒ ADY = Y
Es decir, la expresión ABY = Y es invariante para cualquier inversa condicional B de A. Observación: Como la inversa generalizada de A (Ag) y cualquier inversa mínimo cuadrática de A, digamos Amc son inversas condicionales de A entonces la expresión ABY = Y es invariante para cualquier pseudo inversa B (generalizada, condicional o mínimo cuadrática) de A. 10.5. APLICACIONES SOBRE SISTEMAS DE ECUACIONES LINEALES. Teorema 10.9. Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm. El SEL AX = Y es consistente si y sólo si existe una inversa condicional Ac de A tal que AAcY = Y. Demostración CN(⇒): Si el SEL AX = Y es consistente entonces existe una inversa condicional Ac de A tal que AAcY = Y. Por hipótesis, el SEL AX = Y es consistente, es decir:
∃ X0∈ℜ: AX0 = Y
Sea Ac∈Mnxm(ℜ) tal que Ac es una inversa condicional de A. Luego,
AAcY = AAcAX0 = AX0 = Y CS(⇐): Si existe una inversa condicional Ac de A tal que AAcY = Y entonces el SEL AX = Y es consistente. Si existe una inversa condicional Ac de A tal que AAcY = Y entonces existe X0∈ℜn con X0 = AcY tal que AX0 = Y. Luego, el SEL AX = Y es consistente. Observación: Por el teorema 10.8., como la expresión ABY = Y es invariante para cualquier inversa condicional B de A entonces:
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
368
1. El SEL AX = Y es consistente si y sólo si existe una inversa mínimo cuadrática Amc de A tal que AAmcY = Y.
2. El SEL AX = Y es consistente si y sólo si AAgY = Y. Teorema 10.10. Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm. Si Rango(A) = m entonces el SEL AX = Y es consistente. Demostración Como Rango(A) = m entonces por el teorema 10.2., apartado 12 se tiene que Ag = At(AAt)-1. Luego, AAgY = A(At(AAt)-1)Y = AAt(AAt)-1Y = ImY = Y. Por el teorema anterior, el SEL AX = Y es consistente. Teorema 10.11. (Solución General de un SEL) Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm. Si el SEL AX = Y es consistente entonces su solución general denotada por Xsg es:
Xsg = AcY + (In – AcA)Z Siendo Ac una inversa condicional de A y Z∈ℜn. Demostración Para demostrar que el vector Xsg es la solución general del SEL AX = Y debemos probar que es solución del SEL AX = Y y que toda solución de dicho sistema tiene la forma de Xsg. 1. AXsg = A(AcY + (In – AcA)Z) = AAcY + AZ – AAcAZ = Y + AZ – AZ =
Y. Por lo tanto, Xsg es solución del SEL AX = Y 2. Si X0 es solución del SEL AX = Y entonces:
AX0 = Y
⇒ AcAX0 = AcY ⇒ θnx1 = AcY – AcAX0
⇒ X0 + θnx1 = AcY – AcAX0 + X0 ⇒ X0 = AcY + (In – AcA)X0
⇒ X0 = AcY + (In – AcA)Z; Z = X0 ⇒ X0 = Xsg
Por consiguiente, X0 es de la misma forma que Xsg. Observación: Como cualquier inversa mínimo cuadrática y la inversa generalizada de A son también inversas condicionales de A entonces la solución general también se puede escribir de la forma Xsg = AmcY + (In – AmcA)Z o de la forma Xsg = AgY + (In – AgA)Z, siendo Amc una inversa mínimo cuadrática de A. Además, si Z = θnx1 entonces AgY es solución del SEL AX = Y y existen una inversa condicional Ac y una inversa mínimo cuadrática Amc de A tales que AcY y AmcY son soluciones del SEL AX = Y.
CAPÍTULO 10: PSEUDOS INVERSAS
369
Teorema 10.12. Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm tales que el SEL AX = Y es consistente. El vector X0 = AgY es la única solución del SEL AX = Y si y sólo si AgA = In. Demostración CN(⇒): Si el vector X0 = AgY es la única solución del SEL AX = Y entonces AgA = In. Por el teorema 10.11., la solución general del SEL AX = Y es:
Xsg = AgY + (In – AgA)Z; Z∈ℜn. Si X0 = AgY es la única solución del SEL AX = Y entonces X0 = Xsg. Luego,
AgY = AgY + (In – AgA)Z; Z∈ℜn. ⇒ AgY – AgY = (In – AgA)Z; Z∈ℜn.
⇒ (In – AgA)Z = θnx1; Z∈ℜn. ⇒ In – AgA = θnx1
⇒ AgA = In
CS(⇒): Si AgA = In entonces el vector X0 = AgY es la única solución del SEL AX = Y Por el teorema 10.11., la solución general del SEL AX = Y es:
Xsg = AgY + (In – AgA)Z; Z∈ℜn. Si AgA = In entonces Xsg = AgY + (In – In)Z = AgY. Luego, el vector X0 = AgY es la única solución del SEL AX = Y. Observaciones: 1. Por el teorema 10.2., apartado 3, Rango(A) = Rango(AgA). Si AgA = In
entonces Rango(A) = Rango(In) = n. Luego, por el teorema anterior el vector X0 = AgY es la única solución del SEL AX = Y si y sólo si Rango(A) = n.
2. Si Rango(A) = n entonces el SEL AX = Y tiene una única solución X0 = AgY = (AtA)-1AtY. Si además m = n entonces la única solución es X0 = (AtA)-1AtY = (A)-1(At)-1AtY = A-1InY = A-1Y.
Teorema 10.13. Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm–{θmx1} y tales que el SEL AX = Y es consistente. Si Rango(A) = r entonces el SEL AX = Y tiene exactamente n – r + 1 soluciones L.I. Demostración Por hipótesis, el SEL AX = Y es consistente. Luego, por el teorema 10.11., la solución general de dicho SEL es:
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
370
Xsg = AgY + (In – AgA)Z; Z∈ℜn. Sea B∈Mnxn(ℜ) la matriz definida por B = In – AgA. La matriz B se puede expresar particionada por columnas 1xn de la siguiente forma:
B = [B1 B2 … Bn]
Luego, para Z0 = θnx1, Z1 = e1, Z2 = e2, …, Zn = en se obtienen n + 1 soluciones del SEL AX = Y: X0 = AgY + [B1 B2 … Bn]θnx1 = AgY
X1 = AgY + [B1 B2 … Bn]
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
0
01
M = AgY + B1.
X2 = AgY + [B1 B2 … Bn]
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
0
10
M = AgY + B2.
Xn = AgY + [B1 B2 … Bn]
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
1
00
M = AgY + Bn.
Sea X∈Mnx(n+1)(ℜ) la matriz definida por X = [X0 X1 X2 … Xn]. Luego,
X = [AgY AgY + B1 AgY + B2 … AgY + Bn]
= [AgY B1 B2 … Bn]
⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
1000
010000101111
L
MMMM
L
L
L
= [AgY B] ( )⎥⎥⎦
⎤
⎢⎢⎣
⎡
θ nnxn
tn
I1 1
= [AgY In – AgA] ( )⎥⎥⎦
⎤
⎢⎢⎣
⎡
θ nnxn
tn
I1 1
Es claro que ( )⎥⎥⎦
⎤
⎢⎢⎣
⎡
θ nnxn
tn
I1 1 es no singular. Luego, por el teorema 1.28.,
Rango(X) = Rango([AgY In – AgA]). Ahora bien, por el teorema 10.2., apartado 14, Rango(B) = Rango(In – AgA) = n – r.
CAPÍTULO 10: PSEUDOS INVERSAS
371
Demostremos que Rango(X) = n – r + 1. Utilicemos reducción al absurdo, es decir, supongamos que Rango(X) ≠ n – r + 1. Específicamente, supongamos que Rango(X) = n – r. Como Rango(B) = n – r entonces los vectores AgY, B1, B2, …, Bn son L.D., luego por el teorema 4.9., AgY∈[B1, B2, …, Bn]. Por lo tanto, existen escalares c1, c2, …, cn tales que:
∑=
=n
1i
jj
g BcYA
Luego,
∑=
=n
1i
jj
g BcYA = [B1 B2 … Bn]
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
n
2
1
c
cc
M = (In – AgA)C; C =
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
n
2
1
c
cc
M
En consecuencia,
Xsg = AgY + (In – AgA)Z = (In – AgA)C + (In – AgA)Z; C, Z∈ℜn. ⇒ Xsg = (In – AgA)(C + Z)
Por lo tanto,
AXsg = A(In – AgA)(C + Z) ⇒ AXsg = (A – AAgA)(C + Z) ⇒ AXsg = (A – A)(C + Z) ⇒ AXsg = (θmxn)(C + Z)
⇒ AXsg = θmx1
Lo cual es una contradicción ya que Y ≠ θmx1. En consecuencia, Rango(X) = n – r + 1 y como X es una matriz de soluciones del SEL AX = Y entonces el SEL AX = Y tiene n – r + 1 soluciones L.I. Para demostrar que el SEL AX = Y tiene exactamente n – r + 1 soluciones L.I., supongamos que t es el número máximo de soluciones L.I. del SEL AX = Y. Luego, existen H1, H2, …, Ht∈ℜn tales que:
Xj = AgY + (In – AgA)Hj es solución del SEL AX = Y. Luego,
W = [X1 X2 … Xt] = [AgY In – AgA] ⎥⎦
⎤⎢⎣
⎡t21 HHH
111L
L
Como X1, X2, …, Xt son L.I., entonces Rango(W) = t. Por el teorema 1.32., Rango(W) es igual a:
Rango([AgY In – AgA] ⎥⎦
⎤⎢⎣
⎡t21 HHH
111L
L) ≤ Rango([AgY In – AgA])
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
372
Luego,
t ≤ n – r + 1 En consecuencia, el SEL AX = Y tiene exactamente n – r + 1 soluciones L.I. Observaciones: 1. El vector X = θnx1 no es solución del SEL AX = Y, ya que Y ≠ θmx1. En
consecuencia, el conjunto de soluciones del SEL AX = Y no es un subespacio de ℜn.
2. Si Y = θmx1 entonces el SEL AX = θmx1 tiene exactamente n – r
soluciones distintas de la trivial y además dicho conjunto de soluciones que coincide con el espacio nulo de A NA, forma un subespacio de ℜn.
Ejemplo 10.4. Consideremos el SEL del ejemplo 3.6.:
⎪⎩
⎪⎨
⎧
=++=+−=++
2X2X4X22X3XX21XX2X
321
321
321
En este caso:
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−=
24 231212 1
A , Y = ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
221
Se puede verificar que Rango(A) = 2. Igualmente, se puede verificar que una inversa condicional de A es:
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−=0 0 00 5
15
20 5
2 51
Ac
También se puede verificar que AAcY = Y. Luego, por el teorema 10.9., el SEL es consistente. Determinemos ahora su solución general:
Xsg = AcY + (In – AcA)Z; Z∈ℜn
AcY =
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−0 0 00 5
15
20 5
2 51
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
221
= ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
001
CAPÍTULO 10: PSEUDOS INVERSAS
373
I3 – AcA = ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
100010001
–
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡
−0 0 00 5
15
20 5
2 51
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−
24 231212 1
=
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡ −
1 005
1 005
700
Luego,
Xsg = ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
001
+
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡ −
1 005
1 005
700
Z; Z∈ℜ3
Como Rango(A) = 2 el SEL AX = Y tiene exactamente 3 – 2 + 1 = 2 soluciones L.I. Fijando Z1 = θ3x1 y Z2 = e3 se obtienen las 2 soluciones X1 y X2 L.I. de dicho SEL:
X1 = ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
001
y X2 = ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
001
+
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡−
1 5
1 5
7
=
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡−
1 5
1 5
2
Esta operación equivale a desarrollar la solución general:
Xsg = ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
001
+
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡ −
1 005
1 005
700
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
3
2
1
ZZZ
= ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
001
+
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡−
3
3
3
Z Z5
1
Z57
= ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
001
+ Z3
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡−
1 5
1 5
7
; Z3∈ℜ
Para luego fijar Z3 = 0 y Z3 = 1 y así obtener las 2 soluciones L.I. del SEL AX = Y:
X1 = ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
001
y X2 = ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
001
+
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡−
1 5
1 5
7
=
⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢
⎣
⎡−
1 5
1 5
2
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
374
EJERCICIOS PROPUESTOS. 1. Determine la inversa generalizada de cada una de las siguientes
matrices:
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
−−
−
=
2 1 0 20 31 4 0 10 2
A ; ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡−
−=
3 1 0 54 2 230 10 1
B ; ⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡ −=
32 11 01
C ;
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−
−=
42 23 2 0 2 11
D ;
⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢
⎣
⎡
−−−
−−−−
=
92 522 2 3 1 53 0 221 21
E ;
⎥⎥⎥
⎦
⎤
⎢⎢⎢
⎣
⎡
−−=
23 1 04 127 32 5 2 1
F
2. Sea A∈Mmxn(ℜ), B∈Mnxn(ℜ). Demuestre que si BtAtA + AtAB
= ((AB)tA)t entonces AB = θmxn. 3. Sea A∈Mmxn(ℜ), tal que Rango(A) = r, con 0 < r < m. Demuestre que
A(AtA)gAt es semidefinida positiva. 4. Sea A∈Mmxn(ℜ). Demuestre que Ag = At si y sólo si AtA es
idempotente. 5. Sea A∈Mmxm(ℜ). Demuestre que si A es simétrica entonces Ag es
diagonalizable. 6. Sean A∈Mmxm(ℜ), B∈M(m-n)xm(ℜ) tales que BA = θ(m-n)xm con
Rango(A) = r y Rango(B) = m – r. Demuestre que la matriz AAg + BgB es no singular.
7. Sean A∈Mmxm(ℜ), B∈M(m-n)xm(ℜ) tales que A es simétrica,
BA = θ(m-n)xm, Rango(A) = r y Rango(B) = m – r. Demuestre que la matriz A + BtB es no singular.
8. Sean A∈Mmxm(ℜ), B∈M(m-n)xm(ℜ) tales que A es simétrica y
BA = θ(m-n)xm. Demuestre que: BtBAg = ABg(Bg)t = θmxm 9. Sean A, B∈Mnxn(ℜ) matrices simétricas, tales que Rango(A) = m,
Rango(B) = r y BA = θnxn, con 0 < m < n, 0 < r < n y m + r = n. Demuestre que si C y D son las inversas generalizadas de A y B, respectivamente, entonces A + B es no singular.
10. Determine una inversa condicional de cada una de las matrices del
ejercicio 1.
CAPÍTULO 10: PSEUDOS INVERSAS
375
11. Sean A, B∈Mnxn(ℜ) tales que Rango(A) = r < n, B es no singular y la matriz BA es idempotente. Demuestre que B es una inversa condicional de A.
12. Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Demuestre que si B es una inversa
condicional de A entonces Rango(A) = Rango(BAB). 13. Sean G∈Mpxp(ℜ) y X∈Mnxp(ℜ) tal que Rango(X) = r con 0 < r < p.
Demuestre que si G es una inversa condicional de XtX entonces:
13.1. Gt es inversa condicional de XtX. 13.2. XGXtX = X. 13.3. XGXt es invariante respecto de cualquier inversa
condicional G de XtX. 13.4. XGXt es simétrica. 13.5. XGXt es semidefinida positiva. 13.6. Rango(In – XGXt) = n – r. 13.7. CtXGXtXB = UtB; ∀ B∈ℜp donde U = XtC y C∈ℜn.
14. Determine una inversa mínimo cuadrática para cada una de las
matrices dadas en el ejercicio 1. 15. Sean A∈Mmxn(ℜ) y Amc∈Mnxm(ℜ) tales que Amc es una inversa
mínimo cuadrática de A. Demuestre que AAg = Im si y sólo si AAmc = Im.
16. Sea A∈Mmxn(ℜ). Demuestre que si mc
1A y mc2A son inversas mínimo
cuadráticas de A entonces mxmmc2
mc1 )AA(A θ=− .
17. Sean A∈Mmxn(ℜ) y B∈Mnxm(ℜ). Demuestre que si B es una inversa
condicional de AtA entonces BAt es una inversa mínimo cuadrática de A.
18. Demuestre que los siguientes SEL son consistentes y determine para
cada uno de ellos su solución general así como el conjunto de soluciones L.I.:
18.1. ⎪⎩
⎪⎨
⎧
=+−+−=−+
−=−+−
6X3X6X3X33X2X5X
4X2X4X2X2
4321
431
4321
18.2. ⎪⎩
⎪⎨
⎧
−=+−−=+−
=++
2X5XX33X2XX
3XXX
321
321
321
18.3. ⎪⎩
⎪⎨
⎧
=+=+
=++
3X2X20X2X2
3X2X2X4
31
21
321
ALGEBRA LINEAL PARA ESTADÍSTICOS Y ACTUARIOS
376
18.4. ⎪⎩
⎪⎨
⎧
=+=+−=−+
0XX0XXX0XX3X
21
431
421
19. Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm. Considere el SEL AX = Y. Sea Ac
una inversa condicional de A. Sean Hj∈ℜn; ∀ j = 1, 2, …, t y cj∈ℜ; ∀ j = 1, 2, …, t. Demuestre que si el SEL AX = Y es consistente
entonces el vector Z = AcY + ∑=
−t
1j
jcnj H)AAI(c es solución del SEL
AX = Y. 20. Sean A∈Mmxn(ℜ), B∈Mpxq(ℜ), C∈Mmxq(ℜ) y X∈Mnxp(ℜ). Demuestre
que una condición necesaria y suficiente para que la ecuación AXB = C tenga una solución es que AAgCBgB = C y en tal caso su solución general es de la forma Xsg = AgCBg + Z – AgAZBBg; donde Z∈Mnxp(ℜ).
21. Sean A∈Mmxn(ℜ), X∈ℜn e Y∈ℜm. Sea X0 = AgY una solución del
sistema de ecuaciones AX = Y. Demuestre que el vector Z = X0 + W es una solución del SEL AX = Y, ∀ W∈S⊥, siendo S = {(A1)t, (A2)t, …, (An)t}.